Na mesma semana de maio de 2026, dois praticantes seniores de domínios bem diferentes publicaram ensaios que, lidos lado a lado, fazem um único argumento. Amy Mitchell, escrevendo sobre produto, afirmou que os instintos que tornam um PM sênior excelente em estabilizar um produto quebram no instante em que esse PM recebe uma iniciativa de IA. Tey Bannerman, escrevendo sobre liderança de design, listou as três formas pelas quais implementações de IA falham e concluiu que as organizações de design que estão acertando compartilham um hábito que as que falham não têm: elas se recusam a formalizar antes de aprender.
Nenhum ensaio cita o outro. Nenhum se apresenta como um argumento de governança. Os dois são argumentos de governança disfarçados.
O padrão que descrevem, empilhado, é o meta-modo de falha que nenhum modelo de maturidade em IA ainda nomeou com clareza: governança prematura é, ela própria, um modo de falha. Os frameworks pensados para tornar a IA segura em escala, aplicados a iniciativas de IA que ainda não aprenderam o que são, matam a velocidade de aprendizado que tornaria esses frameworks úteis em primeiro lugar.
Este é um argumento de sequenciamento. E é o argumento que times de liderança precisam resolver neste trimestre.
A Versão de Produto: Instintos de Estabilização vs Instintos de Transformação
A distinção de Mitchell é o enquadramento mais limpo do problema que vi este ano. O PM sênior que passou uma década ficando bom no ofício internalizou um modelo operacional específico. Identificar a métrica. Otimizar várias jogadas à frente. Reduzir variância. Bater o roadmap. Cuidar dos stakeholders. Estabilizar.
Esse modelo está correto. Está correto para produtos cujo espaço de problema, base de usuários e tecnologia subjacente são estáveis o bastante para que otimizar várias jogadas à frente seja uma coisa sensata de se fazer. O custo de errar sobre o próximo trimestre é limitado.
Iniciativas de IA, nos seus primeiros 12 a 18 meses dentro de uma organização, não satisfazem essa condição. A fronteira de capacidade está se movendo. O comportamento do usuário está se formando, não formado. A estrutura de custo é instável porque o preço do modelo subjacente muda em uma ordem de grandeza entre releases. A superfície de integração está sendo descoberta, não especificada.
Mitchell diz com precisão: “Aprender o suficiente para começar é um objetivo diferente de chegar a um ambiente estável.” O PM que tenta planejar quatro trimestres de uma iniciativa de IA na mesma cadência usada para o resto do portfólio não está sendo conservador. Esse PM está destruindo o valor de opção de aprender mais rápido do que o plano permitiria.
Estabilização é um estágio. Transformação é outro estágio. Confundir os dois é a falha.
A Versão de Design: Três Falhas de Implementação
A entrevista de Bannerman ao Designboom cataloga os três padrões que ele vê quando implementações de IA quebram dentro de organizações de design.
A primeira é implantar tecnologia antes de definir o problema. Times entregam “um recurso de IA” porque a liderança exigiu um. Não há dor de usuário especificada, não há resultado especificado, não há medição especificada de antes e depois. O recurso aterrissa, ganha alguma adoção e o time não consegue dizer se criou valor ou absorveu capacidade de engenharia.
A segunda é medir apenas eficiência. Custo por tarefa, tempo por tarefa, throughput. Nada disso captura se as pessoas que usam a IA confiam nela, se a integram ao fluxo real de decisão, se o produto do trabalho melhorou. O ponto de Bannerman: métricas de eficiência se cristalizam cedo porque são fáceis de medir, e a organização otimiza para elas muito depois de já estar claro que não são as métricas certas.
A terceira é excluir especialistas de domínio das decisões sobre como a IA é implantada no domínio deles. O time de plataforma escolhe a ferramenta, configura a política, define o fluxo. Designers, advogados, analistas financeiros e operadores que de fato fazem o trabalho recebem o resultado pronto. O resultado falha porque as pessoas mais próximas do trabalho não foram as que decidiram o que “o trabalho” é.
As três falhas compartilham uma característica estrutural. São atos de governança executados no estágio errado. Implantar sem definição de problema é entregar infraestrutura antes do aprendizado. Medir só eficiência é travar uma métrica antes que a métrica certa seja conhecida. Excluir especialistas de domínio é centralizar a decisão antes que o conhecimento descentralizado tenha sido coletado.
Cada uma é o mesmo instinto que torna um líder sênior excelente em rodar operações estáveis: escolher a ferramenta, definir a métrica, decidir centralmente. Cada uma, aplicada um estágio cedo demais, é destrutiva.
O Meta-Padrão: Sequenciamento
Coloque Mitchell e Bannerman lado a lado e a meta-afirmação fica inevitável. Os instintos profissionais que tornam pessoas seniores seniores, os mesmos instintos com que o resto da organização conta, viram um risco quando o trabalho ainda não estabilizou o suficiente para merecê-los.
Isto não é uma crítica à governança. Já escrevemos extensamente sobre por que governança está virando o fosso e por que organizações que entregam IA governada mais rápido vão engolir as que entregam IA não governada mais rápido. Esses argumentos seguem de pé. O que os ensaios desta semana afiam é que governança aplicada no ponto errado de sequenciamento não é governança fraca. É um modo de falha inteiramente diferente.
O framework que emerge tem dois estágios, e eles precisam ser honrados na ordem:
Estágio um é o ambiente limitado de aprendizado. Escopo pequeno. Usuários reais. Especialistas de domínio na sala. Sem métrica fixa ainda, porque o que medir é uma das coisas que está sendo aprendida. Sem ferramenta travada, porque os critérios de escolha de ferramenta também estão sendo aprendidos. O custo de errar é contido pelo escopo. Tempo de ciclo é a única variável protegida.
Estágio dois é o rigor de escala. Agora a métrica é conhecida. Agora o fluxo convergiu o suficiente para ser escrito. Agora o papel do especialista de domínio pode ser codificado na própria ferramenta, porque o time entende o que esse especialista contribuía no estágio um. Instintos de PM de estabilização, métricas de eficiência, decisões centrais de plataforma: tudo apropriado, tudo necessário, tudo correto.
O erro é rodar playbooks de estágio dois em trabalho de estágio um. Parece responsável. Tem cara de governança. É a maneira mais cara de falhar com IA, porque a falha é invisível. O time bate o plano. A métrica melhora. A trilha de auditoria fica limpa. A iniciativa não produz aprendizado real, adoção real, mudança real em como o trabalho é feito. Dois anos depois, a pergunta “o que ganhamos com isso?” não tem resposta que sobreviva ao escrutínio.
O Que Bannerman Está Realmente Dizendo Sobre Liderança
Há uma frase na entrevista do Designboom que merece ser destacada e fixada na parede. Perguntado sobre o que diferencia líderes que conduzem bem este estágio, Bannerman aponta “pensamento sistêmico, raciocínio moral e inteligência relacional” como as habilidades de maior diferenciação à medida que a IA absorve a camada de produção.
Não é a resposta para a qual a maioria dos programas de desenvolvimento de liderança está orientada. A maioria ainda seleciona por disciplina de execução, comando de métrica e gestão de stakeholders. Essas habilidades não deixam de importar. Deixam de ser o diferencial.
O líder que consegue manter uma iniciativa de estágio um em estágio um pelo tempo que ela precisa estar lá, contra a pressão das finanças, do resto do portfólio e do próprio desconforto com ambiguidade, é o líder que entrega resultado real no estágio dois. O líder que aplica rigor de estabilização a um problema de transformação porque é o que o instinto pede é aquele cujo programa de IA produz um dashboard limpo e nenhum valor.
Faça Isso Agora
A ação que este ensaio pede dos times de liderança é pequena e específica. Escolha as três maiores iniciativas de IA rodando hoje na sua organização. Para cada uma, responda duas perguntas, na ordem.
Primeira: em que estágio essa iniciativa está? A definição do problema é estável, a métrica está acordada, o comportamento do usuário está formado, o fluxo está especificado? Se sim, é uma iniciativa de estágio dois e rigor de estabilização é correto. Se não, é uma iniciativa de estágio um e o que precisa ser protegido é a velocidade de aprendizado.
Segunda: as pessoas que rodam a iniciativa estão operando com os instintos que o estágio exige? Um PM de estabilização rodando uma iniciativa de estágio um vai produzir um plano limpo e nenhum aprendizado. Um PM de transformação rodando uma iniciativa de estágio dois vai produzir retrabalho constante. O descasamento é a falha. Nomeie, ajuste a alocação e deixe os instintos certos rodarem o estágio certo.
As organizações que acertarem esse sequenciamento não serão as com os planos de IA mais ambiciosos. Serão aquelas cuja ambição foi calibrada ao estágio em que o trabalho de fato estava.
Fontes
- Amy Mitchell. “Why AI Initiatives Break Normal Product Manager Instincts.” Maio de 2026.
- Designboom. “Tey Bannerman: AI Strategy for Design Leaders.” Maio de 2026.
A Victorino apoia lideranças de produto, design e operações a sequenciar governança no ritmo da maturidade de IA, não o contrário: contato@victorino.com.br | www.victorino.com.br
Todos os artigos do The Thinking Wire são escritos com o auxílio do modelo LLM Opus da Anthropic. Cada publicação passa por pesquisa multi-agente para verificar fatos e identificar contradições, seguida de revisão e aprovação humana antes da publicação. Se você encontrar alguma informação imprecisa ou deseja entrar em contato com o editorial, escreva para editorial@victorino.com.br . Sobre o The Thinking Wire →
Se isso faz sentido, vamos conversar
Ajudamos empresas a implementar IA sem perder o controle.
Agendar uma Conversa