A conversa sobre IA nos conselhos e comitês executivos gira, quase sempre, em torno do que vem por aí. Quais riscos os próximos modelos trazem. Que regulação vai surgir. Quanto tempo ainda temos antes de o mercado mudar de vez. É uma conversa legítima. Só que ela desvia a atenção do problema mais caro que sua empresa tem hoje.
Ethan Mollick, pesquisador de Wharton e autor do blog One Useful Thing, publicou em setembro de 2026 um ensaio chamado "The Overhang". O argumento central é direto: os modelos atuais já são capazes de substituir semanas de trabalho humano complexo, envolvendo pesquisadores, programadores e designers, e a maioria das organizações ainda usa uma fração mínima desse potencial. O gap entre o que a tecnologia consegue fazer e o que as empresas efetivamente fazem com ela é o que Mollick chama de capability overhang. E esse gap tem custo.
Se amanhã todos os laboratórios parassem de treinar novos modelos, isso não mudaria o fato de que os modelos disponíveis hoje já são suficientes para transformar como grandes partes da economia funcionam. O problema não é a tecnologia. É a operação.
O debate errado está consumindo sua energia executiva
Quando a liderança foca o debate em riscos futuros, ela posterga decisões presentes. Enquanto isso, o retorno que poderia ser capturado agora, com os modelos já contratados, já pagos, já disponíveis na assinatura corporativa, fica represado.
Mollick é preciso nesse ponto: a lacuna de capacidade é uma oportunidade justamente porque a maioria das pessoas e organizações não traz suas próprias vantagens para o trabalho com IA. Quem traz, extrai muito mais.
O risco real não é adotar IA cedo demais. É chegar tarde demais à curva de aprendizado operacional.
Por que o retorno não aparece: é um problema de processo, não de ferramenta
A tecnologia está disponível. O contrato está assinado. O acesso está liberado. Mesmo assim, o ROI não aparece no dashboard. Por quê?
A resposta quase sempre está em três pontos:
- Processos não foram redesenhados. A ferramenta foi inserida no fluxo antigo, como um atalho, não como uma mudança de lógica operacional.
- As pessoas não sabem o que pedir. Sem conhecimento do que o modelo consegue fazer, os prompts são rasos e os resultados, medíocres.
- Não há critério para avaliar o output. Sem julgamento humano qualificado, a empresa aceita resultado ruim ou rejeita resultado bom. Nos dois casos, perde.
O terceiro ponto é o mais subestimado. Mollick descreve como, ao construir um trailer de livro com IA, sua única contribuição real foi rejeitar a primeira piada e pedir uma versão mais cinematográfica. Decisões simples, mas baseadas em gosto e conhecimento. Sem esse critério humano, o projeto teria ficado pior, ou não teria saído.
"A lacuna de capacidade entre o que esses modelos conseguem fazer hoje e o que a maioria das pessoas faz com eles é enorme.", Ethan Mollick, One Useful Thing, 2026
As quatro vantagens que sua equipe precisa desenvolver agora
Mollick propõe quatro ativos humanos que determinam quem extrai valor real da IA. Traduzindo para o contexto executivo:
Conhecimento profundo
É a expertise de domínio que permite identificar onde o modelo errou. Um contador experiente percebe em segundos que algo está errado numa planilha. Um diretor de produto percebe que o copy gerado não reflete o posicionamento da marca. Sem esse conhecimento, o erro passa. Segundo Mollick, pesquisas recentes da Anthropic sugerem que especialistas não só obtêm trabalho melhor da IA, como obtêm mais trabalho dela.
Conhecimento amplo
Saber o vocabulário de áreas adjacentes. Saber que existe um conceito chamado "eyebrow" no design, que existe storyboard no cinema, que existe produção enxuta na manufatura. Esse repertório permite instruir o modelo com precisão e reconhecer quando ele está fazendo algo inteligente que você não pediu explicitamente.
Gosto
Antes da IA, o gargalo era produção. Agora é seleção. Gerar vinte conceitos de produto leva minutos. A escassez passou a ser a capacidade de escolher o que presta, o que descarta e o que vira matéria-prima para algo melhor. Gosto não é subjetividade vaga. É critério treinado.
Agência
A disposição de testar os limites do que é possível antes que alguém mande um manual. Mollick descreve isso como a diferença entre esperar alguém te dizer que a IA agora consegue fazer X, e descobrir isso sozinho tentando. Nas empresas, agência significa ter pessoas autorizadas e incentivadas a explorar, não apenas a executar.
O que sua empresa perde a cada trimestre que adia essa adaptação
Não é abstrato. Cada processo que ainda funciona no ritmo pré-IA tem um custo de oportunidade mensurável. Semanas de trabalho de pesquisa, codificação e design que poderiam ser comprimidas em horas continuam sendo executadas no ritmo antigo, com custo antigo, entregando no prazo antigo.
A mudança é inevitável, como Mollick argumenta. O que não é inevitável é o tipo de mudança. Empresas que desenvolvem agora a capacidade operacional de trabalhar com IA, redesenhando processos, treinando critério humano e construindo cultura de experimentação, chegam à próxima onda de modelos com vantagem acumulada. As que esperarem chegam de novo atrasadas, só que num patamar mais alto de exigência.
O overhang existe. A questão é quem vai capturá-lo primeiro: você ou o concorrente que parou de debater o futuro e começou a operar o presente.