Em artigo anterior, Adoção de IA na advocacia: antes de acelerar, decida para onde está indo, argumentamos que a adoção de inteligência artificial na advocacia não pode ser impulsiva nem pulverizada. Nós propusemos que ela precisa ser estruturada, direcionada pela liderança e fundamentada em um mapeamento cuidadoso de processos. Lá, exploramos o que fazer (distinguir os três graus de uso da IA) e por que fazê-lo (evitar a erosão do raciocínio jurídico).

Este segundo artigo avança para o como: as engrenagens operacionais que separam a estratégia que funciona da estratégia que permanece no papel. A distinção é relevante porque estudos recentes alertam que mais da metade do valor gerado por transformações com IA depende de mudanças organizacionais, não da tecnologia em si: redesenho de estruturas e redesenho de fluxos de trabalho são tão decisivos quanto a escolha da ferramenta. Escritórios e departamentos jurídicos que compreendem isso conseguem avançar; os que tratam a IA como um projeto de TI tendem a gerar frustração e investimentos subutilizados. A ideia, aqui, é organizar a implementação em torno de quatro pilares operacionais adaptáveis: capacitação segmentada por perfil, operação por squads, métricas de maturidade e gestão de expectativas.

Capacitação segmentada por perfil

Apenas treinar toda a equipe "para usar a ferramenta" é insuficiente. Cada profissional ocupa posição distinta no fluxo de trabalho e precisa desenvolver competências diferentes diante da IA. É preciso adaptar o treinamento ao que cada um faz.

Lideranças (sócios e seniores) precisam compreender a lógica de funcionamento da ferramenta e suas principais funcionalidades, porque, além de se beneficiar enormemente do uso da ferramenta no dia a dia, adquirirão uma fluência operacional que lhes permitirá fazer as perguntas certas, avaliar resultados e direcionar o uso pelo time. Há uma razão adicional, frequentemente negligenciada, para que a capacitação comece pelo topo: quando a liderança valida a ferramenta antes da equipe, ela confere legitimidade ao processo e remove a objeção implícita ou a resistência cultural que pode implodir o uso. São eles que definirão o padrão de qualidade, identificarão onde a IA pode agregar valor e estabelecerão os limites de autonomia. Sem esse envolvimento, a adoção fica órfã de legitimação e perde ritmo.

Profissionais plenos e intermediários atuam na camada de validação e integração. Precisam dominar governança, saber avaliar outputs criticamente e conduzir a execução de entregas com apoio da IA. Cabe a esse perfil identificar quando a ferramenta funciona dentro de sua fronteira de capacidade e quando exige correção humana. Há também um papel de mentoria que recai naturalmente sobre esse grupo: são eles que, tendo incorporado a ferramenta à própria rotina, podem servir de referência para juniores e estagiários em suas primeiras interações com a IA, uma espécie de sistema de acompanhamento que acelera a curva de aprendizado sem sobrecarregar a liderança.

Juniores e estagiários são, em muitos casos, os profissionais que farão o primeiro input, cuja qualidade é determinante para bons outputs. O foco de capacitação aqui deve estar no que alguns chamam de context engineering: como formular boas perguntas, como estruturar prompts, como fornecer contexto adequado à ferramenta. A metodologia importa porque a IA, por sua natureza probabilística, tende a produzir outputs medianos quando não recebe contexto e direcionamento adequados; se o profissional não a provocar na direção certa, ela muitas vezes não chegará lá sozinha.

A capacitação efetiva, contudo, não se mede apenas pela oferta de treinamento; mede-se muito mais pela verificação de que o treinamento produziu competência. Isso significa estabelecer critérios objetivos de avaliação, definir metas de utilização diferenciadas por senioridade e acompanhar a evolução de cada perfil ao longo do tempo. Sem essa disciplina de verificação, o risco é o descompasso clássico: seniores que não sabem orientar porque nunca operaram a ferramenta; juniores que operam sem saber o que questionar. O resultado pode vir com entregas que parecem rápidas, mas que exigem três rodadas de revisão e acabam consumindo mais tempo de quem lidera.

Operação por squads e inovação orgânica

A estrutura tradicional (organizada por áreas de prática, com linhas de reporte verticais) nem sempre é a mais adequada para projetos de transformação. A lógica de squads oferece uma alternativa: grupos dedicados, compostos por profissionais de diferentes senioridades e práticas, organizados em torno de entregas específicas.

A operação por squads resolve um problema que a estrutura tradicional não resolve: a necessidade de agilidade e direcionamento em ciclos curtos. Em vez de esperar que a adoção aconteça espontaneamente, o squad atua de maneira proativa, seguindo um ritmo disciplinado de entregas: diagnóstico do processo, desenvolvimento da solução, testes com usuários reais, roll-out controlado, padronização. Cada ciclo pode durar dias, não semanas, e a organização em lotes permite que múltiplos fluxos de trabalho sejam aprimorados simultaneamente, sem dispersão de esforço. O que funciona é registrado em bibliotecas compartilhadas; o que não funciona é descartado (preferencialmente com registro do motivo, para que o aprendizado não se perca).

Há uma variante complementar a esse modelo que merece atenção: a inovação orgânica. Nem toda solução precisa nascer de um squad formal ou de um projeto conduzido pela área de tecnologia. Mesmo profissionais com formação exclusivamente jurídica podem ser propositivos para o desenvolvimento de soluções operacionais a partir do uso qualificado das ferramentas disponíveis. A lógica é simples: o profissional que conhece a dor passa a ajudar a desenvolver o remédio. Sistemas de controle de documentos societários e automações de fluxos contratuais, por exemplo, são soluções que podem emergir de dentro da equipe jurídica sem que dependa de filas de priorização de TI. Enquanto os squads atuam de forma estruturada em projetos alinhados com a estratégia de adoção e uso de IA pelas organizações, a inovação orgânica opera nas dores do dia a dia que, somadas, consomem tempo significativo.

Estimular essa cultura de experimentação controlada exige, porém, duas condições: que a liderança a legitime (reconhecendo e valorizando as iniciativas que funcionam, como vimos) e que haja governança mínima para evitar que soluções individuais criem silos de informação ou riscos de segurança. A combinação de squads formais com experimentação difusa é, a nosso ver, um modelo operacional robusto, porque faz a adoção fluir tanto de cima para baixo quanto de baixo para cima.

Métricas de maturidade

Um dos aprendizados mais consistentes em projetos de transformação é que indicadores cosméticos não capturam impacto real; por exemplo, um percentual de acesso à ferramenta – "100% da equipe tem acesso à ferramenta" – não significa nada se apenas 20% utilizam com frequência e menos ainda se esse uso não é qualificado, não gera economia de tempo e nem melhoria de qualidade. Portanto, distinguir adoção aparente de adoção efetiva exige um modelo de maturidade.

Uma escala que pode ser útil, inspirada em modelos de maturidade tecnológica, organiza a jornada em cinco estágios:

1. Uso individual e espontâneo: a ferramenta está disponível, profissionais utilizam quando querem, sem orientação institucional.
2. Uso incentivado: a liderança estimula a experimentação, mas ainda não há protocolos definidos.
3. Uso estruturado com protocolos: existem workflows documentados, prompts validados e critérios claros de quando e como utilizar a IA.
4. Uso integrado ao fluxo: a IA deixa de ser uma ferramenta apartada e passa a ser parte do processo de trabalho; o profissional não precisa "decidir usar", porque o uso já está embutido na entrega.
5. Otimização contínua: a organização mantém ciclos de revisão periódica, atualiza workflows conforme mudanças legislativas ou jurisprudenciais e incorpora novas funcionalidades da ferramenta à medida que surgem.

É muito fácil começar e se ver entre os estágios um e dois. O salto para os estágios três e quatro é onde a transformação de fato acontece e é também onde está a maior resistência, porque exige padronização, governança e mudança de comportamento.

Em termos de indicadores, acompanhar quantidade de queries, por exemplo, é útil, mas insuficiente. Métricas mais sofisticadas e que orientam decisões incluem: economia de tempo verificável, taxa de utilização efetiva (não apenas acesso), índice de qualidade das entregas assistidas por IA, percentual de outputs que exigem revisão substancial e, de forma intencional, a percepção qualitativa das equipes sobre a ferramenta. Cada um desses indicadores exige metodologia própria de medição, tema que deve ser aprofundado e avaliado a partir das necessidades estratégicas de cada organização.

Um modelo mental útil para comunicar essa jornada é a curva de expectativa: entusiasmo inicial, frustração com limitações, ajuste, incorporação genuína. Esse padrão é previsível e, quando antecipado, reduz ansiedade. Estabelecer marcos progressivos de avaliação, em vez de esperar resultados lineares, evita julgamentos prematuros e permite ajustes de rota.

Medir, porém, só é útil se a organização souber o que fazer quando os indicadores apontam desvio. Se a economia de tempo fica abaixo do esperado, há um protocolo para revisar prompts e recalibrar workflows. Se a taxa de utilização não decola, há mecanismos de mentoria e acompanhamento mais intensivo. Documentar esses planos de contingência antes que os problemas surjam distingue uma iniciativa reativa de um projeto com maturidade operacional.

Gestão de expectativas

Este é um pilar bastante subestimado, em nossa experiência. A gestão de expectativas precisa acontecer em três direções simultâneas: com a liderança que patrocina, com a equipe que executa e com o cliente que espera impacto. A isso se soma uma quarta frente, frequentemente negligenciada: a relação com fornecedores de tecnologia.

Do sócio ou executivo que espera ROI imediato, o risco é o abandono precoce. Os primeiros meses de adoção tendem a gerar mais atrito do que ganho: a equipe ainda está aprendendo, os prompts não foram validados, os fluxos não estão estabilizados. A liderança que julga a iniciativa pelo resultado do primeiro mês corre o risco de abandoná-la antes que ela amadureça ou de responsabilizar a equipe por resultados que são, na verdade, consequência da própria curva de aprendizado.

Do profissional que espera que a IA resolva tudo, o risco é a frustração seguida de desengajamento. A ferramenta é poderosa, mas probabilística; ela pode resumir contratos complexos com precisão notável e, na mesma sessão, alucinar em uma pesquisa jurisprudencial simples. Sem essa calibração de expectativas, o entusiasmo inicial se converte em frustração com as limitações e a frustração se converte em resistência passiva.

Do cliente ou diretoria que espera redução de honorários, o desafio é comunicar a proposta de valor de forma completa. A eficiência operacional é real e pode, sim, impactar nos custos. Mas ela não é a única dimensão do valor gerado pela IA. Há também o custo das licenças, o investimento em treinamento, a construção de metodologia. Nada disso pode ser ignorado – é um tema, aliás, que merece tratamento próprio em um outro artigo, com maior aprofundamento.

Há, ainda, a relação com fornecedores de tecnologia. O ambiente de hype pressiona decisores a agir antes de ter clareza sobre o que precisam, resultando em soluções que não se adaptam aos gargalos reais ou que exigem customizações tão extensas que o ganho prometido se dilui. Por isso defendemos, no artigo anterior, que o mapeamento de processos precede qualquer decisão de ferramenta: a organização que sabe onde estão seus gargalos e onde a intervenção humana é insubstituível está em posição muito melhor para avaliar fornecedores e, quando necessário, desenvolver soluções próprias.

Método, não apenas ferramenta

As organizações que mais avançam na adoção de IA não são, necessariamente, as que têm acesso às melhores ferramentas do mercado, mas aquelas que constroem método. Capacitação segmentada, estrutura ágil de execução, indicadores que capturam impacto real, comunicação honesta sobre a curva de maturação: é esse conjunto que diferencia quem experimenta de quem transforma. A ferramenta, sozinha, não gera transformação. O que separa organizações que avançam daquelas que ficam no discurso é a disposição de tratar a adoção como um problema de gestão e de exigir presença da liderança, não apenas patrocínio. Quem compreender isso mais cedo terá uma vantagem organizacional mais difícil de replicar e mais duradoura que qualquer vantagem tecnológica.