Estratégia de adoção de IA no setor público: um método para o gestor conduzir do diagnóstico de maturidade à priorização de casos e ao plano de implantação.
Especialista em inteligência artificial e transformação digital. Mais de 10 anos ajudando empresas brasileiras a implementar soluções de analytics e IA.
Entusiasmo não é estratégia. Um órgão pode comprar as ferramentas mais modernas de IA, liberar acesso para toda a equipe e, seis meses depois, não ter mudado quase nada no que entrega ao cidadão. A tecnologia estava lá o tempo todo; o que faltou foi um método para adotá-la. Uma estratégia de adoção de IA no setor público é exatamente esse método: a distância entre comprar uma ferramenta e mudar como o órgão trabalha.
Essa distância é onde a maioria das iniciativas morre. Não por falta de tecnologia, que hoje é barata e acessível, mas por excesso de empolgação e falta de condução. Compra-se sem um problema claro, testa-se sem prioridade, escala-se sem preparar as pessoas, e o resultado é uma frustração que ainda atrasa a próxima tentativa. Adotar bem é o oposto de sair comprando: é olhar com honestidade para onde o órgão está, escolher poucas batalhas certas e levar a equipe junto.
Este é o último post da série sobre IA no setor público, e ele costura os anteriores num roteiro que o gestor pode conduzir do começo ao fim: diagnosticar a maturidade do órgão, priorizar casos de uso sem se perder, estruturar um projeto de adoção responsável e preparar a equipe que vai tocá-lo. É o mapa da jornada inteira, do diagnóstico ao plano de implantação.
Vale começar pelo fim ruim, porque ele se repete com uma regularidade que denuncia as causas. Projetos de IA raramente falham por a tecnologia não funcionar. Falham por motivos de gestão, e quase sempre os mesmos quatro.
O primeiro é começar sem um problema claro. A ferramenta entra como resposta a uma pergunta que ninguém fez, e sem um problema definido não há como saber se ela ajudou. O segundo é o dado bagunçado: informação espalhada, desatualizada ou trancada em sistemas que não conversam, sobre a qual nenhuma IA faz milagre. O terceiro é a ausência de patrocínio: sem um dirigente que banque a iniciativa, ela morre no primeiro conflito de prioridade. E o quarto, o mais subestimado, é ignorar a gestão da mudança, tocar o projeto como se instalar a ferramenta fosse suficiente e as pessoas fossem se adaptar sozinhas.
Uma ferramenta comprada sem um problema definido e sem gente preparada para usá-la é dinheiro público gasto que não vira serviço melhor para ninguém.
Nada disso é exclusivo do setor público, e o padrão está detalhado no post sobre por que projetos de IA falham. O que muda na administração pública é o custo do fracasso: além do desperdício, ele alimenta o ceticismo interno e reforça a ideia de que "isso não é para nós". Uma estratégia de adoção existe justamente para não tropeçar nessas quatro pedras, e ela começa por um diagnóstico honesto.
Antes de escolher qualquer caso de uso, o gestor precisa responder uma pergunta desconfortável: o quão pronto o órgão está de verdade? Pular essa etapa é a origem de metade dos projetos que emperram, porque a adoção começa a ser desenhada para um órgão idealizado, não para o que existe.
O diagnóstico honesto olha para quatro frentes. A primeira são as ferramentas: a que a equipe já tem acesso, o que a instituição autoriza usar e quais cuidados de segurança existem. A segunda é o dado: onde a informação mora, em que estado ela está e o quanto dela é confiável, porque a qualidade do dado limita tudo o que vem depois. A terceira é a cultura: o quanto a equipe decide com base em evidência e o quanto ainda decide no "sempre foi assim". A quarta, e a mais determinante, é a capacitação: quantas pessoas sabem usar as ferramentas com juízo, e não apenas apertar botões.
O ponto do diagnóstico não é dar nota ao órgão, é revelar por onde a adoção precisa começar. A frente mais fraca é a que manda no ritmo, e reconhecê-la cedo evita prometer o que a estrutura ainda não sustenta. Para um roteiro que vale também fora do setor público, o post sobre como saber se uma organização está pronta para IA ajuda a estruturar as perguntas.
Feito o diagnóstico, vem a pergunta que trava muita gente: por onde começar, entre as dezenas de coisas que a IA "poderia" fazer? Aqui a ferramenta certa é uma matriz simples de duas dimensões, e ela é diferente das que apareceram antes nesta série.
Liste os candidatos e posicione cada um em dois eixos. No eixo do impacto, quanto aquele caso devolve em tempo, qualidade e alcance para o órgão e para o cidadão. No eixo do esforço, quanto custa colocá-lo de pé: o dado está disponível, é preciso integrar sistemas, a equipe está preparada. Repare que impacto não é a mesma coisa que volume: um caso de baixa frequência pode ter impacto alto se destrava um gargalo ou melhora uma decisão sensível. E o risco, aquele de afetar direitos que estruturei no post sobre IA responsável na administração pública, não entra como eixo: ele funciona como um veto que vem por cima, rebaixando qualquer caso que decida sobre o cidadão para bem depois na fila, por mais tentador que pareça.
No eixo do impacto, quanto o caso devolve em tempo, qualidade e alcance ao órgão e ao cidadão. No eixo do esforço, quanto custa implantar: dado disponível, integração e preparo da equipe. Comece pelos casos de alto impacto e baixo esforço, deixe os de alto esforço para quando houver repertório, e trate o risco como um veto que pesa sobre os dois eixos.
O quadrante por onde começar é o de alto impacto e baixo esforço: os casos que devolvem resultado visível sem exigir uma reforma de sistemas ou uma equipe que o órgão ainda não tem. São eles que geram a primeira vitória concreta, e é essa vitória que compra a confiança da equipe e o patrocínio da liderança para os passos seguintes. Casos de alto impacto e alto esforço não estão descartados, apenas esperam o órgão ganhar repertório. Os de baixo impacto, independentemente do esforço, saem da lista. Essa priorização conversa com a leitura de redesenho de processos administrativos com IA, que olha os fluxos recorrentes do órgão pela lente do volume e do risco; as duas se complementam, uma escolhe o processo, a outra escolhe a batalha.
Escolhido o primeiro caso, o projeto ganha forma. Um projeto de adoção responsável tem quatro etapas, e a ordem importa: pular uma delas é reabrir a porta para os fracassos do começo deste texto.
Antes da solução, o problema. Qual é a dor concreta, quantas horas ela consome, quem sofre com ela e como saberemos que melhorou. Sem um problema desenhado com números de referência, não há como medir ganho depois, e o projeto vira uma questão de fé.
Aqui você decide em que pontos a IA entra e quais seguem humanos, sem quebrar a cadeia de responsabilidade. Na maioria dos casos, a solução mais sensata usa ferramentas que o órgão já pode acessar, configuradas para a tarefa, e não um sistema novo e caro. Comece pequeno o bastante para caber num piloto de poucas semanas.
Antes de rodar, a pergunta de sempre: esse uso toca dado pessoal, decide sobre um direito, precisa ser explicado ao cidadão? É a etapa que conecta o projeto à LGPD, à Lei de Acesso e à supervisão humana, e ela define onde a revisão humana é obrigatória. Um projeto que pula a análise de riscos pode ser rápido e ainda assim ilegal.
Por fim, como isso vira rotina: quem usa, com qual treinamento, com qual acompanhamento nas primeiras semanas e com qual medição do resultado. O plano de implantação é onde a maioria dos projetos deveria investir mais e investe menos, porque é a ponte entre o piloto que deu certo e o hábito que fica.
Um piloto pequeno e bem medido ensina mais do que um projeto grande e vago. Comece por um caso, prove o ganho com números e use essa prova para conquistar o próximo.
Chega o ponto que atravessa toda esta série e que costuma ficar por último quando deveria vir primeiro. Nenhuma das etapas anteriores gera resultado se a equipe não estiver preparada para conduzir a ferramenta com juízo. Tecnologia sem gente que saiba usá-la não muda o serviço público, apenas enche uma licença que ninguém aproveita.
Gestão da mudança, no setor público, é lidar com três coisas ao mesmo tempo: o receio de que a IA ameace o cargo, a insegurança de quem nunca usou a ferramenta e o hábito de fazer do jeito de sempre. Nenhuma delas se resolve com um comunicado ou com um treinamento de duas horas sobre "como usar o ChatGPT". Resolve-se dando à equipe permissão para experimentar nas tarefas de baixo risco, referências claras de quando confiar e quando desconfiar da saída, e o exemplo de uma liderança que usa e cobra.
Capacitar, aqui, não é ensinar a apertar botões. É formar o julgamento que separa um rascunho útil de uma alucinação convincente, é criar no órgão uma biblioteca de bons prompts e assistentes configurados para as tarefas recorrentes, é ter pessoas de referência que ajudam as demais. Na sala de aula do MBA de Gestão Pública onde ministro Inovação e Inteligência Artificial, o que mais transforma o servidor não é conhecer uma ferramenta nova, é ganhar critério para decidir onde ela entra e onde ela não deveria entrar. Esse critério não vem embutido em nenhum software; ele se constrói na prática, sobre as tarefas reais do órgão.
Ferramenta o órgão compra em uma tarde. A capacidade de usá-la com juízo se constrói, e é ela que sustenta todo o resto.
Por isso a capacitação não é uma etapa que vem depois da tecnologia, é o alicerce que faz a tecnologia render. Um órgão que investe em formar servidores adota de um jeito que dura, porque a competência fica nas pessoas mesmo quando a ferramenta da vez é trocada pela próxima. Um órgão que só compra licença adota de um jeito que evapora no primeiro obstáculo.
Estratégia sem medição é palpite com nome bonito. Desde o primeiro piloto, meça duas coisas: o ganho concreto do caso escolhido, comparando antes e depois numa amostra real, e a adesão da equipe, quantas pessoas de fato incorporaram a ferramenta na rotina. Um caso que economiza tempo mas ninguém usa não é sucesso, é uma prova de conceito parada na gaveta. E o melhor sinal de que a adoção pegou não é o número de licenças ativas, é a equipe pedindo para levar a IA ao próximo processo por conta própria. Quando isso acontece, é hora de voltar à matriz de impacto e esforço e escolher a próxima batalha, agora com o repertório que o primeiro caso não tinha.
Comece por um diagnóstico honesto das quatro frentes, ferramentas, dado, cultura e capacitação, para saber o que a estrutura sustenta. Em seguida, escolha um único caso de alto impacto e baixo esforço, que devolva resultado visível sem exigir sistema novo, e rode como piloto de poucas semanas. Essa primeira vitória concreta é o que compra confiança para os passos seguintes, muito mais do que tentar transformar tudo de uma vez.
São perguntas diferentes que trabalham juntas. A matriz de impacto e esforço escolhe por onde começar em termos de retorno e viabilidade: alto impacto e baixo esforço primeiro. O risco não é um eixo dessa matriz, é um veto que vem por cima: um caso que decide sobre direito do cidadão desce na fila mesmo que seja fácil e útil, porque exige supervisão humana forte antes de qualquer automação.
Na maioria dos casos, não. O maior erro inicial é confundir adoção com compra de tecnologia. Boa parte dos primeiros ganhos vem de configurar bem ferramentas que o órgão já pode acessar e de preparar a equipe para usá-las, não de um sistema sob medida. Infraestrutura própria pode fazer sentido mais adiante, para casos de alto esforço.
Tratando a resistência como parte do projeto, não como obstáculo a ignorar. O receio costuma vir da insegurança de nunca ter usado a ferramenta e do medo em relação ao cargo. Dar permissão para experimentar em tarefas de baixo risco, oferecer capacitação prática sobre as tarefas reais do órgão e ter uma liderança que usa e apoia desarma boa parte da resistência. Equipe preparada resiste menos porque entende o que a ferramenta faz e o que continua sendo dela.
Esta série percorreu seis passos de uma mesma caminhada. Começou pelo senso crítico para usar IA generativa sem cair em armadilhas, passou pela prática de escrever bons prompts, pelos cuidados de responsabilidade com dado e direito do cidadão, pelo redesenho dos processos do órgão, pela escada de autonomia dos assistentes e agentes e chega, agora, à estratégia que organiza tudo isso num plano de adoção. Cada tema resolve uma parte; juntos, eles descrevem como um órgão sai da curiosidade para a competência.
Se há uma conclusão que atravessa os seis, é esta: a tecnologia é a parte fácil e barata da história. O que decide o resultado é o preparo das pessoas que vão conduzi-la. Um plano de adoção bem feito escolhe as batalhas certas, mas é a capacitação da equipe que transforma esse plano em serviço público melhor, e que faz o ganho durar depois que a ferramenta da vez virar a anterior. Todo o resto se apoia nesse alicerce.
Quer preparar sua equipe de servidores para conduzir a adoção de IA no órgão, do diagnóstico de maturidade ao plano de implantação? Conheça os programas de capacitação da Waxi. Trago para a sala de aula a experiência de ensinar gestores públicos a usar IA na disciplina de Inovação e Inteligência Artificial de um MBA em Gestão Pública e em cursos de IA e inovação.
Assistentes e agentes de IA no setor público: entenda a escada de autonomia, do chat ao agente, e aprenda a decidir até onde delegar em cada caso do órgão.
Redesenho de processos administrativos com IA: como sair da tarefa avulsa e reprojetar o fluxo inteiro do órgão, com mapeamento, ferramentas e medição de ganho.
Por que projetos de IA falham na travessia do piloto para a produção: as cinco causas reais e o método para atravessar o vale da morte.
