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

&#8220;When you discover you are riding a dead horse, the best strategy is to dismount.&#8221; (&#8220;Quando você descobre que está montando um cavalo morto, a melhor estratégia é descer.&#8221;).
Essa frase, bastante comum nos Estados Unidos, especialmente em livros e artigos sobre gestão e liderança, é frequentemente atribuída à sabedoria indígena norte-americana. No entanto, não há comprovação histórica dessa origem. O que se sabe é que ela se popularizou no meio corporativo como uma metáfora poderosa sobre a necessidade de abandonar o que já não funciona.
É curioso como uma metáfora tão simples pode revelar tanto sobre o comportamento de líderes e organizações. Todos nós, em algum momento, já montamos um &#8220;cavalo morto&#8221;: um projeto que não avança, uma estratégia que parou de dar resultado ou um processo que claramente perdeu o sentido. E, ainda assim, insistimos.
O que muitas empresas fazem ao perceber que o cavalo está morto?
Em vez de descer do cavalo, como sugere o bom senso, vemos ações como:
Aplicar mais recursos, acreditando que o problema é falta de esforço.
Formar comitês e reuniões para &#8220;entender melhor&#8221; o que está acontecendo.
Criar treinamentos, esperando que a equipe aprenda a lidar com o insucesso.
Renomear o projeto ou plano, como se um novo nome resolvesse a falta de resultado.
Promover quem lidera o projeto, torcendo para que ele &#8220;inspire&#8221; outros — mesmo que esteja à frente de algo que já não funciona.
Essa lista pode parecer exagerada — ou até cômica — mas se você já esteve em grandes empresas, comitês estratégicos ou ambientes de tomada de decisão, provavelmente viu situações assim.
Mas por que insistimos tanto?
Existem várias explicações para isso:
Viés do custo afundado: quanto mais tempo e dinheiro investimos, mais difícil é admitir que falhamos.
Medo da mudança: abandonar o conhecido — mesmo que ineficiente — é emocionalmente desconfortável.
Cultura de &#8220;não desistir&#8221;: em muitas organizações, reconhecer que algo não deu certo é confundido com fraqueza ou falta de resiliência.
Mas aqui está a virada de chave: reconhecer que uma estratégia não funciona mais não é desistir — é evoluir.
O que líderes eficazes fazem diferente
✅ Fazem diagnósticos sinceros do que está ou não funcionando.
✅ Tomam decisões rápidas, sem medo de encerrar o que não gera valor. &nbsp;
✅ Criam ambientes onde é possível testar, errar e recomeçar com agilidade.
Mais do que nunca, em um mundo que muda rápido, saber parar é tão importante quanto saber persistir. E parar com consciência, com clareza e com foco no que realmente importa é o que separa líderes reativos de líderes estratégicos.
Conclusão
A Teoria do Cavalo Morto nos lembra de uma verdade incômoda, mas necessária: às vezes, o problema não é a falta de esforço, é a insistência em algo que já perdeu a razão de existir.
Se você identificou um &#8220;cavalo morto&#8221; na sua operação, equipe ou estratégia, talvez a melhor decisão hoje seja apenas uma: descer.
&nbsp;

A Teoria do Cavalo Morto: Quando Insistir Deixa de Ser Estratégia e Vira Desperdício

"When you discover you are riding a dead horse, the best strategy is to dismount." ("Quando você descobre que está montando um cavalo morto, a melhor estratégia é descer.").Essa frase, bastante comum nos Estados Unidos, especialmente em livros e artigos sobre gestão e liderança, é frequentemente atribuída à sabedoria indígena norte-americana. No entanto, não há comprovação histórica dessa origem. O que se sabe é que ela se popularizou no meio corporativo como uma metáfora poderosa sobre a necessidade de abandonar o que já não funciona.É curioso como uma metáfora tão simples pode revelar tanto sobre o comportamento de líderes e organizações. Todos nós, em algum momento, já montamos um "cavalo morto": um projeto que não avança, uma estratégia que parou de dar resultado ou um processo que claramente perdeu o sentido. E, ainda assim, insistimos.O que muitas empresas fazem ao perceber que o cavalo está morto?Em vez de descer do cavalo, como sugere o bom senso, vemos ações como:Aplicar mais recursos, acreditando que o problema é falta de esforço.Formar comitês e reuniões para "entender melhor" o que está acontecendo.Criar treinamentos, esperando que a equipe aprenda a lidar com o insucesso.Renomear o projeto ou plano, como se um novo nome resolvesse a falta de resultado.Promover quem lidera o projeto, torcendo para que ele "inspire" outros — mesmo que esteja à frente de algo que já não funciona.Essa lista pode parecer exagerada — ou até cômica — mas se você já esteve em grandes empresas, comitês estratégicos ou ambientes de tomada de decisão, provavelmente viu situações assim.Mas por que insistimos tanto?Existem várias explicações para isso:Viés do custo afundado: quanto mais tempo e dinheiro investimos, mais difícil é admitir que falhamos.Medo da mudança: abandonar o conhecido — mesmo que ineficiente — é emocionalmente desconfortável.Cultura de "não desistir": em muitas organizações, reconhecer que algo não deu certo é confundido com fraqueza ou falta de resiliência.Mas aqui está a virada de chave: reconhecer que uma estratégia não funciona mais não é desistir — é evoluir.O que líderes eficazes fazem diferente✅ Fazem diagnósticos sinceros do que está ou não funcionando.✅ Tomam decisões rápidas, sem medo de encerrar o que não gera valor. &nbsp;✅ Criam ambientes onde é possível testar, errar e recomeçar com agilidade.Mais do que nunca, em um mundo que muda rápido, saber parar é tão importante quanto saber persistir. E parar com consciência, com clareza e com foco no que realmente importa é o que separa líderes reativos de líderes estratégicos.ConclusãoA Teoria do Cavalo Morto nos lembra de uma verdade incômoda, mas necessária: às vezes, o problema não é a falta de esforço, é a insistência em algo que já perdeu a razão de existir.Se você identificou um "cavalo morto" na sua operação, equipe ou estratégia, talvez a melhor decisão hoje seja apenas uma: descer.&nbsp;

A Teoria do Cavalo Morto: Quando Insistir Deixa de Ser Estratégia e Vira Desperdício | Administradores

https://cdn.administradores.com.br/app/uploads/2025/04/29103422/z9w52eAjyM.jpg

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

Já tive pressa para fechar negócios. Achava que, quanto mais rápido eu apresentasse uma proposta e forçasse um fechamento, melhor. Afinal, tempo é dinheiro, certo? Mas, com o tempo e a experiência, percebi que algumas vendas – assim como algumas decisões – exigem maturação. Acelerar um processo que ainda não está pronto pode gerar resistência, aumentar as chances de objeções e, muitas vezes, resultar em desistências.Pense em uma negociação bem conduzida. Existe uma sequência natural que precisa ser respeitada: o interesse deve ser gerado antes que a proposta seja feita; as objeções precisam ser eliminadas antes que o contrato esteja na mesa. Quando tentamos pular etapas ou pressionamos demais o cliente para decidir rapidamente, criamos insegurança. O cliente sente que não teve tempo suficiente para refletir e, por isso, a tendência é recuar. O efeito pode ser o oposto do desejado: ao invés de acelerar a venda, colocamos barreiras que poderiam ser evitadas com um processo mais estruturado.O mesmo acontece na vida pessoal. Estamos tão focados no resultado final que, muitas vezes, ignoramos o processo necessário para chegar lá. Queremos uma promoção, mas não garantimos consistência na entrega e no desenvolvimento profissional. Queremos mudar um hábito, mas não respeitamos a construção gradual que ele exige. Buscamos resultados rápidos, quando, na verdade, o crescimento real acontece na constância e na paciência.Isso não significa que devemos adotar um ritmo lento para tudo. Há decisões que precisam de rapidez e agilidade. Mas há uma diferença entre agir com velocidade e agir com precipitação. Saber quando avançar e quando esperar é uma habilidade essencial para qualquer profissional – e para qualquer pessoa.Portanto, antes de tomar uma decisão apressada, pare e reflita: esse é realmente o momento certo ou estou tentando forçar algo antes da hora? Muitas vezes, o melhor negócio, a melhor escolha ou a melhor mudança acontecem quando respeitamos o tempo natural das coisas.As melhores decisões não são tomadas na pressa, mas no tempo certo.

Pressa e ansiedade matam grandes negócios

Existe um mito no mercado de vendas: a ideia de que os vendedores de alta performance são os mais extrovertidos, aqueles que dominam o palco, têm um discurso persuasivo e falam sem parar. Mas a realidade é bem diferente. Os melhores vendedores não são os que falam mais, e sim os que sabem ouvir melhor.A venda não acontece porque um vendedor tem um argumento imbatível. Ela acontece quando o cliente sente que sua necessidade foi compreendida. Ninguém gosta de ser tratado como apenas mais um número. O cliente precisa perceber que sua dor é levada a sério, que seu contexto foi entendido e que a solução oferecida realmente faz sentido para ele.Isso só é possível com um processo de escuta ativa. O vendedor que domina essa habilidade não responde com frases prontas. Ele faz perguntas estratégicas, escuta atentamente as respostas e ajusta sua abordagem com base no que realmente importa para o cliente. Em vez de empurrar um produto ou serviço, ele conduz a conversa de forma consultiva, ajudando o cliente a chegar à melhor decisão – que, muitas vezes, é justamente fechar o negócio.E essa lógica não se aplica apenas às vendas. No dia a dia profissional, reuniões se tornam mais produtivas quando todos têm espaço para serem ouvidos. Equipes se tornam mais engajadas quando os líderes praticam a escuta genuína. Na vida pessoal, relacionamentos são fortalecidos quando paramos de apenas esperar nossa vez de falar e realmente prestamos atenção no outro.Se queremos convencer alguém – seja um cliente, um parceiro de negócios ou um colega de trabalho – o primeiro passo não é melhorar nosso discurso. É melhorar nossa escuta.

O melhor vendedor não é o mais falante, é o que mais ouve

Sério. Não confie no que eu acho, no que você acha ou no que qualquer pessoa acha. Opiniões podem estar erradas. Dados, não.Já tomei decisões baseado apenas na minha intuição e me dei mal. Já ignorei números porque achava que minha experiência sabia mais. O resultado? Os dados me provaram errado.O grande problema é que muitos gestores ainda resistem a uma cultura de dados porque confiam mais em feeling do que em fatos. O risco?Achar que algo está funcionando só porque sempre foi assim.Tomar decisões olhando para o passado, não para o futuro.Ignorar pequenos sinais que poderiam evitar grandes problemas.Muitas empresas que enfrentam dificuldades não percebem que a falta de dados confiáveis na tomada de decisão é o maior vilão do crescimento. O pior? Às vezes, elas até têm os dados, mas não os analisam corretamente ou focam em métricas irrelevantes.Dados não são apenas números. São a verdade do seu negócio.Empresas que crescem são aquelas que tratam dados como peças-chave na estratégia, e isso significa:✅ Definir KPIs claros e rastreáveis para cada área do negócio. Sem indicadores bem definidos, qualquer número pode parecer bom – ou ruim – sem um contexto real.✅ Monitorar métricas reais, não só "indicadores de vaidade". Likes, visitas ao site e seguidores podem parecer bons no papel, mas não significam nada se não estiverem gerando receita ou impacto direto nos resultados.✅ Criar um ambiente onde todos saibam ler e interpretar dados. De nada adianta ter dashboards cheios de números se ninguém souber usá-los para tomar decisões estratégicas.✅ Estar pronto para desafiar suas próprias crenças quando os números provam o contrário. Se os dados mostram que uma estratégia não está funcionando, insistir nela só vai custar tempo e dinheiro.Se você não mede, você não gerencia.Toda decisão dentro de um negócio precisa de um embasamento sólido. A intuição pode ser útil, mas precisa andar de mãos dadas com a análise de dados.Quer crescer? Comece medindo. Quer otimizar? Comece analisando. Quer escalar? Deixe os dados guiarem o caminho.

Não confie em mim, confie nos dados

A inteligência artificial já participa de decisões empresariais que afetam crédito, contratação, atendimento, preços, prevenção a fraudes, seleção de candidatos e gestão de riscos. A questão decisiva, portanto, deixou de ser se uma empresa pode utilizar IA para decidir, mas quem responde quando a decisão automatizada produz dano.A resposta jurídica tende a ser desconfortável para organizações que imaginam a tecnologia como uma espécie de escudo: delegar a decisão a uma máquina não significa delegar a responsabilidade pelo resultado. Para a Administração, isso transforma governança de IA em problema simultaneamente tecnológico, jurídico e estratégico.A decisão pode ser automatizada, a responsabilidade nãoA autonomia tecnológica não cria, por si só, personalidade jurídica, capacidade decisória independente ou transferência automática da responsabilidade empresarial. A empresa continua sendo o agente que escolheu implementar determinado sistema, definiu sua finalidade, selecionou fornecedores, estabeleceu parâmetros, autorizou seu uso e decidiu confiar em seus resultados.O Código Civil estabelece que aquele que, por ação ou omissão, violar direito e causar dano deve repará-lo, inclusive contemplando hipóteses de responsabilidade independentemente de culpa quando presentes os pressupostos legais ou quando a atividade envolver risco para direitos de terceiros.&nbsp;Isso produz uma distinção essencial para a governança corporativa: autonomia operacional não equivale a autonomia jurídica.A IA pode selecionar o candidato. Pode classificar o cliente. Pode recomendar o preço. Pode identificar uma suposta fraude. Pode sugerir a demissão de determinado empregado. Mas a organização continua responsável por estruturar o ambiente no qual aquela decisão se torna possível e produz efeitos.É precisamente nesse ponto que a eficiência tecnológica encontra seu limite jurídico.A tese da eficiência e a antítese da responsabilizaçãoA defesa empresarial da automação possui fundamento econômico relevante. Sistemas algorítmicos conseguem processar grandes volumes de informação, reduzir custos transacionais, acelerar decisões e identificar padrões que dificilmente seriam percebidos por gestores individualmente.Sob essa perspectiva, exigir intervenção humana em toda decisão poderia transformar a inovação em burocracia tecnológica. A empresa não poderia usufruir plenamente das vantagens competitivas da IA se cada resultado tivesse de ser manualmente reconstruído.O argumento contrário, entretanto, também é poderoso.Uma organização que simplesmente aceita o resultado algorítmico pode produzir uma forma sofisticada de terceirização da responsabilidade. O gestor deixa de perguntar “por que decidimos isso?” e passa a perguntar apenas “o que o sistema recomendou?”. Surge então o risco do viés de automação, no qual a autoridade percebida da máquina reduz a disposição humana de contestar sua conclusão.A legislação brasileira já revela preocupação específica com esse problema. O art. 20 da LGPD assegura ao titular o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, incluindo decisões relacionadas a perfis pessoais, profissionais, de consumo e de crédito. A lei também prevê informações claras e adequadas sobre critérios e procedimentos utilizados na decisão automatizada.&nbsp;A questão, portanto, não é escolher entre homem e máquina. É determinar qual arquitetura de responsabilidade deve existir entre ambos.A responsabilidade começa antes da decisãoO erro mais perigoso na governança de IA consiste em localizar a responsabilidade somente no instante em que o algoritmo produz uma resposta.Na realidade, ela pode começar muito antes.Uma decisão algorítmica é resultado de uma cadeia organizacional que envolve dados, objetivos, modelos, fornecedores, treinamento, parâmetros, integração tecnológica, supervisão e utilização final. Um erro no resultado pode nascer em qualquer desses pontos.Por isso, a governança empresarial de IA deveria tratar a responsabilidade como uma cadeia:quem definiu a finalidade do sistema;quem selecionou ou desenvolveu a ferramenta;quais dados alimentam o modelo;quais riscos foram avaliados;quem autorizou sua utilização;quem pode contestar o resultado;quem possui competência para interromper o sistema;quais decisões exigem revisão humana;quais registros permitem reconstruir posteriormente o processo decisório.&nbsp;Essa perspectiva desloca a discussão de “quem apertou o botão?” para uma pergunta muito mais sofisticada: “quem construiu o sistema institucional que tornou aquela decisão possível?”É uma mudança relevante para conselhos de administração, compliance, jurídico, tecnologia e RH.LGPD, consumidor e responsabilidade empresarialA responsabilidade não nasce exclusivamente de uma futura legislação específica sobre inteligência artificial. O ordenamento brasileiro já dispõe de diferentes mecanismos capazes de alcançar danos produzidos por sistemas automatizados.A Constituição protege, entre outros valores, igualdade, liberdade, intimidade, vida privada, honra e imagem, além de estabelecer a defesa do consumidor e princípios estruturantes da ordem econômica.&nbsp;Nas relações de consumo, o problema pode adquirir dimensão ainda mais objetiva. O Código de Defesa do Consumidor estabelece responsabilidade do fornecedor de serviços independentemente de culpa pelos danos decorrentes de defeitos da prestação ou de informações insuficientes ou inadequadas sobre sua fruição e riscos.&nbsp;Imagine-se uma hipótese empresarial: um sistema de IA utilizado para detectar fraude bloqueia indevidamente determinado consumidor. A organização não poderá simplesmente responder que “foi o algoritmo”. O algoritmo não é, por si só, sujeito capaz de receber uma reclamação, apresentar defesa ou indenizar o consumidor.A máquina produz a decisão. A empresa produz o contexto jurídico da decisão.O modelo europeu e a importância da supervisão humanaA experiência europeia oferece uma referência particularmente interessante. O AI Act estabelece, para sistemas de alto risco, mecanismos de supervisão humana proporcionais ao risco, ao nível de autonomia e ao contexto de utilização. As pessoas responsáveis pela supervisão devem possuir competência, treinamento e autoridade suficientes para monitorar o sistema, compreender suas limitações e, quando necessário, ignorar, substituir ou reverter seu resultado.&nbsp;A lógica é sofisticada: supervisão humana não significa colocar uma pessoa diante da tela para simplesmente clicar em “aprovar”.Se o funcionário não possui tempo, conhecimento, autoridade ou informação para contestar o algoritmo, existe formalmente um ser humano no processo, mas não existe controle humano efetivo.Esse detalhe é fundamental para empresas brasileiras que pretendem importar modelos internacionais de governança.O problema psicológico: quando a máquina adquire autoridadeA Psicologia ajuda a explicar por que a supervisão meramente formal pode fracassar.Quando uma recomendação é apresentada como resultado de um sistema sofisticado, o decisor pode atribuir ao algoritmo uma competência superior à sua própria capacidade de julgamento. A tecnologia passa, então, de instrumento de apoio para fonte presumida de autoridade.O risco administrativo não está somente no erro algorítmico. Está também na abdicação cognitiva do gestor.O fenômeno altera a própria natureza da decisão. O administrador deixa de avaliar criticamente uma recomendação e passa a racionalizar posteriormente uma conclusão produzida pelo sistema.Em termos de governança, isso significa que a empresa precisa administrar não apenas o modelo, mas também a relação psicológica dos seres humanos com o modelo.Uma nova categoria: responsabilidade algorítmica organizacionalÉ nesse ponto que se pode formular uma proposição própria: a responsabilidade algorítmica organizacional.Ela pode ser compreendida como o dever empresarial de manter capacidade institucional para explicar, supervisionar, contestar, corrigir e responder pelos efeitos relevantes produzidos por sistemas de inteligência artificial utilizados na organização.Não significa atribuir à empresa responsabilidade automática por qualquer resultado produzido por qualquer tecnologia.Significa algo mais preciso: quanto maior a autonomia concedida ao sistema e quanto maior o potencial de impacto sobre direitos, patrimônio ou mercado, maior deve ser a capacidade organizacional de controle, rastreabilidade e intervenção.Como bem aponta Northon Salomão de Oliveira, “quanto maior a autonomia concedida à inteligência artificial, maior deve ser a capacidade humana de explicar, contestar e responder por suas decisões.”Essa proposição transforma a autonomia em variável de governança.O que as empresas deveriam fazer?A implementação responsável de IA não exige necessariamente eliminar a automação. Exige graduá-la conforme o risco.Uma arquitetura empresarial minimamente consistente deveria:1. Classificar as decisões por impacto, distinguindo automações administrativas simples de decisões capazes de afetar direitos, emprego, crédito, consumo, patrimônio ou reputação.&nbsp;2. Definir responsáveis humanos, evitando sistemas sem proprietário organizacional claramente identificado.&nbsp;3. Estabelecer mecanismos de revisão, especialmente para decisões de maior impacto.&nbsp;4. Registrar decisões e parâmetros relevantes, permitindo auditoria posterior.&nbsp;5. Avaliar fornecedores, inclusive quanto à segurança, proteção de dados, transparência, documentação e capacidade de correção.&nbsp;6. Testar vieses e falhas, não apenas o desempenho econômico do sistema.&nbsp;7. Criar autoridade real de intervenção, permitindo suspender ou substituir a decisão automatizada.&nbsp;8. Treinar gestores, inclusive para reconhecer limitações do modelo e o risco de dependência excessiva de suas recomendações.&nbsp;Essa estrutura também encontra correspondência em iniciativas institucionais brasileiras. A Estratégia Brasileira de Inteligência Artificial incorpora transparência, robustez, segurança, proteção e accountability entre seus princípios, enquanto iniciativas recentes de órgãos públicos brasileiros vêm estruturando políticas específicas de governança de IA.&nbsp;A eficiência não pode destruir a governançaExiste uma falsa oposição entre inovação e responsabilidade.A empresa que automatiza tudo sem controles pode inicialmente parecer mais eficiente. Mas cria uma arquitetura vulnerável a erros sistêmicos, discriminação, vazamento de dados, decisões inexplicáveis, litígios e danos reputacionais.Por outro lado, uma organização que transforma cada utilização de IA em um procedimento burocrático também destrói parte do valor econômico da tecnologia.A síntese está em outro lugar: não se deve exigir o mesmo grau de supervisão para todas as aplicações de IA.Uma ferramenta que resume documentos internos não possui o mesmo perfil de risco de um sistema que decide quem receberá crédito, quem será contratado ou quem será submetido a determinada ação empresarial.A governança racional deve acompanhar a proporcionalidade do risco.Conclusão: delegar execução não é abdicar da responsabilidadeA inteligência artificial modifica a velocidade, a escala e a arquitetura das decisões empresariais, mas não elimina a necessidade de responsabilidade institucional.A empresa pode delegar tarefas. Pode delegar processamento. Pode delegar recomendações. Pode, em determinados contextos, automatizar decisões.O que ela não consegue simplesmente delegar é a própria responsabilidade jurídica decorrente da maneira como escolheu utilizar a tecnologia.O verdadeiro desafio da Administração contemporânea não é impedir que máquinas decidam. É construir organizações capazes de saber quando confiar, quando questionar e quando interromper aquilo que as máquinas decidem.No século da inteligência artificial, governança não será a capacidade de impedir a autonomia tecnológica. Será a capacidade de estabelecer limites inteligentes para essa autonomia, preservando eficiência sem transformar a máquina em álibi institucional.

Empresas e Inteligência Artificial: é possível delegar decisões sem delegar responsabilidade?

A curva do Dunning-Kruger virou meme. Todo mundo já viu o gráfico: um pico de confiança logo no início do aprendizado ("eu sei de tudo"), um vale de desespero na sequência, e uma recuperação lenta até o platô do conhecimento real. É uma imagem tão repetida que perdeu a força, virou piada de LinkedIn pra zoar quem fala demais sobre o que entende pouco.O problema é que, tratado como piada, o efeito perde exatamente a parte que mais importa pra quem lidera equipe de tecnologia: ele não é sobre "aquele cara que acha que sabe tudo". É sobre decisões estruturais, de contratação, promoção e delegação, que empresas tomam todos os dias baseadas em confiança, não em competência. E como a confiança é visível e a competência não, o vetor errado normalmente vence.O que o estudo original realmente mostrouKruger e Dunning publicaram o estudo original em 1999, no Journal of Personality and Social Psychology, com um título que já resume a tese: pessoas sem competência técnica pra reconhecer o próprio erro tendem a superestimar sistematicamente sua performance. O motivo é estruturalmente simples: a habilidade de avaliar corretamente uma resposta em um domínio é, em grande parte, a mesma habilidade necessária pra dar a resposta certa nesse domínio. Quem não tem a competência técnica também não tem a régua pra medir a própria distância até ela.O espelho desse efeito é igualmente importante e é onde a maioria das discussões sobre DK erra a mão: especialistas de verdade tendem a&nbsp;subestimar a própria competência, porque enxergam a complexidade e as exceções que o iniciante simplesmente não sabe que existem. Isso tem nome dentro da própria pesquisa sobre times de engenharia: o padrão mais consistente observado em squads técnicas é júnior superestimando a si mesmo, sênior subestimando a si mesmo. E aí mora um problema de liderança sério, porque quem fala mais alto numa reunião normalmente não é quem sabe mais.Onde isso quebra decisões de gestão, com dados1. A promoção do melhor performer técnico é estatisticamente uma aposta ruimExiste uma pesquisa publicada na Harvard Business Review, conduzida por pesquisadores de Minnesota, MIT e Chicago Booth, que analisou dados de mais de 53 mil vendedores e 1.500 promoções em 214 empresas ao longo de seis anos. O achado é desconfortável pra quem lidera times técnicos: quanto melhor o vendedor era na função individual, pior ele se saía como gestor depois de promovido, e cada nível a mais de performance em vendas se correlacionava com queda mensurável na performance do time depois da promoção.Isso não é sobre vendas. É sobre o critério de promoção que praticamente toda empresa de tecnologia usa: promover o melhor engenheiro individual pra virar tech lead ou engineering manager, presumindo que competência técnica prevê competência de gestão. Os próprios pesquisadores nomeiam esse padrão de forma direta: empresas tendem a promover os melhores vendedores mesmo eles se tornando os piores gestores. A pesquisa é sobre vendas porque o dataset existia pra vendas, mas o mecanismo por trás, confundir performance individual com potencial de liderança, é exatamente o mesmo mecanismo que move promoções em engenharia.2. Gestores também sofrem do efeito, inclusive (e principalmente) em temas técnicos como IAUm estudo publicado em 2026 na European Management Review testou diretamente se gestores estão sujeitos ao efeito Dunning-Kruger, especificamente no domínio de transformação digital. A resposta foi sim, nos dois sentidos: parte dos gestores com exposição superficial a IA (conhecer os termos, ter usado uma ferramenta algumas vezes) superestimava sistematicamente sua real competência no tema, enquanto gestores com exposição mais profunda tendiam a se avaliar de forma mais conservadora, justamente por entenderem a complexidade real do problema.Isso é especialmente perigoso agora, porque decisões de investimento em IA dentro das empresas, quanto automatizar, o que terceirizar pra um agente, quando cortar headcount, estão sendo tomadas por gestores cuja confiança no tema muitas vezes não reflete competência real sobre ele.A IA não está resolvendo o problema. Está acelerando ele.Antes de 2023, o efeito Dunning-Kruger em desenvolvimento de software tinha um corretivo natural embutido: o vale do desespero. Você tentava construir algo complexo sozinho, batia de frente com sua própria falta de conhecimento, sentia a dor de não saber, e essa dor forçava aprendizado real. Era desconfortável, mas funcionava como mecanismo de calibração.Ferramentas de IA generativa removeram boa parte desse atrito, e a remoção do atrito removeu junto o mecanismo de correção. Se o código não funciona, a IA explica o erro. Se precisa refatorar, ela sugere o diff. Se falta contexto, ela resume a documentação inteira em segundos. O resultado é uma sensação contínua de "está funcionando" sem nunca passar pelo vale que costumava ensinar humildade técnica de verdade.Isso não é intuição solta. Um estudo publicado na revista científica Computers in Human Behavior em 2026 mediu exatamente essa desconexão: pessoas que usam IA em tarefas cognitivas relatam notas de autoavaliação mais altas depois de completar a tarefa do que pessoas que fazem a mesma tarefa sem IA, mesmo quando a qualidade objetiva do resultado não justifica essa diferença de confiança. A IA está tornando as pessoas mais capazes na tarefa pontual, sem torná-las mais sábias sobre os próprios limites.Existe até uma pergunta simples que separa quem realmente absorveu conhecimento de quem só absorveu velocidade: se você não consegue explicar a solução de forma convincente com a ferramenta fechada, você ainda não é dono dela, só usou emprestado por alguns minutos.O efeito colateral mais sério disso é organizacional, não individual. Uma equipe cheia de gente confiante numa tarefa que, na prática, só sabe operar dentro do que a IA sugere, tem uma aparência de competência elevada até o dia em que precisa lidar com algo fora do script, um incidente em produção, uma decisão de arquitetura sem precedente, uma negociação técnica com o cliente. Nesse momento, a diferença entre "sei fazer" e "sei prompt" fica cara.O que isso muda na prática pra quem lideraPare de usar confiança como proxy de competência em decisões de promoção. O caso das vendas na HBR é o exemplo mais bem documentado que existe de como esse atalho mental custa caro. Antes de promover o engenheiro mais confiante ou mais vocal pra uma posição de liderança técnica, vale perguntar: essa pessoa demonstrou competência em coordenar, delegar e desenvolver outras pessoas, ou só demonstrou competência em código?Trate silêncio ou cautela como possível sinal de expertise, não de fraqueza. Se o padrão comprovado é júnior superestimando e sênior subestimando, a pessoa mais hesitante na sala em discutir um tema técnico complexo pode ser exatamente quem entende melhor os riscos. Vale criar espaço explícito pra essa voz, porque ela não vai competir naturalmente com quem fala mais alto e mais rápido.Audite decisões de adoção de IA pela profundidade real de quem está decidindo, não pela familiaridade percebida. Se a pessoa que está decidindo cortar headcount ou automatizar um processo tem só exposição superficial à ferramenta, o risco de decisão mal calibrada é estruturalmente mais alto, segundo o próprio estudo sobre gestores e transformação digital.Construa o "vale do desespero" de volta, de forma deliberada. Times que usam IA de forma saudável continuam praticando resolver problemas do zero, sem assistência, com alguma frequência, exatamente pra manter viva a calibração entre confiança e competência real. Não é nostalgia por sofrimento, é manutenção de um sistema de feedback que naturalmente se perdeu.O insight que ficaO efeito Dunning-Kruger nunca foi sobre pessoas burras que acham que são espertas. É sobre um mecanismo cognitivo universal, presente em qualquer pessoa entrando em qualquer domínio nunca antes mapeado, que fica perigoso quando uma organização inteira constrói decisões de contratação, promoção e investimento em cima de confiança visível em vez de competência verificada.A tecnologia não vai resolver isso. Pelo contrário: ferramentas de IA generativa tiraram o atrito que, sem querer, funcionava como sistema de calibração pra gente inteira do mercado. Quem lidera equipe técnica agora tem uma responsabilidade que não existia com a mesma urgência há cinco anos: desenhar processos de decisão, promoção e avaliação que compensem ativamente esse viés, em vez de reforçá-lo.Porque a pergunta que realmente importa nunca foi "essa pessoa parece confiante". Sempre foi "essa pessoa consegue provar que sabe, sem precisar de mais ninguém, nem de mais nada, pra sustentar a resposta".

O efeito Dunning-Kruger não é sobre os outros. É sobre decisões de liderança em tech.

A discussão sobre armas autônomas deixou de pertencer exclusivamente aos estrategistas militares e passou a integrar um problema maior de governança tecnológica: quem responde quando uma decisão de vida ou morte é produzida por um sistema que nenhum ser humano escolheu individualmente no momento do ataque? A pergunta parece militar, mas sua estrutura é profundamente administrativa. Ela envolve delegação de autoridade, gestão de riscos, supervisão, accountability, controles internos e limites para decisões automatizadas.O problema ganha urgência porque a autonomia tecnológica avança mais rapidamente que a construção de mecanismos internacionais de controle. Em 2026, o Grupo de Peritos Governamentais da Convenção sobre Certas Armas Convencionais continua trabalhando sobre os elementos de um possível instrumento internacional, com nova sessão prevista para 31 de agosto a 4 de setembro e a Conferência de Revisão da Convenção marcada para novembro.A questão, portanto, não é simplesmente se máquinas podem decidir. É se uma organização pode legitimamente delegar a uma máquina uma decisão que, por sua própria natureza, exige responsabilidade humana.Autonomia não é apenas automaçãoUma arma automatizada executa uma função previamente delimitada. Uma arma autônoma, em sentido relevante para o debate jurídico contemporâneo, pode selecionar e engajar alvos sem intervenção humana adicional depois de ativada. O Comitê Internacional da Cruz Vermelha identifica justamente essa autonomia nas funções críticas de seleção e aplicação da força como núcleo do problema.A distinção é decisiva para a Administração.Automatizar uma decisão não significa necessariamente transferir responsabilidade. Delegar uma decisão a um sistema capaz de produzir resultados não antecipados é diferente. No primeiro caso, o algoritmo executa uma política. No segundo, a própria execução pode produzir uma escolha operacional que o decisor humano não determinou individualmente.Essa diferença também aparece fora do campo militar. Organizações já utilizam sistemas para crédito, recrutamento, detecção de fraude, segurança, logística e avaliação de riscos. A questão das armas autônomas radicaliza o problema porque revela seu limite extremo: há decisões que não podem ser tratadas apenas como problemas de eficiência computacional.O Direito já impõe limites antes de existir uma nova lei específicaNão existe atualmente uma regra internacional única e específica que resolva todo o problema das armas autônomas. Isso, porém, não significa ausência de Direito.O artigo 36 do Protocolo Adicional I às Convenções de Genebra estabelece a obrigação de verificar, no estudo, desenvolvimento, aquisição ou adoção de novas armas, meios ou métodos de guerra, se seu emprego seria proibido pelo próprio Protocolo ou por outras normas internacionais aplicáveis.Essa obrigação desloca a discussão para um ponto fundamental de governança: a legalidade precisa entrar no ciclo de vida da tecnologia, e não aparecer apenas depois do dano.A revisão jurídica de uma arma autônoma, portanto, não pode ser tratada como mera formalidade documental. Deve considerar previsibilidade, ambiente operacional, tipos de alvo, duração da operação, possibilidade de intervenção humana, limitações técnicas e capacidade efetiva de cumprir as regras de distinção, proporcionalidade e precauções no ataque.O próprio CICV sustenta que o Direito Internacional Humanitário continua aplicável às novas tecnologias de guerra e que o problema central consiste em assegurar que os sistemas possam operar em conformidade com essas normas.A tese da eficiência e o problema da responsabilidadeHá uma antítese importante.Defensores da autonomia militar podem sustentar que seres humanos também erram, sofrem fadiga, medo, vieses cognitivos e limitações perceptivas. Sistemas computacionais podem processar grandes volumes de informação, reagir rapidamente e, em determinadas circunstâncias, executar tarefas com maior consistência.Esse argumento não é juridicamente irrelevante. Uma governança responsável não pode presumir que toda decisão humana seja superior a toda decisão algorítmica.Mas existe um problema que a eficiência não resolve: quem responde pela decisão?Uma máquina não pode ser transformada em sujeito moral ou jurídico simplesmente porque produziu autonomamente determinado resultado. O sistema não possui mandato político, responsabilidade jurídica ou capacidade institucional de prestar contas. A responsabilidade permanece distribuída entre aqueles que projetaram, adquiriram, autorizaram, programaram, supervisionaram e empregaram a tecnologia.É exatamente essa dificuldade que torna inadequada a ideia de que o algoritmo poderia funcionar como uma espécie de “responsável operacional”. O CICV enfatiza que as obrigações do Direito Internacional Humanitário não podem ser transferidas para uma máquina ou programa.O paradoxo da delegaçãoToda organização conhece o princípio da delegação. Conselhos delegam poderes a executivos; executivos a gestores; gestores a equipes; equipes a sistemas.Mas delegação legítima pressupõe controle.É possível delegar uma tarefa sem delegar integralmente a responsabilidade por seus efeitos. O problema surge quando a organização transfere para o sistema não apenas a execução, mas também a capacidade material de determinar o resultado.É nesse ponto que proponho o conceito de paradoxo da delegação letal: quanto maior a autonomia de um sistema sobre uma decisão irreversível, maior deve ser, e não menor, a exigência de governança humana sobre sua concepção, autorização, operação e responsabilização.Como bem aponta Northon Salomão de Oliveira: “Quanto maior a autonomia concedida à máquina sobre uma decisão irreversível, maior deve ser a responsabilidade humana sobre o sistema que tornou essa decisão possível.”A proposição tem consequência administrativa direta. A autonomia não deve ser avaliada apenas pelo ganho operacional que produz, mas também pela quantidade de poder decisório que desloca para fora do julgamento humano.Governança de risco: do algoritmo à cadeia de responsabilidadeO debate sobre armas autônomas oferece uma lição extraordinariamente útil para empresas e instituições.Um sistema de governança tecnológica minimamente robusto deveria responder, antes da implantação de qualquer sistema de alto impacto:- quem autorizou o sistema;- quais decisões podem ser automatizadas;- quais decisões permanecem obrigatoriamente humanas;- quais são os limites territoriais, temporais e operacionais;- quais variáveis podem alterar o comportamento do sistema;- como a organização detectará comportamento inesperado;- quem pode interromper a operação;- quais registros permitirão reconstruir uma decisão;- quem será responsabilizado por falhas;- e em quais circunstâncias o sistema deve ser retirado de operação.No campo militar, essas perguntas adquirem consequências extremas. Mas a arquitetura de governança é reconhecível em qualquer organização complexa.A verdadeira maturidade tecnológica não consiste em eliminar seres humanos do processo decisório. Consiste em saber exatamente onde a máquina pode decidir, onde deve apenas recomendar e onde jamais deve decidir sozinha.O debate internacional chegou a um ponto de inflexãoO cenário internacional demonstra que a controvérsia não está resolvida.O Pacto para o Futuro, adotado pelas Nações Unidas em 2024, estabeleceu como objetivo concluir até 2026 um instrumento juridicamente vinculante para proibir sistemas autônomos que selecionem alvos e apliquem força sem controle humano e regulamentar os demais sistemas para assegurar sua conformidade com o Direito Internacional Humanitário.Em 2025, António Guterres reiterou a defesa de um instrumento juridicamente vinculante e afirmou que decisões de vida ou morte não devem ser delegadas a máquinas.Ao mesmo tempo, o processo negociador permanece aberto. Na sessão de março de 2026 do Grupo de Peritos da CCW, os Estados continuaram discutindo elementos de um possível instrumento, inclusive conceitos relacionados a julgamento e controle humanos contextualizados. A segunda sessão de 2026 está programada para ocorrer entre 31 de agosto e 4 de setembro.O CICV, por sua vez, defende novas regras juridicamente vinculantes, incluindo a proibição de sistemas imprevisíveis e de sistemas destinados ou utilizados para aplicar força diretamente contra pessoas, além de restrições rigorosas para sistemas que não sejam proibidos.O conflito normativo, portanto, não é simplesmente entre tecnologia e Direito. É entre diferentes concepções de quanto risco uma sociedade está disposta a aceitar quando a eficiência tecnológica entra em contato com o poder de matar.A lição para empresas e administradoresEmbora armas autônomas pertençam ao domínio militar, sua estrutura decisória antecipa problemas que organizações privadas e públicas já enfrentam.Quanto maior o impacto de uma decisão automatizada, maior deve ser a preocupação com supervisão, explicabilidade, rastreabilidade, intervenção e responsabilização.A empresa que utiliza inteligência artificial para decidir crédito, contratação, demissão, segurança ou distribuição de recursos talvez não esteja diante de um problema comparável à guerra. Mas está diante da mesma questão estrutural: qual é o limite legítimo da delegação decisória a sistemas que seus próprios usuários podem não compreender integralmente?A experiência das armas autônomas demonstra que governança não começa quando ocorre o incidente. Começa na arquitetura do sistema.Isso exige uma mudança de mentalidade administrativa: tecnologia de alto impacto deve ser governada como infraestrutura crítica de decisão, e não simplesmente adquirida como ferramenta operacional.Síntese: a eficiência não pode substituir a responsabilidadeA tese de que máquinas podem aumentar precisão e velocidade possui fundamento operacional. A antítese revela, contudo, que precisão técnica não equivale automaticamente a legitimidade jurídica ou responsabilidade institucional.A síntese está em outro lugar.O problema não é escolher entre “homem” e “máquina”. É construir uma arquitetura na qual a autonomia tecnológica permaneça subordinada a limites jurídicos, finalidade legítima, supervisão proporcional ao risco e uma cadeia identificável de responsabilidade.Nas armas autônomas, essa exigência assume sua forma mais radical porque o erro pode ser irreversível. Mas o princípio é muito mais amplo: quanto maior o poder delegado a uma tecnologia, maior deve ser a qualidade da governança que permanece sobre ela.O futuro da tomada de decisão não será definido apenas pela capacidade das máquinas de decidir. Será definido pela capacidade das instituições de estabelecer quais decisões nunca devem deixar de ser humanas.E talvez essa seja a verdadeira fronteira da governança algorítmica: não descobrir até onde a máquina consegue decidir, mas determinar até onde uma sociedade juridicamente organizada aceita que ela decida.

A Teoria do Cavalo Morto: Quando Insistir Deixa de Ser Estratégia e Vira Desperdício

Danillo Parron

O que um Shark procura antes de investir em um empreendedor | Café com ADM #512

O que um Shark procura antes de investir em um empreendedor | Café com ADM #512

Sobre o autor

Danillo Parron

Seja Premium e tenha acesso ao nosso arsenal de cursos

Mais artigos deLiderança e Inteligência Emocional

Empresas e Inteligência Artificial: é possível delegar decisões sem delegar responsabilidade?

O efeito Dunning-Kruger não é sobre os outros. É sobre decisões de liderança em tech.

Quando a Máquina Decide Matar: Armas Autônomas, Governança de Risco e o Futuro da Tomada de Decisão