Na última década, os rápidos avanços na inteligência artificial (IA) transformaram a forma como as pessoas fazem compras, processam informações e trabalham. Mas à medida que a tecnologia remodela os setores, surgiu uma lacuna surpreendente.
Segundo uma pesquisa recente de Sam Manning, pesquisador do Center for Governance of AI, 6,1 milhões de trabalhadores nos Estados Unidos estão expostos à IA, mas não estão preparados para se adaptar à tecnologia. Enquanto isso, quase metade dos executivos entrevistados recentemente pela IBM afirma que seus funcionários não possuem as habilidades e o conhecimento em IA necessários para implementar tecnologias de IA em escala.
Dado o impacto esperado da IA em setores ao redor do mundo, a lacuna de habilidades de IA pode ter resultados profundos. De acordo com uma pesquisa do IBM Institute for Business Value, 87% dos executivos acreditam que os funcionários têm mais chances de serem ampliados do que substituídos pela IA generativa.
A capacidade de aproveitar efetivamente o potencial da tecnologia provavelmente terá grandes ramificações em setores inteiros: o investimento em IA está aumentando 150% e, até 2030, prevê-se que a IA aumente a produtividade empresarial em 42%. A maioria das organizações (até 70%) planeja reinvestir esses ganhos de produtividade em inovação e crescimento.
Mas sem programas sólidos de conhecimento em IA, essas transformações empresariais de grande porte podem estagnar. Para criar o ambiente de trabalho do futuro, o ensino superior e as empresas devem desenvolver proativamente as atitudes e competências necessárias para o sucesso a longo prazo de seus funcionários.
Receba insights selecionados sobre as notícias mais importantes (e intrigantes) sobre IA. Inscreva-se no nosso boletim informativo semanal Think. Consulte a Declaração de privacidade da IBM.
Conhecimento em IA é a capacidade de entender, auditar e usar sistemas de IA de forma ponderada. Em vez de uma habilidade técnica reservada para engenheiros, é uma competência fundamental para trabalhadores em todas as funções e níveis de uma organização, desde funcionários iniciantes até a diretoria executiva.
Ao compreender os recursos, as limitações e as considerações éticas da IA, os aprendizes adquirem habilidades tanto práticas quanto conceituais. Essas habilidades permitem que os conhecedores de IA exerçam o pensamento crítico em sua compreensão das tecnologias de IA e sua aplicação da IA.
Em sua forma mais básica, conhecimento em IA significa saber o que a IA pode e não pode fazer. Por exemplo, entender que os modelos de aprendizado de máquina identificam padrões nos dados, mas ainda exigem supervisão humana. Formas mais sofisticadas de conhecimento em IA envolvem ser capaz de entender vieses e riscos, além de tomar decisões informadas sobre como implementar a IA em fluxos de trabalho.
Ao contrário do conhecimento digital, que se aplica principalmente a saber usar software, o conhecimento em IA exige um nível conceitual mais profundo.
“À medida que a IA lida com mais programação e documentação rotineiras, espera-se cada vez mais que os profissionais pensem de forma holística”, disse Natasha Pillay-Bemath, VP Global de Aquisição de Talentos e Busca de Executivos da IBM. Necessariamente, seus papéis estão se movendo para "[...] entender sistemas de ponta a ponta e validar saídas de IA quanto à qualidade e o viés."
Conhecimento em IA não é apenas ciência da computação. É saber usar ferramentas de IA, entender como elas funcionam, como raciocinam e em quais tarefas são mais bem aplicadas. É também uma mudança fundamental na forma como o trabalho é realizado: "A adoção da IA requer uma mudança de mentalidade", escreveram Glenn Dittrich e Kim Morick, da IBM Consulting. "Exige investimento não apenas em habilidades técnicas, mas em recursos como empatia, pensamento crítico e curiosidade."
O ritmo da compreensão da IA não alcançou o aumento drástico no uso da IA. Com o lançamento do ChatGPT da OpenAI em 2022, uma grande parte do público encontrou a IA generativa pela primeira vez. Hoje, de acordo com a Gallup, cerca de 12% de todos os adultos empregados usam IA diariamente em seus empregos, em todos os setores. Trabalhadores em tecnologia, finanças e outros setores de alta adoção a usam mais.
Mas, à medida que as organizações implementam essas ferramentas, desde chatbots para atendimento ao cliente até ferramentas de conteúdo generativo, muitos funcionários não têm o conhecimento básico para usá-las de forma responsável e eficaz.
Segundo uma pesquisa recente da McKinsey, a demanda por fluência em IA cresceu sete vezes em dois anos, mais rápido do que qualquer outra habilidade entre as vagas de emprego nos Estados Unidos. Entretanto, o Fórum Econômico Mundial prevê que 40% das habilidades exigidas pela força de trabalho global mudarão dentro de cinco anos.
A lacuna de habilidades tem consequências reais: os funcionários que não entendem as limitações da IA podem confiar demais nas saídas. Funcionários céticos podem subutilizar ferramentas transformadoras. E a liderança que não consegue entender os modelos de IA não consegue projetar implementações que gerem valor real em toda a organização. À medida que a tecnologia se torna mais avançada, essas dinâmicas se agravam.
Além disso, à medida que as empresas implementam agentes de IA e softwares mais autônomos, os sistemas de governança se tornam mais complexos. Aplicativos intuitivos, dashboards, opções no-code e consultas de linguagem natural aumentam a acessibilidade, mas ainda exigem fluência em IA para operar com segurança.
E à medida que alguns programas piloto de IA param e as organizações lutam para ver resultados imediatos, ficou claro que o potencial da tecnologia está muito além de simples implementações tecnológicas. As organizações veem mais valor quando recriam os fluxos de trabalho e seus funcionários se adaptam a novas formas de trabalhar. Todo esse trabalho exige uma compreensão detalhada das ferramentas e competências relacionadas à IA no ambiente de trabalho.
“As funções de nível inicial estão mudando de um trabalho puramente orientado por tarefas para análise, resolução de problemas e uso de IA responsável”, diz Natasha Pillay-Bemath, VP Global de Aquisição de Talentos e Busca de Executivos da IBM. Ela observa que a agilidade de aprendizado agora é tão importante quanto as habilidades técnicas para novas contratações.
O conhecimento em IA é um cluster de habilidades relacionadas que operam em tangente. Idealmente, um conjunto interdisciplinar e prático de competências adaptadas a resultados e funções específicos. Embora a faixa específica de conhecimento em IA possa mudar dependendo do nível de habilidade pretendido, o Fórum Econômico Mundial apresentou recentemente um rascunho de currículo para conhecimento em IA em ambientes educacionais. o framework de quatro pilares de conhecimento em IA do FEM inclui:
Algumas outras formas práticas de conhecimento em IA podem incluir:
Usar frameworks éticos, sociais e de governança para a IA: o conhecimento em IA responsável envolve entender os impactos da IA em um contexto amplo: privacidade, justiça, responsabilidade e explicabilidade. Os usuários que realmente compreendem a IA entendem que implementar a IA não é apenas uma decisão técnica.
O conhecimento em IA generativa é um subconjunto específico do conhecimento em IA focado em grandes modelos de linguagem (LLMs) e outros sistemas generativos. À medida que as ferramentas de IA generativa são mais incorporadas aos fluxos de trabalho das organizações, essa dimensão se torna urgente.
Um aspecto fundamental é entender o conceito de alucinação e incentivar os usuários a abordar as saídas da IA com um grau de ceticismo. Outra é priorizar o uso responsável. Por exemplo, entender o que não deve ser compartilhado com sistemas externos de IA ou reconhecer quando uma tarefa não se beneficia da IA generativa.
Outros aspectos importantes do conhecimento em IA generativa incluem:
O conhecimento em IA é a base de uma transformação digital robusta. "A implementação significativa exige muito mais do que simplesmente ativar novas tecnologias", diz Kimberly Morick, Parceira de Tecnologia de RH da IBM Consulting. "O sucesso requer uma compreensão detalhada de como dados estruturados e não estruturados se complementam, insight sobre mecanismos de aprendizado da IA e supervisão humana estratégica em pontos de decisão críticos."
“Sem essa base”, acrescenta ela, “as organizações correm o risco de implementar ferramentas poderosas com impacto limitado”.
Algumas das melhores práticas para desenvolver o conhecimento em IA em ambientes corporativos incluem:
Programas eficazes de conhecimento em IA começam com uma análise honesta da posição de uma organização. Tanto em termos do nível existente de conhecimento em IA de uma empresa quanto do tipo de conhecimento do qual ela precisará no futuro. Uma avaliação de linha de base significativa pode medir o conhecimento em todas as dimensões:
Durante a avaliação básica, pode ser útil mapear como as funções devem mudar no curto e no longo prazo. Ao planejar a redefinição de cargos, as organizações ajudam a garantir que os funcionários possuam as habilidades necessárias para o futuro e ajudam os funcionários a ver os benefícios reais do conhecimento em IA.
"Ao enquadrar cada automação de fluxo de trabalho como potencial para novo trabalho criativo, o processo de planejamento libera valor potencial", diz Sarah Damenti, Parceira Associada de Transformação de RH e Talentos na IBM.
Em grandes organizações com muitas funções diferentes, um único currículo às vezes pode não dar certo. Treinamentos ou webinars de tamanho único voltados simultaneamente para funcionários da linha de frente e para a equipe de TI podem ser contraproducentes. As organizações bem-sucedidas reconhecem que habilidades diferentes são necessárias para diferentes funções e personalizam o treinamento adequadamente. Usando a IA, as organizações podem criar caminhos de aprendizado individualizados e específicos para cada função, considerando seu nível atual de fluência.
Embora seja crítico que todos os funcionários tenham uma compreensão fundamental de como a IA funciona, os programas eficazes de conhecimento empresarial em IA constroem o aprendizado em torno das ferramentas específicas que os funcionários podem encontrar. Essa abordagem preenche a lacuna entre saber sobre a IA e saber como usá-la de forma eficaz em um fluxo de trabalho real. Um módulo de conhecimento em IA bem projetado orienta os funcionários em cenários práticos específicos, em vez de treiná-los em conceitos abstratos ou ferramentas genéricas.
O verdadeiro conhecimento em IA depende da capacidade de avaliar criticamente as saídas da IA e a possível desinformação em situações do mundo real. As empresas com visão de futuro ensinam essa habilidade de forma explícita, com exercícios e feedback deliberados: os funcionários que usam sistemas de IA com frequência, sem uma prática estruturada de avaliação, podem se tornar mais dependentes desses sistemas com o tempo.
Por exemplo, Matt Beane, Professor Associado de Gerenciamento de Tecnologia na UC Santa Barbara, adota uma abordagem que incentiva os usuários a refletir sobre suas próprias escolhas com a IA. Como Beane disse à IBM, ele combina pequenas equipes de aprendizes para trabalhar com funcionários sêniores que treinam pequenos grupos por meio de uma série de desafios com ferramentas de IA. Durante uma sessão de debriefing, os grupos respondem a uma série de perguntas para descobrir suas suposições inconscientes ou encontrar soluções alternativas.
Um dos fundamentos de uma prática eficaz de aprendizado de IA é uma rede de defensores internos. Pessoas em funções em diferentes funções que são entusiasmadas com a IA e dispostas a compartilhar seus conhecimentos e experiências. Muitas vezes, o entusiasmo pelo conhecimento em IA vem do topo; os principais stakeholders devem ser fluentes no uso da IA e explicar como ela agregará valor a uma organização.
Quando os funcionários estão animados com o potencial das novas ferramentas, é mais provável que se envolvam profundamente com os programas de conhecimento em IA.
Esses defensores internos também podem revelar novos casos de uso de IA que os funcionários estão experimentando ou falhas inesperadas. Esse ciclo de feedback pode ser essencial para manter as políticas e os programas de aprendizado conectados à realidade de como a IA é usada em uma organização, informando treinamentos adicionais.
Conhecimento em IA sem uma forte educação em governança é incompleto. Programas eficazes de conhecimento em IA são construídos juntamente com um framework de governança claro. Essa abordagem significa estabelecer políticas explícitas sobre o uso aceitável, instruindo os usuários sobre quais tipos de dados devem ser inseridos em sistemas de IA e como as saídas geradas pela IA devem ser atribuídas antes do uso. Os programas de conhecimento em IA também devem tornar as salvaguardas de governança visíveis para os funcionários em todos os níveis, incentivando uma cultura de conformidade.
O aprendizado exige tentativa e erro, já a fluência genuína em IA exige o cultivo de uma cultura na qual a iteração é valorizada. Na prática, essa abordagem significa dedicar tempo e recursos à experimentação, como hackathons internos. Morick se refere a essa mentalidade como "pensar como uma startup".
“A IA é uma iniciativa de todos”, diz ela. “Todos precisam assumir a responsabilidade e dizer: como vou ser mais eficaz no meu trabalho? "Como vou entregar resultados mais rápido e de maior valor para a organização com o meu trabalho?" Ao criar intencionalmente espaços seguros para experimentação, as organizações podem fomentar o conhecimento em IA a longo prazo e despertar paixão por novas ideias.
Organização que tratam o conhecimento em IA como uma prioridade organizacional permanente em vez de uma iniciativa única têm mais chances de sucesso. Essa prioridade é um imperativo urgente quando até um terço das horas de trabalho poderá ser automatizado nos próximos anos. Organizações que tratam o conhecimento em IA como uma iniciativa única verão sua força de trabalho ficar para trás em poucos meses. Elas também perderão uma oportunidade de desenvolver as habilidades dos funcionários e o bem-estar futuro.
Priorizar continuamente as experiências de aprendizado de IA requer compromisso estrutural e integração aos processos de desenvolvimento de talentos existentes. Também significa pensar de forma diferente sobre o desenvolvimento de habilidades a longo prazo.
Por exemplo, algumas organizações estão duplicando a contratação de nível inicial, com foco na promoção de um conjunto diferente de habilidades. Em 2026, 67% dos CEOs acreditam que a IA aumentará o número de funcionários iniciantes em suas empresas, e a IBM anunciou recentemente que triplicará as contratações para esse nível este ano. Mas essas funções foram recriadas para priorizar a análise crítica e a supervisão humana da IA em detrimento de tarefas manuais mais rotineiras.
“Se não continuarmos investindo em contratações de nível básico, o que acontecerá daqui a três a cinco anos?” diz Pillay-Bemath. “Não há um pipeline; o poço simplesmente seca”.
Priorizar o conhecimento em IA não significa apenas oferecer desenvolvimento profissional para funcionários veteranos. Trata-se de repensar a forma como as habilidades são desenvolvidas em toda a organização para alcançar o sucesso duradouro.
Simplifique seus fluxos de trabalho e recupere seu dia com a tecnologia de automação do watsonx Orchestrate.
Direcione, gerencie e monitore sua IA usando um único toolkit para acelerar uma IA responsável, transparente e explicável.
Reinvente os fluxos de trabalho e operações críticos adicionando IA para maximizar experiências, tomadas de decisão em tempo real e valor de negócios.