IA em aprendizagem e desenvolvimento: trilhas de aprendizagem e conteúdo personalizados

Por Kevin Kim · Atualizado em 11 de outubro de 2026

IA em aprendizagem e desenvolvimento (L&D) é o uso de aprendizado de máquina e de modelos de linguagem para encontrar onde faltam habilidades aos colaboradores, recomendar o que cada pessoa deve aprender a seguir, produzir material de treinamento mais depressa e orientar as pessoas entre os cursos formais. O objetivo é substituir o currículo único para todos por um aprendizado que se ajuste à pessoa e ao cargo, enquanto a equipe de L&D mantém o controle sobre o que é ensinado e sobre o que conta como "bom".

Este guia é para líderes de L&D, gestores de RH e chefes de departamento que estão decidindo onde a IA pertence ao treinamento deles. Ele cobre as quatro tarefas que a IA faz em L&D, o que a pesquisa diz sobre se ela funciona, uma implantação passo a passo e os erros que afundam a maioria dos projetos. Faz parte da seção IA em RH, por isso se mantém na área de aprendizagem e aponta para outros lugares quanto ao restante do ciclo de vida do colaborador.

Fatos Principais

• No Workplace Learning Report 2025 do LinkedIn, 71% dos profissionais de L&D dizem que estão explorando, experimentando ou integrando a IA ao seu trabalho (LinkedIn Learning).
• No mesmo relatório, 49% dos profissionais de L&D e de talentos concordam que seus executivos se preocupam com o fato de os funcionários não terem as habilidades para executar a estratégia do negócio (LinkedIn Learning).
• Uma metanálise de 50 avaliações controladas de tutoria inteligente por computador encontrou um ganho mediano de 0,66 desvio padrão nas notas de testes, suficiente para levar um estudante típico do percentil 50 ao 75 (Kulik e Fletcher, 2016). Eram estudantes, não funcionários.
• Em um experimento de campo com quase 1.000 estudantes de matemática do ensino médio na Turquia, um chatbot sem restrições elevou as notas de prática em 48%, mas deixou os estudantes 17% piores na prova sem IA, enquanto um bot no estilo de tutor, com salvaguardas, deixou os resultados da prova praticamente iguais aos do grupo de controle (Wharton).
• Entre 5.179 agentes de suporte ao cliente que receberam um assistente de IA generativa, a produtividade subiu 14% em média e 34% para trabalhadores novatos e de baixa qualificação, com impacto mínimo sobre os experientes (NBER).
• O AI Act da UE lista o reconhecimento de emoções em locais de trabalho e em instituições de ensino como prática proibida, uma proibição que entrou em vigor em fevereiro de 2025 (European Commission).

As quatro tarefas da IA em L&D

O L&D tradicional funciona com um catálogo e um calendário: uma lista de cursos e uma agenda de quando as pessoas os fazem. A IA muda a unidade de trabalho de "curso" para "pessoa". Nos termos do ACE Framework, a maior parte da IA de L&D ingere registros de aprendizes, dados de cargos e conteúdo, analisa-os para encontrar lacunas, prevê o que uma pessoa deve aprender a seguir, gera material e feedback e executa pequenas ações, como inscrever alguém ou enviar um lembrete.

Leia a última coluna como o desenho real. Cada tarefa acima tem uma pessoa que é dona do resultado. Se você não consegue nomear essa pessoa para um determinado uso, ainda não está pronto para implantá-lo.

Tarefa 1: análise de lacunas de habilidades

Uma lacuna de habilidades é a distância entre o que um cargo exige e o que as pessoas nele sabem fazer. Medi-la costumava significar pesquisas, notas dos gestores e uma análise anual de necessidades de treinamento. A IA encurta isso lendo evidências que já existem: descrições de cargo, anotações de desempenho, históricos de projetos, certificações e conclusões de cursos.

O fluxo prático é este:

1. Defina o alvo. Liste as habilidades que cada cargo exige, em que nível. Se você não tem uma estrutura de habilidades, comece pelos seus dez cargos mais importantes, não pela empresa toda. A base está tratada na estratégia de talentos baseada em habilidades.
2. Reúna as evidências. Use os registros de RH, o histórico da plataforma de aprendizagem e, quando apropriado, autoavaliações e a opinião dos gestores.
3. Deixe o modelo inferir e comparar. Ele estima um perfil de habilidades por pessoa e mede a lacuna em relação ao cargo-alvo.
4. Agregue no nível da equipe e da empresa. O resultado útil raramente é a lacuna de uma pessoa. É o padrão: "Oito de doze gerentes de contas não têm prática em negociação."
5. Valide com pessoas. Os gestores confirmam ou corrigem as conclusões antes que alguém aja sobre elas.

A pressão para fazer isso bem é real. No relatório do LinkedIn, metade dos profissionais de L&D e de talentos diz que os executivos se preocupam em saber se os funcionários têm as habilidades certas (LinkedIn Learning). A inferência de habilidades é um bom uso da IA porque o resultado é uma hipótese a verificar, não um veredito sobre uma pessoa. Ela se torna arriscada no momento em que uma nota de habilidade inferida alimenta uma decisão de promoção ou de demissão. Mantenha-a na faixa do desenvolvimento. Insumos limpos também importam, e os fundamentos de dados de RH para IA explicam o que corrigir primeiro.

Tarefa 2: trilhas de aprendizagem personalizadas

Uma trilha personalizada é uma sequência de atividades de aprendizagem ajustada ao cargo, ao nível atual de habilidade, aos objetivos e ao ritmo de uma pessoa. A parte da IA é o pareamento e o repareamento: quem passa na pré-avaliação pula o básico, e quem tem dificuldade recebe uma explicação diferente.

O que a evidência diz é animador para o desenho, mas mais restrito do que as promessas dos fornecedores sugerem. A base de pesquisa mais sólida está nos sistemas de tutoria inteligente, softwares que adaptam o ensino passo a passo. Kulik e Fletcher revisaram 50 avaliações controladas e encontraram um ganho mediano de 0,66 desvio padrão, com o tamanho do ganho dependendo muito de os resultados terem sido medidos em testes desenvolvidos localmente ou padronizados (Kulik e Fletcher, 2016). É um resultado forte, e descreve estudantes em cursos estruturados. Não prova que um mecanismo de recomendação que sugere cursos ao estilo do LinkedIn a adultos melhora o desempenho no trabalho. Trate-o como apoio à prática adaptativa com feedback, não ao "a IA escolhe os seus cursos".

Uma trilha que vale construir tem estas partes:

• Um alvo claro (um cargo, uma habilidade, um projeto), e não um "aprender IA" sem fim.
• Uma verificação de linha de base para que as pessoas não repitam o que já sabem.
• Atividades curtas combinadas com prática em trabalho real.
• Um ponto de contato com o gestor. Nos dados do LinkedIn, apenas 15% dos funcionários dizem que o gestor os ajudou a montar um plano de carreira nos últimos seis meses (LinkedIn Learning). A IA pode preparar a conversa, mas não substituí-la.
• Uma ligação visível entre aprendizagem e oportunidade. As trilhas parecem inúteis se concluí-las não muda nada. Conectá-las a movimentações internas é a ideia por trás do marketplace interno de talentos com IA.

Se você quer ver o lado da construção, o blueprint do agente de IA de aprendizagem e desenvolvimento mostra como um agente recomenda trilhas, inscreve aprendizes e cutuca quem empaca.

Tarefa 3: criação de conteúdo

O conteúdo é por onde a maioria das equipes de L&D começa, porque o benefício é fácil de ver: um primeiro rascunho em minutos em vez de dias. Um modelo pode transformar um documento de política em um roteiro de aula, escrever perguntas de questionário, criar cenários de encenação, resumir um workshop gravado e traduzir material para outra região.

Bem usado, isso libera os especialistas no assunto e os designers instrucionais para revisar e melhorar, em vez de partir de páginas em branco. Mal usado, produz uma biblioteca de material confiante e genérico que ninguém conferiu. Três regras ajudam:

• Baseie-o nas suas fontes. Dê ao modelo os seus documentos de processo reais e peça que trabalhe só a partir deles. A saída genérica é como procedimentos errados acabam no treinamento.
• Mantenha um especialista no circuito. Todo módulo de compliance, segurança ou técnico precisa de um revisor nomeado que aprove antes da liberação.
• Teste com aprendizes. Um módulo pode ler bem e mesmo assim não ensinar nada. Confira se as pessoas conseguem fazer a tarefa depois.

As habilidades mais amplas para as equipes de RH que trabalham com essas ferramentas estão em IA generativa para equipes de RH.

O estudo de Brynjolfsson, Li e Raymond é uma referência útil aqui, com uma ressalva sobre o que ele mediu. Eles estudaram 5.179 agentes de suporte ao cliente que receberam um assistente de IA generativa e descobriram que a produtividade subiu 14% em média e 34% para trabalhadores novatos e de baixa qualificação, com impacto mínimo sobre os experientes (NBER). Foi assistência durante o trabalho, não um programa de treinamento. Mas aponta para uma ideia de desenho: a IA que apoia as pessoas enquanto trabalham pode ajudar mais os funcionários mais novos, o que é um bom argumento para colocar a orientação dentro do fluxo de trabalho em vez de apenas em um curso.

Tarefa 4: coaching e prática

O coaching é o uso mais novo e menos consolidado. Cobre assistentes de chat que respondem "como eu lido com isso?" no momento da necessidade, simulações em que um aprendiz pratica uma conversa difícil e feedback sobre trabalhos escritos.

A evidência mais importante aqui é um alerta. Em um experimento de campo com quase 1.000 estudantes de matemática do ensino médio na Turquia, os estudantes que receberam um chatbot sem restrições foram 48% melhores nos problemas de prática do que o grupo de controle, mas 17% piores em uma prova feita sem IA. Uma versão no estilo de tutor, que dava dicas em vez de respostas, foi 127% melhor na prática e praticamente igual ao controle na prova (Wharton). Os estudantes eram adolescentes aprendendo matemática, não funcionários aprendendo um ofício, então não transponha os números. A lição, porém, se transpõe: se a IA faz o raciocínio, o desempenho durante o exercício sobe, mas o aprendizado pode não subir.

Para o coaching no trabalho, isso sugere algumas escolhas de desenho:

• Faça a IA perguntar e dar dicas antes de dar respostas.
• Use simulações de prática para habilidades que as pessoas vão exercer sozinhas depois, como conversas de feedback e ligações com clientes.
• Avalie às vezes sem a IA, para saber o que as pessoas conseguem fazer por conta própria.
• Mantenha os temas sensíveis (problemas de desempenho, conflito, saúde) com uma pessoa.

Cuidado com as ferramentas que afirmam ler emoção na voz ou no vídeo durante a prática ou a avaliação. O AI Act da UE proíbe o reconhecimento de emoções em locais de trabalho e em instituições de ensino (European Commission), e a ciência por trás dessas alegações é contestada.

Exemplos reais por função

Equipe de L&D. Um líder de aprendizagem alimenta uma ferramenta de habilidades com descrições de cargo e histórico de cursos, descobre que um terço da equipe de suporte nunca praticou a desescalada de conflitos e encomenda um módulo curto baseado em cenários. A IA encontrou o padrão; o líder decidiu o que fazer a respeito.

Sales enablement. Um gestor usa um bot de encenação para que os novos representantes ensaiem chamadas de descoberta antes de falar com um prospect, e depois revisa três gravações por semana para conversas de coaching. O volume de prática aumenta, e o tempo do gestor vai para as conversas que importam.

Treinamento de compliance e segurança. Os designers instrucionais redigem módulos atualizados a partir de políticas revisadas, e um responsável de compliance revisa cada linha. A redação é rápida, e a aprovação é lenta de propósito.

Operações de linha de frente. Um supervisor de turno recebe uma reciclagem curta, específica para a função, recomendada depois de uma mudança de processo, em vez de um curso para a empresa toda que ninguém conclui.

Colaboradores individuais. Uma analista pede a um assistente que explique um método estatístico usando os relatórios da própria empresa como exemplos e depois se testa com perguntas geradas. Ela é dona do seu aprendizado; a ferramenta encurta o caminho.

Como implantar a IA em L&D, passo a passo

1. Escolha um problema de negócio. "Reduzir o tempo até a produtividade de novos contratados do suporte" vale mais do que "adotar IA na aprendizagem". Um alvo estreito torna o sucesso mensurável.
2. Faça uma auditoria do seu conteúdo e dos seus dados de aprendizagem. Saiba quais cursos existem, quem é dono deles, se estão atualizados e o que a plataforma de aprendizagem registra. A IA não consegue recomendar o que está ausente ou mal etiquetado.
3. Defina as habilidades dos cargos-alvo. Mesmo uma lista curta e acordada de habilidades e níveis dá ao sistema algo com que comparar. Uma análise formal de necessidades de treinamento é um jeito estruturado de encontrar primeiro a lacuna.
4. Comece pela redação de conteúdo ou pela inferência de habilidades. Elas trazem o menor risco para as pessoas e mostram valor rápido.
5. Nomeie um responsável por cada uso de IA. Registre quem revisa o resultado, o que pode substituir e com que frequência.
6. Defina as regras de privacidade antes do lançamento. Decida quais dados dos colaboradores o sistema vê, quem vê os resultados e se os dados individuais de habilidade são visíveis aos gestores. Diga aos colaboradores com clareza.
7. Faça um piloto com um grupo por um trimestre. Meça em relação a um grupo de comparação sempre que possível, não apenas pelas notas de satisfação.
8. Acrescente trilhas e coaching em seguida. Quando o conteúdo e os dados de habilidades estiverem confiáveis, a personalização terá algo sólido em que se apoiar.
9. Conecte a aprendizagem aos resultados. Ligue os dados de conclusão às métricas de desempenho e de mobilidade por meio de people analytics, cuidando para que correlação não seja confundida com causa.
10. Revise e aposente. Remova os cursos que ninguém conclui ou que já não combinam com o trabalho. Um mecanismo de recomendação amplifica o catálogo que você lhe der.

Para a questão maior de reconstruir habilidades em toda uma força de trabalho, programas de requalificação que realmente funcionam vai mais a fundo.

O que medir

As notas de satisfação são o sinal mais fraco em L&D, e a IA não muda isso. Combine-as com medidas ligadas ao trabalho.

• Adoção: a parcela dos colaboradores elegíveis que começam e terminam as trilhas atribuídas.
• Tempo até a proficiência: quanto tempo os colaboradores novos ou transferidos levam para atingir o padrão.
• Evolução de habilidades: mudança nos níveis de habilidade avaliados, conferidos sem apoio da IA.
• Resultados de negócio: a métrica que o treinamento deveria mover, como a qualidade da resolução ou as taxas de erro.
• Acompanhamento do gestor: se as conversas de desenvolvimento realmente acontecem.
• Justiça: se as recomendações e o acesso diferem entre grupos por razões sem relação com o trabalho.

Erros comuns

• Tratar a conclusão como aprendizado. A IA pode elevar as conclusões por meio de lembretes. Isso não diz nada sobre se alguém consegue fazer a tarefa.
• Deixar a ferramenta fazer o raciocínio. O experimento de matemática do ensino médio acima é o lembrete: a assistência pode elevar o desempenho no momento enquanto o aprendizado estagna.
• Usar notas de habilidade inferidas em decisões de alto risco. A estimativa de um modelo sobre a habilidade de alguém é um ponto de partida para o desenvolvimento. Decisões de promoção e de remuneração exigem evidências e julgamento humano, e podem acionar obrigações legais.
• Pular a estrutura de habilidades. Sem definições claras, "personalizado" significa "recomendado por popularidade".
• Publicar conteúdo sem revisão. O treinamento gerado pode conter erros confiantes. Em segurança e compliance, um passo errado tem consequências.
• Ignorar o viés. Os sistemas de recomendação podem direcionar certos grupos a oportunidades de menor visibilidade se os dados de base refletirem padrões passados. Teste os resultados por grupo.

Onde isso se encaixa no quadro geral

O L&D toca todo o ciclo de vida do colaborador, do onboarding à sucessão. Se você está mapeando onde a IA pertence ao RH, IA ao longo do ciclo de vida do colaborador mostra onde a aprendizagem fica ao lado da contratação, do engajamento e da retenção.