Prontidão organizacional como condição necessária para a captura de valor em projetos de Inteligência Artificial

Resumo

Abstract

1.Introdução

1.1 Contextualização

Poucas tecnologias na história recente foram democratizadas com a velocidade dos modelos generativos de IA. Em questão de meses, uma microempresa de bairro e uma corporação multinacional passaram a acessar rigorosamente o mesmo modelo de fronteira, pelo mesmo preço unitário, no mesmo dia de lançamento. Do ponto de vista do artefato tecnológico, a assimetria competitiva foi praticamente eliminada.

Se o acesso é simétrico, seria razoável esperar que o resultado também tendesse à simetria. Não é o que se observa. No Brasil, os dados disponíveis descrevem um quadro de intenção elevada e execução frágil: reportagem da Forbes Brasil registra que, embora 67% das empresas brasileiras priorizem IA, poucas dispõem de equipes, capacitação e método para converter intenção em resultado — daí o diagnóstico que dá título à matéria: o maior gap não é tecnológico, é de execução (Szkurnik, 2026). Em linha convergente, levantamento reportado por Época Negócios aponta que a IA é prioridade para 80% das empresas, ainda que 74% não possuam gestão de riscos, 42,7% apontem falta de conhecimento como barreira e 43,3% invistam menos de 1% de seu orçamento na tecnologia (Moraes, 2026).

O retrato agregado é inequívoco: não falta acesso, nem prioridade, nem intenção. Falta condição de execução.

1.2 Problema de pesquisa

Emerge, portanto, a pergunta que orienta este ensaio:

Se o acesso à tecnologia é simétrico, o que explica a assimetria persistente na captura de valor?

A resposta dominante no mercado — a de que faltaria à organização “a ferramenta certa”, “o modelo certo” ou “o especialista certo” — é insuficiente. Ela desloca a explicação para o artefato, quando a evidência aponta para o contexto de recepção do artefato.

1.3 Tese central

O insucesso das iniciativas de IA não decorre da ausência da tecnologia, mas da ausência do ambiente organizacional capaz de operá-la. A tecnologia é condição necessária, porém insuficiente; a prontidão do ambiente é a condição limitante.

Formulada de outro modo: a IA não corrige a desordem organizacional — ela a amplifica. Um modelo de alta capacidade operando sobre processos não documentados, dados dispersos e memória inexistente não produz decisão superior; produz ruído com aparência de autoridade, o que é gerencialmente pior do que a ausência da ferramenta, pois confere legitimidade técnica ao erro.

1.4 Objetivo e contribuição

(i) Teórico. Reposicionar o debate sobre falha em projetos de IA, deslocando o eixo explicativo do artefato tecnológico para a prontidão do ambiente, ancorando essa mudança na literatura de capacidade absortiva, memória organizacional e investimentos complementares a tecnologias de propósito geral.

(ii) Prescritivo. Propor o framework Growth Tech, método operacional em cinco fases que condiciona a implementação de IA à prontidão verificada do ambiente, e cuja contribuição distintiva é a formalização de um critério de não-construção.

2.Referencial teórico

2.1 A commoditização do artefato e a persistência da assimetria

A economia da inovação há muito reconhece que o mero acesso a uma tecnologia não determina seu retorno. Brynjolfsson, Rock e Syverson (2021), ao formularem a Productivity J-Curve, demonstram que tecnologias de propósito geral apresentam, num primeiro momento, produtividade mensurada declinante — não porque a tecnologia falhe, mas porque a organização precisa realizar investimentos complementares intangíveis (redesenho de processos, capital humano, capital organizacional) antes que os ganhos se materializem. O retorno só aparece depois da curva.

A implicação é direta: a organização que compra a ferramenta e espera o retorno imediato está, por definição, no vale da curva. Não observando ganho, conclui erroneamente que “IA não funciona” — quando, na verdade, apenas não realizou os investimentos complementares que a tecnologia pressupõe.

2.2 Capacidade absortiva

Cohen e Levinthal (1990) definem capacidade absortiva como a habilidade da firma de reconhecer o valor de informação nova, assimilá-la e aplicá-la a fins comerciais. Trata-se de capacidade cumulativa e dependente de trajetória: a firma que não construiu base prévia de conhecimento não absorve conhecimento novo, ainda que este esteja gratuitamente disponível.

Aplicado ao objeto deste ensaio: a disponibilidade universal do modelo não gera capacidade absortiva universal. A firma sem processo, sem dado e sem memória não possui o substrato cognitivo necessário para absorver a tecnologia — e o acesso, nesse caso, é economicamente inerte.

2.3 Memória organizacional

O conceito central deste trabalho é o de memória organizacional. Walsh e Ungson (1991), em formulação seminal, definem-na como a informação armazenada sobre a história da organização, recuperável e aplicável a decisões presentes. Os autores identificam múltiplos reservatórios de retenção — indivíduos, cultura, transformações, estruturas, ecologia e arquivos externos — nos quais o conhecimento organizacional se aloja.

O ponto crítico, frequentemente negligenciado na prática gerencial, é este: quando o principal reservatório de retenção é o indivíduo, a memória organizacional é volátil. Ela se desliga quando o colaborador se desliga. O processo “que está na cabeça de três pessoas” não é conhecimento organizacional — é conhecimento pessoal em regime de aluguel.

Nonaka e Takeuchi (1995), apoiados em Polanyi (1966), sistematizam a distinção entre conhecimento tácito e explícito, e propõem que a criação de conhecimento organizacional depende da conversão do primeiro no segundo. Davenport e Prusak (1998) reforçam que o valor gerencial do conhecimento emerge apenas quando ele é codificado, acessível e reutilizável.

A IA, por sua natureza, opera sobre conhecimento explícito e codificado. Daí decorre a conclusão que sustenta todo o framework proposto: não há IA organizacionalmente útil sem conversão prévia — ainda que parcial — do tácito em explícito. A construção da memória organizacional não é subproduto do projeto de IA: é seu pré-requisito.

2.4 Adoção e aceitação de tecnologia

Davis (1989), no Technology Acceptance Model, estabelece que a adoção efetiva é função da utilidade percebida e da facilidade de uso percebida. Ferramentas tecnicamente corretas, porém percebidas como irrelevantes ou custosas pelo usuário, não são adotadas — e uma solução não adotada tem valor econômico nulo, embora custo contábil positivo. Disso decorre a inclusão obrigatória de uma fase de capacitação e adoção no framework: a entrega técnica não encerra o projeto; a apropriação pelo usuário encerra.

2.5 Lacuna identificada

A literatura descreve bem o que falta — prontidão, capacidade absortiva, memória, adoção —, mas é majoritariamente descritiva e diagnóstica. Falta um framework prescritivo, sequencial e operacionalmente verificável, desenhado para pequenas e médias empresas sob a tecnologia de IA generativa, que estabeleça não apenas o que fazer, mas em que ordem, com quais artefatos e sob qual critério de interrupção. É essa lacuna que o Growth Tech pretende endereçar.

3.O cenário brasileiro: uma análise crítica

A proposição geral deste ensaio é agravada, no contexto brasileiro, por três forças concorrentes — todas convergentes com o diagnóstico de gap de execução reportado por Szkurnik (2026) e com os gargalos estruturais descritos por Moraes (2026).

3.1 A economia da intermediação

O mercado brasileiro de IA constituiu-se, em larga medida, como mercado de conteúdo, não de entrega. A monetização via curso, palestra e mentoria apresenta ciclo de caixa mais curto e risco de execução substancialmente menor do que a implementação técnica com responsabilidade sobre resultado. Estabelece-se clássica situação de assimetria informacional: o contratante não dispõe de repertório técnico para distinguir competência de retórica, e o mercado responde produzindo intermediários cuja qualificação é frequentemente inferior à complexidade do problema que se propõem a resolver. O custo do aprendizado do intermediário é integralmente transferido ao contratante.

3.2 A cultura do achismo

A decisão gerencial baseada em intuição não constitui, em si, patologia — é, muitas vezes, resposta racional à indisponibilidade de dado organizado. O problema surge quando se sobrepõe IA a esse substrato: o resultado não é decisão melhor informada, mas intuição acelerada e revestida de autoridade computacional. A ferramenta, nesse arranjo, não corrige o viés — ela o industrializa.

3.3 O viés de urgência

Observa-se desalinhamento sistemático entre o ciclo de maturação dos investimentos complementares — que a J-Curve prevê como necessariamente lento — e a expectativa de retorno do decisor, tipicamente imediata. O dado de que 43,3% das empresas investem menos de 1% do orçamento (Moraes, 2026) é sintomático: espera-se de um investimento marginal o retorno de uma transformação estrutural.

3.4 Consequência agregada: saturação semântica

O efeito composto dessas forças é a saturação semântica do termo “Inteligência Artificial” junto ao decisor brasileiro. O ceticismo hoje observado não é ignorância tecnológica — é aprendizado por experiência negativa. O decisor já foi exposto, já investiu e não obteve retorno. Sua resistência é racional. Isso desloca o ônus da prova: cabe hoje ao implementador demonstrar método, não tecnologia.

4.O framework Growth Tech

4.1 Premissas

P1. A tecnologia é condição necessária, não suficiente (Brynjolfsson et al., 2021).
P2. A prontidão do ambiente é a variável limitante do resultado (Cohen; Levinthal, 1990).
P3. A memória organizacional é o substrato sobre o qual a IA opera; sua ausência é a causa-raiz da falha (Walsh; Ungson, 1991).

4.2 O construto “ambiente organizacional”: definição operacional

Propõe-se decompor o ambiente organizacional em quatro camadas mensuráveis:

A prática corrente de mercado endereça quase exclusivamente a camada tecnológica adjacente a C3 — ignorando C1, C2 e, sobretudo, C4, a camada invisível.

4.3 As cinco fases

Cada fase é definida por objetivo, atividades, artefatos de saída e critério de passagem. A ausência do artefato de saída impede o avanço de fase — característica que distingue um método de uma sequência de intenções.

Fase 1 — Diagnóstico (Raio-X)

Fase 2 — Arquitetura e prova de valor

Fase 3 — Implementação em produção

Fase 4 — Capacitação e adoção

Fase 5 — Prova do ganho e evolução

4.4 A contribuição distintiva: o gate de não-construção

A característica que singulariza o Growth Tech não é a existência de fases — a maioria dos métodos as possui. É a formalização de um critério de interrupção:

Se, ao final da Fase 1, o ROI projetado não superar o custo total de propriedade, o projeto não avança. Não se constrói.

A racionalidade é econômica, não retórica. A introdução de um gate de viabilidade antes do comprometimento de capital transforma a decisão de implementar — hoje tomada por convicção, moda ou pressão comercial — em decisão condicionada a evidência. Corolário: um método incapaz de recusar um projeto não é um método — é um funil de vendas.

4.5 Governança transversal

Atravessam todas as fases: guardrails de entrada e saída; avaliação contínua de qualidade (evals); supervisão humana proporcional ao risco; conformidade regulatória (LGPD); e proprietário designado para o uso responsável de IA, com procedimento de escalonamento formalizado.

5.Discussão

5.1 Mecanismo causal proposto

Propõe-se que o framework atua sobre a taxa de falha por três mecanismos distintos:

(1) Redução da seleção adversa. O gate da Fase 1 elimina, ex ante, o subconjunto de projetos economicamente inviáveis — que, na prática corrente, só são identificados ex post, após a queima de capital.

(2) Encurtamento do vale da J-Curve. Ao tratar o investimento complementar (processo, dado, memória) como objeto explícito e faseado do projeto — e não como externalidade — o framework reduz o intervalo entre desembolso e ganho descrito por Brynjolfsson et al. (2021).

(3) Conversão de memória volátil em memória institucional. A Fase 3 desloca o reservatório de retenção do indivíduo para o arquivo organizacional (Walsh; Ungson, 1991), tornando o ganho acumulativo e não dependente da permanência de pessoal.

5.2 A memória como ativo composto

Uma implicação relevante do mecanismo (3) merece registro: enquanto o ganho de automação é linear — economizam-se X horas por mês, indefinidamente —, o ganho de memória organizacional é composto: cada ciclo de decisão registrado aumenta a qualidade do ciclo seguinte.

O ativo mais valioso gerado por um projeto de IA bem conduzido não é a automação. É a memória.

A automação é replicável por qualquer concorrente com acesso ao mesmo modelo — é, portanto, commodity. A memória organizacional, por ser idiossincrática e dependente de trajetória, não é replicável. Constitui, assim, a única fonte de vantagem competitiva sustentável que o projeto pode produzir.

5.3 Implicações gerenciais

Para o decisor, decorre um critério prático de triagem de fornecedores:

Se o fornecedor não apresentou o ROI projetado antes de vender a solução, o que foi vendido não é uma solução — é uma aposta cujo risco integral foi transferido ao contratante.

5.4 Limitações

Este ensaio é de natureza teórico-prescritiva. O framework foi desenvolvido a partir da prática e ancorado na literatura, mas não foi submetido a validação empírica controlada. Não se apresentam aqui: (i) estudo comparativo com grupo de controle; (ii) amostra estatisticamente representativa; (iii) mensuração longitudinal independente. Registra-se, ademais, o viés do proponente — o autor é parte interessada no framework que propõe —, o que recomenda ao leitor postura crítica quanto às proposições normativas aqui defendidas.

5.5 Agenda de pesquisa futura

Sugere-se: (a) estudo multicaso longitudinal comparando organizações com e sem gate de ROI ex ante; (b) operacionalização de um índice de prontidão sobre as quatro camadas (C1–C4), com validação psicométrica; (c) teste empírico da hipótese do ganho composto da memória organizacional.

6.Considerações finais

O mercado está vendendo a ferramenta errada — não porque a ferramenta seja ruim, mas porque a ferramenta nunca foi a variável limitante.

O acesso à IA foi democratizado; a capacidade de operá-la, não. E essa capacidade não se compra: constrói-se, camada a camada, sobre processo mapeado, dado organizado, gente que adota e memória que não se perde quando alguém pede demissão.

A pergunta gerencial correta não é “qual IA eu devo implementar?”, mas “minha organização está pronta para operar qualquer uma delas?”.

Enquanto a primeira pergunta continuar sendo feita no lugar da segunda, a taxa de insucesso permanecerá onde está — e a responsabilidade continuará sendo atribuída, equivocadamente, à tecnologia.

Referências

Não vendemos IA. Construímos a capacidade de crescer. aistart.com.br · pedro@aistart.com.br