- Acessos liberados
- Configurações concluídas
- Políticas definidas
- Ferramenta disponível
Em muitas empresas, a IA já começou a ser usada antes de existir uma estratégia formal para isso.
Tem gente usando Gemini para resumir documentos, preparar apresentações, organizar reuniões ou analisar uma planilha. Alguns desses usos funcionam bem e acabam sendo repetidos. Mas isso não significa que a empresa tenha adotado IA.
Às vezes, o uso continua concentrado em poucas pessoas. Em outras áreas, os colaboradores receberam acesso à ferramenta, fizeram um treinamento e praticamente não voltaram a usar. Neste cenário a gestão da mudança começa a fazer diferença. Ela ajuda a entender por que algumas pessoas incorporaram a IA ao trabalho e outras não, quais dificuldades estão aparecendo e o que precisa acontecer para que um uso que funcionou em um time possa ser repetido em outros.
Esse problema também aparece quando falamos em adoção de IA em escala, em que o desafio passa a ser criar condições para que ela seja usada de forma recorrente.
Gestão de mudança é o trabalho de preparar e apoiar as pessoas quando uma nova tecnologia, processo ou forma de trabalhar é introduzida.
Em projetos de IA, a parte técnica é só uma parte do trabalho. Uma empresa pode ter Gemini disponível para todos, definir regras de segurança e oferecer treinamentos. Mesmo assim, parte das pessoas pode não saber em quais tarefas usar a ferramenta. Algumas testam uma vez. Outras têm receio de colocar informações da empresa ali.
Nessa situação, o problema está na adoção.
Uma empresa pode concluir a implantação de uma ferramenta de IA e ainda estar longe de ter uma adoção consistente. Na implantação, o foco costuma estar em liberar acessos, definir configurações, organizar políticas e garantir que a tecnologia esteja disponível.
Na adoção, o foco é entender como as pessoas estão usando essa tecnologia de forma recorrente e útil. É possível ter muitas licenças ativas e, mesmo assim, concentrar o uso em poucas pessoas. Também é possível ter bastante acesso à ferramenta, mas pouca mudança nos processos.
Por isso, olhar apenas para disponibilidade ou número de usuários não mostra se a IA entrou de fato no trabalho.
A adoção começa a ficar mais evidente quando a tecnologia passa a mudar tarefas concretas. Pode ser uma equipe que reduz o tempo gasto para analisar documentos, um processo que deixa de depender de tantas etapas manuais ou um grupo que passa a consultar informações com mais facilidade.
O ponto não é usar IA o tempo todo, mas conseguir identificar onde ela realmente melhora o trabalho e fazer com que esses usos deixem de depender apenas de algumas pessoas mais curiosas ou mais experientes.
Antes de decidir o que ensinar, a empresa precisa entender onde as pessoas estão consumindo mais tempo e energia, quais tarefas ainda dependem de muito trabalho manual e em que momentos encontrar ou organizar informação é mais difícil do que deveria.
Essas perguntas ajudam a encontrar casos de uso que fazem sentido para aquela organização. Quando a capacitação parte desses problemas, a IA começa a ser uma opção para resolver tarefas que as pessoas já conhecem.
Esse raciocínio também está relacionado a levar um mindset de inteligência artificial para diferentes níveis da empresa, onde pessoas diferentes precisam enxergar a tecnologia dentro do contexto do próprio trabalho.
“Usar IA no trabalho” é uma orientação ampla demais para quem ainda está tentando entender onde a tecnologia cabe na rotina. Um caso de uso reduz essa distância porque parte de uma tarefa conhecida.
Em vez de falar apenas em “usar Gemini para ganhar produtividade”, a empresa pode trabalhar com situações mais específicas: comparar versões de um documento, organizar anotações de uma reunião, analisar uma planilha ou preparar uma primeira estrutura de apresentação.
Isso também ajuda a separar curiosidade de utilidade. Nem todo uso precisa virar processo, mas os que resolvem problemas recorrentes podem ser testados, ajustados e compartilhados com outras pessoas.
Ao longo do tempo, a empresa começa a construir um repertório próprio de aplicações de IA, baseado no trabalho que realmente acontece ali.
Algumas pessoas já usam IA todos os dias e querem entender como levar esse uso para tarefas mais complexas. Outras ainda têm dúvidas básicas: o que podem colocar na ferramenta, quais informações precisam de mais cuidado ou até como começar uma boa conversa com o modelo.
Tratar esses públicos da mesma forma costuma funcionar mal. Quem já tem experiência pode achar o treinamento básico demais. Quem está começando pode sair com muita informação e pouca segurança para aplicar.
Por isso, a capacitação pode ser organizada por diferentes níveis e necessidades. Uma pessoa pode precisar entender fundamentos e uso seguro. Outra pode estar pronta para trabalhar casos de uso da própria área. Um terceiro grupo pode avançar para automações ou atuar como multiplicador interno.
O objetivo não é fazer com que todo mundo saiba tudo sobre IA. É dar a cada grupo conhecimento suficiente para usar a tecnologia melhor dentro do trabalho que já faz.
Na Livelo, por exemplo, o programa ConectAI incluiu um AI Day com conteúdo, cases e oficinas de ideação voltadas a desafios reais da empresa. Esse tipo de formato aproxima a capacitação do trabalho que as equipes já precisam resolver.
Uma equipe central pode organizar treinamentos, criar materiais e definir diretrizes. O que ela dificilmente consegue fazer sozinha é acompanhar como a adoção acontece em todas as áreas.
É por isso que muitas iniciativas criam uma rede de champions. São pessoas de diferentes times que experimentam novos usos, ajudam colegas, compartilham aprendizados e levam dúvidas reais de volta para quem conduz o programa.
Esse papel é importante porque reduz a distância entre a estratégia e o trabalho do dia a dia. Para alguém que ainda está inseguro com IA, ver uma pessoa da própria área mostrando como usa a tecnologia em uma tarefa real costuma ser mais útil do que receber mais uma comunicação institucional.
Os champions também ajudam a identificar uma coisa que nem sempre aparece nos indicadores: onde a mudança está travando. Pode ser falta de contexto, receio com segurança, dificuldade para encontrar casos de uso ou simplesmente falta de tempo para experimentar. Quando essas barreiras chegam mais rápido ao time responsável, fica mais fácil ajustar treinamento, comunicação e suporte.
Ter muitas pessoas com acesso à ferramenta é um dado importante, mas não mostra sozinho se a adoção está funcionando. Também vale observar se essas pessoas voltam a usar IA, para quais tarefas, se surgem novos casos de uso e se alguma coisa começou a mudar no trabalho.
Uma empresa pode, por exemplo, ter um número alto de usuários ativos e ainda concentrar o uso em atividades muito básicas. Em outro cenário, um grupo menor pode estar usando IA com frequência em processos relevantes para a área. Por isso, a leitura da adoção precisa combinar diferentes sinais.
Esses indicadores ajudam a enxergar situações diferentes.
Se muitas pessoas receberam acesso, mas poucas voltam a usar a ferramenta, pode existir um problema de relevância, capacitação ou comunicação. Se o uso é frequente, mas continua restrito às mesmas tarefas, talvez seja hora de trabalhar novos casos de uso.
Também vale acompanhar a percepção das equipes. Dúvidas recorrentes, insegurança ou dificuldade para entender onde a IA ajuda são sinais tão importantes quanto os dados de utilização.
A ideia não é transformar a adoção em uma corrida por números. As métricas servem para entender onde a mudança está avançando e onde ainda existe alguma barreira que precisa ser trabalhada.
Na Gentrop, o trabalho de gestão da mudança parte de uma ideia simples: a transformação da empresa só acontece quando as pessoas mudam a forma como trabalham.
Por isso, a adoção de IA não é tratada apenas como uma questão de acesso à tecnologia ou treinamento. A atuação combina três frentes principais: comunicação, capacitação e sustentação.
Comunicação ajuda a explicar por que a mudança está acontecendo, alinhar expectativas entre liderança e equipes e reduzir inseguranças que podem aparecer no processo.
Capacitação desenvolve fluência em IA de acordo com o contexto de cada público. O foco não está só em ensinar recursos ou prompts, mas em ajudar as pessoas a reconhecer onde a tecnologia pode ser útil no trabalho e onde ainda é necessário julgamento humano.
Sustentação acompanha o que acontece depois dos primeiros treinamentos. Isso inclui observar barreiras, apoiar os times, identificar bons usos e criar condições para que eles continuem evoluindo.
Ao longo do tempo, esse trabalho também muda de objetivo. No começo, a prioridade costuma ser ativar a tecnologia e criar os primeiros usos. Depois, ampliar a adoção para mais áreas. Em iniciativas mais maduras, a discussão chega ao redesenho de processos e a formas de trabalho em que a IA passa a fazer parte da operação.
Um exemplo recente é o Grupo SBF. Em parceria com a Gentrop, a empresa combinou governança, capacitação e engajamento para ampliar o uso do Gemini Enterprise. Mais de 1.200 pessoas foram treinadas, os próprios usuários criaram 200 agentes no-code e a adoção cresceu mais de 50% em duas semanas.
O resultado chama atenção, porque mostra uma mudança de comportamento: as pessoas deixaram de apenas consumir a ferramenta e começaram a criar aplicações para problemas do próprio trabalho.
Esse tipo de projeto ajuda a explicar por que a Gentrop vem sendo reconhecida pelo Google na América Latina.
Em 2025, a empresa foi escolhida como Google Workspace Partner of the Year para a América Latina. Em 2026, recebeu novamente um Partner of the Year, desta vez na categoria Transformação de IA no Local de Trabalho para a América Latina, reconhecimento ligado à aceleração da adoção de IA dentro do Workspace.
Para uma empresa que procura um parceiro Google Workspace ou Gemini na América Latina, esses reconhecimentos ajudam a mostrar algo além da capacidade técnica: experiência em levar a tecnologia até a rotina das pessoas.
Essa combinação de tecnologia, adoção e gestão da mudança também faz parte da atuação da Gentrop como parceira Google Workspace na América Latina.
A IA já está disponível para muitas empresas. O desafio agora é fazer com que ela seja usada de uma forma que realmente mude o trabalho.
Isso exige tecnologia, mas exige também comunicação, capacitação, exemplos que façam sentido para cada área e acompanhamento depois dos primeiros testes.
Gestão da mudança entra justamente nesse espaço: entre liberar uma ferramenta e conseguir fazer com que ela passe a fazer parte da operação.
