Pergunte a quem desenhou o programa se o treinamento em IA está bom. Pergunte, depois, a quem sentou para assistir. Raramente as duas respostas coincidem, e agora existe um número para o tamanho da diferença. No estudo Wharton–GBK de 2026, 78% dos líderes de empresa dizem que o treinamento em IA oferecido é adequado. Entre funcionários de nível inicial e médio, esse índice cai para 56%.
Qual é a distância entre líderes e funcionários no treinamento em IA?
A distância é de 22 pontos percentuais, a maior de todo o estudo Wharton–GBK, divulgado em 13/10/2026. O levantamento é o quarto de uma série anual da Wharton Human-AI Research (WHAIR) com a GBK Collective, intitulado "The Adaptive Advantage: Who's Winning with AI and How". Nesta edição, pela primeira vez, ouviu também funcionários, não só executivos: foram 1.416 pessoas em empresas dos Estados Unidos, entre líderes e profissionais de nível inicial e médio.
Treinamento é só uma entre várias lacunas, e todas apontam na mesma direção. Dizem que o fluxo de trabalho mudou de forma significativa 73% dos líderes e 58% dos funcionários. Dizem que a estrutura de gestão mudou 52% e 36%. Sentem-se confiantes para usar IA todo dia 79% dos líderes e 62% dos funcionários. E afirmam que existe uma visão clara de longo prazo sobre IA 79% e 64%. Em cada pergunta, quem está mais perto da decisão enxerga mais mudança, mais preparo e mais direção do que quem está mais perto da tarefa.
Há uma ressalva de método. A amostra é americana, a pesquisa vem de uma parceria acadêmica com uma consultoria de pesquisa, e "treinamento adequado" é percepção declarada, não prova de aprendizagem. O dado não diz quem está certo. Diz que as duas versões não batem, e que a empresa costuma só ouvir uma delas.
Vale perguntar por que a diferença aparece justamente no treinamento. Uma explicação plausível, que o estudo não testa e que o RH pode verificar, é a de posição na cadeia: o líder vê o investimento (o programa foi contratado, a plataforma foi liberada, a carga horária existe), enquanto o funcionário vê o uso (o que ele consegue fazer com isso na terça-feira de manhã, com um prazo a cumprir). São duas medidas legítimas do mesmo programa, e elas só coincidem quando alguém as cruza de propósito. Sem esse cruzamento, cada lado conclui que o outro está equivocado.
O funcionário está resistindo à IA?
Não, e o estudo é claro nesse ponto. 73% dos funcionários dizem que a IA afetou positivamente o seu papel, e 84% dos que a usam dizem que ela economiza tempo, segundo o mesmo levantamento Wharton–GBK. A resistência não explica a distância de 22 pontos. O que explica é outra coisa: a pessoa quer usar, usa, ganha tempo e, ainda assim, não sente que a empresa a preparou.
Essa combinação de uso alto e preparo baixo é o que se pode chamar de adoção sem preparo: a IA entra na rotina porque a ferramenta está ao alcance, e o treinamento chega depois, em formato que o líder aprovou mas que a equipe não reconhece como suficiente. Por isso o que parece problema de engajamento é, mais provavelmente, problema de desenho.
Outro dado do estudo reforça a desconfiança nascente. A preocupação com atrofia de habilidades aparece em 48% dos líderes de nível VP ou acima e em 46% dos funcionários de nível inicial e médio, contra 32% entre gerentes e diretores. A camada do meio, que supostamente traduz a estratégia em prática, é a que menos se preocupa. E o entusiasmo recuou: entre gestores e acima, o uso diário subiu cerca de 16 pontos, para 62%, mas a parcela de "animados" caiu 8 pontos no ano, enquanto "cautelosos" e "céticos" cresceram.
O recorte por nível hierárquico completa o quadro. O estudo mostra que o uso diário de IA entre gestores e acima subiu cerca de 16 pontos no ano, e ainda assim o entusiasmo caiu. Em outras palavras, a prática aumentou e a empolgação diminuiu, o que é típico de quando a ferramenta deixa de ser novidade e passa a ser exigência. Nessa fase, o treinamento deixa de ser apresentação do recurso e passa a ser sustentação do uso. É um tipo de treino que o programa pontual, desenhado para o lançamento, raramente prevê.
O Paradoxo do Treinamento Visto de Cima
O Paradoxo do Treinamento Visto de Cima acontece quando a empresa mede a qualidade do treinamento pela opinião de quem o contratou, e conclui que está tudo bem. Quem tem acesso à decisão avalia o programa pelo que ele entrega no desenho: carga horária, conteúdo, ferramenta liberada. Quem recebe avalia pelo que sobrou para aplicar na segunda-feira.
Por isso o dado de 78% contra 56% é uma crítica à métrica, mais que ao treinamento. Se a avaliação do programa for feita só pela liderança, o resultado será quase sempre alto, e quase sempre incompleto. Autorrelato de quem decide é o tipo de medida que o T&D conhece bem e continua usando.
O estudo traz outro número que ajuda a ler isso. 80% dos líderes relatam retorno positivo com IA, mas só 28% dizem que o retorno é fortemente positivo. 67% usam agentes de IA de alguma forma, e apenas 28% dizem que a IA está plenamente embutida nos processos centrais. Só 17% deixam os agentes agirem sem aprovação humana a cada passo. Brian Smith, da GBK Collective, resume o quadro como uma "zona intermediária supervisionada": a empresa paga por autonomia e depois revisa cada ação.
A ligação com o treinamento é direta. Quando a pessoa que revisa cada passo não foi preparada para decidir o que revisar, a supervisão vira gargalo, e o treinamento "adequado" na percepção do líder não sustenta a autonomia que a empresa quer comprar. Já tratamos esse limite em Autonomia de Agentes de IA: o limite está na Decisão, e o estudo Wharton–GBK mostra o mesmo ponto vindo do lado do treinamento.
A consequência para o T&D é desconfortável e produtiva. Se a avaliação de quem decide não basta, o programa precisa de uma segunda fonte de evidência, e essa fonte está no trabalho, não no formulário. Isso inclui o que a equipe produz, onde ela trava e o que ela improvisa por conta própria, porque o improviso é o retrato do que o treinamento não cobriu. Um programa que mede só a conclusão mede o início do processo, e não o fim.
O que a Descola já pensa sobre treinamento que o funcionário reconhece como útil?
A Descola trata treinamento útil como aquele que a pessoa consegue usar dentro do trabalho, e por isso discute o tema há tempo em torno de aprendizagem no fluxo do trabalho. Em Aprendizagem no fluxo do trabalho: o que US$ 400 bilhões em treinamento ainda não resolveram, o argumento é que o investimento enorme em treinamento ainda não resolveu a aplicação. O dado de 56% do estudo Wharton–GBK mostra uma face disso: o treino existe, a sensação de preparo não.
No catálogo, o curso Inteligência Expandida trata de como humanos e computadores podem trabalhar juntos para resolver problemas complexos, que é o ponto em que o treinamento em IA deixa de ser operação de ferramenta e vira repertório de decisão. E o curso Feedback entra por um lado menos óbvio: se o funcionário sente que o treinamento não bastou, alguém precisa ter a conversa que traz essa informação até quem desenha o programa, com método, e não só em pesquisa de satisfação.
Conteúdo de prateleira, LMS e trilha: o que resolve o treinamento em IA?
O conteúdo de prateleira resolve o acesso e a escala do treinamento em IA, mas sozinho não resolve a sensação de preparo, e a distância de 22 pontos do estudo Wharton–GBK é um indício disso. Conteúdo de prateleira é o curso pronto, produzido sem partir do contexto de uma empresa específica e disponível em catálogo. Ele tem vantagem real: chega rápido, em escala e com a qualidade editorial já resolvida. O limite é que ele é genérico até alguém decidir para quem, em que momento e em que sequência ele entra.
Essa decisão se chama curadoria contextual, e é ela que transforma um catálogo em trilha de desenvolvimento: uma sequência de conteúdos organizada por público, nível e momento da jornada. É o desenho que a Descola descreve em seu portfólio institucional de 2026, com mais de 250 cursos próprios, 100% online, organizados em frentes, sob a premissa de que o catálogo é o ponto de partida e a curadoria é o diferencial. O processo segue quatro passos: entender o contexto da empresa, mapear as frentes relevantes, construir a trilha junto com o cliente e acompanhar a entrega.
A Descola não é um LMS: ela produz os cursos e os entrega em SCORM 1.2, o padrão técnico que permite subir o mesmo conteúdo em praticamente qualquer LMS (sistema de gestão de aprendizagem) ou LXP (plataforma de experiência de aprendizagem) do mercado. Na prática, o RH contrata os cursos e os usa dentro da plataforma que a empresa já tem, com novos títulos entrando conforme as trilhas evoluem, sem trocar de sistema. É aí que a lacuna do estudo ganha endereço. A trilha de IA que o líder aprovou precisa ser a mesma que o funcionário percorre no dia a dia, e a escuta dos dois lados precisa acontecer na própria plataforma: onde a pessoa travou, o que abandonou, o que voltou para rever. A taxa de conclusão, que a Descola reporta em 81% no portfólio de 2026, é um indicador de processo, não de aplicação. Ela mostra que a pessoa chegou ao fim do curso, não que usou a IA melhor na terça-feira de manhã.
Um desenho mínimo de trilha de treinamento em IA pode seguir quatro eixos:
→ Por público. Líderes, gerentes intermediários e equipe operacional precisam de percursos diferentes, porque decidem coisas diferentes com a mesma ferramenta.
→ Por momento. Antes do uso, fundamentos e critério; durante, conferência e decisão; depois, revisão do que a IA errou ou deixou de fora.
→ Por evidência. Cada etapa termina em algo que a pessoa fez no trabalho, e não só em um certificado.
→ Por escuta. O funcionário avalia a trilha em separado do líder, e as duas avaliações são comparadas, como no estudo.
Como medir o treinamento em IA do ponto de vista de quem recebe?
Medir treinamento em IA do ponto de vista de quem recebe é perguntar ao funcionário, e observar no trabalho, o que a pessoa consegue fazer depois do programa que não conseguia antes. Quatro movimentos tornam isso viável para o RH e o T&D:
→ Fazer a mesma pergunta aos dois lados. Aplique a pergunta "o treinamento em IA que recebemos é adequado?" a líderes e a funcionários, e compare. A distância entre as duas respostas é o primeiro indicador, e costuma ser mais informativo que cada resposta isolada.
→ Trocar satisfação por evidência de uso. Em vez de perguntar se o treino foi bom, analise os últimos 20 entregáveis de uma equipe: onde a IA apareceu, onde poderia ter aparecido, e onde apareceu sem ninguém conferir.
→ Treinar a conferência, não só a ferramenta. Se apenas 17% dos líderes deixam agentes agirem sem aprovação a cada passo, o gargalo está no critério de revisão. Ensine o critério: o que verificar, quando desconfiar, o que descartar.
→ Levar a camada do meio para dentro da conversa. Gerentes e diretores são os que menos se preocupam com a atrofia de habilidades, e são quem traduz o treino para a rotina. Se eles não enxergam o problema, o programa não chega à equipe.
Um exemplo concreto ajuda. Uma área de atendimento libera uma ferramenta de IA e um curso de duas horas. O líder da área, ao ser perguntado, diz que o treinamento foi adequado: houve curso, houve acesso, houve comunicado. A equipe, ao ser perguntada em separado, diz que aprendeu a abrir a ferramenta, mas não sabe quando confiar na resposta nem o que fazer quando ela erra. As duas respostas são verdadeiras. O que o RH faz com elas decide se o programa terá uma segunda versão melhor ou só um segundo comunicado.
O ponto de partida custa uma pergunta e uma comparação. O que muda é a pergunta que o RH faz: não mais "o programa foi bem avaliado?", e sim "bem avaliado por quem?".
Se líder e funcionário respondessem hoje à mesma pergunta sobre o treinamento em IA da sua empresa, de quantos pontos seria a diferença?
Fonte citada: Wharton Human-AI Research (WHAIR) e GBK Collective · "The Adaptive Advantage: Who's Winning with AI and How" · 13/10/2026 · https://www.gbkcollective.com/thoughtleadership/wharton-gbk-ai-study-2026-press-release Referências internas: Inteligência Expandida · Feedback · Leitura relacionada no blog da Descola: Aprendizagem no fluxo do trabalho: o que US$ 400 bilhões em treinamento ainda não resolveram · Autonomia de Agentes de IA: o limite está na Decisão