leadership

LEADERSHIP

negociacao-2

NEGOCIACAO

gestao-3

GESTAO

consultoria-2

CONSULTORIA

falandobem

FALANDOBEM

financasessenciais

FINANCASESSENCIAIS

Seja Premium e tenha acesso ao nosso arsenal de cursos

Administradores PREMIUM

1.	 Pesquisa Qualitativa 
A metodologia de pesquisa, para Minayo (2003, p. 16-18) é o caminho do pensamento a ser seguido. Ocupa um lugar central na teoria e trata-se basicamente do conjunto de técnicas a ser adotada para construir uma realidade. A pesquisa é assim, a atividade básica da ciência na sua construção da realidade. A pesquisa qualitativa, no entanto, trata-se de uma atividade da ciência, que visa a construção da realidade, mas que se preocupa com as ciências sociais em um nível de realidade que não pode ser quantificado, trabalhando com o universo de crenças, valores, significados e outros construto profundos das relações que não podem ser reduzidos à operacionalização de variáveis. 
Godoy (1995, p.58) explicita algumas características principais de uma pesquisa qualitativa, o qual embasam também este trabalho: 
considera o ambiente como fonte direta dos dados e o pesquisador como instrumento chave; possui caráter descritivo; o processo é o foco principal de abordagem e não o resultado ou o produto; a análise dos dados foi realizada de forma intuitiva e indutivamente pelo pesquisador; não requereu o uso de técnicas e métodos estatísticos; e, por fim, teve como preocupação maior a interpretação de fenômenos e a atribuição de resultados. 
A pesquisa qualitativa não procura enumerar e/ou medir os eventos estudados, nem emprega instrumental estatístico na análise dos dados, envolve a obtenção de dados descritivos sobre pessoas, lugares e processos interativos pelo contato direto do pesquisador com a situação estudada, procurando compreender os fenômenos segundo a perspectiva dos sujeitos, ou seja, dos participantes da situação em estudo (GODOY, 1995, p.58). 
Gil (1991, p. 46) afirma que, embora as pesquisas geralmente apontem para objetivos específicos, estas podem ser classificadas em três grupos: estudos exploratórios, descritivos e explicativos. 
2	Pesquisa Exploratória 
Um trabalho é de natureza exploratória quando envolver levantamento bibliográfico, entrevistas com pessoas que tiveram (ou tem) experiências práticas com o problema pesquisado e análise de exemplos que estimulem a compreensão. Possui ainda a finalidade básica de desenvolver, esclarecer e modificar conceitos e idéias para a formulação de abordagens posteriores. Dessa forma, este tipo de estudo visa proporcionar um maior conhecimento para o pesquisador acerca do assunto, a fim de que esse possa formular problemas mais precisos ou criar hipóteses que possam ser pesquisadas por estudos posteriores (GIL, 1999, p. 43). 
As pesquisas exploratórias, segundo Gil (1999, 0. 43) visam proporcionar uma visão geral de um determinado fato, do tipo aproximativo.
3	Estudo Fenomenológico 
Este estudo propõe-se a estabelecer uma base liberta de estereótipos para todas as ciências. Gil (1999, p. 32) coloca que o estudo fenomenológico não é dedutivo parte de princípios tidos como verdadeiros e possibilita chegar a conclusões em virtude unicamente de sua lógica &#8211; e nem empírico, pois ele procura mostrar o que é dado e em esclarecer esse dado, considera o que está presente à consciência. Proporciona a descrição direta da experiência, como ela é, a realidade não é tida como algo objetivo e passível de ser explicado, ela é interpretada, comunicada e compreendida. Não existe aí uma única realidade.
4	REFERÊNCIAS 
BAUER, M. W.; GASKELL, G. Pesquisa Qualitativa com texto, imagem e som: um manual prático. 4. ed. Ed. Vozes, 2002. 
GIL, A.C. Métodos e técnicas de pesquisa social. São Paulo: Atlas, 1999. 
GODOY, A. S. Introdução à pesquisa qualitativa e suas possibilidades. In: Revista de Administração de Empresas. São Paulo: v.35, n.2, p. 57-63, abril 1995. 
MACHADO, M. N. M. Entrevista de pesquisa: a interação entrevistador / entrevistado. Tese. Belo Horizonte: 1991. 
MACHADO, M. N. M. Uma metodologia para a pesquisa do social histórico. (Artigo submetido, 10p.), 2005. 
MARCONI, M. de A.; LAKATOS, E. M. Técnicas de Pesquisa. 5. ed. São Paulo: Ed. Atlas, 2002. 
MINAYO, M.C. de S. (Org.) Pesquisa social: teoria, método e criatividade. 22 ed. Rio de Janeiro: Vozes, 2003. 
SILVA, E. L.; MENEZES, E. M. Metodologia da Pesquisa e Elaboração de Dissertação. Florianópolis: LED/UFSC, 2000. 118p.

Pesquisa qualitativa, exploratória e fenomenológica: Alguns conceitos básicos

1. Pesquisa Qualitativa A metodologia de pesquisa, para Minayo (2003, p. 16-18) é o caminho do pensamento a ser seguido. Ocupa um lugar central na teoria e trata-se basicamente do conjunto de técnicas a ser adotada para construir uma realidade. A pesquisa é assim, a atividade básica da ciência na sua construção da realidade. A [&hellip;]

Pesquisa qualitativa, exploratória e fenomenológica: Alguns conceitos básicos | Administradores

Home

Artigos

Informação e Educação para líderes e suas equipes. Notícias, artigos, cursos, palestrantes, mentorias e treinamentos personalizados para profissionais e empresas

Administradores

https://cdn.administradores.com.br/app/uploads/2023/06/06200454/Logo-administradores.png

Administradores | Conhecimento para Resultados

1	Análise de conteúdo 
Embora a maior parte das análises clássicas de conteúdo culminem em descrições numéricas de algumas características do corpo do texto, considerável atenção está sendo dada aos tipos, qualidades e distinções no texto, antes que qualquer quantificação seja feita. 
A análise de conteúdo trabalha tradicionalmente com materiais textuais escritos (...). Há dois tipos de textos: textos que são construídos no processo de pesquisa, tais como transcrições de entrevista e protocolos de observação; textos que já foram produzidos para outra finalidade quaisquer, como jornais ou memorandos de corporações.
Na análise de conteúdo o ponto de partida é a mensagem, mas deve ser considerado as condições contextuais de seus produtores e assenta-se na concepção crítica e dinâmica da linguagem (PUGLISI; FRANCO, 2005, p. 13). Deve ser considerado, não apenas a semântica da língua, mas também a interpretação do sentido que um indivíduo atribui às mensagens.
A análise do conteúdo, em suas primeiras utilizações, assemelha-se muito ao processo de categorização e tabulação de respostas a questões abertas. Criada inicialmente como uma técnica de pesquisa com vistas a uma descrição objetiva, sistemática e quantitativa de comunicações em jornais, revistas, filmes, emissoras de rádio e televisão, hoje é cada vez mais empregada para análise de material qualitativo obtido através de entrevistas de pesquisa (Machado, 1991, p. 53).
Minayo (2003, p. 74) enfatiza que a análise de conteúdo visa verificar hipóteses e ou descobrir o que está por trás de cada conteúdo manifesto.
 (...) o que está escrito, falado, mapeado, figurativamente desenhado e/ou simbolicamente explicitado sempre será o ponto de partida para a identificação do conteúdo manifesto (seja ele explícito e/ou latente). A análise e a interpretação dos conteúdos obtidos enquadram-se na condição dos passos (ou processos) a serem seguidos. Reiterando, diríamos que para o efetivo caminhar neste processo, a contextualização deve ser considerada como um dos principais requisitos, e, mesmo, o pano de fundo no sentido de garantir a relevância dos resultados a serem divulgados e, de preferência, socializados (PUGLISI; FRANCO, 2005, p. 24).
A análise de conteúdo é considerada uma técnica para o tratamento de dados que visa identificar o que está sendo dito a respeito de determinado tema (Vergara, 2005, p. 15).
Bardin (1977, P. 42) conceitua a análise de conteúdo como um conjunto de técnicas de análise das comunicações visando obter, por procedimentos sistemáticos e objetivos de descrição do conteúdo das mensagens (quantitativos ou não) que permitam a inferência de conhecimentos relativos às condições de produção/recepção (variáveis inferidas) destas mensagens.
A finalidade da análise de conteúdo é produzir inferência, trabalhando com vestígios e índices postos em evidência por procedimentos mais ou menos complexos (PUGLISI; FRANCO, 2005, p. 25).
Na fronteira hermenêutica, os métodos são puramente semânticos, ao contrário da lingüística que incorpora os métodos lógicos estéticos que buscam os aspectos formais do autor e do texto.
Quando da escolha da análise de conteúdo, deve se escolher a unidade de registro e de contexto. A unidade de registro são em geral acompanhadas de algumas limitações, incluem características definidoras específicas, devem estar adaptadas a esta ou aquela investigação e podem ser de diferentes tipos (palavra, tema, personagem, item). A unidade de contexto é a parte mais ampla do conteúdo a ser analisado, porém é indispensável para a necessária análise e interpretação dos textos a serem decodificados (...) e, principalmente, para que se possa estabelecer a necessária diferenciação resultante dos conceitos de significado e sentido (PUGLISI; FRANCO, 2005, p. 43).
Como cada entrevista é tratada em profundidade, sendo o quadro de estudo sobretudo qualitativo, questões de amostragem se tornam secundárias, mas a seleção de entrevistados deve ser explicitada e justificada de acordo com os objetivos que se pretende alcançar (Machado, 1991, p. 54).
Pode-se imaginar que o resultado dessa análise temática poderia ser colocado em tabelas; mas, em lugar de números, as células da tabela conteriam as falas particulares dos sujeitos entrevistados. Em muitos casos, o simples levantamento dos temas abordados nas entrevistas é o objetivo da pesquisa (Machado, 1991, p. 55).
Algumas vantagens de se utilizar o método é que pode lidar com grandes quantidades de dados além de fazer o uso principalmente de dados brutos que ocorrem naturalmente. Possui também um conjunto de procedimentos maduros e bem documentados e o pesquisador caminha através da seleção, criação de unidades e categorização de dados brutos. Pode construir dados históricos: ela usa dados remanescentes da atividade passada (entrevistas, experimentos, observação e levantamentos estão condicionados ao presente) (Bauer e Gaskell, 2002, p. 212).

2	REFERÊNCIAS
BAUER, M.W.; GASKELL, G. Pesquisa qualitativa com texto, imagem e som: um manual prático. 4. ed. Ed. Vozes, 2002.
BARBIER, R.. Pesquisa-ação.Trad. Lucie Didio. Brasília: Plano Editora, 2002.
CASTRO, C.A.P. de. Sociologia aplicada à Administração. 2. ed. São Paulo: Atlas, 2003.
DEMO, P. Avaliação qualitativa. Polêmicas do nosso tempo. 8. ed. São Paulo: Autores Associados, 2005.
FOUCAULT, M. A Arqueologia do saber. Tradução de Luiz Felipe Baeta Neves. 3. ed. Rio de Janeiro: Forense-Universitária, 1987. 
GIL, A.C. Métodos e técnicas de pesquisa social. São Paulo: Atlas, 1999.
GLAZIER, Jack D.; POWELL, R.R. Qualitative research in information management. Englewood. CO: Libraries Unlimited, 1992. 
GODOY, A.S. Introdução à pesquisa qualitativa e suas possibilidades. Revista de Administração de Empresas, São Paulo, v.35, n.2, p. 57-63, abr.1995.
MACHADO, M. N. M. Entrevista de pesquisa: a interação entrevistador / entrevistado. Tese. (Doutorado) - Belo Horizonte, 1991.
MACHADO, M.N.M. Uma metodologia para a pesquisa do social histórico. (Artigo submetido, 10p.), 2005.
MAINGUENEAU, D. Termos-chave da análise do discurso. Tradução de M. V. Barbosa; M. E. Lima. Belo Horizonte: Ed. UFMG, 2000.
MARCONI, M. de A.; LAKATOS, E.M. Técnicas de pesquisa. 5. ed. São Paulo: Atlas, 2002.
MARCONI, M. de A.; LAKATOS, E.M.. Fundamento de metodologia científica. 3. ed. São Paulo: Atlas, 1991.
MINAYO, M.C. de S. (Org..). Pesquisa social: teoria, método e criatividade. 22. ed. Rio de Janeiro: Vozes, 2003.
PUGLISI, M.L.; FRANCO, B. Análise de conteúdo. 2. ed. Brasília: Líber Livro, 2005.
SILVA, E.L.; MENEZES, E.M. Metodologia da pesquisa e elaboração de dissertação. Florianópolis: LED/UFSC, 2000. 
VERGARA, S.C. Projetos e relatórios de pesquisa em Administração. 4. ed.São Paulo: Atlas, 2003.






Análise de conteúdo: uma metodologia para análise de dados

A transição para uma economia circular não é apenas sobre proteger ecossistemas: é sobre garantir qualidade de vida, inclusão produtiva e futuro econômico sustentável para o Brasil


O Brasil reúne condições extraordinárias para assumir um papel de liderança global na transição climática: conhecimento técnico robusto, protagonismo ambiental historicamente reconhecido, capacidade industrial instalada e um setor privado que amadurece rapidamente em direção a modelos de produção mais sustentáveis. Apesar disso, grande parte da nossa economia ainda opera sob uma lógica linear que ficou para trás — extrair, produzir, descartar — e que hoje limita competitividade, inovação e geração de valor. 
Nos últimos anos, entretanto, houve avanços estruturais importantes. A Estratégia Nacional de Oceanos sem Plástico, o Plano Nacional da Economia Circular e a regulamentação do conteúdo reciclado mínimo em embalagens plásticas deram um passo decisivo ao reconhecer o resíduo como insumo, e não apenas como problema. Somado ao que está consolidado, temos também a PEC da Reciclagem, que busca corrigir um “erro” da reforma tributária em tributar materiais recicláveis, na contramão do que acontece em todo o mundo, Esses instrumentos corrigem atrasos históricos e começam a criar incentivos reais para fortalecer cadeias reversas, atrair investimentos e ampliar a oferta de materiais circulares para a indústria. 
Um dos marcos mais relevantes é o chamado “Decreto do Plástico”, que estabelece metas crescentes de conteúdo reciclado e de recuperação de embalagens. A obrigatoriedade de 22% de resina reciclada nos próximos anos — chegando a 40% em 2040 — tem potencial para movimentar cadeias inteiras, gerar empregos e estimular inovação em todos os elos da indústria. O desafio, agora, é garantir que a infraestrutura nacional acompanhe essa ambição. Isso exige coordenação efetiva entre poder público, setor privado e municípios: cooperativas precisam de investimento contínuo, lixões precisam ser eliminados e a rastreabilidade precisa ganhar escala para garantir confiança e transparência no processo.
O mesmo raciocínio vale para o mercado brasileiro de carbono. Já existe a oportunidade de transformar o SBCE em um dos principais motores econômicos do país, mas isso só se concretiza com previsibilidade regulatória, clareza nas regras e segurança jurídica suficiente para atrair capital e fortalecer o ecossistema.
A discussão mais ampla revela algo essencial: economia circular não é uma agenda ambiental isolada. É uma agenda industrial, econômica e social. Reduz custos, aumenta competitividade, gera renda, diminui pressões sobre recursos naturais e impede que o Brasil continue desperdiçando valor por falta de estrutura e incentivos adequados.
O país já dispõe dos instrumentos necessários para acelerar sua transição — marcos regulatórios, tecnologia, conhecimento acumulado e uma base produtiva capaz de responder rapidamente à demanda de mercado. O próximo passo é transformar intenção em escala. É fazer regulamentações se converterem em mercados funcionando, políticas públicas se traduzirem em infraestrutura e metas ambientais se tornarem vantagem competitiva global.
A transição para uma economia circular não é apenas sobre proteger ecossistemas: é sobre garantir qualidade de vida, inclusão produtiva e futuro econômico sustentável para o Brasil. Agora, é o momento de transformar esse potencial em realidade.

Brasil tem condições de liderar a transição climática — mas precisa acelerar a mudança da lógica linear para a circular

Pierre Schurmann, CEO da&nbsp;Nuvini&nbsp;que já investiu em mais de 700&nbsp;startups, revela como decisões C-level&nbsp;evoluíram de intuição para ciência — e por que a camada gerencial tradicional está se tornando obsoleta



Pierre Schurmann não é só mais um CEO falando sobre transformação digital. À frente da&nbsp;Nuvini&nbsp;que hoje tem 7 empresas no portfolio, ele viu de perto como a IA multiplicou por 7x a produtividade de desenvolvedores e reduziu ciclos de produto de 2 meses para 5 dias. Mais importante: ele testemunhou o desaparecimento silencioso da camada gerencial que apenas “controlava e subia informações” — e descobriu que isso não é uma crise, é uma evolução necessária.



Sua experiência prática como investidor lhe deu uma percepção única: a capacidade de identificar em minutos se um&nbsp;founder&nbsp;era de produto ou comercial pela forma como pensavam decisões estratégicas. Agora, com a democratização do conhecimento via IA, ele está redesenhando como líderes C-level&nbsp;tomam decisões — e como organizações inteiras precisam se reorganizar para sobreviver.



<h2 class="wp-block-heading">1. Decisões C-Level: O Tripé Que a IA Está Reconfigurando</h2>



Pergunta:&nbsp;O que diferencia uma boa decisão de C-level&nbsp;de uma decisão operacional qualquer?



Insight de Pierre Schurmann:&nbsp;“São três pilares: experiência, contexto e informação. Quando trouxemos um&nbsp;COO&nbsp;novo, ele trouxe&nbsp;playbooks&nbsp;completos para mesas estratégicas. Como investidor, comecei a identificar se o&nbsp;founder&nbsp;era, por exemplo, mais de&nbsp;comercial ou de produto só pela&nbsp;forma como falava. Mas aqui está o ponto: com a evolução da IA, o acesso a esse conhecimento está se democratizando. O que antes era exclusivo de quem viveu 20 anos em uma indústria, agora pode ser acessado com o uso correto da IA.”



A revolução aqui não é óbvia. Enquanto a maioria dos executivos usa IA para automatizar tarefas, Pierre está usando para comprimir décadas de experiência em semanas. O segundo pilar — contexto — exige uma análise mais profunda: uma decisão que impacta 2 anos não pode ser tratada como uma que impacta 5 anos. E o terceiro pilar, informação, é o que gera as questões situacionais que separam decisões medianas de decisões geniais.



O desafio estratégico: enquanto empresas como&nbsp;Amazon&nbsp;e Microsoft integraram IA em processos decisórios para acelerar análise de contexto e validar premissas em tempo real, a maioria dos C-levels&nbsp;ainda trata IA como ferramenta de eficiência, não como acelerador de inteligência estratégica. A diferença entre esses dois usos é literalmente a diferença entre sobreviver e liderar mercados.



<h2 class="wp-block-heading">2. Produtividade 7x: O Gap Cultural Que Ninguém Quer Admitir</h2>



Pergunta:&nbsp;Se a IA multiplica produtividade por 7x, por que tantas empresas ainda não conseguiram implementá-la de forma efetiva?



Insight de Pierre Schurmann:&nbsp;“É cultura do time. CEOs e&nbsp;CMOs&nbsp;têm vontade de trazer IA para dentro, mas minha experiência prática mostra que todos os programadores precisam usar IA — nossos ciclos de produto que eram de 2 meses foram para 5 dias em alguns casos. Um programador que mensalmente tinha um volume X, agora aumentou para 7x a entrega.&nbsp;Criamos um concurso interno para desenvolver produtos usando IA dentro das nossas empresas — tivemos 12 candidatos, 3 finalistas, e o vencedor aumentou 20% as receitas. Quem desenvolveu foi alguém do comercial junto com a tech. Não tem mais espaço para quem não usa IA, porque a pessoa tem que usar o máximo de ferramentas e entender mais frentes para seguir.”



O dado brutal aqui: 7x de produtividade não é melhoria incremental, é mudança de categoria. Mas a lição mais valiosa está no concurso interno: o vencedor não foi um desenvolvedor puro, foi alguém do comercial trabalhando com tech. Isso valida o que empresas como Netflix e&nbsp;Salesforce&nbsp;já descobriram: a próxima geração de inovação não vem de silos especializados, vem de profissionais híbridos que entendem múltiplas frentes.



O problema cultural é mais profundo do que resistência à mudança. É sobre redefinir o que significa ser produtivo. Quando um desenvolvedor passa de X para 7X, ele não está fazendo mais do mesmo — ele está operando em um nível cognitivo diferente, usando IA para expandir sua capacidade de resolver problemas complexos simultaneamente. E isso exige um nível de ambição e adaptabilidade que gerações anteriores simplesmente não precisaram desenvolver.



<h2 class="wp-block-heading">3. O Fim dos Gerentes Intermediários: Hierarquias Estão Colapsando</h2>



Pergunta:&nbsp;Se a IA está eliminando a necessidade de gerentes que “apenas controlam e sobem informações”, o que acontece com essas pessoas?



Insight de Pierre Schurmann:&nbsp;“As organizações estão ficando mais planas. As pessoas que estavam no meio — gerentes que apenas controlavam e subiam informações — estão caindo porque a IA faz isso agora. A pergunta que fazemos é: como conseguimos apoiar essas pessoas a evoluírem? Agora você vai ter mais tempo porque a IA te deixou mais produtivo, então nesse novo tempo, como você evolui? Até pela nova geração que tem mais ambição de crescer rápido.”



Esta é a mudança estrutural que a maioria dos C-levels&nbsp;está evitando encarar: a camada gerencial intermediária está se tornando obsoleta. Não porque as pessoas não sejam competentes, mas porque a função delas — controlar, consolidar e reportar informações — foi automatizada. Empresas como Google e&nbsp;Amazon&nbsp;já operam com hierarquias extremamente planas, onde decisões estratégicas fluem diretamente entre C-level&nbsp;e times de execução, mediadas por IA que processa informações em tempo real.



O desafio não é apenas tecnológico, é existencial para milhares de profissionais. Pierre não está sugerindo demissões em massa, mas uma requalificação urgente: gerentes intermediários precisam evoluir para estrategistas,&nbsp;coaches&nbsp;de alta performance ou especialistas técnicos profundos. A IA criou tempo livre — a questão é se esses profissionais vão usar esse tempo para subir de nível ou se tornar irrelevantes.



A nova geração entra no mercado com uma expectativa completamente diferente: eles querem crescer rápido, aprender rápido, impactar rápido. E organizações que mantêm estruturas hierárquicas lentas estão perdendo esses talentos para startups e empresas nativas digitais que operam como redes de alta performance, não pirâmides burocráticas.



<h2 class="wp-block-heading">A Revolução Silenciosa Que Está Mudando o Jogo</h2>



Enquanto a maioria das empresas debate “se” deve implementar IA, organizações como a&nbsp;Nuvini&nbsp;já estão colhendo resultados exponenciais: ciclos de produto 12x mais rápidos, produtividade 7x maior, 20% de aumento em receita gerado por competição interna de IA. Empresas da Fortune 500 como Microsoft,&nbsp;Amazon&nbsp;e&nbsp;Salesforce&nbsp;não estão apenas&nbsp;“usando” IA — elas estão sendo empresas redesenhadas por IA, com estruturas organizacionais, processos decisórios e modelos de liderança completamente reconfigurados.



A diferença entre quem está vencendo e quem está apenas sobrevivendo não está na tecnologia adotada, mas na coragem de redesenhar estruturas de poder. Pierre está usando metodologias estruturadas (OKRs, frameworks de gestão ágil) não apenas para definir objetivos, mas para criar uma cultura onde a obsolescência de funções tradicionais é vista como oportunidade, não ameaça.



O alerta que a maioria está ignorando: gerentes intermediários não vão desaparecer amanhã, mas vão se tornar progressivamente irrelevantes. E quando uma função se torna irrelevante, ela não é aposentada gentilmente — ela é cortada brutalmente durante a próxima rodada de reestruturação. A janela para evolução está aberta agora, mas não vai ficar aberta por muito tempo.



<h2 class="wp-block-heading">A Pergunta Que Vai Tirar Seu Sono</h2>



Sua organização está usando IA para se tornar mais rápida ou está usando IA para se tornar fundamentalmente diferente?

A IA está matando gerentes intermediários - e isso é o melhor que poderia acontecer

Comunidades corporativas dedicadas à responsabilidade em IA constituem-se como um agente transformador para levar os princípios éticos do papel para a prática


*Por Jen Medeiros
As comunidades corporativas estão se tornando espaços estratégicos e poderosos para o desenvolvimento responsável de inteligência artificial (IA), especialmente quando se trata de fairness, mitigação de vieses, explicabilidade e participação dos usuários. Em vez de tratar a ética em IA como uma camada superficial ou apenas uma obrigação de compliance, essas comunidades funcionam como palcos de diálogo, vigilância e governança contínua, permitindo que as organizações internalizem e operacionalizem valores éticos.
Primeiramente, é importante reconhecer que o uso responsável de IA dentro das corporações exige mais do que um conjunto de princípios escritos e muitas empresas já adotaram frameworks ou diretrizes para guiar seu trabalho com IA. No entanto, a simples existência de princípios não garante que eles sejam efetivamente aplicados nos sistemas de tomada de decisão, especialmente diante da complexidade técnica, das pressões de mercado e das dinâmicas organizacionais. A literatura sobre IA corporativa tem mostrado que estruturas formais de governança, como comitês de ética ou conselhos de revisão de algoritmos (“algorithm review boards”), podem desempenhar um papel decisivo para mediar essa lacuna entre teoria e prática.
Um estudo recente da Cornell University, investigou exatamente esses modelos: os “algorithm review boards” (ARBs) são grupos internos formados por membros técnicos e não técnicos, cujos papéis incluem revisar projetos de IA, avaliar riscos éticos e definir critérios claros de sucesso para iniciativas de IA responsável.Esses comitês têm mostrado ser uma das abordagens mais eficazes para institucionalizar a governança de IA, sobretudo quando há apoio de lideranças e integração com outras práticas já existentes na empresa, algo fundamental para que tais comunidades corporativas gerem impacto.
É nesse ponto que as comunidades dentro das empresas, ou entre empresas, se tornam fundamentais. Elas proporcionam uma articulação mais rica entre diferentes stakeholders, desenvolvedores, gerentes, equipes de ética, compliance, usuários finais, e permitem que haja trocas constantes sobre temas como justiça algorítmica (“fairness”), explicabilidade (XAI), auditoria de viés e participação. Essas comunidades podem surgir formalmente, por exemplo, na forma de comitês de ética de IA ou conselhos de governança, ou informalmente, como grupos de prática (communities of practice) dedicados a discutir dilemas éticos, compartilhar casos de uso ou auditar modelos.
As vantagens de ter essas comunidades são múltiplas. Elas funcionam como mecanismos de aprendizagem organizacional: erros, riscos ou falhas detectados em um projeto podem ser compartilhados com outros times para evitar repetição. Também propiciam uma cultura de responsabilidade: quando colaboradores se sentem parte de um grupo dedicado à ética, há maior senso de legitimidade e de propriedade sobre as práticas de IA responsável.
A literatura acadêmica aponta também para os desafios dessas iniciativas. Um trabalho clássico, por exemplo, investiga como a cultura organizacional e a estrutura da empresa influenciam a eficácia de iniciativas de IA responsável.Segundo esse estudo, mesmo com boas intenções, muitas empresas enfrentam tensões entre experimentação ágil de produto e processos regulatórios mais lentos; entre métricas de negócio (como KPIs de lucro) e métricas éticas difíceis de quantificar; e entre equipes técnicas e éticas, quando falta alinhamento institucional. Há também risco de “engenheiros de ética” assumirem riscos pessoais elevados para defender práticas mais responsáveis, especialmente se não houver apoio estrutural ou recompensas formais para esse trabalho.
No contexto organizacional, a justiça em IA (fairness) é profundamente ligada à teoria da justiça organizacional. Para que sistemas de IA que gerenciam funcionários sejam justos, é preciso considerar diferentes tipos de justiça: distributiva (como são distribuídos benefícios ou encargos), processual (como são os processos de decisão) e interacional (a forma como as pessoas são tratadas). Isso significa que essas comunidades devem dialogar com gestores de pessoas, recursos humanos e líderes organizacionais, para garantir que o design e a governança das ferramentas de IA sejam alinhados com valores organizacionais mais amplos.
Por fim, a participação dos usuários e a explicabilidade são pontos cruciais. Comunidades podem promover formas de engajamento dos usuários nos projetos de IA: workshops, painéis consultivos, mecanismos de feedback ou auditoria. Esses espaços possibilitam que a explicabilidade deixe os modelos em linguagem acessível, incorpore a visão dos usuários quanto ao que é justo e compreensível, e adapte os sistemas em resposta ao feedback. 
Em suma, comunidades corporativas dedicadas à responsabilidade em IA constituem-se como um agente transformador para levar os princípios éticos do papel para a prática. Elas funcionam como instâncias de governança, de aprendizagem e de participação, alinhando valores de fairness, explicabilidade e reparação de viés com a cultura organizacional e os interesses dos diversos stakeholders. Para que seu potencial seja plenamente realizado, entretanto, é essencial que essas comunidades sejam institucionalizadas com legitimidade, recursos e apoio da liderança, e que sejam capazes de dialogar com as estruturas de poder e os processos de negócio da empresa. 
 
*Jen Medeiros é CEO da comuh, empresa especializada na gestão de comunidades e ecossistemas de negócios. Palestrante e especialista na criação e gestão estratégica de comunidades com 15 anos de experiência. Criadora e host do Community Playbook, um Podcast de aplicações reais, atuais e futuras de estratégia de comunidades. É professora da Descola e da Escola Britânica de Artes Criativas e Diretora do CMX Connect São Paulo, uma instituição internacional que promove o desenvolvimento da indústria de comunidades. Top 3 do prêmio Community Industry Awards 2024 como melhor profissional de comunidades B2B, e fellow no programa On Deck Community Builders.

Pesquisa qualitativa, exploratória e fenomenológica: Alguns conceitos básicos

Fabiane

Como se tornar um executivo fora de série, com Marília Fiuza | Café com ADM 474

Como se tornar um executivo fora de série, com Marília Fiuza | Café com ADM 474

Sobre o autor

Fabiane

Seja Premium e tenha acesso ao nosso arsenal de cursos

Mais artigos deNegócios e Gestão

Brasil tem condições de liderar a transição climática — mas precisa acelerar a mudança da lógica linear para a circular

A IA está matando gerentes intermediários - e isso é o melhor que poderia acontecer

Comunidades corporativas como palco para desenvolvimento responsável de IA