Por que alguns abraçam a IA e outros resistem

A adoção de inteligência artificial não é apenas uma questão de acesso ou treinamento - é uma interseção complexa entre personalidade, capacidade de aprendizado e contexto profissional

Uma Transformação em Velocidades Diferentes

Na Starian, tomamos uma decisão estratégica no último ano: a de nos tornarmos IA first. Investimos em capacitação estruturada, criamos trilhas de nivelamento para todos os papéis e implementamos ferramentas especializadas de IA para diversos processos. Este ano, demos um passo além - integramos IA em cada etapa do ciclo de vida de desenvolvimento de produtos, garantindo que cada profissional tenha assistentes especializados para seu contexto específico.

Investimos de forma substancial e nos comprometemos, enquanto líderes, de forma genuína.

Olhamos os dashboards de gestão dessas ferramentas, e a história que os dados contam é heterogênea. Alguns profissionais usam IA na maior parte das suas tarefas. Outros, com acesso idêntico, raramente abrem a ferramenta.

Não é falta de acesso: todos têm as mesmas credenciais, os mesmos treinamentos, os mesmos incentivos. Não é falta de comunicação: reforçamos a mensagem constantemente. Tampouco é falta de exemplos: compartilhamos internamente os casos de sucesso.

O que explica essa variação? Por que, mesmo quando removemos todas as barreiras óbvias, algumas pessoas mergulham e outras resistem?

A resposta não está nos dashboards de ferramentas. Está em algo mais fundamental sobre como funcionamos, aprendemos e mudamos. Entender isso pode mudar sua abordagem como líder de tecnologia.

O Primeiro Filtro: Abertura a Experiências

Imagine duas desenvolvedoras recebendo acesso ao mesmo assistente de IA para programação. A primeira, ao final do dia, já testou cinco formas diferentes de usar a ferramenta, quebrou algumas coisas, achou soluções criativas e está animada. A segunda leu a documentação, assistiu a um tutorial, mas ainda não escreveu a primeira linha de código com a ferramenta.

A diferença não está na capacidade técnica. Está em algo que os psicólogos chamam de "abertura a experiências", um dos cinco grandes traços de personalidade (Big Five) que definem como interagimos com o mundo.

Pessoas com alta abertura são naturalmente curiosas, buscam novidades, toleram ambiguidade e não têm medo de errar durante a experimentação. Quando você oferece uma nova tecnologia a alguém assim, a pergunta mental não é "será que isso funciona?" mas sim "o que eu posso descobrir com isso?".

No extremo oposto, pessoas com baixa abertura preferem o familiar, valorizam processos estabelecidos e sentem desconforto diante de ferramentas que ainda não têm regras claras de uso. Para esse perfil, a IA generativa é especialmente desafiadora porque não há "um jeito certo" de usá-la. Cada prompt é uma negociação, cada resultado é probabilístico, cada sessão é diferente da anterior.

Esse traço de personalidade funciona como o primeiro filtro na adoção de IA. Não importa quão persuasivo seja seu argumento sobre ganhos de produtividade - se a pessoa não tem inclinação natural para experimentar, ela vai adiar, racionalizar e, eventualmente, resistir.

Contudo, abertura a experiências não é destino. Contexto e segurança psicológica importam. Uma cultura que celebra a experimentação e não pune o erro pode deslocar esse filtro significativamente. Mas primeiro precisamos reconhecer que ele existe.

O Segundo Filtro: Capacidade de Aprendizado

Mesmo entre pessoas com alta abertura, há uma segunda barreira: a capacidade de extrair valor rapidamente da experimentação.

Aqui precisamos desconstruir um mito perigoso: não, você não precisa ser "técnico" ou ter QI elevado para dominar IA. A relação entre capacidade cognitiva e adoção de IA é mais sutil e envolve cinco dimensões distintas.

A primeira é a inteligência fluida - sua capacidade de resolver problemas novos, reconhecer padrões e entender conceitos abstratos. Isso ajuda quando você precisa intuir como um modelo de linguagem "pensa", ou quando tenta depurar por que um prompt não está gerando o resultado esperado. Mas essa dimensão, sozinha, é superestimada.

A segunda dimensão é o mindset de crescimento. A psicóloga Carol Dweck popularizou este conceito em seu best seller Mindset: a nova psicologia do sucesso (link pago). É a crença fundamental de que suas habilidades podem ser desenvolvidas através de esforço e prática. Alguém com mindset de crescimento vê um resultado ruim da IA e pensa "preciso melhorar meu prompt". Alguém com mindset fixo vê o mesmo resultado e conclui "essa ferramenta não funciona" ou pior, "eu não sou bom nisso".

A terceira dimensão é a garra. Relacionada ao mindset, mas distinta, garra é a combinação de paixão e perseverança em direção a objetivos de longo prazo. A professora de psicologia Angela Duckworth detalha o conceito em seu livro Garra: O poder da paixão e da perseverança (link pago). Duckworth descobriu que esforço conta em dobro: transforma talento em habilidade e habilidade em conquista. No contexto de IA, garra é o que mantém você experimentando mesmo quando os primeiros dez prompts falharam. É a resistência emocional para continuar iterando quando seus colegas já desistiram.

A diferença entre mindset de crescimento e garra é sutil mas importante. Mindset é sobre acreditar que você pode melhorar. Garra é sobre realmente fazer o trabalho duro e repetitivo necessário para melhorar, mesmo quando não é divertido. Você pode ter mindset de crescimento mas desistir quando as coisas ficam difíceis. Garra é a persistência além do desconforto.

A quarta dimensão é a capacidade de desaprender e repensar, conceito que Adam Grant explora profundamente em seu livro Pense de Novo: O poder de saber o que você não sabe (link pago). Grant argumenta que a habilidade cognitiva mais valiosa em um mundo em mudança não é aprender mais rápido - é desaprender e questionar o que você já sabe. Ele distingue entre três mentalidades limitantes que assumimos frequentemente: pastor (pregando nossas crenças), advogado (defendendo nossas posições) e político (buscando aprovação). A mentalidade ideal é a do cientista - questionando hipóteses, testando ideias, atualizando crenças com base em evidências.

Para adotar IA efetivamente, você precisa abandonar workflows que dominou por anos. Precisa aceitar que a forma como sempre trabalhou pode não ser a melhor forma agora. Isso exige o que Grant chama de "humildade confiante" - acreditar na própria capacidade de aprender enquanto questiona se possui as ferramentas certas para o problema atual.

A quinta dimensão é a autoeficácia tecnológica - sua crença em sua capacidade de usar tecnologia com sucesso. Isso é parcialmente independente de QI, mindset e garra. Você pode ser inteligente, ter mindset de crescimento, e ser persistente, mas se passou anos ouvindo que "não é bom com computadores", essa crença sabota sua disposição de tentar.

Na prática, alguém com capacidade técnica moderada mas mindset de crescimento forte, garra alta e disposição para repensar seus métodos supera colegas objetivamente mais inteligentes. Por quê? Porque essa pessoa praticará mais. Iterará mais. Falhará mais vezes e aprenderá com cada falha. Questionará suas próprias suposições sobre "a forma certa de trabalhar". Persistirá quando outros desistem.

Essas dimensões se entrelaçam. A inteligência fluida acelera o aprendizado inicial. O mindset de crescimento determina se você acredita que pode melhorar. A garra determina quanto você realmente pratica. A capacidade de repensar determina se você consegue abandonar métodos antigos. A autoeficácia determina se você começa. Juntas, elas formam o segundo filtro da adoção.

A Urgência Profissional

Há uma dimensão que complica esse modelo psicológico: incentivos externos podem compensar baixa abertura natural.

Quando sua relevância profissional está em jogo, até pessoas com baixa abertura encontram motivação para superar desconforto inicial.

Isso explica padrões interessantes de adoção. Desenvolvedores adotaram rápido porque viram colegas ganhando produtividade imediata. Escritores resistiram até perceberem que não seria substituição, mas amplificação.

Para líderes, isso sugere uma estratégia: não venda IA como "inovação legal". Venda como vantagem competitiva tangível. Mostre não o que a IA pode fazer em geral, mas o que ela pode fazer especificamente para aquele papel, aquele desafio, aquela pessoa.

A Curva de Adoção: Por Que Você Não Está Sozinho

Se você plotar a adoção de qualquer tecnologia ao longo do tempo, obtém uma curva em S. Começa devagar com os inovadores, acelera com a maioria inicial, e eventualmente satura quando até os retardatários finalmente adotam.

Mas se você congelar esse processo em um momento específico e perguntar "quem já adotou e quem ainda não?", a distribuição de pessoas segue aproximadamente uma curva normal - a famosa curva de sino.

Everett Rogers, sociólogo que estudou difusão de inovações por décadas, categorizou essas populações: 2,5% são inovadores, 13,5% são early adopters, 34% formam a maioria inicial, outros 34% a maioria tardia, e 16% são retardatários.

O que determina em qual categoria você cai? Exatamente os dois filtros que discutimos. Alta abertura mais alta capacidade de aprendizado coloca você entre os inovadores. Baixa abertura mais barreiras ao aprendizado empurra você para os retardatários. A maioria fica no meio.

Isso tem implicações práticas importantes. Primeiro, se você é líder e sente que "ninguém está usando", provavelmente está errado. Estatisticamente, 16% do seu time já está usando intensamente - eles só não falam sobre isso em todas as reuniões. Outros 34% estão experimentando casualmente.

Segundo, não há nada de errado em estar na maioria tardia. A sociedade celebra early adopters, mas há valor real em ser criterioso. Retardatários, por outro lado, eventualmente enfrentarão custos crescentes de não-adoção.

Terceiro, se você é líder, precisa calibrar suas expectativas. Você não vai conseguir adoção uniforme em três meses. Transformações podem levar anos, não trimestres. Seu trabalho é facilitar a jornada de cada segmento, não forçar todos a moverem no mesmo ritmo.

Nossa Jornada: De IA Aware para IA First

Quando iniciamos nossa transformação, éramos "IA aware" - sabíamos que IA existia, alguns experimentavam ocasionalmente, mas não fazia parte sistemática do nosso trabalho. Era uma ferramenta opcional, não um componente estrutural.

O primeiro ano foi sobre sair desse estado. Criamos trilhas básicas de capacitação para nivelar conhecimento sobre o que IA pode e não pode fazer. Desmistificamos. Mostramos exemplos. Demos acesso universal. O objetivo era transformar toda a empresa em "IA aware" consistente.

Funcionou parcialmente. A consciência aumentou. O uso ocasional cresceu. Mas permanecíamos fundamentalmente no mesmo paradigma - pessoas que usavam IA como complemento, não como base.

Este ano, demos um salto em direção a "IA first" - um mindset onde IA se torna o primeiro recurso de resolução de problemas, não uma alternativa. Reestruturamos processos assumindo que IA existe. Integramos ferramentas especializadas em cada etapa do ciclo de desenvolvimento. Não estamos perguntando mais "onde podemos usar IA?" mas sim "o que apenas humanos podem fazer que IA não consegue?".

A inversão é sutil mas profunda. Estamos evoluindo em um processo em que desenvolvedores não escrevem código e depois testam com IA - eles geram esqueletos com IA e refinam manualmente onde precisam. Designers não criam mockups e depois pedem variações para IA - começam com IA gerando múltiplas direções e escolhem qual explorar. Product managers não escrevem documentação e depois usam IA para melhorar - delegam a primeira versão para IA e focam em adicionar contexto estratégico que só eles têm.

Esse é o mindset IA first. Os dashboards confirmam: temos um grupo crescente operando nesse nível. Também temos um percentual em transição - usando IA regularmente mas não sistematicamente. Ainda trabalham da forma antiga e adicionam IA quando lembram. E temos aqueles com uso muito baixo, apesar de todo acesso e treinamento.

O que aprendemos observando essa distribuição: você não pode forçar a jornada de IA aware para IA first. É uma evolução que passa por estágios: experimentação curiosa, uso ocasional, uso frequente, dependência, redesenho de processos. Tentar pular etapas gera resistência.

IA first não é para todos, pelo menos não imediatamente. Funciona melhor para quem já tem expertise sólida no domínio - porque precisam validar outputs. É arriscado para iniciantes que ainda não desenvolveram intuições fundamentais. Se você sempre delega código para IA, pode perder capacidade de debugar problemas complexos ou entender trade-offs arquiteturais profundos.

Sua estratégia para adoção de IA deve ser dupla. Primeiro, acelerar a jornada dos que estão prontos - dar mais autonomia, mais ferramentas avançadas, espaço para experimentação radical. Eles são os tradutores, evangelizando de dentro para fora. Segundo, criar pontos de entrada mais suaves para os que estão travados - aplicações práticas específicas, mentorias, pequenas vitórias.

E aceitar as variação. Pois estamos lidando com humanos, não máquinas.

Implicações Práticas para Líderes

Se você lidera times e quer acelerar adoção de IA, precisa parar de tratar isso como problema de treinamento uniforme e começar a pensar em jornadas diferenciadas.

Para pessoas com alta abertura mas baixa capacidade de aprendizado inicial: ofereça estrutura. Elas vão experimentar naturalmente, mas podem se perder sem direção. Crie tutoriais progressivos, sessões de pair programming com IA, mentorias específicas. O entusiasmo já existe, só precisa ser canalizado.

Para pessoas com baixa abertura mas alta capacidade: mostre aplicações práticas concretas primeiro. Não fale sobre potencial teórico. Diga "use isso para escrever testes unitários" ou "use isso para gerar documentação de API". Assim que virem valor tangível, a resistência inicial diminui porque não é mais "novidade pela novidade". Use urgência profissional como catalisador - mostre como colegas estão ganhando vantagem competitiva.

Para pessoas com baixa abertura e baixa capacidade: comece micro e celebre pequenas vitórias. Peça para usarem IA para uma tarefa minúscula e repetitiva. Quando funcionar, reconheça publicamente. Construa autoeficácia gradualmente. Não force, não apresse. Crie opcionalidade - situações de baixo risco onde podem experimentar sem medo de grandes falhas.

Para pessoas com garra mas sem direção: canalize a persistência delas. Essas pessoas vão iterar incansavelmente, mas podem desperdiçar energia sem feedback estruturado. Dê metas claras de progressão, checkpoints regulares, feedback sobre o que está funcionando.

Para pessoas presas em workflows antigos: ajude-as a desenvolver mentalidade científica. Não force mudança. Convide-as a "testar uma hipótese" - usar IA em um projeto pequeno como experimento. Frame como ciência, não como abandono de métodos comprovados. Quando o experimento funcionar, elas mesmas vão questionar suposições antigas.

E reconheça que forçar adoção uniforme é contraproducente. Você não precisa de 100% do time usando IA amanhã. Você precisa de massa crítica - cerca de 20% - que usa consistentemente e evangeliza naturalmente. Esses early adopters se tornam tradutores entre a tecnologia e os céticos. São mais críveis que qualquer apresentação sua.

Invista neles. Dê tempo para explorarem. Peça para compartilharem descobertas. Crie espaços seguros onde pessoas podem admitir confusão sem julgamento. Transformação cultural acontece de baixo para cima, não de cima para baixo.

Adoção como Jornada, Não Evento

A pergunta que você deveria fazer não é "meu time está usando IA?", mas "como posso facilitar a jornada de cada pessoa considerando seu ponto de partida?".

Algumas pessoas vão chegar lá rápido porque têm personalidade exploradora e aprendem por tentativa e erro. Outras precisam de mais estrutura, mais exemplos, mais validação. Algumas simplesmente precisam entender por que isso importa para o trabalho delas especificamente.

Todas essas jornadas são válidas.

Transformação tecnológica é, fundamentalmente, transformação humana. E humanos não mudam por decreto ou apresentação de PowerPoint. Mudam quando sentem segurança para experimentar, quando veem pares obtendo resultados, quando descobrem que podem aprender algo que parecia inacessível.

A IA vai ser adotada. A questão não é se, é quando e como. Líderes que entendem os filtros psicológicos, que respeitam diferentes velocidades de aprendizado, que criam culturas de experimentação segura - esses líderes vão facilitar jornadas mais rápidas e menos dolorosas.

Olhando nossos dashboards hoje, não temos frustração com a variação. Enxergamos um mapa de jornadas em andamento. Alguns já chegaram ao destino IA first. Muitos estão no caminho. Alguns ainda estão decidindo se querem embarcar.

Como líderes de tecnologia, nosso trabalho não é forçar todos para o mesmo lugar no mesmo tempo. É garantir que cada pessoa tenha o suporte certo para sua jornada específica.

E monitorar se estamos, coletivamente, avançando.

Observação: Como Associado/Influenciador Amazon, eu ganho com compras qualificadas.