IA no e-learning: o que realmente está funcionando?

A maioria das equipes de T&D já usou IA de alguma forma até agora. A questão mudou. Não se trata mais de adotar ou não. Trata-se de saber se ela está realmente entregando algo melhor, ou apenas entregando algo mais rápido.

Em nosso webinar mais recente, Nelson Sivalingam, CEO na HowNow e autor de Learning at Speed, e Talha Faridy, Líder de Inovação em IA na Easygenerator, juntaram-se à moderadora Ashling Moran para uma análise honesta de onde a IA em T&D está realmente chegando. O que funcionou, o que não funcionou e o que os profissionais de T&D devem exigir das ferramentas nas quais investem.

🎥 Assista à sessão: Perdeu a transmissão ao vivo? Assista à gravação completa acima.

Eficiência não é o mesmo que eficácia

Quando você pergunta como as equipes de T&D estão usando IA hoje, a resposta é quase sempre a mesma: para fazer o que já faziam, mas mais rápido. Criação de conteúdo, planejamento de currículo, análise de dados de avaliação. Os ganhos de eficiência são reais.

Mas Nelson traçou uma linha entre eficiência e eficácia que surgiu durante toda a conversa.

“Existe uma grande diferença entre fazer algo rapidamente e fazer a coisa certa. E, neste momento, o que estamos fazendo é fazer algo rápido, mas não estamos necessariamente avaliando se é a coisa certa.”

O risco não é apenas tempo desperdiçado. É que a IA torna mais fácil escalar as coisas erradas. Se o seu conteúdo não estava funcionando antes, produzir mais dele mais rápido não resolve o problema. Como Nelson disse:

“O que podemos realmente nos ver fazendo é escalar o próprio problema que esperamos resolver. Um dos desafios é a existência de uma tonelada de conteúdo. E quando você tem uma tonelada de conteúdo, a descoberta é um dos maiores desafios. Ao ser capaz de criar muito conteúdo que não é de ótima qualidade muito rapidamente, o que você está realmente fazendo é escalar o problema que você já tinha muito, muito mais rapidamente.”

Há também uma consequência da qual é mais difícil se recuperar. Quando os alunos se envolvem com conteúdo de baixa qualidade gerado por IA e não o acham útil, eles formam uma opinião. Trazê-los de volta depois disso é difícil.

Talha acrescentou que expectativas irreais são parte do que impulsiona isso. Muitos autores presumem que podem delegar uma tarefa à IA com o mínimo de contexto e receber algo pronto para produção.

“Muitos autores têm expectativas erradas sobre o que a IA pode fazer. Eles sentem que podem simplesmente delegar sem muito contexto e sem muito trabalho de base, e então esperar um resultado que esteja completamente pronto para a produção. Sendo que, muitas vezes, esse não é o caso.”

Como é uma medida real de valor

Se a velocidade não é a medida, qual é? A resposta de Nelson volta ao que realmente é o propósito de L&D.

“O resultado de L&D não é criar conteúdo. É um meio para um fim. Nosso trabalho nesta profissão é ajudar as pessoas a fazerem melhor seus trabalhos e ajudá-las a crescer. É simples assim.”

Isso significa que a questão não é quantos cursos foram enviados ou quantas horas de aprendizado foram concluídas. O que importa é se as habilidades relevantes para o negócio foram realmente desenvolvidas.

Nelson estruturou isso através da lente do que ele chamou de crise de talentos: organizações lutando para contratar habilidades especializadas que estão em alta demanda e com oferta escassa. A única resposta sustentável é qualificar as pessoas internamente. Isso torna o desenvolvimento de habilidades o resultado que importa, e é o resultado que a maioria das medições de L&D ainda não rastreia diretamente.

“A questão não é sobre quantas horas de aprendizado alguém fez ou qual conteúdo foi concluído. Realmente se resume a: nós desenvolvemos as habilidades de que precisávamos para alcançar esses objetivos? Essa é realmente a medida de valor.”

Contexto é o que falta à IA

Um dos pontos práticos mais claros da sessão foi sobre o que realmente torna a saída da IA útil. Ferramentas de IA genéricas são razoavelmente boas em informações genéricas. No que elas não são boas, por padrão, é no contexto da empresa.

Talha foi direto sobre isso:

“Grandes modelos de linguagem são realmente bons em informações genéricas. Mas uma coisa em que eles ainda não são ótimos por padrão é o contexto da empresa. O contexto da sua empresa, seus objetivos de negócio, os resultados que você está buscando. Esse é o tipo de contexto que você quer trazer para a IA. Esse trabalho de preparação precisa ser feito antes de trabalhar com IA em qualquer ferramenta.”

Isso se aplica à criação de cursos também. A facilidade de construir algo com IA também torna mais fácil construir a coisa errada.

“É mais fácil construir coisas agora, mas também é mais fácil construir as coisas erradas.” Esse conceito se aplica à criação de cursos. Você está construindo algo para impulsionar resultados significativos. É mais fácil construir treinamento, com certeza, mas também é mais fácil construir o treinamento errado para as pessoas erradas nos formatos errados.”

O trabalho de preparação que evita isso é definir os objetivos de aprendizagem antecipadamente, ser específico sobre a mudança de comportamento que você deseja que os alunos tenham e dar à IA uma imagem clara de como é um bom resultado antes de começar. No Easygenerator, isso é integrado ao recurso Diretrizes do Curso, que permite que os autores deem instruções explícitas ao EasyAI sobre objetivos, preferências de conteúdo e material de origem antes que ele gere qualquer coisa.

IA focada no autor vs. geração de conteúdo focada em IA

Isso trouxe a conversa para uma distinção que percorreu toda a sessão: a diferença entre a IA que parte da intenção do autor e a IA que parte da geração de conteúdo.

Talha descreveu como o Easygenerator aborda isso, usando a taxonomia de Bloom para ancorar os objetivos de aprendizagem antes que qualquer conteúdo seja construído.

“Perguntamos ao especialista no assunto ou ao designer instrucional o que exatamente eles querem que seus alunos façam depois de terminarem o curso.” “Qual é a mudança de comportamento em termos de aplicação que eles querem impulsionar?” “Uma vez que isso é definido antecipadamente, juntamente com o conhecimento que o aluno precisa, isso direciona a IA na direção certa e, no geral, eleva a qualidade do conteúdo.”

Nelson acrescentou uma estrutura útil para o que isso desbloqueia. No modelo antigo, uma equipe de L&D ia até um especialista no assunto (SME), coletava a experiência, levava embora, aplicava o pensamento de design instrucional e voltava semanas depois com um curso. A autoria assistida por IA muda esse cronograma.

Como especialista no assunto, posso ir ao Easygenerator e trabalhar com a IA para dizer: Estou despejando minha experiência aqui, mas você tem a experiência da pedagogia e sabe a melhor maneira de enquadrar e estruturar isso. Teria levado semanas para você chegar a algo que fosse pedagogicamente sólido. Mas agora podemos ir de ‘aqui está a experiência’ para ‘recurso de aprendizagem pedagogicamente sólido’ muito rapidamente.

Dito isso, nenhum dos palestrantes sugeriu que isso elimina a necessidade de julgamento humano. Os usuários avançados de IA são aqueles que iteram, que tratam o primeiro resultado como um ponto de partida e que trazem seu próprio contexto e experiência para o processo em cada etapa.

O novo trabalho de L&D é projetar o contexto, não o conteúdo

Se os especialistas no assunto agora podem criar conteúdo diretamente com o suporte da IA, o que isso significa para o papel de L&D? Tanto Nelson quanto Talha apontaram na mesma direção.

A abordagem de Nelson foi memorável: neste mundo, as equipes de L&D são efetivamente gerentes de IA. E o trabalho de um gerente é definir o padrão e criar as condições para que outros o alcancem.

“Não é necessariamente trabalho de L&D projetar o conteúdo. É trabalho de L&D projetar o contexto para que todos os outros possam criar recursos mais úteis com muito pouco atrito.

Isso significa definir o que é um bom resultado, estabelecer diretrizes de curso que qualquer especialista no assunto possa seguir, escolher as estruturas pedagógicas certas e construir estruturas de governança que mantenham a qualidade consistente em toda a organização sem sobrecarregar cada especialista no assunto com decisões de design instrucional.

Talha apresentou o mesmo ponto de vista do lado do produto:

“A equipe de L&D pode definir essa estrutura e conduzir as coisas na direção certa. Se você não fizer isso, é apenas mais uma situação em que os especialistas no assunto, que já estão sobrecarregados, agora também precisam aprender a criar um aprendizado de qualidade. A IA pode ser super útil aqui, onde as equipes de L&D definem o que é bom, e então os especialistas no assunto podem usar isso para criar conteúdo sem que isso aumente a carga de trabalho deles.

O aspecto do reconhecimento também é importante. Ashling mencionou algo que ela vê funcionar na prática: colocar o nome das pessoas nos cursos, destacar bons exemplos e dar crédito público aos especialistas no assunto que fazem um bom trabalho. Isso define o padrão de forma visível e dá aos outros algo para almejar.

Se a IA é integrada ou adicionada externamente importa mais do que você pode pensar

Uma pergunta da plateia durante a sessão tocou em algo que surgiu ao longo de todo o evento: como você sabe se a IA está genuinamente integrada a uma ferramenta ou apenas adicionada a um produto existente?

A opinião de Nelson foi que a resposta geralmente aparece no desempenho da IA em todo o fluxo de trabalho.

“Quando você tem IA nativa, você está essencialmente aplicando inteligência em cada etapa desse processo. Assim, você obtém ganhos de eficiência, mas também o ganho em eficácia ao aplicar essa inteligência em cada etapa. Como um complemento, é realmente difícil. Você está tentando aperfeiçoar a última milha com IA, o que é o que torna isso muito difícil.

A criação de conteúdo, como Nelson destacou, envolve várias etapas que se beneficiam da inteligência em cada uma delas: design de currículo, estruturação de peças individuais de conteúdo, construção de andaimes, aplicação de estruturas pedagógicas. Uma solução complementar pode ajudar em um ou dois desses pontos. Uma plataforma onde a IA é nativa pode oferecer suporte a todos eles.

O teste prático que ele sugeriu é simples: quão eficaz foi a IA em ajudar você a realizar a tarefa específica que estava tentando fazer? Não qual IA soa mais impressionante, mas qual delas realmente ajudou você a resolver o problema à sua frente.

Talha abordou a dimensão de precificação disso diretamente. Alguns fornecedores responderam ao custo da IA repassando os custos por meio de preços mais altos. A posição da Easygenerator é que a IA deve estar incluída no preço base para todos.

“Acreditamos firmemente que o futuro para a maioria dos autores e profissionais de L&D é nativo em IA. Nossa posição é que todos devem ser capacitados com essa tecnologia. Portanto, para a IA da nossa plataforma principal, não cobramos nada extra por ela. Ela está incluída no preço base. Esse é o motivo principal, para capacitar a todos e trabalhar com eles em direção a esse futuro de ser nativo em IA.”

Para onde isso vai a seguir

O capítulo final da conversa analisou os próximos 12 meses. Talha apontou a IA agentiva como a direção a seguir: IA que percorre um fluxo de trabalho de forma iterativa, usando diferentes ferramentas e capacidades para realizar uma tarefa, em vez de produzir uma única saída em resposta a um único prompt. Mais eficaz, com maior consciência do contexto, melhor em chegar a algo útil sem exigir que o usuário faça várias rodadas de correção manual.

A perspectiva de Nelson era de maior alcance. Ele descreveu uma lacuna em L&D que nunca foi fechada: a conexão entre aprendizado e desempenho. A maioria das organizações não consegue dizer, quando o desempenho cai, quais habilidades estão faltando ou por quê. E mesmo quando conseguem identificar uma lacuna de habilidades, muitas vezes não sabem qual aprendizado a resolverá.

“Com agentes autônomos que podem percorrer esse ciclo sozinhos, você agora pode observar sinais de trabalho, inferir quais são as lacunas de desempenho, descobrir quais habilidades estão faltando, conectar você ao recurso de aprendizado relevante correto e, em seguida, monitorar os dados de trabalho para ver se isso realmente mudou o desempenho. Tudo em um ciclo autônomo.”

Ele chamou isso de visão de uma empresa que se autoaperfeiçoa. L&D define as diretrizes, e o sistema gerencia o ciclo.

O ponto principal

A IA em L&D está proporcionando ganhos reais de eficiência. As organizações que veem mais valor são aquelas que tratam o contexto como um primeiro passo, mantendo os humanos no processo em vez de removê-los, e medindo resultados em vez de produção.

As ferramentas também importam. Uma IA que é integrada ao fluxo de trabalho de autoria desde o início se comporta de maneira diferente de uma IA adicionada a um produto legado. Entender essa diferença é parte de avaliar se uma plataforma realmente ajudará você ou apenas ajudará você a produzir mais conteúdo mais rapidamente.

👏 Muito obrigado a Nelson Sivalingam por uma conversa genuinamente honesta e prática.

Transcrição do webinar dos palestrantes

Ashling: Vamos em frente e começar. Obrigado a todos por participarem. Se você está voltando, nós realmente agradecemos. E se esta é a sua primeira vez, seja bem-vindo. Hoje vamos discutir IA e e-learning e o que realmente está funcionando. Meu nome é Ashling e tenho o prazer de apresentar esta sessão, e estou acompanhada por Nelson e Talha, que se apresentarão em apenas alguns segundos. Este é um acompanhamento de uma chamada que tivemos em outubro de 2025, e foi tudo sobre IA e e-learning. E desta vez estamos começando de um ponto ligeiramente diferente. Em vez de analisar se devemos usar IA, vamos nos concentrar em se isso realmente funciona. Sem mais delongas, vou passar a palavra aos nossos convidados de hoje. Nelson, você é o primeiro na minha tela. Então, você gostaria de se apresentar?

Nelson: Claro. Eu sou Nelson, um dos fundadores e CEO da HowNow. Na HowNow, somos uma plataforma de aprendizado que ajuda as empresas a descobrir quais habilidades elas possuem, quais habilidades não possuem e a conectar as pessoas ao aprendizado relevante para que possam desenvolver as habilidades de que precisam. Também sou o autor de Learning at Speed. Seria ótimo saber se alguém nesta sessão já leu; se não leu, é um livro que oferece um guia prático e estruturas sobre como acelerar a velocidade com que você aprende em sua organização. É ótimo estar aqui. Estou realmente ansioso pela discussão.

Ashling: Bem, obrigado por se juntar a nós. Estou animado para ver o que você pode acrescentar. Se alguém leu o livro, escreva no chat, eu adoraria saber. Talha, você gostaria de se apresentar a seguir?

Talha: Obrigado, Ashling. Então, Talha aqui, liderando os esforços de produto de IA na Easygenerator. Então, sou responsável pela visão de IA, estratégia de produto e trabalho com equipes de L&D e especialistas no assunto para alcançar o sonho do Aprendizado gerado pelo funcionário, e como a IA pode ser aplicada na criação, e-learning, mas também além disso. E estamos explorando esse espaço aqui na Easygenerator de forma bem rigorosa, devo dizer.

Ashling: Momento empolgante, muita coisa está mudando, então estou animado por ter um tempo hoje para trocar ideias com você. Antes de começarmos com nossa primeira pergunta, adoraria ouvir todos vocês que estão conosco hoje. Em uma palavra, adoraria saber como vocês descreveriam onde sua equipe está com a IA agora. Vou colocar uma enquete no chat. Vocês podem escolher a opção que acharem que mais faz sentido. Se houver algo que não listamos, fiquem à vontade para digitar também. Ok, com as primeiras respostas, parece que muitas equipes ainda estão experimentando ou até dando um passo à frente e escalando. Então sim, muitas equipes estão atualmente experimentando. Será interessante ver com o que vocês estão experimentando, o que está funcionando bem. Então, hoje o que vemos é que a maioria das equipes de L&D realmente começou a usar IA de alguma forma, e a questão mudou. Não se trata mais de saber se você deve adotar a IA, trata-se de saber se ela está realmente tornando o aprendizado melhor ou apenas mais rápido. Então, vamos abordar isso honestamente: o que funcionou, o que não funcionou, como é a diferença de qualidade na prática e o que os profissionais de T&D devem exigir das ferramentas nas quais investem. Então, para começar, Nelson, eu adoraria saber suas percepções sobre como as equipes de L&D realmente usam a IA hoje e se está funcionando.

Nelson: Sim, acho que, ao observar como as pessoas a usam hoje, creio que seja principalmente para ganhos de eficiência. O que fica claro, na verdade, há um ótimo estudo que Donald Taylor faz analisando o uso de IA em L&D, que mostra claramente que estamos essencialmente usando a IA para fazer as coisas que já fazíamos, mas para fazê-las mais rápido. E isso é especificamente em torno da criação de conteúdo, ou nos ajudando a planejar um currículo, ou mapear conteúdo. E então se resume a analisar dados. Portanto, se você tem grandes conjuntos de dados de avaliação ou dados de engajamento de aprendizagem, ser capaz de analisá-los e dar sentido a eles são provavelmente as duas áreas principais. Mas o desafio é que estamos tentando ser mais eficientes com a IA, mas o que não estamos vendo são usos em que ela esteja tornando as equipes de L&D mais eficazes. E é exatamente aí que está o desafio no momento. Sobre a sua pergunta, está realmente funcionando? Existe uma grande diferença entre fazer algo rápido e fazer a coisa certa. E, neste momento, o que estamos fazendo é fazer algo rápido, mas não estamos necessariamente avaliando se é a coisa certa ou não. E isso remete a muito mais do que apenas aplicar a IA a algumas das tarefas que já estávamos realizando. Há questões sobre como isso se alinha à estratégia geral de negócios. Você está medindo as coisas certas para saber se está tendo o impacto desejado na sua organização ou não? E, portanto, acho que é aí que estamos vendo os desafios atualmente. Vi que quase 10% da pesquisa disseram que estão céticos, e o que estou vendo é que muito do ceticismo vem do fato de você não ver imediatamente a produtividade ou o resultado positivo. E estamos tirando a conclusão precipitada de que a culpa é da IA ou das ferramentas de IA, em vez de fazer as perguntas mais fundamentais: estamos aplicando-a corretamente e existe um problema estratégico mais fundamental para verificar se ela está realmente funcionando ou não? Portanto, definitivamente há ganhos de eficiência, mas vimos um aumento significativo na eficácia? Ainda não vimos isso.

Ashling: Sim, mas acho que isso faria sentido. Muitas pessoas que responderam à enquete disseram que estão nessa fase de experimentação, então tentando testar o terreno, ver o que está funcionando e ver o que não está. E esperamos que seja isso que analisaremos mais de perto hoje. Talha, você notou o mesmo, que estamos fazendo as coisas talvez de forma mais rápida, mas ainda precisamos desbloquear essa parte da eficiência?

Talha: Sim, com certeza. Acho que, da minha perspectiva, como estou vendo as coisas, existem duas categorias principais nas quais a necessidade de IA e a situação atual se encaixam. Existe uma em que há uma limitação de recursos quando se trata de equipes de L&D, certo. Então eles têm esses grandes acúmulos, muitas tarefas que precisam realizar, muitos cursos para lançar. Grande volume de cursos, então esse é um dos problemas. E o segundo é a qualidade, certo. Onde, é claro, para superar esse gargalo de recursos, uma das maneiras é delegar a criação de conteúdo para especialistas no assunto. Trata-se de aprendizagem gerada por funcionários. E, claro, há uma questão da qualidade. Como manter a qualidade dos resultados, o nível do design instrucional e do aprendizado que estão sendo criados de forma geral? E acho que é aí que as equipes de T&D estão recorrendo à IA para resolver esses problemas, e, sobretudo, para a parte de produção. Produção de conteúdo, que provavelmente é o maior desafio. E, com certeza, concordo com o Nelson. E eu concordo plenamente; vemos com frequência que produzir as coisas mais rapidamente não significa necessariamente que você esteja fazendo do jeito certo. E também leva, às vezes, a falsas expectativas e falsos resultados. Muitos autores têm expectativas equivocadas sobre o que a IA pode fazer. Eles sentem que podem simplesmente delegar isso sem muito contexto e preparação, e então esperar um resultado completamente pronto para produção. Enquanto muitas vezes esse não é o caso. Portanto, é claro que é necessária uma governança robusta, uma estratégia sólida e um alinhamento com os resultados de negócios para que a IA seja implantada de forma eficaz em todo o ciclo de criação de conteúdo. Então, sim, é isso que estou vendo por aqui.

Nelson: E, só para acrescentar, acho que é um ponto importante: ninguém mantém o emprego por ser eficiente em não entregar valor. E, portanto, esse é o risco atual: você está realmente entregando o resultado que a empresa deseja, ou apenas despejando um monte de coisas? E o que podemos realmente nos ver fazendo é escalar o próprio problema que esperamos resolver. Um dos desafios é a enorme quantidade de conteúdo; e, quanto mais conteúdo há, a tarefa de descobri-lo se torna um dos maiores desafios. Ao conseguir criar muito conteúdo de qualidade inferior de forma muito rápida, o que você está fazendo é ampliar o problema que já existia, de maneira muito mais acelerada, dificultando, assim, para si mesmo. E também cria um ciclo de feedback negativo, certo. Onde, se as pessoas começarem a interagir com seu conteúdo gerado por IA e ele for de baixa qualidade, é muito difícil trazê-las de volta, porque elas tentaram, não acharam útil, não acharam relevante e agora formaram essa opinião sobre esse conteúdo. Então, na próxima vez que você lançar um curso e disser ‘volte, tenho mais coisas’, é menos provável que os participantes se envolvam, pois da última vez criou-se um ciclo de feedback negativo. E, por mais que você possa se sentir atraído pela eficiência de produzir conteúdo mais rapidamente, isso pode, na verdade, ter impactos prejudiciais a longo prazo, dificultando sua capacidade de engajar as pessoas no aprendizado futuro, caso não se garanta que ele seja de alta qualidade e relevância.

Ashling: Sim, isso faz sentido. Portanto, assegurar uma qualidade consistente é algo com o qual os alunos desejam se envolver. Ao fazerem um treinamento, percebem o valor para si mesmos e passam a querer se engajar novamente. O que acho interessante aí, Nelson, é que, se velocidade não é o mesmo que valor, o que as equipes de T&D devem usar como um teste real para saber se a IA está funcionando ou não?

Nelson: Sim, acho que isso remete ao santo graal do que é T&D, certo. O propósito do T&D não é criar conteúdo, mas sim servir como meio para atingir um fim. E o nosso trabalho nesta profissão é ajudar as pessoas a fazerem melhor o seu trabalho e ajudá-las a crescer. É simples assim. E então você começa a decompor isso para pensar: o que estamos analisando aqui para saber se estamos entregando esse valor para a organização ou não? Agora, se você olhar para o contexto macroeconômico, neste momento temos uma enorme escassez de talentos, o que pode não ser tão óbvio, já que muitas das manchetes de notícias agora falam sobre demissões em massa nas organizações. E, portanto, é fácil pensar que as taxas de desemprego estão aumentando. Mas, na verdade, se você olhar, por exemplo, para o Reino Unido e para os EUA, as taxas de desemprego não estão aumentando, elas estão diminuindo. E o que realmente temos é uma seca de contratações para habilidades muito especializadas. Uma ótima estatística que vi foi uma pesquisa recente que descobriu que, para trabalhadores técnicos, cerca de 70% dos trabalhadores técnicos tinham múltiplas ofertas de emprego no momento em que aceitaram um trabalho. Agora, o que isso nos diz é que, para habilidades muito especializadas, há uma demanda muito alta. Na verdade, há uma demanda maior por certas habilidades do que a oferta, o que significa que é muito competitivo e caro para as organizações contratarem as habilidades de que precisam para realizar o trabalho. O que significa que a única maneira sustentável para as empresas fazerem isso no ambiente atual é serem capazes de aprimorar e requalificar seu próprio pessoal. O que significa que esse é o objetivo, certo. O objetivo é: como garantimos em nossa organização que estamos desenvolvendo as habilidades de que precisamos para conseguir realizar o trabalho? O que significa que agora precisamos ser capazes de entender quais habilidades não temos. E isso se torna nossa prioridade. Esses são os objetivos que a empresa deseja alcançar e, para alcançar esses objetivos, aqui estão as capacidades que precisamos desenvolver na organização. E se estamos entregando valor ou não se resume a: estamos desenvolvendo essas capacidades essenciais ou não? Portanto, a questão não é sobre quantas horas de aprendizado alguém fez, ou qual conteúdo foi concluído. Na verdade, tudo se resume a: desenvolvemos as habilidades de que precisávamos para alcançar esses OKRs ou objetivos? E essa é realmente a medida de valor. Não se trata tanto da velocidade para criar conteúdo, mas sim da velocidade para criar conteúdo que fosse relevante para desenvolver as habilidades de que precisávamos para entregar valor à organização.

Ashling: Faz sentido. Então, se alguém estiver entrando hoje, seu conselho seria: se você está no início desse processo, descubra quais habilidades precisa, e isso orientará o restante. E se você já sabe quais habilidades precisa, comece a medir se seus esforços de treinamento estão ajudando a preencher essa lacuna, ou se há valor sendo entregue com o desenvolvimento dessas habilidades.

Nelson: Sim. Eu quase veria isso como uma pirâmide, certo. E no topo da pirâmide, se você imaginar que tudo o que a empresa faz está no topo da pirâmide. Toda empresa tem uma missão, e toda empresa tem uma estratégia sobre como alcançar essa missão. E então toda empresa tem um conjunto de KPIs ou objetivos ou OKRs para ver se estão no caminho certo para entregar essa estratégia ou não. Digamos que esse seja o topo da pirâmide. Na base dessa pirâmide, sob a perspectiva de T&D, você tem iniciativas de aprendizagem, certo. E, normalmente, o que se vê nas organizações é uma lacuna entre o que T&D está fazendo e o que a empresa está tentando fazer. Normalmente, tentamos conectar os pontos ao topo da pirâmide retrospectivamente. Eu disponibilizei um monte de conteúdo e agora me pergunto: isso entregou valor? Bem, deixe-me verificar como ele entregou valor. E, ao tentarmos conectar esses pontos retrospectivamente, acaba se parecendo um jogo de bingo. Alguém chamou um número, algumas pessoas têm o número correspondente, elas ganham. Mas a realidade é que a maioria das pessoas não tem um número correspondente, então elas estão perdendo. Portanto, toda vez que alguém perde, isso é um desperdício de tempo, recursos e dinheiro. Quando você joga bingo de T&D, o que é necessário é uma maneira mais assertiva de conectar esses pontos. E a lacuna que falta nessa pirâmide é: quais são as habilidades que os indivíduos e as equipes precisam ter para alcançar esses KPIs, certo? Então, o processo que eu seguiria é, inicialmente, conversar com a empresa sobre: ok, quais são os OKRs ou objetivos aqui que realmente importam mais para nós? Vamos escolher este, digamos que seja aumentar a retenção de clientes. Então, dividimos isso para entender: quais são os cargos que mais influenciarão esses objetivos? E quais habilidades eles precisam ter para serem capazes de realizar as tarefas que impulsionarão esse objetivo? Uma vez que sabemos quais habilidades eles precisam ter, agora precisamos descobrir quais habilidades eles realmente possuem. Eles possuem essas habilidades? Digamos que eles precisem ter habilidades de resolução de problemas em um nível três. Eles têm isso ou não? E se eles não tiverem essas habilidades agora, isso indica que essas áreas precisam ser seu foco. Então, que conteúdo você precisa criar para melhorar a resolução de problemas na sua organização, ou quais recursos você talvez já tenha que só precisa tornar mais acessíveis ou envolventes para as pessoas certas, para que possam aproveitá-los ao máximo? E agora que você sabe qual é a base disso, você acompanha essa métrica de objetivo de desempenho para verificar: estamos avançando em direção a isso ou não? A retenção de clientes está melhorando? Se não estiver, então precisamos mudar de rumo. Precisamos analisar: é o conteúdo, é a descoberta do conteúdo? Mas a métrica principal que estamos observando é essa, e a realidade é que, em muitas organizações, nem sequer estamos medindo essa métrica de desempenho até que seja tarde demais. E a realidade é que você alcança o que mede. Se você pensar bem, até cinco anos atrás, quem se preocupava em dar 10.000 passos? Ninguém realmente se importava se eu tinha dado meus 10.000 passos ou não. Mas agora que podemos medir se damos nossos passos ou não, todos nós passamos a nos importar em dar 10.000 passos. Então você alcança o que você mede. E para começar, você precisa medir o impacto do aprendizado no desenvolvimento de habilidades, bem como o desenvolvimento de habilidades e o desempenho para alcançá-lo. Se você não está medindo, você não vai alcançar isso.

Ashling: Faz muito sentido. E eu também acho que talvez, Talha, isso se conecte a algo que você mencionou, que algumas equipes aqui, algumas organizações já estão medindo isso, ou pelo menos estão na jornada em direção a esse destino final. E agora eles têm uma habilidade, eles precisam de treinamento para a habilidade. Talvez haja apenas uma ou duas pessoas na organização que atualmente podem suprir uma certa necessidade ou um papel. Então eles começam a criar treinamento, mas estão esperando que a IA faça muito, ou estão esperando demais da IA. Então Talha, minha pergunta seria, que tipo de contexto realmente faz a maior diferença quando você está aproveitando a IA para ajudar com a parte do aprendizado?

Talha: Sim, essa é uma pergunta muito boa. Eu acho também, lendo o chat, os participantes do webinar, acho que uma coisa que está muito clara é que os modelos de linguagem grandes, embora estejam melhorando nisso, são realmente bons em informações genéricas. Então, informações de alto nível sobre a maioria dos tópicos, eles são muito bons em algumas das coisas técnicas também. Mas uma coisa em que eles ainda não são ótimos por padrão, isso é muito importante, por padrão eles não são ótimos, é no contexto da empresa. O contexto da sua empresa, seus objetivos de negócio, os resultados que você está buscando. Esse é o tipo de contexto que você quer trazer para a IA. E eu acho que esse trabalho de preparação precisa ser feito antes de trabalhar com IA em qualquer ferramenta com a qual você esteja trabalhando. Então, uma vez que você identificou as habilidades que deseja atingir, e definindo os objetivos de aprendizado certos, mantendo o resultado em mente antes de realmente começar a criar o e-learning, ter tudo isso documentado antecipadamente e usar isso para guiar seus esforços de criação é algo que realmente, realmente importa. Eu acho também que um exemplo muito bom para dar aqui é que, mesmo se você olhar do ponto de vista do produto, é realmente mais fácil construir coisas agora, mas também é mais fácil construir as coisas erradas. E esse conceito também se aplica à criação de cursos. Porque você está construindo algo para gerar resultados significativos. E é mais fácil criar um treinamento, com certeza, mas também é mais fácil criar o treinamento errado para as pessoas erradas nos formatos errados. Portanto, esse trabalho de preparação, é claro, trazer o contexto da sua empresa, os resultados que você está buscando, e elaborar os objetivos de aprendizagem certos, colocando o contexto certo na IA, isso realmente, realmente importa.

Ashling: Eu diria, sim, faz sentido. Eu acho que talvez exista um passo entre o que Nelson, você estava explicando agora, sobre a lacuna e a preparação e saber o que estamos medindo, e então também criar o conteúdo. E eu sei que provavelmente há pessoas participando deste webinar hoje que estão nessa etapa, nessa etapa intermediária. Então, talvez, Nelson, você pudesse nos ajudar a identificar como seguir em frente. Então, como você sugeriria que, uma vez que você identifique as habilidades e as necessidades de negócios, e você precise então decidir qual intervenção de aprendizagem fará a maior diferença, o que você aconselharia as equipes de L&D a fazer nessa situação?

Nelson: Sim, então parte disso é feito ao entender quais são essas lacunas de habilidades. Quais são as habilidades que você precisa agora? As habilidades então se dividem nas tarefas e comportamentos que eles devem ser capazes de realizar como resultado de ter a habilidade. Agora, grande parte disso vem da descoberta do problema. Eu gosto de usar o exemplo de aplicar uma mentalidade de produto a isso, porque acho que muito disso se aplica. E uma grande parte da construção de produtos é a descoberta do problema. Quanto tempo você realmente gasta tentando entender qual é o problema real? Por que temos um problema de desempenho? Quais tarefas e comportamentos esses indivíduos não são capazes de realizar, ou precisam melhorar? E é aí que trabalhar com o especialista no assunto realmente, realmente importa, para ser capaz de entender esse contexto de como essa habilidade será aplicada. Agora, um ótimo exemplo disso é se você pegar uma habilidade como comunicação, por exemplo. Como a comunicação será aplicada é muito diferente para um vendedor dentro do seu contexto do que como ela será aplicada para um engenheiro dentro do seu contexto. Então, ser capaz de entender como essa habilidade se manifestará como uma tarefa ou comportamento ajudará você a garantir que você tenha os recursos certos para ser capaz de fazer isso. Agora, quando você chega aos recursos, novamente, isso volta àquela questão de, qual é o formato certo? Não é o mesmo formato para cada tipo de habilidade, e é nisso que normalmente ficamos presos. Mas o que precisamos realmente pensar aqui é em um ecossistema de recursos que sejam adequados para diferentes contextos, diferentes funções e diferentes habilidades. Não se trata de ter um curso que vá resolver o problema para todos que têm aquela habilidade específica. E é aí que eu acho que você se apoia mais na curadoria, e essencialmente até trazendo diferentes especialistas no assunto para criar conteúdo. Aproveitar, digamos, o Easygenerator, para capacitá-los a criar esse conteúdo é uma forma de curadoria, onde o papel de L&D está mudando de ser quase uma fábrica de conteúdo que produz todo o conteúdo, para essencialmente capacitar especialistas no assunto a se sentirem empoderados para criar os recursos que você precisa para preencher essas lacunas. Então é assim que essa ponte se parece para mim. Acho que um dos passos críticos é, antes de corrermos para criar conteúdo, é realmente fazer essa descoberta inicial do problema para entender o que está realmente faltando.

Ashling: Faz sentido. Então sim, há muitas coisas acontecendo, e é interessante ver como isso está evoluindo com o tempo, e como fazer essa descoberta inicial pode realmente ajudar, e ter um plano ao iniciar as coisas pode fazer a diferença. Eu sei que isso parece estar repercutindo, há muitos comentários no chat. Acabei de ver uma mensagem da Jodi, e acho interessante como a Jodi tem usado IA para ajudar a criar conteúdo todos os dias. Então, para fazer coisas como resumos, esboços, roteiros a partir de vídeos gravados da tela ou estruturar currículos, com base no resultado, você pode validar e iterar com prompts melhores. Então aqui, usando a IA para ajudar na questão da qualidade, e sei que isso é uma preocupação para muitos na chamada. Talha, é algo que você mencionou também, então estou curioso se isso realmente faz sentido para alguém. O que você sugeriria que fosse feito para avaliar se um recurso de IA está realmente melhorando a qualidade do aprendizado ou se está apenas economizando tempo?

Talha: Acho que uma coisa é certa, eu concordo, estamos vendo esse padrão muito, em termos de gerar resumos úteis, esboços, e então, claro, obter aquele primeiro resultado e depois iterar sobre ele, não esperando que a IA seja a solução mágica. Digamos, por exemplo, que você dê um prompt e bum, de uma vez você tem seu curso pronto, isso não acontece. A realidade é que você tem que ir e iterar com a IA, e muitas vezes o contexto ausente que não estava lá inicialmente, é isso que é trazido nessa fase, e então você aperfeiçoa o conteúdo e o deixa pronto para publicação. E isso é algo que vemos muito. Na verdade, os usuários avançados de IA, aqueles que a usam de forma mais eficaz, são os que seguem esse tipo de fluxo de trabalho. Enquanto aqueles que esperam que a IA faça coisas irreais provavelmente desistem após o primeiro uso. Aqueles que continuam no ciclo de iteração são os que mais aproveitam a IA, isso é fato. E em termos de construção de conteúdo eficaz, acho que também é importante, voltando ao ponto de Nelson, também ter aquela mudança de comportamento final que você quer que o aluno tenha basicamente em mente desde o início, e projetar seu conteúdo em torno disso. Dentro do Easygenerator, usamos a taxonomia de Bloom para ajudar nesse processo, onde durante o ciclo de criação de conteúdo, basicamente usamos a taxonomia de Bloom para ajudar na criação do objetivo de aprendizagem, e isso então inspira o restante do conteúdo que é criado com IA, em termos de, pedimos antecipadamente ao especialista no assunto ou ao designer instrucional que está usando nossa ferramenta para criar o aprendizado, sobre o que é exatamente que você quer que seus alunos façam depois que terminarem o curso? Qual é essa mudança de comportamento em termos de aplicação que você quer que eles impulsionem? E uma vez que isso é definido de antemão, juntamente com o conhecimento que eles precisam saber para serem capazes de executar essa ação, isso então direciona a IA na direção certa e, no geral, eleva a qualidade do seu conteúdo. E também ajuda na escolha dos formatos certos, porque existem muitos formatos diferentes nos quais você pode consumir o aprendizado. Então, novamente, voltando àqueles objetivos que você definiu de antemão, realmente ajuda a IA a determinar quais formatos escolher. Então, por exemplo, para cenários acionáveis, talvez dramatizações sejam um formato muito bom, enquanto para apenas entender e lembrar, talvez blocos de texto sejam o método mais preferido. Portanto, esse é o tipo de configuração que você precisa fazer de antemão, para direcionar a IA na direção certa e, claro, criar mais conteúdo que seja mais eficaz.

Ashling: Muito interessante. Então, ter um humano no comando e a IA, vejo que isso está ressoando. Alguém comparou isso a cozinhar versus um micro-ondas, ou usar a IA como um ajudante. Então, sim, se uma pessoa estiver envolvida, é aí que as pessoas já estão vendo os melhores resultados. Nelson, estou muito interessado no seu ponto de vista. Digamos que as equipes estejam investigando isso, elas querem envolver pessoas, humanos, no processo de aprendizagem. Qual papel os especialistas no assunto devem desempenhar para ajudar o L&D a entender qual é o problema de desempenho real para que eles possam se preparar melhor, como Talha mencionou?

Nelson: Sim, então eu acho que o modelo antigo implicava que, como profissional de L&D — seja um designer instrucional ou um gerente — eu procuraria um especialista para entender, me passar o conteúdo e me fornecer o conhecimento especializado, certo? Então, o especialista despejaria todo o seu conhecimento especializado, e eu, representando o L&D, pegaria essa informação, ajustaria com a aplicação da pedagogia e criaria um curso a partir disso. E o que a IA, combinada com a autoria, desbloqueia, é aquele gargalo de uma equipe de L&D muito enxuta ter que ser responsável por fazer isso. Neste momento, o que você pode fazer é, como especialista (SME), ir ao Easygenerator e trabalhar com a IA para poder dizer: ‘Estou despejando meu conhecimento especializado aqui, mas você possui o know-how pedagógico e sabe a melhor forma de enquadrar, estruturar e executar isso’. Então, o benefício que você está obtendo agora é que teria levado semanas para você chegar a algo que fosse pedagogicamente sólido. Mas agora podemos transformar essa expertise em um recurso de aprendizagem pedagogicamente sólido, de forma muito rápida. Dito isso, a questão então é: qual é o papel do L&D? E eu acho que é um papel muito fundamental e importante, onde o L&D define as diretrizes, a estrutura para o que é considerado bom. E isso não significa necessariamente que eu tenha que construí-lo. E uma boa comparação aqui é, eu costumo dizer, quando penso sobre qual é o papel de um gerente, o papel de um gerente para mim é alguém que define o padrão e, em seguida, alguém que cria as condições para você atingir o padrão. Essas são as únicas duas coisas que um gerente precisa fazer. E eu acho que, neste mundo, essencialmente todos nós somos gerentes de IA. E, para mim, o L&D é um gerente de IA projetado especificamente para o L&D. E, portanto, é seu trabalho definir o padrão para a IA e criar as condições para que ela atinja esse padrão. E as condições para atingir o padrão aqui são coisas como contexto, que foi descrito anteriormente. O que você fez para facilitar a inclusão desse contexto? Porque você não pode esperar que o SME traga o contexto todas as vezes. Existem propostas, por exemplo, de pensar nisso quase como um arquivo MD de habilidades? Quais são os tipos de instruções ou arquivos que são universais para a organização, em termos de como vemos o mundo, o que gostamos, o que não gostamos? Como você traz esse contexto para que o SME não precise fazer isso o tempo todo? Existem certos modelos pedagógicos pelos quais você se orienta e dos quais você quer ter certeza de que a IA esteja ciente? Portanto essa construção de contexto é uma grande tarefa, e você só percebe o quão importante ela é quando tenta criar coisas sem esse contexto e vê como é terrível. E esse é realmente o papel do L&D, não é necessariamente projetar o conteúdo, é projetar o contexto para que todos os outros possam criar recursos mais úteis com muito pouco atrito.

Ashling: Eu realmente gostei de como você colocou isso, estabelecendo o padrão e depois criando as condições para que você possa alcançar ou atingir esse padrão. Talha, dado o seu papel na formação do EasyAI na Easygenerator, eu adoraria saber como essas lições o influenciaram ao longo do caminho, em uma jornada que vai da IA centrada no autor à geração tradicional de conteúdo por IA.

Talha: Sim, eu acho que, em termos da história com o EasyAI, desde a sua criação até o que é hoje, isso também ressoa em geral com como a própria IA e a percepção em torno dela mudaram com o tempo. Claro, quando ela surgiu pela primeira vez, as pessoas tinham expectativas de que você simplesmente daria um prompt, e com um único prompt, você seria capaz de obter seu resultado. E então foi tipo, ok, você pode dar a ela alguns exemplos do que são ótimos resultados, e então você obteria uma resposta melhor. Depois veio a ideia de projetos, por exemplo, você pode então colocar coisas em projetos e então ela gerenciará seu contexto. Depois chegamos à era do Claude Code, agora temos arquivos MD sendo armazenados como contexto, e então temos habilidades hoje em dia. Então vemos um padrão claro, as coisas estão caminhando para, novamente, voltando ao ponto de Nelson, direcionar a IA na direção certa, estabelecendo aquele padrão, e tendo habilidades, por exemplo, tendo múltiplos padrões que você define para diferentes áreas ou domínios ou diferentes coisas que a IA deve fazer, e então fazendo com que ela os siga. E é exatamente isso que a autoria focada no autor oferece, onde você direciona a IA na direção certa, você define as condições para ela. Por exemplo, dentro da nossa suíte EasyAI, temos algo chamado Diretrizes de Curso. E dentro das Diretrizes de Curso, permitimos que o autor dê instruções à IA sobre quais são as preferências de conteúdo, quais são os objetivos, quais são os arquivos de origem? E é basicamente uma das funções da IA ler essas diretrizes e sempre consultá-las, sempre que estiver tomando uma decisão sobre o que criar. E isso é extremamente importante, porque então isso ajuda a IA a entender o que é bom para mim, como será uma boa saída, e então seguir essas instruções. Então, acho que esse é o padrão comum para o qual estamos caminhando agora. E, do ponto de vista do L&D, novamente corroborando o que o Nelson disse, tudo está relacionado à governança. Estabelecer esses padrões para que a IA opere efetivamente em toda a organização. Qualquer especialista no assunto pode assumir a criação de conteúdo, e então você tem essa camada de governança que está ajudando os especialistas a usar a IA da melhor maneira possível. Caso contrário, acabamos construindo coisas erradas de forma muito acelerada, sem qualquer direção ou qualidade.

Ashling: Sim, acho que você tocou em algo que definitivamente ressoa comigo pessoalmente, e tenho curiosidade se mais alguém sente isso também. A IA está se tornando uma palavra da moda, e todas essas ferramentas têm IA agora, então é realmente importante começarmos a olhar para o que a IA pode realmente fazer, como ela é integrada a uma ferramenta ou se é apenas um complemento a uma ferramenta. Então, talvez possamos também ampliar essa conversa. Nelson, dado o trabalho que você está fazendo na HowNow, eu adoraria ter a sua perspectiva aqui também. Quando você está avaliando ferramentas de aprendizado de IA, o que sinaliza para você que isso é algo que está genuinamente integrado ao produto e que vai agregar valor, em vez de algo que foi apenas adicionado depois?

Nelson: Sim, eu acho que isso volta à mesma pergunta fundamental de que não se trata de ser “IA primeiro”, certo? Você não está usando algo só porque é IA. E eu não acho que, com nenhuma tecnologia, essa seja a maneira certa de olhar para isso. Fundamentalmente, resume-se a qual é o problema que você está tentando resolver. E eu acho que a frase famosa diz: você ama o problema, não a solução. E eu acho que isso é fundamental aqui. Caso contrário, você pode ficar massivamente sobrecarregado com tecnologia pela tecnologia em si. Mas uma vez que você se alinhou sobre qual é o problema que você está tentando resolver, então se resume a qual é a ferramenta ou a ferramenta de IA que está mais bem posicionada para poder ajudar você a resolver isso. Agora, onde importa se é nativo em IA ou um complemento, é que com um complemento, para um certo nível de tarefa, é muito limitado, porque há uma abordagem muito legada, e então você está tentando polir a última milha com IA, o que é o que torna muito difícil. Mas quando você tem algo nativo em IA, você está essencialmente aplicando inteligência em cada etapa desse processo. Assim, você obtém ganhos de eficiência, mas também o ganho em eficácia ao aplicar essa inteligência em cada etapa. Isso não é para descartar completamente as soluções complementares; eu acho que em alguns cenários, dependendo do que você está tentando alcançar, um complemento pode ser completamente aceitável para o que você está tentando fazer. Mas, na verdade, quando você olha para algo como a criação de conteúdo, a razão pela qual isso importa é que, embora chamemos de criação de conteúdo, na verdade existem múltiplas etapas acontecendo na criação de conteúdo, desde entender qual é o design curricular apropriado para isso, até quais são os conteúdos de cada coisa dentro disso, e como você incorpora um andaime dinâmico nisso, como você traz diferentes estruturas pedagógicas para isso. Existem múltiplas coisas que estão acontecendo para fazer isso. E, portanto, como um complemento, é muito difícil fazer isso; nós realmente precisamos incorporar a IA desde as bases de como você cria conteúdo. Eu acho que a maneira de avaliar é: quão eficaz foi em ajudar você a realizar a tarefa que você estava tentando fazer, em vez de tentar olhar para isso como: esta IA é melhor do que aquela IA. Eu analisaria qual IA foi melhor em ajudar você a resolver o problema que tinha inicialmente; é assim que eu encararia a questão. Isso realmente volta àquele mapeamento, saber qual é o seu objetivo no final, e talvez não se distrair com algo que é novo ou brilhante, mas sim se isso está realmente entregando valor a você, se está ajudando você a avançar em direção aos seus objetivos.

Ashling: Estou vendo uma pergunta da Victoria que chegou pelo chat e que, na minha opinião, se encaixa muito bem aqui. Victoria estava explicando como as PMEs estão agora usando muita IA, criando coisas como documentos, e pensando — ei, isso é muito bom, isso é muito útil. No entanto, nem sempre é realmente útil, especialmente se levarmos a pedagogia em consideração. Então, Talha, adoro suas percepções. Como podemos começar a educar os especialistas no assunto sobre o processo, e a necessidade de pelo menos uma revisão, quando se trata de aprender ou criar conteúdo de aprendizado?

Talha: Acho que, mais do que isso, eu não diria que provavelmente é a abordagem certa em termos de ensinar os especialistas no assunto a criar conteúdo de alta qualidade. Eu diria que é o L&D, acho que a equipe de L&D pode definir essa estrutura e direcionar para o caminho certo. Novamente, o conceito das Diretrizes do Curso, definir o padrão, ter algumas habilidades e, então, fazer com que os especialistas no assunto as utilizem. Caso contrário, será apenas mais um daqueles problemas em que, por exemplo, os especialistas no assunto não dispõem de tempo nem de recursos para criar esse conteúdo, o que acabará exigindo que você os ensine e que eles aprendam a criar conteúdo de qualidade. E, portanto, acho que onde a IA pode realmente ajudar é quando as equipes de L&D assumem essa camada de governança, definindo o que é considerado bom, de modo que os especialistas no assunto possam usá-la para criar conteúdo sem que isso represente um fardo para eles. Portanto, em questões de aprendizagem gerada pelos funcionários em escala, os especialistas no assunto não têm tempo para arcar com o ônus de criar aprendizagem. Então, em vez de impor ainda mais o ônus de que eles aprendam a criar uma boa aprendizagem, você cria essa camada de governança para auxiliá-los a tirar o máximo proveito disso. E é aí que a IA pode ser super útil.

Nelson: E só para complementar, acho que se você dissesse que precisamos de uma revisão do ponto de vista do aprendizado apenas porque sim, isso provavelmente não seria bem recebido. E acho que você tem a responsabilidade de explicar o porquê e de apoiar isso com dados, pois, caso contrário, parece apenas uma caixa a ser marcada por marcar. E então você precisa capturar os dados para analisar: onde estamos, por que não é útil ou se algumas partes são úteis? E você diz: olhe para esses dados, não está funcionando aqui, ou não está fazendo X, Y, Z da forma que você gostaria; isso ocorre por causa disso. E então, acho que impor isso pode fazer com que as pessoas sintam que é desencorajador, e você não quer que essa seja a mensagem transmitida. O ideal é encorajar quem está se esforçando para fazer isso desde o início, o que é ótimo. Isso significa que eles genuinamente veem a aprendizagem como solução para o problema, o que é um ótimo ponto de partida, pois muitas vezes as pessoas nem chegam a perceber que a aprendizagem é a solução. E, por isso, é importante ser diplomático ao apresentar os dados quantitativos e qualitativos que indicam as lacunas na aprendizagem, explicando que você pode ajudar — essa é a sua especialidade. Em vez de uma situação de ‘eu te avisei’, use-a como uma oportunidade de coaching.

Ashling: Gostei disso, então sim, uma oportunidade de coaching. E cada vez mais, à medida que as coisas evoluem, vemos o L&D atuando em papéis de suporte, cuja função agora na empresa é apoiar e possibilitar a aprendizagem, garantindo que ela esteja conectada ao valor.

Nelson: Se isso é algo que você está tentando, a partir do trabalho com diferentes organizações que estão nessa jornada, algo que vejo funcionando muito bem é fornecer esse suporte, mas também ter algum reconhecimento. Então, poderia ser colocar os nomes das pessoas nos cursos e dizer: ei, Talha, você criou um curso realmente fantástico sobre IA, ele seguiu nossa lista de verificação e agora ele tem ótimas avaliações, ou fazer uma competição, ou apenas reconhecer e referenciar o aprendizado. Então, aqueles que estão fazendo isso corretamente são incentivados a continuar fazendo isso, e aqueles que talvez estejam apenas produzindo documentos que não são tão úteis têm algo a almejar. Então, novamente, definir o padrão e depois ajudá-los a alcançá-lo.

Ashling: Vejo outra pergunta no chat, estamos falando sobre IA e ferramentas, como apoiamos a IA, mas há algo interessante também, é sobre como algumas ferramentas estão adicionando IA e, além disso, adicionando algum preço extra, ou elas não estão absorvendo esse preço, e então há a questão de, isso é útil, isso é algo que precisamos? Talha, adoraria sua opinião sobre isso antes de encerrarmos hoje, sobre o preço, absorver o preço, como você aborda isso quando está analisando diferentes ferramentas?

Talha: Bem, varia de ferramenta para ferramenta no que se refere à oferta. Vou dar nossa posição aqui na Easygenerator. Acreditamos fortemente que, é claro, o futuro para a maioria dos autores e profissionais de L&D é ser nativo em IA. É uma realidade que a IA está basicamente se incorporando aos principais fluxos de trabalho, independentemente do seu domínio, na maioria dos domínios ela teve um impacto muito significativo. E nossa posição é que todos devem ser capacitados com essa tecnologia, e nós, é claro, queremos estar nessa jornada com nossos clientes, com os profissionais de L&D, com os especialistas no assunto, e aprender como a IA está funcionando para eles, com eles. E, portanto, sob nossa perspectiva, para a nossa IA da plataforma principal, não cobramos nenhum valor adicional. Está incluído no preço base. E esse é o motivo principal, é capacitar a todos e trabalhar com eles em direção a esse futuro de ser nativo em IA, e aprender com eles como isso será no futuro. Então essa é a nossa posição, e não é possível para todas as ferramentas fazerem isso, depende de onde elas vêm em termos de quão nativas em IA elas eram, ou quão prontas elas estavam para assumir a revolução da IA. Porque algumas ferramentas, é claro, tiveram que repassar esse custo da IA para o cliente, enquanto nós o absorvemos e trouxemos os clientes ao longo da jornada e, é claro, estamos do outro lado.

Ashling: Sim, acho que volta a como a IA está sendo usada na ferramenta, é algo que está agregando valor, é algo adicional, isso mudará sua experiência? Então, esse é um insight muito útil. Vi que ainda temos algum tempo, então, é claro, sempre queremos olhar para o futuro, e depois deixaremos algum tempo para perguntas também, então, se você tiver perguntas, certifique-se de colocá-las no chat. Talha, talvez você possa começar quando olharmos para o futuro, para onde você vê a IA indo no próximo ano ou mais?

Talha: Sim, muitas coisas diferentes definitivamente mudaram com o tempo, é claro que a IA se tornou ótima em diferentes domínios e em diferentes áreas. Então tudo começou apenas trabalhando com texto, depois tornou-se muito bom em imagens e vídeos, e agora é muito bom em muitos tipos diferentes de tarefas e cargas de trabalho, e em trabalhar com diferentes mídias. Acho que, definitivamente, o futuro por enquanto, o que é bastante evidente, é a direção que a maioria das ferramentas está tomando, assim como nós na Easygenerator, a direção que estamos tomando é a da IA agentiva. E isso aborda muitos dos problemas que temos discutido hoje, como o problema de não fornecer contexto suficiente, sendo a qualidade um deles, obter melhores resultados desde o início, entre outras questões. E quando digo ‘agentiva’, refiro-me novamente à natureza iterativa da IA, à IA tendo as ferramentas e utilizando criativamente essas diferentes ferramentas, aproveitando-as, realizando tarefas e trabalhando com o autor ou usuário para sua tarefa e fluxo de trabalho específicos, e cumprindo esse objetivo. E em toda essa jornada, ela utiliza diferentes partes do contexto que precisam ser exploradas, diferentes habilidades e ferramentas para realizar o que precisa ser feito. Então, acho que essa é uma maneira mais eficaz de aplicar a IA, em vez de tentar de uma só vez. E acho que a indústria está percebendo isso.

Ashling: Passaremos para as perguntas, mas, no último minuto ou dois, Nelson, você concorda, há mais alguma coisa que você vê nos próximos seis a doze meses quando se trata de IA e L&D?

Nelson: Sim, acho que uma das coisas que nunca fomos realmente capazes de fazer em L&D é conseguir conectar os pontos entre o aprendizado e o desempenho. Se você olhar para a maioria das organizações, quando o desempenho cai, a maioria delas não consegue lhe dizer quais habilidades estão faltando e qual foi o motivo da queda no desempenho. Digamos que, por algum milagre, você saiba quais habilidades estão faltando, muitas vezes você não sabe qual é o aprendizado apropriado para aquele nível de habilidade. E para conseguir conectar esses pontos, e digamos que o aprendizado aconteça, muito raramente você pode dizer se está funcionando ou não. Portanto, essa lacuna entre o aprendizado e o desempenho nunca conseguimos fechar. E a razão para isso é que, para conseguir fechar essa lacuna, você primeiro precisa ser capaz de ver o trabalho, realmente precisa ver as pessoas trabalhando, ou analisar dados de trabalho, para poder ver se elas estão fazendo algo bem ou não. E então você precisa ter a inteligência para ser capaz de olhar para esses dados de trabalho e analisá-los para dizer, com base no que estou vendo essa pessoa fazer, ela é boa nisso, mas não é tão boa naquilo. E então, uma vez que descobre isso, precisa ser capaz de lhe dar a ajuda exata para conseguir melhorar naquela tarefa que eu não fui capaz de fazer. E agora isso tem sido tipicamente muito fragmentado, você precisava de diferentes pessoas e diferentes sistemas, e havia um grande custo de coordenação entre tudo isso. Agora, com agentes, mas mais importante, agentes autônomos que podem percorrer esse ciclo por conta própria, você pode analisar sinais de trabalho, inferir quais são as lacunas de desempenho, descobrir quais habilidades estão faltando, então conectá-lo ao recurso de aprendizado mais relevante, e depois monitorar os dados de trabalho para ver se realmente houve mudança no desempenho ou comportamento, em um ciclo autônomo. Isso é o que temos agora com organizações com as quais estamos trabalhando usando o HowNow, e é para onde vemos isso ir: realmente, esse ciclo de melhoria de desempenho será completamente autônomo, com diretrizes definidas por L&D, mas você não terá que fazer esse trabalho braçal, o que é incrível, porque se você puder melhorar autonomamente o desempenho em velocidade e escala, isso realmente abre essa visão de uma empresa de autoaperfeiçoamento.

Ashling: O que eu acho bem empolgante, eu também acho. E acho que você nos conduziu muito bem a algumas das perguntas que estão chegando pelo chat, e talvez você possa ajudar, e Talha, se você tiver um ponto de vista sobre isso, pode participar. Sanjo perguntou: como você se desvia da estratégia de geração de receita de curto prazo na sua organização de L&D, sem metas ou objetivos qualitativos, para que não se deixe levar por modismos e IA, mas defina primeiramente uma estratégia descentralizada ou criativa? Então, sim, como você talvez separa o essencial do supérfluo, definindo uma estratégia e não apenas seguindo a última tendência, alguma ideia?

Talha: É uma pergunta muito boa. E acho que, sim, uma coisa que definitivamente está surgindo disso é que, claro, há um problema em um nível mais alto também, que é a falta de compreensão de como a IA funciona em geral, e os benefícios tangíveis que ela pode trazer, e onde estão suas limitações. Isso meio que leva a essas expectativas irreais, e então à priorização de ganhos de curto prazo, em vez de definir uma estratégia primeiro, acho que essa mudança precisa acontecer. Acho que precisa vir de baixo para cima, é claro, dentro de uma organização onde você teria usuários avançados de IA, porque a maioria das organizações teria esses usuários avançados de IA que estão realmente adotando a tecnologia. E acho que é meio que, talvez eles devessem assumir a responsabilidade compartilhada de levar esse conhecimento para cima e se tornarem especialistas no assunto dentro de suas empresas, para realmente ajudar a liderança a perceber onde a IA funciona, onde a IA não funciona, e então seguir a partir daí, e então priorizar uma estratégia criativa. Acho que essa seria a minha opinião, estou curioso para saber como seria do ponto de vista do Nelson.

Nelson: Sim, quero dizer, vou complementar isso, voltando a conectar com outra pergunta que recebemos sobre obter adesão, acho que elas meio que se sobrepõem. Você não, a ferramenta e a tecnologia são secundárias, certo, o principal é: esta é a estratégia da empresa, o que precisamos ser capazes de entregar nessa estratégia da empresa, quais são as capacidades que precisamos construir para fazer isso, é assim que você alinha sua estratégia e obtém a adesão. Eu normalmente recomendo, e muitas das organizações com as quais trabalhamos, esta estrutura, os três porquês, para construir seu caso de negócio. E o primeiro porquê é por que agora. E o por que agora é, a maioria de nós, se não todos nós, odeia mudanças. Nós odiamos mudanças. E a razão pela qual odiamos mudanças é porque a mudança traz muito risco, risco pessoal, risco social, risco financeiro, há muito risco, essa é a razão pela qual odiamos mudanças. Mas só existe uma coisa que nos faz mudar quando odiamos mudanças, e é uma mudança realmente grande, certo? Quando uma mudança realmente grande acontece, ela torna o status quo atual inaceitável. E quando isso torna o status quo atual inaceitável, nós, portanto, temos que mudar para aproveitar a oportunidade ou para nos afastar da ameaça. E eu acho que a primeira parte para conseguir a adesão é explicar qual é essa grande mudança que torna o status quo atual inaceitável, e esse é o seu porquê agora. Agora, uma vez que você tenha feito o seu porquê agora, você chega ao seu porquê, o porquê da sua solução, a coisa que você está propondo. E é aí que você fala sobre, ok, eu entendi o seu porquê agora, mas quais são os obstáculos neste momento que estão impedindo você de resolver esse problema? Você precisa nomear os obstáculos antes de pular para a solução, caso contrário, você está apenas enviando uma solução, mas está deixando para mim a tarefa de conectar esses pontos. Agora, uma vez que você tenha nomeado esses obstáculos, agora você fala sobre sua solução, essa solução pode ser HowNow, Easygenerator, IA disso, IA daquilo. Mas quando você está falando sobre essa solução, você fala sobre ela no contexto de: quais são os obstáculos que essa solução vai me ajudar a superar? Agora vamos assumir que você fez isso, então você chega à sua última parte, que é o porquê não. O porquê não é essencialmente: nenhum business case ou proposta é sólido até que você tenha falado sobre todas as coisas que podem dar errado e você aborde isso. E uma das coisas mais comuns que surgem agora é o medo de errar. Essa fobia é a razão mais comum pela qual as pessoas não fazem nada a respeito de algo. E então, você precisa abordar: por que temos esse medo de errar? É a falta de experiência, é a falta de capacidade e recursos? E você incorpora isso ao seu business case para conseguir a adesão e alinhá-lo a essa estratégia. Então, esse é tipicamente o framework com o qual trabalhamos com as organizações para conseguir apresentar o que quer que seja a solução para a qual você está tentando obter adesão.

Ashling: Sim, e eu diria que trabalhar com clientes também, no lado do valor para o cliente, quando eles estão construindo business cases, faz muito sentido, então desenvolver isso, e espero que ajude. Acho que você também ajudou a responder a uma pergunta do Callum sobre como criar adesão, então Callum, três porquês, você ouviu aqui do Nelson. Antes de encerrarmos, também vejo uma pergunta da Monique. A Monique está usando IA para criar alguns e-learnings e notou que, após regenerar algumas vezes, você pode obter resultados diferentes, e quer saber se existem diretrizes sobre configurações para criar conteúdo da melhor qualidade. Talha, com sua experiência, talvez você pudesse fornecer algumas informações aqui.

Talha: Sim, acho que tentaremos compartilhar algumas diretrizes gerais, acho que é claro que existem algumas específicas para cada ferramenta, mas também existem algumas coisas gerais que podemos fazer. Acho importante entender que os modelos de IA, por natureza, não são determinísticos, e é absolutamente verdade que, em muitas de suas iterações com a IA ou fluxos de trabalho pelos quais você passa, provavelmente obterá um resultado e, na segunda vez, provavelmente obterá um resultado completamente diferente. E existem maneiras de, é claro, tentar obter resultados mais determinísticos. Claro, começando com o que você está usando em termos de prompts, escrevendo prompts muito melhores e detalhados, garantindo que suas técnicas de prompt não sejam prompts grandes, por exemplo, coisas como faça isso ou faça aquilo, mas sim dando mais detalhes sobre o que exatamente você deseja alcançar com o resultado. E se você quiser algo consistente, certifique-se de que seus prompts também sejam consistentes, seguindo algum tipo de modelo e, claro, seu conteúdo de origem. Se você estiver trabalhando com uma solução baseada em RAG, onde está carregando documentos e outros contextos, certifique-se de que isso não seja muito grande e nem detalhado demais. Certifique-se de que seus documentos e seu conteúdo de origem estejam limpos, bem estruturados e ideais para ingestão. Não algo como um livro de trezentas ou quatrocentas páginas, ou um documento de duas páginas, e esperar que ele crie um e-learning de nove páginas. Portanto, você precisa ter um bom entendimento do que está usando, em termos das capacidades da ferramenta, mas também alinhar seu documento de origem com isso. O uso de prompts é provavelmente uma das principais habilidades aqui e, claro, limpar seu conteúdo de origem e garantir que ele esteja pronto para IA, essas são as duas coisas. E, de uma perspectiva de aprendizado, também indo para um exemplo do Easygenerator, temos um recurso chamado Course Builder, onde temos uma seção em que o aluno define seus objetivos. Portanto, novamente, também incentivamos muito o autor a ser bem específico com seus objetivos, como o que exatamente ele quer que o aluno faça ou saiba, quais tópicos, quais são os resultados? E ser detalhado nisso realmente ajuda a IA a direcionar a criação de conteúdo nessa direção e a selecionar as coisas certas do documento de origem.

Ashling: Monique, posso tratar disso offline também para ver se é algo mais específico do Easygenerator, também posso compartilhar algumas diretrizes mais específicas com você, mas farei questão de entrar em contato. Acho que isso nos leva ao fim de hoje, notei que estamos quase na hora, então, antes de encerrarmos, alguma última palavra, Talha, ou alguma última palavra, Nelson?

Nelson: Eu posso começar. Foi bom ver a experimentação como uma das coisas mais votadas em sua enquete, e acho que essa é a coisa mais importante agora; eu diria que todos precisam ser o diretor de experimentação em suas organizações. E o que eu recomendaria é experimentar em público. Não se trata apenas de você experimentar e testar ferramentas, mas acho que também é importante construir a cultura na organização, compartilhar com o que você tem experimentado, o que aprendeu, o que funcionou, o que não funcionou, e fazer isso em público. E acho que essa é a melhor maneira de impulsionar a cultura de experimentação e adoção de IA em sua organização; não há maneira melhor do que experimentar em público.

Talha: Sim, você resumiu muito bem. Sim, isso é definitivamente algo que eu realmente encorajaria, acho que é muito útil para a organização, e o aprendizado compartilhado de IA é onde o progresso realmente acontecerá. Da minha parte, também estou muito, muito animado com a direção que o setor está tomando, há muitas coisas empolgantes acontecendo, dia sim, dia não surge uma nova inovação em IA que toma as redes sociais de assalto, e, na verdade, coisas bem interessantes estão acontecendo. Então, o que isso significa para as equipes de T&D e especialistas no assunto, descobriremos nos próximos meses.

Ashling: Vamos ver, nos próximos seis a 12 meses estaremos aqui novamente analisando o que vem a seguir. Mas por hoje, muito obrigado ao Nelson e ao Talha por uma conversa muito honesta e prática, eu gostei muito e tenho muitas ideias que quero implementar agora. E também quero agradecer a todos que se juntaram a nós e enviaram perguntas.

Transcrição produzida a partir das legendas do VEED. Atribuição de orador definida com base no contexto e na função.