
A adoção da IA é uma métrica de vaidade

Chris Garrett
Vice-presidente de Tecnologia Gerida e Segurança na Novatech

Chris Garrett explica por que razão o sucesso da IA depende da governação, da verificação e do discernimento humano — e não apenas de métricas de adoção ou da automatização.
Chris Garrett
Vice-presidente de Tecnologia Gerida e Segurança na Novatech

Key Takeaways
Impacto da IA: A IA está a alterar a capacidade de alavancagem, a influenciar decisões e a obrigar os líderes a concentrarem-se em resultados concretos.
Melhorias nos fluxos de trabalho: A IA ajuda na triagem de alertas de segurança, na análise de registos e na documentação, melhorando a eficiência sem substituir as pessoas.
Necessidade de governação: A governação da IA deve preceder a implementação para evitar o acesso não intencional a dados e garantir uma utilização responsável.
Lacuna de capacidade: A IA oferece rapidez, não capacidade, e as empresas devem evitar uma dependência excessiva de soluções geradas por IA.
Evolução do papel dos profissionais juniores: A IA transfere os profissionais juniores de tarefas de volume para a formação do discernimento, exigindo uma reavaliação dos percursos de desenvolvimento.
Chris Garrett é vice-presidente de Tecnologia Gerida e Operações de Segurança na Novatech, um fornecedor de serviços geridos. É também o autor de Escalar ou Vender.
Sentámo-nos com Chris para aprender com os seus fluxos de trabalho de IA e perceber como a IA está a afetar o setor. Eis o que tinha para dizer.
Traduzir Sistemas em Dólares
Dirijo as áreas de TI Gerida e Segurança na Novatech, um fornecedor de serviços geridos detido pela Perpetual Capital Partners. O título diz vice-presidente. O trabalho diz algo mais simples. Sou responsável por garantir que a tecnologia gera dinheiro para a empresa ou o drena silenciosamente.
O caminho até aqui não foi linear. Comecei na camada operacional, o lugar onde os sistemas falham e alguém tem de assumir a responsabilidade pela resolução. Trabalhei no apoio técnico, depois em infraestruturas e, por fim, em segurança. É nessas salas que a diferença entre aquilo que um fornecedor promete e aquilo que uma rede faz se torna um problema seu às duas da manhã. Essa base ensinou-me a lição que se mantém até hoje. A tecnologia não é o objetivo. O resultado é proteger as receitas, avaliar corretamente o risco e eliminar o tempo de inatividade antes de o cliente o sentir.
Depois, aprendi a traduzir. Os engenheiros falam em sistemas e os executivos falam em dólares, e a maioria dos líderes tecnológicos escolhe uma linguagem e perde o outro público. Construí uma carreira ocupando esse espaço intermédio, transformando latência, exposição e arquitetura na linguagem da margem e da continuidade: TI como multiplicador, nunca como centro de custos. Esse enquadramento mudou as conversas em que participei e as decisões que influenciei.
O terreno está novamente a mudar. A IA não é a próxima ferramenta da pilha tecnológica. Muda o significado da alavancagem, quem a controla e a velocidade a que as capacidades se acumulam. A maioria das organizações está a responder com ruído. Executam projetos-piloto que não provam nada e redigem políticas para gerir a ansiedade em vez do risco, enquanto os fornecedores vendem a inevitabilidade a compradores que ainda não fizeram as contas.
O meu interesse é mais específico e mais difícil de falsificar. Onde é que a IA altera os números reais? O que é que expõe que já era frágil? Que competência exige e que a maioria das equipas ainda não possui? Encaro-a da mesma forma que encaro tudo o resto: evidência acima do entusiasmo, resultados acima do consenso e a camada dos sistemas acima da narrativa superficial.
More Articles
As Complexidades do Trabalho
A Novatech é um fornecedor de serviços geridos detido pela Perpetual Capital Partners desde setembro de 2024. Somos uma empresa de serviços rentável, pós-aquisição, com o objetivo de aumentar a margem e as receitas de segurança, mantendo simultaneamente a qualidade de entrega que conquistou a nossa base de clientes.
A divisão funciona em conjunto com as áreas de Tecnologia Gerida, Escritório Gerido e Despacho no Terreno, realizando o trabalho que mantém as operações dos clientes em funcionamento e protegidas. A minha equipa é composta por 68 engenheiros e analistas das áreas de apoio técnico, infraestruturas e uma prática de segurança dedicada, dando suporte a 400 ambientes de clientes.
A arquitetura não é um produto único; é multi-inquilino. Operamos dezenas de ambientes distintos de clientes, cada um com a sua própria combinação de infraestruturas locais, Microsoft 365, Azure, AWS e Google Cloud, além de redes híbridas que nem sempre concebemos, mas pelas quais agora somos responsáveis. Esta diversidade cria complexidade. Uma alteração de rotina para um cliente representa um risco de produção para outro. A disciplina consiste em gerir este conjunto segundo um único padrão de fiabilidade e postura de segurança, sem obrigar todos os clientes a caberem na mesma solução.
O nosso modelo de implementação é gerido e privilegia o trabalho remoto, com o apoio do Despacho no Terreno para as tarefas que exigem presença no local. Monitorizamos, aplicamos correções e protegemos continuamente. Avaliamos o nosso desempenho pelo tempo de atividade, pelo tempo de resposta e pela rapidez com que contemos os incidentes de segurança antes de os clientes os experienciarem.
Como a IA Transforma os Processos de Tomada de Decisões Técnicas — Mas Não os Assume

A minha filosofia central é «Envolver o Engenheiro em IA» para obter o melhor dos dois mundos. Não há redução do número de trabalhadores; em vez disso, a equipa realiza mais trabalho e de melhor qualidade com ferramentas de apoio.
A IA alimenta agora o trabalho de grande volume em que um revisor humano foi sempre o estrangulamento e nunca o elemento de valor. Por exemplo, a triagem de alertas de segurança passa primeiro por uma camada de IA, porque um analista de um SOC que leia manualmente dez mil eventos de baixo sinal é dispendioso e tem um desempenho pior do que o modelo.
Utilizamos a IA de forma semelhante na análise de registos durante investigações, na documentação inicial e na elaboração de procedimentos operacionais, bem como na criação de resumos do ambiente de um cliente antes de uma revisão. Isto garante que o engenheiro chega informado, em vez de começar do zero. Em todos estes casos, a IA acelera a análise; não toma a decisão.
A decisão continua a ser humana, e essa linha é intencional. As decisões de arquitetura para o ambiente de um cliente continuam a ser humanas porque o modelo otimiza a resposta tecnicamente mais limpa. Uma decisão real tem em conta o orçamento, a tolerância ao risco do cliente e aquilo que a sua equipa consegue realmente operar depois de partirmos.
A resposta a incidentes continua a ser humana ao nível do comando. A IA pode revelar o que aconteceu, mas as decisões de contenção têm consequências empresariais, exposição jurídica e impacto na confiança dos clientes. Não entregarei o julgamento sob pressão a uma ferramenta que não possa ser responsabilizada pelo resultado. Pela mesma razão, a revisão final de segurança antes da aprovação continua a ser humana. O modelo é excelente a encontrar padrões conhecidos, mas não deteta problemas novos que são verdadeiramente importantes.
Um fluxo de trabalho real de triagem de alertas de segurança
Não entregarei o julgamento sob pressão a uma ferramenta que não possa ser responsabilizada pelo resultado… O julgamento continua a caber à pessoa.

Vamos aprofundar a triagem de alertas de segurança, porque ocorre diariamente e mostra claramente onde a IA funciona e onde um ser humano assume o controlo.
O processo começa com um volume que nenhum ser humano consegue, ou deve, processar manualmente de forma consistente. Em toda a frota de clientes, a nossa monitorização gera dezenas de milhares de eventos diariamente, a maioria dos quais é ruído. Antes da IA, um analista trabalhava uma fila, e o sinal real permanecia enterrado entre falhas de início de sessão e anomalias benignas. Os problemas importantes recebiam atenção tarde, porque o analista tinha de atravessar o ruído para os encontrar.
A camada de IA processa primeiro esse fluxo de dados em bruto. Agrupa eventos relacionados, elimina falsos positivos óbvios com base em padrões conhecidos como legítimos, correlaciona atividades num ambiente de cliente que um ser humano consideraria não relacionado e ordena os itens restantes de acordo com a sua semelhança com uma intrusão real. O analista não recebe uma torrente de dados. Em vez disso, recebe uma lista curta e ordenada, com contexto associado, os sistemas afetados identificados e uma explicação clara para a apresentação de cada item. O modelo faz a leitura inicial, mas não toma decisões.
O analista abre essa lista e começa o trabalho humano. Investiga o tópico suspeito, e a IA volta a ajudar, resumindo os registos relevantes e a linha temporal, permitindo ao analista reconstruir os acontecimentos em minutos, em vez de uma hora. O julgamento continua a caber à pessoa. Trata-se de um verdadeiro comprometimento ou de uma alteração autorizada que parece suspeita? O padrão corresponde a algo novo que o modelo não assinalaria? O modelo acelera a análise das evidências; o analista toma a decisão.
Quando ocorre um evento real, a contenção continua a ser uma decisão de comando humana. O analista, ou o responsável sénior de prevenção quando se trata de incidentes graves, decide se deve isolar um anfitrião, desativar uma conta ou desligar um cliente da rede. Estas escolhas têm custos empresariais, exposição jurídica e impacto na confiança do cliente, e nenhuma ferramenta pode ser responsabilizada por essas decisões. A IA pode dizer-lhe o que aconteceu, mas não escolhe a nossa resposta sob pressão.
Após a contenção, a IA redige o registo do incidente, a linha temporal, as ações tomadas e o resumo destinado ao cliente. Este rascunho poupa bastante tempo em comparação com começar numa página em branco. Não é enviado até que um engenheiro o corrija e assine. Um relatório incorreto mas bem apresentado é pior do que nenhum relatório, e um procedimento oficial redigido por IA sem um responsável humano criaria uma responsabilidade que decidimos que nunca surgiria sob a nossa supervisão.
O ciclo termina com uma etapa que a maioria das equipas ignora. Analisamos por amostragem aquilo que a IA descartou, e não apenas aquilo que escalou, e usamos estas falhas para aperfeiçoar a passagem seguinte. Esta disciplina de amostragem impede que o viés da automatização se instale. Uma ferramenta que torna os analistas mais rápidos também os torna complacentes se ninguém verificar os itens que descarta.
Porque devem as empresas rever as suas permissões antes de integrar a IA
Também implementei uma barreira de governação no Microsoft Copilot.
Antes, o Copilot parecia ser uma melhoria da produtividade, e os clientes tratavam-no como um simples interruptor a ligar. O problema é que o Copilot herda os acessos existentes de um utilizador. A maioria dos nossos clientes tinha anos de permissões dispersas: sites do SharePoint abertos, unidades partilhadas que ninguém tinha limpo e ficheiros tecnicamente acessíveis, mas na prática invisíveis. No momento em que se dá a um funcionário uma ferramenta que pesquisa tudo aquilo a que pode aceder, o conteúdo invisível transforma-se num resultado de pesquisa. Um funcionário júnior poderia fazer uma pergunta em linguagem corrente e encontrar dados salariais ou uma apresentação da administração que nunca lhe fora destinada. Ninguém tinha tratado das permissões, mas a exposição era real e estava presente há anos.
Criei uma avaliação obrigatória de preparação que é executada antes de ativarmos o Copilot para qualquer pessoa. Mapeamos os acessos efetivos, identificamos conteúdos partilhados em excesso e corrigimos primeiro o modelo de permissões. O cliente aprova aquilo a que as suas próprias pessoas podem aceder antes de uma única licença de IA entrar em funcionamento. Transformámos um pedido de funcionalidade numa implementação governada, com um pré-requisito obrigatório.

Chris salienta
No momento em que dá a um funcionário uma ferramenta que pesquisa tudo aquilo a que ele consegue aceder, o conteúdo invisível torna-se um resultado de pesquisa.
Como os ganhos da IA implicam custos de disciplina
No lado da segurança, a camada de triagem de alertas reduziu em cerca de 70 por cento o volume que os analistas tratam manualmente. O tempo médio para reconhecer um alerta real passou de horas para minutos durante os períodos de menor atividade, porque os analistas já não precisam de vasculhar o ruído para encontrar eventos importantes. Esta é a nossa vitória mais evidente. O custo de errar é baixo; uma pessoa verifica a lista restrita de qualquer forma, e o modelo é excelente a identificar padrões, algo que os seres humanos fazem mal dia após dia.
O trabalho de preparação para o CoPilot produziu um resultado de natureza diferente. Encontrámos dados expostos em todas as avaliações que realizámos, problemas anteriores à IA e que teriam permanecido ocultos. Isso representa boa segurança e boa receita.
Os ganhos na elaboração são reais, mas menores do que o entusiasmo leva a crer. A documentação e os rascunhos de procedimentos operacionais assistidos por IA reduziram para menos de metade o tempo necessário para uma primeira versão. Um engenheiro ainda precisa de corrigir o trabalho, pelo que a poupança está no problema da página em branco, não no produto final.
O modo de falha que nos custou mais foi o viés da automatização. No início, alguns analistas começaram a confiar demasiado na triagem da IA e deixaram passar coisas que deveriam ter aberto. Detetámo-lo durante a revisão, mas isso ensinou-me que uma ferramenta que torna as pessoas mais rápidas também as torna mais preguiçosas se o permitirmos, e a solução foi um processo, não tecnologia. Agora recolhemos amostras daquilo que a IA descarta, não apenas daquilo que encaminha.
Em suma, a IA proporcionou-nos velocidade em todo o lado, mas não discernimento em lado algum. Cada ganho implicou um custo de disciplina para impedir que as pessoas confiassem nela para além do que tinha demonstrado merecer.
Como a IA melhora os resultados, mas não a capacidade

Eis algo que ninguém quer discutir: a IA não tornou as pessoas mais capazes. Permitiu-lhes alugar a aparência de capacidade e fingir que era a coisa real.
Podemos chamar-lhe “alugar uma voz”. Uma pessoa produz um artefacto que não teria conseguido produzir sozinha — código, uma justificação de arquitetura, uma política de segurança ou uma análise destinada ao cliente, por exemplo — e o artefacto parece fluente e credível. A fluência é real. As palavras apropriam-se da competência subjacente, que desaparece no momento em que o modelo deixa de escrever. A pessoa é dona do resultado, mas não da compreensão. Essa lacuna é invisível até algo avariar e, depois, torna-se a coisa mais evidente na sala.
Eis um exemplo: um engenheiro júnior implementa uma correção gerada por IA que funciona na demonstração, mas três semanas mais tarde não consegue explicá-la durante um incidente. Assim, um engenheiro sénior faz a engenharia inversa de uma solução que ninguém da equipa criou. A velocidade inicial conduziu a um custo posterior, e o custo foi maior porque a superfície fluente adiou o momento em que alguém verificaria a substância.
A expectativa falhada era a alavancagem. A promessa era que a IA multiplicaria as pessoas qualificadas. O que faz é esbater a diferença visível entre quem sabe e quem consegue escrever instruções para a IA, e esse nivelamento é dispendioso porque os dois produzem trabalho com aparência idêntica e resultados muito diferentes sob carga.
Por isso, a única utilização duradoura da IA ocorre quando alguém que já possui a competência a utiliza para trabalhar mais depressa, porque essa pessoa consegue perceber quando o resultado está errado. Entregue a mesma ferramenta a alguém que simplesmente está a pedir emprestada a competência e não terá acrescentado capacidade. Terá acrescentado resultados apresentados com confiança, sem ninguém responsável por trás deles.
Porque continuam a ser necessários membros juniores na equipa com a IA

Chris salienta
Uma forma de evitar chegar a esse ponto consiste em implementar a IA de forma mais restrita, conquistando cada nível progressivamente. Os mesmos ganhos, sem desinvestir discretamente na formação que produz os profissionais seniores que tornam isto seguro.
Este é o modelo que utilizei para construir todas as organizações de serviços que alguma vez geri: colocar a capacidade júnior sob supervisão sénior, deixar que o volume de trabalho passe para as mãos competentes mais económicas e fazer crescer a pirâmide à medida que a procura aumenta.
A IA consumiu a base da pirâmide. O trabalho que antes atribuía a juniores — triagem inicial, leitura de registos, elaboração de procedimentos operacionais e pedidos de rotina — é precisamente o trabalho que o modelo faz agora de forma mais rápida e barata do que uma pessoa em aprendizagem. A matemática de contratação que dependia de uma base ampla de trabalho volumoso e económico já não se aplica, porque o trabalho volumoso já não precisa de uma pessoa.
Mas o nível júnior nunca foi apenas mão de obra barata. Era o campo de treino. As pessoas tornaram-se os profissionais seniores em quem confio ao resolverem milhares de tickets de baixo risco e desenvolverem capacidade de julgamento, um erro de cada vez. Elimine esse degrau e não terá apenas alterado a estrutura de custos deste ano. Terá deixado de formar os engenheiros seniores de que vai precisar daqui a cinco anos, e só sentirá essa lacuna quando for dispendioso corrigi-la.
Uma forma de evitar chegar a esse ponto é fazer implementações de IA mais restritas, conquistadas nível a nível. Os mesmos ganhos, sem desinvestir discretamente no pipeline que produz os profissionais seniores que tornam isto seguro.
Eu não fiz isso, por isso estou a reconstruir a escada. Mantemos os juniores, mas não para absorver o volume que o modelo já consegue tratar. Estão aqui para desenvolver aquilo que a IA não lhes pode dar: o discernimento para saber quando um resultado confiante está errado. Isso significa exposição deliberada a problemas difíceis desde cedo, tempo dos seniores dedicado a ensinar em vez de delegar, e uma base mais pequena e mais competente do que aquela que a antiga economia teria criado.
Porque é que a adoção é uma métrica de vaidade
A implementação falha na camada humana, não na camada tecnológica. Tive de recuar em quase tudo porque inverti essa ordem.
Tratei o lançamento como um problema de capacidade. Escolher as ferramentas, provar que funcionam, dar acesso às pessoas, medir a adoção. A adoção aumentou e interpretei isso como sucesso. Na realidade, estava a observar pessoas a sentirem-se confortáveis a confiar em resultados que ainda não tinham aprendido a questionar, e o conforto é um sintoma precoce de fracasso, não uma prova de sucesso.
Já agora, devia ter recusado medir a adoção. É um número de vaidade e apontou-me na direção errada. A métrica que importava era saber se as pessoas verificavam o resultado antes de confiar nele, e isso é mais difícil de contabilizar, por isso acompanhei a coisa mais fácil. Medir a utilização recompensava exatamente o comportamento que causou a instabilidade: as pessoas apoiavam-se mais na ferramenta, mais depressa e com menos escrutínio.
Agora mediria a verificação e o retrabalho, e nunca mais permitiria que um gráfico de utilização substituísse a melhoria do trabalho.
Porque é que os CTO têm de relacionar todas as decisões sobre IA com os números do negócio

Eis o meu conselho:
- Governança primeiro. Não é empolgante e não entusiasmará a multidão do FOMO como os mais recentes modelos de fronteira, mas é uma necessidade absoluta. Governe toda a superfície antes de a implementar e expandir. A maioria dos problemas graves que vi resultou de CTO que implementaram IA para ganhar velocidade e só depois redigiram a governança. Inverta essa ordem.
- Pare de comprar maturidade e comece a comprar capacidade verificável. Metade da IA apresentada nas propostas dos fornecedores limita-se a encapsular uma API, vendida como competência própria. Faça com que todos os fornecedores lhe mostrem a solução a funcionar num problema fora da demonstração e faça o mesmo com as suas próprias equipas.
- Proteja as pessoas que já sabem. A alavancagem só é real nas mãos de alguém capaz de perceber quando o modelo está errado. Invista nesse discernimento, meça-o e recuse permitir que a fluência na criação de prompts o substitua no seu organograma.
- Relacione todas as decisões sobre IA com um número que já seja importante para o negócio. Proteja as receitas, estabeleça um preço para o risco e devolva horas às pessoas que fazem trabalho relevante. Os CTO que apresentam a IA como uma iniciativa tecnológica terão de lutar pelo orçamento em cada trimestre. Os que a apresentarem como margem e risco serão chamados a dar a sua opinião em salas onde antes se tomavam decisões sem eles. O argumento técnico raramente convence um executivo; os cálculos de resultados e perdas convencem.
- Pratique a disciplina. Implemente IA onde uma pessoa continue a ser responsável pelo resultado, mantenha-a afastada do lugar em que o resultado não admite falhas e audite aquilo que descarta, não apenas aquilo que encaminha. O mercado está a recompensar a velocidade neste momento e passará os próximos anos a reavaliar as equipas que confundiram fluência com competência. Construa de forma a não ser uma delas.
Eis o meu conselho: Governança primeiro. Não é empolgante e não entusiasmará a multidão do FOMO como os mais recentes modelos de fronteira, mas é uma necessidade absoluta. Pare de comprar maturidade e comece a comprar capacidade verificável. Proteja as pessoas que já sabem. Relacione todas as decisões sobre IA com um número que já seja importante para o negócio. Pratique a disciplina.

Acompanhe
Pode acompanhar o trabalho de Chris Garrett no LinkedIn. E consulte o seu livro mais recente, Escalar ou Vender.
Haverá mais entrevistas com especialistas no The CTO Club!

