Uma demonstração de inteligência artificial pode ser preparada em pouco tempo e surpreender qualquer comité de direção. Ainda assim, o desafio não está em mostrar aquilo que a IA é capaz de fazer num ambiente controlado, mas em conseguir que essa capacidade funcione de forma estável, segura e útil na operação real. É precisamente na distância entre a demonstração e a fiabilidade na operação que se decide se a IA acrescenta valor ou apenas cria expectativas.

E o potencial é real: a IA generativa pode resumir documentos, classificar pedidos, localizar informação, redigir respostas ou gerar código em segundos. A dificuldade surge quando capacidades ainda em desenvolvimento são apresentadas como se já estivessem preparadas para qualquer organização.

A IA é muito mais fácil de demonstrar do que de transformar numa capacidade operacional. Basta um caso controlado para obter, em segundos, um resultado que anteriormente exigia tempo e conhecimento especializado.

Essa facilidade aumenta expectativas geradas num contexto em que os fabricantes projetam um futuro quase milagroso com os seus modelos, as redes sociais enchem-se de casos de sucesso, cursos para “desenvolver IA” em três dias e prompts apresentados como soluções universais, enquanto os fornecedores de serviços apresentam os desenvolvimentos em curso como produtos finais.

E isso leva os clientes a esperar que os seus fornecedores disponham já de capacidades prontas a melhorar a sua produtividade e a reduzir custos. A expectativa é compreensível, mas deve ser gerida com rigor: entre uma prova promissora e uma solução industrializada existe, muitas vezes, uma parte significativa do esforço, do custo e do risco do projeto.

Para compreender melhor essa distância, importa separar duas dimensões que, quando falamos de inteligência artificial, são frequentemente confundidas: a maturidade tecnológica de uma ferramenta e a profundidade com que esta é integrada no nosso trabalho quotidiano.

A primeira dimensão é a maturidade, que mede a fiabilidade tecnológica através de três situações diferentes. Num primeiro nível está aquilo que é tecnicamente possível: o modelo consegue resolver uma tarefa, mas apenas em condições muito específicas. Depois surge aquilo que foi demonstrado de forma consistente: a ferramenta já foi testada com casos reais, apresenta resultados estáveis e, sobretudo, temos claros quais são os seus limites. Finalmente, está aquilo que se encontra preparado para produção: a solução pode operar no dia a dia da empresa com segurança e controlo, sabendo gerir dados imperfeitos, exceções e o seu impacto no negócio.

A segunda dimensão é a profundidade, que define o grau de autonomia e o alcance da IA nas nossas tarefas. Na sua forma mais básica surge o copiloto de uso geral, que ajuda a redigir, resumir ou pesquisar informação, enquanto o utilizador fornece o contexto e revê o resultado final. Também pode ser aplicada a uma atividade específica, como classificar uma caixa de entrada de pedidos ou preparar o rascunho de uma resposta. Um nível superior de integração permite ligar a IA a sistemas e dados, sempre de acordo com as permissões definidas, reduzindo pesquisas manuais e etapas operacionais. Por fim, um agente com capacidade de atuação já não se limita a sugerir ou pesquisar informação: coordena diferentes ferramentas e executa ações autonomamente dentro de um fluxo de trabalho.

Estas duas dimensões podem cruzar-se de formas muito diferentes. Podemos ter uma solução com uma integração muito profunda nos nossos sistemas, mas que, do ponto de vista tecnológico, continua a ser muito imatura. Por outro lado, um simples copiloto com funcionalidades limitadas pode estar perfeitamente preparado para entrar em produção.

Também não é necessário procurar sempre o nível máximo de integração. Para muitas atividades, utilizar corretamente um copiloto básico proporciona um valor significativo quase de imediato. É uma abordagem com menor complexidade e menor risco, uma vez que funciona como um suporte inteligente para um ser humano que, supostamente, é quem fornece o critério final.

Independentemente da profundidade escolhida, uma solução de IA continua a ser software: necessita de dados, segurança, testes, operação e manutenção. No entanto, os LLM exigem avaliações adicionais.

O primeiro desafio é a veracidade: o modelo pode gerar uma resposta plausível e bem redigida sem que esta esteja efetivamente sustentada pela informação disponível. Isto obriga a controlar quais as fontes que utiliza, se estão atualizadas e se a resposta é realmente suportada por essas fontes.

O segundo desafio consiste em avaliar a qualidade quando não existe uma única resposta correta. Nestes casos, não basta superar um conjunto fechado de testes: é necessário definir critérios de aceitação, avaliar casos representativos e acompanhar o comportamento durante a operação, tendo em conta que este pode mudar quando se alteram o modelo, as fontes ou o contexto.

As exigências dependerão do caso de uso, do seu grau de autonomia e do risco associado. Num copiloto, o foco está principalmente na proteção da informação, na definição de critérios de utilização e na garantia de revisão por parte do utilizador. Quando a IA é aplicada a tarefas estruturadas, é necessário definir claramente o que recebe, o que deve devolver e como é avaliada. Se for integrada com outros sistemas, acrescentam-se a gestão de permissões, a rastreabilidade e o controlo da informação utilizada. E, se tiver capacidade para executar ações, é também necessário definir o que pode fazer autonomamente, o que requer aprovação e como reverter uma atuação incorreta.

Por exemplo, num serviço de manutenção de aplicações, uma base de conhecimento desatualizada pode deteriorar inadvertidamente as respostas. Uma recomendação incorreta também pode atrasar a identificação de uma solução ou gerar outro problema em produção.

Tudo isto obriga a passar do potencial para o caso real. Perante uma inteligência artificial em constante evolução, o nosso papel enquanto consumidores deve ser estratégico. A chave está em escolher o nível de profundidade adequado a cada necessidade do negócio, compreendendo que uma maior integração e autonomia implicam, geralmente, mais esforço de implementação, operação e controlo.

A IA não é uma solução universal. Em algumas tarefas, oferece capacidades que superam as das pessoas; noutras, complementa o seu trabalho enquanto copiloto e, em muitas, permite simplesmente fazer o mesmo de forma mais rápida ou cómoda. O verdadeiro desafio consiste em avaliar o retorno de cada caso de uso e antecipar a dependência tecnológica, incluindo uma possível subida dos custos dos fornecedores.

Experimentar e transformar são coisas diferentes. Uma equipa automatiza relatórios, outra cria um assistente para clientes e outra testa agentes de IA. Cada iniciativa pode gerar valor, mas a sua soma não é, por si só, uma estratégia de IA.

A adoção da IA nas organizações tende a evoluir por etapas. Primeiro, transforma tarefas: a análise fica mais rápida, o conteúdo mais barato e o trabalho administrativo mais simples. Depois, transforma workflows: as tarefas recombinam-se, as responsabilidades alteram-se, e as pessoas passam a supervisionar processos parcialmente executados por máquinas. A terceira etapa é a estratégica: a IA muda a forma como os clientes pesquisam, escolhem e compram e, com isso, o modelo de negócio pode começar a mudar.

O retalho é um bom exemplo. Durante décadas, empresas como a Amazon ganharam força ao reunir descoberta, comparação, transação e entrega. Os agentes de IA podem voltar a separá-las. Imaginemos um consumidor a pedir a um agente de IA: “Encontra-me os melhores ténis de corrida até 150 euros, compara as opções e compra o melhor par.” O retalhista continua a ter o produto e a assegurar a entrega, mas outro ator passa a influenciar o momento mais valioso: decidir o que comprar. Isto já tem peso económico: o tráfego enviado por IA para retalhistas cresce rapidamente, e a própria Amazon já investe fortemente em compras com agentes.

A questão vai além do uso interno nas empresas: os líderes têm de perceber como a IA pode mudar a relação com os clientes, que atividades se tornam commodities e onde estará a vantagem competitiva.

Escalar a IA exige, por isso, responder a três perguntas: onde pode a IA melhorar a eficiência hoje? Que workflows devemos redesenhar a seguir? E que partes do modelo de negócio poderá a IA transformar amanhã?

Aqui a conversa passa da tecnologia para a estratégia. Os líderes têm de decidir que capacidades querem manter internamente, e quais “comprar”, onde o julgamento humano continua a ser indispensável, e que posições no seu ecosystem não podem perder.

As competências também contam. Saber escrever prompts já não chega: é preciso saber quando confiar na IA, quando a questionar e como combiná-la com o julgamento humano. Enquanto Diretor Académico do The Lisbon MBA Católica|Nova, vejo-o refletido no ensino da gestão: a IA deve servir não só para aumentar a produtividade, mas para desafiar os alunos, enquanto líderes, a questionar resultados, comparar alternativas e justificar melhor as suas decisões. Compreender a tecnologia é importante, mas a sua maior responsabilidade será redesenhar organizações e decidir onde a IA deve, ou não, transformar o negócio.

É também, por isso, que o número de projetos-piloto deixa de ser uma boa medida de maturidade, se não for acompanhado de uma estratégia clara. A vantagem duradoura não será das organizações com mais pilotos, mas das que avançarem deliberadamente das ferramentas para os processos e destes para as escolhas de modelo de negócio.

As ferramentas continuarão a mudar. A verdadeira tarefa estratégica é perceber o que deve mudar com elas, e o que deve permanecer distintivamente seu.

A inteligência artificial está a redefinir a forma como as empresas competem, inovam e criam valor. Mas, no debate sobre infraestruturas, capacidade computacional e agentes autónomos, há uma dimensão que não pode ser secundarizada: a preparação das pessoas.

Foi uma das reflexões que retirei do Portugal Digital Summit, em particular da intervenção de Bernardo Correia, secretário de Estado, sobre os desafios da transformação digital em Portugal. Pessoas, infraestruturas, dados e capacidade de execução são dimensões essenciais. Contudo, é a qualificação das pessoas que permite transformar as restantes em resultados económicos.

A formação não é um complemento da transformação digital. É uma das suas principais condições de sucesso.

Os dados ajudam a compreender a dimensão do desafio. Segundo o Eurostat, em 2025, apenas 59,2% da população portuguesa entre os 16 e os 74 anos tinha competências digitais básicas ou superiores, face a cerca de 60,4% na União Europeia. Estamos, portanto, longe da meta europeia de 80% até 2030. O problema não é apenas tecnológico: é também de competências.

O Fórum Económico Mundial, no Future of Jobs Report 2025, estima que 39% das competências atuais dos trabalhadores se transformarão ou ficarão desatualizadas até 2030. Além disso, 63% dos empregadores identificam as lacunas de competências como um dos principais obstáculos à transformação das suas organizações. A resposta não pode limitar-se a contratar especialistas. Exige investimento sistemático na aprendizagem e requalificação de quem já trabalha.

Importa, porém, distinguir formar para utilizar de formar para transformar.

A inteligência artificial generativa permite produzir conteúdos, analisar informação e automatizar tarefas. Mas o seu verdadeiro potencial económico surge quando as organizações repensam processos, decisões e modelos de negócio. A evolução para agentes capazes de executar tarefas e interagir com diferentes sistemas torna esta necessidade ainda mais evidente. Precisamos de profissionais capazes de trabalhar com estas tecnologias, avaliar os seus resultados e reconhecer os limites da sua autonomia.

A OCDE reforça esta ideia: menos de 1% dos trabalhadores necessitará de competências avançadas específicas de IA, como desenvolver modelos. A maioria precisará de competências digitais, capacidade para interpretar dados e competências humanas, como pensamento crítico, criatividade e resolução de problemas. A formação em inteligência artificial tem, por isso, de chegar muito para além dos departamentos tecnológicos.

Mas qualificar pessoas não basta. É necessário criar condições para aplicar o conhecimento adquirido. Uma empresa pode formar os seus colaboradores e continuar a não gerar valor se mantiver os mesmos processos, incentivos e modelos de decisão. A liderança tem de ligar aprendizagem, experimentação e execução, definindo objetivos e medindo resultados em produtividade, qualidade e inovação.

Portugal tem aqui uma oportunidade estratégica. Universidades, empresas e decisores públicos devem trabalhar em conjunto para democratizar o acesso à formação, combinar conhecimento científico com aplicação prática e promover a aprendizagem ao longo da vida. Iniciativas europeias como a AI Skills Academy refletem esta prioridade, mas o impacto dependerá da capacidade de transformar a ambição em competências efetivas e resultados mensuráveis.

Na era da inteligência artificial, a vantagem competitiva não pertencerá necessariamente a quem tiver mais tecnologia, mais dados ou mais agentes. Pertencerá a quem souber mobilizar pessoas capazes de os transformar em valor económico. Investir na formação é investir na produtividade, na inovação e na competitividade de Portugal. A tecnologia abre possibilidades. São as pessoas preparadas que as concretizam.