69,9% dos líderes do mid-market afirmam que a sua equipa já tem as competências necessárias para o sucesso futuro. No mesmo inquérito, entre as mesmas 722 organizações, no mesmo mês, 20,2% relatam um impacto altamente positivo dos seus investimentos em IA e tecnologia (CLA, 2026).
Coloque estes dois números lado a lado, porque a maioria dos orçamentos de IA assenta no pressuposto de que se movem em conjunto.
Não se movem. E a direção da inversão importa mais do que a sua dimensão: a população estudada excluiu, por declaração própria, o défice de competências. Não são analistas a diagnosticar o mid-market a partir de fora. São as pessoas que assinam as faturas, a dizer-lhe que a sua equipa é capaz — e a dizer-lhe a seguir que o investimento, na maior parte, não produziu resultado.
O que significa que a questão da preparação da força de trabalho para a IA, tal como a maioria das equipas de operações do mid-market a formulou durante dois anos, está resolvida — e não comprou o retorno que todos assumiam.
O que o CLA Heartbeat Index mediu de facto
O CLA Heartbeat Index, divulgado a 18 de agosto de 2026, inquire pequenas e médias empresas, empreendedores, organizações sem fins lucrativos e organizações cívicas nos Estados Unidos. Esta vaga: 722 respondentes. É realizado três vezes por ano, o que faz dele um dos poucos instrumentos em que a amostra é o mid-market, em vez de dados de grandes empresas reduzidos de escala e aceites por bons.
Os números de confiança são uniformemente elevados. 72,2% estão otimistas quanto às perspetivas da sua organização para os próximos doze meses. 68,6% estão confiantes na capacidade de expandir, crescer ou investir em prioridades estratégicas. 69,9% acreditam que a sua equipa tem as competências necessárias para o sucesso futuro (CLA, 2026).
Depois chegam os números de resultados. 49,5% relataram melhorias positivas de eficiência ou desempenho decorrentes de investimentos recentes em tecnologia ou IA. 20,2% relataram impactos altamente positivos.
Ou seja: cerca de metade viu alguma coisa. Um em cada cinco viu alguma coisa que valesse o dinheiro. E os líderes que o relatam são os mesmos que acabaram de dizer que as suas pessoas estão preparadas.
O Chief Solutions Officer da CLA, James Watson, enumerou as preocupações que os líderes efetivamente levantam sobre a IA: implementação, governação, qualidade dos dados, segurança, conformidade, preparação da força de trabalho, gestão da mudança e retorno do investimento. Repare na forma dessa lista. Sete dos oito itens são propriedades da organização. Um é uma propriedade das pessoas.
A preparação da força de trabalho para a IA responde a uma pergunta que ninguém está a fazer
A maior parte da investigação sobre preparação da força de trabalho para a IA reporta uma falha de capacidade e prescreve formação. É uma conclusão confortável, porque a formação é uma rubrica orçamental, um fornecedor e uma taxa de conclusão — tudo coisas que uma equipa de operações consegue produzir até ao fecho do exercício.
Os dados da CLA quebram esse ciclo. Se são os próprios líderes a dizer que a capacidade está presente, então a formação está a ser financiada para resolver um problema que os compradores já descartaram.
Não é uma leitura isolada. O State of AI in the Enterprise 2026 da Deloitte, abrangendo 3.235 líderes em 24 países, concluiu que as competências insuficientes dos trabalhadores são apontadas como a maior barreira à integração da IA — e concluiu depois que a resposta a isso é gravemente desequilibrada. 53% estão a formar a força de trabalho para elevar a fluência em IA. Apenas 30% estão a repensar a organização em torno dos novos padrões da IA, e 33% estão a redesenhar percursos de carreira. Somente 34% usam a IA para transformar profundamente produtos, processos ou modelos de negócio; os restantes dois terços ficam-se pelo incremental (Deloitte, 2026).
Toda a gente forma. Quase ninguém rearquiteta. Depois toda a gente se surpreende por o trabalho continuar igual.
O Work Trend Index 2026 da Microsoft quantifica qual das duas metades compensa de facto. Em 20.000 trabalhadores utilizadores de IA em 10 países, os fatores organizacionais — cultura, apoio da chefia, práticas de gestão de talento — pesaram mais do dobro dos fatores individuais, como mentalidade e comportamento, no impacto de IA efetivamente obtido: 67% contra 32% (Microsoft Work Trend Index, 2026).
Dois terços do retorno são desenho organizacional. A maior parte do orçamento aponta ao outro terço.
Os dois suspeitos que restam
Se as competências não são o constrangimento, restam apenas dois candidatos capazes de produzir um desvio entre 69,9% e 20,2%. Ambos pouco vistosos. Ambos sob o seu controlo já neste trimestre.
1. O trabalho nunca foi redesenhado
Uma pessoa capaz, com uma ferramenta capaz, dentro de um processo inalterado, produz o mesmo resultado um pouco mais depressa, e o ganho dissipa-se no fluxo de trabalho circundante antes de chegar a uma linha da demonstração de resultados.
O Productivity Lab da ActivTrak confrontou esta tese com telemetria comportamental em vez de um inquérito: entre 120.620 trabalhadores, 27% atingiram assistência à pesquisa, 14% execução de tarefas e 2% verdadeira integração no fluxo de trabalho (ActivTrak, 2026). Não 2% das licenças atribuídas. 2% dos trabalhadores cujo trabalho observado mudou efetivamente de forma.
O autorrelato diz preparação. A telemetria diz que o trabalho está intacto. Ambos podem ser verdade ao mesmo tempo — e é exatamente assim que se acaba com uma equipa confiante e um retorno plano.
2. Nunca houve uma medição de partida
O segundo suspeito é mais silencioso e, pela minha experiência com equipas de operações do mid-market, mais comum do que qualquer um admite: ninguém mediu o processo antes de a ferramenta chegar.
Sem uma medição de partida anterior à implementação, «impacto altamente positivo» não é uma observação. É uma sensação com um sinal de percentagem colado. Alguns líderes nesses 49,5% estão a relatar ganhos reais de eficiência. Outros estão a relatar alívio, novidade ou a ausência de desastre. O instrumento não os consegue distinguir, e o leitor também não — o que significa que o valor de 20,2% pode ser o subconjunto honesto, e não o bem-sucedido.
Essa distinção tem uma consequência orçamental direta. Se não conseguir separar um ganho real de uma história plausível, não consegue encerrar uma iniciativa falhada, porque nunca surgem provas suficientemente contundentes para justificar a decisão. Assim, ela sobrevive mais um ciclo.
A objeção: a confiança autodeclarada é um instrumento fraco
Esta é a contestação mais forte disponível, e é justa. Os 69,9% podem estar a medir otimismo em vez de capacidade. Os líderes são maus juízes das competências da sua própria equipa, e o mesmo inquérito mostra 72,2% otimistas quanto aos doze meses seguintes — um estado de espírito que plausivelmente contamina todas as perguntas adjacentes.
Leve a objeção a sério e a conclusão fica mais afiada, não mais fraca.
Se os 69,9% estão inflacionados, então os líderes do mid-market estão simultaneamente errados quanto à sua posição de competências e incapazes de detetar que estão errados. Isso não é um argumento a favor de mais formação. É um argumento de que a organização não tem qualquer medição funcional, nem da sua capacidade nem dos seus retornos — a mesma instrumentação em falta, vista pelo outro lado.
Ou as competências existem e o problema é o fluxo de trabalho, ou a avaliação de competências não é fiável e o problema é a medição. Não há versão destes dados em que a resposta seja «compre mais licenças e faça mais um módulo de formação».
O que separa os 20% dos 76%
Há uma comparação útil na investigação sobre governação de pilotos. A Valliance inquiriu 1.000 quadros superiores e concluiu que 40% das iniciativas de IA permanecem pilotos por desenho — nunca encerradas, nunca escaladas —, subindo para 48% em organizações com programas de IA maduros e consolidados. As empresas presas na fase de piloto demoraram 6,6 meses a ver valor, contra 5,9 meses das restantes, e apenas 20% delas relataram um ROI forte. Entre as empresas que escalaram efetivamente os seus pilotos, 76% relataram-no (Consultancy.uk, 2026).
Vinte por cento contra setenta e seis por cento. A diferença não é talento nem é ferramenta. É a existência, ou não, de um ponto de decisão.
Repare também que a acumulação de pilotos piora com a maturidade do programa. Mais experiência produz mais pilotos perpétuos, não menos, porque um programa maduro tem mais iniciativas em paralelo e a mesma ausência de um mecanismo que obrigue a encerrá-las. A escala, aqui, não se autocorrige. Só um ponto de decisão o faz.
Instrumente dois processos antes do fecho do orçamento
O movimento para este trimestre é mais pequeno do que parece e não exige uma plataforma nova.
Escolha dois ou três processos centrais e estabeleça já a sua medição de partida. Tempo de ciclo, taxa de erro ou de retrabalho, custo por unidade produzida, número de passagens de testemunho. Faça a medição antes de a próxima ferramenta chegar. Se já houver uma ferramenta em uso, meça na mesma — terá pelo menos uma linha de partida para os doze meses seguintes.
Defina uma janela de avaliação fixa e um limiar de sucesso comprometido à partida para cada iniciativa. Escreva o número antes de começar. Um limiar escolhido depois de os resultados chegarem não é um limiar; é uma narrativa.
Torne o veredicto binário no ponto de decisão: escalar ou encerrar. Sem terceira opção. «Continuamos a explorar» é a forma como um piloto se transforma em custo fixo permanente sem dono.
Redirecione uma fatia do orçamento de formação para o redesenho do fluxo de trabalho. Não mais cursos de fluência — um processo concreto, redesenhado de ponta a ponta em torno do que a ferramenta já consegue fazer, com as passagens e aprovações reconstruídas em vez de preservadas. A divisão 53 contra 30 da Deloitte é a alocação por omissão do mercado. Vale a pena invertê-la deliberadamente em pelo menos um processo, para ver o que acontece.
A conclusão é a ausência de conclusão
O mais útil nos dados da CLA não são os 20,2%. É que os 49,5% ficam mesmo por cima — uma faixa larga de organizações a relatar «alguma melhoria» sem conseguir dizer quanta, em relação a quê, ou a partir de que ponto de partida.
Trate «não conseguimos medir o retorno» como a conclusão, e não como um incómodo de reporting a resolver mais tarde. É o mais acionável que este inquérito traz à superfície, porque é o único constrangimento que pode remover sem contratar ninguém, sem comprar nada e sem esperar que o mercado amadureça.
A preparação da força de trabalho para a IA nunca foi o constrangimento determinante, e as pessoas mais próximas da despesa acabaram de o dizer elas próprias. Os seus líderes já lhe disseram que as pessoas estão prontas. Acredite neles — e depois vá descobrir se o trabalho mudou de todo. Antes de fechar o próximo ciclo orçamental, nomeie os dois processos cuja medição de partida vai estabelecer, e a data em que vai ler o resultado.
