A inteligência artificial já passou da fase em que o principal problema das empresas era definir qual ferramenta aderir. Em 2026, a pergunta mais principal é: como transformar o uso crescente de IA em resultado de negócio mensurável sem degradar qualidade, governança ou capacidade técnica?
No Brasil, a adoção está avançando. A TIC Empresas 2025, do Cetic.br, encontrou uso de algum tipo de IA em 17% das empresas com dez ou mais pessoas ocupadas, contra 13% no ano anterior. Entre as grandes empresas, a taxa chegou a 50%.
O crescimento, porém, não significa que metade ou 17% das empresas já tenha transformado processos, produtos e modelos operacionais em torno de IA. O Cetic.br também observa que parte do avanço pode refletir a incorporação de recursos de IA a soluções digitais existentes e a processos administrativos, e não necessariamente uma mudança estrutural na forma de operar.
Essa diferença entre usar IA e operar de forma diferente por causa dela está no centro da conversa entre Leandro Oliveira, CEO da Vibbra, e Walmoli Gerber Jr., vice-presidente de Marketing da ACATE, no Vibbracast. A partir de seu contato com empresas de diferentes portes do ecossistema catarinense, Walmoli faz um diagnóstico direto: na percepção dele, a maioria ainda está “perdida”.
A conversa entre Leandro de Walmori sai do recorte de uma empresa para olhar o mercado como um todo, útil tanto para quem está no ecossistema catarinense quanto para quem observa de fora. Confira a conversa completa no vídeo abaixo:
O problema mudou: de acesso à capacidade de capturar valor
A principal barreira à próxima fase da adoção de IA é transformar a ferramenta em uma capacidade organizacional que tenha dono, processo, métrica e ligação com um resultado do negócio. Os dados brasileiros da FDC ajudam a explicar por quê.
Além das lacunas de governança e medição, 42,7% dos executivos ouvidos apontaram falta de conhecimento especializado como principal obstáculo; 74% não tinham práticas estruturadas de gestão de riscos e, em 55,8% das empresas pesquisadas, IA ainda não era prioridade nas agendas de desenvolvimento e capacitação de pessoas.
A dificuldade não é exclusivamente brasileira. No State of AI 2026 da McKinsey, 37% dos respondentes atribuíram algum impacto no EBIT da empresa ao uso de IA, praticamente sem avanço em relação ao levantamento anterior. Apenas cerca de 6% foram classificados como AI high performers, grupo definido pela consultoria a partir da combinação de impacto financeiro relevante e percepção de valor significativo.
O que diferencia esse pequeno grupo é especialmente útil para lideranças de tecnologia: segundo a pesquisa, as organizações de melhor desempenho não se limitam a inserir IA em workflows antigos. Elas são mais propensas a redesenhar fundamentalmente os fluxos de trabalho, perseguir crescimento e inovação além de eficiência e sustentar a adoção com maior compromisso da liderança e rigor operacional.
Isso ajuda a explicar por que uma POC tecnicamente bem-sucedida pode nunca produzir ROI relevante. É perfeitamente possível provar que um modelo gera uma resposta, que um agente conclui uma tarefa ou que um copiloto reduz o tempo de uma atividade e, ainda assim, não alterar o desempenho do sistema no qual aquela atividade está inserida.
Uma equipe pode escrever código mais rápido e continuar esperando dias por decisões de arquitetura. Pode produzir mais pull requests e criar uma fila de code review. Pode automatizar atendimento e aumentar retrabalho porque a base de conhecimento não está confiável. Pode reduzir horas numa atividade e não converter nenhuma dessas horas em capacidade adicional, redução de custo, receita, menor risco ou melhor experiência.
É por isso que o “laboratório de experimentação” defendido por Walmoli no episódio faz sentido, com uma condição: o laboratório precisa ter uma porta de saída. Experimentar não pode se transformar em destino permanente.
Uma forma de estruturar essa saída é trabalhar com quatro gates:
| Gate | Pergunta que precisa ser respondida | Evidência esperada |
|---|---|---|
| Problema | Qual resultado está ruim antes de colocar IA? | Baseline de tempo, custo, qualidade, risco, receita ou capacidade. |
| Experimento | A IA muda de forma consistente o comportamento dessa parte do processo? | Teste comparável, amostra suficiente e critérios de qualidade explícitos. |
| Workflow | O ganho local continua existindo quando a mudança entra no fluxo completo? | Efeito sobre filas, handoffs, revisão, retrabalho, segurança e downstream. |
| Escala | O benefício líquido justifica custo, risco e mudança organizacional? | Métrica operacional conectada a resultado econômico ou estratégico. |
Esse framework é uma síntese editorial das evidências e da conversa do Vibbracast.
A lógica vale também para ROI, com uma avaliação séria não considerando apenas o preço da licença e as horas aparentemente poupadas. O cálculo precisa incluir infraestrutura, inferência, integração, treinamento, revisão humana, segurança, governança, retrabalho e eventual queda temporária de produtividade durante a adoção.
Para engenharia, portanto, uma métrica como “horas de coding economizadas” é intermediária. O valor aparece quando essa capacidade se converte em algo relevante: mais features úteis chegando ao mercado, lead time menor, menos indisponibilidade, menos retrabalho, menor custo por resultado entregue ou capacidade de avançar no roadmap sem crescer a estrutura na mesma proporção.
Esse raciocínio está próximo do que Leandro descreve no episódio ao falar de Squads Cognitivos: em vez de colocar uma ferramenta isolada nas mãos do desenvolvedor, a discussão passa a ser como humanos e IA devem coexistir em um novo processo de desenvolvimento.
Pessoas, cultura e ecossistema definem a próxima fase
A adoção de IA muda funções e distribuição de trabalho, mas as evidências não sustentam uma narrativa única de substituição em massa nem uma promessa de preservação automática de empregos. Requalificação, realocação, novas contratações e reduções de quadro podem acontecer simultaneamente.
Esse é um dos pontos em que a conversa do Vibbracast é mais cuidadosa. Walmoli rejeita a ideia de que o objetivo de um programa de IA seja simplesmente descobrir como trocar cem pessoas por dez. Para ele, o papel do ecossistema é aumentar a competitividade para que as empresas transformem produtos, criem novas ofertas e continuem crescendo. Leandro complementa que, em diversas conversas, o objetivo encontrado é elevar a capacidade de entrega da estrutura existente e reduzir a necessidade daquela curva de contratação extremamente acelerada vista em outros momentos do mercado.
Essa é uma tese estratégica fortalecida pelo Future of Jobs Report 2025, do World Economic Forum, onde mostra justamente um cenário misto: 77% dos empregadores pesquisados pretendem investir em requalificação para responder à IA; 47% preveem mover trabalhadores afetados para outras funções; ao mesmo tempo, 41% esperam reduzir pessoas em funções à medida que capacidades de IA as automatizam.
O relatório também encontrou falta de habilidades como a maior barreira à transformação empresarial para 63% dos empregadores, enquanto a pesquisa complementar de executivos do WEF aponta falta de habilidades para adoção de IA e falta de visão gerencial entre os principais obstáculos.
Isso reforça um dos argumentos mais relevantes de Leandro no final do episódio: o gargalo tende a migrar da ferramenta para as pessoas.
Quando uma parte maior da execução pode ser delegada a agentes, alguns profissionais deixam de ser avaliados apenas pela capacidade de produzir artefatos e passam a precisar especificar melhor problemas, tomar decisões, validar outputs, decompor trabalho, identificar exceções e administrar múltiplas linhas de execução. Quanto mais produção automatizada entra no sistema, mais importante se torna distinguir rapidamente uma solução aceitável de uma solução apenas plausível.
Há também uma questão ainda sem resposta definitiva: como formar o próximo sênior quando parte das tarefas historicamente usadas para formar juniores passa a ser executada por IA? Walmoli levanta essa preocupação no episódio, e ela merece permanecer como pergunta aberta em vez de receber uma resposta artificialmente segura.
Para CTOs, CIOs e lideranças de produto, três movimentos da conversa do Vibbracast continuam particularmente úteis.
Sair da própria bolha operacional
Benchmarking não serve para copiar o stack do vizinho, mas para calibrar a percepção de maturidade. Uma organização pode acreditar que está muito avançada porque todos os desenvolvedores têm copilotos e descobrir, ao conversar com pares, que outras já redesenharam discovery, especificação, testes, revisão, documentação e operação em torno de agentes.
Buscar conhecimento capaz de ligar IA a processo e negócio
Isso pode vir de lideranças internas, universidades, comunidades, consultorias ou outros parceiros. O critério não deveria ser quem demonstra a ferramenta mais impressionante, mas quem consegue ligar problema, processo, risco, métrica e resultado.
Preparar as pessoas antes que a nova divisão de trabalho seja imposta informalmente pelo uso das ferramentas
Papéis, responsabilidade por outputs de agentes, critérios de revisão, competências, incentivos, políticas e desenvolvimento de carreira precisam fazer parte do desenho da operação.
Esse último ponto é especialmente importante porque a adoção informal tende a acontecer antes da transformação formal. Ferramentas ficam disponíveis, profissionais experimentam e ganhos individuais aparecem antes que a empresa tenha decidido como aquilo se conecta ao sistema. A ausência de desenho organizacional não impede a adoção; apenas faz com que ela aconteça de maneira menos governada.
A distinção entre adoção de ferramenta e transformação da operação
A primeira pode acontecer por iniciativa individual, em poucos dias. A segunda exige escolhas sobre arquitetura, processos, dados, responsabilidades, risco, desenvolvimento de pessoas e objetivos econômicos. A primeira pode produzir produtividade percebida. A segunda é o que cria condições para que essa produtividade mude o desempenho da empresa.
Esse é, em essência, o ponto de encontro entre as evidências externas e a experiência relatada no Vibbracast. A sensação de que as empresas ainda estão tentando encontrar o caminho não decorre da falta de ferramentas. Decorre do fato de que a tecnologia avançou mais rápido do que muitos modelos de gestão, desenvolvimento e medição.
Por isso, o conselho mais agressivo de Walmoli, de que o tradicionalismo no setor de tecnologia pode se tornar “eutanásia” empresarial, é menos interessante quando interpretado como uma defesa de adotar toda novidade e mais útil quando lido como alerta contra a inércia de aprendizado.
Não há obrigação de colocar IA em todos os processos ou produtos. Há, sim, uma diferença crescente entre concluir conscientemente que determinado caso de uso não gera valor e simplesmente continuar operando como antes porque a organização ainda não conseguiu testar a hipótese de forma competente.
A pergunta que uma liderança de tecnologia precisa conseguir responder, portanto, não é “nossa empresa usa IA?”.
É:
Em quais resultados do negócio a IA já alterou nossa capacidade, qual processo precisou mudar para isso acontecer e que evidência temos de que o benefício líquido é maior do que o custo e o risco introduzidos?
Quando a resposta ainda não existe, comprar mais licenças provavelmente não resolve o problema. O próximo passo é diagnosticar onde a operação realmente trava, estabelecer uma baseline, selecionar experimentos que possam mudar uma métrica relevante e redesenhar o fluxo para que humanos e IA trabalhem como partes do mesmo sistema.
Para empresas cuja principal frente de transformação está em engenharia e produto, é justamente aí que uma abordagem de consultoria estratégica pode fazer sentido: não como extensão de headcount, mas como apoio para identificar gargalos, reduzir risco antes de acelerar e estruturar uma operação humano + IA com métricas ligadas ao negócio. Esse é o posicionamento atual da Vibbra como consultoria estratégica de tecnologia.
> Fale com a Vibbra e acelere a tecnologia na velocidade que o seu negócio precisa.
A adoção de IA nas empresas brasileiras está avançando. A fase seguinte será sobre provar onde ela cria valor, quais mudanças organizacionais permitem capturá-lo e quais empresas conseguem aprender rápido o suficiente para transformar ganho local em vantagem sistêmica.
