AI in management is transforming how businesses analyse data and explain complex events. But there is a problem: explanation is not the same as understanding. AI can generate insights instantly. What it cannot replace is structural thinking in management.
Sem ele, mesmo as ferramentas mais avançadas falham na produção de um impacto real.
Nada na vida corporativa é mais fácil de produzir do que uma explicação após o evento. Temos agora a IA para nos ajudar com essa nobre tradição.
Então, por que razão a gestão ainda necessita do pensamento estruturado? Porque os painéis de controlo (dashboards), as previsões e as ferramentas de IA descrevem sobretudo fluxos, enquanto o desempenho empresarial é frequentemente governado por inventários (stocks), restrições, ciclos de retroalimentação (feedback loops) e atrasos.
A IA está a tornar-se muito boa a explicar o que acabou de acontecer num negócio. Não tenho a certeza de que isso seja o mesmo que ajudar a gestão a compreender o que se está a passar.
Passei anos suficientes rodeado de relatórios financeiros, painéis de controlo e modelos financeiros para saber quão reconfortante pode ser uma boa explicação. Um mês mau é atribuído aos preços, à concorrência, à execução, à sazonalidade, a cobranças mais lentas, a uma conversão mais fraca ou a uma mistura dos seis. A explicação pode ser sensata. Pode até estar correta. Mas já vi explicações sensatas coexistirem alegremente com más decisões.
System structure is the source of system behavior.
Donella Meadows, Thinking in Systems
Isso acontece porque os negócios não funcionam à base de explicações. Funcionam com base na estrutura. A receita, a margem, a tesouraria e a rotatividade (churn) são o que o sistema revela num determinado momento. São movimentos visíveis, não o próprio sistema. As forças mais profundas situam-se normalmente noutro lugar: em inventários (stocks) que estão a ser criados ou esgotados, em atrasos entre a causa e o efeito, em restrições que se apertam silenciosamente e em ciclos de retroalimentação (feedback loops) que os gestores apenas notam quando se tornam dolorosos.
Por estrutura não me refiro a nada místico. Refiro-me aos mecanismos que fazem com que um negócio se comporte de forma diferente de outro, mesmo quando os números superficiais parecem semelhantes.
Alguns desses mecanismos são inventários (stocks): tesouraria, stock de mercadorias, confiança, conhecimento (know-how), carteira de encomendas (backlog), contas a receber e atenção organizacional.
Algumas são restrições: capacidade de produção, disponibilidade da gestão (management bandwidth), limites de financiamento, velocidade de contratação.
Alguns são ciclos de retroalimentação (feedback loops): uma menor qualidade de serviço gera mais reclamações, o que absorve mais tempo, o que reduz ainda mais a qualidade de serviço.
E algumas são atrasos: a decisão de contratação reflete-se na produtividade meses depois; um controlo de crédito mais permissivo reflete-se na pressão sobre a tesouraria apenas depois de a receita já ter parecido sólida.
Não me refiro a isto num sentido místico ou com "sabor a consultoria" de "o sistema". Refiro-me a algo muito comum. Uma empresa pode crescer e tornar-se mais fraca ao mesmo tempo. Já vi isso acontecer em trabalho financeiro mais do que uma vez. As vendas aumentam, todos relaxam e, de repente, a tesouraria começa a ficar apertada. O painel de controlo explica a variação. O resumo da IA explica-a ainda melhor. Mas o problema real é estrutural: os prazos de recebimento estão a alargar, o fundo de maneio está a ser consumido e o crescimento está a ultrapassar a capacidade da empresa de se financiar a si própria. É aqui que o pensamento estruturado e o apoio à decisão se tornam críticos. não apenas para explicar o que aconteceu, mas para mudar o que acontece a seguir.
Esta é uma das razões pelas quais a gestão interpreta tão frequentemente o desempenho de forma errada. Foca-se em eventos porque os eventos são visíveis, recentes e fáceis de discutir. Um KPI fica a vermelho. Uma equipa falha um objetivo. A margem cai dois pontos. Uma previsão é revista. Grande parte da vida corporativa é construída em torno da reação a estas coisas. O Power BI torna-as visíveis. A Power Platform pode encaminhá-las, alertar sobre elas e escalá-las. A IA pode agora resumi-las em segundos com uma fluência admirável. Nada disso é trivial. Mas nada disso garante que a gestão esteja a olhar para o nível correto da realidade.
Eis uma perspetiva do pensamento de Donella Meadows que considero particularmente esclarecedora:
It’s endlessly engrossing to take in the world as a series of events, and constantly surprising, because that way of seeing the world has almost no predictive or explanatory value.
Donella Meadows, Thinking in Systems
O problema mais profundo surge quando o negócio deixa de se comportar em linhas direitas. Os gestores gostam da linearidade porque parece justa. Um pouco mais de esforço deveria trazer um pouco mais de resultado. O dobro do investimento deveria trazer algo próximo do dobro do retorno. Mas muitos sistemas de negócio não se comportam assim. Um pouco mais de crescimento pode criar muito mais pressão na tesouraria. Um pouco mais de processo pode criar muito mais fricção. Um pouco mais de marketing pode elevar a procura, até que comece a prejudicar a confiança ou a inundar uma operação que já estava perto do seu limite.
É por isso que a não-linearidade é importante. Não apenas porque os resultados se tornam desproporcionais, mas porque os sistemas podem mudar de modo. O que parecia um crescimento saudável torna-se congestionamento. O que parecia disciplina operacional torna-se burocracia. O que parecia ímpeto financeiro torna-se pressão no fundo de maneio. O gestor que pensa apenas em incrementos vê o movimento, mas não percebe a mudança de regime.
E é aí, creio eu, que a IA tornará a gestão simultaneamente mais capaz e mais vulnerável. Irá explicar os eventos de forma belíssima. Poderá até explicá-los melhor do que a maioria dos analistas. Mas a gestão continua a precisar de algo mais difícil do que uma boa explicação do que é visível. Precisa de compreender e controlar a estrutura subjacente.
A IA pode explicar os movimentos visíveis com uma fluência extraordinária. A gestão ainda tem de ver a estrutura que os produziu. Caso contrário, tornar-nos-emos melhores a descrever o desempenho do que a mudá-lo.
This is why I rarely start with the dashboard. I like to start each project by understanding what the business is actually doing: where stocks are being quietly depleted, where feedback loops are building pressure that KPIs don’t yet show, where the delay between decision and outcome is misleading management. Only after that does it make sense to build anything that measures or visualizes. If you recognize this problem in your business and want to explore what a structural analysis would look like, let’s talk.
