Um Manifesto Para Líderes Que Recusam Automatizar o Passado
Miguel R. Trigo, PhD — 2026
A Inteligência Artificial não é uma ferramenta. É uma reconfiguração.
A maioria dos líderes está a usar a tecnologia mais transformadora da nossa geração para fazer mais depressa aquilo que já não devia estar a fazer. Estão a automatizar o passado — e a chamar-lhe inovação.
Este manifesto é para quem recusa essa ilusão. Para quem quer resultados na Demonstração de Resultados, não apenas slides na apresentação ao conselho. Para quem entendeu que a diferença entre as organizações que extraem valor real da IA e as que ficam presas no purgatório dos pilotos não é tecnológica. É de estratégia. É sistémica. É de liderança.
Ao longo de duas décadas a trabalhar com conselhos de administração, aprendi uma coisa que mudou a forma como penso sobre a inovação — e que hoje aplico diretamente à IA:
O problema nunca é falta de dados. O problema é falta de causalidade.
A maioria das organizações acumula volumes massivos de dados e organiza-os em categorias de correlação. Sabem o que aconteceu, mas não sabem por que aconteceu. E sem compreender a causalidade, cada decisão é um palpite disfarçado de análise.
O conceito de Jobs to Be Done é talvez a ferramenta mais poderosa que conheço para encontrar causalidade onde outros veem apenas correlação: não pergunte o que o cliente compra — pergunte que progresso está a tentar conseguir, em que circunstância, e por que razão as alternativas atuais falham.
Apliquem esta lógica à IA. Quando uma organização diz 'precisamos de um chatbot' ou 'vamos implementar IA generativa', está a começar pela solução. A pergunta certa não é 'Que tecnologia de IA devemos comprar?' A pergunta certa é: 'Que decisão operacional concreta queremos tomar melhor — e por que razão não a estamos a tomar bem hoje?'
Este reframing muda tudo. Deixamos de avaliar a IA pela sua sofisticação técnica e passamos a avaliá-la pela decisão que informa. Essa distância entre um modelo que funciona em laboratório e um modelo que gera valor em produção não é técnica. É estratégica.
Mas identificar a decisão certa é apenas o primeiro passo. O segundo é gerir a incerteza: em vez de partir de projeções otimistas e investir pesadamente na esperança de que estejam corretas, devemos começar pelo resultado financeiro que precisamos de atingir e trabalhar de trás para a frente, identificando todas as assunções que precisam de se verificar. Depois, testar as assunções mais críticas primeiro.
Aplicado à IA, isto é transformador. Em vez de lançar um projeto de €2 milhões e rezar, define-se: 'para este projeto gerar retorno, precisamos que A, B e C sejam verdade. Vamos testar A na primeira semana, B no primeiro mês, e só se ambos se confirmarem é que investimos para testar C.' É o oposto do turismo de IA. É exploração estratégica com checkpoints de decisão.
A IA não automatiza tarefas — reconfigura sistemas competitivos inteiros. A pergunta não é 'como automatizo esta tarefa?' mas 'como é que a IA muda a forma como o trabalho é coordenado no meu setor?'
Há uma consequência desta reconfiguração que se tornou central na minha tese: quando a IA aumenta dramaticamente a oferta de respostas e insights, o valor económico migra para duas capacidades humanas — a capacidade de formular as perguntas certas antes de procurar respostas, e a capacidade de selecionar quais respostas merecem ação. Saber o que perguntar e saber o que fazer com a resposta torna-se a vantagem competitiva mais subvalorizada do nosso tempo.
A minha tese central é esta: a diferença entre as organizações que extraem valor real da IA e as que ficam presas no turismo não é tecnológica. É a capacidade de criar um sistema estratégico que transforma incerteza em decisão.
Este sistema é o que ensino. É o que implemento. E é o que separa as organizações que fazem turismo de IA das que geram retorno.
O primeiro ato de qualquer projeto de IA não é escolher um algoritmo. É identificar a decisão operacional que vai mudar. Se não consegue responder à pergunta 'que ação operacional concreta muda amanhã com este modelo?', não tem um projeto de IA. Tem um exercício académico.
Na prática, aplico a lógica em duas camadas. A primeira camada é externa: compreender que 'progresso' os clientes da organização estão realmente a tentar conseguir. A segunda camada é interna: qual é o 'trabalho' que a organização está a 'contratar' a IA para fazer. Não é 'ter um chatbot.' É 'reduzir o tempo de decisão de crédito de 5 dias para 4 horas.' Quando as duas camadas se alinham, o projeto ganha propósito, ganha dono, ganha métrica e ganha urgência.
Nenhuma casa se constrói pelo telhado. Antes de discutir estratégia de IA, é preciso auditar seis alicerces: compreensão estratégica do mercado, clareza sobre os problemas e processos do negócio, preparação das equipas, cultura organizacional, maturidade tecnológica e qualidade dos dados. A pergunta não é 'qual é a nossa estratégia de IA?' A pergunta é: 'estamos prontos para executar qualquer estratégia de IA?'
A maioria das organizações cai na armadilha de comprar ferramentas de IA e sobrepô-las aos processos existentes, esperando transformação. É como colocar um motor a jato num carro de cavalos. Ferramentas são comoditizáveis. A vantagem nasce quando a IA reconfigura o sistema de trabalho — a divisão de tarefas entre inteligência humana e artificial, o fluxo de decisão, a coordenação de responsabilidades.
O modelo não decide — informa a decisão humana com dados que antes não existiam. Transformar 'o modelo tem boa acurácia preditiva' em 'se agirmos com base nesta análise, protegemos X milhões em receita com estes guardrails de risco.' A mesma realidade, comunicada de forma que gera investimento em vez de medo.
O líder que trata 'IA' como uma categoria homogénea comete o mesmo erro de quem prescreve medicação sem diagnóstico. Antes de investir, identifique todas as assunções implícitas no projeto, ordene-as por importância e incerteza, e teste primeiro as que mais provavelmente matarão a iniciativa.
Ter dados não é ter vantagem. A vantagem está no ciclo operacional que gera dados proprietários de forma composta — onde cada operação alimenta o sistema, que melhora o serviço, que gera mais operações. Pergunte-se: os dados que a minha organização gera hoje estão a financiar a vantagem competitiva de amanhã?
A governance de IA não é um custo de compliance. É um diferenciador competitivo. Guardrails sem ownership são apenas boas intenções. O sistema que permite decidir o que escalar e o que parar é tão valioso quanto qualquer modelo preditivo.
Reúna a sua equipa executiva e faça uma única pergunta a cada projeto de IA em curso: 'Que decisão operacional concreta muda com este modelo — e quem é o responsável por atuar com base nessa decisão?' Se não houver resposta clara, esse projeto está no purgatório. Decida: ou redefine o projeto à volta de uma decisão, ou pare-o.
Faça a auditoria de prontidão. Para cada um dos cinco alicerces — dados, infraestrutura, talento, governance, cultura — classifique a sua organização honestamente numa escala de 1 a 5. Onde estiver abaixo de 3, não lance novos projetos. Reforce os alicerces primeiro.
Olhe para o seu portefólio de IA e pergunte: estamos a jogar ao nível de Otimizador Reativo — apenas a acelerar processos existentes? Ou estamos a redesenhar o sistema de trabalho para criar vantagem estrutural? A resposta honesta a esta pergunta vale mais do que qualquer investimento tecnológico.
Eu comprometo-me a não aceitar que 'IA' seja sinónimo de hype, de pilotos sem destino, ou de tecnologia sem propósito.
Comprometo-me a exigir que cada iniciativa de IA comece por uma decisão de negócio — não por uma demonstração tecnológica.
Comprometo-me a construir alicerces antes de erguer edifícios. A tratar a IA como reconfiguração do sistema, não como ferramenta de produtividade. A amplificar pessoas em vez de as substituir. A fazer diagnóstico antes de prescrever soluções.
Comprometo-me a liderar com a disciplina de quem sabe fazer as perguntas certas — e a humildade de quem sabe que não tem todas as respostas.
Porque na economia que está a emergir, a capacidade de transformar incerteza em decisão não é um luxo intelectual. É a vantagem competitiva mais subvalorizada do nosso tempo.
Miguel R. Trigo, PhD
2026
Choudary, S. P. (2025). Reshuffle: How AI Will Restructure Every Business and What to Do About It. Harvard Business Review Press.
Christensen, C. M. et al. (2016). Competing Against Luck: The Story of Innovation and Customer Choice. Harper Business.
Davenport, T. H. & Miller, S. M. (2022). Working with AI: Real Stories of Human-Machine Collaboration. MIT Press.
Davenport, T. H. & Mittal, N. (2023). All-in on AI: How Smart Companies Win Big with Artificial Intelligence. Harvard Business Review Press.
Lohn, A. & Musser, M. (2022). AI and Compute: How Much Longer Can Computing Power Drive Artificial Intelligence Progress? Center for Security and Emerging Technology.
McGrath, R. G. & MacMillan, I. C. (2009). Discovery-Driven Growth: A Breakthrough Process to Reduce Risk and Seize Opportunity. Harvard Business Review Press.
McKinsey & Company (2010). Innovation and Commercialization: McKinsey Global Survey Results.
Moesta, B. & Spiek, C. (2023). Learning to Build: The 5 Bedrock Skills of Innovators and Entrepreneurs. Lioncrest Publishing.
O'Reilly, C. A. & Tushman, M. L. (2016). Lead and Disrupt: How to Solve the Innovator's Dilemma. Stanford Business Books.
Ransbotham, S. et al. (2020). Expanding AI's Impact With Organizational Learning. MIT Sloan Management Review / Boston Consulting Group.
Rashidi, S. (2024). Your AI Survival Guide: Scraped Knees, Bruised Elbows, and Lessons Learned from Real-World AI Deployments. Wiley.
Siegel, E. (2024). The AI Playbook: Mastering the Rare Art of Machine Learning Deployment. MIT Press.