Quando Todos Têm IA, mas a Empresa Ainda Não Aprende Nada: O Meio Confuso da Adoção de IA Corporativa

O artigo discute a fase dolorosa de adoção de IA em que licenças do Copilot, ChatGPT Enterprise, Claude, Gemini ou Cursor são provisionadas, mas a empresa como um todo não aprende quase nada. O modelo Leadership, Lab, and Crowd de Ethan Mollick é citado: a Liderança define a direção, a Multidão descobre casos de uso, e o Laboratório deve transformar descobertas em práticas compartilhadas — mas o aprendizado raramente se propaga.

Principais Problemas com a Adoção Atual de IA

• A primeira fase se parece com implantações empresariais padrão: comprar licenças, definir uso aceitável, realizar treinamentos, criar uma rede de embaixadores, pedir que as pessoas compartilhem casos de uso em um canal do Teams (que se torna um sótão morto).
• A segunda fase é mais bagunçada: uma equipe usa o Copilot como autocomplete, outra executa o Claude Code com loops e revisões rigorosos, um product owner cria protótipos de software reais em vez de mockups no Figma, um engenheiro sênior delega análise de causa raiz a um agente e obtém uma solução válida em menos de uma hora (antes levava duas semanas), um júnior produz código polido sem entender as implicações arquiteturais, uma equipe de suporte silenciosamente transforma tickets recorrentes em automação de fluxo de trabalho porque ninguém no Centro de Excelência fez a pergunta certa.
• A unidade de adoção não é mais a organização ou mesmo a equipe — é o loop dentro do trabalho.

Por que a Maquinaria de Mudança Tradicional Falha

Comunidades de prática, sessões de almoço, redes de embaixadores, apresentações de capacitação, demonstrações mensais, pesquisas — são muito lentos. O trabalho interessante de IA aparece dentro de uma revisão de código, uma proposta de vendas, uma tarefa de pesquisa, um protótipo de produto, um incidente de produção, uma estratégia de teste ou uma pergunta de conformidade. Quando a história se torna um slide de melhores práticas, o aprendizado já perdeu sua força. O que o tornava útil era o atrito: o contexto ausente, o teste que falhou, o comportamento estranho da API, o momento em que o agente se espalhou em absurdos e alguém teve que puxá-lo de volta.

O Framework do Loop Elástico

O autor sugere pensar através do loop elástico: a colaboração com IA não é um modo único. Ela se estende de loops apertados e síncronos de copilotagem a delegação mais solta e assíncrona. A verdadeira questão de adoção não é 'as pessoas estão usando IA?' mas sim: as equipes sabem qual tamanho de loop usar? Onde precisam de resistência? Quais artefatos devem sobreviver ao loop? Como esses artefatos se tornam algo com que a organização pode aprender? Isso é muito mais difícil do que uso de ferramentas ou contagem de tokens.