Especialista em Inovação na Entrega Explica as Condições Necessárias para uma Integração Bem-Sucedida da IA
Michael Housman é o fundador da AI-ccelerator e autor de Future Proof: Transforme a Sua Empresa com IA (ou Fique para Trás). Em poucas palavras, o seu trabalho consiste em desafiar os métodos tradicionais de gestão de projetos e modernizar a entrega de projetos nas organizações. E faz isso formando líderes de projeto, redesenhando processos e integrando a IA nos fluxos de trabalho.
Michael Housman
Fundador e CEO da Aiccelerator
A iteração rápida supera o planeamento rígido na era da IA: Michael defende que a gestão de projetos tradicional falha em ambientes em rápida evolução. A entrega potenciada pela IA exige hábitos curtos e repetíveis — análises semanais do horizonte, revisões mensais e microexperiências diárias — em vez de roteiros de longo prazo. As equipas que têm sucesso criam um ritmo de teste, ajuste e aprendizagem contínuos.
A mudança cultural é mais importante do que as ferramentas: A adoção da IA falha quando as organizações tratam a IA como um “acrescento”. Michael salienta a importância do design centrado nas pessoas, dos hábitos e dos rituais: formação liderada pelos pares, partilha de conquistas, bibliotecas de instruções e pequenas experiências com fluxos de trabalho. A verdadeira transformação resulta da reformulação dos comportamentos, não da implementação de novo software.
A IA está a tornar-se uma colaboradora, não uma ferramenta: O futuro da entrega de projetos assenta numa parceria entre pessoas e IA. A IA trata da pesquisa, síntese, análise, redação e dos fluxos de trabalho repetitivos, enquanto as pessoas se concentram na estratégia, no discernimento, na criatividade e no alinhamento. Os gestores de projeto afastam-se das tarefas administrativas para se dedicarem à coordenação e à liderança estratégica — com a IA a encurtar a distância entre os dados e os conhecimentos úteis.
Falámos com Michael para compreender o que é necessário para modernizar com sucesso os sistemas de entrega com IA. Disse-nos que tudo se resume a cultivar uma iteração rápida — o que é mais fácil dizer do que fazer.
Ajudar as equipas a fazer da IA uma parceira fiável
Lidero a AI-ccelerator, onde eu e a minha equipa ajudamos as organizações a modernizar os seus sistemas de entrega, integrando a IA diretamente nos seus fluxos de trabalho.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
A minha experiência abrange a ciência de dados, a economia comportamental e a implementação de IA em larga escala, mas atualmente a maior parte do meu trabalho centra-se em ajudar as empresas a repensar a forma como o trabalho é realizado num mundo onde a própria inteligência se está a tornar escalável. Em vez de tratar a IA como uma ferramenta adicional, ajudo as equipas a redesenhar processos para que as pessoas se possam concentrar na criatividade, no discernimento e na estratégia — enquanto as máquinas tratam do trabalho repetitivo e moroso de análise de projetos.
Na prática, isso significa que passo grande parte do meu tempo a orientar equipas através do planeamento da IA, de estruturas de experimentação, de estratégias de adoção e do desenvolvimento de capacidades em larga escala. Quer esteja a ajudar uma equipa de marketing a lançar campanhas mais rapidamente, quer esteja a formar analistas para tomarem decisões melhores e mais rápidas, o meu papel na execução de projetos consiste em tornar a IA numa colega de equipa fiável, em vez de uma incógnita intimidante.
Porque é que a adoção da IA falha sem mudança cultural e design centrado nas pessoas
A IA mudou o meu papel de “criador de soluções” para “arquiteto de capacidades”. Passo menos tempo em análise manual, investigação ou criação de conteúdos, porque a IA consegue agora tratar grande parte do trabalho pesado com rapidez e em escala. Em vez disso, o meu foco está na conceção de sistemas, na definição de salvaguardas e na ajuda às equipas para desenvolverem os hábitos necessários à integração da IA de formas que alterem significativamente os resultados.
O trabalho que mais cresceu foi o da orquestração: escolher onde a IA se enquadra, garantir que as pessoas continuam envolvidas nos pontos importantes e ajustar continuamente os fluxos de trabalho. A IA reduz o tempo entre a perceção e a decisão, pelo que o meu papel se centra cada vez mais no encadeamento, no alinhamento e em ajudar as equipas a “surfar a onda”, em vez de se deixarem afogar por ela.
E, em última análise, a tecnologia é a parte fácil; as pessoas são difíceis. Por isso, uma enorme parte da minha atenção é dedicada a orientar líderes, cultivar a adoção e redesenhar rituais para que as equipas possam trabalhar de novas formas.
Como criar as condições para uma iteração rápida
Num ambiente exponencial, a liderança da execução passa menos por controlar o plano e mais por criar as condições em que a iteração rápida não só é possível, como também esperada. E criar estas condições significa criar um ritmo operacional repetível.
Com os clientes, começamos por mapear um único fluxo de trabalho de ponta a ponta e por realizar o que chamo de “censo da IA”: onde estão as pessoas a realizar trabalho manual de apoio à decisão que a IA poderia realisticamente ajudar a fazer hoje? A partir daí, definimos uma ou duas experiências de baixo risco e elevado impacto — por exemplo, acelerar a síntese de investigação, a criação de campanhas ou a análise — e atribuímos-lhes responsáveis claros, uma métrica de sucesso simples e um ciclo de feedback curto. Depois, acrescentamos rituais leves: análises semanais do horizonte para perceber o que mudou, revisões mensais para decidir em que experiências devemos apostar mais e “remadas diárias”. Por outras palavras, utilizações pequenas e reais da IA no trabalho em curso, para que se torne memória muscular em vez de um projeto secundário.
Eis um exemplo concreto: trabalhei com uma equipa de analistas céticos de uma grande empresa de ciências da vida, responsáveis por decisões de elevado risco sobre o mercado e a carteira de oportunidades. Em vez de impormos a “utilização da IA”, começámos por mapear a forma como produziam um resultado específico e, depois, utilizámos o Gemini para automatizar apenas as partes mais desagradáveis — analisar dados de mercado, resumir informações sobre a concorrência e testar a resistência de cenários.
Formámo-los através de um modelo de “ver-fazer-ensinar”: primeiro, demonstrações ao vivo nos seus próprios fluxos de trabalho; depois, prática com acompanhamento em cenários de baixo risco; e, por fim, a tarefa de ensinarem os colegas. Também institucionalizámos pequenos rituais que recompensavam o progresso — sessões semanais de demonstração, bibliotecas de instruções e sucessos partilhados.
Ao longo de quatro meses, a utilização diária da IA entre os analistas formados aumentou de 16% para 83%, e a adoção em todo o departamento passou de 31% para 100%. A tecnologia foi importante, mas o verdadeiro fator decisivo foi a cadência de pequenas experiências delimitadas, juntamente com rituais recorrentes e o ensino entre pares, que fez com que a iteração rápida parecesse segura, normal e esperada.
Num ambiente exponencial, a liderança da entrega passa menos por controlar o plano e mais por criar as condições para que a iteração rápida não só seja possível, como também esperada.
Como mudar para uma entrega ligeira possibilitada por IA
A gestão de projetos tradicional baseia-se num planeamento inicial detalhado e em estruturas rígidas que falham em ambientes em rápida mudança.
Defendo que a IA exige uma mudança de planos de cinco anos para hábitos curtos e repetíveis: análises semanais do horizonte, revisões mensais do posicionamento e microexperiências diárias. A IA muda demasiado depressa para o modelo em cascata. Em vez de “planear > construir > lançar”, a entrega moderna parece-se mais com “explorar > testar > adaptar”.
Os sistemas ligeiros privilegiam o alinhamento em tempo real, utilizando resumos gerados por IA através de software de tomada de notas, instantâneos do progresso e documentação automatizada. As equipas passam menos tempo a atualizar materiais e mais tempo a iterar sobre os resultados. Damos prioridade a protótipos funcionais em vez de planos teóricos e utilizamos a IA para reduzir os tempos de ciclo, para podermos aprender mais depressa do que os concorrentes. O resultado é um ritmo de entrega que se assemelha mais à prática do surf: movimento constante, adaptação constante e oportunidades constantes.
Quando nos afastámos da gestão de projetos tradicional e avançámos para sistemas mais ligeiros e possibilitados por IA, fizemo-lo integrando intencionalmente estas ferramentas nos fluxos de trabalho existentes, em vez de substituirmos tudo de uma só vez. O ChatGPT tornou-se o centro multifunções — elaborando definições de âmbito, gerando briefings, clarificando requisitos e produzindo instantâneos dos projetos. O Gemini tratava das tarefas de investigação mais aprofundadas, como análises da concorrência e sínteses técnicas.
Para as equipas criativas, o Flux Replicate permitia gerar imagens rapidamente, o RunwayML tratava das transformações de imagem em vídeo e o Suno/ElevenLabs fornecia materiais de áudio instantâneos. No âmbito da automatização, o Atlas e o Lindy eram utilizados para criar protótipos de fluxos de trabalho baseados em agentes, ajudando-nos a automatizar etapas como a recolha de materiais de referência, a reescrita de resultados para diferentes partes interessadas ou a geração de listas de tarefas a partir de documentos de projeto. Por fim, ferramentas como o Claude e o Manus ajudavam a acelerar o desenvolvimento de código e a criação de protótipos.
A transição seguiu o padrão simples e repetível que mencionei acima:
- Mapear um único fluxo de trabalho de ponta a ponta.
- Identificar quais as etapas que podem ser delegadas a que ferramentas.
- Fornecer às equipas uma biblioteca de instruções iniciais.
- Realizar uma sessão prática ao vivo utilizando um trabalho real, na qual os membros da equipa concluem todo o fluxo de trabalho com a nova cadeia de ferramentas.
- Institucionalizar pequenos rituais que recompensem o progresso.
Como navegar pela complexidade organizacional e impulsionar a adoção da IA em grande escala
Eis outro exemplo. Trabalhei com uma empresa de suplementos para animais de companhia em rápido crescimento, cuja equipa de marketing tinha dificuldades em acompanhar a procura. Lançavam cerca de 500 campanhas por mês e cada material exigia designers, redatores e iterações manuais. Quando a IA generativa se generalizou, no final de 2022, introduzimos ferramentas como o Midjourney e formámos a equipa para as integrar diretamente no fluxo de produção das campanhas.
Com apenas pequenas alterações aos processos e prática orientada, o tempo de produção diminuiu de 45 minutos por anúncio para 5 minutos: uma melhoria de quase 900%! Isso desbloqueou uma escala exponencial: 2 300 campanhas mensais, taxas de conversão mais elevadas e, em última análise, um crescimento anual da receita de 50%.
As alterações aos processos foram intencionalmente pequenas, mas tiveram um efeito muito significativo. O processo foi o que descrevi acima.
Começámos por isolar um único fluxo de trabalho — a produção de anúncios pagos nas redes sociais — e dividi-lo nas suas etapas constituintes: conceção, redação publicitária, geração visual, formatação dos materiais, QA e carregamento. Em vez de redesenharmos todo o fluxo de produção, substituímos apenas duas etapas: a conceção inicial e a criação visual inicial. Introduzimos instruções para o Midjourney adaptadas a cada linha de produtos, criámos instruções de redação baseadas em modelos no ChatGPT e concebemos uma árvore de decisão curta para que os criadores soubessem exatamente quando utilizar a IA e quando aperfeiçoar manualmente.
Em seguida, a equipa praticou este processo num ambiente controlado: um anúncio, um material e uma instrução de cada vez. Assim que perceberam a redução do tempo — de 45 minutos para cerca de 5 —, a adoção surgiu naturalmente. Os resultados do mundo real criam confiança muito mais depressa do que a formação abstrata.
Como a IA altera o ponto de partida de todos os rituais de entrega
A IA altera o ponto de partida de todos os rituais.
Por exemplo, o âmbito já não é uma questão de “o que conseguimos realisticamente fazer com as horas de que dispomos?”, mas sim de “o que se torna possível quando a nossa capacidade aumenta?”. Ao definir o âmbito, passámos a cocriar com a IA: gerar várias versões, pôr em causa pressupostos e explorar caminhos alternativos antes de nos comprometermos. Isto alarga o espaço de soluções e reduz os pontos cegos numa fase inicial.
O alinhamento também muda, porque a IA fornece uma única fonte de verdade. Produz documentos de orientação, resumos, riscos e opções partilhados, eliminando lacunas de interpretação que muitas vezes atrasam a colaboração.
A validação torna-se contínua em vez de episódica: a IA testa pressupostos, analisa resultados e deteta inconsistências em tempo real.
E a execução passa a ter menos que ver com a gestão de tarefas e mais com a orquestração de fluxos de trabalho entre pessoas e máquinas, garantindo que o trabalho certo é atribuído ao “membro da equipa” certo, seja ele humano ou uma IA.
Porque é que a parceria entre humanos e IA é a fórmula vencedora
De um modo geral, o trabalho repetitivo, manual, analítico e de grande volume é o mais fácil de automatizar. Tarefas como a síntese de investigação, a recolha de requisitos, a análise da concorrência, os primeiros rascunhos, a validação técnica, a garantia de qualidade e o aperfeiçoamento da lista de pendências são ideais para a IA, porque dependem do reconhecimento de padrões e aumentam de escala facilmente com a automatização.
Para os trabalhadores do conhecimento, a IA é aquilo que a máquina a vapor foi para o trabalho manual: um multiplicador de força que assume o trabalho pesado, para que os seres humanos se possam concentrar naquilo que só os seres humanos conseguem fazer.
O trabalho que continua a exigir um toque humano inclui a resolução de ambiguidades, o alinhamento entre funções, a gestão de conflitos, a narrativa, a inteligência emocional e os compromissos estratégicos; áreas em que o contexto, o discernimento e as competências relacionais são mais importantes do que a computação. As máquinas podem apresentar opções, mas continuam a ser os seres humanos a decidir que montanha escalar.
A fórmula vencedora é a parceria: deixemos a IA tratar das tarefas de precisão e deixemos os seres humanos liderar com criatividade, estratégia e capacidade de ligação.
Para os trabalhadores do conhecimento, a IA é aquilo que a máquina a vapor foi para o trabalho manual: um multiplicador de força que assume o trabalho pesado, para que os seres humanos se possam concentrar naquilo que só os seres humanos conseguem fazer.
Como é que os agentes de IA reduzem a carga cognitiva
Os fluxos de trabalho baseados em agentes estão rapidamente a tornar-se fundamentais. Concentramos a nossa atenção em três áreas:
- Reduzir a carga cognitiva
- Automatizar fluxos de trabalho repetitivos de ponta a ponta
- Criar sistemas de “circuito fechado” em que os agentes conseguem raciocinar, agir e verificar os resultados
As primeiras experiências incluem agentes que geram variantes de campanhas, analisam conjuntos de dados, aperfeiçoam instruções, criam painéis de controlo ou gerem fluxos de trabalho complexos de investigação sem necessitarem de supervisão manual entre etapas.
Quando combinamos pessoas talentosas com os sistemas de IA adequados, a produção aumenta exponencialmente. Em alguns casos, aquilo que antes demorava dias passou a demorar horas — ou minutos. A chave está numa orquestração ponderada: garantir que os agentes dispõem de restrições, critérios de avaliação e vias de escalamento, para que os seres humanos mantenham o controlo do discernimento e da estratégia. Por outras palavras, os agentes devem operar dentro de uma “caixa” claramente definida, e devem ser sempre os seres humanos a tomar as decisões interpretativas ou estratégicas.
Por exemplo, com um analista farmacêutico, identificámos exatamente onde os agentes de IA poderiam ajudar de forma fiável, e esses pontos tornaram-se as restrições do agente: este podia recolher, organizar e elaborar rascunhos, mas não podia interpretar, fazer recomendações ou definir prioridades. Essas decisões de nível superior permaneceram inteiramente nas mãos dos analistas.
Também estabelecemos critérios de avaliação antes de a IA executar uma única tarefa. Por exemplo, todos os resumos gerados pela IA tinham de refletir com exatidão os documentos de origem, todos os esquemas de cenários tinham de citar os pressupostos subjacentes e todas as tabelas comparativas tinham de respeitar os formatos preferidos dos analistas. Quando a IA se deparava com dados ambíguos, sinais contraditórios ou lacunas significativas — o que acontecia frequentemente nas primeiras iterações —, encaminhava automaticamente a questão para um revisor humano, que clarificava a orientação e acrescentava nuances.
A orquestração funcionou porque a IA tinha restrições, os resultados tinham critérios e os analistas dispunham de acionadores claros de escalamento para se manterem no comando do trabalho. Quando esse equilíbrio é o correto, os ganhos de produtividade parecem quase injustos.
Como é que a IA reduz a distância entre os dados e os conhecimentos
Mas a capacidade mais subestimada da IA não é uma ferramenta ou um agente específico; é a tomada de decisões assistida por IA.
Quando cada membro da equipa tem à sua disposição um assistente inteligente de investigação, um estratega e um analista, as reuniões tornam-se mais curtas, as decisões mais claras e a execução acelera significativamente. As equipas deixam de passar horas a recolher informação e passam, em vez disso, minutos a escolher entre opções geradas pela IA.
Para a maior parte das minhas decisões, recorro alternadamente aos principais modelos de fronteira — ChatGPT, Gemini, Claude e Grok — porque cada um tem pontos fortes diferentes, e a qualidade de uma resposta depende muitas vezes de fazer corresponder a pergunta ao modelo. Na prática, estou constantemente a “contactá-los” a todos quando avalio compromissos, testo pressupostos ou exploro opções estratégicas. É esta triangulação entre modelos que me dá confiança: se vários sistemas chegam ao mesmo raciocínio, considero-o um sinal mais forte.
Dito isto, o ChatGPT é normalmente o meu primeiro recurso. A razão é simples: a funcionalidade de memória torna-o especialmente bom para decisões que exigem continuidade. Lembra-se do contexto do meu negócio, dos tipos de clientes que sirvo, do meu tom, das minhas preferências e dos padrões do meu trabalho. Essa continuidade acumula-se ao longo do tempo — por isso, quando estou a pensar no posicionamento, na estratégia, nas mensagens ou em qualquer outra coisa que beneficie de um contexto de longo prazo, o ChatGPT torna-se a minha “base”.
Os outros modelos funcionam como consultores especializados; o ChatGPT funciona como aquele que melhor me conhece.
Como as camadas de orquestração e os GPT personalizados unificam as ferramentas de IA
A minha base tecnológica centra-se agora em:
- Modelos multimodais como o ChatGPT, o Gemini e o Claude
- Ferramentas baseadas em agentes para a automatização de fluxos de trabalho
- Copilotos específicos para cada área, destinados ao design, programação, análise e documentação
De um modo geral, a maior evolução não está nas próprias ferramentas, mas na camada de orquestração — utilizando estruturas de automatização e GPT personalizados para ligar tudo. No passado, a minha base tecnológica incluía ferramentas separadas para investigação, escrita, criação de diagramas e gestão de projetos. Hoje, muitos desses fluxos de trabalho convergem para uma única camada de IA que funciona sobre as ferramentas existentes.
Essencialmente, estou a falar de um conjunto de sistemas de IA interoperáveis com os quais as equipas interagem para simplificar os seus fluxos de trabalho. Na prática, isto significa utilizar modelos de uso geral (ChatGPT, Claude, Gemini) como motor cognitivo para tarefas como investigação, síntese, elaboração de rascunhos ou análise, tirando simultaneamente partido de copilotos ou extensões específicos de cada área dentro de ferramentas existentes como o Notion, o Google Workspace, o Figma ou o Jira. Em vez de alternarem entre uma dúzia de aplicações fragmentadas, as equipas dependem cada vez mais de um pequeno conjunto de interfaces centrais de IA que se ligam ao resto da sua base tecnológica.
O valor resulta da redução dos custos cognitivos associados à alternância.
A base tecnológica de IA que acelera a iteração e a entrega
Ao longo do último ano, apostei ainda mais em ferramentas que permitem uma iteração rápida (geradores visuais, intérpretes de código), orquestração (Zapier, Make) e governação (bibliotecas de instruções, registos de auditoria). Ao mesmo tempo, substituí muitas ferramentas antigas porque os sistemas concebidos de raiz para IA são agora mais flexíveis, rápidos e fáceis de adaptar.
O objetivo é eliminar passos incómodos que costumavam consumir horas do tempo coletivo da equipa: encaminhar recursos, resumir conversas, gerar atualizações de estado, converter notas de reuniões em tarefas ou reformular resultados para diferentes partes interessadas. Tudo isto pode agora ser executado de forma autónoma. A poupança de tempo acumulada é enorme, não porque uma só tarefa fosse muito demorada, mas porque o trabalho de entrega é composto por milhares de pequenas tarefas.
A minha base tecnológica evolui mensalmente, mas o princípio mantém-se constante: utilizar a IA para eliminar etapas, reduzir a fricção e aumentar a produção. Utilizo literalmente dezenas de ferramentas em qualquer momento, mas estas são as que mais utilizo atualmente:
- ChatGPT: modelo de linguagem de grande dimensão multifunções
- Google Gemini: investigação aprofundada
- Lindy: conceção de fluxos de trabalho baseados em agentes
- Manus: prototipagem com IA
- Claude: ferramenta de desenvolvimento de código
- Atlas: navegador baseado em agentes
- NotebookLM: resumos áudio
- Flux Replicate: geração de imagens
- Suno: conversão de texto em música
- ElevenLabs: locução
- RunwayML: conversão de imagem em vídeo
- AKool: avatar de IA/gémeo digital
Porque é que a IA transformará a gestão de projetos numa liderança centrada na estratégia
Em breve, a IA tornar-se-á uma colaboradora plenamente integrada na entrega, e não apenas uma ferramenta. Teremos sistemas capazes de gerir autonomamente projetos de ponta a ponta: gerar âmbitos, sequenciar tarefas, gerir dependências, assinalar riscos e até conduzir reuniões diárias ou retrospetivas. Os gestores de entrega passarão da orquestração de tarefas para a estratégia, a cultura e o alinhamento entre funções. A vertente “administrativa” da gestão de projetos será automatizada em 80-90%.
Mais importante ainda, veremos concorrentes nativos de IA em todos os setores. Equipas com custos gerais quase nulos, capacidade criativa infinita e sistemas de entrega que operam a velocidades que as organizações tradicionais não conseguem igualar.
A diferença entre os pioneiros e os retardatários está a aumentar exponencialmente, não linearmente. Os líderes de entrega que construírem agora sistemas operacionais potenciados por IA serão donos do futuro. Os que esperarem vão dar por si a tentar competir com organizações capazes de entregar em dias aquilo que costumava levar trimestres.
Veremos concorrentes nativos de IA em todos os setores. Equipas com custos gerais quase nulos, capacidade criativa infinita e sistemas de entrega que operam a velocidades que as organizações tradicionais não conseguem igualar.
Porque é que esperar por clareza abranda a adoção da IA
Por isso, aqui fica o meu conselho: não esperem por uma clareza perfeita.
O maior erro que os líderes de entrega cometem é tentar prever a única onda perfeita. Não precisam de um plano para cinco anos; precisam de uma postura de experimentação contínua. Comecem com pouco, avancem rapidamente, testem com frequência e criem hábitos que vos mantenham sempre a aprender. A mudança exponencial recompensa o movimento e penaliza a hesitação. As equipas vencedoras são as que remam cedo e com frequência.
E invistam nas pessoas antes das plataformas. A adoção da IA entra em colapso se a vossa equipa se sentir ameaçada, desinformada ou sobrecarregada. Criem uma cultura de curiosidade, promovam formação prática, celebrem as primeiras conquistas e tornem a adoção visível. Quando a IA se torna entusiasmante em vez de intimidante, torna-se sustentável.
Em última análise, esta era não pertence às equipas com as melhores ferramentas, mas às equipas que aprendem a trabalhar em parceria com elas.
Acompanhe
Pode acompanhar o trabalho de Michael na modernização dos sistemas de entrega no seu site pessoal, LinkedIn e YouTube. E não deixe de conhecer a AI-ccelerator!
Em breve teremos mais entrevistas com especialistas no The Digital Project Manager!
