O gerente de projetos da era da IA: o que vai mudar e o que vai permanecer
Entenda quais tarefas a IA assumirá — e por que julgamento, liderança, negociação e responsabilidade continuarão definindo o valor do gerente de projetos.
O programa Competitive Project Management da State University of New York (SUNY), coordenado por Mario Trentim em parceria com a IBS Americas, examina como a inteligência artificial transforma o papel do gerente de projetos — o que é automatizável e o que permanece como trabalho essencialmente humano. Acontece em janeiro, New Paltz e Albany, Nova York. Bolsas de até 60% disponíveis.
A pergunta que mais ouço de gerentes de projetos experientes quando o assunto é inteligência artificial não é “como funciona?” nem “como implemento?”. A pergunta que aparece com mais frequência, nas organizações onde trabalho e nos programas que coordeno, é mais direta: “ainda vou ter emprego em cinco anos?”
A resposta honesta não é reconfortante no sentido que a maioria espera, mas é estrategicamente útil: depende de qual versão do trabalho você está fazendo hoje. A IA não chega para eliminar a função de gerente de projetos. Chega para eliminar a versão burocrática dela — a que passa o dia atualizando planilhas, gerando relatórios que ninguém lê, controlando cronogramas linha por linha e produzindo status reports que repetem o que o sistema já sabe.
O que permanece — e se torna mais valioso — é o trabalho que a IA não consegue fazer: navegar conflitos de stakeholders, negociar escopo sob pressão política, manter um sponsor alinhado quando o projeto encontra resistência real, mobilizar equipes que não querem mudar. Esse é o trabalho que diferencia gerentes de projetos de ferramentas de rastreamento. E é exatamente esse o trabalho que está sendo desvalorizado nas organizações que ainda tratam gestão de projetos como função de controle e relato.
O que a IA já automatiza — e o que vai automatizar nos próximos dois anos
A automação no gerenciamento de projetos não começa com IA generativa. Começa décadas atrás, com cronogramas eletrônicos e ferramentas de rastreamento de tarefas. O que a IA generativa faz é acelerar essa automação em camadas que antes exigiam julgamento humano — ou que passavam por humanos simplesmente porque ninguém havia construído a ferramenta para automatizá-las.
Relatórios de status são o caso mais direto. Ferramentas como Microsoft Copilot e Asana Intelligence já conseguem gerar relatórios semanais de projeto a partir dos dados do sistema, em linguagem natural, sem intervenção do gerente. O gerente que hoje passa três horas por semana formatando o relatório de status está construindo uma competência que vai desaparecer. Não em cinco anos — em dois.
A análise de risco padronizada segue o mesmo caminho. Modelos de IA conseguem identificar padrões de risco a partir de dados históricos de projetos similares e sinalizar automaticamente quais projetos em andamento estão com indicadores similares aos que antecederam fracassos anteriores. Isso não substitui o julgamento do gerente sobre riscos específicos do contexto — stakeholder que mudou de posição, contexto político da organização, dinâmica da equipe — mas substitui a análise de risco que se baseia em checklist e padrões documentados.
Alocação básica de recursos é outra área de automação crescente. Sistemas com IA conseguem sugerir alocações de equipe com base em disponibilidade, competências registradas e prioridade de projeto. A decisão final continua sendo humana — especialmente quando envolve tensão entre prioridades ou quando a pessoa mais competente tecnicamente não é a escolha certa por razões políticas ou de relacionamento. Mas o trabalho de cruzar planilhas de disponibilidade e calcular a primeira sugestão de alocação pode e vai ser automatizado.
Meeting summaries e action items já são automatizáveis hoje, com ferramentas como Otter, Fireflies e o próprio Copilot no Teams. A IA transcreve, identifica decisões, extrai ações e atribui responsáveis. O que o gerente faz depois disso — verificar se os responsáveis entenderam corretamente, se as ações fazem sentido dada a dinâmica da reunião, se o que ficou registrado reflete o que de fato foi decidido — esse é o trabalho de julgamento que permanece.
Rastreamento de cronograma, atualização de progresso, identificação de desvios, geração de curvas S, cálculo de earned value — tudo isso pode ser feito por ferramentas de IA com mais velocidade, mais consistência e menos erro do que qualquer gerente fazendo manualmente. O argumento para manter esse trabalho como atividade humana não tem base técnica. Tem base de hábito organizacional. E hábito organizacional muda.
A IA não elimina gestão. Elimina gestão burocrática.
O que a IA não consegue automatizar
Gestão de stakeholders é o trabalho mais difícil e mais subvalorizado na gestão de projetos. Entender o que cada stakeholder realmente quer — que frequentemente não é o que declara querer — requer conversas, observação de comportamento, leitura de dinâmicas de grupo e capacidade de detectar quando o que está sendo dito diverge do que está sendo pensado. Nenhuma ferramenta de IA consegue sentar em um corredor e perceber que o CFO está usando objeções técnicas para esconder uma preocupação política que ele não quer articular em público.
Navegação política dentro de organizações é outra área onde a IA tem limitação estrutural. Projetos existem dentro de sistemas de poder. A decisão de escalar um problema para a liderança sênior, de escolher quando confrontar e quando ceder, de construir coalizões internas para superar resistência — essas são decisões que dependem de leitura contextual que só existe depois de anos trabalhando em organizações reais.
Relacionamento com sponsors é central para o sucesso de qualquer projeto relevante. Um sponsor que perde interesse no projeto ou que enfrenta pressões internas que mudam suas prioridades pode inviabilizar um projeto inteiramente independente de cronograma, orçamento e escopo. Manter esse relacionamento ativo, produtivo e alinhado quando o projeto encontra dificuldades reais é um trabalho essencialmente humano — e é um trabalho que a maioria dos gerentes de projetos não domina.
Decisões sob ambiguidade real são aquelas em que não há dados suficientes para uma resposta clara, onde as opções disponíveis têm trade-offs que dependem de valores organizacionais e prioridades estratégicas que só a liderança pode definir, e onde o custo de errar é alto. A IA pode organizar as opções, calcular probabilidades baseadas em padrões históricos e apresentar análises de cenário. A decisão — a responsabilidade pela escolha — é humana.
Negociação de escopo sob pressão é um caso que aparece em todos os projetos que enfrentam realidade. Cliente pede mais do que estava no contrato. Equipe entrega menos do que prometeu. Liderança muda as prioridades no meio do projeto. Navegar essas situações requer capacidade de encontrar soluções onde todos os lados perdem algo e ainda assim concordam que o resultado é razoável. Isso é negociação. IA pode preparar dados para a negociação. Não pode fazer a negociação.
Mobilização de equipes resistentes é a competência que define se a implementação de qualquer mudança — incluindo a implementação de IA — vai funcionar ou não. Quando uma equipe resiste a uma nova abordagem, a solução não é mais dados. É entender o que está por trás da resistência: medo de perder relevância, desconfiança na liderança, histórico de mudanças que não funcionaram, falta de clareza sobre o que a mudança significa para cada pessoa. Diagnosticar isso e agir sobre isso é trabalho humano.
O que o PMI Pulse 2026 mostra — e o que não mostra
O PMI Pulse of the Profession de 2026 documenta que profissionais com competências de IA têm vantagem crescente no mercado de trabalho em gestão de projetos. Isso é consistente com o que se observa nos projetos: organizações estão pagando mais por gerentes que sabem integrar ferramentas de IA ao seu fluxo de trabalho e que conseguem fazer perguntas melhores para esses sistemas.
O que o Pulse não captura — porque nenhuma pesquisa de mercado captura bem — é a diferença entre saber usar IA e saber quando usar IA. Um gerente que usa IA para gerar análises de risco sem questionar as premissas do modelo está delegando julgamento para uma ferramenta que não tem contexto organizacional. Isso pode ser mais perigoso do que não usar IA.
O PMI tem sido consistente em documentar que o diferencial do gerente de projetos bem-sucedido não é técnico — é a combinação de competência técnica com liderança, comunicação e navegação estratégica. A IA reforça esse padrão: ela assume a parte técnica e de processamento de dados, tornando o diferencial humano ainda mais determinante.
O que o Pulse 2026 registra como emergente são competências de “IA literacy” — não a capacidade de programar modelos, mas a capacidade de entender o que IA pode e não pode fazer, formular as perguntas certas e interpretar os outputs com senso crítico. Essa é a competência que o SUNY desenvolve nos programas executivos: não IA técnica, mas IA aplicada com julgamento gerencial.
O que McKinsey documenta sobre automação e julgamento
O McKinsey Global Institute tem publicado análises consistentes sobre o impacto da automação em diferentes categorias de trabalho. O padrão que emerge na gestão de projetos confirma o que a experiência prática mostra: tarefas rotineiras de monitoramento e relato são as primeiras a ser automatizadas. Tarefas que envolvem julgamento contextual, negociação interpessoal e liderança de mudança são as mais resistentes à automação.
Em seu relatório de 2025 sobre IA no trabalho, o McKinsey estima que entre 60% e 70% das atividades de trabalho têm potencial técnico de automação com IA. Mas potencial técnico não é adoção real. A adoção depende de viabilidade econômica, de reconfiguração de processos e de mudança comportamental. Na gestão de projetos, isso se traduz em: a automação das atividades rotineiras vai acontecer, mas o que acontece depois disso é o que vai definir o valor do profissional que permanece.
A McKinsey também documenta que o “judgment call” — a decisão que requer integração de informações qualitativas, contexto organizacional e responsabilidade pela consequência — continua sendo humano. E que, à medida que a IA assume mais trabalho de análise e processamento, o valor relativo do judgment call aumenta. Não porque as pessoas ficam melhores em tomada de decisão, mas porque a IA torna mais eficiente o trabalho de preparação para a decisão, elevando o padrão do que se espera da decisão em si.
Drucker e a atualidade de uma frase de 1974
Peter Drucker escreveu em “Management: Tasks, Responsibilities, Practices” que gestão é essencialmente sobre seres humanos. A função do gestor é fazer com que seres humanos trabalhem juntos de maneira produtiva, aproveitando seus pontos fortes e tornando suas fraquezas irrelevantes. Isso foi escrito em 1974, mas se torna mais verdadeiro na era da IA, não menos.
A lógica é direta: quando mais trabalho operacional é feito por sistemas, o que diferencia uma organização de outra não é a qualidade das ferramentas — ferramentas são comoditizáveis — mas a qualidade das pessoas que tomam decisões, que constroem relacionamentos, que lideram equipes e que navegam ambiguidade com bom julgamento. A competência humana que Drucker descreveu como central para a gestão se torna mais escassa, não menos, à medida que a IA assume trabalho operacional.
Isso tem implicação direta para como se treina um gerente de projetos. O treinamento que hoje faz sentido não é sobre como usar as ferramentas — as ferramentas mudam a cada dois anos. É sobre como desenvolver julgamento: quando escalar, quando não escalar; quando o problema técnico é na verdade um problema político; quando o stakeholder que diz “sim” está na verdade dizendo “não vou lutar contra isso, mas não vou apoiar”; quando o cronograma que está verde vai virar vermelho porque a equipe está exausta e ninguém está dizendo.
O programa SUNY trabalha exatamente esse território. Não ensinar ferramentas — ensinar a pensar como gestor de projetos num ambiente onde as ferramentas continuam evoluindo e o julgamento é o que permanece constante.
Newport e o trabalho profundo na era da automação
Cal Newport, em “Deep Work” (2016), argumentou que a capacidade de concentração profunda — trabalho cognitivo exigente, livre de distração — se tornaria cada vez mais rara e cada vez mais valiosa em economias baseadas em conhecimento. O argumento era sobre economia de atenção. Mas se aplica diretamente à era da IA.
A IA é muito boa em trabalho de superfície: processar grandes volumes de dados, identificar padrões, gerar texto, fazer correlações. É menos boa — estruturalmente limitada — em trabalho que requer síntese de contexto profundo, julgamento sob incerteza genuína e criação de significado para grupos de pessoas em situações de mudança. Esse é exatamente o trabalho de deep work que Newport descreveu.
O que a IA torna mais valioso não é a execução de tarefas mecânicas. É o pensamento estratégico que resulta em perguntas melhores, em diagnósticos mais precisos do problema real, em decisões que integram informações que não estão em nenhum sistema. Um gerente de projetos que consegue fazer essas coisas bem tem sua posição fortalecida pela IA — porque a IA cuida do trabalho de surface para que ele possa se concentrar no trabalho que realmente importa.
Mas a maioria dos gerentes de projetos não foi treinada para fazer esse trabalho de maneira intencional. Foi treinada para controlar, relatar, rastrear. Quando o controle e o relato são automatizados, o que sobra? Para os que desenvolveram capacidade de julgamento, análise estratégica e liderança: um espaço muito maior para fazer esse trabalho com mais profundidade. Para os que não desenvolveram: menos trabalho, não mais.
Três perfis de gerentes de projetos em 2026
Na prática, o que se observa hoje nas organizações são três perfis distintos de gerentes de projetos em relação à IA. Cada um tem uma posição competitiva diferente.
O gerente que usa IA para fazer mais do mesmo
Esse perfil usa ferramentas de IA para fazer o trabalho que sempre fez — só mais rápido. Gera relatórios de status com Copilot, usa IA para transcrever reuniões, automatiza atualizações de cronograma. É eficiente. Mas continua fazendo o mesmo tipo de trabalho, só com menos esforço. Esse perfil está em posição vulnerável não porque usa IA — mas porque está usando IA para otimizar uma função que vai continuar sendo pressionada para baixo em custo. Organizações vão perguntar: se uma ferramenta de IA faz 80% disso automaticamente, por que preciso pagar o salário de um gerente sênior para fazer o restante?
O gerente que resiste à IA
Esse perfil ignora as ferramentas disponíveis, continua fazendo tudo manualmente e argumenta que a IA “não entende o contexto” ou “comete erros demais”. Há razão no argumento — a IA comete erros e não entende contexto organizacional profundo. Mas a posição de resistência completa é insustentável. Competidores que usam IA são mais ágeis no trabalho operacional e têm mais tempo disponível para o trabalho estratégico. A resistência não protege o profissional — deixa ele para trás enquanto o mercado avança.
O gerente que usa IA para elevar o nível das conversas
Esse é o perfil mais raro e mais valioso. Usa IA para assumir o trabalho operacional — relatórios, rastreamento, análises rotineiras — e usa o tempo liberado para fazer o trabalho que a IA não consegue: conversas estratégicas com stakeholders, diagnóstico de riscos que não aparecem nos dados, construção de relacionamentos que sustentam o projeto quando a pressão aumenta. Para esse profissional, a IA não é ameaça — é alavanca.
A diferença entre o primeiro e o terceiro perfil não é a ferramenta usada. É o que o profissional escolhe fazer com o tempo que a ferramenta libera. E essa escolha é deliberada, não automática. Exige clareza sobre onde está o valor real do trabalho e disposição para investir nas competências que são difíceis de desenvolver — julgamento, liderança, navegação política — em vez das competências que se tornam comodidade com o tempo.
O SUNY, no programa Competitive Project Management, trabalha especificamente com gerentes que querem fazer a transição do primeiro para o terceiro perfil. Não porque seja a única saída — mas porque é a saída que tem valor sustentável.
O que muda na carreira internacional
Para profissionais brasileiros que aspiram a posições internacionais em gestão de projetos, a IA adiciona uma camada ao que já era um mercado competitivo. O candidato a posição global que hoje chega apenas com certificação PMP e experiência técnica sólida está chegando com o mesmo que chega de 60 outros países. A diferença que importa é o que esse profissional consegue fazer que vai além da execução técnica do projeto.
Em ambientes multinacionais, a gestão de stakeholders é particularmente complexa porque envolve diferenças culturais, diferentes expectativas sobre comunicação e hierarquia, e frequentemente conflitos entre objetivos locais e globais. A capacidade de navegar essa complexidade com eficácia é o diferencial que abre posições sênior em organizações globais — e é um diferencial que a IA não oferece como commodidade.
O que muda na era da IA, para o profissional que aspira a carreira internacional, é que o piso de competência técnica sobe. Não dominar ferramentas de IA relevantes para gestão de projetos começa a ser deficiência, não neutralidade. Mas o teto — o que separa profissionais que chegam a posições de liderança global — continua sendo julgamento, comunicação de alto nível e capacidade de liderar sob ambiguidade. Esse teto não mudou. Subiu, porque o piso subiu junto.
Limitações
1. O ritmo de mudança torna previsões específicas incertas. As ferramentas de IA para gestão de projetos estão evoluindo em velocidade que torna difícil qualquer previsão específica sobre o que será automatizado em dois ou cinco anos. O que está documentado hoje pode ser diferente quando você ler este artigo. O argumento sobre quais competências permanecem valiosas é mais estável do que qualquer afirmação sobre ferramentas específicas.
2. O impacto da IA varia muito por setor e contexto organizacional. Em projetos de infraestrutura de larga escala, o impacto da automação é diferente do que em projetos de transformação digital em organizações financeiras. As generalizações sobre o que a IA automatiza precisam ser traduzidas para o contexto específico de cada profissional — o que requer diagnóstico próprio, não aplicação direta de afirmações gerais.
3. Nenhum programa resolve o gap de competência sozinho. O programa SUNY oferece um framework e imersão em ambiente acadêmico internacional. O desenvolvimento das competências descritas aqui — julgamento, navegação política, liderança de stakeholders — acontece ao longo de anos de prática deliberada, não em dias de programa. O programa é um acelerador, não uma solução completa.
Leia também neste hub: O que a inteligência artificial exige de líderes que nenhum treinamento está ensinando · IA e estratégia de negócios: o que o executivo precisa saber antes do próximo projeto de IA · Viés de otimismo em projetos: por que todo projeto começa com estimativas erradas
Competitive Project Management — State University of New York (SUNY) · Janeiro
O programa SUNY, coordenado por Mario Trentim em parceria com a IBS Americas, desenvolve gerentes de projetos para o ambiente onde IA e julgamento humano operam juntos. Realizado em New Paltz e Albany, Nova York. Bolsas de até 60% disponíveis.
Mario H. Trentim é keynote speaker e membro do Board of Directors do PMI Global (2025–2027). Doutorando em Engenharia Aeronáutica e Mecânica no ITA, autor de 13 livros e Academic Leader dos programas de gestão na CSUN e SUNY. trentim.com