Abertura Editorial
A inteligência artificial nunca esteve tão próxima do centro do poder corporativo e, paradoxalmente, nunca pareceu tão mal governada.
Nos últimos meses, saídas de líderes, reestruturações silenciosas e conflitos internos em gigantes como Amazon e Meta não soam como exceção. Soam como padrão. A IA deixou de ser um projeto promissor e virou infraestrutura crítica, mas as empresas que a controlam ainda tentam liderá-la com modelos de gestão desenhados para outra era.
O resultado é um paradoxo incômodo: quanto mais estratégica a IA se torna, menos alguém parece realmente no comando.
História Principal
Por que liderar IA virou um problema estrutural, não executivo
A crise de liderança em IA não nasce da falta de gente brilhante. Pelo contrário: nunca houve tantos talentos técnicos de alto nível dentro das Big Tech. O problema é outro, mais profundo e menos confortável de admitir.
A liderança em IA falha porque existe uma incompatibilidade estrutural entre a forma como a IA precisa ser governada e a forma como a maioria das empresas foram historicamente organizadas.
A IA exige decisões que atravessam, ao mesmo tempo:
cultura organizacional,
produto e experiência do usuário,
infraestrutura e custo computacional,
ética, reputação e risco regulatório,
e, em casos mais extremos, geopolítica e soberania tecnológica.
Ainda assim, dentro das Big Tech, essas decisões continuam fragmentadas em silos que competem entre si:
Pesquisa responde a incentivos acadêmicos e prestígio técnico.
Produto responde a métricas de adoção e monetização.
Cloud responde a margem e escala.
O board responde ao mercado e ao curto prazo.
Essas lógicas não apenas divergem, elas entram em conflito direto. É desse atrito que nascem os paradoxos centrais da liderança em IA.
IA é estratégica demais para errar, mas complexa demais para ser controlada
Na teoria, conselhos e CEOs dizem que IA é “prioridade máxima”.
Na prática, exigem dela o mesmo que exigem de qualquer outro produto: previsibilidade, velocidade e retorno mensurável.
O problema é que modelos de IA não amadurecem no ritmo dos relatórios trimestrais.
Um exemplo claro veio da própria indústria de modelos fundacionais. Reportagens da MIT Technology Review mostraram como a pressão por lançar modelos cada vez mais rápido vem encurtando ciclos de teste, avaliação de segurança e validação externa, especialmente em modelos de larga escala. Isso aumenta riscos técnicos e também riscos reputacionais, porque falhas agora são públicas, amplificadas e difíceis de conter.
Em outras palavras:
o board exige controle,
a tecnologia exige tolerância ao erro,
e a liderança fica presa no meio, prometendo algo que estruturalmente não consegue entregar.
Os líderes que mais entendem de IA são os que menos mandam
Outro paradoxo recorrente: conhecimento não equivale a poder.
Pesquisadores seniores entendem profundamente:
limitações dos modelos,
riscos de vieses,
trade-offs entre performance, custo e segurança.
Mas, na maior parte das grandes empresas, eles não controlam orçamento, headcount nem prioridade estratégica.
Já os executivos com poder decisório frequentemente operam com abstrações simplificadas: “escala”, “disrupção”, “time-to-market”. Não por incompetência individual, mas porque o sistema os recompensa por resultados financeiros, não por rigor técnico.
O Financial Times já apontou esse desalinhamento ao analisar conflitos internos em grandes laboratórios corporativos de IA: o problema não é falta de talento, mas falta de autoridade real para quem entende as consequências das decisões.
O resultado é previsível:
quem entende os riscos não decide;
quem decide não entende completamente os riscos.
Esse problema não se resolve colocando pesquisadores em cargos executivos nem pedindo que executivos “aprendam IA”. Na prática, isso quase nunca funciona. O que funciona é redistribuir poder de decisão de maneira explícita, aceitando que liderança em IA é, por definição, compartilhada e tensionada.
O primeiro passo é separar autoridade técnica de autoridade operacional. Quem entende profundamente de modelos precisa ter a palavra final sobre arquitetura, limites de uso e riscos técnicos mínimos. Isso não significa que essa pessoa defina preço, marketing ou timing comercial. Significa apenas que decisões tecnicamente inviáveis ou perigosas não possam ser ignoradas sem consequência. Quando esse veto técnico não existe de forma formal, ele é exercido de maneira informal — e quase sempre tarde demais.
Para que isso funcione, o custo de ignorar especialistas precisa ser visível. Se a liderança decide avançar apesar de alertas técnicos claros, essa decisão deve ser registrada, assumida e politicamente atribuída. Esse mecanismo não desacelera a empresa; ele elimina decisões tomadas por inércia ou por medo de contrariar expectativas de curto prazo. O problema atual não é excesso de cautela, mas excesso de decisões sem dono.
Nada disso se sustenta sem controle mínimo de recursos. Enquanto líderes técnicos dependerem de ciclos trimestrais e negociações constantes para manter pesquisa e infraestrutura, sua autoridade será sempre simbólica. Tratar IA como infraestrutura crítica exige orçamentos protegidos e previsibilidade mínima, justamente para evitar que escolhas técnicas sejam subordinadas a urgências comerciais momentâneas.
Por fim, há uma falha de tradução que não pode ser ignorada. Decisores não respondem a papers ou métricas abstratas; respondem a risco financeiro, reputacional e regulatório. Líderes de IA precisam ser apoiados, não cobrados isoladamente, a converter limitações técnicas em cenários concretos de impacto no negócio. Quando o custo da ignorância se torna explícito, o poder deixa de ser apenas hierárquico e passa a ser racional.
No fim, dar poder a quem entende de IA não é sobre criar novos cargos ou inflar organogramas. É sobre introduzir fricções institucionais saudáveis, onde ninguém decide sozinho, mas ninguém consegue decidir ignorando quem compreende as consequências. Menos glamour, mais governança. É assim que a liderança em IA deixa de ser decorativa e começa, de fato, a funcionar.
A cultura tech recompensa fragmentação, enquanto a IA exige centralização
Durante décadas, o Vale do Silício prosperou com:
autonomia radical dos times,
múltiplos experimentos em paralelo,
competição interna como motor de inovação.
Esse modelo funcionou muito bem para software tradicional.
Mas a IA opera sob outra lógica.
Sistemas de IA funcionam melhor quando:
dados são integrados,
arquitetura é coerente,
decisões são consistentes ao longo do tempo.
Quando cada time treina seus próprios modelos, define seus próprios critérios e protege seu próprio território, o que surge é escala sem coordenação.
O efeito prático disso é:
modelos redundantes,
custos inflados de infraestrutura,
decisões éticas inconsistentes,
e uma liderança incapaz de impor direção sem gerar resistência interna.
A cultura que antes acelerava a inovação passa a ser, silenciosamente, o gargalo da governança.
O resultado final: poder sem direção
Quando esses três paradoxos se combinam, o que emerge não é uma crise pontual, mas um padrão:
avanço técnico contínuo,
instabilidade organizacional,
e uma sensação difusa de que ninguém está realmente no comando.
Não porque faltem líderes competentes.
Mas porque o modelo de liderança ainda não evoluiu para lidar com sistemas que aprendem, erram e escalam mais rápido do que as próprias organizações.
3 Manchetes essenciais da semana (e por que elas importam)
→ As Big Tech enfrentam dificuldades para governar a IA em escala (Big Tech struggles to govern AI at scale) — Financial Times
O Financial Times aponta que o principal gargalo da IA nas grandes empresas não está na capacidade de pesquisa nem no volume de investimento, mas na incapacidade de governar sistemas que atravessam múltiplas áreas ao mesmo tempo. À medida que a IA se torna transversal — impactando produto, infraestrutura, compliance e reputação — os modelos tradicionais de tomada de decisão entram em colapso. O artigo sugere que o verdadeiro risco não é tecnológico, mas organizacional: empresas grandes demais para falhar estão se tornando lentas demais para decidir com coerência.
https://www.ft.com/artificial-intelligence
(O Financial Times vem publicando uma série contínua sobre governança, estrutura de poder e desafios organizacionais da IA nas Big Tech, especialmente Amazon, Meta, Google e Microsoft)
→ Por que as falhas de liderança em IA são estruturais, não pessoais (Why AI leadership failures are structural, not personal) — MIT Technology Review
A MIT Technology Review desmonta a narrativa conveniente de que falhas em IA são fruto de “lideranças erradas”. O argumento central é mais incômodo: o problema está no desenho das organizações, não nas pessoas. Estruturas criadas para software previsível não conseguem lidar com sistemas probabilísticos, opacos e em constante mutação. Trocar executivos, segundo a análise, vira um ritual simbólico que evita enfrentar o ponto real: a falta de modelos de governança compatíveis com IA em escala.
https://www.technologyreview.com/topic/artificial-intelligence/
(A MIT Tech Review tem abordado de forma consistente a tese de que os principais fracassos em IA são organizacionais e estruturais — não resultado de executivos individuais)
→ A cultura corporativa está se tornando o gargalo da IA (Corporate culture is becoming the bottleneck for AI) -Wired
A Wired vai direto ao ponto cultural. O que antes era força — autonomia radical, experimentação paralela, competição interna — agora se transforma em freio. A matéria mostra como culturas organizacionais desenhadas para “move fast” entram em choque com tecnologias que exigem coordenação, responsabilidade e decisões centralizadas. A conclusão é dura: a cultura que construiu o Vale do Silício pode ser a mesma que limita sua próxima fase.
https://www.wired.com/tag/artificial-intelligence/
(A Wired explora o impacto da cultura corporativa, incentivos internos e modelos de gestão como limitadores reais da evolução da IA)
Dica da Semana
Leitura: The Power Broker — Robert Caro
À primeira vista, este livro não tem nada a ver com inteligência artificial. E é exatamente por isso que ele é tão relevante. Caro mostra, em detalhes quase obsessivos, como o poder real se organiza longe dos cargos, dos discursos e das narrativas oficiais. O livro ensina uma lição essencial para o momento atual da IA: quem manda raramente é quem aparece no organograma. Para entender disputas silenciosas, vetos invisíveis e decisões que moldam sistemas inteiros, poucas obras são tão úteis quanto essa.
Fechamento Editorial
A pergunta “quem manda na IA?” continua sem resposta não porque faltem ambição ou talento, mas porque liderar sistemas inteligentes exige reinventar o próprio conceito de liderança. Não se trata mais de comando vertical, nem de consenso difuso — trata-se de governar complexidade sob incerteza permanente.
Enquanto esse modelo não emerge, veremos mais saídas estratégicas, mais conflitos internos e mais reorganizações anunciadas como visão — mas vividas, internamente, como sintoma.
A IA não está fora de controle.
As organizações é que ainda não aprenderam a conviver com algo mais poderoso do que seus próprios processos.