Governança de IA na saúde: o papel da liderança na nova regulação

01 — CENÁRIO ATUAL Governança de IA na saúde: por que o tema chegou à diretoria A governança de IA na saúde deixou de ser um assunto só da área de tecnologia. Desde 26 de agosto de 2026, vale a resolução do Conselho Federal de Medicina sobre o uso de IA na medicina, segundo o portal do CFM. Assim, hospitais, clínicas e outras instituições médicas passaram a ter regras claras para uso, auditoria e monitoramento desses sistemas. Além disso, a norma alcança tanto algoritmos de apoio à decisão clínica quanto plataformas de gestão. Ela também trata da IA generativa e dos modelos de linguagem de larga escala, os LLMs. Esses modelos produzem textos a partir de comandos escritos em linguagem natural. Por isso, a pergunta central mudou. A questão já não é se a instituição deve adotar IA. Agora, o desafio é criar regras que reduzam riscos de compliance, vazamento de dados e falhas éticas. Em setores muito regulados, como hospitais e saúde suplementar, inovar sem controle pode afetar a reputação do negócio. Neste artigo, mostramos o que muda e qual é o papel da liderança nesse processo. 02 — O QUE MUDOU O que a Resolução CFM 2.454/2026 exige das instituições O CFM publicou a Resolução nº 2.454 no Diário Oficial da União em 27 de fevereiro de 2026. O texto deu prazo de 180 dias para a regra entrar em vigor. De acordo com o texto oficial da resolução, ela vale para médicos e instituições médicas, públicas ou privadas. Além disso, ela também alcança as soluções que já estavam em uso na data de vigência. Entre os pontos centrais, três se destacam para a gestão. Primeiro, a instituição precisa avaliar cada sistema para definir seu grau de risco. A escala tem quatro níveis: baixo, médio, alto ou inaceitável. Em seguida, quem desenvolve ou contrata IA deve criar processos internos de governança. Esses processos precisam garantir segurança, qualidade e ética. Por fim, o diretor técnico passa a responder pela fiscalização do uso da tecnologia. Há ainda uma exigência específica para quem tem sistemas próprios de IA. Nesses casos, a norma pede uma Comissão de IA e Telemedicina, sob coordenação médica. Essa comissão fica subordinada à diretoria técnica. Ou seja, a governança de IA na saúde ganha um dono formal dentro da instituição. 03 — PAPEL DA GESTÃO Governança de IA na saúde começa na alta liderança Para que a IA gere valor sem expor a instituição, a liderança precisa definir diretrizes claras. Essas regras devem equilibrar velocidade e controle. Na prática, isso passa por três frentes de atuação. A primeira é a orientação estratégica. Cabe à gestão apontar onde a automação e a análise preditiva trazem ganho real de eficiência. Ao mesmo tempo, ela deve eliminar ferramentas informais, sem validação da instituição. Essa prática tem nome: shadow IT, ou TI paralela, fora do controle da área de tecnologia. Esse ponto conversa com a resolução. Afinal, ela determina o uso apenas de sistemas que atendam às normas éticas, técnicas, legais e regulatórias do país. A segunda frente é a integração operacional. Novas tecnologias precisam se conectar aos sistemas legados e aos fluxos de trabalho atuais. Tudo isso deve ocorrer em ambientes controlados, sem interromper a operação. Aliás, a própria norma orienta a priorizar soluções que conversem com outros sistemas de saúde. Sempre que possível, ela recomenda padrões abertos de integração, como APIs. A terceira é a governança e a proteção de dados. A gestão deve definir políticas rígidas de segurança da informação, alinhadas à LGPD. O objetivo é que dados de pacientes e beneficiários nunca fiquem expostos em ambientes vulneráveis. Segundo artigo publicado no Migalhas, a LGPD classifica o dado de saúde como dado pessoal sensível. Por isso, esse tipo de dado segue regras mais restritas. 04 — TRÊS PILARES Os três pilares de uma política de governança de IA na saúde Projetos de inovação sem regras podem virar passivos jurídicos ou gargalos na operação. Para evitar isso, recomendamos que a política de IA se apoie em três pilares. O primeiro pilar é a supervisão humana obrigatória, também chamada de human-in-the-loop. Nesse modelo, a IA atua como apoio técnico e operacional. A decisão final continua com o profissional responsável. A resolução é clara nesse ponto: as soluções de IA não são soberanas. Assim, o médico segue como responsável final pelas decisões clínicas, diagnósticas e terapêuticas. O segundo pilar é a soberania e a privacidade dos dados. Na nossa visão, prontuários, laudos e bases de faturamento não devem alimentar modelos públicos. Além disso, o processamento deve ocorrer em perímetros corporativos seguros e isolados. A norma, por sua vez, proíbe sistemas sem padrões mínimos de segurança para dados sensíveis. Ela ainda limita o compartilhamento de dados de pacientes ao que for estritamente necessário. O terceiro pilar é a auditabilidade e a transparência. Todo resultado que um algoritmo gera deve permitir rastrear como ele surgiu. Isso sustenta checagens regulatórias e auditorias. Nesse sentido, a resolução pede auditoria e monitoramento contínuos. Também exige o registro do uso de IA no prontuário do paciente. Por último, prevê acesso de órgãos de controle, como os Conselhos de Medicina, aos relatórios de auditoria. 05 — NA PRÁTICA Como manter dados sensíveis dentro do perímetro da instituição Conciliar modernização com exigências regulatórias rigorosas pede arquiteturas sob medida. Em outras palavras, não basta escolher uma ferramenta. É preciso decidir onde os dados ficam, quem tem acesso a eles e como rastrear cada resultado. Na Liax, trabalhamos com soluções focadas em governança e resiliência. Por meio do LiaKnowledge, apoiamos grandes organizações no desenvolvimento de ecossistemas de IA Corporativa e LLMs locais. Essa abordagem garante que os modelos aprendam com a base de conhecimento interna da empresa. Desse modo, os modelos processam as informações dentro da própria infraestrutura corporativa. Tudo isso com total alinhamento à LGPD e sem qualquer exposição externa de dados sensíveis. Vale explicar o termo. Um LLM local é um modelo de linguagem que roda na estrutura da própria organização. Ou seja, ele não depende de um
Estratégia de integração de sistemas: da conexão à gestão

01 — CENÁRIO ATUAL Estratégia de integração de sistemas: o que vem depois da conexão? Conectar ERP, CRM, sistemas legados e novas plataformas costuma parecer a linha de chegada de um projeto. Na prática, é apenas o ponto de partida de uma estratégia de integração de sistemas. Depois que as aplicações passam a trocar dados, surge um desafio menos visível e mais estratégico: manter essa arquitetura gerando valor enquanto o negócio muda. O tamanho do desafio ajuda a explicar a urgência. Segundo o Connectivity Benchmark Report 2026 da MuleSoft, o levantamento ouviu 1.050 líderes de TI em vários países e indica que a organização média gerencia 957 aplicações, das quais só 27% estão conectadas. Além disso, em média, 26% dos projetos de TI não cumpriram o prazo de entrega nos 12 meses anteriores. Vale uma ressalva: a amostra é global e não representa especificamente o mercado brasileiro nem empresas de médio porte. mulesoftmulesoft Por isso, para CIOs e CTOs, esse é o momento em que a integração deixa de ser só um projeto de tecnologia e passa a exigir decisões de gestão. Quais fluxos devem vir primeiro? Quem responde por cada conexão? Como medir o retorno? Ainda: o que acontece quando um sistema muda, e como evitar que uma integração que funciona hoje vire uma restrição amanhã? Ao longo deste artigo, organizamos essas perguntas em três frentes: governança, priorização e previsibilidade. 02 — GOVERNANÇA Quem governa cada fluxo depois que a integração entra em produção? Uma integração pode funcionar bem do ponto de vista técnico e, ainda assim, ser mal gerenciada. Isso acontece quando ninguém sabe ao certo quem responde por um fluxo, quais indicadores acompanhar ou que efeito uma mudança em um sistema provoca nos demais. Nesse contexto, governança de integrações é o conjunto de regras que orienta como cada conexão crítica funciona e evolui. Ela define, por exemplo, responsáveis, critérios de qualidade e níveis de serviço, os SLAs, que são acordos sobre disponibilidade e tempo de resposta. Também inclui monitoramento e regras claras para mudanças. O ponto central é mudar a lógica de manutenção. Em vez de esperar uma conexão falhar para agir, a liderança passa a acompanhar a saúde dos fluxos que sustentam o negócio. Assim, a equipe tende a perceber desvios antes que eles afetem a operação. Outro ajuste importante é tratar o fluxo de negócio, e não a conexão isolada, como unidade de gestão. Um fluxo que vai do pedido ao faturamento, por exemplo, atravessa vários sistemas. Quando a gestão olha para ele como um todo, fica mais simples relacionar a integração a indicadores como receita, custo, risco e tempo de ciclo. 03 — PRIORIZAÇÃO Onde investir primeiro na estratégia de integração de sistemas? Nem toda integração merece o mesmo investimento. Uma conexão que afeta um processo crítico, envolve alto volume de transações ou impacta clientes e receita deve vir antes de outra de baixo impacto operacional. Por isso, recomendamos montar uma matriz de priorização com, pelo menos, seis critérios: impacto no negócio, criticidade, complexidade, risco, esforço e retorno esperado. Na prática, cada integração candidata recebe uma nota em cada critério. Em seguida, a soma das notas ajuda a ordenar a fila de entregas. Essa abordagem evita um erro comum: transformar a integração em um grande programa tecnológico sem uma sequência clara de entregas. Em vez disso, a empresa avança em ciclos menores, com resultados que podem ser avaliados a cada etapa. A priorização também precisa considerar o legado. Hoje, modernizar sistemas antigos não significa apenas trocar uma tecnologia por outra. Significa governar a evolução do ambiente, levando em conta dependências, riscos e a convivência entre diferentes gerações de tecnologia. Ou seja, o sistema legado entra na matriz como parte da arquitetura, e não só como algo a eliminar. 04 — RISCOS Como evitar que as integrações dependam de poucas pessoas? Existe um risco pouco discutido em projetos de integração: o conhecimento fica concentrado em quem construiu a solução. Quando só uma ou duas pessoas sabem por que uma conexão existe, que regras ela aplica ou como corrigir uma falha, a empresa cria uma dependência difícil de medir. Esse cenário costuma passar despercebido enquanto tudo funciona. No entanto, ele aparece em momentos sensíveis, como férias, desligamentos ou troca de fornecedor. Nessas horas, um ajuste simples pode virar uma investigação demorada. Para reduzir esse risco, a iniciativa precisa nascer com documentação das regras e dos fluxos, padrões de desenvolvimento e ownership, ou seja, um responsável definido para cada integração. Além disso, ela precisa de monitoramento contínuo, indicadores de desempenho e uma arquitetura capaz de escalar. Com esses elementos, o conhecimento deixa de depender da memória de poucos profissionais e passa a fazer parte do processo. Assim, o time ganha autonomia para manter e evoluir as conexões. 05 — IMPACTO FINANCEIRO Baseline e ROI: como provar o retorno de uma integração? Em qualquer estratégia de integração de sistemas, outro cuidado decisivo é definir um baseline antes de começar. Baseline é a linha de base: uma fotografia de como o processo funciona hoje, que serve de comparação depois da entrega. Essa fotografia responde a perguntas objetivas. Qual é o custo atual do processo? Quanto tempo ele consome? Quantas intervenções manuais existem? Qual é o volume de erros e qual é o impacto financeiro deles? Sem esse ponto de partida, fica difícil provar se o projeto gerou retorno. Por isso, o ROI, sigla para retorno sobre o investimento, deve partir da linha de base e dos benefícios de fato realizados. As estimativas do início ajudam a aprovar o orçamento, mas não substituem a medição do que aconteceu depois. Além disso, o baseline ajuda a manter o orçamento sob controle. Com números iniciais claros, a liderança consegue comparar o custo de cada nova etapa com o benefício esperado. Dessa forma, fica mais fácil ajustar a rota antes que o projeto saia do planejado. 06 — PRÓXIMOS PASSOS Estratégia de integração de sistemas como capacidade contínua Quando governança, priorização e medição caminham juntas, a plataforma de integração deixa de ser
Inteligência artificial explicável (XAI): o novo desafio dos C-Levels

01 — CENÁRIO ATUAL Inteligência artificial explicável: a liderança entende sua IA? O investimento em IA já faz parte do orçamento das empresas. No entanto, os algoritmos passam a influenciar decisões de alto impacto. Com isso, a inteligência artificial explicável deixa de ser um tema só técnico e entra na pauta da diretoria. A pergunta que surge é direta: a liderança entende os critérios por trás das respostas que recebe? O volume de recursos ajuda a dimensionar o tema. Segundo o Gartner, os gastos mundiais com IA devem somar US$ 2,7 trilhões em 2026, alta de 49,5% sobre o ano anterior. Vale uma ressalva, porém. Trata-se de uma estimativa global, puxada em boa parte por infraestrutura, e não de um retrato do mercado brasileiro ou das empresas de médio porte. Ainda assim, o sinal é claro. Quanto mais a IA participa das decisões, maior o custo de não saber como ela chegou a cada resultado. Por isso, neste artigo, explicamos o que é XAI, quais riscos ela ajuda a controlar e como levar transparência aos projetos de IA. 02 — O CONCEITO O que é inteligência artificial explicável e como ela funciona? A inteligência artificial explicável é conhecida pela sigla XAI, do inglês Explainable AI. Segundo a IBM, ela reúne processos e métodos que ajudam pessoas a entender e confiar nos resultados de algoritmos de machine learning. Machine learning, ou aprendizado de máquina, é o ramo da IA em que o sistema aprende padrões com dados. Ou seja, ele não segue regras escritas uma a uma. Na prática, a diferença está na rastreabilidade. Ainda de acordo com a IBM, a XAI aplica técnicas para que a equipe consiga rastrear e explicar cada decisão tomada pelo modelo. Entre essas técnicas estão simulações que comparam as saídas do modelo com os dados de treino, para medir a precisão das previsões. Além disso, há métodos de rastreabilidade, que mostram quais elementos internos do modelo influenciaram um resultado. Em outras palavras, a XAI ajuda a responder perguntas como estas. Por que o modelo fez essa recomendação? Quais variáveis pesaram mais? Quando é seguro confiar nesse resultado? Vale ainda um esclarecimento. A XAI não é um produto único, e sim uma abordagem. Ela pode estar presente no desenho do modelo, nas ferramentas de análise e nos processos de governança da empresa. 03 — O PROBLEMA Por que o modelo caixa-preta virou um risco para a gestão Muitos modelos de IA funcionam como uma caixa-preta. Ou seja, a empresa insere dados e recebe um diagnóstico, mas não enxerga o caminho que levou até ele. Em sistemas de baixo impacto, isso pode até ser aceitável. Por outro lado, quando o resultado define crédito, preço ou prioridade de atendimento, a falta de visibilidade vira um problema de gestão. As empresas já reconhecem esse ponto, mas ainda agem pouco sobre ele. Segundo a McKinsey, na pesquisa sobre o estado da IA em 2024, 40% dos respondentes apontaram a explicabilidade como um risco relevante na adoção de IA generativa. No entanto, apenas 17% disseram trabalhar para reduzir esse risco. Como a pesquisa é global, os números não refletem de forma específica o cenário brasileiro. Além disso, a pressão regulatória cresce. A mesma análise da McKinsey cita o AI Act, a lei de IA da União Europeia. A norma traz exigências de transparência que variam conforme o risco de cada uso. Assim, empresas com operação ou clientes na Europa têm mais um motivo para adotar a inteligência artificial explicável desde cedo. 04 — RISCOS Três vulnerabilidades de decisões tomadas sem explicação Sem práticas de XAI, a empresa assume três vulnerabilidades que nem sempre aparecem nos relatórios de gestão. A primeira é regulatória. No Brasil, vale lembrar o artigo 20 da LGPD. Ele garante ao titular o direito de pedir a revisão de decisões tomadas apenas com base em tratamento automatizado de dados pessoais. Além disso, segundo a tomada de subsídios da ANPD sobre IA e decisões automatizadas, a empresa precisa informar, quando solicitada, os critérios e os procedimentos usados na decisão. Se não fizer isso, a ANPD pode realizar auditoria para verificar aspectos discriminatórios. Ou seja, a conta recai sobre a própria empresa, e sem rastreabilidade fica muito mais difícil responder a esse pedido. A segunda é a baixa adoção interna. Na prática, um diretor dificilmente sustenta diante do conselho uma recomendação que não consegue explicar. Por isso, respostas sem justificativa tendem a ficar na gaveta. Nessa linha, a McKinsey aponta que integrar a explicabilidade ao desenho e à governança dos sistemas facilita a adoção e aumenta a confiança dos usuários. A terceira são os erros ocultos. Sem transparência sobre as variáveis que pesaram no modelo, uma correlação falsa pode passar despercebida. Por exemplo, um modelo pode associar um resultado a uma variável que apenas coincide com ele no histórico. Enquanto ninguém questiona o critério, a falha continua a afetar decisões e, em consequência, a margem do negócio. 05 — NA PRÁTICA Governança do conhecimento: a base de uma IA auditável A XAI inverte a lógica da caixa-preta. Em vez de aceitar o resultado como está, a empresa aplica métodos estruturados para que pessoas compreendam e avaliem o que o modelo entrega. Assim, a tecnologia atua como um copiloto auditável, enquanto o controle estratégico continua com a liderança. No entanto, a explicabilidade não depende só do algoritmo. Para gerar valor sustentável, a IA precisa nascer sobre uma base de conhecimento centralizada e com governança. Quando as informações ficam espalhadas entre sistemas que não se comunicam, rastrear a origem de uma resposta se torna bem mais difícil. É esse cuidado que separa experimentos isolados de arquiteturas de dados maduras. Na Liax, acompanhamos esse movimento de perto. Iniciativas que priorizam essa transparência, como as que estruturamos com a inteligência corporativa do nosso LiaKnowledge, mostram que o futuro pertence às empresas que dominam não apenas as respostas das suas soluções, mas todo o caminho percorrido por elas. 06 — PRÓXIMOS PASSOS Como equilibrar inovação e transparência nas decisões com IA Equilibrar inovação e
IA corporativa: sua infraestrutura está pronta para gerar ROI?

01 — CENÁRIO ATUAL IA corporativa: o investimento cresce, mas o retorno acompanha? Em muitas empresas, a IA corporativa deixou de ser um projeto exploratório e passou a ocupar uma linha fixa do orçamento de tecnologia. Na América Latina, o interesse segue alto. Segundo o Times Brasil | CNBC, 20% das empresas da região esperam aumentar o orçamento de IA em mais de 20% nos próximos 12 meses, quase o dobro da média global. Investimento e resultado, porém, não avançam no mesmo ritmo. Entre adotar a tecnologia e colher retorno financeiro existe uma distância que quase não aparece no dia a dia. Ela fica evidente quando a diretoria pede números de ROI. Por isso, a pergunta que orienta este artigo é direta: a infraestrutura de dados e a governança da sua empresa estão prontas para transformar IA em resultado? 02 — O DIAGNÓSTICO O dilema da confiança: só 8% equilibram IA e governança no Brasil Um estudo do SAS em parceria com a IDC deu nome a essa distância: o dilema da confiança. Em outras palavras, ele acontece quando a confiança que a empresa deposita na IA não corresponde ao que ela investe em governança, transparência e gestão de riscos. No Brasil, o retrato é desconfortável. O Times Brasil | CNBC divulgou o recorte brasileiro do levantamento em julho de 2026. Segundo a reportagem, apenas 8% das empresas do país alinham confiança e estrutura, abaixo da média mundial de 9%. O restante se divide em três grupos. Cerca de 48% combinam baixa confiança e pouca governança e são classificadas como retardatárias. Outras 26% confiam na tecnologia mais do que a própria governança justifica. Por fim, 19% subutilizam sistemas que, na prática, seriam confiáveis. O efeito aparece no retorno. Ainda segundo a reportagem, cada dólar investido em IA no Brasil retorna, em média, 1,52 dólar. O valor fica abaixo da média global (1,61) e da média das Américas e da América Latina (1,63). O índice de confiabilidade da IA no país é de 3,35, em uma escala de 0 a 5. Por outro lado, o índice de impacto, que mede resultados de negócio, fica em 2,84. As empresas brasileiras confiam razoavelmente na IA, mas convertem menos dessa confiança em resultado. 03 — O CONCEITO O que significa IA corporativa no ambiente B2B? No ambiente B2B, IA corporativa vai além de um assistente de chat ou de um piloto isolado em uma área. Ela envolve três camadas que funcionam juntas: A proposta é transformar dados históricos, hoje espalhados entre sistemas e departamentos, em inteligência integrada. Na prática, isso ajuda a empresa a perceber gargalos antes que eles virem problemas operacionais, em vez de apenas registrar o que já aconteceu. Essa definição muda a pergunta de investimento. Em vez de “qual ferramenta de IA comprar”, a discussão passa a ser: que base de dados e que regras de governança vão sustentar as decisões que a IA vai apoiar? 04 — BASE DE DADOS Por que dados fragmentados comprometem decisões estratégicas Decisões precisas dependem de dados confiáveis, e esse é um dos pontos frágeis do cenário brasileiro. Segundo o Times Brasil | CNBC, quase 35% das empresas do país operam com infraestrutura de dados em estágio ad hoc ou fragmentado. Na média global, esse número é de 16%. Quando a informação está espalhada, cada área enxerga apenas uma parte do negócio. A IA aplicada sobre essa base herda as mesmas lacunas: trabalha com visões parciais e tem mais dificuldade para explicar como chegou a uma recomendação. A edição de 2026 do relatório ouviu 2.699 decisores de 28 países e mostra o custo dessa falta de clareza. Segundo o SAS, 79% das empresas editam as recomendações da IA em mais de 10% dos casos. O motivo mais citado, por 34,5% dos entrevistados, é a falta de explicação. O mesmo relatório indica que apenas 17,5% das empresas têm infraestrutura de dados totalmente otimizada, contra 10,2% no ano anterior. Entre essas empresas, 52% esperam ROI robusto ou alto com IA. No estágio ad hoc, a proporção cai para 14%. Cada recomendação revisada por falta de contexto representa uma parte do investimento que não vira eficiência. 05 — POR ONDE COMEÇAR Como implementar IA corporativa sem queimar recursos O erro mais comum é aplicar IA de forma isolada, departamento por departamento, cada um com sua ferramenta e sua base de dados. O resultado costuma ser um conjunto de iniciativas que não conversam entre si e repetem a fragmentação em uma nova camada. O relatório do SAS aponta um risco parecido. Segundo o SAS, cerca de metade dos orçamentos de IA vai para projetos-piloto em vendas e marketing. Enquanto isso, casos de uso com maior potencial de retorno ficam sem verba suficiente. Ter muitos pilotos não significa avançar. A maturidade começa antes do algoritmo. O estudo avalia a confiabilidade da IA em cinco dimensões que também servem como roteiro de preparação: Na prática, um caminho possível tem quatro etapas: A governança de IA tem relação direta com o ROI em IA. Segundo o SAS, empresas líderes em IA confiável têm 15 vezes mais probabilidade de obter ROI robusto ou alto: 62%, contra 4% entre as retardatárias. A exigência também cresce com a autonomia. A IA generativa é considerada confiável por 76% dos entrevistados. A IA agêntica, que executa ações por conta própria, por 66%. 06 — PRÓXIMOS PASSOS Do caos à governança: centralizar o conhecimento da empresa Para extrair valor real da IA corporativa, o foco não deve ser o algoritmo mais moderno. O que importa é a forma como a empresa gerencia o próprio conhecimento. Foi para resolver essa dor que a Liax Tech desenvolveu o LiaKnowledge, sua plataforma de IA corporativa desenhada para centralizar e governar o ecossistema de dados do negócio. O LiaKnowledge unifica fontes de informação fragmentadas, transforma dados brutos em respostas estratégicas instantâneas e garante a governança técnica que o mercado tanto necessita. Apoiada pelos squads especialistas da Liax Tech, a plataforma converte IA em eficiência operacional e ROI real. Se a sua
IA e liderança estratégica: o que a neurociência revela

01 — Cenário atual IA e liderança estratégica: o que muda quando a máquina também prevê? A cada nova geração de modelos de linguagem, a mesma pergunta volta às reuniões de diretoria. Até onde a inteligência artificial pode ir dentro das empresas? No debate sobre IA e liderança estratégica, um estudo da revista Nature Communications, publicado em novembro de 2025, trouxe um elemento novo. Desta vez, a contribuição veio da neurociência. A pesquisa encontrou correspondências entre o modo como o cérebro humano processa a linguagem e o funcionamento dos grandes modelos de linguagem. Para alguns, é sinal de que as máquinas estão chegando perto de pensar como nós. Para outros, é apenas uma curiosidade de laboratório. Nenhuma das duas leituras ajuda o gestor que precisa decidir onde aplicar IA no próximo ciclo de planejamento. Por isso, a pergunta que guia este artigo é mais prática. Se cérebro e IA têm pontos em comum no processamento da linguagem, o que continua sendo papel da liderança? 02 — A Pesquisa O que o estudo da Nature Communications mostrou de fato O artigo tem Ariel Goldstein como primeiro autor e Uri Hasson, do Instituto de Neurociência da Universidade de Princeton, como autor sênior. Segundo a publicação na Nature Communications, os pesquisadores registraram a atividade cerebral de nove pacientes com epilepsia. Eles já usavam eletrodos implantados por razões clínicas e ouviram um podcast de 30 minutos durante o experimento. Para captar os sinais, a equipe usou eletrocorticografia (ECoG), técnica de alta resolução temporal. Em seguida, os modelos GPT-2 XL e Llama 2 processaram o mesmo áudio. Os pesquisadores então usaram as representações numéricas de cada camada desses modelos para prever a resposta neural ao longo do tempo. O resultado principal foi o seguinte: camadas mais profundas dos modelos corresponderam a atividades cerebrais mais tardias. O efeito apareceu sobretudo na área de Broca e em outras regiões ligadas à linguagem. Em termos simples, o modelo transforma a informação camada por camada. O cérebro percorre uma sequência parecida em frações de segundo. O estudo também dá continuidade a pesquisas anteriores sobre princípios compartilhados. Os autores lembram que a previsão da próxima palavra é um dos fundamentos dos modelos de linguagem. Além disso, trabalhos anteriores já haviam identificado no cérebro previsões espontâneas da palavra seguinte, antes de ela ser ouvida. É esse o mecanismo preditivo que costuma aparecer quando se compara cérebro e IA. Há ainda um dado relevante para quem acompanha a área. Os autores compararam os modelos com abordagens linguísticas clássicas, baseadas em representações simbólicas. Nessa comparação, as representações dos modelos de linguagem se ajustaram melhor à dinâmica cerebral observada. 03 — Limites Por que processar parecido não significa pensar igual Antes de tirar conclusões, é preciso delimitar o alcance do estudo. Ele compara o processamento da linguagem durante a escuta de uma história. Não avalia tomada de decisão, julgamento ético nem gestão, e não faz afirmações sobre o futuro do trabalho. Qualquer conclusão sobre liderança é interpretação, não achado da pesquisa. Os próprios autores apontam diferenças importantes. A primeira está na arquitetura. Os modelos baseados em transformers nasceram para processar muitas palavras em paralelo. O cérebro, por outro lado, realiza essa tarefa em grande parte de forma serial, palavra por palavra. A segunda está no aprendizado. Segundo o artigo, pessoas não aprendem a língua lendo textos, e sim pela interação multimodal com o ambiente social. Além disso, o volume de texto usado no treino desses modelos equivale a centenas, ou até milhares, de anos de escuta humana. Por fim, há limites de desempenho. Os autores citam evidências recentes de que os modelos ainda falham com estruturas de frase complexas. Eles também têm dificuldade para reproduzir certos efeitos do processamento humano. É aqui que a discussão encontra o mundo corporativo. Na leitura da Liax, a diferença no aprendizado é a que mais pesa na gestão. Afinal, decisões estratégicas dependem de contexto vivido, de relações e de valores construídos ao longo de uma trajetória. Essa é uma posição editorial, não uma conclusão da neurociência. 04 — Na Prática Onde a IA gera valor nas empresas e onde a liderança decide Se a ciência não decreta o fim da liderança, os dados de mercado mostram onde a IA está entregando valor. Segundo a pesquisa The state of AI in 2026, da McKinsey, 80% dos respondentes afirmam que a IA melhorou sua produtividade individual. O levantamento ouviu 1.719 participantes de 97 países. Além disso, metade dos respondentes diz que a tecnologia ajuda a tomar decisões melhores. O ganho individual, porém, ainda não se converteu em resultado financeiro amplo. A parcela que atribui algum impacto no EBIT ao uso de IA ficou em 37%, praticamente igual à do ano anterior. Já as empresas de alto desempenho em IA continuam representando cerca de 6% dos respondentes. O que separa esse grupo é, em boa parte, uma questão de gestão. Quase três quartos das empresas de alto desempenho redesenharam fluxos de trabalho de forma profunda por causa da IA. Entre as demais, a proporção é de um quarto. Essas empresas também têm o dobro de probabilidade de relatar compromisso da alta liderança com as iniciativas de IA. O mesmo vale para a existência de processos definidos para medir o impacto. A mesma pesquisa relativiza a ideia de substituição em massa. Entre as organizações que usam IA, 14% dos respondentes relatam que a tecnologia contribuiu para reduzir o quadro de funcionários no último ano. Esse número é menos da metade dos 32% que, no levantamento anterior, esperavam cortes. Em resumo, os números sobre IA e liderança estratégica apontam na mesma direção do debate científico.. A tecnologia amplia a capacidade das pessoas, mas o valor para o negócio depende de escolhas que continuam humanas. Onde investir, que processo redesenhar e como medir o retorno são decisões de liderança. 05 — Como Aplicar Automação de processos com IA a serviço da liderança estratégica Na Liax, o ponto de partida é que a tecnologia deve ampliar a capacidade humana, não substituí-la. Na prática, essa