por que mapear histórias sobre o uso de i.a. na organização em vez de pedir opiniões?
tópicos
introdução
mapeamento de nossas histórias com i.a.
mapeamento 1: compartilhando experiências (para todos)
mapeamento 2: convite à colaboração (para pioneiros/voluntários)
como navegar nos resultados
introdução: por que mapear histórias em vez de medir opiniões?
ao pensar em como uma organização pode entender e apoiar o uso de novas tecnologias como a i.a., o caminho mais comum é o de uma pesquisa tradicional.
frequentemente, isso se manifesta como parte de uma iniciativa centralizada. e com um propósito já definido. algo como "alavancar a ia para um novo patamar de performance".
o instrumento para isso costuma ser um formulário que busca quantificar e categorizar a realidade.
esses questionários buscam dentre várias coisas, medir o nível de adoção de uma ferramenta ou pedir que as pessoas se classifiquem em níveis de maturidade.
a premissa oculta é que, se conseguirmos catalogar o "o quê" (quais tarefas) e o "quanto" (com que frequência), entenderemos o cenário.
a crença é que a familiaridade é uma escada linear que pode ser medida, e que percepções complexas, como o 'impacto na cultura', podem ser adequadamente resumidas em uma nota de 1 a 5.
a abordagem de pesquisa mais comum é não-anônima, partindo da ideia de que os dados precisam ser atribuíveis para gerar ações direcionadas.
essa falta de anonimato, além de tudo, convida a um tipo de teatro organizacional. as respostas podem se tornar menos um reflexo da realidade vivida e mais uma performance, onde as pessoas respondem o que imaginam que a liderança gostaria de ouvir — seja por receio de parecer resistente à mudança ou pelo desejo de ganhar crédito como um entusiasta da nova tecnologia.
a intenção é boa, coletar dados para tomar decisões. o problema, e eu mesmo já cometi esse engano, é que esses métodos são emprestados de domínios ordenados — contextos do que é claro ou complicado, mas são aplicados a um desafio que é inerentemente complexo.
a diferença é crucial. pense na adoção de inteligência artificial como um jardim.
é um sistema vivo, com ervas daninhas, pragas e flores inesperadas. você não o controla, você o cultiva e observa. isso é complexidade.
um problema complicado, por outro lado, é como consertar o sistema de irrigação desse jardim. é um desafio técnico, que pode ser analisado e resolvido por um especialista.
a pesquisa tradicional trata o jardim inteiro como se fosse apenas um grande sistema de irrigação, tentando otimizar uma máquina que, na verdade, é um ecossistema vivo.
ao buscar dados "limpos", ela acaba removendo um elemento importante. o contexto.
um "4 de 5" em "impacto na cultura" não nos diz nada sobre a ansiedade real de uma pessoa ao pensar em como seu trabalho pode mudar. uma resposta como "uso esporádico" esconde a diferença entre um uso transformador e um uso trivial.
o resultado é um conjunto de dados estéril que, na melhor das hipóteses, valida o que a gestão já suspeitava. mas raramente revela o inesperado ou leva a intervenções que fazem sentido na prática.
este mapeamento abaixo propõe uma abordagem intencionalmente diferente, partindo de premissas diferentes.
a aposta aqui é que, para navegar em um território emergente como o da i.a., precisamos menos de validação e mais de exploração.
a intenção não é avaliar para consertar, mas sim tornar visível o ecossistema de experiências, com todas as suas nuances, contradições e padrões ocultos.
a estrutura a seguir foi desenhada com base nisso:
o foco em relatos: em vez de perguntas de múltipla escolha sobre tarefas, o ponto de partida é um convite para que as pessoas contem um relato real e recente. a narrativa carrega o contexto, a emoção e os detalhes que os dados quantitativos descartariam. inspirado no trabalho de dave snowden e cynthia kurtz.
o uso de significadores para interpretação: após contar a história, a própria pessoa a interpreta através de significadores.
uma abordagem em duas camadas (mapeamento 1 e 2): o primeiro mapeamento é anônimo e amplo, buscando sentir o pulso do sistema. o anonimato é crucial para que as histórias de frustração e vulnerabilidade possam emergir. o segundo é direcionado, focado em identificar e apoiar a rede informal de conhecimento que já existe. em vez de criar um programa "top-down", a intenção é cultivar as capacidades existentes no sistema.
o reconhecimento de padrões como um recurso para todos: o resultado não é um relatório fechado para a liderança com o propósito de ditar a estratégia. é um conjunto de padrões e histórias anônimas que pode ser devolvido à organização como um espelho e um convite à conversa. a intenção é descentralizar a capacidade de "dar sentido", permitindo que as próprias equipes explorem o que foi aprendido.
em resumo, o material abaixo é um experimento de infraestrutura para aprendizado contínuo. um convite para que a organização aprenda sobre si mesma, a partir de si mesma.
mapeamento de nossas histórias com i.a.
este documento está dividido em duas partes:
mapeamento 1: o formulário principal, anônimo, para ser enviado a toda a empresa.
mapeamento 2: um formulário de acompanhamento, não-anônimo, para os pioneiros identificados e voluntários.
mapeamento 1: compartilhando experiências (para todos)
ferramenta: google forms (ou similar)
anonimato: 100% anônimo
título: compartilhando experiências: aprendendo juntos sobre ia
texto de introdução:
"estamos vivendo um momento de muitas ferramentas e possibilidades novas. em vez de tentar adivinhar o futuro, queremos entender como as coisas estão acontecendo agora, no dia a dia.
sua participação é anônima e nos ajudará a reconhecer padrões e boas ideias que já existem entre nós. a intenção é aprender com suas experiências reais para podermos oferecer um suporte mais útil.
uma nota sobre transparência: os resultados deste mapeamento (as histórias e os padrões se manterão anônimos) serão disponibilizados para que todos na empresa possam aprender com as experiências uns dos outros e iniciar suas próprias conversas."
micro-história (sobre o presente)
pergunta: pense em uma experiência recente e específica (boa, ruim ou surpreendente) em que você usou alguma forma de i.a. no seu trabalho. pode ser algo que já faz parte da sua rotina, algo que te ensinou uma coisa inesperada, ou algo que gerou desperdício de tempo ou frustração. por favor, descreva a experiência e o que aconteceu, como se estivesse contando a um colega.
(campo de texto livre)
interpretação da experiência
texto de introdução do bloco: "agora, sobre a história que você acabou de contar, nos ajude a interpretá-la respondendo às perguntas abaixo."
sobre o resultado da sua história
pergunta: sobre a história que você contou, como você descreveria o efeito da interação em você?
mais frustrante (me bloqueou ou me atrasou) <----o----> mais capacitadora (me habilitou ou me deu mais poder)
pergunta: qual destes valores foi o mais forte na sua experiência?
[ ] um atalho prático: a tarefa foi concluída mais rápido ou com menos esforço, otimizando um caminho que eu já conhecia.
[ ] um insight revelador: a interação mudou minha forma de pensar sobre o problema, revelando um ângulo novo, uma alternativa ou uma falha no meu raciocínio.
[ ] uma nova conexão: o que eu criei ou aprendi com a i.a. serviu como uma ponte para colaborar, alinhar ou iniciar uma conversa produtiva com outras pessoas.
sobre o suporte na sua história
pergunta: nessa situação, o que teria feito a maior diferença para o seu trabalho com a i.a.?
[ ] ter mais autonomia (liberdade para testar sem regras)
[ ] ter mais orientação (exemplos claros ou um passo a passo)
[ ] ter mais conexão (alguém para trocar uma ideia ou tirar uma dúvida)
sobre a natureza da sua história (opcional)
pergunta: pensando na tarefa específica que você descreveu na sua história, como você a classificaria?
( ) era uma tarefa mais de execução, com um objetivo claro e um caminho conhecido.
( ) era uma tarefa mais de exploração, com um objetivo ambíguo e um caminho a ser descoberto.
( ) não se encaixa bem nessas descrições.
olhando para o futuro
texto de introdução do bloco: "além das experiências do dia a dia, também queremos entender as percepções sobre o que está por vir. esta parte é sobre suas reflexões, dúvidas e expectativas."
pergunta de reflexão aberta: olhando para o futuro (próximos 1-2 anos), que pensamentos, perguntas ou até mesmo preocupações surgem nesse momento quando você pensa na ia e automação se tornando mais presentes no nosso trabalho?
(campo de texto livre)
sobre a sua percepção do futuro
pergunta: sobre o que você escreveu, qual perspectiva é a mais forte para você agora?
[ ] principalmente uma oportunidade (para crescimento, para fazer um trabalho mais interessante)
[ ] principalmente um risco (para meu papel, para a qualidade do trabalho, para a empresa)
[ ] principalmente uma incerteza (tenho dúvidas sobre como será, sobre os impactos éticos ou práticos)
contexto
[a pergunta abaixo seria melhor configurada para as opções de respostas permitirem informar a porcentagem de tempo em cada um, podendo ser zero. ou permitir rankeamento — definir a ordem de tempo utilizado — nas opções selecionadas.
pergunta: para nos ajudar a identificar padrões, por favor, escolha a opção que representa a maior parte do seu tempo ou o foco principal do seu trabalho:
[ ] criar ou desenvolver coisas novas (ex.: textos, códigos, produtos, designs, aulas, novos processos ou políticas)
[ ] operar processos ou suportar pessoas e processos existentes (ex.: processar transações financeiras, atender clientes, gerenciar folha de pagamento, tirar dúvidas de funcionários, melhorar eficiência de fluxos administrativos)
[ ] liderar, coordenar ou conectar pessoas e projetos (ex.: gestão de times, liderança técnica, gestão de projetos)
texto de transição: "obrigado por compartilhar sua experiência anônima. agora, de forma opcional, gostaríamos de fazer uma última pergunta para nos ajudar a identificar quem são as referências informais sobre o tema na empresa."
mapeando a rede (opcional)
pergunta: pense nas últimas vezes em que você teve uma dúvida sobre ia. a quem você recorreu para uma conversa, quem você pensaria em procurar, ou quem você simplesmente vê como uma referência em i.a. na empresa?
(campo de texto aberto para nomes)
mapeamento 2: convite à colaboração (para pioneiros/voluntários)
ferramenta: google forms (ou similar)
público: enviado apenas para quem foi muito citado no mapeamento 1.
título: um convite à colaboração: tecendo nossa rede de aprendizado em ia
texto de introdução: "olá, [nome]!
em nosso mapeamento recente sobre o uso de ia, seu nome foi mencionado por colegas como alguém que é uma referência prática e uma fonte de ajuda. antes de tudo, parabéns por esse reconhecimento.
este contato não é um pedido por mais trabalho, mas um convite para pensarmos juntos. estamos buscando maneiras de apoiar a rede de conhecimento que já existe informalmente, e sua perspectiva é muito valiosa.
queremos entender que tipo de contribuição faria sentido para você, de uma forma que seja leve, sustentável e que se encaixe no seu dia a dia."
que tipo de contribuição parece mais natural para você?
pergunta: "pensando em como você poderia compartilhar o que sabe ou explorar novas ideias, qual destes papéis parece mais interessante ou viável para você no momento? a ideia é começar com algo pequeno. (marque uma ou mais opções que te interessam)"
[ ] 'explorador(a)': testar e relatar.
o que é: experimentar uma nova ferramenta, um novo recurso ou uma nova técnica de prompt e depois compartilhar de forma simples o que descobriu (ex: "tentei x, aprendi y, aqui vai uma dica").
exemplo de contribuição: um post curto no slack ou um email com "olha que interessante isso que descobri...".
[ ] 'tradutor(a)': criar um padrão.
o que é: pegar uma tarefa comum e repetitiva (sua ou de outra área) e criar uma "receita de bolo" de como a ia pode ajudar (ex: um modelo de prompt, um pequeno passo a passo).
exemplo de contribuição: um documento simples com um "guia rápido para usar ia para resumir reuniões".
[ ] 'conector(a)': facilitar uma troca.
o que é: guiar uma conversa curta (ex: 30 min) com seu time ou um grupo de interessados para demonstrar um caso de uso prático ou debater uma ideia.
exemplo de contribuição: marcar um "café com ia" para mostrar como você usa uma ferramenta no seu dia a dia.
[ ] 'parceiro(a) de desafio': ajudar em um caso específico.
o que é: atuar como um parceiro de pensamento para um colega ou time que está com um desafio específico, ajudando-os a explorar como a ia poderia (ou não) ser útil na situação deles.
exemplo de contribuição: uma sessão de 45 minutos para ajudar outra área a desenhar um prompt para um problema que eles têm.
[ ] outro: (campo de texto aberto)
estabelecendo limites e suportes (o como)
pergunta: para que essa colaboração seja leve e não um atrito em seu dia a dia, como ela poderia se encaixar no seu trabalho e rotina?
(campo de texto)
pergunta: o que nós, como organização, poderíamos fazer para tornar essa contribuição mais fácil para você? (ex: acesso a ferramentas, tempo, remover burocracia, etc.)
(campo de texto)
como navegar nos resultados
a intenção aqui é transformar dados em conversas e aprendizados em toda a empresa.
passo 1: começar com a visão geral (os gráficos)
antes de ler qualquer história, olhe os gráficos que o google forms gera. eles darão uma primeira impressão do cenário.
qual é a história dominante? o que predomina nas respostas "mais fortes"? a maioria das histórias é sobre atalho ou sobre ganho de insights? a percepção do futuro é de oportunidade ou de incerteza? isso te dá o pulso da organização.
passo 2: explorar padrões e conexões (cruze os dados)
agora, comece a conectar as informações na sua planilha de respostas.
filtre por natureza do trabalho: como os gráficos mudam quando você olha apenas para as pessoas que fazem trabalho de operação de processos?
exemplo de um padrão: "interessante... o sentimento de risco sobre o futuro parece estar bem mais concentrado neste grupo."
filtre por resultado da experiência: o que as pessoas que contaram histórias de frustração parecem precisar?
exemplo de uma conexão: "olha só, a maioria das histórias de frustração está ligada a uma necessidade de mais conexão, não de mais orientação."
passo 3: mergulhar nas histórias para entender o contexto
depois de encontrar um padrão interessante, é hora de entender o porquê.
leia: filtre a planilha para ver apenas as histórias que correspondem ao padrão que chamou a atenção. leia 5 a 10 delas para ganhar contexto.
escute as nuances: as histórias te darão a realidade por trás dos dados. você pode descobrir que a maioria dos ganhos de perspectiva está vindo do uso de uma ferramenta específica, ou que a frustração está ligada a uma política interna.
explore a pergunta de "altitude" para cruzar informações: a ideia é combinar informações. você pode cruzar a natureza do trabalho da pessoa (bloco 4) com a natureza da tarefa que ela contou (bloco 3). exemplo: você pode filtrar as respostas para ver apenas as pessoas que se identificaram com trabalho de liderar, aconselhar, coordenar ou conectar pessoas e projetos. depois, dentro desse grupo, veja quantas de suas histórias foram classificadas como execução. encontrar um padrão aqui não é um julgamento, mas um insight valioso. pode significar que o valor mais imediato da ia para este grupo está na otimização de tarefas táticas, ou pode apontar para uma oportunidade de explorar como essas ferramentas poderiam apoiar também o trabalho mais exploratório e estratégico.
passo 4: compartilhar as histórias e resultados como um convite à reflexão
este é o passo mais importante. a intenção não é apresentar um relatório final, mas sim devolver os aprendizados para a organização e catalisar conversas.
ideia:
crie um resumo visual e simples: prepare um painel ou uma apresentação curta com os principais gráficos e padrões que encontrou.
enquadre como um espelho, não como um veredito: "isto é o que nós, como organização, estamos vivendo. o que vocês veem aqui? que conversas isso desperta em seus times?".
use as histórias para humanizar os dados: para cada padrão importante, selecione até 3 histórias anônimas que o ilustrem. isso torna os dados reais e relacionáveis.
* (com muito cuidado, decida sobre essa etapa) disponibilize todos os dados anonimizados: compartilhe a planilha de respostas sem informação que possa identificar alguém (nome de pessoas, projetos, etc) para que os times possam fazer suas próprias descobertas, aprender sobre as histórias e reconhecer padrões relevantes para seu contexto.
ao fazer isso, o mapeamento deixa de ser uma tarefa e se torna um recurso. ela se transforma no início de muitas conversas.