Carrie Willard foi CLO seis vezes. Levou duas empresas diferentes ao primeiro lugar no ATD Best Award. É colunista da Training Magazine e publicou livro de negócios de sucesso internacional.
Quando ela sobe num palco da ATD e diz que os modelos de mudança que o campo usa há décadas estão quebrados, não é provocação. É diagnóstico, com dados. Na ATD26, em Los Angeles, Willard trouxe a sessão que faz profissionais de T&D saírem com a sensação de que o mapa mudou enquanto eles caminhavam.
O problema com a mudança em um mundo “jagged”
A palavra que Willard usou para descrever o ambiente atual é precisa: jagged, irregular, dentado, imprevisível. Não é que a mudança ficou mais rápida. É que ficou instável e não-linear.
Durante décadas, sabíamos o que esperar da curva de desenvolvimento humano. Em alguns aspectos, humanos são difíceis de superar. Em outros, mais limitados. A IA quebrou essa lógica: é extraordinariamente boa em algumas coisas, surpreendentemente fraca em outras, e onde está a fronteira muda constantemente, às vezes toda semana. Você aprende onde a ferramenta é confiável hoje. Amanhã, ela mudou.
Isso cria um problema fundamental para qualquer modelo de gestão de mudança: eles foram projetados para um mundo com “de” e “para” definidos. Você sabe onde está, sabe onde quer chegar, planeja o caminho.
O modelo de Lewin, descongele, mude, recongele, pressupõe que existe um estado estável para o qual se vai. Os oito passos de Kotter terminam com “consolide na cultura”, mas quando você consolida, já mudou de novo.
Willard foi direta: esses modelos não são ruins. Foram construídos para um tipo de mudança que não é o tipo que estamos vivendo agora. O problema não é o ritmo da mudança, é que o destino está se movendo enquanto você caminha em direção a ele.
Leia também:
- Cultura de aprendizagem: o que é e como implementar
- Lifelong learning para líderes: parar de aprender compromete o sucesso
- Framework de comunicação para líderes
- Resiliência não basta, o que realmente importa é o que você faz depois do erro – ATD 2026
- O superpoder de liderança que ninguém ensina, mas todo líder precisa agora
Os quatro estados possíveis de uma organização, e o mais perigoso
A sessão trouxe um diagnóstico de quatro estados possíveis para organizações navegando a era da IA:
Estado 1: Estagnado. Todas as inteligências paradas. Não está usando IA, não está desenvolvendo pessoas, não está movendo. A organização que parou antes de começar.
Estado 2: Experimental. IA correndo solta, sem integração. Projetos-piloto por toda parte, entusiasmo genuíno, resultados inconsistentes. A organização que descobriu a ferramenta mas ainda não descobriu o sistema.
Estado 3: Resiliente. As quatro inteligências em movimento coordenado. A organização que aprendeu a adaptar, está desenvolvendo pessoas e tecnologia em sincronia.
Estado 4: Erodindo. O mais perigoso, e o mais difícil de detectar. Alta adoção de IA, ganhos de produtividade visíveis no curto prazo, lideranças satisfeitas com os números. E, ao mesmo tempo, capacidade humana sendo silenciosamente degradada. As pessoas estão fazendo menos, e eventualmente não conseguirão fazer o que a ferramenta não faz por elas.
Willard foi incisiva: “O maior risco não é ficar para trás na IA. É a erosão silenciosa de capacidade humana que parece produtividade.” Organizações no estado 4 parecem estar avançando.
Os dashboards mostram eficiência. O que eles, no entanto, não mostram é que as pessoas estão gradualmente perdendo a capacidade de pensar de forma independente, fazer julgamentos complexos e resolver problemas que nenhum modelo de IA ainda consegue resolver.
Líderes que identificam esse risco e desenvolvem suas equipes para operar com e sem IA são os que constroem organizações resilientes. Treine a sua liderança.
👉 PConheça o PDL: Programa de Desenvolvimento de Líderes da Bravend
Três formas de trabalhar com IA, e qual delas produz os melhores resultados
A sessão trouxe pesquisa que Willard considera fundamental para entender não se usar IA, mas como pensar quando se usa.
Um estudo com 100 profissionais no Vale do Silício testou quem faz previsões melhores: humanos sozinhos, IA sozinha, ou humanos e IA juntos. O resultado surpreendeu.
Humanos sozinhos: pior desempenho. IA sozinha: melhor que humanos sozinhos. A maioria dos times híbridos: pior que IA sozinha, porque as pessoas apresentavam uma ideia à IA, a IA validava (a maioria dos modelos ainda tem comportamento bajulador e tende a concordar com quem os usa), e o resultado era a ideia original com aparência de validação.
Mas 5% a 10% dos times híbridos superaram a IA sozinha. O que fizeram diferente? Discutiram com a IA. Pediram contra-argumentos. Questionaram as respostas. Exigiram que o modelo defendesse sua posição. Fizeram a IA trabalhar contra suas próprias conclusões.
O estudo de Harvard Business School identificou três padrões de trabalho com IA:
Completers: delegam uma tarefa inteira à IA. Resultado mais fraco.
Centauros: reservam para si o julgamento e a estratégia, delegam a execução. Resultado intermediário.
Cyborgs: sparram com a IA ao longo de todo o processo, argumentam, pedem contrapontos, questionam. Resultado mais forte.
A implicação direta para o T&D: o que precisa ser desenvolvido não é a habilidade de usar uma ferramenta. É a habilidade de pensar em parceria com a IA, e isso é radicalmente diferente de aprender software. A diferença entre os melhores e os piores resultados não foi qual ferramenta usaram. Foi como pensaram enquanto usavam.
O que os líderes precisam fazer diferente
Willard foi além do diagnóstico e trouxe orientações concretas para liderança em um ambiente de mudança irregular.
Abandonar o modelo de “de–para” como guia central. Se o destino muda antes de você chegar, não faz sentido otimizar o caminho. O que faz sentido é desenvolver a capacidade de navegar bem sem saber exatamente onde vai chegar, e criar checkpoints frequentes para redirecionar.
Desenvolver julgamento, não só habilidades de ferramenta. Julgamento é o que permite a um líder decidir bem quando a IA dá uma resposta plausível mas incorreta. É o que permite identificar quando o resultado “bom” do modelo esconde uma premissa falsa. É o que a maioria dos programas de capacitação em IA não treina.
Permanecer próximo do domínio. Líderes que se afastam das decisões técnicas e operacionais para “gerenciar estrategicamente” perdem a capacidade de avaliar o que a IA está ou não fazendo bem. Manter contato com o trabalho real é o que preserva o julgamento.
Desacelerar no que mais importa. Em ambientes de mudança constante, a pressão para decidir rápido é imensa. Willard argumenta que os momentos de maior impacto exigem o movimento oposto: explicitar o raciocínio, sparrar com a IA, verificar a posição contrária antes de confirmar a decisão.
O que diferencia líderes que prosperam em ambientes de alta incerteza não é a ferramenta que usam, é o julgamento com que a operam. Conheça aqui o PDL: Programa de Desenvolvimento de Líderes da Bravend
O que isso significa para o desenvolvimento de liderança
A implicação mais direta da sessão para quem projeta programas de desenvolvimento: treinar como se trabalha com IA é tão importante quanto treinar as habilidades técnicas da IA.
A maioria dos programas de capacitação em IA hoje ensina ferramentas, como usar o prompt, como formatar uma solicitação, como navegar na interface. Isso é necessário. Não é suficiente.
O que precisa ser desenvolvido junto é a capacidade de manter o pensamento crítico ativo enquanto a IA processa, de identificar quando o modelo está sendo bajulador em vez de preciso, de construir o contra-argumento que a ferramenta não vai construir por conta própria.
Willard encerrou com uma frase que resume bem o argumento: “O maior risco não é ficar para trás. É a erosão silenciosa de capacidade humana que parece produtividade.”
Em outras palavras, o trabalho do T&D não é desacelerar a adoção de IA. É, antes, garantir que as pessoas continuem se desenvolvendo ao lado da ferramenta, e não sendo substituídas por ela justamente onde deveriam ser insubstituíveis.
Contexto: a sessão na ATD26
A sessão “Change is Changing: Leadership Strategies in the AI Era” foi apresentada por Carrie Willard na ATD International Conference 2026, em Los Angeles.
Willard foi CLO seis vezes, mais recentemente para a Visa, e, além disso, venceu o ATD Best Award na posição número um em duas ocasiões. É ainda colunista da Training Magazine, certificada em IA e Estratégia pelo MIT e, por fim, autora de livro de negócios de sucesso internacional.
A sessão dialogou diretamente com outros temas centrais da conferência. Zack Kass mostrou que a IA que se torna tão barata quanto eletricidade muda a pergunta de “o que você sabe” para “o que você faz com o que sabe”, e Willard mostrou o risco de organizações que não percebem que o “o que sabem” está sendo silenciosamente corroído.
Liz Wiseman argumentou que líderes que navegam bem no escuro não precisam do mapa, precisam de um sistema que navegue bem sem ele. Willard mostrou o que esse sistema precisa desenvolver.
Leia mais artigos sobre a ATD 2026 acessando aqui.
FAQ
Por que os modelos clássicos de gestão de mudança não funcionam mais?
Modelos como o de Lewin (descongelar-mudar-recongelar) e os oito passos de Kotter foram projetados para mudanças com um “de” e um “para” definidos. Na era da IA, o destino muda enquanto você caminha em direção a ele, às vezes toda semana. Consolidar numa cultura que já mudou antes de você terminar é a armadilha que esses modelos não conseguem evitar.
O que é o estado “erodindo” e por que é o mais perigoso?
É quando a organização tem alta adoção de IA e ganhos visíveis de produtividade, mas está silenciosamente perdendo capacidade humana. Os dashboards mostram eficiência. O que não mostram é que as pessoas estão perdendo a habilidade de pensar de forma independente e fazer julgamentos complexos. É o estado mais perigoso porque parece progresso até o momento em que a ferramenta falha e ninguém sabe o que fazer.
Qual é a diferença entre completers, centauros e cyborgs no trabalho com IA?
Completers delegam uma tarefa inteira à IA, resultado mais fraco. Centauros reservam julgamento e estratégia para si, delegam execução, resultado intermediário. Cyborgs sparram com a IA ao longo de todo o processo, argumentam e pedem contrapontos, resultado mais forte. A diferença não é qual ferramenta usam, mas como pensam enquanto a usam.
