Em uma organização que já utilizava IA intensamente, um diagnóstico da SuperClient encontrou algo que a liderança não estava procurando: aproximadamente uma em cada cinco pessoas avaliadas apresentava potencial para atuar como AI Champion.

Elas não haviam sido contratadas como especialistas em inteligência artificial.

Já estavam na empresa.

Conheciam os processos, entendiam as dores das áreas, testavam ferramentas, criavam soluções e ajudavam colegas. Algumas já automatizavam tarefas, outras haviam criado formas mais seguras de trabalhar com documentos e algumas começavam a influenciar outras equipes.

Ao mesmo tempo, o mercado aponta uma pressão crescente por competências de IA. O levantamento citado pela Randstad Digital indica crescimento de 597% na demanda por desenvolvedores com competências em IA em cinco anos, contra 28% para desenvolvedores tradicionais.

A empresa já usava IA. O problema era não enxergar como.

A liderança sabia que as pessoas utilizavam inteligência artificial, mas não possuía uma visão consolidada sobre ferramentas, contas, dados, finalidades, riscos, casos de valor e pessoas que já exerciam liderança informal.

A primeira fase combinou questionário estruturado, escutas por área, grupos focais, transcrição, codificação temática e triangulação das diferentes fontes.

Foram analisadas 83 respostas, aproximadamente 16 horas de escuta qualitativa e 72 casos de uso. O trabalho alcançou 84,3% da população considerada no projeto.

Havia adoção. O que faltava era profundidade, visibilidade e governança.

Mais da metade concentrava o uso em atividades textuais básicas. Parte dos usuários intensivos não verificava os resultados de forma consistente. E a organização ainda não tinha uma visão integrada sobre classificação de dados, ambientes autorizados, documentação, responsáveis, métricas de valor e gestão de incidentes.

O que diferencia um usuário avançado de um AI Champion?

Champion não é apenas quem gosta de tecnologia ou utiliza ferramentas com frequência. Também não precisa, necessariamente, ser desenvolvedor, cientista de dados ou profissional de TI.

Um usuário avançado domina a ferramenta. Um champion transforma conhecimento local em capacidade coletiva.

No projeto, esses perfis estavam distribuídos por diferentes áreas. Não apareciam necessariamente no organograma como líderes de transformação, mas já exerciam esse papel na prática.

Contratar, capacitar ou combinar os dois?

A conclusão do diagnóstico não é “não contrate”. Em muitos cenários, especialistas externos continuam essenciais. A diferença está em decidir com mais precisão onde cada tipo de capacidade deve vir.

Um profissional externo pode dominar modelos, plataformas e arquiteturas, mas ainda precisará aprender como a organização realmente funciona, quais regras não estão documentadas, onde os processos quebram, quais dados são confiáveis e que resultado é considerado aceitável.

O profissional interno já conhece boa parte desse contexto.

Por isso, a sequência tende a ser mais inteligente quando começa por:

descobrir a capacidade interna → capacitar onde há potencial → contratar com precisão o que realmente falta.

O diagnóstico também encontrou soluções locais que poderiam virar ativos corporativos

O mapeamento não revelou apenas pessoas. Revelou casos que poderiam ser replicados ou, em alguns casos, precisavam ser governados antes de crescer.

Entre os exemplos estavam automação de relatórios e devolutivas, apoio à prestação de contas, análise cruzada de documentos e normas, descaracterização de dados antes do envio para ferramentas de IA, processamento local para evitar saída de dados e chatbots aplicados a processos estruturados.

Isso permite distinguir:

• experimentos individuais;
• boas práticas;
• soluções replicáveis;
• iniciativas críticas;
• automações sem responsável;
• casos que devem ser interrompidos;
• casos que merecem investimento.

Sem essa visibilidade, diferentes áreas podem resolver o mesmo problema separadamente, contratar ferramentas redundantes, repetir erros ou criar soluções incompatíveis.

Uma solução criada em uma área pode atender várias outras. Mas isso só acontece quando a empresa consegue enxergá-la, avaliá-la, documentá-la e transformá-la em ativo corporativo.

Diagnosticar ShadowAI não é apenas encontrar risco

Quando se fala em ShadowAI, a conversa costuma começar por exposição: contas pessoais, dados enviados a ferramentas externas, ausência de trilha de auditoria, outputs não verificados e automações sem responsável.

Essas perguntas são essenciais. No projeto, foram consolidadas 12 categorias de risco.

Mas limitar o diagnóstico ao risco seria desperdiçar uma parte importante do valor.

A governança não deve bloquear os champions. Deve criar condições para que experimentem com segurança e para que boas soluções possam sair do uso individual e chegar à escala corporativa.

Da ShadowAI à capacidade corporativa

A partir do projeto, consolidamos seis movimentos que ajudam a transformar experimentação dispersa em adoção sustentável.

Escalar antes de descobrir e governar multiplica riscos. Governar sem reconhecer champions produz regras distantes da realidade. Capacitar sem mapear os casos gera treinamento desconectado das necessidades do negócio.

Antes de abrir uma vaga, faça cinco perguntas

As respostas podem revelar que parte da capacidade procurada no mercado já existe na organização.

A escassez de talentos em IA é real. Por isso, contratar bem será importante.

Mas a primeira decisão não deveria ser simplesmente abrir uma vaga.

Deveria ser descobrir quem já aplica IA, quem influencia colegas, quais soluções já funcionam e quais competências realmente faltam.