{"id":7677,"date":"2026-10-26T15:44:37","date_gmt":"2026-10-26T18:44:37","guid":{"rendered":"https:\/\/www.cesar.org.br\/painel\/?post_type=insight&p=7677"},"modified":"2026-10-26T15:44:37","modified_gmt":"2026-10-26T18:44:37","slug":"colaboracao-humano-ia","status":"publish","type":"insight","link":"https:\/\/www.cesar.org.br\/painel\/insight\/colaboracao-humano-ia\/","title":{"rendered":"Colabora\u00e7\u00e3o humano-IA: compet\u00eancias para ado\u00e7\u00e3o da IA"},"content":{"rendered":"

Muitas empresas adotam ferramentas de Intelig\u00eancia Artificial (IA) esperando ganhos imediatos de efici\u00eancia. No entanto, o acesso \u00e0 tecnologia n\u00e3o garante uso qualificado nem resultados consistentes. O verdadeiro desafio tamb\u00e9m envolve pessoas: \u00e9 preciso desenvolver habilidades para formular problemas, interpretar respostas e tomar decis\u00f5es embasadas em dados.<\/p>\n

A ado\u00e7\u00e3o respons\u00e1vel de IA exige compet\u00eancias anal\u00edticas que ainda precisam ser desenvolvidas em muitas equipes. Continue a leitura para entender como estruturar o letramento em dados, reconfigurar a comunica\u00e7\u00e3o e preparar seus profissionais para colaborar com sistemas inteligentes na opera\u00e7\u00e3o di\u00e1ria.<\/p>\n

Ado\u00e7\u00e3o de IA: por que o acesso aos modelos n\u00e3o garante produtividade<\/h2>\n

Modelos generalistas e ferramentas de IA generativa tornaram-se mais acess\u00edveis a organiza\u00e7\u00f5es de diferentes portes e setores. No entanto, embora muitas plataformas de IA estejam amplamente dispon\u00edveis, a vantagem competitiva depende de como cada empresa as integra aos seus dados<\/strong>, processos e decis\u00f5es. Licenciar um software avan\u00e7ado \u00e9 apenas o primeiro passo.<\/p>\n

Na pr\u00e1tica, o uso acr\u00edtico da IA gera inefici\u00eancia, retrabalho e d\u00favidas sobre responsabilidades. Quando as equipes n\u00e3o compreendem os limites e os riscos de uso da tecnologia, a solu\u00e7\u00e3o tende agerar an\u00e1lises gen\u00e9ricas.<\/p>\n

Segundo a Organiza\u00e7\u00e3o para a Coopera\u00e7\u00e3o e Desenvolvimento Econ\u00f4mico (OCDE)<\/a>, a ado\u00e7\u00e3o e o uso de IA no ambiente de trabalho exigem conhecimentos elementares sobre a tecnologia, compet\u00eancias digitais b\u00e1sicas, al\u00e9m de habilidades cognitivas e transversais. Para a maioria dos profissionais que utilizam aplica\u00e7\u00f5es de IA, n\u00e3o \u00e9 necess\u00e1rio dominar o desenvolvimento de modelos complexos, mas compreender como interagir com os sistemas, interpretar seus resultados e avaliar criticamente suas recomenda\u00e7\u00f5es.<\/p><\/blockquote>\n

\u00c9 nesse contexto que a requalifica\u00e7\u00e3o cont\u00ednua das equipes se torna uma prioridade executiva. Como detalhamos em nosso artigo sobre reskilling e upskilling: habilidades para o futuro com IA<\/a>, fechar a lacuna de compet\u00eancias exige preparar profissionais capazes de usar IA para resolver problemas do neg\u00f3cio<\/strong>, usando a tecnologia para ampliar a an\u00e1lise e a produtividade, sem substituir o julgamento humano nas decis\u00f5es que exigem contexto, crit\u00e9rios e avalia\u00e7\u00e3o de riscos.<\/p>\n

Letramento em dados e IA: o novo requisito para n\u00e3o especialistas<\/h2>\n

O letramento em dados \u00e9 uma base essencial da capacita\u00e7\u00e3o em IA para profissionais n\u00e3o t\u00e9cnicos. Essa compet\u00eancia vai muito al\u00e9m de operar um painel ou escrever comandos em um chat. Letramento em dados significa entender a origem, a qualidade, as limita\u00e7\u00f5es e a finalidade dos dados usados em an\u00e1lises e decis\u00f5es, conseguir reconhecer vieses ou desatualiza\u00e7\u00f5es, diferenciar correla\u00e7\u00e3o de causalidade e identificar situa\u00e7\u00f5es em que a tecnologia n\u00e3o deve ser a \u00fanica base para uma decis\u00e3o.<\/p>\n

O fundamento desse letramento \u00e9 a formula\u00e7\u00e3o de problemas. Ela envolve definir o objetivo, organizar o contexto<\/strong>, as restri\u00e7\u00f5es e os crit\u00e9rios de sucesso <\/strong>antes de solicitar qualquer apoio \u00e0 m\u00e1quina. O prompting (a estrutura\u00e7\u00e3o do comando) \u00e9 apenas uma parte dessa compet\u00eancia: ele ajuda a comunicar essas informa\u00e7\u00f5es ao sistema com clareza, mas n\u00e3o substitui a estrat\u00e9gia por tr\u00e1s da pergunta.<\/p>\n

Uma formula\u00e7\u00e3o clara e detalhada do prompt melhora as respostas, mas a qualidade do resultado tamb\u00e9m depende dos dados utilizados, das ferramentas conectadas e da valida\u00e7\u00e3o humana<\/strong>.<\/p>\n

No caso da IA, esse letramento tamb\u00e9m envolve compreender o que a ferramenta pode e n\u00e3o pode fazer, reconhecer quando uma resposta precisa de verifica\u00e7\u00e3o e avaliar se seu uso \u00e9 adequado ao risco da tarefa. Em modelos generativos de linguagem, as respostas s\u00e3o produzidas a partir de padr\u00f5es aprendidos e probabilidades estat\u00edsticas.<\/p>\n

Por isso, uma sa\u00edda plaus\u00edvel n\u00e3o deve ser confundida automaticamente com informa\u00e7\u00e3o correta, atualizada ou adequada \u00e0 realidade da empresa. A valida\u00e7\u00e3o cr\u00edtica ajuda a verificar se a resposta \u00e9 consistente, pertinente e \u00fatil antes de ela orientar uma decis\u00e3o.<\/p>\n

Comunica\u00e7\u00e3o e o novo papel do julgamento humano<\/h2>\n

A colabora\u00e7\u00e3o com algoritmos tamb\u00e9m transforma a din\u00e2mica e a comunica\u00e7\u00e3o interna das equipes. Quando a IA participa de fluxos de trabalho relevantes, pode ser necess\u00e1rio registrar qual problema foi submetido ao sistema, quais dados ou documentos serviram de base, quais premissas orientaram a an\u00e1lise e quem aprovou a decis\u00e3o final.<\/p>\n

Essa rastreabilidade reduz ru\u00eddos entre \u00e1reas, facilita revis\u00f5es e deixa evidente quando uma recomenda\u00e7\u00e3o autom\u00e1tica foi aceita, ajustada ou rejeitada por um especialista.<\/p>\n

Em atividades apoiadas por IA, o profissional pode dedicar menos tempo a tarefas repetitivas e mais tempo \u00e0 formula\u00e7\u00e3o de problemas, interpreta\u00e7\u00e3o de resultados, valida\u00e7\u00e3o de informa\u00e7\u00f5es e tomada de decis\u00e3o. Modelos generativos podem produzir respostas fluentes e aparentemente confiantes<\/strong>, mesmo quando incorretas.<\/p>\n

O NIST <\/a>descreve esse risco como confabula\u00e7\u00e3o: conte\u00fado falso ou equivocado apresentado de forma convincente. Por isso, as informa\u00e7\u00f5es geradas por IA devem ser verificadas antes de serem usadas em relat\u00f3rios, comunica\u00e7\u00f5es externas ou decis\u00f5es de maior impacto, especialmente em contextos financeiros, regulados ou sens\u00edveis.<\/p><\/blockquote>\n

\"\"Delegar tarefas \u00e0 IA exige regras claras e acompanhamento cont\u00ednuo. \u00c9 papel dos executivos definir em quais tarefas a IA pode atuar com automa\u00e7\u00e3o supervisionada, quais exigem revis\u00e3o humana e quais decis\u00f5es n\u00e3o devem ser delegadas ao sistema. Esse equil\u00edbrio \u00e9 explorado no whitepaper Lideran\u00e7a e IA<\/a>, que orienta decisores sobre como guiar a transi\u00e7\u00e3o tecnol\u00f3gica com responsabilidade, governan\u00e7a e vis\u00e3o de longo prazo.<\/p>\n

Como desenvolver compet\u00eancias por meio de projetos pr\u00e1ticos?<\/h2>\n

O letramento digital e o fortalecimento do pensamento cr\u00edtico n\u00e3o se constroem apenas com treinamentos te\u00f3ricos. Eles exigem imers\u00e3o e a resolu\u00e7\u00e3o de problemas e decis\u00f5es reais do trabalho<\/strong>.<\/p>\n

A aprendizagem corporativa tende a ganhar relev\u00e2ncia quando as equipes aplicam conceitos diretamente em suas rotinas, criando um ciclo de aplica\u00e7\u00e3o, teste, aprendizado e melhoria cont\u00ednua que pode ser acompanhado por indicadores definidos pela organiza\u00e7\u00e3o.<\/p>\n

Um exemplo s\u00f3lido dessa abordagem educacional \u00e9 o case do Banco do Brasil na forma\u00e7\u00e3o de equipes por meio da educa\u00e7\u00e3o corporativa<\/a>. Embora a jornada tenha tido como foco a an\u00e1lise de neg\u00f3cios baseada em dados, o projeto ilustra um piindispens\u00e1vel para a ado\u00e7\u00e3o respons\u00e1vel de IA: a forma\u00e7\u00e3o de profissionais capazes de interpretar evid\u00eancias, contextualizar informa\u00e7\u00f5es e aplicar dados com seguran\u00e7a.<\/p>\n

A Jornada de Forma\u00e7\u00e3o em An\u00e1lise de Neg\u00f3cios baseada em Dados envolveu 35 colaboradores e foi estruturada a partir dos seguintes elementos:<\/p>\n