Como ajudar clientes a mudar a forma de trabalhar com IA

Por Brian Tr · Atualizado em 7 de outubro de 2026

Um produto de IA só pega quando as pessoas que o compram mudam a forma de trabalhar. Assinar o contrato é a parte fácil. Se a equipe de suporte continua respondendo tickets do jeito antigo, ou os analistas continuam refazendo o relatório à mão "só por garantia", o produto está instalado mas sem uso, e software sem uso é cancelado na renovação.

Esta página explica esse problema por meio de cinco modelos conhecidos e publicados de mudança e adoção: o ADKAR da Prosci, os oito passos de Kotter, a difusão de inovações de Rogers, o Technology Acceptance Model de Davis e o abismo de Moore. Nenhum deles foi escrito sobre IA. Todos descrevem por que as pessoas resistem a uma nova forma de trabalhar, a adiam ou a adotam, e é exatamente contra isso que um fornecedor de IA luta. Para as métricas que mostram se a adoção está acontecendo, veja métricas de adoção de produtos de IA. Para saber o que acontece quando ela não acontece, veja por que os produtos de IA sofrem churn.

Por que a mudança é o verdadeiro gargalo

É raro um software que automatiza uma tarefa que ninguém acompanhava. A maioria dos produtos de IA toca um trabalho que as pessoas possuem, pelo qual são medidas e em torno do qual têm hábitos fortes. Ligar a ferramenta não liga os hábitos.

A evidência de que a lacuna está nas organizações e não nos modelos é consistente. O relatório MIT NANDA de 2025, "The GenAI Divide", conforme descrito pela Fortune, concluiu que a IA corporativa enfrenta dificuldades principalmente por causa de uma integração falha e de uma "lacuna de aprendizado", e não da qualidade dos modelos. A Fortune informa que a pesquisa se baseou em 150 entrevistas com líderes, uma pesquisa com 350 funcionários e uma análise de 300 implantações públicas de IA, e que as ferramentas adquiridas externamente tiveram sucesso cerca de duas vezes mais do que as construídas internamente (aproximadamente 67% contra 33%). A manchete de que 95% dos pilotos mostraram pouco impacto mensurável no P&L é amplamente citada. A amostra é modesta e o critério é duro, então use o número como uma direção, não como uma taxa precisa. Chegamos às conclusões por meio da cobertura da imprensa, não do relatório em si.

Os funcionários também adotam mais rápido do que as empresas. O Work Trend Index 2024 da Microsoft pesquisou 31.000 trabalhadores do conhecimento em 31 mercados em fevereiro e março de 2024 e constatou que 75% já usavam IA generativa no trabalho. Desses usuários, 78% levaram suas próprias ferramentas de IA em vez de usar as fornecidas pela empresa. É a adoção individual correndo à frente da adoção organizacional, um problema diferente do que um fornecedor que vende para uma empresa precisa resolver.

Juntos, esses dados apontam para a mesma coisa. As pessoas vão testar IA por conta própria. Fazer uma equipe mudar um processo compartilhado em torno do seu produto é um trabalho à parte e mais difícil.

Cinco modelos, cinco lições para um fornecedor

Cada modelo responde a uma pergunta ligeiramente diferente. Juntos, formam um checklist utilizável.

ADKAR: mude uma pessoa de cada vez

O modelo ADKAR da Prosci descreve cinco resultados que uma pessoa precisa alcançar para que uma mudança se consolide: Awareness (Consciência, entender por que a mudança é necessária), Desire (Desejo, escolher participar e apoiá-la), Knowledge (Conhecimento, saber como mudar e o que o sucesso exige), Ability (Capacidade, colocar em prática novas habilidades e comportamentos) e Reinforcement (Reforço, sustentar a nova forma e evitar retrocessos).

A propriedade útil do ADKAR é que os elementos são ordenados e cada um pode falhar de forma independente. Um usuário que sabe usar o seu assistente de IA mas não vê por que deveria (Desejo baixo) não vai usá-lo. Um usuário que quer usá-lo mas nunca viu como ele se encaixa em suas tarefas reais (Conhecimento ou Capacidade baixos) vai experimentar duas vezes e parar.

Para um fornecedor, o ADKAR é um diagnóstico para uma conta parada. Pergunte onde está a barreira. As lacunas de Consciência pedem um business case claro, que é o trabalho de montar um business case de ROI de IA. As lacunas de Desejo geralmente significam que o usuário teme que a ferramenta o substitua, ou apenas que ela acrescenta etapas. As lacunas de Conhecimento e Capacidade são de treinamento e orientação dentro do fluxo de trabalho. O Reforço é onde a maioria das implantações de IA falha em silêncio: ninguém confere o uso depois do lançamento, e os velhos hábitos voltam.

Kotter: mude a organização, não apenas o usuário

O ADKAR funciona no nível do indivíduo. Os oito passos de Kotter funcionam no nível da organização: criar senso de urgência, formar uma coalizão orientadora, definir uma visão estratégica, mobilizar um exército de voluntários, viabilizar a ação removendo barreiras, gerar vitórias de curto prazo, sustentar a aceleração e institucionalizar a mudança. Kotter apresentou a sequência no livro Leading Change, e o modelo foi revisado desde então.

Três desses passos se mapeiam diretamente ao comportamento do fornecedor.

Coalizão orientadora. Uma implantação de IA conduzida apenas por quem a comprou é frágil. Uma coalizão significa um dono do negócio, alguém de TI ou segurança e usuários respeitados da equipe que vai mudar. O comitê de compra que aprovou a compra é o ponto de partida natural, mas muitas vezes se dissolve depois que o contrato é assinado. Reúna-o de novo.

Vitórias de curto prazo. O valor da IA pode levar meses para aparecer no P&L. Esperar tanto tempo convida à dúvida. Um fornecedor pode ajudar o cliente a escolher um fluxo de trabalho, uma equipe e um resultado mensurável que possa ser demonstrado em semanas, e divulgá-lo internamente.

Remoção de barreiras. As barreiras costumam ser práticas: uma configuração de permissões que bloqueia os dados de que a IA precisa, uma revisão de compliance que ninguém agendou, um gestor que ainda exige o formato antigo do relatório. Um fornecedor que trata isso como problema do cliente verá o uso ficar estagnado. Um fornecedor que ajuda a removê-las tende a ver a adoção avançar.

Rogers: a adoção se espalha por pessoas, não por comunicados

Diffusion of Innovations, de Everett Rogers, publicado pela primeira vez em 1962, sintetizou centenas de estudos anteriores. O livro classifica os adotantes em inovadores, adotantes iniciais, maioria inicial, maioria tardia e retardatários, e nomeia cinco atributos que determinam a rapidez com que uma inovação se espalha: vantagem relativa, compatibilidade, complexidade, experimentabilidade e observabilidade.

Lidos como um checklist para um produto de IA, os atributos são práticos.

• Vantagem relativa: ele é claramente melhor do que a forma atual, para esta tarefa?
• Compatibilidade: ele se encaixa nas ferramentas, valores e hábitos existentes, ou exige uma nova forma de trabalhar?
• Complexidade: quão difícil é entendê-lo e usá-lo?
• Experimentabilidade: uma pessoa pode testá-lo em trabalho real sem compromisso?
• Observabilidade: os colegas conseguem ver alguém obtendo um resultado?

A observabilidade é a que os fornecedores menos aproveitam. As pessoas copiam o que veem funcionando. Um dashboard compartilhado do tempo economizado, um canal da equipe onde bons prompts são publicados ou um antes e depois visível de um único processo fazem mais do que mais um webinar de treinamento.

Davis: a utilidade vem antes da facilidade

O Technology Acceptance Model de Fred Davis, apresentado em um artigo de 1989 na MIS Quarterly (volume 13, número 3, páginas 319 a 340), propõe que duas crenças determinam se uma pessoa adota uma tecnologia: a utilidade percebida, ou seja, o grau em que ela acredita que a tecnologia melhorará seu desempenho no trabalho, e a facilidade de uso percebida, ou seja, o grau em que acredita que ela não exigirá esforço. (Davis, 1989)

Dois pontos importam para a IA. Primeiro, a utilidade é uma crença sobre o próprio trabalho da pessoa, não uma lista de recursos. Um usuário que não vê como a ferramenta ajuda nas tarefas pelas quais é medido não vai adotá-la, por mais limpa que seja a interface. Segundo, a IA introduz uma terceira preocupação que o modelo original não coloca no centro: se a saída é confiável. Pesquisas posteriores ampliaram o TAM em muitas direções, mas a lição para o fornecedor é simples. Se os usuários não confiam nas respostas, a utilidade percebida cai, porque eles precisam conferir tudo. É por isso que confiança e avaliação é uma questão de adoção, e não apenas de segurança.

Moore: o abismo entre os entusiastas e o mercado geral

Crossing the Chasm, de Geoffrey Moore, publicado pela primeira vez em 1991, argumenta que existe uma lacuna entre os adotantes iniciais (visionários que compram pelo potencial) e a maioria inicial pragmática (que compra por resultados comprovados e referências). O livro recomenda focar em um segmento, construir uma solução completa para o problema específico dele e usar esse segmento como base para o próximo.

Os fornecedores de IA enfrentam uma versão disso dentro de um único cliente. Uma equipe-piloto de entusiastas adota com prazer. O departamento mais amplo, que é pragmático e ocupado, quer provas de que funciona no tipo de caso dele, um colega conhecido que o recomende e suporte quando falhar. Trate cada equipe como seu próprio pequeno abismo. Não presuma que o entusiasmo do grupo-piloto se transfere. A lição do problema de ir do piloto ao contrato vale também depois da venda.

O que os modelos somam: um playbook para o fornecedor

Reduza os cinco modelos às suas sobreposições e resta uma lista curta de práticas.

1. Identifique champions cedo e capacite-os. Os líderes de opinião de Rogers e a coalizão de Kotter são as mesmas pessoas com outras palavras. Um champion precisa de materiais, acesso à sua equipe e algo para mostrar aos colegas.
2. Redesenhe o fluxo de trabalho, não apenas a tarefa. Acrescentar uma etapa de IA a um processo inalterado muitas vezes acrescenta trabalho. Combine com o cliente quais etapas desaparecem, quais mudam de lugar e quem é o dono da nova versão. A compatibilidade (Rogers) e a facilidade de uso (Davis) dependem disso.
3. Treine dentro do trabalho. Conhecimento e Capacidade, no ADKAR, vêm da prática em tarefas reais, não de apresentações de slides. Exemplos curtos e específicos por função vencem tours genéricos. Para a versão geral do SaaS, veja onboarding e time to value.
4. Construa confiança de forma deliberada. Mostre de onde vem a saída, onde ela provavelmente erra e como uma pessoa pode corrigi-la. Mostre cedo, antes da primeira resposta ruim, não depois.
5. Meça comportamento, não logins. Reforço significa verificar se a nova forma está realmente sendo usada no processo real. Uma contagem de logins é uma evidência fraca. A parcela do fluxo de trabalho-alvo concluída por meio do produto é melhor.
6. Continue presente depois do lançamento. O Reforço é o passo mais frequentemente ignorado. Check-ins proativos são a forma de o fornecedor detectar retrocessos antes da conversa de renovação. Para ver como isso funciona especificamente em produtos de IA, veja customer success para produtos de IA.

Fatos principais

• Onde está a lacuna: o estudo MIT NANDA de 2025, segundo a Fortune, atribui a estagnação da IA corporativa principalmente à integração e a uma lacuna de aprendizado, e não à qualidade dos modelos. O número de 95%, amplamente citado, se apoia em 150 entrevistas, uma pesquisa com 350 funcionários e 300 implantações públicas, então trate-o como indicativo.
• Os indivíduos vão primeiro: o Work Trend Index 2024 (31.000 trabalhadores do conhecimento, 31 mercados) constatou que 75% usavam IA generativa no trabalho e que 78% desses usuários levaram as próprias ferramentas.
• ADKAR: os cinco elementos da Prosci são Consciência, Desejo, Conhecimento, Capacidade e Reforço.
• Kotter: oito passos, da criação de urgência à institucionalização da mudança.
• TAM: Davis (1989) nomeia a utilidade percebida e a facilidade de uso percebida como os dois motores da aceitação.
• Teste prático: se um usuário não sabe dizer o que a ferramenta faz pelo próprio trabalho, ou não confia na saída, a adoção vai estagnar, qualquer que seja a qualidade da interface.