Na reunião de outubro, o presidente da empresa fez a Ricardo a pergunta que quase todo diretor de PMO ouviu em 2026: o que estamos fazendo com IA?
Ricardo tinha resposta, e boa. O PMO tinha 14 licenças de assistente de IA e seis provas de conceito em andamento: ata automática de reunião, gerador de EAP, um assistente que responde dúvidas sobre a metodologia, relatório de status automático, resumo de contratos e gerador de apresentações. Todas funcionavam bem na demonstração.
Então veio a segunda pergunta: quais dos nossos 120 projetos vão atrasar no próximo trimestre, e quanto isso vai custar?
Nenhuma das seis respondia. Não por defeito da ferramenta. Todas faziam a mesma coisa: escreviam. E a pergunta do presidente não era de escrita. Era de previsão, de dado e de decisão.
Este artigo é sobre a outra metade da inteligência artificial, a que quase não aparece nos congressos e é a que mais muda a execução de projetos numa empresa.
Sala fechada, só para convidados: na terça, 17/nov, das 13h às 14h, ao vivo e sem gravação, vou mostrar na prática o que este artigo descreve: PMO Acelerado por IA: da fonte única da verdade à previsão. Como pedir convite: informações no fim deste artigo.
O que eu vou te explicar neste artigo, resumindo em bullets de 1 minuto:
IA generativa é uma de pelo menos seis famílias de IA. Em projetos, ela escreve. As outras encontram, preveem, simulam, conectam e agem. As que mais mudam a execução são as menos vistosas.
A produtividade individual não vira resultado de empresa sozinha. Em 2026, 80% dos executivos dizem que a IA melhorou a própria produtividade, mas só 37% veem algum efeito no lucro operacional, e 6% veem efeito relevante (McKinsey).
O planejamento continua humano. Elaborar EAP não é validar escopo, e gerar um Gantt não é prever prazo. A IA ajuda a pensar, mas não substitui o acordo entre as pessoas que vão executar.
O valor maior está no monitoramento e no controle: prever prazo e custo com o histórico da casa, checar a saúde dos cronogramas, detectar anomalias, achar a capacidade crítica, ver o efeito dominó entre projetos.
Nada disso funciona sem uma fonte única da verdade. A ordem é decisão, dado, plataforma e, só então, IA.
A IA apoia a decisão, mas não decide. Autonomia proporcional ao risco, dono humano para cada agente e registro do que foi feito.
1. Duas demonstrações
Na maioria dos eventos de gestão de projetos deste ano, uma cena se repetiu. Alguém abre um assistente de IA no telão, digita um pedido de três linhas e, em 40 segundos, aparece um termo de abertura, uma EAP e um cronograma com cores. A plateia aplaude. Alguém fotografa a tela.
A demonstração é verdadeira. O que ela demonstra é outra coisa: que a máquina escreve rápido documentos com cara de projeto. Não demonstra que o escopo está certo, que as durações são realistas ou que alguém vai cumprir aquele plano.
Agora, outra demonstração, sem palco. Em 2020, a Network Rail, que opera a malha ferroviária britânica, testou um modelo de aprendizado de máquina em dois dos seus maiores projetos, com mais de 3 bilhões de libras em investimento. O modelo comparava o planejado com o realizado, atividade por atividade, em projetos anteriores, e aprendia onde os cronogramas costumam errar. Segundo a própria Network Rail, o teste mostrou que até 30 milhões de libras poderiam ter sido economizados em um só dos projetos, principalmente porque o modelo apontou riscos que a equipe não via no volume de dados. A etapa seguinte previa levar o modelo a 40 projetos e, depois, a todo o portfólio.
Ninguém digitou um pedido. Não havia texto gerado. Havia histórico, uma pergunta de gestão (onde este cronograma vai falhar?) e uma decisão melhor tomada mais cedo.
Um caso mais antigo conta a mesma história fora dos projetos. Em 2016, o Google usou aprendizado de máquina da DeepMind para prever a temperatura dos seus centros de dados na hora seguinte e ajustar a refrigeração. A energia gasta com refrigeração caiu até 40%. Também não havia conversa com a máquina.
A IA mais útil para um PMO não escreve documentos. Ela simula, prevê, alerta e mostra onde decidir para destravar a execução do projeto.
Os dois números precisam de leitura cuidadosa, e volto a eles na seção 9. Mas o contraste é o ponto deste artigo. A IA que ganha aplauso é a que escreve. A IA que muda a execução quase nunca aparece no telão.
2. A confusão de categoria: os seis verbos da IA em projetos
Quando um diretor diz “precisamos usar IA”, quase sempre está pensando em IA generativa, a que conversa e produz texto, imagem e código. É compreensível: foi ela que chegou ao celular de todo mundo em 2023. Mas inteligência artificial é um conjunto de técnicas, e a generativa é uma delas.
Para projetos, uso uma forma simples de separar as famílias. Cada uma faz um verbo.
Figura 1 · Os seis verbos da inteligência artificial para gestão de projetos.
A pergunta "onde usar IA?" fica mais útil quando vira "de que verbo este problema precisa?". Quase todo o barulho está no primeiro quadro (“Escreve”). Quase todo o valor do controle está nos quadros em azul forte. Modelo do autor.
Os verbos se combinam. Um bom sistema de portfólio pode usar um modelo que prevê o atraso, um grafo que conecta esse atraso aos outros projetos afetados, uma simulação que simula duas alternativas e um assistente que escreve a nota de exceção para o comitê, com fontes. A generativa aparece no fim, como interface. Não como motor.
A pesquisa acadêmica confirma onde está o centro de gravidade. Uma revisão publicada em 2026 por Hewing, Feldmann e Schierbaum mapeou os casos de uso de IA em gestão de projetos descritos na literatura revisada por pares e encontrou concentração na análise preditiva de prazo, custo e qualidade. Gerar e agir, as capacidades que dominam o palco, aparecem pouco. Os autores também registram que a pesquisa revisada chega com atraso em relação ao que o mercado lança.
Outra revisão, de El Sawda e colegas, publicada em outubro de 2026, analisou 144 documentos de 2000 a 2025. As correntes dominantes são três: análise preditiva e automação para cronograma e risco; mudança organizacional, ética e governança de dados; competências e colaboração entre pessoas e IA. Nenhuma delas é “gerar documentos mais rápido”.
Uma pergunta para o seu próximo comitê
Das iniciativas de IA do seu PMO hoje, quantas escrevem e quantas preveem, simulam ou conectam? Se a resposta for “todas escrevem”, o PMO está investindo na família que menos muda a execução.
3. A IA de pessoa física e a IA de empresa
Há uma segunda confusão, tão importante quanto a primeira. Muita gente confunde a IA que funciona para uma pessoa com a IA que funciona para uma empresa.
Quando um gerente de projetos usa um assistente para resumir um contrato, ele faz uma prova de conceito de pessoa física. Ele escolhe o documento, sabe o contexto, confere o resultado e assume o risco. Funciona, e é útil. O problema começa quando a empresa tenta multiplicar essa experiência por 300 gerentes e 120 projetos.
Figura 2 - Prova de conceito versus soluções em escala para PMOs.
Os números de 2026 mostram o tamanho dessa distância. A pesquisa anual da McKinsey sobre IA, com 1.719 respondentes de 97 países, publicada em agosto, traz dois retratos lado a lado. Oito em cada dez respondentes dizem que a IA melhorou a própria produtividade. Mas só 37% atribuem à IA algum efeito no lucro operacional da empresa, a mesma proporção do ano anterior. E só 6% estão no grupo de alto desempenho, que atribui à IA pelo menos 5% do lucro operacional.
O que separa esses 6% do resto não é a ferramenta. Quase três quartos deles redesenharam fundamentalmente os fluxos de trabalho por causa da IA. Entre os demais, um quarto fez isso. Eles também são duas vezes mais propensos a ter processos definidos para medir o efeito das iniciativas.
O Boston Consulting Group chegou a uma conclusão parecida em 2024. Numa pesquisa com mil executivos de 59 países, 74% das empresas ainda não tinham mostrado valor tangível com IA. As empresas que lideravam colocavam 10% dos recursos nos algoritmos, 20% em tecnologia e dados, e 70% em pessoas e processos.
Produtividade individual não se soma sozinha em resultado de empresa. Entre uma e outra há processo, dado e decisão.
A fila de provas de conceito tem custo. Em junho de 2025, o Gartner previu que mais de 40% dos projetos de IA agêntica seriam cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco insuficiente. Na mesma análise, estimou que, entre milhares de fornecedores que se dizem “agênticos”, cerca de 130 de fato são. O resto renomeou assistentes, robôs de automação e chatbots, prática que o Gartner chamou de “lavagem de agentes”.
Mesmo quem escalou às vezes precisou voltar. Em maio de 2025, o presidente da Klarna, empresa sueca de pagamentos que tinha levado a IA ao centro do atendimento ao cliente, disse à Bloomberg que a empresa voltaria a contratar atendentes humanos, porque a qualidade tinha caído. A IA continuou lá. O desenho mudou.
Eu passei por isso em casa. Contei em detalhe no artigo “Nós tentamos automatizar tudo com IA. Tivemos que voltar atrás”. No sistema de compras e notas fiscais que construímos na Qeevo, o ganho não veio de colocar IA no processo antigo. Veio de redesenhar o processo primeiro: quem pede, quem aprova, onde nasce a classificação. Só então a IA entrou, na leitura e conferência das notas. O fechamento contábil passou do dia 20 para o dia 5. A IA não aprova compra e não autoriza pagamento.
A economia que aparece no slide e some na conta
Há uma armadilha comum na hora de justificar a prova de conceito. O relatório de status levava 90 minutos para ser feito. Com IA, o primeiro rascunho sai em 15. O slide da iniciativa diz: 75 minutos economizados por relatório.
Mas o gerente revisa o rascunho por 60 minutos, porque a máquina errou dois números e inventou um marco. A economia real foi de 15 minutos. Se um erro passar e alguém decidir com base nele, a economia fica negativa. O exemplo é hipotético, mas qualquer PMO que já testou isso reconhece a conta.
Há uma pergunta melhor do que “quanto tempo economizamos fazendo o relatório?”. É esta: o relatório precisava existir? Se o dado estivesse na fonte única, atualizado por integração, a reunião olharia as exceções direto no painel, e ninguém precisaria escrever o relatório, nem a máquina.
4. O planejamento continua humano
Este é o ponto em que mais discordo do que ouço nos eventos. A promessa mais repetida é que a IA vai planejar o projeto. Ela pode gerar um documento com a forma de um plano. Isso é diferente de planejar.
Planejar um projeto é fazer acordos entre pessoas que vão ter de cumpri-los: o que entra e o que fica fora, quem entrega o quê, com que recurso, em que ordem, que risco aceitamos, que risco não aceitamos. O plano é, antes de tudo, um compromisso. Um compromisso não se terceiriza para uma máquina, porque quem não participou do acordo não se sente obrigado por ele.
Cinco distinções ajudam a separar o que a IA faz do que é gestão:
Num projeto de infraestrutura, uma licença ambiental esquecida na EAP pesa mais do que centenas de atividades bem escritas. A IA que escreve a EAP não sabe que esqueceu, e escreve com a mesma confiança o que sabe e o que não sabe.
Figura 3 - Do documento à decisão: como a inteligência artificial pode ajudar o gerente de projetos no seu dia-a-dia?
Onde a IA ajuda a pensar
Isso não quer dizer que a IA não tenha lugar no planejamento. Tem, e é um lugar valioso: ajudar a pensar, não pensar no lugar.
Desafiar premissas. “Que premissas deste plano, se falharem, derrubam o prazo?” é uma pergunta que um assistente faz bem, e que o time às vezes não faz por cansaço ou por hierarquia.
Achar lacunas. Comparar a EAP com o contrato e com projetos parecidos e perguntar: o que está faltando?
Olhar para fora. Bent Flyvbjerg mostrou, a partir de Kahneman e Tversky, que projetos erram menos quando a estimativa parte da distribuição real de projetos parecidos, e não só dos detalhes do projeto atual. É a previsão por classe de referência. Um modelo preditivo treinado no histórico da casa é a versão automatizada dessa disciplina.
Preparar o workshop. Perguntas, roteiro, casos de comparação. O workshop continua sendo de gente.
A pesquisa ajuda a ver o limite. Em 2023, Dell’Acqua e colegas acompanharam 758 consultores do Boston Consulting Group. Em tarefas dentro da fronteira de capacidade da IA, quem usou a ferramenta fez mais tarefas, mais rápido e com qualidade bem maior. Numa tarefa fora dessa fronteira, quem usou IA teve 19 pontos percentuais a menos de chance de chegar à resposta certa. Os autores chamaram isso de fronteira irregular: a IA é ótima em algumas coisas e ruim em outras parecidas, e o usuário não vê onde está a linha.
Planejamento está cheio de tarefas do lado errado da linha: julgar se um fornecedor cumpre o que promete, perceber que dois diretores discordam sem dizer, saber que aquela frente de obra nunca rendeu o que o orçamento diz. Somado ao viés de automação, a tendência bem documentada de aceitar a resposta da máquina porque parece sofisticada (Parasuraman e Manzey, 2010), o resultado é um plano bem escrito e errado, aprovado com mais confiança do que merecia.
A IA pode ajudar a pensar o plano. Não pode assumir o compromisso que o plano representa.
5. Onde está o valor: oito usos que funcionam em escala
Se o planejamento continua humano, onde a IA muda o jogo? Na execução, no monitoramento e no controle. É ali que o volume de dados passa do que uma pessoa consegue acompanhar, que os sinais fracos aparecem antes dos problemas e que uma decisão tomada quatro semanas antes custa uma fração da mesma decisão tomada tarde demais.
Figura 4 - Oito usos para inteligência artificial na sua organização (Trentim, 2026).
A figura acima resume oito usos que eu recomendo olhar primeiro numa empresa com portfólio de verdade. A seguir, explico como você pode aplicá-los na prática. Para cada um: que pergunta responde, de que verbo precisa, que dado exige e como saber se funcionou.
1. Prever prazo e custo com o histórico da casa
A pergunta: quais projetos vão atrasar ou estourar o orçamento, e em quanto, com que probabilidade?
É o caso da Network Rail. O modelo aprende com a diferença entre planejado e realizado em projetos encerrados e projeta a faixa provável dos projetos em andamento. Há vários estudos acadêmicos comparando modelos de aprendizado de máquina com o gerenciamento do valor agregado na previsão de custo e prazo final. Muitos relatam vantagem dos modelos, mas quase sempre com dados e critérios escolhidos pelos próprios autores. A lição prática: o modelo não substitui o valor agregado. Os dois juntos, comparados mês a mês, valem mais que qualquer um sozinho.
Verbo: prevê. Precisa de: pelo menos algumas dezenas de projetos encerrados, com linha de base e realizado comparáveis. Funciona se: em teste retroativo com projetos encerrados, a previsão errar menos e antecipar mais do que o método atual.
2. Checar a saúde do cronograma antes de confiar nele
A pergunta: este cronograma merece ser usado para decidir?
Atividades sem predecessora, datas fixadas à mão, folgas negativas escondidas, linha de base que ninguém aprovou. Nenhuma previsão vale alguma coisa sobre um cronograma doente. A boa notícia é que boa parte dessa checagem é regra, não IA: o Departamento de Defesa dos Estados Unidos usa há anos uma avaliação de 14 pontos para isso. Modelos de aprendizado de máquina entram depois, para apontar padrões que as regras não pegam.
Gosto de começar por aqui justamente porque nem tudo é IA. O PMO que roda essa checagem em todos os cronogramas, todo mês, já mudou de patamar antes de comprar qualquer modelo.
Verbo: prevê, sobre uma base de regras. Precisa de: cronogramas na plataforma, não em arquivos soltos. Funciona se: a proporção de cronogramas aprovados no teste subir mês a mês.
3. Detectar anomalias antes que virem desvio
A pergunta: o que está fora do padrão e ninguém percebeu?
Todo PMO conhece o projeto melancia: verde por fora, vermelho por dentro. O marco que está “no prazo” há seis semanas sem avanço físico. O apontamento de horas que caiu pela metade numa equipe. O custo de um fornecedor que sobe 3% todo mês, abaixo do limite de alerta. Uma pessoa não acompanha isso em 120 projetos. Um modelo de detecção de anomalias acompanha, e entrega uma lista curta para alguém olhar.
Verbo: prevê. Precisa de: séries de dados com frequência regular (horas, custo, avanço). Funciona se: a proporção de alertas verdadeiros for alta o bastante para as pessoas continuarem lendo. Alerta demais vira ruído, e ruído é ignorado.
4. Achar a capacidade crítica
A pergunta: onde o portfólio vai travar por falta de gente, mesmo com horas sobrando no total?
Duas equipes podem ter a mesma carga horária disponível. Mas, se o portfólio depende de uma única engenheira habilitada para assinar aprovações técnicas, a capacidade que importa é a dela. Somar horas não mostra isso. Uma otimização que considera competência, sequência e prioridade mostra.
Verbo: simula. Precisa de: competências e alocação registradas por pessoa, não só por equipe. Funciona se: os gargalos aparecerem antes da alocação, e não na reunião de crise.
5. Ver o efeito dominó entre projetos
A pergunta: se este marco atrasar, o que mais cai junto?
Num portfólio, os projetos dividem fornecedores, pessoas, ambientes, aprovações e entregas. Um atraso no sistema de faturamento empurra a migração de clientes, que empurra o desligamento do sistema antigo, que empurra a economia prevista no caso de negócio. Um grafo de dependências mostra essa cadeia em segundos. Sem ele, alguém descobre na reunião, ou depois dela.
Verbo: conecta. Precisa de: dependências registradas entre projetos e um modelo de dados comum (objetivo, iniciativa, entrega, benefício). Funciona se: a análise de impacto de uma mudança cair de dias para horas.
6. Perguntar aos documentos, com fonte
A pergunta: o que o contrato diz sobre isso, e o que já decidimos antes?
Aqui a IA generativa entra bem, desde que acoplada à recuperação de documentos e obrigada a citar a fonte. “Qual é a multa por atraso no lote 3?” “Quando o comitê aprovou a mudança de escopo do módulo de faturamento, e com que condição?” Uma resposta com a cláusula e a ata citadas economiza horas e evita decisões repetidas. Sem citação, é um palpite elegante.
O passo seguinte é a memória de decisões: registrar cada decisão com quem decidiu, quando, com que evidência e com que prazo. A ata diz o que foi falado. O registro de decisões diz o que foi decidido, e é o que permite cobrar depois.
Verbo: encontra, com escreve na ponta. Precisa de: documentos versionados, permissões por perfil e registro de decisões. Funciona se: as respostas conferidas por amostragem vierem com a fonte certa.
7. Testar cenários de portfólio antes do comitê
A pergunta: se o orçamento de 2027 cair 15%, quais projetos seguimos, quais adiamos e que benefício perdemos?
Esta é a época do ano em que isso mais importa. A maioria dos comitês decide cortes com uma planilha e muita conversa. Uma simulação com as restrições reais (orçamento, capacidade crítica, dependências, compromissos contratuais) leva ao comitê três cenários comparáveis, com o custo de cada escolha. A decisão continua do comitê. A diferença é que ele decide sabendo o que está trocando.
Verbo: simula, com conecta. Precisa de: custo, benefício, capacidade e dependências de cada projeto na mesma base. Funciona se: o comitê decidir com cenários, e não com a última opinião da sala.
8. Escrever o que já foi decidido e medido
A pergunta: como levar a exceção certa, para a pessoa certa, na linguagem dela?
Este é o lugar justo da IA generativa no PMO: no fim da cadeia. Ela escreve a nota de exceção para o comitê a partir de dados já validados, traduz o mesmo status para a diretoria, para o cliente e para a equipe, rascunha a pauta da reunião com as decisões pendentes. O gerente revisa e assina. O valor não está no texto. Está no dado validado que o texto carrega.
Verbo: escreve. Precisa de: os sete usos anteriores, ou pelo menos dado confiável. Funciona se: as horas economizadas, já descontada a revisão, forem positivas e o número de reuniões de status cair.
Figura 5 - Do palco à obra: não adianta fazer uma demo bonita se não houver escalabilidade e criação de valor nos resultados dos projetos.
6. Nada disso funciona sem uma fonte única da verdade
Todos os oito usos têm uma coisa em comum: dependem de dado confiável, num lugar só, atualizado sem depender da boa vontade de alguém na sexta à tarde.
É aqui que muitas iniciativas morrem. O PMO quer prever atrasos, mas cada gerente mantém o cronograma num arquivo próprio, o custo está no ERP com outra estrutura, as horas estão em outro sistema e os riscos, numa planilha (artigo completo aqui). A IA sobre esse dado não produz previsão. Produz ruído com aparência de rigor.
Caniëls e Bakens mostraram, em 2012, que a qualidade da informação dos sistemas de gestão de projetos afeta a confiança dos gerentes no sistema inteiro: quando a informação de alguns projetos é ruim, os gerentes passam a desconfiar de tudo e voltam às planilhas. Com IA, o efeito é maior, porque uma previsão errada de um modelo parece mais científica do que uma planilha errada.
Por isso a ordem que eu uso com empresas tem quatro camadas, e não pula nenhuma:
Decisão. Que decisões o PMO e o comitê precisam tomar, com que frequência e com que informação.
Dado. O modelo mínimo de dados para essas decisões, com dono e regra de atualização.
Plataforma. Onde esse dado mora e como se integra aos outros sistemas.
IA. Só então, que verbo melhora qual decisão.
Quem começa pela quarta camada compra uma demonstração. Quem começa pela primeira constrói capacidade. No dia 27 de novembro, a edição desta série sobre plataformas vai detalhar as três primeiras camadas e o que muda com o fim do Project Online.
7. A IA apoia a decisão, mas não decide
Quando a IA passa de escrever a agir, a pergunta muda de “funciona?” para “quem responde quando falhar?”.
Um agente que cobra atualização de cronograma dos gerentes tem risco baixo. Um agente que muda a linha de base, realoca pessoas ou aprova pagamento a fornecedor tem risco alto. A regra que uso é autonomia proporcional ao risco: quanto mais caro e menos reversível for o erro, menos o agente faz sozinho.
Risco baixo e reversível: o agente age e registra (lembretes, rascunhos, coleta de dados).
Risco médio: o agente prepara, uma pessoa aprova (atualizar previsão, propor realocação).
Risco alto ou irreversível: o agente só informa. Quem decide é gente (mudança de escopo, linha de base, contrato, pagamento).
Todo agente precisa de um dono humano, de permissão mínima e de registro do que fez. As referências mais recentes apontam na mesma direção: o padrão de IA em portfólios, programas e projetos que o PMI lançou em junho de 2026 e o modelo de maturidade de IA do CMMI, de julho, tratam a supervisão humana como requisito, não como opção. Em fevereiro, uma edição desta série vai detalhar a ficha de identidade de cada agente do PMO.
8. Como medir sem inventar retorno
A pergunta “qual foi o retorno da IA?” costuma gerar o pior tipo de número: horas economizadas multiplicadas por salário, sem descontar revisão, correção e o custo de integrar e governar. Para não cair nisso, separo os benefícios em quatro grupos:
Produtividade: horas líquidas economizadas, já descontada a revisão humana.
Qualidade: menos retrabalho, menos erro em relatório, menos cronograma reprovado.
Decisão: quanto tempo passa entre o sinal aparecer e alguém decidir, e quantas decisões foram tomadas com cenários.
Resultado: previsibilidade de prazo e custo, riscos evitados, benefício realizado.
Os dois primeiros são fáceis de medir e valem pouco. Os dois últimos são difíceis de medir e valem muito. A maior parte das provas de conceito para no primeiro grupo. O PMO que mede o terceiro já está à frente da maioria.
Uma regra simples evita o exagero: perda evitada só entra na conta com um cenário de comparação defensável. Dizer que a IA “salvou o projeto de 200 milhões” porque deu um alerta não é medir. É fazer propaganda.
9. A figura que resume tudo deste artigo
Se fosse para levar uma só imagem deste artigo para a próxima reunião de diretoria, seria esta abaixo, compartilhe à vontade.
Figura 6 - Inteligência artificial no ciclo de vida do projeto (Trentim, 2026).
10. O que o Ricardo fez nos 90 dias seguintes
Ricardo não cancelou tudo. Fez uma triagem e trocou a pergunta “onde usar IA?” por “que decisão precisamos tomar melhor?”. A resposta foi a do presidente: saber, com antecedência, que projetos vão atrasar e quanto isso custa.
Semanas 1 e 2 · Decisão. Escolheu uma decisão recorrente, o comitê mensal de portfólio, e listou as três perguntas que o comitê não conseguia responder. Das seis provas de conceito, manteve duas (perguntas aos contratos, com fonte, e a ata com registro de decisões) e desligou quatro, que não tinham dono nem medida.
Semanas 3 a 6 · Dado. Levou os cronogramas dos 120 projetos para a plataforma de portfólio e rodou a checagem de saúde em todos. Pouco mais da metade passou na primeira rodada. Em vez de esconder o número, levou-o ao comitê, com uma regra de atualização semanal e um dono por projeto.
Semanas 7 a 10 · Previsão. Com os cronogramas saudáveis e os dados de projetos encerrados, testou um modelo de previsão de atraso, primeiro de forma retroativa. A pergunta do teste: se este modelo existisse há dois anos, teria avisado antes dos atrasos que de fato aconteceram? O critério de desligamento foi definido antes do teste, e não depois.
Semanas 11 a 13 · Decisão de novo. No comitê de janeiro, o painel mostrou só as exceções: oito projetos com probabilidade alta de atraso, os três gargalos de capacidade crítica e dois cenários de corte de orçamento. O relatório de status de 40 páginas deixou de existir. A IA generativa escreveu a nota de uma página que acompanhava o painel, e Ricardo a revisou antes de enviar.
O presidente não perguntou mais “o que estamos fazendo com IA?”. Perguntou “por que o projeto 47 está nessa lista?”. Era a pergunta certa.
Os resultados do caso do Ricardo são ilustrativos e juntam decisões de PMOs diferentes. Os prazos reais dependem da qualidade do dado de partida.
Ferramenta · cinco perguntas antes de qualquer projeto de IA no PMO
Que decisão isto melhora, e quem a toma? Se ninguém souber responder, é uma demonstração, não um projeto.
De que verbo o problema precisa? Se a resposta for “escreve”, pergunte se aquele texto precisava existir.
De onde vem o dado, e quem responde por ele? Sem dono do dado, não há dono da previsão.
Como vamos saber se funcionou, e quando desligamos? Defina o critério de desligamento antes de começar.
O que a IA pode fazer sozinha, e o que precisa de aprovação? Autonomia proporcional ao risco, com registro.
AO VIVO, dia 17/Novembro: PMO acelerado por IA: da fonte única da verdade à previsão. Uma hora ao vivo, sem gravação, para empresas, gerentes de projeto e PMOs convidados. Vou mostrar, numa plataforma de portfólio com dados de exemplo, o caminho deste artigo: o dado num lugar só, a checagem de saúde dos cronogramas, a previsão de atraso, o alerta de anomalia e o painel que mostra só a exceção. E onde a IA generativa entra, e onde não deve entrar.
Para receber o link, escreva para leticia@trentim.com com:
seu nome, cargo e empresa;
seu e-mail corporativo;
em duas ou três frases: que ferramenta de projetos ou portfólio vocês usam hoje, que decisão de portfólio vocês mais gostariam de prever melhor, e qual iniciativa de IA do seu PMO você não sabe se deve escalar ou desligar.
Para concluir, um pouco da minha experiência pessoa. Eu Tabalho com plataformas de gestão de projetos e portfólio há mais de 20 anos. Sou Microsoft MVP desde 2016 e Microsoft Regional Director desde 2020, e hoje construo e opero sistemas com IA nas empresas. Faço doutorado em Engenharia no ITA, e minha pesquisa trata de como portfólios decidem sob incerteza apoiados por inteligência artificial.
Nessa trajetória, vi três ondas de promessa: PPM/EPM que ia acabar com as planilhas, os painéis de BI que iam acabar com o relatório e, agora, a IA que vai planejar o projeto. As duas primeiras deixaram a mesma lição. A tecnologia acelerou quem já tinha disciplina de processo, governança e dados. Para quem não tinha, só tornou a bagunça mais cara e pior.
Não tenho motivo para achar que a IA será diferente. A diferença é de escala: ela acelera mais, para os dois lados. Por isso insisto que a pergunta do PMO não é se vai usar IA. É se tem decisão clara, dado confiável e governança suficientes para que a IA acelere a coisa certa.
Grande abraço,
Mário Trentim.
Mario H. Trentim ajuda empresas e governos a transformar estratégia e investimento em resultado entregue, com escritórios de projetos, portfólios, plataformas e programas de formação que funcionam como sistema. Microsoft MVP desde 2016 e Microsoft Regional Director desde 2020, doutorando em Engenharia no ITA e autor de 13 livros.
Referências
Network Rail (6/out/2020). Network Rail using innovative technology to transform project planning and delivery. Valores declarados pela empresa e pelo fornecedor (nPlan).
DeepMind (20/jul/2016). DeepMind AI reduces Google data centre cooling bill by 40%.
Hewing, M.; Feldmann, C.; Schierbaum, J. (2026). AI-driven project management: identifying use cases. Procedia Computer Science, 278, 1487–1493. DOI 10.1016/j.procs.2026.03.135.
El Sawda, C. et al. (2026). AI-driven project management: mapping progress, research gaps, and future directions. Array. DOI 10.1016/j.array.2026.101405.
McKinsey & Company (25/ago/2026). The state of AI in 2026: on the road to ROI. 1.719 respondentes, 97 países.
Boston Consulting Group (24/out/2024). AI adoption in 2024: 74% of companies struggle to achieve and scale value.
Gartner (25/jun/2025). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027.
Bloomberg (8/mai/2025). Klarna turns from AI to real person customer service.
Trentim, M. (11/set/2026). Nós tentamos automatizar tudo com IA. Tivemos que voltar atrás.
Flyvbjerg, B. (2006). From Nobel Prize to project management: getting risks right. Project Management Journal, 37(3), 5–15.
Dell’Acqua, F. et al. (2023). Navigating the jagged technological frontier: field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Working Paper 24-013.
Parasuraman, R.; Manzey, D. H. (2010). Complacency and bias in human use of automation: an attentional integration. Human Factors, 52(3), 381–410.
Caniëls, M. C. J.; Bakens, R. J. J. M. (2012). The effects of project management information systems on decision making in a multi project environment. International Journal of Project Management, 30(2), 162–175.
Project Management Institute (2026). The Standard for Artificial Intelligence in Portfolio, Program, and Project Management.










A distinção técnica entre síntese e previsão causal é o cerne do problema. LLMs aprendem padrões linguísticos, não correlações entre variáveis de projeto e atrasos reais. Para prever custo e prazo, o sistema precisa de modelos de regressão ou séries temporais alimentados por dados estruturados: histórico de tarefas, desvios de baseline e capacidade da equipe. Atas de reunião são narrativas, não dados brutos. Sem uma fonte única da verdade estruturada, agentes geram probabilidades baseadas em texto genérico, não na realidade operacional da empresa. A decisão só ocorre quando o modelo de previsão é treinado com os dados brutos do projeto.