Você já está no top 1% dos usuários de IA. Sim, existe uma lacuna entre você e o pessoal na fronteira. Aqueles malucos rodando 20 terminais simultaneamente com uma base de conhecimento que se reescreve a cada execução.
A má notícia é que você nunca vai alcançar essas pessoas. A boa notícia é que você não precisa. Essa lacuna, a lacuna à sua frente, é muito menor do que a lacuna atrás de você.
Pode não parecer que você está no top 1% porque você vê nerds no X criando frotas de agentes por impulso, mas confie em mim: você está no top 1%. Você provavelmente usa um modelo todos os dias, tem opiniões sobre a melhor forma de usá-lo e talvez até mexa com agentes ou tenha configurado o Hermes na sua própria máquina.
Por outro lado, entre você e o funcionário mediano de uma grande empresa existe um abismo. Essa pessoa talvez tenha aberto o ChatGPT 4 vezes em 2 anos. Ela usou o 3.5-turbo e decidiu que IA era bobagem, sem perceber que o GPT-5.6 Sol Ultra acabou de produzir uma prova de uma conjectura da teoria dos grafos que estava em aberto há 50 anos. Todo artigo ou post sobre estratégia de IA parte do princípio de que essa pessoa, esse funcionário mediano, vai eventualmente alcançar os outros.
Estou te dizendo: não vai.
Para contextualizar, sou o CEO da @varickagents. Trabalhamos com as maiores empresas do planeta para implementar agentes de IA e estratégia em suas organizações, então sabemos uma coisa ou duas sobre a realidade da IA no ambiente corporativo.
FIGURA 1 - O abismo
A melhor ferramenta de IA do mundo não os deixou mais rápidos
Recentemente conversei com o líder da área de operações de uma empresa não técnica (milhares de pessoas). Sem IA, ele disse, a equipe dele estava indo em um ritmo decente. Nenhuma reclamação grave.
Então eles lançaram o Claude Cowork e, adivinha? A equipe continuou no mesmo ritmo. Ele me perguntou por quê.
Vi a mesma divisão em todas as organizações. Não importa se são 50 pessoas ou 5.000, é sempre a mesma divisão: um haltere. 5-10% das pessoas eram usuários avançados. Eles usavam o Cowork todos os dias, aproveitando skill files, conectores com o Outlook e muito mais. Eram os evangelistas, os que pediram o Claude Cowork em primeiro lugar porque mexem com IA fora do trabalho e veem em primeira mão o impacto que ela pode ter.
Dos outros 90%, 20% usariam algumas vezes por dia, bem mal. Eles extraem algum valor, mas uma fração do que o pessoal da fronteira consegue. E os 70% restantes não usavam nada.
FIGURA 2 - Um décimo deles são bons
Os dashboards da organização dele mostrariam que a implementação conta como adoção. Mas para ele, nada ficou mais rápido. As duas coisas eram verdade ao mesmo tempo.
Usar e usar bem são habilidades diferentes
Mesmo entre aqueles que usam IA, a diferença de habilidade é enorme. Usuários de IA que não fazem ideia do que estão fazendo ficam muito piores depois da IA do que estavam antes.
É trivial instalar o Claude, apontá-lo para um repositório, enviar um prompt de quatro palavras e ver algo acontecer (pode estar certo, pode estar errado).
Usar bem é uma habilidade diferente. Saber quando limpar o contexto. Saber que aquilo que você acabou de fazer duas vezes deveria virar um skill file que o modelo lê toda vez, em vez de um prompt que você redigita. Saber quais 15% do projeto de automação exigem um modelo para julgamento vs quais 85% só exigem código determinístico. E o mais importante: ler um diff corretamente antes de aceitá-lo.
Se você der o mesmo ticket para dois engenheiros, essa divergência fica aparente nos primeiros 5 minutos. O primeiro simplesmente cola o texto do Jira no Claude e clica em enviar. A correção vai tocar em seis arquivos, e esse engenheiro vai passar os olhos, ver que os testes continuam passando e então dar merge no PR. Três semanas depois, quando a produção começar a dar problema, alguém vai perceber que esse PR mudou um valor de configuração sem motivo nenhum.
O segundo engenheiro começa igual. Ele cola o texto do Jira, mas depois indica onde no repositório o código vive, quais pastas e arquivos tocar vs quais deixar em paz, e já tem skill files que garantem que todo PR enviado pelo Claude seja minimalista em vez de verboso e seja adequadamente testado antes do envio. Ele então lê o diff, pega uma alteração indevida, corrige com um prompt rápido e dá merge em um PR com metade do tamanho do primeiro.
FIGURA 3 - Mesma ferramenta, mesmo assento, resultado diferente
Pelo menos metade de qualquer organização nunca vai chegar a essa segunda versão. Usar IA bem é um ofício. É preciso uma iteração enorme para ficar realmente bom em usar IA, e a inércia de quem não está na IA é intransponível para muitos. Transformar um canhão de porcaria em um usuário avançado refinado é igualmente difícil.
Uma implementação perfeita ainda produz um haltere
A objeção óbvia é que "bem, são apenas empresas que estão fazendo errado. Eu faria muito melhor." Não. Mesmo se você implementar perfeitamente, vai ter um haltere de qualquer jeito.
Outro executivo com quem conversamos acabava de colocar licenças enterprise na frente da organização dele. Um compromisso de oito dígitos para o ano. Aproximadamente 10% das pessoas queimam 90% dos tokens.
Para colocar em perspectiva: se os outros 90% usassem IA como o décimo superior usa, o gasto subiria cerca de 10x. Um compromisso de US$ 10M vira US$ 100M, e seu melhor cenário agora é o seu pior.
FIGURA 4 - 10% dos seus assentos queimam 90% dos tokens
Adoção é binária, habilidade é um espectro
A pesquisa da McKinsey de 2025 diz que 88% das organizações usam IA em pelo menos uma função de negócio. Apenas 6% veem mais de 5% do seu EBIT vir disso. Outra estatística do relatório GenAI Divide do MIT NANDA: 5% dos pilotos integrados extraem milhões em valor e os outros 95% não mostram impacto mensurável no P&L.
Se você acompanha adoção como métrica, muito provavelmente está perguntando (no máximo) uma abstração de uma pergunta de sim ou não. "Essa pessoa fez login este mês?" "Essa pessoa fez login este ano?" "Essa pessoa enviou pelo menos 5 prompts por dia?" Se você quer diferenciar entre "nunca abriu" e "cola e-mails para reformatar" e "tem três agentes em produção mexendo no livro-razão geral", você precisa de um sistema de medição melhor. Esse não é o caso para 99,9% dos rastreadores de adoção de IA empresarial. Isso é estúpido, por razões óbvias (veja: haltere, acima).
FIGURA 5 - O que o número de adoção esconde
Mas o número é tecnicamente real, e as pessoas não estão mentindo sobre adoção. Isso é muito mais fácil de medir do que a coisa que você realmente se importa: quão habilidosa cada pessoa é em usar IA e qual é o ROI delas por token usado?
É por isso que adoção de IA é um mito. Se você realmente acompanhasse essa métrica, perceberia que não há esperança para a grande maioria das pessoas se tornarem nativas de IA na empresa. Isso significa que elas não têm valor? Claro que não. Só significa que seu plano de implementação e lançamento precisa ser ajustado de acordo.
Todos os incentivos mantêm o abismo aberto
O roadmap de todo fornecedor de IA vende maior capacidade para agentes, mas não diz nada sobre a habilidade das equipes de usá-la efetivamente. Então as únicas pessoas que usam efetivamente são os usuários da fronteira, que são os mais barulhentos, então eles têm voz. Eles também são os mais lisonjeiros para desenvolver, então é uma clara vitória dupla. Cada lançamento de recurso eleva o nível mínimo de habilidade para usar o produto bem, e isso só alarga o abismo entre a fronteira e a maioria em uma organização.
Continuo vendo empresas seduzidas pela ideia de "treinar seus funcionários para fazer prompt!" Isso é 10% do jogo. Os outros 90% é "treinar seus funcionários para entender quais fluxos de trabalho nunca deveriam tocar um modelo vs quais fluxos deveriam ser totalmente automatizados." A razão pela qual você não consegue vender isso tão facilmente quanto o treinamento de prompt é porque a resposta é diferente em cada empresa, e leva algumas semanas in loco para descobrir.
E os ninjas da IA dentro da sua empresa não têm incentivo para consertar isso também. A alavancagem deles É o abismo. Eles fazem seu trabalho 70% mais rápido e depois podem relaxar. Ou fazem o trabalho de 3 pessoas. Mas no momento em que todo mundo entra nessa onda, eles perdem a vantagem. Por que eles consertariam isso sem incentivo adicional?
Então qual é a solução?
Bem, você tem que treinar de qualquer forma. Você não vai saber quem está na fatia superior vs quem não está até fazer isso. Nesse sentido, o treinamento é diagnóstico, não corretivo. Definitivamente há algumas pessoas na sua empresa que se interessam por IA, mas não têm tempo e alavancagem para se aprofundar. Você deve treinar para expor a habilidade e o nível de conforto de cada um.
Para sua fatia superior, seus usuários avançados, dê a eles um lugar para publicar, como um banco de dados compartilhado, para que cada skill que eles criarem seja postada, classificada e instalada por outras pessoas. Esse é o único mecanismo que vi que transforma o avanço de uma pessoa em algo compartilhável. Aqui, a classificação é o incentivo: usuários avançados vão trocar sua vantagem por status na organização. A lacuna permanece: você pode divulgar isso para todos e ainda assim 50% das pessoas nunca vão usar uma skill.
Para todos os outros, o trabalho precisa ser feito sem que eles mudem a forma como trabalham, o que significa que a IA vai para o segundo plano. Por que você precisa que a IA receba um prompt de um humano de qualquer forma? Apenas descubra quais são os processos mais repetitivos, construa agentes nos seus sistemas de registro existentes que os funcionários já usam (Salesforce, NetSuite, Dynamics, etc.) e envolva humanos apenas onde você precisa de uma segunda olhada.
Por exemplo: você tem dezenas de analistas de contas a pagar que passam o dia todo movendo faturas. 90% disso é automatizável. Você não pode esperar que eles criem agentes ou façam prompts confiáveis sem quebrar em produção. Então construa os agentes que rodam todos os dias, e agora esses analistas estão apenas aprovando, rejeitando ou editando o trabalho que os agentes fazem.
Uma coisa que você precisa lembrar: as pessoas não estão no mercado por uma ferramenta que as ajude a fazer o trabalho. Elas só querem o trabalho feito.
FIGURA 6 - Dois caminhos, dimensionados para quem realmente está neles
Então pare de reportar "adoção" para o seu conselho. Reporte qual parcela do trabalho hoje é manual vs híbrida vs totalmente automatizada. Esse é o único relatório e conversa que importa.
Como você constrói esses agentes em segundo plano e os coloca de pé? Isso é um artigo separado por completo. Mas para dar mais contexto, é exatamente isso que fazemos na Varick, e é a única coisa que funcionou para os clientes para quem implementamos IA. São empresas incrivelmente grandes com milhares de pessoas, e o manual é o mesmo:
Auditamos onde o trabalho realmente acontece dentro de uma organização, depois construímos agentes nos seus sistemas de registro existentes, para que o trabalho seja feito sem pedir que cinco mil pessoas se tornem boas em um ofício que elas não se inscreveram para fazer.
Trabalhamos com empresas que faturam mais de US$ 500 milhões, nas áreas de finanças, vendas, compras, operações, RH e muito mais. Dê uma olhada em varickagents.com. E se você quiser mais conteúdo como este, assine nossa newsletter em varickagents.com/newsletter.
TLDR
- Você provavelmente está no top 1%, e embora ainda haja uma lacuna à sua frente, há um abismo atrás de você. O funcionário mediano da sua empresa está a milhas de distância, e a lacuna na verdade aumenta a cada lançamento.
- A implementação média do Claude Cowork ou similar funciona assim: 5-10% viram usuários avançados, 20% usam mal, 70% quase não usam, e nada fica mais rápido, mas você definitivamente queima milhões de dólares.
- Usar uma ferramenta e usá-la bem são habilidades separadas, e pelo menos metade de qualquer organização nunca a usa bem.
- Uma ótima implementação não conserta isso. Você pode colocar IA na frente de milhares, mas 10% da sua organização ainda vai queimar 90% dos seus tokens.
- Métricas de adoção colapsam um espectro inteiro em um binário sim e não, e é assim que você consegue 88% de adoção enquanto apenas 6% veem impacto real no EBIT.
- Você precisa treinar a fatia superior e publicar o que eles constroem. Para todos os outros, coloque a IA em segundo plano nos sistemas em que eles já trabalham.
