Times de Execução Aumentada: como a Hélice da Execução opera na era dos agentes de IA
Antes de instalar agentes, Copilots e automações, existe uma pergunta que quase ninguém está fazendo.
Artigo 3 de 3 · conclusão da série. No primeiro artigo, localizamos onde o sistema de execução quebra. No segundo artigo, introduzimos o Perfil de Execução e o Gap da Hélice como instrumentos de diagnóstico. Esta edição responde a pergunta que os dois anteriores deixaram aberta: como IA entra nesse sistema — e o que acontece quando ela entra de forma errada.
Leia em 16 minutos. Decida o que IA entra na sua organização — e o que não entra.
IA não resolve o Gap da Hélice — ela amplifica o estado atual de cada dimensão: se a dimensão está em estágio 3, IA acelera; se está em estágio 1, IA torna os problemas mais rápidos e mais caros
O que você pode delegar à IA depende do nível de execução humana disponível — a taxonomia de Kai-Fu Lee aplicada ao modelo de execução estratégica
Lei de Ashby: agente de IA sem mandato delimitado aumenta a variedade ambiental — adiciona ruído ao sistema que já vibra
Times de Execução Aumentada (TEA): composição, governança e o papel do citizen developer como interface
A Hélice da Execução na era da IA: o que muda em cada uma das quatro pás — e o que permanece exclusivamente humano
Oito meses depois da reunião que abre o primeiro artigo desta série, o mesmo Diretor de Estratégia da Meridia ligou de novo. Desta vez, a situação era diferente. O Perfil de Execução havia sido aplicado, o Gap da Hélice havia sido reduzido de 2 para 0, a taxa de realização de benefícios havia subido de 37% para 75%. O sistema funcionava.
“Agora o board está cobrando IA. Cinco ferramentas já foram contratadas. Os líderes têm ChatGPT no notebook, Copilot no Word, um agente de dados no BI, um resumidor de contratos e uma plataforma de automação de processos. Estamos gastando bem. Mas os resultados de execução não mudaram. Por quê?”
A resposta que dei não era a que ele esperava. IA não entrou errada — entrou antes que o sistema de execução estivesse pronto para absorvê-la. O resultado não foi transformação: foi aceleração do que já existia. E quando o que existia era um portfólio equilibrado em estágio 3, a aceleração era positiva. Mas as cinco ferramentas não haviam sido instaladas pensando no Perfil de Execução. Haviam sido instaladas pensando em produtividade individual — que é diferente de capacidade sistêmica de execução.
Esta edição é sobre a diferença entre essas duas coisas.
IA amplifica o estado atual — não o estado desejado
Antes de qualquer framework de adoção de IA, um princípio que precisa ser internalizado antes de qualquer decisão de ferramenta:
Inteligência Artificial não transforma uma organização. Ela amplifica o que a organização já é. Instalada sobre um sistema de execução em estágio 3, produz propulsão. Instalada sobre um sistema em estágio 1, produz vibração mais rápida.— Princípio de Amplificação · Trentim, M.H., 2026
Isso tem uma implicação operacional direta que a maioria das organizações ignora: o sequenciamento correto não é “instalar IA e depois melhorar execução”. É “melhorar execução até estágio 3 por dimensão e depois instalar IA para chegar a estágio 4”. O Perfil de Execução não é apenas um instrumento diagnóstico — é o pré-requisito para qualquer decisão racional sobre adoção de IA.
As dimensões em estágio 1-2 que recebem IA antes de atingir estágio 3 não melhoram. Pioram mais rapidamente:
Pá 1 em estágio 1 com IA = análise de cenário mais sofisticada, decisões estratégicas igualmente reativas. O documento agora tem 40 slides — a capacidade de agir sobre eles permanece igual a zero.
Pá 2 em estágio 1 com IA = automação de workflows de aprovação que ninguém quer delegar. O processo ficou mais visível — o gargalo permanece na agenda de quem aprova.
Pá 3 em estágio 1 com IA = scoring de portfólio sofisticado aplicado a um portfólio que ninguém está autorizado a cancelar. O diagnóstico melhorou — a coragem de agir sobre o diagnóstico permanece a mesma.
Pá 4 em estágio 1 com IA = times herói com Copilot. A velocidade individual aumenta. A dependência sistêmica de heróis permanece — agora com heróis mais rápidos.
O diagnóstico é o mesmo que Simon Sinek descreve para inovação e que Brynjolfsson documentou no MIT para adoção de tecnologia: há uma J-curve. No curto prazo, a curva vai para baixo antes de subir — e as organizações que adotam IA sobre um sistema em estágio 1-2 ficam presas no vale da J-curve sem chegar à curva de subida.
O que você pode delegar à IA depende de quem você tem na equipe
Kai-Fu Lee, em AI Superpowers (2018), documentou que não são todos os trabalhos que IA substitui ao mesmo ritmo — são tipos específicos de tarefa. A distinção que Lee faz entre tarefas de otimização (padrão claro, dados estruturados, métrica de sucesso definida), tarefas contextuais (julgamento necessário, dados parcialmente estruturados) e tarefas criativas e relacionais (novidade, empatia, confiança) permanece a taxonomia mais operacional disponível para planejar adoção de IA.
Aplicada ao modelo de cinco níveis de execução que introduzi no artigo Execução em Cinco Níveis: o que cada nível pode delegar à IA e o que permanece humano, o mapa de delegação à IA está representado na Figura 1, a seguir.
Figura 1 - Níveis de execução e delegação para Inteligência Artificial (Trentim, 2026).
A implicação prática: se você tem uma equipe composta predominantemente de pessoas operando em N1-N2, instalar IA vai substituir parte da equipe — não aumentar a capacidade da organização. O TEA, que introduzo a seguir, pressupõe uma equipe que opera em N3-N5. Não é sobre nível hierárquico: é sobre o tipo de tarefa que a pessoa executa cotidianamente. Um analista pleno que executa apenas relatórios padronizados opera em N1, independentemente do título. Um líder de projeto que negocia prioridades, resolve conflitos e conecta iniciativas à estratégia opera em N3-N4.
A Lei de Ashby e o mandato do agente
Lei de Ashby (1956) · Lei da Variedade Requisita
William Ross Ashby formulou, em 1956, que apenas variedade pode destruir variedade — um sistema de controle precisa ter pelo menos tanta variedade quanto o sistema que controla para regulá-lo com eficácia. Em linguagem de execução: um mecanismo de governança precisa ter pelo menos tanta capacidade de resposta quanto o nível de complexidade do portfólio que governa.
Aplicado a agentes de IA: um agente de IA com mandato delimitado — “você processa solicitações de mudança de escopo com critérios X, Y, Z e escala para humano quando nenhum critério é satisfeito” — aumenta a variedade regulatória do sistema. Ele absorve variação de rotina que antes consumia tempo humano, liberando capacidade para as exceções que realmente exigem julgamento.
O mesmo agente sem mandato delimitado — instalado como “assistente de decisão” com acesso a todas as informações do projeto — aumenta a variedade ambiental. Não reduz a complexidade que o humano precisa gerenciar: adiciona mais um sinal para processar, mais um output para validar, mais uma dependência para monitorar. O agente que deveria simplificar torna-se mais uma fonte de ruído no sistema que já vibra.
Esta é a diferença entre IA como mecanismo de controle e IA como fonte de dados adicionais. O TEA opera com agentes no primeiro modelo — mandato específico, escopo delimitado, critério explícito de escalação.
Times de Execução Aumentada — composição e governança
O TEA é a unidade organizacional de execução estratégica na era de agentes de IA. Não é um time de tecnologia — é a reconfiguração do time de execução de iniciativas estratégicas para operar com três camadas complementares, conforme explico na Figura 2 abaixo.
Figura 2 - Times de Execução Aumentada - TEA (Trentim, 2026)
O PMI publicou o Citizen Development Playbook (2021), já mencionado em meu artigo anterior, que estabelece os princípios de governança para desenvolvimento cidadão em contexto corporativo. O TEA não contradiz esse framework — o estende para o contexto de execução de portfólio estratégico com agentes de IA como camada intermediária.
A Hélice da Execução na era da IA: o que muda em cada dimensão
Esta é a parte central desta edição: como IA opera especificamente em cada dimensão da Hélice da Execução. A análise diferencia o que acontece quando a dimensão está em estágio 3 (amplificação positiva) versus estágio 1 (amplificação destrutiva).
Figura 3 - Hélice da Execução na Era da Inteligência Artificial (Trentim, 2026).
Pá 1 · Estratégia Adaptativa
No estágio 3, IA monitora fontes externas de forma contínua e detecta divergências entre as premissas do plano estratégico e os dados observados — antes que o gap de efeitos (Bungay) se acumule. Varredura contínua de sinais, análise de cenários, comparação premissas vs. realidade. A organização que revisa premissas trimestralmente passa a revisá-las em tempo real, com custo marginal próximo de zero. O que era ciclo anual torna-se processo adaptativo contínuo.
No estágio 1, a estratégia existe como documento que ninguém lê. IA gera análise de cenários sofisticada que também ninguém age sobre. O output aumenta — a capacidade de agir permanece zero. O gap entre o documento estratégico e a execução real cresce mais rapidamente porque agora o documento é mais completo e ninguém tem desculpa de não ter lido.
Pá 2 · Governança Enxuta
No estágio 3, governança distribuída por tipo de decisão beneficia-se diretamente de agentes que classificam solicitações, determinam o nível de autoridade correto e encaminham sem intervenção humana. Triagem automática, roteamento por tipo de decisão, detecção de conflitos de dependência. O tempo de decisão cai. A qualidade das decisões que chegam ao nível humano sobe — porque as decisões de rotina foram filtradas. Ashby operando corretamente: variedade regulatória aumentada.
No estágio 1, o gargalo é a agenda de quem aprova. IA instala dashboards de aprovações pendentes que mostram com mais clareza que o gargalo existe — mas não remove o gargalo. O Diretor que aprovava manualmente agora recebe alertas automáticos a cada hora sobre as aprovações pendentes. O problema de governança tornou-se mais visível e igualmente insolúvel pela ferramenta instalada.
Pá 3 · Gestão de Valor
No estágio 3, a organização que cancela deliberadamente e tem critérios explícitos de continuidade usa IA para monitorar os indicadores de valor de cada iniciativa continuamente. Tracking de benefícios em tempo real, sinalização de desvio de valor, priorização dinâmica. IA antecipa a decisão de cancelamento antes que o sunk cost se acumule (Thaler e Sunstein). O VMO alimentado por IA mantém o portfólio vivo e enxuto simultaneamente.
No estágio 1, o portfólio só cresce. IA instala scoring sofisticado que ranqueia projetos por valor esperado — e ninguém cancela os projetos no fundo da lista porque não há mandato para isso. A organização tem evidência quantitativa de que está executando as iniciativas erradas — e continua executando-as. Diagnóstico perfeito, ação zero. Pfeffer e Sutton documentaram exatamente isso em The Knowing-Doing Gap.
Pá 4 · Capacidade de Entrega
No estágio 3, times que operam com intenção compartilhada e autonomia de método beneficiam-se de IA nos interstícios: compilação de status, geração de atas, análise de risco em dados históricos, sugestão de ajustes de cronograma. O humano remove de sua carga tudo que é N1-N2 e opera no N3-N4 que define valor. A velocidade do time sobe porque o trabalho que IA faz é trabalho que o humano não deveria estar fazendo.
No estágio 1, o resultado é o herói com Copilot. A velocidade individual do herói aumenta — e a dependência sistêmica dele também, porque agora o herói entrega mais. O gargalo se intensifica. A organização ainda não tem o segundo herói, nem o sistema que tornaria esse papel desnecessário. A saída do herói continua catastrófica, agora com um portfólio maior dependendo dele.
Eixo · Ritmo de Aprendizagem
No estágio 3, padrões de falha em projetos anteriores são identificados antes que se repitam, premissas são comparadas com resultados de forma sistemática, síntese de retrospectivas alimenta decisões futuras. Síntese de lições aprendidas, identificação de padrões de falha, comparação de premissas vs. resultados. O aprendizado organizacional deixa de depender da memória humana e passa a ser estruturado e consultável. O Eixo acelera as quatro pás porque o sistema aprende mais rápido.
No estágio 1, as lições aprendidas que não eram utilizadas agora são registradas automaticamente — e continuam não sendo utilizadas. A IA pode gerar um dashboard de “padrões recorrentes de falha” com frequência e categorização precisas. O problema é que em estágio 1, o mecanismo que converte esse aprendizado em mudança de comportamento não existe. Mais dados de aprendizagem num sistema que não aprende = mais evidência de fracasso, não menos fracasso.
Antipadrões — o que mais aparece nas organizações que adotam IA em execução
Antipadrão 1 - IA como prova de modernidade
A organização adota ferramentas de IA para sinalizar ao mercado e ao board que é inovadora. As ferramentas são reais. O impacto na execução é decorativo. Diagnóstico: o problema não é a ferramenta — é a ausência de caso de uso conectado ao Gap da Hélice.
Antipadrão 2 - Automação de processo disfuncional
Processo que não funcionava bem é automatizado para funcionar mal mais rapidamente. O retrabalho que era mensal torna-se semanal. A solução é redesenhar o processo antes de automatizar — e o redesenho é trabalho humano, não de IA.
Antipadrão 3 - Agente sem mandato
Assistente de IA instalado como “suporte ao líder” sem mandato específico: faz pesquisa, resume documentos, sugere decisões, gera planos. O líder gasta mais tempo gerenciando o assistente do que teria gasto sem ele. Ashby invertido: variedade adicionada, não reduzida.
Antipadrão 4 - Citizen dev sem governança
Membros do time criam automações em ferramentas aprovadas sem padrão de documentação, sem critério de escalação, sem dono. Quando o criador da automação sai, o processo para — a dependência de herói foi replicada em código.
Figura 4 - Antipadrões que a Inteligência Artificial Amplifica (Trentim, 2026).
Design organizacional do TEA — e o que vem a seguir
O TEA não é uma nova caixa no organograma. É uma nova forma de configurar equipes de execução dentro do que a organização já tem. Mas a adoção generalizada de TEA levanta uma questão que esta tríade não tem espaço para responder: o que acontece com o design organizacional quando a maioria das tarefas N1-N2 é absorvida por agentes?
O trabalho de Galbraith (Designing Organizations, 2014) e de Mintzberg (The Structuring of Organizations, 1979) sobre design organizacional foi construído para um contexto em que o trabalho de coordenação consumia uma proporção significativa da capacidade humana. Quando agentes absorvem a maior parte dessa coordenação, o design ótimo muda. A pesquisa emergente do MIT e da Wharton sugere que organizações com alta adoção de IA tendem a achatar a hierarquia — não porque a hierarquia seja disfuncional, mas porque parte da função da hierarquia (processar e transmitir informação) é agora feita mais eficientemente por agentes do que por camadas gerenciais.
Isso cria tensões que os frameworks atuais de design organizacional não resolvem. Trataremos disso em profundidade em uma nova série de artigos dedicada a Organizações Adaptativas — esse será o nosso próximo artigo, Sistema Operacional Duplo: como explorar e exploitar ao mesmo tempo, sobre o modelo de Kotter.
O contraditório que IA não resolve
Objeção central · o risco não-linear de agentes autônomos · Russell, 2019
Stuart Russell, em Human Compatible: Artificial Intelligence and the Problem of Control (2019), argumenta que o problema central de IA não é a performance das ferramentas atuais — é o alinhamento entre os objetivos do agente e os objetivos que importam. Um agente de IA com mandato delimitado, como propõe o TEA, é um avanço em relação ao agente sem mandato — mas não resolve o problema de alinhamento mais profundo: que os objetivos explicitados no mandato podem não capturar tudo o que importa, e que o agente vai otimizar o que está no mandato, não o que está além dele.
A resposta operacional do TEA é parcial mas honesta: governança humana sobre o mandato do agente, critério explícito de escalação, dono humano por agente. Isso não resolve o problema de alinhamento de Russell — mas é o único mecanismo de controle disponível com a tecnologia atual. O risco residual existe e deve ser explicitado. Organizações que adotam agentes de IA sem reconhecer esse risco residual não estão sendo inovadoras — estão sendo imprudentes.
O que fazer na segunda-feira
Três ações para integrar IA ao sistema de execução — na ordem correta
Antes de qualquer IA: aplique o Perfil de Execução e calcule o Gap da Hélice. Se o Gap da Hélice for ≥ 2, a prioridade é reduzir o Gap — não instalar IA. Toda decisão de adoção de IA deve ser precedida pela pergunta: “Em qual dimensão essa ferramenta será instalada — e em que estágio de maturidade essa dimensão está?” Se a resposta for estágio 1 ou 2, a ferramenta não pertence ao roadmap desta dimensão no momento. Pertence ao roadmap de depois que a dimensão atingir estágio 3.
Para cada ferramenta de IA já instalada ou em avaliação: redija o mandato do agente em uma única frase. O mandato deve responder a três perguntas: (a) o que o agente faz especificamente; (b) o que está explicitamente fora do escopo; (c) quando o agente escala para um humano e para qual humano. Se não for possível escrever o mandato em uma frase, o escopo está indefinido — e o agente vai aumentar variedade ambiental em vez de variedade regulatória (Ashby). Ferramentas cujo mandato não pode ser articulado são candidatas a desligamento, não a expansão.
Identifique um membro do time que opera predominantemente em N1-N2 e redesenhe o papel — antes de contratar ou demitir. A chegada de IA ao time de execução não é, primariamente, uma questão de headcount: é uma questão de redesenho de papel. A pergunta não é “quem vai ser substituído por IA?” — é “o que essa pessoa vai fazer depois que IA absorver as tarefas de N1-N2 que ela executa hoje?” Se a resposta for “não sei”, a organização está adotando IA sem um plano de People. Se a resposta for “vai operar em N3-N4”, ela precisa de capacitação antes da ferramenta — não depois.
Na Meridia Industria e Serviços S.A., empresa que estamos analisando desde os artigos anteriores, a sequência foi exatamente essa. Primeiro o Perfil de Execução. Depois a redução do Gap. Depois o mapeamento de quais dimensões estavam prontas para receber IA. Depois o redesenho dos papéis. As cinco ferramentas que o Diretor havia contratado foram reavaliadas: três com mandato redefinido, uma desligada, uma expandida. A sixta ferramenta foi a única adicionada depois — uma plataforma de citizen development com governança definida, conectada à Pá 3, que passou a suportar o monitoramento de benefícios do VMO.
A implementação do framework Times de Execução Aumentada — diagnóstico de Perfil de Execução, definição de mandatos de agentes, redesenho de papéis e governança de citizen development — é o programa que desenvolvo com lideranças executivas e conselhos de administração. Uma jornada de 90 dias, do Perfil ao TEA operacional.
Mario H. Trentim é membro do Board of Directors do PMI (2025–2027), doutorando em Engenharia Aeronáutica e Mecânica no ITA, autor de 13 livros publicados e instructor do LinkedIn Learning com aproximadamente 465 mil alunos. Conduz pesquisa sobre governança de execução, portfólio estratégico e sistemas adaptativos na era da IA.
O framework Hélice da Execução, o Perfil de Execução e o modelo de Times de Execução Aumentada foram desenvolvidos ao longo de vinte anos de prática em projetos de capital, transformação organizacional e governança corporativa em múltiplos setores e países. Preservo a identidade de clientes e empresas em todos os casos descritos.
Referências
Ashby, W.R. (1956). An Introduction to Cybernetics. Chapman & Hall. [Lei da Variedade Requisita, cap. 11]
Brynjolfsson, E. & McAfee, A. (2014). The Second Machine Age. W.W. Norton. [J-curve de adoção de tecnologia]
Galbraith, J.R. (2014). Designing Organizations: Strategy, Structure, and Process at the Business Unit and Enterprise Levels. Jossey-Bass.
Lee, K.F. (2018). AI Superpowers: China, Silicon Valley, and the New World Order. Houghton Mifflin Harcourt. [Taxonomia de tarefas por suscetibilidade à IA]
Mintzberg, H. (1979). The Structuring of Organizations. Prentice-Hall.
Pfeffer, J. & Sutton, R. (2000). The Knowing-Doing Gap. Harvard Business School Press.
PMI (2021). Citizen Development: The Handbook for Creators and Change Makers. Project Management Institute.
Russell, S. (2019). Human Compatible: Artificial Intelligence and the Problem of Control. Viking Press.
Teece, D.J. (2007). Explicating Dynamic Capabilities. Strategic Management Journal, 28(13), 1319–1350.
Thaler, R.H. & Sunstein, C.R. (2008). Nudge: Improving Decisions about Health, Wealth, and Happiness. Yale University Press. [Sunk cost e reversão de decisão]
Trentim, M.H. (2026). A Hélice da Execução: por que organizações giram sem avançar — e o que fazer sobre isso. Estratégia em Ação com IA, jun/2026.
Trentim, M.H. (2026). 70% das estratégias aprovadas morrem antes do segundo trimestre. O culpado não é quem você pensa. Estratégia em Ação com IA, ago/2026.
Trentim, M.H. (2026). Perfil de Execução: o diagnóstico que revela qual dimensão está limitando sua organização inteira. Estratégia em Ação com IA, set/2026.
Excelente artigo!