Você Pode Adotar IA no Indivíduo e Ainda Assim a Empresa Não Aprender.

Em uma semana, três autores escrevendo de pontos de vista diferentes descreveram o mesmo problema dentro de empresas que parecem estar ganhando na IA.

Robert Glaser, no blog pessoal, tratou como problema de aprendizagem. A Wildfire Labs tratou como problema de liderança. A newsletter TLDR Founders tratou como problema de sequência. O diagnóstico por baixo é o mesmo. Indivíduos estão ficando mais rápidos, mais inteligentes e mais capazes com IA. As empresas onde eles trabalham, não.

Os dashboards dizem outra coisa. O consumo de tokens sobe. Licenças se expandem. Líderes que respondem sobre maturidade em IA apontam para taxas de adoção que pareciam impossíveis dezoito meses atrás. E então, em outra parte da mesma conversa, esses mesmos líderes admitem que os números de segunda ordem não se moveram. O ciclo não ficou mais curto. A qualidade das decisões não melhorou. O trabalho que chega ao cliente está mais ou menos onde estava no ano passado.

É nessa fratura que os três ensaios convergem, por ângulos distintos.

Glaser: Medindo a Coisa Errada

O texto de Glaser, “When Everyone Has AI and the Company Still Learns Nothing”, monta um argumento preciso. A maior parte dos dashboards de IA hoje em uso mede consumo. Tokens gastos. Prompts rodados. Usuários ativos. Nenhuma dessas métricas diz se a organização ficou mais inteligente.

A proposta dele é trocar telemetria de consumo por métricas de qualidade de decisão. O time decidiu mais rápido? Decidiu com base mais sólida? Tomou uma decisão reversível quando deveria ser reversível? O uso individual de IA produziu um documento, um runbook, um checklist, uma calibragem que outra pessoa consegue pegar na semana seguinte?

Não é preciosismo. O formato do que você mede determina o formato do que você constrói. Uma empresa que mede uso de tokens constrói capacidade individual mais pesada. Uma empresa que mede qualidade de decisão constrói capacidade compartilhada, porque decisões são artefatos organizacionais mesmo quando o indivíduo é quem decide.

A razão pela qual a maioria das empresas ainda não fez essa virada é a mesma pela qual elas compraram as licenças. Contar licenças é fácil de procurar, fácil de mostrar num board, fácil de declarar como vitória. Qualidade de decisão exige honestidade sobre as decisões que você vinha tomando e as que vinha evitando.

TLDR Founders: Dois Caminhos que Parecem Iguais por Muito Tempo

O texto da TLDR Founders, “The Long Becoming”, recorre a uma analogia que a maioria dos operadores reconhece: cloud-native versus cloud-enabled.

Por quase uma década, os dois pareciam indistinguíveis por fora. Ambas as empresas tinham fatura da AWS. Ambas diziam “rodamos na nuvem”. A diferença era estrutural e só aparecia quando escala ou pressão chegavam. Empresas cloud-native tinham reorganizado engenharia, deploy, observabilidade e disciplina de custo em torno do substrato. Empresas cloud-enabled tinham movido seus padrões antigos para uma máquina alugada.

A mesma divergência começa agora com IA, argumenta o texto, e o caminho é sequencial. Adoção é o primeiro gargalo. Sem ela, nada mais ativa. Mas quando adoção deixa de ser o limite, o próximo gargalo não é “mais adoção”. É se aquilo que indivíduos descobriram na semana passada vira workflow nesta semana. Depois disso, se aquele workflow vira uma capacidade que a empresa consegue contratar, auditar e melhorar.

Empresas AI-native e AI-enabled parecem iguais por muito tempo. Todas têm licença de ChatGPT, assento no Cursor, rollout de Copilot, bot interno no Slack. A divergência aparece mais tarde, e quando aparece, a distância é estrutural e cara de fechar.

Wildfire Labs: Isso é Problema de Liderança

A Wildfire Labs é a mais direta das três. O post se chama “Your Team Isn’t Using AI. Here’s Why That’s Your Fault”.

O argumento se reduz a uma frase: nenhuma quantidade de estratégia conserta falta de experiência. Times que não estão usando IA não falham por falta de roadmap. Falham porque não viveram dentro das ferramentas tempo suficiente para saber o que as ferramentas conseguem e o que não conseguem. Estratégia sem exposição é teatro.

A recomendação é concreta e desconfortável. Dê ao time projetos com prazos apertados que forcem a IA para dentro do caminho de execução. Não opcional, não exploratório, não “fique à vontade para experimentar”. Uma entrega real, um relógio real, e a expectativa explícita de que IA faz parte de como o trabalho é feito. Depois, faça um debrief público sobre o que funcionou, o que não funcionou, e em que o time agora acredita que não acreditava no mês passado.

Essa é a postura de liderança que está faltando na maioria dos rollouts de IA. As empresas compraram as ferramentas, mandaram o anúncio, e esperaram que a organização se virasse. A organização não se virou, porque ninguém estava na linha de fogo para se virar.

Onde as Três Histórias se Encontram

Glaser, TLDR Founders e Wildfire Labs descrevem a mesma engrenagem por três lados.

Glaser diz que a medição está errada: você não consegue gerir o que não enxerga, e a maioria dos líderes está olhando o medidor errado. A TLDR Founders diz que a sequência está errada: adoção é um marco, não um destino, e o próximo gargalo tem outra forma. A Wildfire Labs diz que a responsabilidade está errada: experiência não chega sozinha, líderes precisam colocar seus times em situações em que a exposição à IA é forçada e não opcional.

Três vozes independentes, sem coordenação, mesma semana. Quando isso acontece, a superfície se moveu por baixo da conversa e a maioria dos operadores ainda não percebeu.

A Métrica de Captura

Esta é a pergunta de diagnóstico que passamos a usar em revisões com CEOs. É curta e desconfortável, o que é exatamente por que ela funciona.

Qual porcentagem das descobertas informais de IA dos últimos 30 dias já está codificada como workflow, playbook ou prompt compartilhado que qualquer recém-contratado conseguiria pegar e rodar?

Se a resposta é alta (por volta de 30% ou mais), experiência individual está virando memória organizacional. A empresa está compondo. Adoção se traduziu em capacidade. Os dashboards provavelmente também parecem razoáveis, mas deixaram de ser o indicador principal.

Se a resposta é perto de zero (e para a maioria das empresas é, mesmo as com utilização altíssima de licenças), então os indivíduos estão melhorando e a empresa não está aprendendo nada. Cada pessoa que sai leva embora a fluência em IA dela. Cada pessoa que entra começa do zero. A empresa está pagando por adoção e recebendo produtividade pessoal, que não é o mesmo produto.

Chamamos isso de métrica de captura. Ela fica ao lado da adoção, não no lugar dela. Adoção diz se as pessoas estão usando as ferramentas. Captura diz se a organização está aprendendo com esse uso.

Alguns padrões que aparecem nas empresas que pontuam bem em captura:

Um ritual semanal ou quinzenal em que alguém apresenta um workflow de IA que inventou, e o time decide se adota, adapta ou arquiva. Com tempo limitado. Com dono nomeado. A saída é um artefato documentado, não uma sensação.

Um lugar definido para os workflows derivados de IA. Uma pasta, um espaço no Notion, uma biblioteca de prompts, um registro de skills. Algo que sobrevive à rotatividade. Algo que o novo contratado encontra no primeiro dia.

Um líder que viveu pessoalmente dentro das ferramentas recentemente o suficiente para saber qual é a aparência do bom uso. Esse é o ponto da Wildfire Labs. Não dá para liderar o ritual de captura sem ter feito a descoberta no próprio teclado.

Uma cadência de medição que inclui artefatos de qualidade de decisão, não apenas métricas de consumo. Esse é o ponto do Glaser. Se a sua revisão mensal inclui “tokens gastos” mas não inclui “decisões melhoradas”, você está olhando para o número errado.

Faça Isso Agora

Se você lidera uma empresa ou uma área e está lendo isto com a suspeita de estar no meio silencioso, faça uma coisa nesta semana antes de qualquer outra.

Peça aos seus três usuários individuais mais fortes em IA que dediquem noventa minutos para documentar os três workflows que eles rodam hoje e que ninguém mais na empresa sabe rodar. Eles escrevem o prompt, os insumos, os modos de falha, e a calibragem. Depois marque um slot na agenda da semana seguinte para decidir qual desses workflows vira playbook compartilhado, qual é adotado por outro time neste mês, e qual é arquivado porque não generaliza.

Esse exercício, repetido mensalmente, é o loop de captura inteiro. Não é uma compra de ferramenta. Não é um offsite de estratégia. São noventa minutos somados a uma decisão, e é a diferença entre uma empresa que está adotando IA e uma empresa que está aprendendo com ela.

Os três ensaios desta semana não foram coordenados. Eles convergem no mesmo ponto porque a superfície está se movendo e os dashboards não acompanharam. As empresas que vão parecer duráveis daqui a dezoito meses são as que, neste mês, pararam de perguntar “qual é a nossa taxa de adoção” e começaram a perguntar “o que nós capturamos”.

Fontes

Robert Glaser. “When Everyone Has AI and the Company Still Learns Nothing.” Maio de 2026.
TLDR Founders. “The Long Becoming.” Maio de 2026.
Wildfire Labs. “Your Team Isn’t Using AI. Here’s Why That’s Your Fault.” Maio de 2026.

A Victorino ajuda CEOs a substituir dashboards de adoção por métricas de captura que transformam uso individual em capacidade organizacional composta: contato@victorino.com.br | www.victorino.com.br