Da burocracia à arquitetura da inteligência
Por que a IA pede um novo modelo para se pensar as organizações para que elas sejam, de fato, transformadas
A maior parte dos modelos que ainda usamos para explicar as organizações foi construída para uma condição operacional diferente da atual.
A pirâmide estratégico-tático-operacional continua útil. A cadeia de valor de Porter continua útil. Mapas de processo, modelos de capacidades e estruturas formais de governança também continuam úteis.
Nenhum desses frameworks se tornou irrelevante porque a IA chegou. Mas nenhum deles foi concebido para explicar, com precisão, o que acontece quando máquinas começam a influenciar a forma como o trabalho é interpretado, preparado, coordenado e executado dentro da firma.
Esse é o problema que vale a pena nomear.
Durante décadas, a grande questão organizacional foi como dividir o trabalho, controlar variações, coordenar expertises e escalar eficiência. A IA não elimina essas perguntas. Ela muda o terreno em que elas passam a ser feitas.
Quando sistemas começam a capturar e organizar informação, revelar padrões, preparar alternativas e, em certos casos, agir dentro de permissões delimitadas, a empresa já não está lidando apenas com adoção de tecnologia. Está lidando com uma mudança em sua arquitetura cognitiva e operacional.
É por isso que os discursos em torno de ferramentas e as linguagens da moda em torno da IA costumam soar tão insuficientes. Em geral, eles erram por excesso de ‘magia’ ou por excesso de simplificação.
Em uma versão, a IA é descrita como se fosse um executivo sintético prestes a substituir o julgamento humano. Na outra, ela é reduzida a ferramenta de produtividade, como se tudo que estivesse em jogo fosse velocidade. As duas leituras deixam escapar o que realmente importa.
O efeito mais consequente da IA sobre a firma não é que ela “pensa”. É que ela reorganiza o movimento da informação. Permite que a informação seja capturada, limpa, recuperada, correlacionada, traduzida, simulada e, em alguns casos, operacionalizada com uma escala e uma fluidez que as formas organizacionais anteriores não foram desenhadas para absorver.
O que muda, portanto, não é apenas o kit de ferramentas. O que muda é a arquitetura por meio da qual a firma percebe, interpreta, decide e age.
Para enxergar essa transformação com mais nitidez, considero útil ler a organização em camadas – não como uma hierarquia rígida, mas como um sistema complexo e interdependente.
Na era da IA, o que importa já não é apenas quem decide no topo e quem executa na base. O que importa é como realidade física, dados, contexto, análise, julgamento, ação e governança se distribuem e se conectam em algo coerente.
E foi por isso que desenhei um modelo reflexivo a partir de camadas informacionais da organização:
1. A camada física
A primeira camada é justamente aquela que muitas narrativas digitais tentam pular: a camada física.
Antes dos dados, existem pessoas e infraestrutura. Antes da virtualização, existe um mundo que resiste à abstração. Isso não deveria ser controverso, mas, quando se fala de IA, costuma ser esquecido com facilidade.
Empresas não começam em softwares. Elas começam em corpos, mentes, ativos, ambientes, restrições e arranjos materiais que tornam a coordenação possível.
As pessoas estão no centro dessa camada não como órgão sentimental, mas como origem de sinal e de sentido. São elas que percebem, interpretam, demandam, improvisam, absorvem consequências e atribuem significado ao que depois será formalizado como informação.
A infraestrutura importa por uma razão pouco glamourosa e absolutamente decisiva: mesmo a organização mais digital depende de condições físicas que tornam o trabalho estável o suficiente para ser coordenado – dispositivos, redes, escritórios, plantas, sensores, capacidade computacional e os ambientes construídos que sustentam a operação.
Essa camada importa porque mantém a firma ancorada no mundo real. Clientes existem em algum lugar. Trabalhadores existem em algum lugar. Máquinas existem em algum lugar. Também existem limites de tempo, fricções, dependências e custos de falha.
A IA pode modelar, recomendar e automatizar, mas continua dependente tanto de uma camada que pode interromper seu uso por resistência ou falta de recursos, quanto como instância superior necessária para sua liberdade de ação.
Leia mais: Mil vozes dentro da Amazon pedem freios e contrapesos para a IA
Ela também importa porque nos lembra de algo que a euforia digital gosta de esconder: inteligência não flutua livremente pelo mundo. Ela está sempre alojada, financiada, energizada, mantida e protegida em algum lugar.
Mesmo a estratégia de IA mais elegante continua dependendo de condições materiais e precisa tanto de estratégia e visão de longo prazo quanto de freios.
2. A camada de dados
Se a camada física dá à firma seu ponto de ancoragem com o mundo real, a camada de dados lhe dá seu substrato informacional.
Toda organização opera sobre dados, ainda que não use esse nome, ou que não os tenha de forma estruturada. Históricos transacionais, interações com clientes, comunicações internas, documentos, sinais de mercado, logs operacionais, indicadores de desempenho – tudo isso compõe a base informacional a partir da qual o trabalho é organizado.
O que mudou nos últimos anos não foi a existência dos dados, mas a viabilidade de integrá-los, enriquecê-los, recuperá-los e recombiná-los com um nível de granularidade que antes era impraticável.
É aqui que muitas ambições em torno da IA encontram sua primeira humilhação. Sem qualidade, semântica, controles de acesso, metadados e algum grau mínimo de coerência arquitetural, projetos de IA tendem a fracassar de maneiras constrangedoramente familiares. Não porque os modelos sejam fracos, mas porque a base é.
O problema geralmente não é falta de inteligência nos modelos de IA utilizados, mas sim, fragmentação, inconsistência, ausência de contexto e baixa confiança naquilo que a própria organização capturou.
“Garbage in, garbage out” está, enfim, deixando de ser clichê técnico e gerando impactos econômicos reais. Em sistemas generativos e agênticos, dado ruim não produz apenas análise ruim. Pode produzir recomendação errada, automação ruim e falhas importantes muito bem escritas e em escala.
Leia mais: Regra nº 1 para empresas que querem adotar agentes de IA: preparar a casa
É por isso que a camada de dados não diz respeito apenas a volume. Estou falando aqui de significado e confiabilidade. Empresas que queiram pensar seriamente sobre IA deveriam gastar mais energia perguntando se sua informação merece confiança entre funções, processos e ao longo do tempo.
Isso tem um custo e as lideranças precisam aprender a decidir sobre ele: nessa camada, estamos falando de metadados, semântica e até ontologia, coisas que a maioria dos gestores ainda desconhecem.
3. A camada de contexto organizacional
Se os dados dizem à firma o que foi registrado, o contexto diz o que, afinal, isso deveria significar.
Essa é a camada em que as conversas contemporâneas sobre IA se tornam mais interessantes – e também mais novas e, portanto, carentes de maiores aprofundamentos.
Organizações não passam subitamente a “ter contexto” porque implementaram um modelo de linguagem. O que elas podem começar a fazer, se amadurecem, é codificar uma parcela maior de seu contexto operacional. E isso é uma inovação no campo da gestão organizacional.
É que parte do contexto é explícita e estruturável: políticas, históricos de decisão, taxonomias, fluxos, critérios de priorização, limites de risco, permissões, linguagem institucional, memória de processo. Tudo isso pode ser disponibilizado, recuperado e operacionalizado com sofisticação crescente.
Mas há outra parte do contexto que é tácita e obstinadamente resistente à codificação: julgamento político, leitura de situação, senso de timing, experiência acumulada, interpretação de exceções e a capacidade de navegar entre objetivos ambíguos sem fingir que eles cabem numa árvore lógica impecável.
Ainda que ambas as partes sempre tenham existido, encontravam desafios de ordenação e sistematização. E a IA muda algo importante aqui. Ela torna uma parcela maior do contexto explícito disponível no ponto de partida do trabalho: a memória documental pode ser consultada em tempo real, casos históricos podem ser recuperados com velocidade, a linguagem pode ser padronizada e regras podem ser aplicadas com mais consistência.
Isso é poderoso para que o conhecimento disperso possa ser reencontrado antes de desaparecer em silos locais ou na amnésia gerencial.
Leia mais: Como evitar a perda de conhecimento valioso quando funcionários vão embora
Talvez isso não soe revolucionário e, muito menos, cinematográfico. Mas se as empresas aprenderem a tratar bem o contexto, elas reduzem atrito cognitivo. Pessoas gastam menos tempo procurando, reconciliando e refazendo. Desperdiçam menos energia desatando ambiguidades que deveriam ter sido estruturadas antes. Chegam à ação com melhor preparo de julgamento.
Isso requer um nível de reflexão profundo sobre a complexidade organizacional e me parece bastante possível que seja uma das competências gerenciais mais importantes da próxima década (gestão de dados é uma coisa, gestão de contexto será outra e ainda precisa ser compreendida).
4. A camada de análise
Se o contexto oferece a base interpretativa, a camada seguinte é aquela em que a IA se torna visivelmente poderosa: análise (e inferência). É nesse nível que modelos preditivos, LLMs e sistemas híbridos começam a ampliar a capacidade da organização de resumir, classificar, comparar, simular e recomendar. É também nesse nível que a imprecisão conceitual se torna perigosa.
Existe diferença entre cálculo e interpretação ou entre previsão e julgamento. Um modelo de IA pode escrever com elegância e ainda assim estar errado. Pode revelar padrões sem entender causalidade ou processar mil documentos em minutos e ainda falhar ao distinguir exceção de regra ou sinal de ruído.
O efeito mais consequente da IA sobre a firma é que ela reorganiza o movimento da informação.
Esse aumento da velocidade não eleva a necessidade de validação fortemente e traz oportunidades para pessoas desenvolverem novas competências.
Mas o ponto mais profundo e transformador aqui não está na falsa perfeição da IA, e sim no fato de que a capacidade analítica está se tornando mais barata, mais distribuída e menos exclusiva.
Times de linha de frente, especialistas e executivos agora acessam formas de inferência que antes estavam concentradas em áreas especializadas ou exigiam tempo proibitivo. Isso altera produtividade e a estrutura interna da expertise.
5. A camada de decisão
O que se decide molda o que se faz; o que se pode fazer molda o que vale a pena decidir.
As organizações automatizam decisões há décadas: aprovações, roteamento, precificação, priorização, alocação de recursos. A IA não inventa a decisão automatizada, mas expande o alcance das decisões que podem ser delegadas, especialmente em domínios menos estruturados e mais densos em informação.
Por isso, a verdadeira pergunta gerencial não é se a IA vai “tomar decisões”. As perguntas relevantes são: quais decisões, sob quais condições, com qual tolerância a erro, sob qual supervisão e com qual mecanismo de reversão?
Existe toda uma engenharia decisória a ser construída e ela vai muito além de uma definição de alçadas em um processo de compras (e há empresas que possuem dificuldade até para isso).
Em situações rotineiras, de baixo risco e governadas por regras explícitas, a automação pode ser inteiramente sensata. Em decisões ambíguas, estratégicas, reputacionais, regulatórias ou com alto impacto humano, delegar sem desenhar supervisão vira uma omissão e irresponsabilidade com roupagem de eficiência.
6. A camada de execução
Uma empresa existe porque transaciona bens e serviços. Isso significa que, em algum momento, algo que tenha valor de mercado precisa, de fato, ser feito.
Produtos precisam ser construídos e serviços entregues, pedidos precisam ser processados, clientes precisam ser respondidos, fornecedores precisam ser acionados e sistemas precisam ser atualizados. O trabalho precisa sair da intenção e entrar na consequência.
Esse é o ponto em que a vida organizacional deixa de ser apenas virtual, interpretativa e se torna operacional, geradora ou destruidora de valor ao mercado.
Quando a máquina deixa que uma decisão entre em ação, o custo do erro muda de categoria. Um mero resumo falho pode ser corrigido, mas uma ação falha pode gerar dano operacional, exposição jurídica, perda financeira, dano reputacional ou risco à segurança humana (pense nos diversos vídeos nas redes sociais mostrando robôs ‘surtando’).
É nesse ponto que boa parte do entusiasmo atual com IA começa a parecer intelectualmente raso. É fácil romantizar tanto a decisão quanto a execução agêntica quando nunca se precisou explicar uma falha sistêmica a um conselho, a um cliente ou à família de alguém afetado pelas consequências.
Dar poder a uma máquina sem auditabilidade, controles de acesso ou mecanismos de interrupção (kill switch) é irresponsabilidade, mesmo que venha embalada com um discurso de inovação.
7. A camada de governança
Governança é a camada que muitas organizações ainda tratam como capítulo final, mas, na prática, ela é a condição que dá legitimidade a todos os tópicos anteriores.
A firma não opera apenas com base em performance. Ela opera com base em permissão, continuidade e accountability. Depende de padrões que tornam a ação confiável e não apenas produtiva.
Na era da IA, isso significa que governança já não pode ser compreendida como apêndice jurídico ou pós-escrito de compliance. Ela passa a fazer parte da própria arquitetura operacional.
É a governança que determina quem acessa o quê, quais sistemas podem ser usados em quais contextos, qual grau de autonomia é aceitável, que evidências precisam ser registradas, quais incidentes exigem escalonamento e quem permanece responsável quando a falha acontece. É ela que transforma capacidade técnica em confiabilidade institucional.
Mas ela desempenha também uma função mais sutil e, provavelmente, a base das empresas do futuro: ela força clareza. Obriga a organização a responder perguntas que muitas adiam indefinidamente.
Que tipo de risco estamos, de fato, dispostos a absorver? Onde a automação é legítima e onde se torna imprudente? Quem vai arcar com as consequências? O que nunca deveria ser delegado, por mais eficiente que a demonstração pareça?
Essas não são perguntas burocráticas e nem triviais. São perguntas estratégicas sobre o tipo de organização que a empresa está disposta a se tornar. A empresa madura não governa a IA porque é viciada em controle. Ela governa a IA porque pretende usar sistemas poderosos sem se tornar refém deles.
Leia mais: A inteligência artificial pode ser controlada – ou vai nos controlar?
Isso exige clareza de papéis, direitos de decisão, auditabilidade, memória institucional e disciplina para distinguir o que pode ser automatizado daquilo que deve continuar submetido a julgamento.
Nesse sentido, a governança não é apenas a última camada. É a camada que preserva a coerência de todas as demais.
O QUE ESSE MODELO SUGERE SOBRE O FUTURO DA FIRMA
O debate sobre IA ainda oscila entre duas falácias. De um lado, a fantasia da substituição plena: a crença de que organizações em breve serão conduzidas por sistemas artificiais autônomos, como se julgamento, poder, contexto e responsabilidade pudessem ser terceirizados ou contratados por meio de uma API.
De outro, a miopia da continuidade burocrática: a crença de que a IA é apenas mais uma ferramenta a ser inserida em estruturas antigas, organogramas verticais repletos de silos, divisas e símbolos de poder sem exigir redesenho mais profundo.
Casos mundialmente conhecidos como a Medvi estão mostrando esse potencial de mudança ao mundo. O que estou começando a perceber emergir em alguns clientes brasileiros (poucos, ainda) é uma transformação da arquitetura operacional. E essa foi a motivação do modelo proposto.
Mesmo a estratégia de IA mais elegante continua dependendo de condições materiais e precisa tanto de estratégia e visão de longo prazo quanto de freios.
Certas formas de trabalho antes consumidas por busca, consolidação, documentação, comparação e triagem podem agora ser deslocadas para a IA. Algumas formas de análise são aceleradas e decisões são melhor preparadas. Isso muda papeis, ritmo, interfaces e expectativas sobre as lideranças e vai muito além do entusiasmo por ferramentas.
Uma nova forma para pensarmos como organizamos o trabalho é necessária a empreendedores, executivos e pensadores gerenciais para que se estabeleçam novas possibilidades de modelos operacionais e de coordenação.
Empresas se tornam mais inteligentes quando conseguem conectar realidade física, dados, contexto, decisão, execução, ação e governança em um sistema coerente. Esse é o início de uma reflexão mais séria das organizações na era da IA que foge do conforto antigo dos organogramas verticais e burocráticos.
E pessoas sempre deverão ser a chave nesse debate. A boa notícia é que cada uma das camadas propostas no modelo trazem oportunidades de aprendizados e de novas competências nada triviais para os profissionais do futuro.
