O que o gestor deve aprender na era da superinteligência

O que o gestor deve aprender na era da superinteligência

O gestor deve aprender, antes de qualquer ferramenta, quatro habilidades que não perdem valor quando a IA melhora: ter critério para decidir o que vale fazer, definir metas verificáveis, revisar resultados que não produziu sozinho e assumir responsabilidade pelo que foi decidido. Quanto mais capaz o sistema, mais barato fica executar e mais caro fica errar a direção. Este artigo mostra como treinar cada uma dessas habilidades na rotina, sem depender de nenhuma previsão sobre superinteligência.

Principais pontos

• Execução fica mais barata, então o gargalo se desloca para decidir o que fazer e para quê.
• Meta vaga produz resultado vago: quem sabe definir sucesso, limite e prazo comanda melhor tanto pessoas quanto agentes.
• Revisar bem é uma competência treinável, e ela exige saber o que olhar quando você não faria a tarefa sozinho.
• Responsabilidade não é delegável: o nome que assina a decisão continua sendo de uma pessoa.
• Essas habilidades se exercitam em pilotos pequenos, com registro, e não em cursos genéricos sobre tecnologia.

O que muda para o gestor quando a IA fica mais capaz?

Primeiro, uma separação honesta entre três tipos de afirmação. Há o que a documentação oficial descreve: sistemas de IA já executam tarefas de texto, análise e uso de ferramentas com autonomia crescente. Há o que a experiência de implementação mostra: esses sistemas erram de formas pouco óbvias, e o custo do erro depende de quem revisa. E há a hipótese: a de que sistemas muito superiores ao desempenho humano em vários domínios venham a existir. Sobre essa última, ninguém sabe prazo nem forma, e planejar a gestão em cima dela seria apostar. Se quiser entender a diferença entre os conceitos que circulam, vale ler o artigo sobre a diferença entre AGI e superinteligência.

O que dá para afirmar sem apostar é a direção: tarefas que antes exigiam horas de uma pessoa passam a ser feitas em minutos por um agente, com qualidade variável. Isso muda o que o gestor faz de três maneiras.

• Sobra menos trabalho de produzir e mais trabalho de escolher, priorizar e conferir.
• O volume de coisas feitas aumenta, e com ele o volume de coisas a revisar.
• Erros passam a se repetir em escala, porque um agente mal orientado erra a mesma coisa muitas vezes antes de alguém perceber.

Em outras palavras, a gestão deixa de ser a arte de distribuir esforço e passa a ser a arte de dirigir e verificar.

Por que o critério vale mais do que a execução?

Critério é a capacidade de dizer, com razões, que isto vale a pena e aquilo não. Quando executar era caro, a escassez de tempo forçava a priorização. Quando executar fica barato, é fácil produzir muita coisa irrelevante com aparência de trabalho bem feito: relatórios, respostas, propostas, automações que ninguém pediu.

O critério tem componentes que dá para treinar:

• Conhecer o processo real, não o desenhado. Quem nunca acompanhou um atendimento ou uma ordem de serviço do começo ao fim não sabe onde a IA ajuda e onde atrapalha.
• Saber o que é irreversível. Enviar uma mensagem ao cliente, emitir um desconto ou mexer em um cadastro têm custos de desfazer diferentes.
• Distinguir tarefa de julgamento de tarefa de regra. Regra pode ser um fluxo determinístico. Julgamento é onde a IA entra, e onde a revisão pesa mais.
• Reconhecer quando a resposta parece boa demais. Texto fluente não é prova de acerto.

Um bom exercício é registrar, por algumas semanas, as decisões que você tomou com uma frase sobre o motivo. Quando a IA sugerir algo, você compara a sugestão com o seu registro e percebe onde o seu critério já era claro e onde era só hábito.

Como definir metas que uma pessoa ou um agente consegue cumprir?

Meta ruim é a que só se sabe se foi cumprida depois, na opinião de alguém. Com agentes de IA isso fica evidente: sem uma definição de pronto, o sistema entrega algo plausível e o gestor reclama de algo que nunca pediu. A documentação sobre agentes da Anthropic, em Building effective agents, recomenda começar pelo caso mais simples que funcione e aumentar a complexidade só quando medições justificarem, o que pressupõe saber o que se está medindo.

Um checklist para escrever uma meta que sobreviva ao contato com a prática:

• Resultado esperado em uma frase, sem adjetivos como bom, rápido ou melhor.
• Como será verificado: quem confere, com qual amostra, em qual frequência.
• Limites de dados: quais informações o sistema pode ver e quais não pode.
• Limites de ação: o que ele pode fazer sozinho, o que exige aprovação e o que é proibido.
• Condição de parada: quando o piloto é encerrado, ajustado ou ampliado.
• Dono nomeado: uma pessoa responde pelo resultado, não um departamento.

Note que nada disso é específico de IA. É a boa gestão de sempre, só que agora a falta dela aparece mais depressa e em volume maior.

Como revisar o que você não faria sozinho?

Revisar é diferente de aprovar. Aprovar é dizer sim. Revisar é ter um método para encontrar o que está errado, mesmo quando o texto parece correto. Essa competência importa mais à medida que a IA assume tarefas fora da especialidade do gestor, porque ele passa a conferir algo que talvez não saiba produzir.

Algumas práticas ajudam:

• Revisar por amostra, com critério definido antes. Escolha casos fáceis, difíceis e atípicos, não só os que chegaram primeiro.
• Ter exemplos de referência. Um conjunto pequeno de casos com resposta correta conhecida serve de régua. A Anthropic descreve essa lógica em Demystifying evals for AI agents, e o mesmo raciocínio vale para tarefas que não são código. Sobre testes gerados por máquina, há uma discussão prática em testes automatizados gerados por IA.
• Olhar o processo, não só o resultado. Registros de decisão mostram por que o agente fez o que fez, e é neles que o erro sistemático aparece.
• Pedir evidência. Quando a IA afirma algo factual, a pergunta de revisão é de onde veio a informação.
• Separar revisão de quem produziu. Quem escreveu a instrução tende a enxergar o que pretendia, não o que está lá.

Um ponto de cuidado: revisão não deve virar vigilância sobre pessoas. Medir a qualidade do processo é diferente de monitorar cada movimento da equipe, e o artigo sobre medir produtividade com IA sem vigilância trata dessa fronteira.

Quem responde quando a IA decide?

Responsabilidade é a habilidade menos técnica e a mais difícil de terceirizar. Quando um agente responde um cliente, calcula um orçamento ou sugere uma recusa, a empresa respondeu, e dentro dela alguém precisa poder explicar a decisão. Os princípios da OCDE para IA, em OECD AI Principles, tratam justamente de transparência, robustez e prestação de contas como pilares, e o NIST AI Risk Management Framework organiza a gestão de risco em torno de governar, mapear, medir e gerir.

No Brasil, há também o lado legal. A LGPD prevê, no art. 20, o direito de pedir revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem os interesses do titular. O artigo sobre decisões automatizadas e o art. 20 detalha o que isso significa na prática. Para o gestor, a consequência é simples: antes de automatizar uma decisão, saiba quem a revisa e como o cliente pede essa revisão.

Um guia de decisão em forma de lista, para cada tarefa que você pensa em entregar a um agente:

• Se o erro é fácil de desfazer e de baixo impacto, o agente pode agir sozinho, com amostragem de revisão.
• Se o erro é desfazível, mas visível para o cliente, o agente prepara e uma pessoa aprova antes do envio.
• Se o erro é irreversível ou afeta direito, crédito, saúde ou contrato, a decisão fica com uma pessoa, e a IA apenas apoia com informação.
• Se ninguém consegue explicar a decisão depois, a tarefa não está pronta para automação.

Como exercitar essas habilidades na rotina?

Habilidade de gestão se aprende fazendo, com feedback. Um plano de passos que cabe na agenda de um gestor ocupado:

• Escolha um fluxo real e pequeno, como responder dúvidas recorrentes ou preparar um rascunho de proposta.
• Escreva a meta com o checklist da seção anterior, antes de abrir qualquer ferramenta.
• Defina o que a IA pode ver e fazer. Se houver dados pessoais, confirme base legal e tratamento. Uma política de uso de ChatGPT na empresa ajuda a dar regra comum à equipe.
• Rode por um período curto com registro de cada decisão e de cada correção humana.
• Reúna a equipe e revise os erros: de quem foi a falha, da instrução, do dado ou do critério?
• Decida por escrito: ampliar, ajustar ou parar.

O ponto central é que o aprendizado vem da revisão dos erros, não do acerto. Um gestor que só vê o que funcionou não treina critério.

Cenário ilustrativo: a gerente de operações e os orçamentos

Imagine uma gerente de operações de uma distribuidora que usa um agente para preparar rascunhos de orçamento a partir de mensagens de clientes no WhatsApp. Este é um cenário ilustrativo, não um caso real.

Na primeira semana, ela percebe que os rascunhos parecem bons, mas ninguém sabe dizer se estão certos. Em vez de aprovar tudo, ela escolhe uma amostra de casos fáceis e difíceis, confere cada um contra a tabela oficial e anota onde o agente errou. Descobre que os erros se concentram em pedidos com unidades de medida misturadas.

Elá então muda três coisas: reescreve a instrução para tratar unidades, determina que pedidos com mais de um tipo de unidade sempre passam por uma pessoa, e nomeia um responsável semanal por revisar uma amostra. O agente não ficou mais inteligente. A gestão ficou mais clara, e o resultado melhorou por causa disso.

Como o método de mapear, limitar, pilotar e transferir se aplica?

O mesmo exercício pode ser feito em quatro movimentos. Mapear é descrever o processo atual e registrar um ponto de partida, para saber depois se algo melhorou. Limitar é definir dados e ações permitidos, com aprovação humana onde o erro custa caro. Pilotar é rodar um fluxo real, com registros e uma métrica de sucesso combinada antes. Transferir é entregar a operação a quem vai mantê-la, com documentação e critérios claros para expandir, ajustar ou parar.

Note como cada etapa exercita uma das habilidades deste artigo: mapear treina critério, limitar treina responsabilidade, pilotar treina meta e revisão, transferir treina a clareza de quem responde. Para ver como esse trabalho costuma ser conduzido, há o texto sobre como Juan Carlo trabalha com empresas.

Perguntas frequentes

O gestor precisa aprender a programar para trabalhar com IA? Não necessariamente. Precisa entender o suficiente para descrever um processo com precisão, definir limites e ler registros de decisão. Programar ajuda em alguns contextos, mas critério, meta e revisão pesam mais na maior parte das funções de gestão.

A superinteligência vai substituir o gestor? Ninguém consegue afirmar isso com base em evidência, e tratar a questão como certa em qualquer direção é especulação. O que se observa é que decisões com impacto sobre pessoas, contratos e reputação seguem exigindo alguém que responda por elas. Preparar-se melhor significa fortalecer as habilidades que continuam necessárias em qualquer cenário.

Por onde um gestor deve começar a se preparar? Escolha um fluxo pequeno e real, escreva a meta com forma de verificação e limites, rode um piloto curto com registro e revise os erros com a equipe. Fazer isso uma vez ensina mais do que ler muito sobre o tema. Depois, repita com um fluxo diferente para testar se o aprendizado se sustenta.

Como saber se estou revisando bem o trabalho da IA? Um sinal é conseguir dizer, antes de olhar o resultado, o que contaria como erro. Outro é ter exemplos de referência com resposta conhecida e comparar a saída do agente com eles periodicamente. Se você aprova quase tudo sem encontrar falhas, desconfie do método de revisão antes de concluir que o sistema é perfeito.

Fontes

• Anthropic: Building effective agents
• Anthropic: Demystifying evals for AI agents
• NIST AI Risk Management Framework
• OECD AI Principles