Sobre resultados de negócios, impacto na aprendizagem e IA
Saravana Sivanandham é Diretor de Produto e Marketing da Absorb Software, onde lidera a estratégia e execução das equipes de produto, marketing, IA e crescimento da Absorb para fornecer soluções líderes de mercado que ajudam as organizações a desenvolver habilidades críticas, transformar sua força de trabalho e gerar resultados de negócios mensuráveis. Fora do trabalho, ele gosta de passar tempo com a família, correr nas colinas do Texas e jogar tênis de mesa competitivo.
Hoje, estamos discutindo o impacto do aprendizado, os resultados de negócios e o uso da IA exatamente onde reside o desempenho.
A indústria prometeu provar o impacto da aprendizagem nos negócios durante anos, e a entrega tem sido mista. A IA pode realmente resolver isso ou apenas cria mais atividades para medir?
Sim. Pela primeira vez, a lacuna é genuinamente colmatável, porque as três coisas que sempre faltaram estão agora resolvidas. Podemos alcançar os dados onde o trabalho realmente acontece, raciocinar sobre eles de forma generativa e fazer o loop do resultado de volta ao resultado. A ressalva é que ele só fecha se você medir o resultado e não a atividade. Caso contrário, a IA simplesmente industrializa as mesmas métricas de vaidade com mais rapidez.
A velha lacuna nunca foi sobre ambição. Era sobre encanamento. Os sistemas de aprendizagem não conseguiam ver o trabalho, por isso as conclusões e as pontuações dos questionários eram os únicos sinais, e o impacto era inferido em vez de observado. Tecnologias como MCP e A2A mudam isso. Um agente agora pode ler onde realmente residem as lacunas de capacidade nos sistemas onde o trabalho acontece, como CRM, suporte, código e conversas, usando as próprias permissões do usuário e sem um projeto de data lake de doze meses. A IA generativa transforma esse sinal em uma intervenção específica e, em seguida, lê se o desempenho mudou. Esse é um ciclo fechado, não outro painel.
O risco que você nomeia é o real. A IA torna trivialmente fácil gerar mais conteúdo e rastrear mais atividades, e a maioria das plataformas cairá exatamente nessa armadilha. A disciplina é ancorar-se no resultado que a empresa já conta, como tempo de rampa, taxa de vitória e retenção, e deixar que todo o resto sirva para isso. Mesmo as abordagens mais rigorosas de medição de competências são explícitas no sentido de que medem a capacidade e não os resultados empresariais. A medição é o meio. A prova do resultado é o fim, e o último passo é aquele que a IA finalmente nos permite dar.
Para qualquer pessoa que esteja avaliando plataformas de aprendizagem baseadas em IA no momento, quais são as duas ou três perguntas que você diria que deveriam fazer?
Três questões separam uma plataforma nativa de IA dos recursos de IA integrados em um LMS. Onde a IA obtém seus dados? Pode agir ou apenas responder? E isso pode provar o resultado do negócio?
Primeiro, onde a IA obtém seus dados? Todos têm acesso aos mesmos modelos básicos, portanto o modelo em si não é uma vantagem. Os dados são. Os sistemas mais fortes baseiam-se em duas coisas ao mesmo tempo. Um deles são os dados de aprendizagem proprietários do próprio fornecedor, ou seja, quem aprendeu o quê, o que pode fazer agora e o que realmente funcionou. A outra é uma conexão ativa com os sistemas de negócios onde o trabalho acontece, como CRM, suporte e RH. Seja claro aqui: nenhum fornecedor de aprendizagem é o sistema de registro do desempenho dos negócios, e você deve ter cuidado com qualquer um que afirme ser. O que importa é se a plataforma é o sistema de registro de capacidade e prontidão e se ela pode ler o contexto dos sistemas que controlam o desempenho. Um wrapper em um modelo público sem nenhum dos dois é uma demonstração.
Em segundo lugar, ele age ou apenas responde? Um chatbot responde a uma pergunta. Um agente detecta uma lacuna, realiza a intervenção e faz o acompanhamento para ver se funcionou. Peça para ver todo o fluxo de trabalho executado, não a caixa de bate-papo.
Terceiro, pode provar que funcionou, na linguagem que o CFO já utiliza? Pergunte como isso vincula o aprendizado a uma métrica que a empresa já mede e se pode mostrar a causa e não apenas a correlação. Se a resposta for engajamento e conclusões, esse é o jogo antigo em uma nova embalagem.
Uma maneira rápida de testar todos os três de uma vez é pedir para ver a arquitetura e o changelog público. Plataformas que são genuinamente nativas de IA mostram como o sistema é construído e implementado de forma visível. Os que não são, não podem.
Qual é a pergunta que os clientes corporativos estão fazendo agora e que não faziam há um ano?
Há um ano, grande parte da conversa ainda girava em torno de recursos e sistemas. Os clientes perguntaram se uma plataforma poderia fazer algo específico ou nos pediram para ajudá-los a implementar um novo sistema ou construir um mapa. Hoje, a questão é sobre os resultados incorporados no trabalho. Em todos os casos de uso, desenvolvimento de funcionários, educação de clientes, capacitação de parceiros e conformidade, os clientes estão perguntando a mesma coisa com palavras diferentes. Isso realmente mudará o que nosso povo pode fazer, e você pode provar isso?
O exemplo mais claro são as habilidades. Há um ano, as empresas pediram-nos que criássemos para elas uma taxonomia de competências. Hoje, eles estão perguntando quase o oposto. Não mapear todas as nossas competências, mas colmatar as lacunas que realmente movimentam o negócio, no fluxo de trabalho. O projeto de habilidades de cima para baixo, onde você cataloga todas as habilidades, mapeia todas as funções e depois tenta preencher as lacunas, tornou-se em grande parte um exercício teórico. O mapa leva um ano para ser construído, começa a se deteriorar no momento em que é concluído e o aluno nunca o vê. As habilidades tornaram-se um meio que esqueceu seu fim.
O que os clientes desejam agora é aquilo para o qual as habilidades sempre foram um substituto. Pessoas que podem fazer o trabalho e provar que funcionou, entregue como um fluxo de trabalho incorporado no trabalho que melhora por si só, em vez de um catálogo independente que eles precisam manter. Isso é o que um sistema ambiental e sensível ao contexto faz. Por compreender o aluno e o contexto do negócio, fundamenta o desenvolvimento naquilo que faz o negócio avançar. Ele realiza o que a inteligência de habilidades estava tentando fazer, da maneira certa.
Cada plataforma de aprendizagem se autodenomina alimentada por IA. O que isso realmente significa na prática e sobre o que os compradores devem ser céticos?
Hoje, a tecnologia de IA cobre tudo, desde um invólucro fino em um chatbot público até um sistema que diagnostica, atua e comprova resultados, o que torna o rótulo quase sem sentido por si só. O que importa é a arquitetura subjacente, e ela se divide em três níveis honestos. O primeiro são os recursos de IA, como um gerador de conteúdo ou um bot de perguntas e respostas adicionado a um LMS. Útil, mas não altera o trabalho. A segunda é assistida por IA, onde o sistema apresenta recomendações e insights para um ser humano agir. Melhor, mas ainda com ritmo humano. A terceira é a IA nativa, ou agente, onde os agentes detectam uma lacuna, agem sobre ela e medem o resultado em um ciclo fechado. Esse é o único nível que altera os resultados em vez do esforço.
Os compradores devem ser céticos em relação a algumas coisas. Uma afirmação de IA nascida sem dados proprietários subjacentes. Uma demonstração que deslumbra, mas não consegue nomear o resultado do negócio. IA que acaba sendo um recurso e não um sistema. E qualquer fornecedor que não mostre sua arquitetura ou um changelog público.
Há também uma reformulação que a maioria dos compradores não percebe. Na IA, a incumbência pode ser uma vantagem e não um obstáculo. O difícil não é o modelo, porque todos têm os mesmos modelos. O difícil são os dados de aprendizagem proprietários, sendo o sistema de registro de capacidade e prontidão, e o alcance para atuar dentro das ferramentas onde o trabalho já acontece. Uma plataforma que administra aprendizagem empresarial há anos tem exatamente os dados de aprendizagem e a base instalada que falta a um novo participante. A IA é tão boa quanto os dados e o contexto em que é executada.
Aprendizado, qualificação, conformidade, treinamento de clientes, capacitação de parceiros – as empresas estão gerenciando tudo isso com uma colcha de retalhos de ferramentas desconectadas. Qual é realmente a aparência de um modelo melhor?
A maioria das empresas administra quatro ou mais sistemas de aprendizagem. Um para funcionários, outro para clientes, algo costurado para parceiros e outro para compliance. Essa fragmentação é a principal razão pela qual a aprendizagem não consegue provar o seu impacto. Não é possível construir evidências de nível empresarial a partir de sistemas deliberadamente separados.
Cada sistema é um registo separado, um orçamento separado e um muro através do qual a inteligência não consegue ver. Os dados necessários para provar o impacto estão dispersos por design. O melhor modelo é uma plataforma para cada público do qual o negócio depende, incluindo funcionários, clientes, parceiros e fornecedores, com uma única camada de inteligência percorrendo tudo isso, baseada no próprio contexto da empresa.
Também deve ir além dos cursos formais. A maior parte do que uma organização sabe está fora do LMS, em locais como SharePoint, Confluence, Google Drive, tickets de suporte e chamadas gravadas. Um sistema moderno conecta-se ao conhecimento onde ele já existe, de modo que o aprendizado se baseia na forma como a empresa realmente funciona, e não apenas em cursos. É também aqui que um sistema de aprendizagem se separa de um conhecimento horizontal ou de uma ferramenta de pesquisa. A pesquisa corporativa pode encontrar a resposta para você. Somente um sistema de aprendizagem pode provar que alguém pode agora fazer o trabalho.
Quando o aprendizado finalmente reside em um só lugar, o sistema pode ver o quadro completo. Como a educação do cliente afeta as renovações, como a preparação dos parceiros afeta a receita do canal e como a qualificação dos funcionários afeta a produtividade. Essa não é uma história de integração melhor. É a diferença entre gerenciar ferramentas e realmente entender o que sua força de trabalho pode fazer.
Você lançou recentemente o Absorb Aura, um sistema de aprendizagem agente criado para vincular cada interação de aprendizagem aos resultados de negócios que a empresa já mede. O que isso torna possível para as equipes de T&D que não era possível antes?
Pela primeira vez, o T&D pode responder à pergunta que tem evitado há vinte anos. Funcionou?
Aura é a camada de inteligência, o sistema de aprendizagem agente da Absorb, que vincula cada interação de aprendizagem aos resultados que a empresa já mede. Ele lê onde realmente residem as lacunas de capacidade nos sistemas onde o trabalho acontece, fornece a intervenção correta e lê se o desempenho mudou entre funcionários, clientes e parceiros. Arquitetonicamente, é um circuito fechado em quatro sistemas. UM sistema de registro para capacidade e prontidão, que responde se uma pessoa pode realizar uma determinada tarefa agora. UM sistema de açãoque intervém no fluxo do trabalho. UM sistema de inteligênciaque aprende o que realmente funciona. E um sistema de mediçãoque vincula o resultado ao resultado do negócio. Essa combinação é o que o torna agente, em vez de apenas assistido por IA.
O que muda é o trabalho em si. Em vez de entregar programas e relatar conclusões, as equipes executam fluxos de trabalho orientados por agentes que revelam uma lacuna, fecham-na e comprovam o resultado. O administrador que passou a segunda-feira buscando listas de conformidade pode gastá-la construindo a estratégia de habilidades do próximo trimestre. E quando a aprendizagem pode finalmente aparecer na linguagem do CFO, como tempo de rampa, retenção e receita, o departamento de T&D deixa de defender o seu orçamento e começa a ganhar um lugar na mesa da estratégia. Essa é a mudança.
Olhando para três a cinco anos à frente, o que mais o entusiasma sobre o rumo que a indústria da aprendizagem está tomando?
Duas mudanças, e ambas movem o aprendizado da periferia da empresa para o centro de seu desempenho.
Primeiro, a aprendizagem torna-se o diferenciador e não a função de apoio. A IA está a aumentar a produtividade de cada pessoa e a alargar o âmbito de controlo de cada gestor, para que as pessoas façam mais e liderem mais do que nunca. O treinamento e a aprendizagem tradicionais baseados em pessoas simplesmente não se adaptam a isso. Nesse mundo, a rapidez com que uma organização pode desenvolver capacidades torna-se uma vantagem competitiva primária. A aprendizagem deixa de ser uma função secundária e se torna um músculo organizacional central, sem dúvida aquele que se desenvolve mais rapidamente.
Em segundo lugar, finalmente, um treinador individual para cada aluno. Sempre soubemos que as pessoas aprendem melhor individualmente, mas nunca havia tutores suficientes, por isso inventamos salas de aula, livros e cursos. Cada um deles é um compromisso um-para-muitos. A IA remove essa restrição. Cada aluno pode ter um coach que o conheça, conheça as necessidades da organização e esteja exclusivamente focado em seus resultados. Essa é a coisa mais humana que a tecnologia fez pela aprendizagem em um século, e é exatamente o modelo sobre o qual a Aura foi construída.
Concluindo
Muito obrigado a Saravana Sivanandham por compartilhar sua experiência em conectar o impacto do aprendizado a resultados reais de negócios, incorporando a IA exatamente onde o trabalho realmente acontece. Se este assunto despertou seu interesse, confira os insights exclusivos da Absorb em seu relatório de IA no aprendizado: Como os líderes de T&D podem transformar IA em impacto nos negócios.
