Decisões sobre adoção de IA raramente têm precedente dentro da própria empresa. A primeira vez que uma liderança aloca orçamento, redesenha um processo ou redefine uma função por causa de IA costuma ser também a primeira vez que essa decisão é testada, e o teste acontece com pessoas e resultados reais. Quando o resultado é negativo, ele aparece meses depois, na forma de retrabalho, de queda de adoção ou de uso de ferramentas fora de qualquer controle.

O Templo construiu dois jogos digitais para explorar esse problema de outro ângulo. Os dois partem da mesma base: dados reais de diagnósticos de maturidade em IA aplicados a empresas clientes. Os dois foram criados com o mesmo modelo de IA generativa, o Fable 5. E os dois chegam a formatos completamente diferentes, um jogo de gestão organizado por trimestres e uma exploração narrativa em primeira pessoa, a partir da mesma informação de origem.

Este texto descreve os dois jogos, explica o que a diferença entre eles revela sobre a potência de um modelo de IA generativa, e discute por que simular decisões de transformação em IA, antes de tomá-las na empresa real, é um exercício que falta para boa parte das lideranças hoje.

Por que decisões sobre IA chegam sem precedente interno

A maioria das decisões corporativas tem algum histórico para se apoiar. Uma decisão de expansão geográfica pode olhar para expansões anteriores da própria empresa. Uma decisão de contratação pode olhar para o desempenho de contratações parecidas em anos anteriores. Decisões sobre adoção de IA, na maior parte das empresas, não têm esse histórico interno. A tecnologia mudou de geração em poucos anos, e a forma de adotá-la dentro de uma operação específica raramente se repete de uma empresa para outra, ou mesmo de uma área para outra dentro da mesma empresa.

Isso cria um problema específico para quem decide. Alocar orçamento entre ferramentas, treinamento e estrutura de governança é uma aposta sem dados internos de apoio. Redesenhar um processo para incorporar IA pode gerar ganho de eficiência ou pode gerar retrabalho, e a diferença só aparece depois que o processo já está em produção, normalmente em uma janela de alguns meses. Redefinir funções, criar comitês de governança ou autorizar o uso de determinadas ferramentas são decisões que carregam consequências sobre pessoas, e essas consequências raramente são reversíveis sem custo, seja ele financeiro ou de confiança interna.

O resultado é que muitas lideranças tomam esse tipo de decisão pela primeira vez dentro da própria empresa, sem ter visto antes o que acontece quando uma escolha parecida dá errado em outro contexto.

Shadow AI: o risco que aparece quando a adoção não tem direção

Um dos conceitos centrais no primeiro jogo construído pelo Templo é o de Shadow AI. O termo descreve o uso de ferramentas de IA por times e indivíduos sem que essa adoção passe por qualquer processo de avaliação, aprovação ou governança por parte da empresa.

Shadow AI não aparece porque alguém decide adotar IA sem autorização. Ele aparece como consequência de uma ausência. Quando a empresa não oferece ferramentas aprovadas, treinamento ou orientação suficientes, as equipes resolvem o problema por conta própria, com as ferramentas que encontram disponíveis. O resultado é uma adoção de IA que existe, gera dados, toca processos e informações da empresa, mas não está mapeada, não está auditada e não está sob controle de nenhuma área específica.

Esse é exatamente o tipo de efeito colateral que costuma aparecer meses depois de uma decisão de adoção de IA mal calibrada, e que dificilmente seria visível no momento em que a decisão foi tomada. Uma liderança que decide investir em ferramentas sem investir, na mesma proporção, em preparo das equipes, tende a ver o resultado dessa escolha primeiro na forma de Shadow AI, antes de ver qualquer ganho de produtividade que justificasse o investimento original.

Dois jogos, uma mesma base de dados real

Para tornar esse tipo de consequência visível antes que ela aconteça na prática, o Templo desenvolveu dois jogos com o Fable 5. Os dois usam a mesma base: dados reais de diagnósticos de maturidade em IA aplicados a empresas clientes do Templo. Nenhum dos dois jogos usa dados fictícios para construir os dilemas que apresenta, embora o cenário em que esses dilemas acontecem seja fictício.

Os dois jogos têm como pano de fundo a Omni Corp, uma empresa fictícia que funciona como ponto de partida comum para as duas experiências. A partir desse ponto, cada jogo segue um caminho diferente, tanto em formato quanto em proposta.

AI Transformation Game: oito trimestres para decidir sobre adoção de IA

O primeiro jogo, AI Transformation Game, coloca quem joga no comando da Omni Corp. A meta declarada é levar a empresa a 100% de adoção de IA ao longo de oito trimestres, organizados em quatro ondas.

A cada trimestre, um dilema baseado em situações reais de clientes do Templo altera os indicadores da empresa. Quem joga distribui orçamento e equipe entre diferentes frentes de trabalho, e pode ativar multiplicadores que aceleram resultados em troca de outros compromissos, normalmente trazendo algum tipo de risco para outra área da operação. Decisões que priorizam ferramentas sem preparar as pessoas para usá-las tendem a gerar Shadow AI, reduzindo o controle da liderança sobre o que está sendo feito com IA dentro da empresa, e comprometendo a leitura dos próprios indicadores que o jogo apresenta.

O jogo não garante um final positivo. Escolhas que comprometem o resultado de negócio ou a confiança das equipes podem encerrar a simulação antes do oitavo trimestre, da mesma forma como uma sequência de decisões mal calibradas pode comprometer um programa real de adoção de IA antes que ele chegue ao resultado esperado. Não há, no jogo, um caminho único e correto: há combinações de escolhas que sustentam a transformação ao longo do tempo, e combinações que a interrompem antes da meta.

13º Andar: explorar uma empresa por dentro, sem explicações

O segundo jogo, 13º Andar, usa a mesma Omni Corp como cenário, mas muda completamente o formato. Em vez de uma simulação de gestão, quem joga caminha em primeira pessoa pelos andares de um prédio corporativo. Não há um objetivo declarado, nem instruções sobre o que procurar ou para onde ir.

A exploração revela, aos poucos, decisões sobre IA que a empresa tomou e nunca comunicou abertamente aos times. Cartazes, salas e objetos espalhados pelos andares funcionam como pistas sobre escolhas que já foram feitas, e sobre como essas escolhas foram recebidas internamente. Em determinado ponto, um texto encontrado no jogo descreve a reação da empresa a uma dessas decisões com a frase “as pessoas adoraram”, em um tom que contrasta com o que o restante do ambiente sugere sobre o que de fato aconteceu.

O jogo não classifica o que está certo ou errado. Cabe a quem joga interpretar os sinais e formar a própria leitura sobre o que aconteceu na Omni Corp, em um exercício que se aproxima mais da experiência de um funcionário recém-chegado tentando entender decisões que já foram tomadas, do que da experiência de quem está tomando essas decisões.

O que a diferença entre os dois jogos revela sobre o modelo usado

AI Transformation Game e 13º Andar partem exatamente da mesma base de dados e foram construídos com o mesmo modelo, o Fable 5. Ainda assim, um deles é uma simulação de gestão organizada em trimestres, com indicadores, orçamento e metas explícitas. O outro é uma exploração silenciosa em primeira pessoa, sem indicadores visíveis e sem metas declaradas.

Essa diferença não está nos dados. Está no alcance do modelo usado para transformá-los. Um modelo com essa amplitude converte a mesma informação de diagnóstico em formatos completamente diferentes, sem perder fidelidade ao que os dados mostram em nenhum dos dois casos. É essa amplitude que determina se uma informação de diagnóstico se torna um relatório, uma simulação de gestão ou uma experiência narrativa, e é também o que torna viável produzir mais de um formato a partir do mesmo levantamento de dados, sem refazer o trabalho de base para cada novo formato.

Para quem está avaliando ferramentas de IA generativa para a própria empresa, esse ponto importa além do contexto dos dois jogos. A pergunta relevante não é apenas o que um modelo consegue produzir isoladamente, mas quantos formatos diferentes ele consegue sustentar a partir da mesma base de informação, sem que cada novo formato exija um novo projeto do zero.

Por que simular decisões importa antes de tomá-las na empresa real

Voltando ao problema descrito no início deste texto: decisões sobre adoção de IA costumam ser tomadas sem precedente interno, e seus efeitos aparecem meses depois de a decisão ser implementada.

Os dois jogos do Templo recriam esse tipo de decisão a partir de situações que já aconteceram em empresas reais. Quem joga AI Transformation Game vê, trimestre a trimestre, o que aconteceu quando outra empresa escolheu priorizar ferramentas em vez de preparar pessoas, ou concentrar orçamento em uma única frente em vez de distribuí-lo entre várias. Quem joga 13º Andar percorre os efeitos de decisões já tomadas, sem o contexto que normalmente acompanha um anúncio oficial, da mesma forma como esses efeitos chegam às equipes quando a comunicação interna de uma transformação falha.

Em nenhum dos dois casos quem joga decide pela própria empresa. Mas em ambos, é possível observar consequências de decisões parecidas antes de comprometer pessoas e orçamento reais. Esse tipo de exercício não substitui a complexidade de uma empresa real, mas oferece algo raro entre lideranças: a chance de errar primeiro em um ambiente onde o erro não tem custo, e de levar esse aprendizado para a próxima decisão que de fato vai acontecer dentro da empresa.

O que levar da simulação para a operação real

A primeira aplicação prática desse tipo de exercício é menos sobre o conteúdo específico dos jogos e mais sobre o hábito que eles representam: testar um raciocínio de decisão antes de aplicá-lo, em vez de aplicá-lo diretamente e descobrir o resultado depois.

Na prática, isso significa que uma liderança pode usar os dilemas apresentados em AI Transformation Game como ponto de partida para uma conversa interna sobre como a própria empresa responderia a situações parecidas. A pergunta não é se a empresa enfrentará exatamente aqueles dilemas, mas se existe, hoje, um processo de decisão capaz de lidar com eles caso apareçam.

Da mesma forma, a lógica de 13º Andar pode servir como um exercício de auditoria informal: que decisões sobre IA já foram tomadas na empresa e nunca foram comunicadas com clareza para quem está fora do grupo que decidiu. Em muitas operações, essa pergunta tem mais respostas do que se imagina, e cada resposta não comunicada é, em potencial, uma fonte de Shadow AI.

A visão do Templo: repertório antes da decisão

Para o Templo, a transformação em IA acontece como uma sequência de decisões tomadas sob incerteza, quase sempre sem precedente interno para servir de referência. O valor de simulações como essas não está no jogo em si. Está no raciocínio que elas exercitam: ler um cenário, pesar alternativas e reconhecer que toda escolha sobre IA também é uma escolha sobre como a empresa trata as pessoas dentro dela.

Esse tipo de raciocínio amadurece com repertório, e repertório se constrói com formação contínua, não com um treinamento pontual. É o mesmo princípio que orienta os programas de educação corporativa do Templo para lideranças: o contexto de cada empresa determina qual modelo, qual abordagem e qual formato de formação fazem sentido, da mesma forma como o contexto dos dados determinou a escolha do Fable 5 para construir os dois jogos descritos neste texto.

Onde experimentar

Os dois jogos podem ser acessados por estes links: AI Transformation Game e 13º Andar. Para quem busca aprofundar esse tipo de raciocínio dentro da própria liderança, os programas de educação corporativa do Templo oferecem formação executiva em IA desenhada a partir dos dados e dilemas reais de cada empresa.