A armadilha do conhecimento tácito em projetos de IA
Existe um padrão que vem se repetindo cada vez mais nas organizações quando o tema são os projetos de Inteligência Artificial: começam com expectativa alta, esbarram em problemas práticos que ninguém anteviu, e terminam com ajustes que cancelam parte do retorno esperado e a Ford acabou de mostrar isso em escala.
A montadora precisou recontratar cerca de 350 engenheiros veteranos ao longo dos últimos três anos depois de concluir que seus sistemas de inteligência artificial não conseguiam igualar a experiência dos profissionais humanos nas inspeções de qualidade. O caso virou notícia internacional essa semana e vem gerando bastante discussão no mercado, até mesmo pelo hype do tema IA.
A interpretação simplista do caso é “IA falhou e por isso voltamos para o humano”. Mas se olharmos com atenção o caso a interpretação completa é muito mais interessante e pode trazer bons aprendizados para quem trabalha com dados, automação ou liderança de projetos: a Ford descobriu, do jeito mais caro possível, que IA sem conhecimento tácito documentado não entrega.
Esse conceito de conhecimento tácito raramente aparece nas reportagens, mas é a chave para entender por que tantos projetos de IA quebram no meio do caminho e neste artigo vou detalhar o caso Ford, explicar o que é conhecimento tácito, mostrar por que ele é o calcanhar de Aquiles da maioria das implementações de IA e fecho com o que isso significa para qualquer profissional que está liderando ou participando de uma iniciativa de automação e implementação de IA na sua área.
O que aconteceu na Ford
A Ford passou os últimos anos ampliando o uso de inteligência artificial em diferentes áreas da operação, com foco em reduzir custos e aumentar a eficiência. A empresa investiu em sistemas de visão computacional na linha de produção, instalou câmeras com IA para detectar falhas de qualidade na origem e construiu modelos para reduzir interrupções na cadeia de suprimentos.
A aposta era alta. Em linha com o que é “tendência de mercado”. E em parte acabou sendo frustrada.
Charles Poon, vice-presidente de engenharia de hardware da Ford, foi direto ao explicar o que aconteceu em entrevista coletiva nesta semana, em declarações reportadas pela Bloomberg e replicadas por Fox Business, TechCrunch e Tech Startups: “Por engano, pensamos que bastaria introduzir inteligência artificial e alimentá-la com os requisitos de projeto que tínhamos para que ela produzisse um produto de alta qualidade”.
Em outra fala citada pelos mesmos veículos, Poon resumiu a lição em uma frase que vale memorizar: “A inteligência artificial é uma ferramenta fantástica, mas ela é tão boa quanto as informações usadas para treiná-la”.
Segundo o próprio executivo, faltou justamente o tipo de informação mais valiosa. “Nos anos anteriores, não demos tanta atenção quanto deveríamos à experiência dos nossos engenheiros mais qualificados, que estiveram conosco ao longo de muitos ciclos de desenvolvimento de produtos.”
Muitos desses engenheiros tinham deixado a empresa antes que o conhecimento que carregavam pudesse ser incorporado aos sistemas de IA. A correção custou tempo, dinheiro e a recontratação de cerca de 350 especialistas técnicos veteranos, alguns aposentados da própria Ford, outros vindos de fornecedores estratégicos.
Hoje, esses profissionais ocupam papel central na linha. Como resumiu Kumar Galhotra, diretor de operações da Ford, em entrevista coletiva, “trouxemos de volta os especialistas técnicos, e eles vão atrás dos pontos de falha antes mesmo que uma peça chegue à linha de produção”. Na prática, isso significa conduzir revisões de design obrigatórias, identificar pontos de falha antes que uma peça chegue à linha de montagem, formar profissionais mais jovens e calibrar continuamente os próprios modelos de IA da empresa.
O resultado imediato apareceu no JD Power Initial Quality Study 2026, principal ranking americano de qualidade automotiva, que mede problemas reportados por quem acabou de comprar um carro novo. A Ford liderou entre as marcas de grande volume, ficando atrás somente das fabricantes de carros de luxo Porsche e Genesis. É a primeira vez em 16 anos que a montadora chega a essa posição.
Importante registrar: a Ford não abandonou IA. A empresa continua usando sistemas proprietários de inteligência artificial para inspecionar componentes, analisar dados de produção e apoiar engenharia. O que mudou foi quem treina e calibra essas ferramentas.
A nuance que pode passar despercebida
Antes de tratar esse “juste de rota” como caso de “problema resolvido” de forma definitiva, vale uma ressalva crítica que a maior parte da imprensa deixou passar. O JD Power Initial Quality Study mede a percepção de qualidade nos primeiros 90 dias de proprietários novos, em um ano específico. Ou seja, liderar o ranking é um sinal animador, mas não cancela anos de histórico que motivaram a própria reestruturação interna da Ford. O teste real de efetividade da ação tomada é se essa melhora se sustenta nos próximos ciclos.
E a questão estrutural permanece: a empresa vai conseguir transferir o conhecimento desses 350 veteranos para os sistemas antes que esse grupo também se aposente? Esse é o teste de longo prazo. Recontratar resolve o problema imediato enquanto documentar, padronizar e ensinar a máquina a usar esse conhecimento resolve o problema de verdade.
Esse é o ponto que muda toda a leitura do caso: o debate aqui não é máquina contra humano, mas sim sobre como capturar algo que, por natureza, é difícil de capturar.
O que é conhecimento tácito
O conceito de conhecimento tácito vem do filósofo Michael Polanyi, que cunhou na década de 1960 a frase “sabemos mais do que conseguimos dizer”. É o tipo de saber que não está nos manuais, nas planilhas, nem nos documentos oficiais da empresa. É o que um profissional experiente carrega na cabeça depois de anos lidando com a mesma rotina.
Vou trazer três exemplos práticos aqui de conhecimento tácito.
- A analista de planejamento financeiro que sabe que aquele relatório só faz sentido se o filtro de data for ajustado para o critério fiscal da empresa, não o calendário comum.
- O técnico de manutenção que reconhece um ruído estranho na máquina três dias antes do sensor disparar alerta.
- A coordenadora de RH que sabe que o turnover sempre sobe em fevereiro porque é quando os bônus do ano anterior são pagos.
Nenhuma dessas coisas está escrita em lugar nenhum. Tudo isso é interpretação acumulada, padrão reconhecido, contexto absorvido ao longo de meses ou anos. E é exatamente esse tipo de informação que falta em projetos de IA mal estruturados.
O conhecimento tácito é o oposto do conhecimento explícito. O explícito é documento, manual, fluxo desenhado, regra escrita. Tudo isso pode ser entregue a um modelo de IA. O tácito não pode ser entregue diretamente, ele precisa ser extraído da cabeça das pessoas, conversado, sistematizado e transformado em explícito antes que qualquer sistema consiga usá-lo.
Essa transformação tem método, tem custo e tem prazo. Quando esse trabalho é pulado, o sistema entra em produção pegando apenas a casca do processo e a casca não basta.
Por que isso quebra projetos de IA em qualquer escala
A explicação de Charles Poon, apesar de soar simples, descreve um problema universal em iniciativas de automação inteligente. Alimentar uma IA apenas com regras explícitas, especificações técnicas e dados brutos não é suficiente quando o trabalho real envolve julgamento, exceção e interpretação. E o trabalho real quase sempre envolve isso.
Em ambientes corporativos brasileiros, é raro encontrar processos completamente padronizados. Os fluxos formais existem, mas o que faz a empresa girar costuma ser a combinação entre o processo no papel e a forma como as pessoas executam ele na prática. Esse desencontro tem um custo previsível.
Quando o sistema é treinado com a versão idealizada do processo, ele aprende a fazer o trabalho que ninguém realmente faz. Quando vai para o mundo real, encontra a realidade. E erra.
Três sintomas costumam aparecer nesse cenário.
Excesso de otimismo na fase inicial. A IA mostra resultados impressionantes em ambiente controlado, com dados curados. Quando vai para produção, a taxa de acerto despenca. Esse é o problema clássico da diferença entre sinal e ruído: em ambiente de teste, o ruído é baixo, já em operação real, o ruído é a maior parte do trabalho.
Processo no papel diferente do processo na prática. Já vi muitas situações de implementação em que o processo todo estava na cabeça do profissional que trabalhava com aquilo há anos. Nada documentado, nada padronizado, mas a operação fluía porque essa pessoa segurava a complexidade na cabeça. Quando uma IA entra nesse ambiente sem esse contexto, ela acelera o caos em vez de organizar.
Ausência de gestão de mudança. Implementar uma ferramenta de IA não é trocar um software por outro. É criar uma nova forma de trabalhar, alinhar pessoas, estruturar fluxos, documentar etapas, fazer todo mundo seguir o mesmo padrão. Isso leva tempo, exige paciência e quase sempre é subestimado nas estimativas iniciais de projeto.
A síntese é desconfortável mas precisa: não existe automação sem padronização. E se a automação acontece sem padronização, o resultado é o famoso princípio de “garbage in, garbage out”, ou seja, entra dado ruim, sai resultado ruim, agora em velocidade industrial. O caos não some. Ele acelera.
O caso Ford traduzido em método
A leitura mais útil do caso Ford não é “tome cuidado com IA”. É “trate IA como projeto de gestão do conhecimento antes de tratar como projeto de tecnologia”. Cinco implicações práticas valem ser destacadas.
A primeira é que o conhecimento tácito precisa ser identificado antes do projeto começar. Quem são os profissionais que carregam a expertise crítica do processo que vai ser automatizado? O que essas pessoas sabem que ninguém mais sabe? Esse mapeamento é trabalhoso e quase sempre é pulado, mas separa projetos que funcionam dos que viram pasta arquivada três anos depois.
A segunda é que a captura desse conhecimento precisa de método. Entrevistas estruturadas, observação de campo, workshops de co-design com a equipe que opera o processo. Não é uma reunião de duas horas para “pegar o contexto”. É um trabalho contínuo, geralmente conduzido por quem entende ao mesmo tempo do processo e da ferramenta que vai ser implementada.
A terceira é que a implementação precisa ser faseada. O que mais funciona em projetos de IA é começar com escopo reduzido, validar resultados em ambiente real, ajustar, expandir. Não é elegante. Não vira manchete. Mas é o caminho que mais entrega valor concreto e o que protege a empresa de investimentos altos e sem retorno.
A quarta é que os profissionais experientes precisam ter papel central, não decorativo. No caso Ford, foi exatamente isso que mudou. Os engenheiros recontratados não ficam apenas treinando os mais jovens. Eles revisam projetos, identificam pontos de falha antes da produção e ajudam a calibrar os próprios sistemas de IA. Esse papel híbrido, entre conhecimento de domínio e calibração de ferramenta, é onde a experiência humana ganha valor estratégico nesse novo contexto.
A quinta é que a validação não pode parar. IA precisa ser monitorada, auditada e ajustada continuamente. O conhecimento tácito muda com o tempo, o ambiente muda, o produto muda. A ferramenta tem que acompanhar essa evolução, e isso exige modelo de governança contínua, como abordamos no seguinte artigo aqui do blog: Política de uso de IA nas empresas.
O que isso significa para quem trabalha com dados
Para quem está construindo carreira em análise de dados, em Power BI, em controle de qualidade, em qualquer área que esteja sendo tocada por IA, o caso Ford manda um recado claro: a experiência humana não está perdendo valor, ela está mudando de função.
O profissional que sabe extrair conhecimento tácito da operação, traduzir em processo documentado, validar criticamente o que uma IA entrega e calibrar ferramentas para a realidade do negócio se tornou indispensável. É exatamente o perfil que combina conhecimento de negócio, alfabetização em dados e capacidade de operar ferramentas como Power BI integrado com agentes de IA.
Quem está nesse cruzamento não compete com IA. Lidera projetos de IA. E essa é a curva profissional que vai separar quem cresce nos próximos anos de quem fica para trás.
Conclusão
A Ford recontratou 350 engenheiros porque descobriu, depois de três anos e investimento alto, que IA sem conhecimento tácito documentado não entrega. A correção exigiu trazer de volta exatamente as pessoas que carregavam a expertise institucional que os sistemas nunca capturaram.
A lição vale para qualquer empresa, independentemente do porte ou da área. Antes de automatizar, padronize. Antes de implementar IA, extraia o conhecimento tácito de quem opera o processo. Antes de prometer redução de custos, calcule o esforço de gestão de mudança. E nunca subestime a experiência de quem está na linha de frente há anos.
A inteligência artificial é uma ferramenta poderosa. Mas, como bem definiu Charles Poon, ela é tão boa quanto a informação usada para treiná-la. E a melhor informação que sua empresa tem está, neste exato momento, na cabeça das pessoas mais experientes da sua equipe.
Aprenda IA na prática
Se você chegou até aqui, é porque acompanha de perto os movimentos que estão redefinindo o trabalho com dados e IA, e entende que sua trajetória profissional está em transformação.
A nossa Formação em Dados, Power BI e IA foi desenhada para quem quer ocupar exatamente esse lugar estratégico: o profissional que sabe combinar conhecimento de negócio, dados e IA de forma crítica, e que sabe extrair valor real de ferramentas como Power BI integradas com inteligência artificial.
As inscrições abrem em janelas específicas durante o ano. Entre na lista de espera para ser avisado em primeira mão quando a próxima turma abrir: https://i.sendflow.pro/l/listaesperablog
Perguntas frequentes
O que é conhecimento tácito?
Conhecimento tácito é o saber acumulado por profissionais experientes ao longo de anos de prática, que não está documentado em manuais ou planilhas. Inclui interpretações de contexto, reconhecimento de padrões e julgamentos que parecem intuitivos, mas vêm de repetição e experiência. O termo foi cunhado pelo filósofo Michael Polanyi na década de 1960.
Por que a Ford recontratou 350 engenheiros depois de apostar em IA?
A Ford concluiu que seus sistemas de inteligência artificial não conseguiam igualar a experiência dos engenheiros mais qualificados nas inspeções de qualidade. Segundo Charles Poon, vice-presidente de engenharia de hardware da empresa, faltou capturar o conhecimento tácito desses profissionais antes que muitos deles saíssem da Ford. A recontratação aconteceu ao longo dos últimos três anos.
A Ford parou de usar inteligência artificial?
Não. A Ford continua usando IA, incluindo sistemas internos como AiTriz e MAIVs para inspecionar componentes e analisar dados de produção. O que mudou foi o papel dos profissionais humanos. Os engenheiros recontratados agora treinam os sistemas, revisam projetos antes da produção e calibram os modelos com base em conhecimento de domínio.
O que significa “automação sem padronização não funciona”?
Significa que qualquer ferramenta de automação ou IA depende de processos lógicos, claros e bem definidos para operar. Quando cada pessoa executa o processo de uma forma diferente, sem documentação ou padrão, a automação acelera o caos em vez de organizar. É o princípio conhecido como “garbage in, garbage out”: entra dado ruim, sai resultado ruim em escala industrial.
Como evitar que um projeto de IA falhe na minha empresa?
Cinco práticas reduzem o risco de fracasso em projetos de IA. Mapear o conhecimento tácito dos profissionais experientes antes de começar. Usar métodos estruturados para extrair e documentar esse conhecimento. Implementar em fases com escopo reduzido. Dar papel central aos profissionais experientes na calibração da ferramenta. Manter validação contínua depois da implantação.
Referências
- Fox Business (26/06/2026): “Ford VP says AI tools lacked training to replace veteran engineers” — https://www.foxbusiness.com/technology/ford-rehires-experienced-engineers-after-ai-misses-mark
- TechCrunch (28/06/2026), por Anthony Ha: “Ford rehires ‘gray beard’ engineers after AI falls short” — https://techcrunch.com/2026/06/28/ford-rehires-gray-beard-engineers-after-ai-falls-short/
- Tech Startups (29/06/2026): “Ford rehires 350 veteran engineers after AI fails to match human expertise in quality control” — https://techstartups.com/2026/06/29/ford-rehires-350-veteran-engineers-after-ai-fails-to-match-human-expertise-in-quality-control/
- Quartz (29/06/2026): “Ford rehires veteran engineers after AI quality control fails” — https://qz.com/ford-rehires-veteran-engineers-ai-quality-control-062926
