- Inteligência Artificial
- Governança de IA
- Liderança Técnica
- Requalificação Profissional
- Futuro do Trabalho
- Automação
Governança de IA na Prática
Capacitar Pessoas, Não Demiti-las
Toda semana aparece uma empresa anunciando que cortou parte da equipe "por causa da IA". Quase na mesma frequência, aparece outra travando o uso de IA porque a fatura de tokens assustou alguém no financeiro. São reações opostas, mas partem da mesma premissa errada: a de que IA é, antes de tudo, uma forma de gastar menos com pessoas. Desde junho de 2026 eu lidero a área de AI Enablement da InBot, e o que vejo no dia a dia é o contrário. Neste post eu conto como funciona a governança de IA na prática por aqui, por que ela serve para capacitar a equipe e não para reduzi-la, e por onde você pode começar no seu time.
IA para Cortar Gente ou para Capacitar Gente? O que Ouvi no Lovable Day
No dia 16 de outubro participei do Lovable Day São Paulo, e duas falas resumiram bem o que eu já vinha defendendo dentro da empresa.
A primeira foi da Carol Paiffer, investidora e Shark do Shark Tank Brasil. Ela disse que, quando vê um empreendedor querendo demitir a equipe para substituir por IA, enxerga uma má jogada.
O raciocínio é simples: se você mantém a equipe e a capacita, a empresa não vai fazer o mesmo com menos gente. Vai fazer muito mais do que faz hoje, com as mesmas pessoas. É um ganho que se multiplica, em vez de uma economia que se soma uma vez só.
A segunda foi do Guilherme Junqueira, fundador da Delta Academy, que também defende capacitar as empresas e seus times a usar IA, em vez de substituí-los. Volto à fala dele na próxima seção, porque ela toca no outro medo: o custo.
Por que demitir para substituir por IA é má jogada
Eu concordo com os dois, e por dois motivos que andam juntos.
O primeiro é que quem conhece o negócio é a equipe. Um modelo de linguagem sabe muita coisa em geral e nada sobre como o seu cliente pensa, sobre a exceção que o suporte resolve toda semana ou sobre o atalho que o comercial usa para fechar contrato. Na InBot, são os próprios times que constroem as skills e automações. A IA só rende o que rende porque alguém com conhecimento de domínio está dizendo o que ela deve fazer.
O segundo é o efeito multiplicador. Um estudo do NBER com atendentes de suporte mostrou ganho médio de 14% de produtividade com IA generativa, chegando a 34% entre os menos experientes. Ou seja: a IA não substitui quem está começando, ela encurta a curva de aprendizado dessa pessoa. Isso é capacitação, não corte.
E os dados de quem fez o caminho contrário não são animadores. Uma pesquisa da Orgvue apontou que, entre os líderes que demitiram pessoas depois de adotar IA, 55% admitem que tomaram a decisão errada. A Klarna, que virou símbolo de "trocar atendimento humano por IA", voltou a contratar pessoas para o atendimento depois que o próprio CEO reconheceu que o foco em custo levou a uma qualidade mais baixa. A empresa não abandonou a IA: recuou no exagero. E a Forrester prevê que metade das demissões atribuídas à IA vai ser revertida em silêncio.
Na InBot ninguém saiu por causa das automações. O tempo que elas liberaram virou entrega. Mas, para isso acontecer, foi preciso enfrentar o segundo medo.
Custo de Tokens x Custo da Inércia: Medir Antes de Temer
O Guilherme tocou num ponto que eu escuto com frequência: o medo do custo com tokens. A conta de IA cresce, alguém vê o número e a reação natural é cortar o uso. O contraponto dele foi o custo da inércia. Quando a empresa se afasta da ferramenta por causa do custo, ela economiza agora e paga depois, porque para de aprender enquanto o resto do mercado continua aprendendo.
Eu vejo o custo com tokens de duas formas ao mesmo tempo.
- Como investimento, não como despesa. Quando uma tarefa de 3 horas passa a levar 13 minutos, a comparação certa não é "quanto custou em tokens", é "quanto custou em tokens versus quanto custavam essas horas de uma pessoa". Três horas que viram 13 minutos pagam muitos tokens.
- Como algo que precisa ser medido, não temido. Governança de IA também é saber quanto cada coisa custa. Medo sem número leva a decisões ruins nos dois sentidos: cortar o que dava retorno ou deixar rodar o que não dava.
Tem ainda um dado que pesa a favor de não travar: o preço da IA cai rápido. O AI Index 2025 de Stanford mostra que o custo de inferência para um modelo no nível do GPT-3.5 caiu mais de 280 vezes entre novembro de 2022 e outubro de 2024. A Epoch AI estima que o preço para o mesmo desempenho cai entre 9 e 900 vezes por ano, dependendo da tarefa.
Isso não significa que a fatura total vai diminuir, porque a gente passa a usar modelos melhores e a fazer mais coisas com eles. Significa que travar o uso hoje por causa do preço de hoje é decidir com base num número que já está ficando velho. O que não fica velho é o atraso de uma equipe que parou de aprender.
Medir, porém, exige que exista algo organizado para medir. E é aí que entra a governança.
Governança de IA na Prática: os Times Constroem, a Área Garante que Dure
"Governança" costuma soar como burocracia: comitê, formulário, fila de aprovação. Não é isso que fazemos. AI enablement, do jeito que eu entendo, é criar as condições para que a empresa inteira use IA bem, e não centralizar o uso de IA em uma equipe.
Como a área nasceu
A área de IA da InBot não nasceu de um decreto. Nasceu de baixo para cima. Antes de ela existir, eu convenci a liderança a adotar o Cursor, que na época era uma ferramenta nova e usada principalmente fora do Brasil. Até então, fazíamos tudo na mão. Levei a ideia para os outros devs, incluindo um colega mais experiente que tinha receio de usar IA no trabalho.
Com o tempo, a própria equipe de devs começou a organizar o uso de skills para que todo mundo ficasse na mesma página, porque cada um estava fazendo do jeito que achava melhor. Foi aí que a diretoria decidiu fundar a área de IA: para levar essa iniciativa, que surgiu dentro do time de desenvolvimento, para o resto da empresa, com centralização e governança.
Repare que a história inteira é sobre capacitar quem tinha receio, e não sobre substituir quem tinha receio. A área é a continuação disso.
O caminho até produção
Hoje, em temas de IA, os líderes de Comercial, Dev, Marketing, Planejamento, Projetos, QA, UX e Suporte se reportam à área. O fluxo funciona assim:
- O time constrói. A ideia e a autoria são de quem tem o problema e conhece o domínio.
- A área leva ao padrão da empresa. Revisamos, ajustamos e testamos com baterias de cenários. Já rodamos baterias de 800 testes automatizados e de 250 execuções no CRM, com 250 sucessos. Se você leu minha jornada com TDD, sabe que eu não confio em nada que não tenha sido testado.
- O time solicitante valida. Quem pediu confirma que aquilo resolve a necessidade real.
- A área aprova a release. Só aí vai para produção.
Esse desenho evita dois extremos. Se cada um usa IA do seu jeito, sem teste e sem dono, você tem shadow AI: IA rodando escondida, fora de qualquer controle. O Work Trend Index da Microsoft e do LinkedIn mostrou que 78% dos usuários de IA levam a própria ferramenta para o trabalho, e só 39% receberam algum treinamento da empresa. Se, no outro extremo, tudo depende de uma equipe central construir, você cria um gargalo e tira a autoria de quem entende o problema.
A infraestrutura que tira o atrito
Governança que depende de planilha e boa vontade não dura. Por isso, boa parte do trabalho da área foi construir infraestrutura. O exemplo principal é o Hub de Skills: ele distribui skills para Claude Code e Codex em Linux, macOS e Windows, com SSO corporativo, acesso por grupos, publicação com revisão e releases assinadas.
Na prática, isso transforma a governança em produto. Publicar uma skill nova não é abrir um chamado e esperar. É seguir um fluxo que já tem revisão, controle de acesso e versionamento embutidos. Frameworks como o AI Risk Management Framework do NIST e a norma ISO/IEC 42001 descrevem bem o que uma governança de IA precisa cobrir. O desafio é fazer isso sem atrito para quem está construindo.
Mas governança não é só dizer "sim, com padrão". Às vezes, é dizer "não".
Governança Também é Dizer "Não": Shadow AI, Segurança e Processo
Dois casos mostram bem essa parte do trabalho, e nenhum deles terminou com uma skill em produção.
Quando o risco é alto demais
Alguns times queriam uma skill para interagir com o e-mail corporativo. A ideia faz sentido do ponto de vista de produtividade: ler, resumir, responder. Em conversa com o diretor de operações, decidimos que era arriscado demais, e barramos a ideia.
O motivo tem nome. Simon Willison chama de lethal trifecta a combinação de três coisas num agente de IA: acesso a dados privados, exposição a conteúdo não confiável e capacidade de se comunicar com o exterior. Uma caixa de e-mail tem as três. Ou, nas palavras dele:
"An attacker can literally email your LLM and tell it what to do!"
Em português: um atacante pode simplesmente mandar um e-mail para o seu LLM e dizer o que ele deve fazer.
Isso não é teórico. O EchoLeak (CVE-2025-32711) mostrou como dados podiam vazar do Microsoft 365 Copilot a partir de um único e-mail, sem nenhum clique da vítima. A própria OWASP coloca prompt injection como o risco número um em aplicações com LLM e recomenda privilégio mínimo e aprovação humana.
Barrar uma ideia assim não é ser contra IA. É o que evita que uma única skill vire um incidente. A IBM aponta, no relatório Cost of a Data Breach 2025, que o uso alto de shadow AI soma em média US$ 670 mil ao custo de um vazamento, e que 63% das empresas que sofreram vazamento não tinham política de governança de IA. O Gartner prevê que mais de 40% das organizações vão ter um incidente ligado a IA não autorizada até 2030.
Quando o problema é o processo, não a demora
O segundo caso é mais sutil. Pediram uma skill de levantamento de requisitos, para agilizar o início dos projetos de clientes. Quando olhamos de perto, o problema não era a demora. Era o processo em si: a forma como coletávamos as informações para começar um projeto não funcionava bem.
Uma skill em cima de um processo ruim só faria o processo ruim rodar mais rápido. Então, junto com os times de Planejamento e Projetos, e com a liderança do time de IA, criamos uma plataforma de levantamento de requisitos: o InBoarding, que hoje está em piloto.
Essa talvez seja a lição mais útil de governança que aprendi até aqui: antes de automatizar, pergunte se o problema é de velocidade ou de desenho. IA acelera o que já existe. Se o que existe está errado, ela acelera o erro.
O que Mudou sem Ninguém Sair (e o que Diz a Avaliação de Maturidade em IA)
Nos primeiros quatro meses da área, foram 77 iniciativas entregues e cerca de 50 skills e automações em produção. Alguns exemplos concretos:
- O operador da API do admin transformou uma tarefa de 3 horas em 13 minutos.
- Um pacote de conteúdo de bot caiu de cerca de 35 para 13 a 16 minutos.
- 1.300 colaboradores de um cliente foram importados por uma skill.
- O InSuporte gera insights com IA, aprovados por humanos, sobre mais de 1.800 chamados de suporte, e substituiu 2 dashboards e 4 automações.
Em nenhum desses casos o resultado foi "agora precisamos de menos gente". Foi "agora essa pessoa faz em 13 minutos o que levava 3 horas, e usa o resto do tempo em outra coisa". É exatamente o ganho que se multiplica de que a Carol falou. O Future of Jobs Report 2025 do Fórum Econômico Mundial vai na mesma direção: 85% dos empregadores planejam priorizar a requalificação das equipes, e 59 de cada 100 trabalhadores vão precisar de treinamento até 2030.
Uma validação, não uma chegada
No Lovable Day, a Delta Academy ofereceu às empresas participantes uma avaliação gratuita de maturidade em IA. Respondi em nome da InBot e tiramos nota máxima, com um comentário que me marcou: a InBot já faz, de forma corporativa, o que eles ensinam aos mentorados.
Conto isso com cuidado, porque esse resultado não é meu. É das pessoas de cada área que pararam o que estavam fazendo para aprender, construir e testar coisas novas. A área de IA organizou o caminho, mas quem andou por ele foram os times.
E é uma validação do caminho, não da chegada. Ainda tem muita coisa em piloto, muita coisa para medir melhor e muita coisa que vai mudar com os próximos modelos. A nota diz que a direção está certa. Não diz que o trabalho acabou.
Por Onde Começar Amanhã: 3 Passos para o Seu Time
Você não precisa de um cargo de AI Enablement para começar. A história da área de IA da InBot começou com uma pessoa insistindo para o time testar uma ferramenta nova. Se eu tivesse que resumir o que funcionou em três passos, seriam estes:
- Transforme o seu uso pessoal em algo do time. Aquele prompt que você repete toda semana pode virar uma skill versionada que o time inteiro usa. Muitos dos sistemas internos da InBot nasceram exatamente assim. Se quiser ver como eu trabalho com IA no dia a dia, escrevi sobre isso em meu fluxo de desenvolvimento com IA.
- Mapeie o que já existe e dê dono. Liste as automações de IA que o seu time já usa, inclusive as que ninguém comentou em voz alta. Para cada uma, defina quem é o dono, como ela é testada e quem aprova mudanças. Esse é o mínimo de governança.
- Antes de automatizar, pergunte se o problema é o processo. Se a tarefa é lenta porque é mal desenhada, automatizar só deixa o problema mais rápido. Às vezes a resposta certa não é uma skill, é refazer o processo.
Conclusão
O debate sobre IA nas empresas costuma ficar preso entre dois medos: o de perder o emprego e o de perder dinheiro com tokens. Os dois somem quando a pergunta muda de "quanto dá para economizar com IA?" para "quanto a nossa equipe consegue fazer a mais com IA?".
Governança de IA na prática é o que torna essa segunda pergunta respondível. Ela dá autoria a quem conhece o problema, garante que o que vai para produção foi testado, sabe dizer "não" quando o risco é alto e reconhece quando o problema nem é de IA. Nada disso exige cortar pessoas. Exige capacitá-las.
Se você lidera um time, ou só é a pessoa que mais usa IA nele, comece pelo mapeamento: o que o seu time já faz com IA hoje, e quem é o dono de cada coisa? A resposta provavelmente vai te surpreender. Já escrevi antes sobre o impacto da IA nas profissões; este post é o lado prático dessa conversa, contado por quem está aplicando. Nos próximos, quero mostrar com mais detalhe como algumas dessas skills viraram sistemas internos.
Referências
- VibeDays. "Lovable Day São Paulo", 16/10/2026.
- Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey. "Generative AI at Work". NBER Working Paper 31161.
- Orgvue (via HRreview). "AI regret: over half of firms say their redundancies were 'a mistake'", 2025.
- Entrepreneur. "Klarna Is Hiring Customer Service Agents After AI Couldn't Cut It on Calls, According to the Company's CEO", 2025.
- Maginative. "Klarna Dials Back its AI Customer Service Strategy, Now It's Hiring Humans Again", 2025.
- Forrester. "Predictions 2026: The Workforce Muddles Through Ambient Disruption", 2025.
- World Economic Forum. "The Future of Jobs Report 2025".
- Stanford HAI. "AI Index Report 2025".
- Epoch AI. "LLM inference prices have fallen rapidly but unequally across tasks", 2025.
- Microsoft e LinkedIn. "2024 Work Trend Index".
- IBM. "Cost of a Data Breach Report 2025".
- Infosecurity Magazine. "Gartner: 40% of Firms to Be Hit By Shadow AI Security Incidents", 2025.
- NIST. "AI Risk Management Framework".
- Willison, Simon. "The lethal trifecta for AI agents: private data, untrusted content, and external communication", 2025.
- Reddy, Pavan; Gujral, Aditya. "EchoLeak: The First Real-World Zero-Click Prompt Injection Exploit in a Production LLM System". arXiv, 2025.
- OWASP. "LLM01:2025 Prompt Injection".
- Mierzwa, Matheus. "Minha Jornada com TDD".
- Mierzwa, Matheus. "Meu Fluxo de Desenvolvimento com IA".