Fluência em IA não se mede por horas de curso

A equipe concluiu o treinamento de inteligência artificial. Os certificados estão emitidos, a avaliação de satisfação foi preenchida e o relatório está pronto para a diretoria. Na operação, porém, os mesmos pedidos continuam voltando por falta de informação. Nessa cena hipotética, a empresa tem como comprovar que houve um curso, mas ainda não sabe dizer o que ele mudou.

Compare com outra equipe que testou a tecnologia em uma etapa do atendimento, conferiu os resultados e reduziu o retrabalho. Eu apostaria nela, desde que a melhoria resistisse à verificação de qualidade e segurança. Produzir uma resposta mais depressa adianta pouco se o cliente recebe uma orientação errada ou se informações confidenciais vão parar em uma ferramenta sem autorização.

Horas de curso são fáceis de registrar. Demonstrar que as pessoas aprenderam a trabalhar melhor exige olhar para o que acontece depois da aula, longe da plataforma de treinamento.

É aí que eu colocaria a régua: fluência em IA se mede pela capacidade de melhorar processos reais, preservando qualidade e segurança. O treinamento ajuda a construir essa capacidade. Não serve como prova de que ela existe.

O certificado comprova o curso, não a fluência

Cursos não são desperdício por definição. Uma boa formação cria vocabulário comum e orienta sobre limites e usos permitidos. Para quem nunca trabalhou com IA generativa, esse começo pode evitar tanto o medo de experimentar quanto a confiança exagerada na ferramenta.

O problema é fazer da conclusão do curso a linha de chegada. Saber explicar o que é um modelo de linguagem não significa perceber que um resumo omitiu uma cláusula relevante. Tampouco um comando sofisticado comprova que seu autor sabe identificar uma resposta convincente, mas incorreta.

A fluência aparece quando alguém reconhece uma tarefa adequada para a IA e sabe conferir o que ela entregou. Às vezes, aparece na decisão de abandonar a ferramenta. Quem consegue explicar ao colega por que um resultado é aceitável, sem usar a própria resposta da IA como justificativa, demonstra mais domínio do que quem apenas repete os conceitos da aula.

É nesse encontro entre formação e trabalho que RH e aprendizagem corporativa podem fazer diferença. O gestor conhece o gargalo, mas talvez não saiba estruturar uma prática de aprendizagem. A equipe de formação pode ajudá-lo, enquanto tecnologia, segurança e jurídico participam das decisões que exigem seus critérios. Isso dá mais trabalho do que contratar um catálogo de cursos; também aproxima a capacitação do problema que a empresa precisa resolver.

Comece pelo pedido que sempre volta

“Vamos usar IA” é uma orientação que deixa a parte mais difícil para depois. “Vamos diminuir as devoluções de propostas comerciais por informações incompletas” já oferece algo concreto para investigar. A ferramenta deixa de procurar uma utilidade e passa a ser testada contra um problema.

Pense em uma distribuidora brasileira que recebe pedidos por e-mail e WhatsApp. Em um experimento hipotético, a IA poderia organizar descrições de produtos e sinalizar campos ausentes antes de o pedido seguir para conferência. O objetivo seria descobrir a falta de informação antes que ela obrigasse alguém a refazer o trabalho.

Só que, antes do teste, a equipe precisaria conhecer o processo sem IA. Onde os pedidos costumam voltar? A resposta exige observar os erros e o esforço de conferência, não confiar na memória de quem apresenta a solução. Sem essa referência, uma demonstração caprichada pode passar por melhoria.

Há também uma fronteira que o entusiasmo costuma borrar: organizar informações não equivale a aprovar uma condição comercial. Sugerir uma resposta não autoriza a ferramenta a assumir um compromisso com o cliente. O experimento precisa deixar claro quem responde pelo resultado e em quais condições será interrompido.

Essa abordagem é coerente com o AI Risk Management Framework do NIST, que organiza a gestão de riscos de IA em funções de governança, mapeamento, medição e gerenciamento. Para a capacitação, a consequência é direta: aprender a usar inclui aprender a avaliar o que pode dar errado.

A agenda revela se a empresa leva isso a sério

Existe uma contradição em cobrar experimentação de uma equipe cuja agenda já está inteiramente tomada pela operação. A empresa pede novas formas de trabalhar, mas trata qualquer tentativa sem retorno imediato como perda de produtividade.

Um teste responsável exige preparação e comparação. Alguém precisa registrar as falhas, entender as diferenças entre os resultados e revisar o procedimento. Se esse trabalho fica para o intervalo entre reuniões ou para depois do expediente, a capacitação depende da boa vontade de algumas pessoas, não de uma decisão da empresa.

Reservar tempo significa ajustar prioridades. Não é dar licença para experimentar indefinidamente: a equipe recebe espaço para investigar um problema e precisa mostrar o que encontrou, inclusive o que ainda não consegue afirmar.

A objeção dos gestores é legítima. Há metas a cumprir, e nem toda operação consegue afastar várias pessoas ao mesmo tempo. Concordo com a restrição; discordo de usá-la como desculpa para reduzir a capacitação ao consumo de aulas. Um teste pequeno, acompanhado de perto, faz mais sentido do que um programa ambicioso que ninguém tem condições de colocar em prática.

Também é preciso aceitar um resultado que raramente rende uma apresentação entusiasmada: decidir não usar IA. Se a revisão consome todo o tempo economizado ou os erros são difíceis de detectar, interromper pode ser a escolha mais competente. Premiar somente a adoção dá à equipe um motivo para esconder problemas.

O ganho precisa chegar até o fim do trabalho

Um rascunho produzido em segundos pode criar uma fila de revisão. Um atendimento mais curto pode gerar outro contato porque a dúvida ficou sem resposta. Horas economizadas ajudam a avaliar o uso de IA, mas a conta precisa acompanhar o processo até a entrega, com suas correções e exceções.

Eu começaria pelo retrabalho e pelo esforço total da equipe, sem perder de vista a qualidade do que chega ao cliente. Os critérios mudam conforme a atividade: na comunicação, preservar informações e tom de marca importa; no financeiro, uma classificação errada pode comprometer etapas posteriores. Medir tudo pela velocidade de produção esconde essas diferenças.

Segurança faz parte da mesma avaliação. A Lei Geral de Proteção de Dados Pessoais estabelece princípios como necessidade, segurança e prevenção no tratamento de dados pessoais. Chamar uma atividade de exercício de capacitação não dispensa esses cuidados com os dados dos clientes.

Mesmo quando o teste funciona, ainda falta saber se a melhoria se sustenta sem seu principal entusiasta por perto. Outras pessoas precisam conseguir reproduzir o procedimento e lidar com as exceções. Documentar o trabalho e definir quem revisa são parte da aprendizagem, não burocracia a ser resolvida depois.

O certificado pode ficar no relatório, como registro de uma etapa. A prova mais convincente estará no processo que passou a funcionar melhor e na equipe que sabe demonstrar por quê. Se a empresa celebra a conclusão do curso, mas não abre espaço para mudar o trabalho, está medindo presença onde deveria medir capacidade.

Fontes consultadas

• NIST — AI Risk Management Framework
• Presidência da República — Lei Geral de Proteção de Dados Pessoais