Como a IA Generativa Está Mudando o Papel de L&D nas Empresas

Sobre esta pesquisa

A IA generativa já está mudando de forma perceptível o trabalho cotidiano de L&D.

Mas, com base nas entrevistas realizadas, a mudança mais interessante não acontece simplesmente porque a IA torna mais rápida a criação de um curso ou de um teste.

A mudança mais profunda está na própria definição do problema.

Se um material de aprendizagem pode ser preparado em horas, em vez de dias, a principal limitação passa gradualmente da produção de conteúdo para a compreensão de qual conteúdo é realmente necessário, para quem ele é necessário e qual mudança no trabalho ele deve provocar.

Esta pesquisa busca analisar essa mudança a partir da experiência de oito profissionais que atuam em diferentes contextos organizacionais.

Não tivemos como objetivo produzir um retrato estatisticamente representativo do mercado. Nosso interesse esteve nas observações práticas de pessoas que já trabalham com L&D, tecnologias educacionais, mudanças organizacionais e IA.

O resultado reúne algumas observações relativamente consistentes — e algumas hipóteses mais ousadas que ainda não podem ser consideradas conclusões estabelecidas.

Visão metodológica

O relatório é baseado em 8 entrevistas semiestruturadas em profundidade, com duração de 60 a 90 minutos cada.

Os participantes têm experiência em:

• indústria;
• setor financeiro e de tecnologia;
• mineração;
• e-learning e LMS;
• negócios internacionais;
• tecnologias de IA;
• pequenas e médias empresas.

A versão final da pesquisa utiliza dados anonimizados. Nomes e empresas são mencionados apenas na medida acordada com os participantes.

Participantes

Como ler os resultados

Classificamos as observações de acordo com o nível de sustentação dentro da amostra.

Padrão consistente — 6 a 8 entrevistas

O tema apareceu de forma recorrente em diferentes contextos organizacionais.

São as observações mais fortes da pesquisa, mas mesmo elas não devem ser interpretadas como padrões estatisticamente comprovados para todo o mercado.

Tendência recorrente — 3 a 5 entrevistas

O tema apareceu em vários depoimentos, mas pode depender do setor, do porte da empresa ou do nível de maturidade tecnológica.

Hipótese ou cenário — 1 a 2 entrevistas

Uma observação interessante que ainda não é suficientemente sustentada pela amostra.

Essa distinção é importante: não queremos transformar a ideia de um especialista em particular na “voz do mercado”.

1. A IA já acelera significativamente o trabalho rotineiro de L&D

Padrão consistente

Sustentação: 8 de 8 entrevistas

Todos os participantes descreveram, de alguma forma, uma aceleração significativa no trabalho com textos, estruturação de informações, preparação de materiais ou outras tarefas que anteriormente exigiam um volume considerável de trabalho manual.

As áreas mencionadas com maior frequência foram:

• preparação de rascunhos;
• criação da estrutura de materiais;
• elaboração de questões para testes;
• preparação de especificações técnicas;
• reformulação de materiais existentes;
• adaptação de conteúdo;
• trabalho com grandes volumes de informação.

Ao mesmo tempo, a estimativa do ganho de velocidade varia bastante de acordo com a tarefa. Em algumas entrevistas foram mencionados ganhos de várias vezes, mas não consideramos esses números como um coeficiente universal de produtividade.

Um dos participantes descreveu a mudança da seguinte maneira:

“Antes eu levava uma semana escrevendo e sofrendo para preparar uma especificação técnica para os programadores... Agora isso leva algumas horas e fica muito bem formulado. Às vezes chego ao ponto de precisar eliminar requisitos excessivos.”

— Respondente 6

O ponto importante não é o número exato de vezes que o trabalho ficou mais rápido, mas a natureza da mudança: a IA está transferindo uma parte significativa do trabalho da produção manual para a definição da tarefa, edição e controle do resultado.

2. À medida que o conteúdo fica mais barato, o erro também fica mais barato de produzir

Padrão consistente

Sustentação: 6 de 8 entrevistas

Vários participantes, de forma independente, descreveram o lado negativo da geração em massa.

Quando criar materiais se torna fácil, a organização passa a ter capacidade de produzir mais conteúdo do que consegue revisar e utilizar com qualidade.

Entre as possíveis consequências:

• equipes locais criam materiais não alinhados entre si;
• o mesmo conteúdo aparece em diferentes versões;
• o funcionário recebe informação em excesso;
• textos convincentes gerados por IA podem permanecer sem verificação;
• a quantidade de conteúdo disponível começa a superar a capacidade de selecionar o que realmente importa.

Isso muda o papel de L&D.

Se antes uma parte significativa do trabalho estava concentrada na produção, agora cresce a importância de edição, verificação, curadoria e contextualização.

Em outras palavras, a IA pode reduzir o custo de criação do conteúdo, mas não elimina a necessidade de responder à pergunta:

“Precisamos realmente desse conteúdo?”

3. Diagnosticar a demanda real continua sendo uma atividade humana

Padrão consistente

Sustentação: 7 de 8 entrevistas

Um dos temas mais consistentes da pesquisa foi a necessidade de entender a causa real de uma demanda antes de começar a desenvolver uma solução de aprendizagem.

Os participantes descreveram situações em que o negócio chega com uma solução pronta:

“Precisamos de um curso.”

Mas a causa do problema está, na verdade, em um processo, sistema de incentivos, ferramentas, gestão ou organização do trabalho.

Um dos participantes resumiu assim:

“O que continua resistente às mudanças é a definição do problema e o entendimento da demanda. Quando o cliente chega e diz: ‘Treinem a gente nisso’, — entender qual é a causa real e se um curso é necessário é algo que a IA não consegue fazer.”

— Respondente 8

Isso não significa que a IA não possa ajudar no diagnóstico.

Ela pode analisar dados, agrupar informações, identificar padrões e propor hipóteses.

Mas a responsabilidade pela definição do problema continua sendo humana.

E esse pode ser um dos principais deslocamentos para L&D: à medida que a produção de conteúdo fica mais barata, aumenta o valor de formular corretamente o problema.

4. L&D pode estar migrando da produção para o design

As observações anteriores apontam para uma conclusão mais ampla.

Se a IA assume uma parcela cada vez maior da produção de materiais de aprendizagem, L&D pode gradualmente direcionar seus esforços para outras áreas:

Isso ainda não constitui um novo modelo único de L&D. É, antes, uma direção de mudança que aparece em várias entrevistas.

5. A IA está aproximando gradualmente a aprendizagem do fluxo de trabalho

Outra linha das entrevistas está relacionada ao próprio lugar onde a aprendizagem acontece.

O modelo tradicional pressupõe um circuito separado de aprendizagem:

curso → aprendizagem → avaliação → trabalho.

A IA torna cada vez mais possível uma sequência diferente:

tarefa → ajuda → ação → feedback.

Por exemplo, um funcionário pode não precisar de um curso separado sobre como utilizar um sistema se, no momento de realizar uma tarefa, puder receber uma orientação, explicação ou exemplo diretamente dentro da ferramenta de trabalho.

Isso não significa que os cursos desaparecerão.

Para conhecimentos fundamentais, certificações, programas complexos e muitas outras finalidades, a aprendizagem estruturada continuará sendo relevante.

Mas a fronteira entre aprendizagem e trabalho pode se tornar menos nítida.

6. “Hollow Skill”: quando existe resultado, mas não existe habilidade

Tendência recorrente

Sustentação: 3 de 8 entrevistas

Três participantes descreveram, de forma independente, um problema semelhante: a IA pode permitir que uma pessoa conclua uma tarefa com sucesso sem realmente dominar a habilidade que está por trás dela.

Um dos participantes chamou isso de “Hollow Skill” — uma habilidade “vazia”.

“O efeito Hollow Skill significa que você executa uma tarefa com IA e considera que possui aquela habilidade. Mas, se tirar a IA, a habilidade não está lá. Estamos pegando crédito cognitivo do nosso futuro: ao usar soluções rápidas, no futuro ficamos menos capazes.”

— Respondente 5

Outro participante descreveu um efeito semelhante de maneira mais prática:

“A IA tira o momento de pensar: eles entregam tudo para ela e depois não conseguem nem formular duas palavras.”

— Respondente 7

Isso ainda não permite afirmar que existe uma degradação sistêmica das habilidades dos funcionários.

Mas levanta uma questão prática importante para L&D:

O que uma pessoa precisa ser capaz de fazer sozinha e o que ela pode realizar em conjunto com a IA?

Essa distinção se torna especialmente importante em onboarding, certificações e profissões nas quais erros podem gerar custos elevados para a organização.

7. A interação humana não desaparece automaticamente

Tendência recorrente

Sustentação: 5 de 8 entrevistas

Vários participantes observaram que o hábito digital não significa automaticamente uma preferência por IA em todos os formatos de aprendizagem.

Isso apareceu especialmente nas conversas sobre profissionais mais jovens, mentoria e situações sociais complexas.

Um dos participantes trouxe um exemplo concreto:

“Reuni uma turma de 150 estagiários e perguntei o que eles escolheriam: um intensivo presencial de dois dias ou um microlearning de uma hora e meia. Todos levantaram a mão para o professor ao vivo.”

— Respondente 3

Esse exemplo é interessante, mas não pode ser transformado automaticamente em uma conclusão sobre a “Geração Z” como um todo.

Na nossa pesquisa, ele é melhor interpretado como uma evidência de que a necessidade de interação humana pode permanecer mesmo entre públicos que utilizam intensamente ferramentas digitais.

IA e interação humana não são necessariamente formatos intercambiáveis.

8. O papel do mentor pode mudar — mas não necessariamente desaparecer

Hipótese

Sustentação: 2 de 8 entrevistas

As entrevistas também trouxeram uma visão mais radical do futuro.

Se uma IA pessoal tiver acesso ao contexto de trabalho de uma pessoa, ela poderá potencialmente acompanhá-la de forma contínua: explicar, sugerir, encontrar conhecimento, identificar lacunas e ajudar a resolver tarefas.

Um participante comparou isso ao surgimento de um “segundo cérebro”:

“Antigamente, um general tinha um ordenança. Agora as redes neurais permitem que cada soldado tenha um. Surge um segundo cérebro que conhece o seu contexto e aponta seus pontos fracos...”

— Respondente 2

Outro participante, por outro lado, viu um mentor de IA como uma ameaça ao próprio instituto da mentoria:

“Criar um mentor de IA no celular é muito legal. Mas, ao fazer isso, você acaba com o instituto vivo de mentoria e transferência de conhecimento dentro da empresa.”

— Respondente 1

Isso mostra por que os cenários futuros não podem ser reduzidos a uma única trajetória.

A mesma mudança tecnológica pode, ao mesmo tempo, ampliar o acesso ao suporte e colocar em questão formas existentes de interação humana.

9. L&D enfrenta não apenas um problema tecnológico, mas também institucional

Tendência contextual

Sustentação: 4 de 8 entrevistas

Vários participantes fizeram uma avaliação crítica do sistema atual de mensuração da aprendizagem.

Em particular, apareceu a questão do foco na satisfação dos participantes e em indicadores como NPS, que podem ser relativamente fáceis de melhorar por meio de design, serviço e impacto emocional do programa.

Um dos participantes descreveu o problema de forma bastante direta:

“Medimos NPS e satisfação, levando as avaliações para 9,7 de 10 por meio de design e efeitos ‘uau’. Os KPIs acabam virando salários e bônus. Mas o negócio não muda.”

— Respondente 6

É importante não transformar a posição de um especialista em uma afirmação de que o NPS é inútil.

Uma conclusão mais cautelosa é:

satisfação com a aprendizagem e mudança de comportamento são resultados diferentes, e o primeiro não garante o segundo.

Para L&D, isso significa buscar formas adicionais de medir resultados: aplicação de habilidades, qualidade do trabalho, velocidade de adaptação, mudança de comportamento e outros indicadores ligados a uma tarefa específica do negócio.

10. Economia da IA: gerar conteúdo “na hora” nem sempre é racional

Hipótese baseada na experiência com sistemas de grande escala

Sustentação: 2 de 8 entrevistas

Outro tema surgiu nas discussões sobre sistemas educacionais de grande escala.

Um participante descreveu a geração massiva de conteúdo educacional para centenas de milhares de funcionários e mostrou que gerar continuamente grandes volumes de conteúdo para cada usuário pode criar custos significativos de infraestrutura.

“Um curso de segurança contra incêndio para 300 mil pessoas... se você multiplicar o número de caracteres pelo número de pessoas, o treinamento custa dezenas de milhões de rublos [em tokens]. Não há benefício. Gerar e revisar previamente é várias vezes mais barato.”

— Respondente 4

Isso não comprova que a geração dinâmica seja, de modo geral, economicamente ineficiente.

A entrevista mostra, antes, a importância de distinguir entre duas abordagens:

gerar uma vez e reutilizar muitas vezes

e

gerar um resultado personalizado a cada solicitação.

A melhor opção depende do tamanho do público, da complexidade da tarefa, do custo dos modelos de IA e do nível de personalização necessário.

11. O cenário mais radical — Zero L&D

Hipótese de cenário

Sustentação: 1 de 8 entrevistas

Um dos participantes apresentou a perspectiva mais radical: se a IA pessoal se tornar uma assistente permanente do funcionário, uma parte significativa das funções da universidade corporativa poderá deixar de ser necessária.

Nesse modelo, o funcionário obteria conhecimento não por meio de um catálogo centralizado de aprendizagem, mas diretamente de seu próprio assistente de IA, que conhece seu contexto de trabalho.

Isso pode ser chamado, de forma provisória, de cenário Zero L&D.

É importante destacar: isso não é uma conclusão da pesquisa nem uma previsão.

É a hipótese de um participante, interessante justamente por sua radicalidade.

Ela permite levantar a seguinte questão:

Se a IA realmente puder oferecer ao funcionário um desenvolvimento personalizado diretamente no fluxo de trabalho, quais partes da função tradicional de L&D continuarão sendo necessárias?

12. O que está sustentado — e o que ainda é hipótese

Esta tabela talvez seja mais importante do que qualquer fórmula final bem elaborada.

Ela mostra onde realmente vemos um sinal recorrente e onde ainda temos apenas uma ideia interessante.

13. O que isso significa para L&D

A pesquisa não apresenta um modelo pronto para o futuro da função de L&D.

Mas permite identificar algumas direções para discussão.

1. Mover a atenção da produção para a definição do problema

Se a primeira versão de um conteúdo pode ser criada em minutos, o valor se desloca para a compreensão do problema.

L&D precisa não apenas saber criar aprendizagem, mas também saber perguntar:

“É realmente necessário treinamento aqui?”

2. Transformar a verificação em uma competência específica

Conteúdos gerados por IA exigem revisão editorial e técnica.

Isso vale não apenas para a precisão factual, mas também para a adequação ao contexto real de trabalho.

3. Diferenciar assistência da IA de habilidade realmente dominada

Em algumas tarefas, basta que o funcionário saiba trabalhar de forma eficaz com a IA.

Em outras, ele precisa dominar a habilidade básica de forma independente.

Esses dois requisitos não devem ser confundidos.

4. Não colocar IA e pessoas em oposição

A automação não precisa necessariamente substituir a aprendizagem com interação humana.

A IA pode, ao contrário, liberar tempo das pessoas para formatos nos quais a interação humana realmente faz diferença.

5. Repensar o que L&D mede

O número de cursos, horas de aprendizagem e satisfação dos participantes podem continuar sendo indicadores operacionais úteis.

Mas eles não respondem à principal pergunta:

Alguma coisa mudou no trabalho da pessoa depois da aprendizagem?

14. O que isso significa para os negócios

Para as empresas, a principal conclusão da pesquisa pode ser formulada de maneira simples:

A IA não deve ser avaliada em L&D apenas pelo quanto ela reduz o custo de produção de conteúdo.

Uma pergunta mais importante é o que a organização obtém como resultado.

Se a IA permite criar cinco vezes mais cursos, mas os funcionários não passam a executar melhor o trabalho, o efeito econômico pode ser próximo de zero.

Se a IA permite diagnosticar problemas mais rapidamente, oferecer ajuda ao funcionário no momento certo e liberar especialistas de L&D para tarefas mais complexas, o efeito pode ser completamente diferente.

Por isso, a adoção de IA pode ser vista não apenas como um projeto de automação da produção de conteúdo, mas como uma oportunidade de repensar a própria estrutura do desenvolvimento dos funcionários.

15. Conclusão

Oito entrevistas não permitem afirmar que L&D vai desaparecer.

Elas mostram outra coisa.

A IA torna a produção de aprendizagem mais barata e mais rápida. E justamente por isso começa a colocar em questão a própria necessidade de produzir tanta aprendizagem.

Quando um curso, teste ou instrução deixa de ser um recurso escasso, o valor se desloca para outras áreas:

entender o problema → escolher o que é necessário → incorporar a ajuda ao trabalho → verificar o resultado → preservar a interação humana onde ela realmente é necessária.

Isso pode levar a uma mudança no papel de L&D — de uma função que produz e administra principalmente a aprendizagem para uma função que projeta as condições para o desenvolvimento e a mudança no trabalho.

Mas as oito entrevistas ainda não permitem dizer até onde essa transição irá.

E talvez esse seja o resultado mais útil da pesquisa.

Não obtivemos uma resposta definitiva sobre o futuro de L&D. Obtivemos algumas perguntas que agora podem ser testadas em uma amostra maior.

Do treinamento ao desenvolvimento — a transição ainda não terminou. Mas a IA está claramente acelerando esse movimento.

Apêndice. Perfil anonimizado dos participantes

Respondente 1 — líder de metodologia de aprendizagem corporativa, setor industrial.

Respondente 2 — especialista em mudanças organizacionais e IA, setor financeiro e de tecnologia.

Respondente 3 — líder de Assessment & Development, indústria de mineração.

Respondente 4 — especialista em produtos educacionais e IA, setor financeiro e de tecnologia.

Respondente 5 — especialista em competências de IA e arquitetura de IA.

Respondente 6 — especialista em e-learning e LMS, 15 anos de experiência.

Respondente 7 — líder de aprendizagem em uma grande empresa de varejo.

Respondente 8 — líder de L&D em uma pequena empresa.