Em 2025, o Boston Consulting Group formalizou uma proporção que já circulava informalmente entre quem lidera projetos de IA em grandes empresas: a regra 10-20-70. Segundo o relatório "The Leader's Guide to Transforming with AI", da consultoria, apenas 10% do esforço de uma transformação de IA bem-sucedida deveria ir para algoritmos e modelos, 20% para tecnologia e dados, e os 70% restantes — a fatia decisiva — para pessoas e processos.
A conta chama atenção porque inverte o que a maioria das empresas faz na prática. O orçamento de IA costuma seguir o caminho oposto: a maior parte vai para licença de ferramenta e integração técnica, e o que sobra vira um treinamento de algumas horas para a equipe. Organizações que erram essa proporção, segundo a própria BCG, raramente conseguem medir retorno sobre o investimento.
Isso não quer dizer que treinar a equipe seja inútil. Quer dizer que treinar sem dar a ela um lugar oficial para aplicar o que aprendeu resolve só uma fração pequena do problema — e é justamente a fração que menos determina o resultado.
Em empresas brasileiras e latino-americanas, essa distorção costuma aparecer de forma ainda mais direta: o treinamento em IA vira item de RH ou evento pontual, enquanto a área de tecnologia segue tratando o acesso à ferramenta como uma questão à parte, resolvida por licença individual. As duas frentes raramente conversam, e o resultado é o mesmo descrito pela BCG — só que sem nem o registro de quanto foi gasto tentando resolver o problema pela metade errada.
O paradoxo do treinamento sem lugar para aplicar
O relatório "State of AI in the Enterprise", da Deloitte, com 3.235 líderes de negócio e de tecnologia em 24 países, ouvidos entre agosto e setembro de 2025, mostra esse paradoxo em números. O acesso da força de trabalho a ferramentas de IA cresceu 50% em um ano. Mas apenas 30% das organizações estão redesenhando processos-chave em torno da IA, e 37% usam a tecnologia apenas na superfície, com pouca ou nenhuma mudança nos processos que sustentam o trabalho.
Em outras palavras: mais gente com acesso à IA, quase nenhuma mudança em como o trabalho de fato é feito. O acesso cresceu; o processo, não.
O mesmo descompasso aparece do lado do treinamento. O "2025 Workplace Learning Report", do LinkedIn Learning, encontrou que empresas com programas fortes de desenvolvimento de carreira têm 42% mais chance de estar entre as líderes na adoção de IA generativa, e 32% mais chance de estar implantando programas de treinamento em IA neste ano. O padrão é consistente: treinamento isolado não separa quem avança de quem fica para trás — o que separa é treinamento associado a um ambiente de trabalho capaz de absorver o que foi aprendido.
Quando esse ambiente não existe, o treinamento vira conhecimento avulso. A pessoa aprende a escrever um comando melhor, entende os limites do modelo, sai do curso motivada — e volta para a mesma conta pessoal de sempre, sem controle, sem histórico compartilhado e sem ninguém na empresa sabendo o que ela descobriu.
Por que o treinamento sozinho não muda o resultado
Treinar sem um ambiente oficial tem um efeito colateral específico: a empresa ensina a pessoa a usar melhor a própria conta pessoal de IA. É um investimento real, mas ele fica com a pessoa, não com a empresa — e evapora se ela mudar de área, sair da empresa, ou simplesmente esquecer o que aprendeu meses depois de o curso terminar.
Há também um problema de mensuração. Quando não existe registro do que foi feito com IA, a empresa não consegue distinguir quem realmente usa o que aprendeu de quem fez o curso e nunca mais tocou no assunto. Sem esse dado, o próprio treinamento não pode ser ajustado — a empresa segue investindo na mesma fórmula sem saber se ela funciona.
O terceiro problema é o mais silencioso: o que uma pessoa descobre fica só com ela. Um roteiro de resposta bem construído, um jeito eficiente de resumir um contrato, um agente configurado para uma rotina específica — nada disso se propaga para o resto da equipe se não existir um lugar comum onde possa ser guardado e reaproveitado. A empresa paga o treinamento inteiro da equipe e recolhe o conhecimento de uma pessoa de cada vez.
O que precisa existir na prática
Um ambiente que converte treinamento em capacidade real se apoia em mecanismos verificáveis, não em boa vontade.
Identidade corporativa, não conta pessoal. A pessoa entra com o mesmo login da rede da empresa, vindo do diretório corporativo — e quando alguém é desligado, o acesso à IA cai junto, sem depender de ninguém lembrar de revogar uma conta avulsa.
Acesso conforme o papel de cada pessoa. O que cada um vê e pode fazer é definido pela função exercida, inclusive dentro de uma ferramenta conectada — não é tudo ou nada.
Aprovação humana conforme o risco. Ações sensíveis param, pedem confirmação de uma pessoa e só seguem depois disso. Documentos que vão virar conhecimento oficial da IA podem passar por revisão e aprovação em duas etapas antes de entrarem em uso.
Trilha de auditoria. Quem criou o quê, quem aprovou, quando um agente foi usado: tudo fica registrado e consultável, sem depender da memória de alguém.
Reaproveitamento com permissão. O que uma pessoa monta — um agente, um roteiro, um fluxo de trabalho — pode ser disponibilizado para outras pessoas ou grupos, com o alcance definido por papel e permissão, em vez de morrer no histórico de uma única conta.
É assim que a Skyller foi desenhada: identidade vinda do diretório da empresa, permissão por papel e reaproveitamento de agentes e roteiros como padrão da plataforma, não como recurso avançado.
Do conhecimento individual à capacidade coletiva
Quando esse ambiente existe, o treinamento muda de função. Deixa de ser o fim do processo — "a equipe fez o curso" — e passa a ser o começo de um ciclo: a pessoa aprende, aplica dentro de um ambiente com identidade e permissão, o que funciona fica registrado, e outra pessoa da equipe reaproveita sem precisar aprender do zero.
É um efeito parecido com o que o LinkedIn Learning mede ao mostrar que empresas com forte cultura de desenvolvimento de carreira saem na frente na adoção de IA generativa: o treinamento não age sozinho, ele age dentro de um sistema que absorve e distribui o que foi aprendido. Sem esse sistema, cada novo treinamento recomeça do zero, porque o anterior nunca deixou rastro em lugar nenhum.
Para quem decide orçamento, essa diferença é a que importa de fato: treinamento sem ambiente é custo recorrente sem acúmulo. Treinamento com ambiente é custo que vira capacidade, porque o que uma pessoa aprende primeiro barateia o aprendizado de quem vem depois.
Essa lógica muda inclusive a forma de medir o próprio treinamento. Em vez de contar quantas pessoas concluíram o curso, a pergunta relevante passa a ser quantos agentes, roteiros ou fluxos criados por alguém foram reaproveitados por outra pessoa da equipe — um número que só existe quando há um ambiente comum registrando o que acontece.
Um roteiro para começar
Antes de aprovar mais um orçamento de treinamento em IA, vale colocar estas perguntas na mesa:
- Onde a equipe vai aplicar o que aprender no curso, já amanhã de manhã? Se a resposta é "na própria conta de cada um", o treinamento vai embora com a memória de cada pessoa.
- O que uma pessoa descobre com IA hoje chega a outra pessoa da equipe, ou fica só com quem descobriu? Sem um lugar para reaproveitar, cada treinamento novo recomeça do zero.
- Se alguém treinado sair da empresa amanhã, o que fica? Se a resposta for "nada", o investimento não ficou na empresa — ficou só na pessoa.
- A empresa consegue medir quem aplicou o treinamento e quem apenas participou dele? Sem esse registro, o próximo orçamento repete a mesma aposta às cegas.
