O playbook interno do GitHub para construir uma Workforce impulsionada por IA

• O GitHub está ampliando a adoção de IA com uma abordagem centrada nas pessoas e construindo capacidades de IA em toda a empresa
• A adoção de IA não é um problema técnico, mas um problema de gestão da mudança; não se trata apenas de distribuir ferramentas, e sim de reconfigurar a forma como a organização trabalha
• Para ter sucesso, o GitHub criou um modelo operacional baseado em 8 pilares — defensores de IA, políticas claras, oportunidades de aprendizado, medição orientada por dados, designação de responsáveis, apoio executivo, ferramentas adequadas e comunidades de prática
• Além disso, estabeleceu uma visão compartilhada ativamente pela liderança, diretrizes claras de uso, uma rede voluntária de defensores, comunidades de prática (CoP), trilhas estruturadas de aprendizagem, liderança dedicada e um sistema de métricas capaz de comprovar ROI
• Essa estratégia mostra que se trata de uma abordagem estrutural que vai além da simples adoção para impulsionar transformação do trabalho, ganho de produtividade e desenvolvimento de talentos

---

Introdução: oportunidade e desafio central

• A IA generativa é uma enorme oportunidade para acelerar o desempenho empresarial, e já está em curso uma corrida para capturar valor de forma competitiva
• O desafio não é reconhecer o potencial da IA, mas sim sua ativação em escala — é aí que o sucesso ou fracasso se define
• Muitas organizações investem demais em ferramentas de IA, mas a adoção fica restrita a um pequeno grupo de usuários entusiastas, gerando perdas por não se converter em produtividade para toda a empresa
• A diferença entre organizações de alto desempenho e organizações estagnadas está em possuir ou não uma estratégia de ativação intencional e sistemática

O equívoco que leva ao fracasso: não é implantação de tecnologia, é gestão da mudança

• As empresas tratam a adoção de IA como se fosse instalação de software, mas, na prática, trata-se de um desafio de gestão da mudança que exige reconfigurar a forma de trabalhar
• O que separa sucesso e fracasso não é a compra de licenças, mas a construção de uma infraestrutura humana capaz de transformar membros céticos em usuários avançados

Natureza do documento: o playbook interno do GitHub

• Este documento é o playbook interno desenvolvido e operado pelo GitHub para construir fluência em IA em sua força de trabalho global
• Como resultado da iniciativa AI for Everyone, ele oferece um blueprint prático validado no campo, e não apenas teoria
• O objetivo é tornar replicável para outras organizações um sistema que incorpore a IA à forma de trabalhar

Visão geral do modelo operacional: um sistema de reforço mútuo

• A ativação bem-sucedida de IA não é desenhada como uma iniciativa isolada, mas como a soma de componentes complementares
• Ao combinar com precisão uma estratégia top-down com momentum grassroots, cria-se um ecossistema no qual a fluência em IA pode prosperar
• A base desse ecossistema é formada por patrocínio visível da liderança e políticas e guardrails claros
  • O patrocínio da liderança cria o ponto de partida com visão e investimento
  • Políticas e guardrails oferecem um ambiente em que os funcionários podem experimentar e inovar com segurança

Os oito pilares (8 Pillars): definição e papel

• AI Advocates: uma rede interna de voluntários campeões que expande a adoção por meio de influência entre pares e feedback de campo
• Clear policies and guardrails: regras e diretrizes simples e compreensíveis por todos para sustentar o uso responsável
• Learning and development opportunities: oferece um ecossistema de aprendizagem acessível, com curadoria de conteúdo externo de qualidade
• Data-driven metrics: um framework de medição em múltiplos níveis para acompanhar adoção, engajamento e impacto nos negócios
• Dedicated responsible individual (DRI): o responsável central por orquestrar o programa, habilitar outras pessoas e impulsionar a estratégia como um todo
• Executive support: um compromisso visível da liderança que fornece visão, investimento e comunicação transparente
• Right-fit tooling: disponibiliza um portfólio validado de ferramentas próprias e de terceiros adequadas a diferentes funções e casos de uso
• Communities of practice (CoPs): opera fóruns dedicados para aprendizagem entre pares, compartilhamento de conhecimento e resolução de problemas

Foco de execução: três elementos de conexão

• 1) Equipar equipes + construir um sistema de apoio humano: fornecer ferramentas de IA validadas, desenvolver campeões internos com o programa Advocates e tornar a aprendizagem entre pares contínua com CoPs
• 2) Amplificar com L&D estruturado: elevar de forma sistemática as competências técnicas e de trabalho com trilhas de aprendizagem padronizadas e conteúdo curado
• 3) Operar com DRI e dados: o DRI lidera decisões de investimento e usa métricas orientadas por dados para medir e melhorar o impacto, fazendo o programa evoluir continuamente

Colocando o framework em ação

• O framework de uso de IA não termina na simples compreensão de seus elementos centrais; é necessário um enfoque estratégico para colocá-lo em prática
• O GitHub apresenta um roadmap de execução centrado nos oito pilares, e o ponto de partida é o apoio executivo (Executive support)
• Quando a liderança apresenta uma visão clara e o motivo por trás dela, explicando de forma concreta que valor a IA agrega ao trabalho dos funcionários, é possível garantir o impulso inicial

Executive support: como definir o tom

• O sucesso da adoção de IA começa pelo papel da liderança
• Mais do que simplesmente fornecer ferramentas, é preciso reforçar continuamente o "porquê" da estratégia de IA da empresa
• Em vez de apresentar objetivos de forma abstrata, é preciso explicá-los como benefícios concretos diretamente ligados ao trabalho cotidiano dos funcionários para elevar o engajamento
• Exemplo de mensagem para engenheiros:
  “Com IA, eliminamos tarefas repetitivas e tediosas. O Copilot cuida da escrita de código boilerplate, da geração de testes unitários e do resumo de PRs complexos, para que vocês possam se concentrar na resolução criativa de problemas.”
• Exemplo de mensagem para toda a empresa:
  “O objetivo da nossa estratégia de IA é entregar produtos melhores aos clientes com mais rapidez. Ao ampliar nossas capacidades com IA, aceleramos o ritmo de inovação e podemos nos concentrar em trabalhos criativos de maior valor agregado.”

Uma abordagem realista e transparente

• A adoção de IA inevitavelmente envolve automação do trabalho e mudanças nas funções
• Ignorar isso gera ansiedade e resistência, bloqueando a adoção
• Por isso, em vez de apenas tentar tranquilizar as pessoas, os líderes devem apresentar de forma concreta como os papéis vão mudar e qual será a estratégia de requalificação (upskilling)

• O que não dizer: “Seus empregos estão seguros.”
• O que dizer: “É assim que nosso trabalho vai mudar daqui para frente, e é desta forma que vamos apoiar vocês para desenvolver as novas habilidades necessárias.”

• Essa abordagem honesta constrói confiança ao tratar os funcionários como parceiros na mudança

Estratégia de mensagens personalizadas

As mensagens sobre IA precisam ser personalizadas por público

• Gestores (Managers):
  Eles devem ser preparados não apenas para usar IA individualmente, mas para liderar toda a equipe. Os gestores precisam redesenhar workflows da equipe, identificar tarefas que podem ser automatizadas e redefinir trabalhos de maior valor agregado. Devem ser incentivados a conectar diretamente a adoção de IA à melhoria do desempenho da equipe e da inovação.
• Contribuidores individuais sêniores (Senior ICs):
  Eles devem ser desafiados a se tornarem não apenas usuários mais produtivos, mas também arquitetos internos do uso de IA. Como têm grande influência dentro da organização, exercem um papel importante na introdução e padronização de novas formas de uso da IA. Devem maximizar seu próprio desempenho com IA e, ao mesmo tempo, disseminar capacidades de IA como mentores internos. Com isso, a influência dos talentos-chave se expande exponencialmente.

Policies and tooling: oferecendo clareza e acesso

• Para introduzir IA em toda a organização, guardrails claros são indispensáveis
• Se os funcionários não tiverem certeza sobre o que é permitido, eles nem sequer vão experimentar; por isso, uma política de uso aceitável (Acceptable Use Policy) clara e fácil de acessar é uma condição prévia para o sucesso
• Isso não é apenas uma questão de compliance, mas a base para que os funcionários usem IA com segurança e confiança

• Princípios para definir políticas

  • A política deve ser criada em colaboração com as principais partes interessadas, como TI, RH, segurança e jurídico
  • Isso permite uma abordagem abrangente do ponto de vista da gestão de riscos
  • A política final deve ser oferecida em um único documento centralizado, no qual todas as ferramentas de IA aprovadas e os tipos de dados adequados para cada ferramenta estejam claramente organizados

• Modelo de tooling em camadas (Tiered tooling)

  • Um modelo de política bem-sucedido para uso de IA adota uma abordagem em camadas
  • Em vez de simplesmente listar proibições, a ideia é distinguir claramente o que foi aprovado para que os funcionários possam tomar decisões com facilidade

• Tier 1: ferramentas totalmente validadas e aprovadas

  • Ferramentas que passaram por uma análise interna rigorosa de segurança e jurídico
  • Seguras para lidar com dados confidenciais da empresa e dados de clientes
  • Incluem produtos próprios da empresa, de 1st party (por exemplo, GitHub Copilot), além de ferramentas corporativas de 3rd party contratadas e aprovadas
  • Os funcionários podem reconhecer as ferramentas dessa categoria como a opção segura padrão

• Tier 2: ferramentas públicas e de consumo não validadas

  • Incluem, de forma ampla, ferramentas públicas de IA que a empresa não contratou nem validou oficialmente
  • A política é simples e universal: essas ferramentas só podem ser usadas com dados públicos e não sensíveis
  • Isso permite que os funcionários experimentem livremente novas tecnologias de IA sem colocar os dados da empresa em risco

• Efeitos e mensagem

  • Esse modelo em camadas oferece aos funcionários uma forma de pensar simples e clara:
    • “Se uma ferramenta não estiver na ‘lista totalmente validada’, use apenas dados públicos.”
  • Uma regra padrão tão clara assim elimina a incerteza e se torna a chave para ampliar o uso responsável de IA em larga escala

AI advocates: seus campeões de base

• Para que a adoção de IA tenha sucesso no longo prazo, além do apoio da liderança e de políticas claras, a influência entre pares (peer-to-peer influence) se torna uma força motriz essencial
• Para isso, o programa AI Advocates é um mecanismo muito eficaz, criando uma rede voluntária de campeões internos que atua como ponte entre equipes individuais e o programa central de suporte
• Os Advocates traduzem a estratégia de alto nível em casos de uso concretos para cada equipe, criando naturalmente um momentum de IA dentro da organização

• A forma mais eficaz de construir a rede é recrutar voluntários
• Em vez de um processo formal e complexo de indicação, anunciar para toda a empresa em busca de pessoas apaixonadas por IA reúne perfis adequados, motivados por conta própria e genuinamente dispostos a ajudar os colegas a ter sucesso
• Isso rapidamente se transforma em campeões internos fortes e confiáveis

• What advocates do

  • O papel dos Advocates é multifacetado e cumpre três funções principais: especialistas internos, construtores de comunidade e canal de feedback
  • Papel de campeão interno
    Como especialistas em IA de cada equipe, atuam como mentores dos colegas, respondem a perguntas do dia a dia e removem barreiras práticas, reduzindo os obstáculos à adoção de IA
  • Promoção do aprendizado entre pares
    Mostram o valor da IA por meio de exemplos concretos e realistas. Ao compartilhar casos de sucesso dentro da equipe, ajudam os colegas a perceber o efeito prático da IA, o que costuma ser mais persuasivo do que treinamentos formais
  • Representação da voz da equipe
    Formam um loop de feedback entre o programa central e a operação na ponta, transmitindo o que está funcionando bem, o que é problemático e quais oportunidades existem. Isso permite que o programa continue melhorando com base nas necessidades reais dos usuários
  • Planejamento de treinamento e colaboração
    Em colaboração com o programa central, refletem necessidades específicas e casos de uso da equipe para co-planejar e liderar sessões de treinamento personalizadas com efeito prático real

• Supporting your advocates

  • Para que o programa Advocates tenha sucesso, é necessário um apoio prático e valioso da equipe central de suporte. As principais formas de apoio são as seguintes.
  • Cultivar uma comunidade orgânica de Advocates
    Criar espaços de comunicação, como um canal dedicado no Slack, e apoiar check-ins regulares conduzidos pelos próprios advocates para que a rede evolua para uma rede autogerida que compartilha boas práticas e resolve problemas
  • Conexão direta com a liderança
    Garantir que os Advocates possam se conectar diretamente com representantes da liderança, como o DRI (Directly Responsible Individual) ou patrocinadores do programa, oferecendo um canal que liga a tomada de decisão executiva às atividades na ponta
  • Filosofia Train the Trainer
    O foco não é tratar os Advocates como meros receptores de informação, mas ajudá-los a crescer como mentores e líderes de workshops. Ao desenvolvê-los como educadores eficazes e especialistas em IA, eles se tornam uma extensão escalável do programa central
  • Com esse suporte, os Advocates se consolidam como líderes de IA confiáveis dentro da organização e espalham naturalmente a capacidade de usar IA por toda a empresa

Communities of practice: promovendo a colaboração

• Se o programa Advocates oferece um suporte high-touch profundamente envolvido com equipes individuais, ampliar a fluência em IA (AI fluency) por toda a organização exige um espaço de colaboração mais amplo
• É aí que as comunidades de prática (Communities of Practice, CoPs) desempenham um papel importante, oferecendo espaços dedicados onde os funcionários podem se conectar livremente, fazer perguntas e compartilhar conhecimento
• As CoPs funcionam como o tecido conjuntivo (connective tissue) de um programa bem-sucedido de ativação de IA, derrubando silos e garantindo que insights valiosos não se percam em conversas isoladas

• Outro objetivo é estruturar o interesse espontâneo por IA sem sufocar a criatividade
• Na maioria das empresas, já existem pequenas comunidades de IA espalhadas, operando de forma fragmentada em canais de chat ou threads de email
• Um programa eficaz transforma essa atividade dispersa em uma rede estruturada e coesa. Para isso, os passos essenciais são os seguintes

  • Establishing dedicated, purpose-driven communities

    • Em vez de um único canal gigantesco sobre IA, é mais eficaz criar comunidades dedicadas por objetivo e por grupo de usuários
    • Isso permite que as conversas sejam mais focadas e relevantes
    • Um exemplo de estrutura inicial recomendada seria:
      • Comunidade geral: canal para anúncios corporativos e perguntas não técnicas (ex.: #how-do-i-ai)
      • Comunidade dedicada a desenvolvedores: canal para compartilhar casos técnicos, discussões aprofundadas e técnicas avançadas (ex.: #copilot-users)
      • Comunidade específica por departamento: canal para casos de uso próprios de funções como marketing, vendas e finanças (ex.: #ai-for-sales)

  • Defining clear charters and leadership

    • Cada comunidade precisa de um propósito claramente documentado e de um líder (ou grupo de líderes) para administrá-la
    • Os líderes podem ser escolhidos entre os Advocates, ajudando a manter a direção das conversas e a garantir que a comunidade continue sendo um recurso valioso ao longo do tempo

  • Sustaining momentum

    • Não basta apenas criar os canais
    • O programa central de suporte deve usar a comunidade para compartilhar com toda a empresa casos interessantes de uso de IA surgidos ali, além de divulgar novos recursos e treinamentos
    • Com o tempo, será necessário evoluir e reorganizar essas comunidades

• Ao cultivar CoPs de forma intencional, nasce um motor escalável e autossustentável de aprendizado entre pares
• Isso se torna uma base indispensável para que toda a organização se torne fluente no uso de IA

Curated learning and development: reduzindo a barreira

• Não basta simplesmente fornecer acesso a ferramentas de IA; é essencial ter uma estrutura de Learning & Development (L&D) que ajude os funcionários a realmente adquirir proficiência no uso delas
• O objetivo é garantir que todos os funcionários, independentemente de sua formação técnica, adquiram habilidades práticas de uso de IA adequadas ao seu papel
• Para isso, o GitHub criou um site de L&D que faz a curadoria de experiências internas e materiais externos, oferecendo um ecossistema em camadas que atende a diferentes estilos e necessidades de aprendizagem

• Uma estratégia eficaz de L&D é composta pelos seguintes investimentos centrais

  • A centralized resource hub

    • É necessário um site como fonte única da verdade (source of truth) que reúna todos os materiais de aprendizado relacionados a IA
    • Não é apenas uma coleção de links, mas uma vitrine dinâmica de casos de inovação interna, melhores práticas e projetos de funcionários
    • Além de fornecer materiais de aprendizagem, também gera efeito de motivação

  • Core AI Learning paths

    • Oferecer trilhas de aprendizado zero-to-one para que todos os funcionários tenham competências básicas
    • Em vez de produzir conteúdo próprio, fazer a curadoria de materiais externos já validados
    • Como os recursos de IA mudam rapidamente, conteúdos produzidos internamente correm o risco de se tornarem obsoletos em pouco tempo

  • Building blocks for technical users

    • Funcionários técnicos mais avançados não precisam de aprendizado básico, mas de aceleração (acceleration) no trabalho
    • Fornecer uma biblioteca de componentes de IA reutilizáveis: templates, repositórios clonáveis, workflows etc.
    • Apoiar a redução de tarefas repetitivas e a criação rápida de soluções de IA

  • Integration with onboarding

    • Incluir aprendizado de IA no processo de onboarding para apoiar o desenvolvimento de proficiência desde o primeiro dia
    • Reforçar que a proficiência no uso de IA já é uma competência central para uma carreira bem-sucedida

• Com isso, além de elevar a capacidade individual de cada funcionário, torna-se possível consolidar uma cultura organizacional de uso de IA

Dedicated program leadership: Driving the program

• Um programa de ativação de IA não deve ser apenas um conjunto de recursos, mas um sistema contínuo e vivo; para isso, é necessário um responsável dedicado (Directly Responsible Individual, DRI) ou uma pequena equipe dedicada
• Essa liderança atua como a cola que conecta estratégia, execução e atividades de comunidade, fazendo com que a organização inteira opere como um sistema orgânico
• A missão principal do DRI não é fortalecer o próprio feudo (fiefdom building), mas escalar os outros (scaling others)

• Principais papéis e responsabilidades

  • Owning the program strategy and roadmap

    • Definir a estratégia geral e o roadmap de execução
    • Gerenciar o planejamento mensal e manter o alinhamento com as metas da empresa

  • Leading change management

    • Como responsável pela gestão de mudanças na organização, conduzir a adoção de IA de forma fluida e transparente
    • Minimizar a confusão e maximizar a taxa de adoção

  • Acting as a central AI consultant

    • Oferecer suporte 1:1 e office hours a funcionários e Advocates
    • Ajudar na resolução de problemas complexos e no desenvolvimento de casos de uso avançados

  • Amplifying internal success and innovation

    • Identificar e compartilhar casos de sucesso internos
    • Disseminar boas práticas por meio de comunidades e workshops, criando um ciclo virtuoso

  • Managing the AI tooling and policy lifecycle

    • Receber solicitações de novas ferramentas e gerenciar todo o processo de avaliação, aquisição e definição de políticas em colaboração com IT, segurança e jurídico

  • Owning adoption and fluency metrics

    • Acompanhar indicadores antecedentes como MAU, MEU e segmentação de usuários
    • Comprovar a eficácia do programa e avaliar a maturidade de IA dos funcionários

  • Demonstrating business ROI

    • Conectar indicadores defasados como ganho de produtividade, melhora na qualidade do código e aumento da satisfação de desenvolvedores aos dados de adoção
    • Fornecer à liderança uma narrativa de ROI baseada em dados

• Para isso, o GitHub designou formalmente um diretor de programa e um gerente de programa para conduzir a iniciativa AI for Everyone
• Essa estrutura dedicada garante o foco e a responsabilização necessários para a ativação de IA em escala corporativa

Metrics: Measuring for success

• Para justificar o investimento em um programa de ativação de IA e impulsionar sua evolução, é essencial medir os indicadores corretos
• É preciso ir além de simplesmente contar o número de licenças distribuídas e entender de forma multidimensional o alcance, a profundidade e os resultados do uso de IA na organização
• Como ainda não existe um padrão consolidado no setor, a abordagem mais eficaz é uma abordagem em múltiplas etapas (alcance da adoção → aprofundamento do uso → medição de resultados de negócio)

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): proporção de funcionários que usaram IA pelo menos uma vez no mês → indicador básico da taxa geral de adoção
  • Monthly Engaged Users (MEU): proporção de funcionários que usaram em vários dias do mês → indicador-chave para verificar se passaram da fase de experimento inicial para a formação de hábito

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: ativos por mais de 10 dias no mês (power users centrais)
    • Occasional users: ativos de 2 a 9 dias no mês
    • Tire kickers: ativos em 1 dia no mês
    • → O objetivo é converter Tire kickers em Occasional/Dedicated
  • Total AI events: número total de interações, como prompts e autocompletar de código → o aumento de eventos por usuário é um sinal de que a IA está sendo incorporada ao fluxo de trabalho

• Phase 3: Measuring business impact

  • Consultar o GitHub Engineering System Success Playbook (ESSP) → ele fornece indicadores abrangentes que cobrem felicidade do desenvolvedor, qualidade, velocidade e resultados de negócio
  • Principais indicadores relacionados a IA:
    • AI leverage: quantifica o esforço manual economizado e o ganho de produtividade com o uso de IA
    • Cycle time: tempo até que um commit seja refletido em produção → quanto mais esse tempo diminui com o uso de IA, maior a eficiência
    • Code churn: mede sinais de qualidade verificando se o código gerado por IA exigiu menos retrabalho
    • Pull request size: é necessário verificar se a IA não está induzindo PRs excessivamente grandes
    • Developer wellbeing: acompanhar se a redução de tarefas repetitivas leva a maior satisfação e menor burnout
    • Perceived productivity: por meio de pesquisas, investigar se os funcionários sentem que a IA lhes permite focar em trabalhos de maior valor

• Por meio dessa medição em múltiplas etapas, é possível comprovar adoção, aprofundamento do uso e ROI da introdução de IA, além de explicar seu valor à liderança com uma narrativa baseada em dados

Executing on enablement: A strategic checklist

Este checklist organiza o framework descrito anteriormente em um roteiro de execução passo a passo

• Fase 1: Etapas fundamentais (primeiros 30 dias)

  • Garantir patrocínio executivo
    • Garantir um patrocinador de nível C responsável por apoio orçamentário, apoio público ao programa e comunicação contínua
  • Nomear um DRI
    • Designar um responsável dedicado com responsabilidade pelo sucesso do programa e autoridade para coordenar entre áreas
  • Redigir uma política de uso v1
    • Em colaboração com Legal, Security e IT, estabelecer uma política inicial de uso (ex.: ferramentas vetted vs. unvetted), garantindo um ambiente seguro para experimentação
  • Estabelecer métricas iniciais
    • Criar um sistema de medição de MAU e MEU e montar um dashboard inicial
  • Anunciar o programa
    • Em parceria com o patrocinador e a equipe de comunicação, divulgar um comunicado interno para toda a empresa com a visão, os recursos disponíveis e o cronograma futuro

• Fase 2: Ganhar tração (primeiros 90 dias)

  • Lançar o programa de AI advocates
    • Abrir inscrições para voluntários internos, realizar sessões de orientação sobre o papel e criar canais de comunicação dedicados
  • Estabelecer comunidades de prática
    • Abrir canais para uso geral e para desenvolvedores e definir um charter claro e líderes da comunidade
  • Lançar um hub centralizado de recursos
    • Publicar um site interno v1 de hub com ferramentas aprovadas, políticas e trilhas de aprendizado
  • Começar a mostrar os sucessos
    • O DRI e os Advocates devem identificar e compartilhar casos iniciais de sucesso para ampliar a prova social e a inspiração
  • Lançar um módulo de onboarding
    • Em parceria com o HR, integrar um módulo de uso de IA ao processo de onboarding de novos funcionários

• Fase 3: Escalar e medir (contínuo)

  • Implementar um programa de "Train the Trainer"
    • Oferecer treinamento estruturado para fortalecer as capacidades de mentoria e condução de workshops dos Advocates
  • Desenvolver um dashboard de ROI de negócios
    • Construir um dashboard de ROI que conecte métricas de adoção como MAU/MEU a indicadores posteriores como cycle time, qualidade de código e produtividade de vendas
  • Realizar pesquisas qualitativas
    • Coletar percepções sobre produtividade, bem-estar e feedback do programa por meio de pesquisas organizacionais regulares e simples

O caminho para a fluência em IA

• Não basta apenas investir em ferramentas de IA
• Um programa de execução estruturado e multifacetado é o principal fator que diferencia as organizações que realizam o valor do investimento em IA daquelas que não conseguem

• Não existe uma solução mágica (silver bullet) para o sucesso da adoção de IA
• O que é necessário é um esforço de execução contínuo e orientado por dados
• Para isso, os seguintes pontos são indispensáveis:
  • apoio total da liderança executiva
  • políticas claras e acessíveis
  • AI advocates voluntários no nível operacional
  • compromisso com a medição das métricas corretas
  • construção de um sistema de execução robusto capaz de se adaptar às mudanças

• Se a liderança se comprometer com uma abordagem estruturada como essa, a organização poderá se transformar em uma organização mais produtiva, mais inovadora e mais eficaz, orientada para IA