No início deste ano, assisti à apresentação do Nabil na conferência Empower KM. Como referi na altura, foi uma das sessões que mais me impressionou. Principalmente porque mostrou um exemplo muito interessante de GC e IA, de mãos dadas, ao serviço de uma aprendizagem verdadeiramente eficaz.
Nabil Keith Durand é especialista em aprendizagem organizacional e gestão de conhecimento, com mais de 15 anos de experiência em indústrias complexas e de alto risco. Nascido no Chile e tendo vivido em quatro continentes, a sua perspectiva global alimenta um trabalho que se situa numa interseção pouco comum: arquitectura de GC, ciências cognitivas e IA generativa. Através da sua consultora Ultrareal, aplica a IA para ajudar as organizações a enfrentar a perda de conhecimento crítico.
Nabil, tens uma licenciatura em Psicologia, um mestrado em Gestão de Conhecimento e um MBA. O que te levou da Psicologia para a GC, e depois para um MBA?
Estudei psicologia numa altura em que a usabilidade de websites estava a dar os primeiros passos, e estava genuinamente interessado no comportamento humano na interação com o mundo.
A equipa ficava frustrada a ver utilizadores perderem-se, mas eu achava fascinante. Como cada um usava técnicas de orientação únicas para navegar no mundo físico e no digital. Por que razão pessoas a olhar para o mesmo mapa acabavam em sítios diferentes. Como algumas não reparavam nos sinais de navegação enquanto outras ficavam assoberbadas por causa deles. E como as pessoas tendiam a seguir o caminho de menor resistência, criando por vezes o seu próprio percurso de uma forma que o arquitecto nunca tinha antecipado simplesmente porque exigia menos esforço.
Dizem que a necessidade é a mãe da invenção, mas eu acho que é a preguiça: as pessoas parecem génios no momento de reduzir o seu trabalho. E foi assim que comecei a interessar-me pelos modelos mentais e pela forma como as pessoas constroem diferentes tipos de mapas do mundo digital e da informação para atingirem os seus objectivos.
O que fui notando era que as pessoas tinham diferentes níveis de “satisficing”, procurando a primeira opção suficientemente boa para a sua necessidade imediata. Não tinha de ser a melhor. Tinha apenas de as encontrar onde estavam.
A versão empresarial desse problema era a arquitectura de informação. Via departamentos a discutir sobre onde é que os documentos deviam “viver”, ou sobre quais os 5 ou 7 links que deviam aparecer na página inicial da intranet, e a perceber que não havia uma resposta certa porque cada pessoa já tinha um mapa diferente na cabeça. E muitas vezes, 20 a 30 links na página inicial era a resposta mais aceitável para que o projecto pudesse avançar.
Nessa altura, já tinha ido algumas vezes à KMWorld, inspirado pela diversidade de oradores na nossa área. Foi aí que me tornei profundamente interessado nos wicked problems (a GC é frequentemente considerada um deles) e na metáfora do Conduit de Michael J. Reddy: por melhor que seja a formulação de um ativo de conhecimento, quem o recebe ainda tem de reconstruir a ideia na sua própria cabeça, podendo acabar com uma ideia completamente diferente.
Lakoff e Johnson mostraram mais tarde por que razão é tão difícil escapar a esse enquadramento: faz parte da forma como os profissionais de GC falam. Capturar, armazenar, transferir, recuperar, disseminar, partilhar, reutilizar: todas são metáforas de conduit (canal). A GC concentra-se frequentemente no canal e raramente na reconstrução.
Estávamos a ficar muito bons a ajudar as pessoas a encontrar o que procuravam. Mas depois de encontrarem, conseguiam reconstruir a ideia de forma útil? E ao longo do tempo, adquiriam a capacidade de a produzir elas próprias? As organizações estavam a tornar-se colectivamente mais inteligentes?
Estas questões levaram-me ao mestrado em GC na California State University, Northridge, onde encontrei uma área que me fez sentido: a Aprendizagem Organizacional (AO) e o trabalho de Peter Senge sobre as organizações aprendentes. A AO ia além do design centrado no utilizador e da construção de bibliotecas, indo à aprendizagem em toda a organização: extrair o máximo de conhecimento tácito da experiência e garantir que era reutilizado por outros, em ciclos de melhoria contínua e ambientes Kaizen.
Na teoria era excelente, mas na prática era como empurrar uma pedra montanha acima, uma pedra que às vezes rolava de volta para baixo.
Mais tarde fiz o MBA no Imperial College London, que me ajudou a perceber como mover montanhas, uma pedra de cada vez. Nas reuniões, os vice-presidentes, directores e gestores concordavam com os programas de GC, mas não tinham capacidade disponível nas suas equipas já sobrecarregadas. As organizações estavam em constante mudança, e qualquer implementação era como construir o avião em pleno voo. Isto levou ao desenvolvimento de programas de micro-mudança que empurravam a GC e a para a frente sem que ninguém se apercebesse.
A minha tese do MBA também me permitiu aprofundar uma questão sobre o desenvolvimento de expertise: por que razão uma organização com bibliotecas cheias de conhecimento explícito continua a ter problemas quando os colaboradores saem? Parte da resposta estava no tecido social, na linguagem partilhada, na arquitectura cognitiva de como se forma a compreensão, e na segurança psicológica para errar em voz alta.
Cada curso ajudou-me a desvendar uma parte diferente do mesmo mistério: como é que as pessoas encontram informação, reconstroem significado e, eventualmente, desenvolvem a capacidade de agir sobre ele.
Há alguns anos, na BP, concebeste e implementaste frameworks globais de lições aprendidas, comunidades de prática e governação para mais de 2.000 engenheiros. Olhando para esse trabalho com as ferramentas de hoje e o que sabes agora, há algo que farias de forma fundamentalmente diferente?
Teria dado prioridade à captura do “porquê por detrás do porquê” (“the why behind the why”) junto de todos os engenheiros — muitos dos quais tinham 20 a 30 anos de experiência.
Costumávamos afogar-nos em informação, e agora não há informação suficiente do tipo certo para alimentar os modelos de linguagem de grande escala (LLMs).
Muitas organizações já tentaram apontar LLMs para fontes de informação internas — bases de conhecimento, PDFs, PowerPoints, e até conversas de email, Teams ou Slack — mas isso não conseguiu sintetizar expertise, porque muitos desses artefactos são o resultado final e polido do processo de julgamento, não o contêm de facto.
Teria capturado os comentários “por cima do ombro” enquanto abordavam um problema difuso (fuzzy problem) e o iam definindo: convocar outras áreas, identificar constrangimentos ocultos e relações complexas, e descer pelo caminho do “bem, depende”. E depois ir além da memória livre, através de entrevistas aprofundadas: o raciocínio por detrás de cada decisão, explorar cada passo da forma como abordavam uma situação complexa — esse sistema entrelaçado de problemas que interagem entre si. E ir até além do indivíduo: capturar as perguntas e respostas de pessoas menos seniores nas comunidades de prática ou nos Lunch and Learns, os comentários do especialista sobre artigos de conferências, novas tecnologias, livros.
Disseste “the why behind the why”. Podes falar um pouco sobre isso.
Há um desafio muito real na extracção de conhecimento tácito dos especialistas.
Polanyi diz “podemos saber mais do que conseguimos dizer”, e Snowden vai ainda mais longe: “diremos sempre mais do que conseguimos escrever.” E quando pressionados, os especialistas confabulam a resposta, reconstruindo explicações que podem não representar a realidade.
Isto não mudou na era dos LLMs. As explicações confabuladas não são inúteis: as considerações, os constrangimentos e as ligações que o especialista vai nomeando ao longo do caminho são reais. Mas é também por isso que é importante capturar enquanto se trabalha em voz alta (work-as-done), pois tende a estar mais próximo da verdade do que um debrief ou uma memória livre (free recall) depois dos fatos (work-as-imagined).
Onde os LLMs mudaram o jogo foi na sua capacidade de processar e organizar informação não estruturada em escala. Os sistemas anteriores não conseguiam lidar com este tipo de material. Lições aprendidas, after-action reviews, relatórios de encerramento de projetos e relatórios de investigação de incidentes tinham de ser preenchidos dentro de templates: resumos de eventos e decisões, eliminação de detalhes considerados irrelevantes, taxonomias e ontologias rígidas para facilitar a pesquisa e as métricas. Era uma forma de compensar a tecnologia disponível na altura. Mas agora, várias gravações de duas horas com engenheiros podem ser facilmente transcritas, as lições extraídas e o resultado apresentado em qualquer formato ou estilo exigido pela organização.
A captura de expertise em bruto serve essencialmente dois propósitos. A rede de ligações do especialista — o que se conecta com o quê — torna-se a base para ontologias e grafos de conhecimento: o mapa que uma IA usa para navegar pela informação de uma empresa. E as ideias interligadas e os exemplos trabalhados tornam-se o contexto do julgamento especializado, afastando o LLM da resposta média e genérica (mode collapse) e orientando-o para a cauda longa de detalhes concorrentes que um especialista consideraria.
A tua apresentação na EmpowerKM toca num ponto que acho silenciosamente devastador: as organizações construíram sistemas sofisticados para armazenar e distribuir conhecimento, mas quase nunca avaliam se alguém realmente aprendeu alguma coisa com isso. Como chegaste a essa conclusão? Houve um momento ou projeto específico em que isso se tornou evidente?
Construímos uma máquina de aprendizagem organizacional que processava cada lição crítica na perfeição. Depois perguntámos se alguém estava a aprender com elas, e não conseguimos responder.
Foi durante o meu tempo na Global Wells Organization da BP, depois de termos montado o nosso programa de Aprendizagem Organizacional. Operacionalizámos as lições aprendidas e as conclusões das investigações, tanto de dentro como de fora da BP. Tudo o que era capturado passava por um processo de curadoria e verificação por parte de consultores seniores e equipas de aprendizagem locais em cada região, disseminação através de comunidades de prática, base de dados de lições aprendidas, boletins de segurança trimestrais, e um comité de governação centralizado com liderança que analisava as lições globalmente relevantes. As lições críticas podiam ser expedidas e integradas em procedimentos, formação e conformidade dentro deste enquadramento. O programa de AO era muito utilizado e muito elogiado por engenheiros em todo o mundo.
Era o processo de aprendizagem de ciclo único (single-loop learning), e funcionava bem para fechar o ciclo em todas as lições críticas. Foi quando avaliámos o enquadramento através da lente da aprendizagem de duplo ciclo (double-loop learning), questionando os pressupostos e os objetivos que moldavam a forma como aprendíamos, que surgiram novas perguntas.
Algumas vez reutilizávamos as lições que estavam a ser processadas? Em GC/AO chamamos-lhes “lições aprendidas”, mas quem estava realmente a aprender com elas? A capacidade organizacional estava a melhorar à medida que as lições eram capturadas? Éramos uma organização aprendente?
Não havia forma de medir isso diretamente, apenas através de indicadores indiretos como a redução do tempo não produtivo, a redução de incidentes de saúde e segurança, o número de lições de qualidade capturadas, o tempo médio de validação de lições, os acessos mensais à base de dados. Embora sejam métricas padrão para demonstrar retorno sobre o investimento, não medem de uma mudança no processamento cognitivo ou uma mudança comportamental duradoura. São bons sinais, mas não de um aumento coletivo de expertise.
Parte da resposta surgiu quando colaborámos com as equipas regionais de aprendizagem. Ouvia frequentemente a expressão “é como beber de uma mangueira de incêndio!”, referindo-se ao enorme volume de informação que lhes chegava: dados diários de projetos, novas regulamentações, protocolos atualizados, lições aprendidas, atualizações da intranet, notícias corporativas, alertas de segurança (da região, da empresa e do setor). Os trabalhadores tinham de fazer triagem de tudo isso constantemente, para além de realizar as suas funções.
É natural assumir que as pessoas estão sempre a aprender, que quando algo realmente importa, vai emergir do ruído e ser absorvido. No entanto, Pensar, Depressa e Devagar de Daniel Kahneman oferece uma imagem diferente. Os seres humanos não são máquinas em aprendizagem contínua que ocasionalmente ficam preguiçosas. Muito pelo contrário. Somos organismos que conservam energia e filtram por defeito, gastando o dispendioso combustível cognitivo do pensamento profundo apenas quando o nosso subconsciente considera que vale o esforço.
Assim, quando um trabalhador do conhecimento não consegue perceber imediatamente se uma lição é relevante para si, o comportamento por defeito não é aprendê-la. É filtrá-la. O trabalhador também não está a escolher ignorá-la: a lição simplesmente não recebeu atenção suficiente e foi redirecionada para a pasta de spam do cérebro.
O próprio filtro vai sendo treinado. Os trabalhadores encontram uma estratégia vencedora de filtragem, otimizada para reduzir o esforço, e continuam a reutilizá-la muito depois de ter ficado desatualizada. Um engenheiro desenvolve a capacidade de identificar rapidamente lições valiosas e continua a aplicá-la sem se aperceber, mesmo depois de o ambiente ou a situação terem mudado. Mais leitura e vigilância não resolve o problema. O que ajuda é a experiência em muitas situações diferentes.
Reconhecer a relevância é muito mais difícil do que parece. Uma lição é um documento escrito com as palavras de outra pessoa, sobre o contexto de outra pessoa. Um engenheiro sénior pode extrair a relevância da lição e conectá-la a experiências semelhantes; mas para alguém mais júnior, é mais um boletim na fila de espera.
Saber qual a lição que importa para o trabalho que tens à frente não é uma competência de leitura. É expertise em si mesma.
Era esse o fosso. Conseguíamos acompanhar as lições à medida que percorriam o sistema, mas não conseguíamos dizer se as pessoas estavam a ficar melhores a reconhecê-las e a aplicá-las. O trabalho com a Taxonomia de Bloom e a IA veio mais tarde — quando o feedback imediato tornou possível começar a examinar essa questão diretamente.
A IA pode ser extremamente eficiente a trazer à superfície conhecimento explícito. No entanto, o conhecimento organizacional mais valioso é frequentemente tácito. E mesmo quando o conhecimento está bem documentado, aceder a ele não é o mesmo que aprendê-lo. Há um risco real de que a IA torne ainda mais fácil para as organizações confundir ter conhecimento armazenado com realmente saber algo. Isso está a acontecer?
Quando comparada com uma caixa de pesquisa, a interface de linguagem natural da IA faz com que o acesso à informação se pareça mais com saber. Faz parecer que temos uma comunidade de prática no bolso. Mas é uma ilusão.
Os cientistas cognitivos descrevem isto como o “efeito de comunidade de conhecimento” (“community of knowledge effect“): as pessoas tendem a esbater as fronteiras entre o que sabem e o que a sua comunidade e as suas ferramentas sabem.
Dá a mesma resposta de uma IA a um novato e a um engenheiro sénior. O novato pode ver um produto acabado. O engenheiro sénior vê pressupostos a testar, influências em falta e decisões que dependem do contexto.
É o paradoxo do conhecimento e da IA: quanto menos sabemos, mais difícil é reconhecer o que está errado numa resposta. À medida que a nossa expertise aumenta, as lacunas tornam-se mais fáceis de identificar e resolver. Esta distinção importa porque as organizações tendem a equiparar o acesso fácil à informação com a compreensão genuína. Saber como encontrar e seguir um Procedimento Operacional Standard (POS) é um nível de expertise muito diferente de ser capaz de escrever ou adaptar um.
A criação de novos documentos exige manter na memória de trabalho muitas ideias complexas, abstratas e concorrentes, usando o julgamento para construir um fluxo coerente e lógico para um caso de uso específico. Se o caso de uso muda, o autor sabe quais os aspetos do documento que precisam de ser atualizados.
Com conhecimento tácito profundo, o autor consegue fazer isto repetidamente, navegando em situações complexas e difusas num ambiente em constante mudança, e considerando diferentes tipos de influência (apresentações em conferências, estudos de caso, regulamentações e práticas do setor em evolução). Entretanto, muitos utilizadores do documento conseguem seguir o POS à letra, mas não são capazes de replicar o processo de criação em novas situações — pelo menos até desenvolverem a expertise necessária.
Usar os grandes modelos de linguagem (LLMs) e o acesso à informação para lidar com esta nova relação exige fornecer à máquina informação de maior qualidade e contexto mais rico, ao mesmo tempo que se constroem internamente mais especialistas de domínio (domain experts) capazes de avaliar o que a IA acertou e o que falhou. E a informação não pode ser apenas os produtos finais. É necessário capturar o julgamento e o raciocínio que acompanham o processo, o porquê por detrás das decisões, que cria as migalhas para navegar em cenários ambíguos. E embora a IA continue a cometer erros, é também a melhor ferramenta que já tivemos para fechar precisamente a lacuna que ela própria expõe.
Deixa-me pegar nessa ideia. O que achas que a IA pode genuinamente fazer pela GC que simplesmente não era possível antes, mesmo que o tivéssemos desejado?
Pela primeira vez, um documento pode falar com o utilizador, e o utilizador pode responder. Isso muda fundamentalmente a nossa relação com ele. A própria informação pode agora tornar-se dialógica.
Em vez de encontrar um documento como uma transmissão unidirecional, o leitor pode questioná-lo, pedir-lhe que se explique de forma diferente, testar a sua interpretação, e receber feedback sobre se compreendeu corretamente.
Desde que o conhecimento começou a ser escrito, o documento permaneceu estático. Um especialista codifica o que sabe usando a sua própria linguagem, metáforas, jargão e pressupostos. O ónus recaía então sobre o leitor para descodificar o que o autor tentava transmitir. Por vezes era difícil de ler e exigia paciência para seguir o raciocínio do autor. Era também comum ligar ao autor para que interpretasse o seu próprio documento.
A IA mudou isso. Uma mesma fonte pode ser reapresentada para a pessoa que a utiliza. Pode traduzir jargão para uma linguagem mais familiar, substituir metáforas por outras que correspondam melhor ao contexto do aprendente, decompor conceitos de nível superior em passos mais simples, e construir os andaimes necessários para atingir uma compreensão mais avançada. Uma explicação pode agora ser diferente para cada pessoa numa organização.
E a interação funciona também no sentido inverso. Os utilizadores podem explicar à IA o que entenderam; e a IA pode comparar com o material de origem, identificar equívocos e mostrar onde o raciocínio se desviou. Um aprendente pode até testar o nível da Taxonomia de Bloom que efetivamente atingiu, em vez de confiar que compreendeu corretamente.
Antes da IA, a única forma de tornar um ativo de conhecimento interativo passava geralmente por falar com o especialista, o formador ou o colega experiente que o tinha criado. Agora, quase qualquer documento pode funcionar mais como um tutor: responsivo, adaptável e disponível a toda a organização. Isso é extraordinariamente poderoso, e era isto que estava no centro da minha apresentação na conferência EmpowerKM.
No teu trabalho em GC integras a neurociência e as ciências cognitivas. Não é uma mistura muito habitual entre os profissionais de GC. O que é que esse corpo de conhecimento nos diz sobre como as pessoas desenvolvem expertise, e que a área da GC tem largamente ignorado?
Muitas vezes tratamos a expertise como um PDF: tentamos capturar o conhecimento tácito da cabeça do especialista, documentá-lo, e copiá-lo e colá-lo na cabeça da pessoa seguinte. Mas não é assim que a neurociência e as ciências cognitivas nos dizem que a expertise se desenvolve. A expertise não é transferida intacta de uma pessoa para outra. Tem de ser reconstruída dentro do aprendente.
A GC frequentemente usa diferentes versões da metáfora do canal de Reddy: construir conhecimento é como empilhar blocos de lego, um de cada vez, ou encher um copo com água. Alguns vão mais longe na metáfora, introduzindo perda e aleatoriedade: o aprendente empilha os legos numa ordem diferente, ou 30 a 70% da água é filtrada antes de chegar ao copo. Mas mesmo estas versões assumem que o que é recebido é fundamentalmente o mesmo que foi enviado.
O que falta é reconhecer que o aprendente pode construir algo completamente diferente do que o especialista pretendia sem que nenhum dos dois necessariamente saiba que isso aconteceu. O emissor descreve chá verde e o recetor faz um café. O emissor pergunta: “Recebeste?” E o recetor, a olhar para o café, responde: “Sim, claramente.” Nenhum se apercebe da divergência na sua compreensão.
Este desfasamento pode ter origem em ambos os lados. Do lado do especialista, o conhecimento profundo dificulta a perceção do que o aprendente não sabe. Do lado do aprendente, cada explicação é interpretada através do conhecimento e da experiência que já possui.
A Maldição do Conhecimento é um viés cognitivo: quando sabemos algo em profundidade, perdemos a capacidade de imaginar o que é não o saber. Quando documentamos a nossa expertise, não imaginamos bem o leitor, explicando demasiado algumas coisas e esquecendo contexto crucial. Cinco ou dez anos depois, esse documento é herdado por um novo leitor, muitas vezes tão capaz quanto o original mas sem a história partilhada que o autor considerava óbvia.
As metáforas, o jargão, as abreviaturas e os pressupostos que eram evidentes para os colegas do autor podem agora ser indecifráveis, porque o novo leitor não tem o que os psicolinguistas chamam “terreno comum”. É uma das principais razões pelas quais tanta documentação organizacional pode permanecer tecnicamente correta e perfeitamente arquivada, tornando-se ao mesmo tempo cada vez mais difícil de compreender com o passar do tempo.
Na base destes problemas está a teoria do schema: compreender é o ato de ligar o desconhecido ao familiar. Nada é aprendido completamente de forma isolada. À medida que as pessoas aprendem mais sobre um domínio, a sua capacidade de aprender ainda mais a partir dele aumenta, porque têm mais conceitos, exemplos e experiências aos quais ancorar.
No entanto, ter os pontos de ancoragem certos não é suficiente. A informação tem de receber atenção suficiente para os alcançar. Como referi anteriormente, os seres humanos não são máquinas de aprendizagem contínua. Mesmo em ambientes de trabalho ou de aprendizagem formal, conservamos energia cognitiva, recorrendo por defeito a uma espécie de piloto automático baseado em filtros, hábitos, vieses e heurísticas. O pensamento mais profundo precisa de uma razão para ser ativado.
A relevância fornece essa razão. Se o material se conecta a algo do passado do aprendente, a um problema imediato ou a algo que já lhe importa, a atenção aumenta. Se não o fizer, o cérebro é muito eficiente a filtrá-lo. Vi isto repetidamente em workshops: descreve um problema que alguém reconhece do seu próprio trabalho e a pessoa inclina-se para a frente; descreve um que a pessoa não consegue relacionar com nada e começa a verificar o email. A relevância atrai ou afasta as pessoas.
A atenção faz entrar o material pela porta, mas a expertise exige ainda que o aprendente faça algo com ele. A aprendizagem que fica envolve o que os cientistas da aprendizagem chamam “dificuldade desejável” (“desirable difficulty”), o esforço de recuperar uma ideia, explicá-la e aplicá-la por nós próprios. Pode parecer subir uma encosta íngreme, mas essas repetições mentais não são esforço desperdiçado. O atrito não é uma falha no processo de aprendizagem; é o próprio processo.
Um estudo pre-print do MIT usou eletroencefalografia durante a escrita de ensaios e sugere que delegar demasiado trabalho cognitivo à IA generativa pode enfraquecer a memória, acumulando o que os investigadores chamam “dívida cognitiva” (“cognitive debt“). Na era da IA, parte do esforço difícil pode ser precisamente o que precisamos de preservar.
Mas o esforço por si só não garante que a compreensão que está a ser construída seja correta. Sem calibração, os aprendentes podem simplesmente tornar-se mais confiantes na reconstrução errada.
O que nos leva ao feedback: o mecanismo que permite aos aprendentes testar a sua compreensão e descobrir onde o seu raciocínio se desviou. Os documentos estáticos não fornecem qualquer sinal. Podem deixar o aprendente no que os investigadores chamam um “ambiente de aprendizagem perverso” (“wicked learning environment“), onde o feedback é tardio, ruidoso ou ausente, permitindo que interpretações incorretas sobrevivam e se reforcem.
Verificar a compreensão geralmente requer algo externo: uma conversa com um colega experiente, uma pergunta num reunião ou junto da máquina do café, ou uma tentativa de aplicar o conhecimento no mundo real e observar o resultado.
A GC já conduz muitas das atividades que criam estas condições: comunidades de prática, mentoria, coaching, aprendizagem por apprenticeship, peer assists, entrevistas aprofundadas e almoços de partilha de conhecimento. São as atividades dialógicas. O aprendente pode fazer uma pergunta, revelar como compreende algo neste momento, e receber uma resposta calibrada para onde está. É aqui que a relevância, a dificuldade e o contexto social realmente vivem.
O problema é que estas atividades dependem da disponibilidade das pessoas e são difíceis de escalar. A IA não pode substituir o julgamento especializado que existe nelas, mas pode estender algumas das suas funções de aprendizagem: adaptar explicações, conectar novas ideias ao conhecimento existente, fazer perguntas, testar a compreensão e fornecer feedback imediato. Isso cria a possibilidade de apoio de aprendizagem personalizado em toda uma organização, a uma escala que as atividades comuns de GC/AO não conseguiam alcançar.
A tua empresa, a Ultrareal, está focada na preservação do conhecimento institucional e na aceleração da transferência de capacidades. Qual é a dimensão do problema nas organizações com que trabalhas? E porque continua a ser subestimado?
O problema é geralmente muito maior do que a organização percebe, mesmo quando existe um programa maduro de GC, documentação sólida e sucessores prontos a assumir funções. Durante uma auditoria de risco, a continuidade de negócio pode parecer garantida no papel, mas o verdadeiro teste é saber se outra pessoa consegue efetivamente realizar o trabalho e adaptá-lo quando a situação muda.
O problema esconde-se frequentemente em áreas que parecem estar cobertas. As pessoas conhecem os procedimentos, reconhecem a terminologia e trabalharam lado a lado com a função durante anos. Por isso a continuidade parece assegurada. No entanto, essa familiaridade pode nunca ter sido testada através de desempenho independente ou em condições de mudança.
É o ponto cego organizacional. Na minha apresentação na EmpowerKM, pedi ao público que desenhasse uma bicicleta de memória, replicando um estudo de Rebecca Lawson. Toda a gente conhece muito bem uma bicicleta, mas a maioria das pessoas luta para desenhar exatamente onde todas as peças se encaixam.
As pessoas têm a certeza de que conseguem desenhar uma bicicleta… até tentarem.
Os psicólogos chamam a isto a Ilusão de Profundidade Explicativa (Illusion of Explanatory Depth): acreditamos que compreendemos como as coisas funcionam muito mais profundamente do que realmente compreendemos. Chamo-lhe por vezes o efeito TED Talk: sentimo-nos especialistas depois de ouvir um especialista apresentar. Confundimos familiaridade com compreensão profunda. Tornamo-nos tão familiarizados com um processo ou documento que acreditamos que poderíamos tê-lo escrito nós próprios.
Essa ilusão vai ainda mais longe. Acreditar que compreendemos um processo é uma coisa; acreditar que o conseguiríamos adaptar quando as condições mudam é outra.
Os psicólogos educacionais Hatano e Inagaki estabeleceram uma distinção entre dois tipos de expertise: rotineira e adaptativa. Os especialistas rotineiros tornam-se altamente eficientes na realização de tarefas familiares em condições familiares. Os especialistas adaptativos vão mais longe: reconhecem quando a abordagem estabelecida já não se adequa, compreendem quais os pressupostos que mudaram e ajustam a sua resposta em conformidade.
E é precisamente esse julgamento adaptativo que o documento acabado não consegue abarcar. O artefacto polido é apenas o resultado final. Não mostra o conhecimento tácito e o julgamento que estiveram na sua origem: o autor teve de navegar numa rede de experiência prévia e decidir qual o conhecimento relevante a incluir ou descartar para aquele caso de uso específico. Se o ambiente mudasse, o mesmo autor pesaria as novas variáveis e produziria um artefacto completamente diferente.
O documento é o desenho da bicicleta. E na maioria das organizações, o plano de continuidade depende dele.
Tudo aquilo de que temos estado a falar — a diferença entre ter acesso ao conhecimento e aprender, o papel das ciências cognitivas, a urgência da retenção de conhecimento — está na base de algo que desenvolveste. Fala-nos do agente de IA: o que faz, que problema resolve e como funciona?
O agente é um tutor de IA dialógico que transforma um documento em microaprendizagem personalizada, com ferramentas de feedback que testam se o aprendente realmente compreendeu o conteúdo. À medida que a compreensão se desenvolve, a dificuldade aumenta.
O agente enquadra-se numa atividade de aprendizagem organizacional mais ampla, na qual o aprendente acaba por ensinar o material de volta ao especialista que escreveu o documento. Essa conversa pode revelar lacunas de ambos os lados: algo que o aprendente compreendeu mal, ou algo que o especialista assumiu que o documento explicava claramente. Se o aprendente conseguir explicar e aplicar o material quando pedido, há evidência muito mais sólida de que tanto a compreensão como a documentação se aguentam.
Para facilitar o piloto, construímo-lo como uma extensão de Chrome em vez de mais uma plataforma empresarial. Pode funcionar em cima de um LLM interno ou externo aprovado. O design de aprendizagem vive numa biblioteca de prompts ancorados em princípios como a auto-explicação, a Taxonomia de Bloom e o feedback diagnóstico. A tecnologia é relativamente acessível; a parte difícil é desenhar interações que façam o aprendente pensar, em vez de simplesmente consumir uma resposta.
O objetivo de design comum a tudo isto é evitar a armadilha do consumidor de informação, em que a IA faz todo o trabalho de pensar e o utilizador apenas observa (ou desliga). Três princípios mantêm o aprendente fora dessa armadilha: interação dialógica, criação de relevância e escalada do modelo de maturidade da compreensão. O diálogo mantém o aprendente ativo, a relevância mantém-no atento enquanto estabelece ligações com experiências anteriores, e o modelo de maturidade dá-lhe algo para conquistar.
O primeiro princípio, a interação dialógica, significa que o aprendente tem de produzir algo, não apenas receber. Há estudos que mostram que ser capaz de explicar um conceito usando as próprias palavras ajuda a desenvolver profundidade e fluência, ao mesmo tempo que descobre lacunas no conhecimento. Alguns chamam a isto a técnica Feynman, em homenagem ao vencedor do Prémio Nobel, enquanto os cientistas cognitivos a chamam o efeito de auto-explicação. O aprendente usa as suas próprias palavras para explicar à IA os conceitos da microaprendizagem, e a IA assinala onde a explicação é fraca ou incorreta. Embora seja fácil percorrer um documento superficialmente, ter de o explicar expõe se realmente compreendemos os conceitos subjacentes ou não. Não conseguimos fingir uma explicação profunda. A IA revela-se também um excelente parceiro de fala e escuta, fornecendo feedback em tempo real à medida que o aprendente trabalha o material. O feedback não substitui um especialista humano, mas é muito melhor do que o que existia antes da IA.
O segundo princípio, a criação de relevância, é o método socrático invertido. O aprendente sonda a microaprendizagem a partir de ângulos diferentes: o que acontece se esta variável mudar, como é que isto se relaciona com algo que já sei, onde é que esta abordagem falharia? À superfície, parece que o aprendente está a divagar. Existe toda uma literatura de investigação sobre perguntas geradas pelo aprendente que mostra que a divagação ativa precisamente as âncoras pré-existentes da mente, aproveitando as fundações que já lá existem para conectar novas ideias. A relevância é o que conquista a atenção em primeiro lugar.
O terceiro princípio é a subida pelo modelo de maturidade da compreensão. A Taxonomia de Bloom revista funciona como um modelo prático de maturidade da compreensão, conduzindo o aprendente de reconhecer e explicar uma ideia para a aplicar, analisar e, eventualmente, exercer julgamento. Porque as respostas de AI com base em fontes abertas pode introduzir alucinações, o agente ancora estas interações na fonte carregada e apoia-se na capacidade da IA para transformar, questionar e reexprimir material existente. À medida que o aprendente progride, as perguntas deixam de ser sobre repetir o que o documento diz e passam a ser sobre decidir quando, onde e como as suas ideias devem ser usadas.
O passo do Expert in the Loop é o que fecha o ciclo, e é também onde a própria documentação é testada. Daí emergem o que eu chamo “erros felizes” (happy mistakes): situações em que alguém seguiu a documentação e acabou num sítio diferente. Cada erro feliz é uma lacuna que o autor não sabia que existia, porque é demasiado fluente no material para ver o que é ambíguo para alguém que chega de novo.
Nada do trabalho do Expert in the Loop funciona a menos que as pessoas consigam revelar uma compreensão errada sem serem penalizadas por isso. O que faz da segurança psicológica parte da arquitetura de aprendizagem, não apenas uma aspiração cultural.
Falas em “AI-driven scaffolding” para acelerar o onboarding e o upskilling. Scaffolding é um conceito pedagógico muito específico, que implica um suporte temporário que vai sendo gradualmente retirado à medida que a competência cresce. Esse enquadramento é intencional na forma como pensas sobre a aprendizagem assistida por IA? O que significa na prática para o design destes sistemas?
Sim, é intencional. O scaffolding, em si, não é novo: tem sido uma ferramenta central no design curricular dos departamentos de L&D e do setor da educação. A GC também o uso há muito tempo, de forma informal, através de muitas atividades dialógicas em que as perguntas são bem-vindas e a resposta volta calibrada para onde o aprendente está naquele momento. É scaffolding como atividade viva e humana, sem o rótulo pedagógico.
O que nunca teve andaime (scaffolding) foi o ativo de conhecimento escrito. A documentação é criada uma vez, ao nível de expertise do autor, e espera-se que cada leitor futuro a descodifique na totalidade com um nível de compreensão que é provavelmente muito inferior.
Isso funciona para a documentação de estilo procedimental: segue estes passos, por esta ordem, obtém este resultado. Deixa de funcionar no momento em que se vai mais fundo, ao raciocínio e ao julgamento por detrás dos passos, que é precisamente a parte que queremos preservar e replicar nas nossas equipas.
É aqui que usar a IA generativa para criar andaimes no próprio conteúdo escrito se torna poderoso: pegar em algo altamente abstrato e decompô-lo em partes mais pequenas e digeríveis, em linguagem mais simples. “Explica-me como se eu tivesse cinco anos” e “explica-me como se eu tivesse um doutoramento na área” produzem duas explicações diferentes do mesmo conceito. Nenhuma está errada. Estão calibradas para pontos de partida diferentes. Mas um aprendente não pode saltar diretamente para a versão do doutoramento.
Na prática, o sistema segue uma espécie de princípio de Cachinhos Dourados (Goldilocks principle): a tarefa não deve ser nem demasiado fácil nem demasiado difícil, mas suficientemente desafiante para estimular o aprendente. Isto aproxima-se da Zona de Desenvolvimento Proximal de Vygotsky, onde o suporte é calibrado para o que o aprendente consegue alcançar com orientação, sendo gradualmente reduzido à medida que a sua capacidade aumenta. É um pouco como as legendas num filme estrangeiro. À medida que alguém se torna mais fluente, apoia-se menos nas legendas. Eventualmente podem desaparecer por completo; o andaime foi retirado.
Na tua experiência, que equipas nas organizações tendem a estar mais abertas a este tipo de abordagem: a Gestão de Conhecimento, mais sintonizada com a distinção entre conhecimento tácito e explícito; os Recursos Humanos e o L&D, que tipicamente são responsáveis pelos programas de aprendizagem e formação; ou outras?
Para responder a esta pergunta, vale a pena partilhar de que forma o scaffolding, a Taxonomia de Bloom e o restante vocabulário da pedagogia entraram no meu trabalho em GC.
Os dois campos são definidos de forma diferente: a GC gere fluxos de conhecimento tácito e explícito, e o L&D entrega aprendizagem. Mas reconstruir dentro de uma pessoa aquilo que outra sabe é, em si, um problema de aprendizagem. Isso significa que os princípios em que o L&D assenta deveriam aplicar-se a toda a GC. Os campos cresceram em lados opostos do mesmo desafio.
O L&D está no seu melhor quando uma competência pode ser claramente definida. O alvo é suficientemente estável para ser desenhado, por isso consegue construir uma experiência de aprendizagem cuidadosa, testá-la, medi-la e melhorá-la ao longo do tempo. Isso exige planeamento e tempo de preparação, mas o resultado é mais fiável e escalável.
A GC e a AO perseguem o conhecimento que é mal definido, confuso, ruidoso ou que muda mais depressa do que um ciclo de aprendizagem formal consegue acompanhar. Pode estar testado ou não testado, ser consensual ou ainda em disputa. Por isso, em vez de desenhar experiências de aprendizagem, a GC incorpora a aprendizagem no fluxo de trabalho. A GC ajuda o conhecimento e a capacidade a mover-se à velocidade da organização, muitas vezes de forma imperfeita, porque o próprio conhecimento ainda não se estabilizou.
Ambos estão a cuidar da aprendizagem; simplesmente trabalham o conhecimento em fases diferentes da sua vida. Os dois encontram-se onde o conhecimento emergente amadurece: o que começa como uma conversa ruidosa ou uma prática não testada pode gradualmente estabilizar, tornando-se o input para uma experiência de L&D mais formal.
A ponta mais confusa da pipeline da GC é onde tenho visto a maior atração pela IA porque, pela primeira vez, existe algo que consegue acompanhar esses fluxos. E a matéria-prima é enorme: milhares de documentos e lições que nunca foram tratados como material de aprendizagem. Quase todos podem agora tornar-se uma experiência de aprendizagem com scaffolding e personalizada à escala. A maior biblioteca de aprendizagem da organização está agora na GC.
Para terminar, há alguma crença amplamente partilhada no campo da GC que consideres estar errada?
Há décadas, havia um grande entusiasmo com a ideia de que o campo emergente da GC traria grandes mudanças. Ao aproveitar a inteligência coletiva de uma organização, geraríamos inovação, vantagem competitiva e capacidades inteiramente novas. No entanto, estamos em 2026 e os profissionais de GC continuam a discutir como dar mais visbilidade, provar o retorno do investimento e conseguir que as pessoas vejam a GC como algo sério para além do SharePoint. Por que razão a GC não se tornou a força que uma vez imaginámos?
A crença que acho que precisamos de desafiar é a de que, se uma organização realizar atividades suficientes de GC/AO, a expertise tratará de si mesma. Por vezes chamo-lhe a abordagem do “spray and pray” (“dispersar e rezar”). Um programa maduro pode mobilizar todo o portfólio de boas práticas de GC — bibliotecas, taxonomias, comunidades de prática, ferramentas de colaboração, onboarding, offboarding, after-action reviews, captura de conhecimento, etc. — e depois apontar para toda essa atividade como evidência de que a GC está a funcionar.
Cada uma dessas práticas tem valor real. Mas a atividade continua a ser um indicador indireto: as pessoas estão realmente a adquirir a expertise para realizar o seu trabalho e conseguir adaptar-se quando a situação muda?
Temos muitas evidências de que as ferramentas de colaboração ajudam as pessoas a encontrar informação e a encontrarem-se umas às outras. Temos muito menos evidência direta de que essas ferramentas ajudam realmente as pessoas a adquirir expertise.
O propósito mais profundo da GC é desenvolver a capacidade da organização para saber, aprender e exercer julgamento. O trabalho vai além da gestão de artefactos e atividades para o território menos visível do conhecimento tácito, da capacidade de aprendizagem e do desenvolvimento de expertise. Esses resultados são mais difíceis de observar e medir, o que pode ser uma das razões pelas quais o campo continua a ser definido pelas atividades que realiza.
A pirâmide DIKW não ajuda a GC neste aspeto. É a metáfora que os nossos PowerPoints usam para simplificar os conceitos de ciência da informação para os líderes de negócio, mas deixa-os com uma imagem errada do que a GC é realmente, criando um teto para o que é apenas o início da jornada. Trata o conhecimento como um irmão da informação, apenas mais acima na pirâmide, e a sabedoria senta-se num nível acima de nós, como se fosse um departamento diferente a tratar disso. Isto é problemático por duas razões: as pessoas desse departamento da sabedoria parecem sempre saber mais do que nós, e a sabedoria não pode estar separada do conhecimento. É a camada mais profunda e mais experiencial do conhecimento tácito.
Eis o ponto: o conhecimento só é conhecimento se alguém realmente o souber. No momento em que o capturamos no papel, torna-se um tipo de informação, um ativo com o potencial de ajudar alguém a saber.
Essa distinção nada tem a ver com o valor do documento. Quando um trabalhador precisa de uma determinada resposta mas ainda não tem a expertise para a reconhecer, o documento é apenas ruído mesmo quando está à sua frente.
O problema vai mais fundo. Os dados e a informação são genuinamente geríveis; têm ferramentas e frameworks maduras que escalam. Ao empilhar o conhecimento na mesma pirâmide, o DIKW implica silenciosamente que é gerível da mesma forma, e a terminologia reforça isso: Gestão de Dados, Gestão de Informação, Gestão de Conhecimento soam como o mesmo tipo de trabalho do departamento de TI em três domínios relacionados. Mas os dois primeiros gerem artefactos explícitos, enquanto o terceiro trata do que acontece dentro da cabeça de uma pessoa e entre pessoas enquanto trabalham, algo que nenhuma ferramenta de TI consegue gerir. Outros tipos de Gestão — de Produto, de Projeto, de Programa, de Mudança, de Risco, de Qualidade, de Talento — nunca são confundidos com uma categoria de TI.
A minha tese de MBA foi sobre um conceito de aprendizagem organizacional chamado Capacidade de Absorção (Absorptive Capacity). Descobri que as empresas com níveis elevados desta capacidade de reconhecer o valor de novo conhecimento, absorvê-lo e aplicá-lo, ganhavam muito mais expertise em processos de joint ventures e parcerias. Os engenheiros conseguiam as competências do parceiro, seja para fazer o trabalho eles próprios ou para as aplicar a outras inovações. Em empresas com uma baixa capacidade de absorção, pouco know-how sobrevivia à parceria. Estas empresas partilhavam bibliotecas, documentos e tecnologia, mas isso por si desbloqueava muito pouco. O que fazia a diferença era uma cultura e mentalidade de curiosidade, e o conhecimento prévio e a interação social que permitiram às pessoas construir nova expertise a partir do que encontravam.
A GC vai além de bibliotecas, documentos e tecnologia colaborativa. Entra no que essa informação e tecnologia poderiam desbloquear: melhor julgamento, novas capacidades, expertise mais profunda, serendipidade e inovação. E porque o ambiente raramente se mantém estável por muito tempo, a expertise rotineira em tarefas familiares não é suficiente por si só. As organizações precisam também de desenvolver expertise adaptativa.
A IA deu à GC algo mais do que a possibilidade de encontrar em linguagem natural ou de automatizar tarefas: deu-lhe um caminho diferente de regresso às suas raízes. As funções dialógicas da aprendizagem — questionar, explicar, praticar, receber feedback imediato — podem agora acontecer individualmente, como uma aprendizagem por apprenticeship, mas à escala organizacional, com os especialistas ainda no circuito para julgamento e calibragem. Uma organização cheia de pessoas a aprender e a adaptar-se à medida que as condições mudam. Uma verdadeira Organização Aprendente.
Nota: Esta entrevista foi escrita originalmente em inglês e traduzida com a ajuda de AI (aplicação Claude). O original está disponível no LinkedIn.
