O que a inteligência artificial exige de líderes que nenhum treinamento está ensinando
Entenda por que liderar com IA exige julgamento, governança e responsabilidade — não apenas domínio de ferramentas, prompts ou automação.
O programa Advanced Topics in PMO Governance da California State University Northridge (CSUN), coordenado por Mario Trentim em parceria com a IBS Americas, discute o que a inteligência artificial exige de líderes além da competência técnica — o que os programas de "IA para gestores" ainda não estão ensinando. Acontece em julho, Northridge, California. Bolsas de até 60% disponíveis.
Quando uma grande empresa de energia decide investir em inteligência artificial para otimizar sua cadeia de fornecimento, a primeira coisa que seu board aprova normalmente não é uma estratégia de IA. É um contrato com uma consultoria para “mapeamento das oportunidades de IA.” Quando esse mapeamento é concluído, o que aparece é uma lista de casos de uso possíveis, alguns casos de sucesso de outras indústrias, e uma estimativa de ROI que assume que os casos de uso serão implementados com sucesso.
O que não aparece — porque nenhuma consultoria coloca isso no slide — é o diagnóstico de que a organização não tem a capacidade de liderança necessária para extrair valor real dessas implementações. Não porque a liderança seja incompetente. Porque a competência necessária para liderar adoção de IA é diferente da competência para aprovar projetos de tecnologia. E ninguém estava treinando para isso.
Sistemas, não resultados. O erro mais comum que líderes cometem na adoção de IA é tratar adoção como resultado — “implementamos IA em três processos” — em vez de tratar o sistema de decisão sobre IA como o que precisa ser construído. Sem o sistema, cada projeto de IA é uma aposta avulsa. Com o sistema, cada projeto é uma peça de uma estratégia coerente.
O treinamento errado que as empresas estão comprando
O mercado de treinamento em IA para executivos explodiu nos últimos dois anos. O conteúdo dominante tem um padrão consistente: introdução a machine learning, explicação de LLMs, casos de uso por setor, exercícios com ChatGPT ou Copilot, encerramento com reflexão sobre o futuro do trabalho. Duração: dois dias, presencial ou online, com certificado de conclusão.
Esse treinamento responde a uma ansiedade legítima dos executivos — “preciso entender o que está acontecendo com IA” — mas não responde à pergunta que importa para o trabalho real de liderança: “o que preciso decidir diferentemente por causa da IA, e como desenvolvo a capacidade de decidir bem?” São perguntas diferentes que requerem competências diferentes.
O fato de um CEO conseguir explicar o que é um transformer ou como funciona um modelo de linguagem não tem relação com a qualidade das decisões que esse CEO toma sobre investimento em IA, sobre onde IA cria vantagem competitiva sustentável para sua empresa, ou sobre como liderar equipes que trabalham com IA. A competência técnica é útil como vocabulário. Não é o trabalho de liderança.
O que o líder realmente precisa: quatro competências
1. Data literacy: fazer as perguntas certas para os dados
Data literacy não é a capacidade de programar em Python ou de configurar um modelo de machine learning. É a capacidade de fazer perguntas corretas para dados e de interpretar as respostas com senso crítico suficiente para identificar quando a resposta é resultado de dado inadequado, modelo inadequado ou pergunta mal formulada.
Um líder com data literacy sabe perguntar: “esses dados representam a realidade que eu quero modelar, ou representam o que era fácil medir?” Sabe questionar: “esse modelo foi treinado em dados históricos — quão representativos esses dados são do ambiente em que vou aplicá-lo?” Sabe distinguir correlação de causalidade em contextos onde a confusão tem consequências operacionais reais.
Essa competência não se desenvolve em dois dias de workshop. Desenvolve-se ao longo de exposição sistemática a decisões baseadas em dados, com feedback sobre o que aconteceu quando as perguntas foram bem ou mal formuladas. O CSUN trabalha essa competência com casos reais de governança de PMO e portfólio — contexto onde as decisões sobre dados têm consequências mensuráveis.
2. Julgamento sobre quando confiar em IA e quando questionar
Ferramentas de IA produzem outputs com muita confiança — numericamente, linguisticamente, visualmente. Isso cria um risco específico para líderes: confiar em outputs de IA em situações onde o output está errado, incompleto ou contextualmente inadequado, simplesmente porque o output parece bem fundamentado.
O julgamento necessário não é ceticismo indiscriminado — que leva à paralisia e ao não uso de ferramentas que genuinamente ajudam. É a capacidade de identificar as características das situações onde a IA é confiável versus as situações onde o output precisa de verificação cuidadosa ou substituição por análise humana.
Como regra geral: IA é mais confiável em tarefas que são estruturadas, com dados históricos abundantes, onde o critério de sucesso é claro e mensurável. É menos confiável — e potencialmente enganosa — em tarefas que envolvem julgamento contextual, informações recentes que não estavam no treinamento, ou critérios de sucesso que dependem de valores que a organização não codificou explicitamente.
3. Gestão de equipes que trabalham com IA
Equipes que trabalham com IA enfrentam um conjunto de desafios que não estão bem documentados nos frameworks de gestão existentes. O primeiro é a questão de accountability: quando uma decisão é baseada em recomendação de IA, quem é responsável pelo resultado? A pergunta parece filosófica mas é profundamente prática — ela determina como a equipe reage quando o resultado é ruim.
O segundo desafio é a dinâmica de confiança: equipes que confiam demais em IA tendem a reduzir o exercício de julgamento próprio com o tempo, o que degrada a capacidade humana que a IA deveria complementar. Equipes que desconfiam de IA de maneira sistemática perdem os benefícios de eficiência que a tecnologia oferece. A calibração entre confiança e ceticismo crítico precisa ser gerenciada explicitamente.
O terceiro desafio é o impacto na motivação e no desenvolvimento profissional. Quando IA assume partes significativas de trabalho que antes eram feitas por pessoas, o que acontece com o desenvolvimento de competências das pessoas? Essa é uma pergunta de gestão de pessoas que a maioria das organizações não está respondendo de maneira sistemática.
4. Decisão sobre portfólio de IA: onde investir e onde não investir
A decisão mais importante que um líder toma sobre IA não é qual ferramenta adotar. É em quais áreas da organização IA cria vantagem competitiva sustentável — e em quais áreas a adoção de IA apenas acompanha o mercado sem criar diferenciação.
Essa distinção tem implicação direta na alocação de recursos. Investimento em IA em área onde todos os concorrentes também vão investir — porque a tecnologia está disponível para todos — melhora eficiência mas não cria vantagem. Investimento em IA em área onde a organização tem dados únicos, processos diferenciados ou relações com clientes que concorrentes não conseguem replicar pode criar vantagem sustentável.
Fazer essa análise requer entendimento suficiente de IA para saber o que é diferenciável e o que é comoditizável — não como técnico, mas como estrategista.
O que McKinsey documenta sobre onde os líderes erram
O McKinsey Global Institute publicou em 2025 análise sobre padrões de erro na adoção de IA por líderes sênior. O padrão mais frequente documentado não é a resistência à tecnologia — é a delegação completa da decisão para times técnicos. O líder que diz “IA é assunto de TI” está cometendo o mesmo erro de quem dizia “estratégia digital é assunto de TI” nos anos 2000. A tecnologia é o meio. A decisão estratégica sobre onde e como usá-la é trabalho de liderança.
O segundo padrão de erro documentado pela McKinsey é a medição de adoção em vez de medição de valor. Organizações que medem “número de usuários de ferramentas de IA” ou “percentual de processos com IA implementada” estão medindo input, não output. A pergunta que importa é: qual foi o impacto mensurável nos resultados que a organização se propôs melhorar? Sem essa pergunta, a adoção de IA pode ser alta enquanto o valor gerado é baixo.
Sistemas, não resultados — construir o sistema de decisão sobre IA, não perseguir a adoção de IA como resultado em si.
Charan-Bossidy e a disciplina de execução que a IA não substitui
Ram Charan e Larry Bossidy, em “Execution” (2002), documentaram que a causa mais frequente de falha estratégica não é estratégia ruim — é incapacidade de execução. A disciplina de execução requer alinhamento entre estratégia, operações e pessoas, com processos claros de acompanhamento e accountability real sobre resultados.
A IA não altera esse diagnóstico — confirma-o. Organizações com execução fraca adotam IA e continuam com execução fraca, agora com mais dados sobre quão fraca ela é. Organizações com execução forte adotam IA e ficam mais rápidas e mais precisas em executar com qualidade. A tecnologia amplifica a capacidade instalada — para o bem e para o mal.
A implicação prática para líderes é que a condição necessária para extrair valor de IA é ter as fundações de execução em ordem primeiro: processos claros, dados limpos o suficiente para alimentar os modelos, e comportamentos de accountability que garantam que os insights gerados pela IA sejam de fato usados para melhorar decisões — não apenas para produzir relatórios mais sofisticados que também não são lidos.
Três erros concretos que líderes cometem
Tratar IA como projeto de TI. Quando a governança de iniciativas de IA fica subordinada ao CTO ou ao CIO, sem envolvimento direto do CEO e da liderança de negócios, o resultado consistente é que as iniciativas otimizam processos técnicos em vez de criar valor de negócio. A pergunta “qual resultado de negócio isso melhora?” precisa estar no centro da iniciativa, não na periferia.
Medir adoção, não valor gerado. O KPI mais fácil de medir para iniciativas de IA é adoção — quantas ferramentas foram implementadas, quantas pessoas usam, quantos processos foram “aprimorados com IA”. O KPI que importa é o que mudou nos resultados que a organização se propõe a melhorar: eficiência operacional, qualidade de decisão, satisfação de cliente, velocidade de lançamento. Sem conectar IA a esses resultados, a iniciativa vira investimento sem retorno mensurável.
Não mudar os comportamentos que a IA deveria mudar. O caso mais frequente de insucesso em iniciativas de IA não é falha técnica — é que a organização implementou a ferramenta sem redesenhar o processo e sem mudar o comportamento que a ferramenta deveria transformar. O sistema de IA que analisa risco de crédito e produz recomendações que ninguém usa porque o gerente de crédito ainda segue o processo antigo é o caso padrão. A ferramenta funciona. A mudança não aconteceu.
O que o CSUN desenvolve em governança de IA
O programa Advanced Topics in PMO Governance da CSUN inclui módulo específico sobre governança de portfólio de IA — não como projeto de tecnologia, mas como decisão de alocação de recursos com critérios de priorização, métricas de valor e processos de revisão. Os participantes saem com framework aplicável para priorizar iniciativas de IA com a mesma disciplina que se aplica a portfólio de projetos estratégicos.
O foco é na competência de fazer perguntas melhores — não de programar IA, mas de dirigir iniciativas de IA de maneira que o valor seja mensurado, os comportamentos mudem, e o investimento seja justificável com evidências, não com apostas.
Limitações
1. O campo está mudando em velocidade que torna frameworks rapidamente desatualizados. O que se sabe sobre competências de liderança para IA em julho de 2026 pode ser parcialmente obsoleto em 18 meses. Competências de aprendizado adaptativo — a capacidade de continuar aprendendo e recalibrando à medida que o campo evolui — são tão importantes quanto qualquer competência específica descrita neste artigo.
2. Contexto setorial importa significativamente. As competências de liderança necessárias para IA em saúde regulada, onde os riscos de um output errado são humanos e legais, são diferentes das necessárias em e-commerce, onde os riscos são financeiros e de reputação. As generalizações aqui precisam ser traduzidas para o contexto específico de cada organização.
3. Desenvolver as quatro competências descritas é trabalho de anos, não de semanas. O programa CSUN oferece aceleração e estrutura. Mas data literacy real, julgamento calibrado sobre IA, e capacidade de gerir equipes em contextos de IA se desenvolvem ao longo de exposição sistemática a decisões reais com feedback real. O programa é o começo do desenvolvimento, não o fim.
Leia também neste hub: O gerente de projetos da era da IA: o que vai mudar e o que vai permanecer · IA e estratégia de negócios: o que o executivo precisa saber antes do próximo projeto de IA · Liderança disruptiva não é liderança caótica
Advanced Topics in PMO Governance — California State University Northridge (CSUN) · Julho
O programa CSUN desenvolve a capacidade de líderes de tomar decisões de portfólio sobre IA com a mesma disciplina de governança aplicada a projetos estratégicos. Realizado em Northridge, California. 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