Gestão De Projetos
25 de setembro de 2026
A IA acelera as respostas; quem assume as decisões?
Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados

Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou os resultados, quais informações sustentam as conclusões e quanto tempo será necessário para utilizá-las com segurança. Se a produção acelera e a avaliação permanece limitada, parte do trabalho apenas mudou de lugar.
Uma das questões mais importantes da adoção de IA é o que acontece quando a capacidade de produzir respostas cresce mais rapidamente do que a capacidade de verificá-las. Para os gestores, essa diferença pode aparecer em relatórios, projetos, previsões e recomendações. O documento fica pronto, mas a decisão ainda exige alguém capaz de responder por ele.
Um debate recente sobre as equações de Navier-Stokes ajuda a compreender essa situação. Em setembro, a OpenAI anunciou uma proposta de solução para um problema matemático relacionado às equações que descrevem o movimento dos fluidos. Segundo a empresa, aproximadamente 10 mil agentes de IA participaram do esforço que produziu a demonstração em 88 horas. O anúncio indicou uma capacidade relevante de pesquisa computacional, mas também gerou questionamentos sobre a origem das contribuições e o seu reconhecimento (OpenAI, 2026).
Para as organizações, o ponto mais útil desse episódio está na distância entre obter um resultado e transformá-lo em conhecimento confiável. Essa distância precisa entrar na avaliação da produtividade. Uma equipe pode produzir mais e, ainda assim, acumular conclusões que ninguém teve condições de examinar adequadamente. O ganho só se completa quando o resultado pode orientar uma decisão.
A produtividade precisa incluir a verificação
Na gestão, costuma ser mais fácil medir o tempo de execução do que a qualidade do julgamento. É possível registrar quantos relatórios foram entregues e quantas horas foram economizadas. Avaliar se a equipe identificou uma hipótese inadequada, evitou uma interpretação precipitada ou percebeu que faltavam dados exige acompanhamento mais cuidadoso. Com a IA, é importante dar mais visibilidade a esse segundo trabalho.
Pense em uma análise de demanda que recomende reduzir o estoque de determinado produto. O sistema pode organizar os dados e apresentar uma justificativa convincente. Antes de agir, porém, alguém precisa verificar se o histórico inclui uma ruptura de abastecimento: vendas baixas podem refletir falta de mercadoria, e não falta de clientes. A decisão depende de conhecer o negócio e examinar o significado dos números.
Esse exemplo mostra por que o responsável pela validação deve participar desde a definição da tarefa. Ele precisa saber o que será avaliado, quais dados estão disponíveis e que evidência justificaria aceitar a conclusão. Deixar essa responsabilidade para o final favorece uma revisão apressada, especialmente quando a apresentação já parece completa e o prazo foi consumido pela expectativa de entrega.
O esforço de verificação também deve acompanhar a consequência da decisão. Um rascunho de comunicação interna pode passar por uma revisão simples. Uma recomendação que altera um projeto de engenharia ou compromete recursos exige testes, documentação e avaliação especializada. Aplicar o mesmo procedimento a tudo desperdiça tempo em algumas situações e deixa outras insuficientemente examinadas.
Terence Tao oferece uma contribuição útil a essa discussão ao distinguir a produção das demonstrações de sua verificação, explicação e incorporação ao conhecimento coletivo. Seu argumento ajuda a perceber que acelerar uma etapa pode aumentar a demanda sobre as etapas seguintes (Tao, 2026). Nas empresas, essa reflexão recomenda avaliar o processo completo: tempo até a decisão, retrabalho, erros identificados e capacidade de explicar a conclusão.
É nesse sentido que se entende como necessária uma adoção exigente da IA. A ferramenta pode assumir tarefas extensas, explorar alternativas e ajudar a conferir resultados. Cabe à organização criar condições para aproveitar essa capacidade, incluindo tempo e pessoas para avaliar o que foi produzido. A verificação precisa estar prevista no projeto e no orçamento.
O conhecimento também está no caminho percorrido
O caso Navier-Stokes acrescenta outra dimensão. O matemático Tristan Buckmaster, que trabalhava em problemas relacionados com Levent Alpöge, relatou ter utilizado ferramentas de IA e inserido rascunhos no Codex. Ele questionou uma possível influência dessas interações sobre o resultado da OpenAI, embora tenha declarado não saber se seus dados haviam sido utilizados (Buckmaster, 2026).
A empresa respondeu que uma investigação interna excluíra a influência dos prompts de Buckmaster dos dois meses anteriores, inclusive pelo treinamento. Essa resposta deve acompanhar a apresentação da suspeita, preservando a diferença entre uma alegação e a conclusão divulgada pela organização envolvida (OpenAI, 2026).
Independentemente do desfecho dessa controvérsia, vejo uma questão prática para a gestão do conhecimento. Uma pesquisa ou um projeto contém valor antes da entrega final. Hipóteses, testes malsucedidos, critérios de escolha e soluções descartadas revelam o que a equipe aprendeu. Quando esse material passa por ferramentas externas, a organização precisa decidir quais informações podem ser utilizadas, em quais condições e como o percurso será registrado.
A autoria também deve acompanhar esse percurso. Em um projeto auxiliado por IA, alguém formula o problema, seleciona informações, estabelece restrições e interpreta resultados. Essas contribuições precisam permanecer visíveis. Registrar apenas quem solicitou a última resposta pode apagar parte importante do trabalho da equipe e dificultar a identificação de responsabilidades.
Considere um sistema desenvolvido com apoio de IA que funciona durante a apresentação, mas apresenta falhas depois da implantação. Para corrigi-lo, a equipe precisa conhecer as decisões de projeto, as condições dos testes e os limites conhecidos. Um histórico de instruções pode ajudar, mas precisa ser acompanhado de documentação que permita a outro profissional compreender e continuar o trabalho.
Por isso, uma entrega deve incluir a explicação necessária à sua continuidade. Essa prática protege o investimento da organização e reduz a dependência de uma pessoa ou ferramenta. A economia de tempo na execução perde parte de seu valor se a manutenção exigir reconstruir tudo o que foi feito.
Formar pessoas para assumir responsabilidade
Como professor de Engenharia de Computação, considero especialmente importante a relação entre resultado e aprendizagem. Uma atividade pode estar concluída sem que quem a entregou consiga explicar as escolhas realizadas. A formação precisa criar oportunidades para identificar essa diferença, porque o profissional será chamado a decidir diante de situações que não estavam previstas no exercício.
Isso exige rever o que se pede e o que se avalia. Além de apresentar uma solução, o estudante pode ser solicitado a justificar suas hipóteses, comparar alternativas e explicar em que condições mudaria de decisão. O uso de IA pode integrar esse processo, desde que sua participação seja explícita e o trabalho permita avaliar o raciocínio desenvolvido.
Nas empresas, a mesma preocupação deve orientar a formação de profissionais iniciantes. Se todas as tarefas de análise forem delegadas à ferramenta, será necessário preservar outras oportunidades para aprender a reconhecer problemas. A capacidade de revisão depende de conhecimento técnico e contato com as consequências das escolhas. Não basta nomear um revisor sem oferecer condições para que ele desenvolva esse julgamento.
Para universidades e empresas brasileiras, há espaço para cooperação em projetos que combinem uso de IA e validação em situações reais. Trabalhar com um problema delimitado, definir previamente os critérios de sucesso e comparar os resultados com dados observados pode produzir ganhos mais úteis do que adotar ferramentas apenas pela repercussão de seus anúncios. Também permite discutir confidencialidade, crédito e responsabilidade antes que surjam conflitos.
O potencial da tecnologia é significativo, e aproveitá-lo exige mudanças na organização do trabalho. Profissionais capazes de formular boas perguntas, reconhecer limites e explicar decisões terão papel central nesse processo. Sua contribuição precisa ser valorizada mesmo quando se manifesta como uma conclusão menos otimista, uma revisão de prazo ou a decisão de realizar mais um teste.
O caso Navier-Stokes ajuda a colocar essa escolha em perspectiva. A capacidade de produzir resultados está avançando, e as instituições precisam desenvolver formas de incorporá-los com confiança. Para um gestor, uma pergunta deveria acompanhar toda promessa de aceleração: quem tem condições de explicar e assumir a decisão que virá depois? A resposta indica quanto da tecnologia contratada está se transformando em capacidade da organização.
| Para ter acesso às referências desse texto clique aqui |
Quem publicou esta coluna
Maurício Acconcia Dias










