Analfabetismo Sistêmico: o problema que a Inteligência Artificial está começando a expor nas empresas

Uma empresa pode contar com bons profissionais, sistemas modernos, processos documentados, dashboards, automações e ferramentas de Inteligência Artificial e, ainda assim, ter enorme dificuldade para compreender como o próprio negócio funciona de ponta a ponta.

Essa deficiência raramente se apresenta de maneira explícita. Em geral, surge em situações bastante familiares: o financeiro questiona informações enviadas pelo comercial, que por sua vez afirma estar seguindo o procedimento definido; a operação mantém uma planilha paralela porque determinada exceção nunca foi incorporada ao sistema; a TI automatiza uma atividade sem saber que, antes da etapa seguinte, alguém realiza uma conferência manual; ou um indicador muda repentinamente e diferentes áreas passam dias tentando descobrir de onde veio o número.

Quando analisadas isoladamente, todas as áreas parecem estar desempenhando corretamente suas funções. A dificuldade está nas conexões entre elas.

É nesse sentido que utilizamos aqui a expressão analfabetismo sistêmico. Não se trata de uma classificação acadêmica formal, mas de uma forma de chamar atenção para uma competência que se torna cada vez mais relevante: a capacidade de compreender uma organização como um conjunto de processos, pessoas, informações, regras e tecnologias interdependentes, e não apenas como uma coleção de departamentos e sistemas.

A ideia se aproxima do chamado systems thinking, ou pensamento sistêmico, cuja essência está justamente em observar relações, dependências e consequências em vez de analisar acontecimentos isoladamente. Na prática empresarial, isso significa compreender não apenas o que cada área faz, mas também como cada decisão repercute sobre o restante da organização.

A especialização criou eficiência e também fragmentação

Grande parte da estrutura das empresas modernas foi construída a partir da especialização. Criamos departamentos, funções, centros de competência, sistemas específicos, fornecedores especializados e indicadores próprios para cada área. Esse movimento foi fundamental para aumentar produtividade, desenvolver competências e permitir que organizações cada vez maiores fossem administradas.

Há, porém, uma consequência que nem sempre recebeu a mesma atenção: muitos profissionais passaram a conhecer profundamente sua etapa do processo, mas apenas superficialmente aquilo que acontece antes ou depois dela.

O comprador domina compras, o financeiro conhece pagamentos, o comercial entende vendas e a equipe de tecnologia conhece os sistemas. O problema não está nessa especialização, ela continua sendo necessária, mas no momento em que uma decisão tomada por uma área provoca efeitos que somente serão percebidos em outra.

É justamente nesses espaços entre departamentos, sistemas, responsabilidades e indicadores que muitos problemas corporativos se escondem. E são também esses espaços que a Inteligência Artificial começa, cada vez mais, a atravessar.

A IA não respeita as antigas fronteiras dos departamentos

Um software corporativo tradicional costuma executar funções relativamente delimitadas. Um sistema financeiro processa informações financeiras, um CRM administra relacionamentos comerciais e um sistema de chamados organiza solicitações de suporte.

Com agentes de IA, essa separação começa a ficar menos evidente.

Um agente pode receber uma solicitação, consultar documentos, pesquisar informações em uma base de dados, interpretar uma regra, utilizar ferramentas, acionar outro sistema e finalmente apresentar ou executar uma decisão. Para realizar tudo isso adequadamente, não basta compreender uma instrução. Ele precisa receber o contexto correto.

Isso envolve questões essencialmente organizacionais: quem pode executar determinado procedimento, qual informação deve ser considerada oficial, onde está a regra vigente, quais situações exigem aprovação, que exceções precisam ser tratadas, até onde vai a autonomia do agente e em que momento a execução deve ser interrompida para intervenção humana.

Essas perguntas não pertencem exclusivamente à área de tecnologia e tampouco podem ser respondidas apenas pelo especialista em Inteligência Artificial. Elas dizem respeito à própria maneira como a empresa opera.

Por isso, não é incomum que projetos inicialmente apresentados como iniciativas de IA rapidamente se transformem em discussões sobre processos, governança, qualidade de dados, responsabilidades e regras de negócio. A tecnologia não criou essas questões; apenas tornou mais difícil continuar ignorando-as.

Automatizar sem compreender continua sendo um risco

A automação sempre carregou uma advertência conhecida: digitalizar um processo ruim não o transforma automaticamente em um bom processo. A IA acrescenta uma nova dimensão a esse problema porque, além de acelerar atividades, pode interpretar informações, tomar decisões intermediárias e interagir com diferentes sistemas.

Considere uma atividade executada há anos por um funcionário experiente. O procedimento oficial descreve oito etapas, mas na rotina real existem onze. Antes de prosseguir, o funcionário verifica informalmente determinada informação, consulta alguém de outra área quando encontra uma situação específica e sabe, pela experiência acumulada, que certos clientes exigem tratamento diferente.

Nenhuma dessas três decisões aparece no manual.

Enquanto o processo permanece nas mãos daquela pessoa, o conhecimento tácito compensa as falhas da documentação. Quando a empresa tenta automatizá-lo, descobre que o processo documentado não corresponde exatamente ao processo executado.

Nesse cenário, a IA não é a causa do problema. Ela apenas evidencia algo que a organização conseguia contornar graças à experiência de seus profissionais.

Essa situação tende a se tornar mais frequente à medida que as empresas avancem do uso de assistentes que apenas produzem conteúdo para agentes capazes de participar efetivamente dos processos corporativos.

Ter muitos dados não significa compreender o negócio

Outro sintoma de baixa compreensão sistêmica aparece na forma como as empresas administram informações.

Executivos dispõem hoje de dashboards sofisticados, indicadores em tempo real e inúmeras ferramentas de Business Intelligence. Ainda assim, em muitas organizações uma pergunta aparentemente simples continua produzindo respostas surpreendentemente difíceis:

Qual é a origem deste número?

Se um indicador influencia uma decisão importante, a organização deveria ser capaz de explicar de qual sistema ele veio, como foi calculado, quais transformações sofreu, que período representa, quais registros foram eventualmente excluídos e quem responde pela qualidade da informação.

Não é necessário que todo executivo conheça os detalhes técnicos de cada consulta ou integração. É necessário, porém, que exista rastreabilidade e que alguém seja claramente responsável por ela.

Uma empresa que possui muitos dashboards, mas não consegue explicar adequadamente a origem de seus números, corre o risco de parecer orientada por dados quando, na verdade, está apenas orientada por gráficos.

Quando o conhecimento que estava “na cabeça das pessoas” precisa virar infraestrutura

Durante décadas, inúmeras empresas funcionaram graças a profissionais que simplesmente sabiam como determinadas coisas deveriam ser feitas. Havia quem soubesse qual relatório conferir antes do fechamento, qual fornecedor deveria ser acionado em determinada situação ou por que certo lançamento precisava ser ajustado antes de prosseguir.

Esse conhecimento informal sempre representou um risco operacional, sobretudo quando ficava concentrado em poucas pessoas. Com a expansão da IA, ele passa também a representar uma limitação tecnológica.

Para que sistemas inteligentes participem de processos corporativos, parte desse conhecimento precisa assumir formas que possam ser efetivamente utilizadas: regras documentadas, políticas, metadados, bases de conhecimento, critérios de decisão, níveis de autoridade, procedimentos e fluxos de exceção.

É nesse ponto que a engenharia de contexto ganha importância.

Aplicações corporativas de IA já não dependem apenas da qualidade da pergunta enviada ao modelo. Elas dependem da arquitetura de informações, documentos, ferramentas, permissões, memória, regras e dados disponibilizados a ele.

Existe, contudo, uma condição anterior a tudo isso: para fornecer contexto adequado à máquina, a empresa precisa primeiro possuir contexto adequado sobre si própria.

Como identificar sinais de analfabetismo sistêmico

Nem sempre é necessário realizar um diagnóstico complexo para perceber o problema. Alguns comportamentos aparecem com bastante frequência nas organizações.

Diferentes áreas trabalham com diferentes versões da verdade. O comercial apresenta um número, o financeiro apresenta outro e a operação mantém uma terceira planilha para realizar os próprios controles.

Processos dependem excessivamente de pessoas específicas. A fragilidade fica evidente quando um profissional sai de férias e surge a pergunta: “Quem sabe fazer isso?”

As exceções são mais numerosas do que a documentação sugere. O fluxo oficial parece simples, mas a rotina é sustentada por uma coleção de situações nas quais “neste caso fazemos diferente”.

Novos sistemas são implantados sem uma revisão efetiva dos processos. Digitaliza-se a operação existente, incluindo tarefas, controles e desperdícios que talvez nem devessem continuar existindo.

A discussão sobre IA começa pela tecnologia e não pelo problema. A organização debate modelos, licenças e ferramentas antes de conseguir explicar claramente qual decisão, atividade ou indicador pretende melhorar.

Nenhum desses comportamentos nasceu com a Inteligência Artificial. O que muda é a velocidade e a escala com que suas consequências podem aparecer quando sistemas inteligentes começam a participar da operação.

Alfabetização em IA precisa ir além do uso das ferramentas

Há hoje um movimento importante de capacitação em Inteligência Artificial nas empresas. Colaboradores aprendem a utilizar ferramentas generativas, criar prompts, analisar informações, produzir documentos e explorar novas possibilidades de automação.

Esse processo é necessário, mas não é suficiente.

Uma empresa pode formar excelentes usuários de ChatGPT, Copilot, Claude, Gemini ou outras plataformas e, ainda assim, continuar tendo dificuldade para estruturar boas aplicações de IA. O risco está em desenvolver bons operadores de ferramentas sem desenvolver profissionais capazes de compreender decisões e processos.

Para quem participa de projetos corporativos de IA, algumas perguntas passam a ser mais importantes do que o domínio de qualquer ferramenta específica:

• Qual problema estamos realmente tentando resolver?
• Quem participa desse processo e quem responde pelo resultado?
• Que informações são necessárias para tomar a decisão?
• Qual é a fonte oficial dessas informações?
• Quais regras e exceções precisam ser respeitadas?
• O que acontece nas etapas seguintes?
• Qual é a consequência de uma decisão equivocada?

Essas perguntas raramente exigem conhecimento avançado de programação. Exigem, principalmente, conhecimento do negócio, capacidade analítica e visão sistêmica.

Algumas práticas tradicionais de gestão voltaram ao centro da discussão

Existe uma ironia interessante na atual corrida pela Inteligência Artificial. Enquanto o mercado discute LLMs, agentes, RAG, modelos multimodais e arquiteturas cada vez mais sofisticadas, várias práticas tradicionais de gestão voltaram a ocupar uma posição central.

Mapear processos, definir responsabilidades, identificar entradas e saídas, estabelecer critérios, documentar exceções, definir níveis de aprovação, manter dados mestres, estabelecer indicadores e registrar conhecimento podem parecer atividades pouco inovadoras quando comparadas às tecnologias mais recentes. No entanto, são justamente elas que fornecem parte da infraestrutura organizacional necessária para colocar IA em processos reais.

Durante algum tempo, algumas dessas práticas chegaram a ser tratadas como burocracia diante da velocidade prometida pela transformação digital. O avanço dos agentes está mostrando o contrário: quanto maior a autonomia concedida à tecnologia, maior precisa ser a clareza sobre as regras que governam sua atuação.

A tecnologia evoluiu de maneira extraordinária. Os fundamentos de uma boa gestão permanecem bastante familiares.

O próximo desafio não será simplesmente adotar IA. Será integrá-la ao negócio.

Existe uma diferença considerável entre disponibilizar Inteligência Artificial e incorporá-la à operação.

Adotar IA pode significar adquirir licenças, liberar ferramentas e permitir que colaboradores utilizem modelos generativos em determinadas atividades. Integrar IA ao negócio significa algo mais profundo: permitir que sistemas inteligentes participem de processos reais, consultem informações corporativas, utilizem ferramentas, interajam com aplicações, respeitem regras e contribuam para decisões.

Esse segundo estágio exige uma organização muito mais consciente de como funciona.

Processos precisam estar suficientemente compreendidos, fontes de informação precisam ser identificadas, responsabilidades devem ser claras, exceções precisam ser conhecidas e os limites de autonomia devem estar definidos. Governança, portanto, deixa de ser uma camada adicionada posteriormente e passa a fazer parte do próprio projeto.

Talvez essa seja uma das consequências menos comentadas da atual transformação provocada pela Inteligência Artificial: quanto mais capazes ficam os sistemas, mais importante se torna a capacidade da empresa de compreender a si própria.

O analfabetismo sistêmico não surgiu com a IA e tampouco desaparecerá apenas com tecnologia. Ele sempre produziu retrabalho, decisões inconsistentes, dependência de pessoas e dificuldades de integração. A diferença é que agora esses problemas começam a aparecer diante de sistemas capazes de executar atividades em uma velocidade, uma escala e um nível de autonomia que antes não existiam.

Por isso, antes de perguntar onde colocar Inteligência Artificial, talvez valha fazer uma pergunta mais básica:

Nós realmente compreendemos o sistema no qual pretendemos colocá-la?

Essa resposta pode determinar muito mais o sucesso de um projeto de IA do que a escolha do modelo utilizado.