Share

A autoridade não se delega: o papel da liderança na era da inteligência artificial

17 de novembro 2026

A inteligência artificial não substitui, nem se espera que substitua, no futuro próximo as pessoas que ocupam posições executivas em empresas complexas. A tecnologia, porém, transforma profundamente as bases da autoridade corporativa. 

Independentemente dos avanços tecnológicos, a responsabilidade estratégica não pode ser automatizada. 

Estudos controlados mostram que dados apresentados com aparente rigor metodológico podem comprometer o julgamento de especialistas experientes. Além disso, explicações técnicas podem aumentar a confiança em uma recomendação sem necessariamente elevar a precisão da decisão. 

A governança de IA é indispensável para organizações que pretendem adotar essa tecnologia em escala. Para jovens líderes, atuar de forma eficaz na era digital exige conciliar clareza estratégica: com metas, avaliação crítica de riscos e uma abordagem humana, capaz de promover segurança psicológica, julgamento contextual e empatia 

A nova fronteira da gestão: onde a autoridade realmente reside 

A pergunta recorrente nos comitês executivos é se a Inteligência Artificial generativa (GenAI) irá substituir a liderança, que parte a meu juízo, de uma premissa equivocada. Nenhuma posição de tomada de decisão estratégica está sob risco imediato. O que está sob pressão é a fonte da autoridade de quem se sente nela.  

Historicamente, a autoridade corporativa esteve ancorada no domínio da informação técnica, na capacidade de análise, na política organizacional e na hierarquia formal. Em um contexto no qual sistemas baseados em Grandes Modelos de Linguagem (LLMs) sintetizam grandes volumes de dados, estruturam cenários complexos de negócios e produzem pesquisas aprofundadas sobre temas variados, o acúmulo de conhecimento é uma das principais fontes de validação do cargo que perde força. 

Em uma revisão de literatura publicada na revista Strategy & Leadership (2025), Dietrich von der Oelsnitz e Tobias Bock avaliaram 730 artigos científicos para examinar as competências críticas exigidas na transição da Era Digital para a inteligência distribuída. A comunicação e a capacidade de orquestrar equipes que trabalham em conjunto com máquinas estão entre as competências centrais.

O teste prático para a liderança, porém, ocorre quando uma recomendação algorítmica chega pronta, com apresentação impecável, justamente no momento decisivo, e se contrapõe ao julgamento tácito de quem precisa assinar a decisão. 

A IA não dilui o dever fiduciário, ela o concentra. Quando o processo decisório era construído de baixo para cima, por sucessivas camadas hierárquicas de analistas e gerentes, o erro operacional podia se dispersar pela cadeia. Nas decisões mediadas por modelos inteligentes, a recomendação chega sem intermediários, e a responsabilidade legal, ética e econômica recai sobre quem, em última instância, aprova ou revê a decisão.  

A falácia da automação e o viés de automação 

Existe uma tentação compreensível de transferir parte do esforço cognitivo da liderança para os algoritmos. Essa iniciativa, esbarra em fragilidades importantes, documentadas pela literatura. O chamado viés de automação é a tendência humana de confiar excessivamente em sistemas automatizados, mesmo diante de inconsistências lógicas evidentes. 

Um experimento publicado na revista Radiology (2023), conduzido por Thomas Dratsch e colaboradores, examinou esse fenômeno com 27 radiologistas de diferentes níveis de experiência. Ao analisar mamografias com o auxílio de um sistema apresentado como Inteligência Artificial, os profissionais mais experientes acertaram em 82,3% dos casos em que o sistema indicava a leitura correta. Quando ela sugeria deliberadamente uma classificação incorreta, a taxa de acerto desse mesmo grupo caiu para 45,5%. A experiência clínica, por si só, não foi suficiente para evitar a aceitação de uma sugestão equivocada, apresentada com aparente rigor estatístico. 

No ambiente de negócios, observa-se uma dinâmica semelhante. Em áreas como medicina, direito e engenharia, os erros podem deixar rastros auditáveis. Já decisões equivocadas sobre precificação, reorganização administrativa ou estratégia tendem a ser diluir na dinâmica empresarial tornando-se menos visíveis e, portanto, mais difíceis de reexaminar. 

Diante do uso crescente da IA nos processos decisórios, uma resposta frequente dos comitês executivos tem sido exigir explicabilidade algorítmica. Quando aplicada isoladamente, porém, essa medida é insuficiente. Em uma meta-análise de 35 estudos publicada na AI & Society (2025), Giuseppe Romeo e Daniela Conti observaram que mecanismos de transparência e explicações automáticas podem aumentar a aceitação subjetiva dos usuários sem melhorar a acurácia da decisão. Explicações simplificadas ou estritamente matemáticas podem fortalecer a confiança, mas não garantem que a recomendação seja correta. 

A redução desses riscos depende do envolvimento ativo de quem opera o sistema e toma a decisão final. A governança corporativa deve incorporar a chamada “fricção por design”: a verificação humana precisa ser consistente e obrigatória, sem ser apressada apenas para acompanhar o ritmo do negócio. Essa responsabilidade continua sendo essencialmente humana. 

Anatomia da geração de valor  

Existe uma cautela em relação a investimentos em IA, é observada em reuniões de diretoria, decorre em parte da frustração com projetos-piloto que não se convertem em valor mensurável, embora impliquem custos operacionais e pressionem a arquitetura tecnológica existente. Em um cenário de juros e custo de capital elevados e inovações conceituais tornam-se difíceis de defender racionalmente. 

A captura de valor por meio da GenIA pode ser organizada em três dimensões: 

Dimensão de valor Mecanismo operacional Exemplo corporativo 
Redução do tempo de ciclo Automação de rotinas, consolidação rápida de relatórios complexos, análise de dados e geração de insights acionáveis. Redução de 50% no tempo de elaboração de relatórios de conformidade regulatória em consultorias globais (economia de 1.500 horas/mês). 
Custo evitado Absorção de volume operacional crescente sem expansão proporcional da folha de pagamento. Manutenção preditiva de equipamentos, evitando a troca de peças ainda operacionais, com economia de US$ 10 mil por mês em peças e mão de obra. 
Reengenharia de processos, especialmente os finalísticos Redesenho do modelo operacional de ponta a ponta, com aprimoramento dos processos atuais antes da automatização. Empresa de logística que utiliza roteamento de caminhões com ajustes em tempo real para mitigar desabastecimentos e otimizar custos de entrega. 

Uma pesquisa da Boston Consulting Group destaca que organizações líderes na captura de valor obtêm 62% do retorno econômico em funções centrais do negócio (core business), e não em áreas periféricas de suporte.  

Antes de automatizar, a liderança deve se fazer duas perguntas: (1) este processo ainda precisa existir? (2) Se a resposta for sim, está bem estruturado ou pode ser aprimorado? Automatizar um fluxo ineficiente pode apenas acelerar o problema. 

Uma hipótese de framework híbrido para a liderança 

Liderar organizações ampliadas por algoritmos e sistemas multiagentes exige superar desafios complexos. Em seu livro Leadership With AI and Trust (2025), o pesquisador Alex Zarifis propõe que a gestão na Era Digital não se apoia em um único estilo, mas na combinação contextual de diferentes abordagens de liderança.   

O líder ambidestro em IA adapta processos para utilizar a tecnologia com eficiência e, simultaneamente, fortalecer a confiança nas relações interpessoais. Essa atuação requer empática, capacidade de interpretar o contexto e habilidades para antecipar desafios e responder a eles.  

Em ambientes nos quais equipes humanas trabalham lado a lado com agentes semiautônomos, uma abordagem inspiracional pode perder parte de sua efetividade prática. Agentes de IA não respondem a apelos emocionais ou a visões de longo prazo; precisam de objetivos claros, limites operacionais, parâmetros rigorosos e métricas de desempenho, características associadas à Liderança Transacional. 

A liderança bem-sucedida nesse cenário combina a estrutura transacional com uma abordagem centrada nas pessoas. Três aspectos são fundamentais: 

  • Estabelecer regras de governança: quanto aos limites de autonomia dos sistemas, mantendo a responsabilização formal pelas entregas finais. Com as devidas adaptações, esse modelo também contribui para alinhar as expectativas da equipe e avaliar o desempenho das ferramentas de IA.  
  • Desenvolver competências digitais nas equipes e criar condições que fortalecem a segurança psicológica do receio de obsolescência.  
  • Conduzir a transformação quando a estratégia de digitalização estiver bem definida, enfrentando resistências, priorizando projetos, mobilizando recursos e sustentando a confiança na reinvenção do modelo de negócio.  

A literatura destaca a comunicação como uma competência essencial em processos complexos de transformação. Selecionar e usar, com cuidado e técnica, canais e formatos adequados a diferentes públicos demanda tempo, energia e parcerias. Embora seja um desafio, esse trabalho é indispensável.  

Guia prático para um jovem líder 

Para jovens executivos que lideram equipes em meio à transformação digital e à inteligência distribuída, mobilizar pessoas e colocar iniciativas em prática é mais importante do que apenas discursar. A liderança exige um conjunto renovado de conhecimentos, habilidades e atitudes. A seguir, algumas recomendações para apoiar essa jornada. 

Passo 1. Diagnóstico e “fricção de controle” 

Avalie as rotinas da equipe e classifique cada processo de acordo com o custo de possíveis erros. Atividades como avaliação de desempenho, promoções, demissões e decisões financeiras estratégicas devem seguir o princípio de que a decisão final cabe a uma pessoa.  

Determine que todo relatório ou plano elaborado com apoio de IA seja revisado por um profissional designado, com autonomia para questionar ou rejeitar conclusões baseadas em premissas frágeis. A responsabilidade pela assinatura dos documentos é sempre humana.  

Passo 2. Erradicação da shadow AI 

O uso de plataformas públicas gratuitas pode expor informações confidenciais e gerar riscos de violação da LGPD. Conheça as diretrizes da organização para uso de ferramentas de IA generativas e participe de um comitê interno ágil, com representantes das áreas de Negócios, TI, Compliance e Jurídico, seguindo o modelo de três linhas de defesa.  
 

Incentive a equipe a entender como funcionam os modelos de linguagem (LLM). Mais importante do que dominar fórmulas de prompt é reconhecer suas limitações: esses sistemas podem gerar informações falsas, concordar excessivamente com usuário ou ignorar aspectos do contexto, mesmo quando apresentam suas respostas com segurança.  

Passo 3. Liderança pelo exemplo 

Ensine à equipe a revisar resultados produzidos por IA. Mostre onde o sistema falhou, como as fontes foram verificadas e por que o julgamento humano foi decisivo. A confiança se fortalece quando os critérios são claros. O líder também deve usar a tecnologia: não é possível conduzir essa transformação sem participar dela.  
 

Evite sobrecarregar os projetos-piloto com planilhas ou exigir, no curto prazo, que a margem líquida seja o único indicador de sucesso. Acompanhe também as métricas, como o tempo de execução, o retrabalho, a qualidade das entregas e as horas liberadas para o relacionamento com os clientes.  

Por fim: o julgamento Guia prático para um jovem líder 

A maturidade no uso da IA exige reconhecer seu potencial e seus limites. Os grandes modelos de linguagem (LLMs) identificam padrões estatísticos nos prompts e nos dados de treinamento. Com isso, produzem respostam mais rápidas e simulam aspectos de raciocínio humano em escala inédita. No entanto, não têm compromisso próprio com a verdade, a correção ou a ética. Esses atributos dependem do julgamento humano.   

Dizer que o GPT “errou” pode revelar uma compreensão limitada da tecnologia. Suas respostas se baseiam em padrões e, por si só, não garantem que uma informação seja verdadeira ou correta.  

A integridade fiduciária, a empatia na condução de crises e a capacidade de assumir as consequências de decisões ambíguas continuam sendo responsabilidades humanas.  

Cabe aos jovens líderes desmistificar a tecnologia diante de seus pares e equipe. Embora poderosa, a IA não deve ser aplicada a problemas antigos sem uma revisão dos processos. Seu uso responsável, orientado por normas de governanças, precisa estar apoiando em fluxo de trabalho bem estruturados.  

Por fim, a liderança deve manter uma postura crítica diante das recomendações da máquina. Que possamos usar nosso tempo para impulsionar o desenvolvimento das empresas, das comunidades e do país, sempre com humanidade e atenção a quem mais precisa.

Referências


· Bock, T., & von der Oelsnitz, D. (2025). Leadership-competences in the era of artificial intelligence – A structured review. Strategy & Leadership, 53(3), 235–255. https://doi.org/10.1108/sl-09-2024-0100

· Boston Consulting Group. (2024). AI adoption and value generation across core business functions [Research Report]. https://www.bcg.com

· Deloitte. (2025). State of Generative AI in the enterprise: Now decides next [Executive Survey]. https://www2.deloitte.com

· Dratsch, T., et al. (2023). Automation bias in mammography: The impact of artificial intelligence BI-RADS suggestions on reader performance. Radiology, 307(4), e222176. https://doi.org/10.1148/radiol.222176

· Latini, L. M. D., Klafke, G. F., & Feferbaum, M. (2025). Comitês de ética em inteligência artificial (IA): Por onde começar? GV-Executivo, 24(1), e92932. https://doi.org/10.12660/gvexec.v24n1.2025.92932

· Romeo, G., & Conti, D. (2025). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society. https://doi.org/10.1007/s00146-025-02422-7

· World Economic Forum. (2025). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/

· Zarifis, A. (2025). Leadership with AI and trust: Adapting popular leadership styles for AI. Walter de Gruyter. https://doi.org/10.1515/9783111630137

· Zarifis, A., & Cheng, X. (2024). How to build trust in answers given by Generative AI for specific, and vague, financial questions. Journal of Electronic Business & Digital Economics, 3(3), 236–250. https://doi.org/10.1108/jebde-11-2023-0028

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

SEM TEMPO PARA LER AGORA?
Sobre a FIA Business School:

Com um olhar sempre no futuro, desenvolvemos e disseminamos conhecimentos de teorias e métodos de Administração de Empresas, aperfeiçoando o desempenho das instituições brasileiras através de três linhas básicas de atividade: Educação Executiva, Pesquisa e Consultoria.

CATEGORIAS
POSTS EM DESTAQUE

Condições de parcelamento

Valor do curso

Valor do curso para empresa parceira

à vista

R$ 45.400,00

R$ 31.780,00

12 x

R$ 3.910,00

R$ 2.736,33

18 x

R$ 2.653,00

R$ 1.856,76

24 x

R$ 2.025,00

R$ 1.417,25

30 x

R$ 1.649,00

R$ 1.153,78