A Liderança em IA no Governo Enfrenta uma Lacuna Crescente Entre Percepção e Realidade

O Google News destacou uma discussão da GovTech sobre liderança em IA, mas a manchete revela um conflito maior do que um único ciclo de notícias. Líderes governamentais descrevem cada vez mais a IA como operacional, enquanto cidadãos e funcionários ainda questionam se os sistemas implantados merecem sua confiança.

Essa lacuna não é apenas um problema de comunicação. Órgãos públicos podem lançar pilotos, nomear responsáveis por IA e publicar políticas sem provar que os sistemas melhoram os serviços de forma justa. O público vivencia a IA por meio de benefícios atrasados, decisões pouco claras, preocupações com privacidade e falhas ocasionais.

A verdadeira disputa, portanto, não é entre o entusiasmo do governo e a resistência do público. É entre ambição institucional e evidência operacional. O Google News pode amplificar a ambição, mas os órgãos públicos precisam produzir evidências por meio de resultados mensuráveis, controles transparentes e liderança responsável.

Empresas privadas podem retirar um produto fraco do mercado ou alterar seus termos. Órgãos públicos enfrentam um padrão diferente porque os moradores muitas vezes não podem escolher outra repartição fiscal, sistema de benefícios ou autoridade de licenciamento. Uma implantação governamental malsucedida pode afetar direitos, pagamentos, registros e o acesso a serviços essenciais.

Essa distinção muda o significado de liderança. Executivos do setor público não podem medir o progresso apenas pela adoção. Eles precisam conectar cada sistema de IA a um problema de serviço definido, um responsável, salvaguardas documentadas e um plano de descontinuação.

O Que a Manchete do Google News Realmente Mudou

A manchete transformou um debate conhecido sobre adoção de IA em um teste de responsabilização da liderança.

A discussão da GovTech surgiu quando os programas governamentais de IA avançavam além de experimentos isolados. Os órgãos públicos agora enfrentam pressão para coordenar compras, controles de dados, treinamento de funcionários e comunicação pública em organizações inteiras.

A mudança não é o lançamento de um único produto. É a expectativa crescente de que líderes públicos consigam distinguir automação útil de demonstrações impressionantes. Essa distinção se torna mais difícil à medida que a IA generativa entra nas ferramentas cotidianas de escritório e nas plataformas de fornecedores.

A IA generativa cria textos, imagens, código ou outros conteúdos a partir de padrões aprendidos durante o treinamento. Ela pode acelerar a redação e a pesquisa, mas resultados fluentes não garantem resultados precisos ou legais.

A IA agêntica acrescenta outra camada. Um agente de IA é um software capaz de planejar etapas e executar ações em direção a uma meta, com intervenção humana limitada. Dar a esses sistemas acesso a registros ou fluxos de trabalho amplia tanto seu valor quanto suas possíveis consequências.

Líderes governamentais agora precisam decidir onde termina a assistência e começa a autoridade delegada. Um assistente de redação apresenta um perfil de risco. Um sistema que recomenda decisões de elegibilidade, prioriza investigações ou aciona transações apresenta outro.

Essa distinção é fácil de perder em relatórios executivos. Um painel pode contar ferramentas ativas sem separar a sumarização de baixo risco do suporte a decisões com consequências relevantes. Dez pilotos podem, portanto, criar a percepção de maturidade sem revelar muito sobre a prontidão operacional.

A visibilidade no Google News pode intensificar esse efeito. Manchetes agregadas recompensam alegações concisas sobre liderança, aceleração e transformação. Elas raramente mostram o trabalho mais lento envolvendo inventários de dados, processos de recurso, testes de acessibilidade ou cláusulas de contratação.

Nada disso torna a manchete enganosa. Torna a expressão “liderar em IA” incompleta, a menos que os leitores perguntem o que a organização consegue operar com segurança. A liderança começa com a seleção de usos adequados, não com o acúmulo da maior coleção de pilotos.

Os órgãos mais confiáveis estão começando por problemas delimitados. Funcionários podem usar IA para resumir materiais internos extensos, organizar comentários públicos ou recuperar informações aprovadas. Os humanos continuam responsáveis por revisar os resultados e tomar decisões relevantes.

Esses usos ainda podem falhar. Um resumo pode omitir uma exceção crítica, enquanto um software de recuperação pode apresentar uma política desatualizada. O escopo delimitado torna essas falhas mais fáceis de identificar, medir e corrigir antes que afetem os moradores.

Esta é a primeira inversão da história. O órgão com menos implantações pode estar mais avançado se seus sistemas tiverem controles mais fortes e evidências mais claras. O volume sinaliza atividade, enquanto operações disciplinadas sinalizam capacidade.

O Otimismo Público Para Onde a Responsabilização Começa

As pessoas são mais receptivas à eficiência da IA do que às promessas governamentais sobre equidade, privacidade e supervisão.

A pesquisa de confiança da OCDE de 2026 oferece a evidência mais clara dessa divisão. A pesquisa abrangeu 33 países participantes e cinco países em processo de adesão, com respostas coletadas durante 2025.

Mais de quatro em cada dez participantes acreditavam que a IA poderia ajudar os governos a melhorar serviços ou reduzir custos. A confiança era menor em relação à equidade, transparência, proteção da privacidade e supervisão humana significativa, segundo a pesquisa de confiança da OCDE.

Esse padrão importa porque separa a crença na tecnologia da confiança na instituição que a implanta. Os moradores podem esperar um serviço mais rápido enquanto desconfiam de como um órgão obtém essa velocidade.

A OCDE constatou que as percepções sobre a regulação de tecnologias emergentes tinham uma relação especialmente forte com as atitudes em relação à IA no setor público. Essa constatação não prova que a regulação gera confiança automaticamente. Ela mostra que a conduta institucional molda a maneira como as pessoas interpretam sistemas técnicos.

Líderes públicos frequentemente respondem ao ceticismo com campanhas educativas. Melhores explicações podem ajudar, especialmente quando os moradores têm pouca experiência direta com um sistema. A comunicação não pode substituir registros acessíveis, testes independentes ou uma via genuína de recurso.

Um morador que teve um benefício negado precisa de mais do que a garantia de que a IA é, em geral, útil. Essa pessoa precisa saber se a automação influenciou a decisão, quais informações entraram no processo e como contestar um erro.

A supervisão humana também exige mais do que colocar um funcionário perto de um sistema. O revisor precisa de tempo, autoridade, contexto e entendimento técnico suficiente para rejeitar a recomendação. Caso contrário, o humano se torna um ponto de verificação cerimonial.

O viés de automação descreve a tendência de aceitar uma recomendação gerada por computador mesmo quando há evidências contraditórias. Cargas de trabalho elevadas podem reforçar essa tendência porque aprovar uma recomendação costuma ser mais rápido do que investigá-la.

Isso cria um problema difícil de liderança. Os órgãos podem introduzir IA para aliviar funcionários sobrecarregados, mas essas mesmas cargas de trabalho podem enfraquecer os controles de revisão criados para evitar danos. Eficiência e supervisão não podem ser planejadas separadamente.

A confiança também se desenvolve de maneira desigual entre os serviços. Os moradores podem acolher um chatbot que explica o horário de atendimento. Com razão, exigirão mais evidências de um software que influencia decisões sobre proteção infantil, policiamento, tributação, serviços de saúde ou emprego.

Portanto, líderes precisam de categorias de risco que reflitam consequências, e não novidade técnica. Um modelo estatístico conhecido pode causar mais danos do que um novo chatbot se o modelo moldar uma decisão relevante.

A OCDE também relatou que a familiaridade com a IA estava associada a expectativas mais positivas. Isso não justifica descartar moradores céticos como desinformados. A familiaridade pode melhorar a compreensão, enquanto a experiência pessoal com sistemas injustos pode produzir cautela informada.

É por isso que a perspectiva percepção versus realidade funciona nos dois sentidos. Os receios do público podem exceder o risco demonstrado de uma ferramenta delimitada. O otimismo executivo também pode exceder as evidências que sustentam uma implantação ampla.

Uma boa liderança não escolhe uma percepção como correta. Ela cria um processo que testa ambas as visões com base em desempenho documentado, experiência do usuário e incidentes reais.

A Pressão Recai sobre CIOs e Executivos de Órgãos Públicos

Líderes de tecnologia pública precisam transformar o entusiasmo amplo pela IA em decisões capazes de resistir ao escrutínio operacional, jurídico e público.

A pressão imediata recai sobre diretores de informação, diretores de dados, executivos de órgãos públicos, equipes de compras e responsáveis por programas. Cada grupo controla uma parte do sistema, mas os moradores vivenciam o resultado combinado.

A responsabilidade fragmentada cria lacunas previsíveis. Uma equipe de tecnologia pode validar o desempenho do sistema enquanto uma área de programas define a métrica de sucesso errada. A equipe de compras pode garantir termos favoráveis sem obter acesso adequado para auditoria.

A força de trabalho também tem sua própria perspectiva. Os funcionários frequentemente encontram resultados pouco confiáveis, políticas confusas e atritos no fluxo de trabalho antes que os executivos os percebam. Eles podem deixar silenciosamente de usar uma ferramenta aprovada ou adotar uma alternativa não aprovada.

Pesquisas sobre funcionários públicos constataram que o apoio à IA estava associado aos benefícios percebidos, à familiaridade e às crenças sobre efeitos de longo prazo. O estudo também enfatizou treinamento e participação dos funcionários na adoção sustentável, conforme descrito em sua pesquisa sobre administração pública.

O treinamento não pode permanecer como uma apresentação única sobre dados proibidos. Os funcionários precisam de exemplos ligados ao seu trabalho, incluindo o que o sistema faz bem e quando é necessário escalar o caso.

Eles também precisam de permissão para relatar problemas sem serem rotulados como resistentes à mudança. Se os líderes recompensarem os números de adoção, os gestores podem se sentir pressionados a ocultar abandono, soluções improvisadas ou resultados fracos.

A resposta necessária é organizacional, e não técnica. Cada sistema implantado precisa de um responsável executivo, um responsável operacional, um responsável pelos dados e uma via para que as pessoas afetadas solicitem revisão.

Essas funções devem permanecer visíveis após a contratação. Fornecedores podem apoiar testes e monitoramento, mas um órgão público não pode terceirizar a responsabilização por uma decisão pública.

A Geórgia oferece um modelo atual de resposta que prioriza fundamentos. O estado anunciou um trabalho com a Darwin AI para criar uma visão estadual do uso de IA e estabelecer uma infraestrutura comum de governança.

O plano busca fornecer um espaço compartilhado para gestão de políticas, conformidade, registros e supervisão entre departamentos. As salvaguardas da Geórgia mostram como os líderes estão tentando lidar com a adoção fragmentada antes de ampliá-la.

No entanto, a visibilidade centralizada é um ponto de partida, não uma prova de desempenho seguro. Um inventário pode revelar onde os sistemas existem, mas não estabelece se seus resultados são precisos ou equitativos.

Os órgãos públicos precisam tanto de regras centrais quanto de conhecimento local. Um escritório estadual pode estabelecer requisitos, enquanto especialistas de programas avaliam consequências em benefícios, transporte, sistema penitenciário ou saúde pública.

A gestão do conhecimento passa a fazer parte dessa infraestrutura. Políticas, avaliações, registros de incidentes e casos de uso aprovados devem permanecer pesquisáveis e atualizados. Uma base de conhecimento pesquisável pode ajudar as equipes a rastrear decisões sem depender de arquivos dispersos.

O objetivo não é inserir IA em todos os processos. É disponibilizar o conhecimento institucional às pessoas que revisam sistemas e atendem os cidadãos.

Essa pressão continuará por anos, porque a tecnologia governamental muda mais lentamente do que as ofertas dos fornecedores. Sistemas legados, ciclos de contratação, leis de registros e restrições de pessoal não desaparecem quando um novo modelo chega ao mercado.

Por isso, ciclos curtos de produtos colidem com longas obrigações públicas. Os líderes precisam de estruturas que tolerem mudanças de fornecedores, atualizações de modelos, rotatividade de pessoal e novos requisitos legais.

A Verdadeira Divisão É Entre Implantação e Evidências

Um sistema de IA se torna confiável quando uma agência consegue mostrar o que ele faz, como falha e quem continua responsável.

O principal antagonista desta história não é o governo contra as empresas de tecnologia. É a promessa de uma implantação visível contra a realidade de um valor público mensurável.

Um anúncio de piloto descreve intenção. Evidências operacionais descrevem resultados em condições normais, incluindo casos difíceis e períodos de alta demanda.

As agências devem estabelecer uma linha de base antes de introduzir automação. Se os líderes não medirem o tempo atual de processamento, as taxas de erro, o esforço dos funcionários, os recursos e a satisfação dos usuários, alegações posteriores de melhoria ficarão sem contexto.

A velocidade, por si só, não basta. Um sistema pode reduzir o processamento inicial enquanto gera mais correções, reclamações ou encaminhamentos. Esses custos posteriores devem fazer parte da mesma avaliação.

A qualidade também precisa de definições específicas para cada serviço. Em um fluxo de trabalho, precisão pode significar resumos fiéis. Em outro, pode exigir a identificação de todas as exceções juridicamente relevantes no registro de um cidadão.

O valor público inclui a distribuição dos resultados. Uma melhoria média pode ocultar resultados piores para pessoas com deficiência, proficiência limitada em inglês, registros incomuns ou acesso digital pouco confiável.

Os líderes devem publicar informações suficientes para que os cidadãos compreendam o sistema sem expor detalhes sensíveis de segurança. Uma divulgação útil identifica a finalidade, o órgão responsável, as categorias de dados, o processo de revisão e as limitações conhecidas.

O governo federal já possui estruturas que as agências podem adaptar. O U.S. Government Accountability Office organiza a responsabilização em IA em torno de governança, dados, desempenho e monitoramento.

Essas categorias conectam a responsabilidade executiva à prática operacional. A governança define autoridade, o trabalho com dados examina as entradas, os testes de desempenho avaliam o comportamento e o monitoramento verifica se as condições mudam após a implantação.

A estrutura de responsabilização do GAO também trata a supervisão como uma responsabilidade contínua. Isso importa porque um sistema que apresenta desempenho aceitável durante um piloto pode se desviar após mudanças nos fluxos de trabalho, nos usuários ou nos dados.

O monitoramento deve captar mais do que a disponibilidade técnica. As agências precisam acompanhar padrões de reclamações, taxas de substituição, resultados de recursos, relatórios de incidentes e diferenças entre os grupos afetados.

Os dados de substituição merecem interpretação cuidadosa. Uma taxa baixa pode significar que o sistema tem bom desempenho. Também pode indicar que os funcionários não têm tempo, autoridade ou confiança para discordar.

Uma taxa alta pode revelar um modelo fraco, mas também pode mostrar que a revisão humana está funcionando. Os líderes precisam de análise qualitativa além do número.

Os termos de contratação determinam se essas evidências continuarão disponíveis. Os contratos devem abordar acesso à avaliação, mudanças no modelo, registros, retenção de dados, subcontratados, notificação de incidentes e suporte para encerramento.

O design proprietário de um fornecedor não elimina o dever da agência de explicar decisões públicas. Se uma agência não consegue obter informações suficientes para avaliar um sistema de impacto relevante, essa limitação deve influenciar a contratação.

Esse princípio se torna mais importante com modelos fundacionais, que são modelos de uso geral adaptados para muitas tarefas. Suas amplas capacidades podem incentivar agências a usar um único serviço em fluxos de trabalho com riscos muito diferentes.

Uma atualização de modelo também pode alterar o comportamento das respostas sem um lançamento tradicional de software. As agências devem saber quando ocorrem mudanças materiais e se avaliações anteriores ainda se aplicam.

O limiar de evidência deve aumentar conforme o dano potencial. Elaborar um resumo interno de reunião exige controles, mas não merece a mesma revisão que recomendar alvos de fiscalização.

Os líderes também devem definir limites de falha antes do lançamento. Eles precisam de condições claras para pausar um sistema, retornar ao processo anterior e notificar os usuários afetados.

Essa disciplina operacional raramente produz a manchete mais atraente no Google News. Ela determina se a alegação de liderança resiste depois que a atenção pública se volta para outro lugar.

As Salvaguardas Devem Funcionar Dentro do Fluxo de Trabalho

A governança tem êxito quando as salvaguardas influenciam decisões cotidianas, e não quando existem apenas em documentos de política.

Muitas organizações agora têm princípios de IA. Menos conseguem mostrar como esses princípios alteram uma decisão de contratação, evitam um uso inseguro ou resolvem um problema relatado.

O NIST AI Risk Management Framework oferece uma estrutura prática por meio de quatro funções conectadas: governar, mapear, medir e gerenciar. Ele trata a governança como parte contínua do ciclo de vida do sistema.

A estrutura de IA do NIST é voluntária e foi criada para organizações de diversos setores. Seu valor está em conectar escolhas de liderança a testes, documentação e tratamento de riscos.

“Governar” estabelece responsabilidade e expectativas organizacionais. “Mapear” posiciona o sistema em seu contexto real de uso. “Medir” avalia riscos e desempenho, enquanto “gerenciar” prioriza respostas e monitora resultados.

As agências podem traduzir essas funções em etapas de controle no fluxo de trabalho. Um caso de uso proposto não deve avançar para a contratação até que a equipe documente sua finalidade, os usuários afetados, as necessidades de dados, as alternativas e os possíveis danos.

Os testes devem refletir condições reais de operação. Um chatbot treinado com exemplos limpos pode ter dificuldades com erros de ortografia, perguntas incompletas, solicitações multilíngues ou políticas com exceções.

Os testes de segurança também são importantes porque a IA generativa introduz novos caminhos de ataque. A injeção de prompt ocorre quando conteúdo malicioso ou não confiável tenta redirecionar o comportamento de um modelo.

Um assistente voltado ao público pode recuperar texto de documentos da agência ou fontes externas. Se o sistema tratar instruções ocultas como comandos confiáveis, um invasor poderá manipular sua resposta.

Os líderes não precisam se tornar engenheiros de modelos. Eles precisam de fluência técnica suficiente para perguntar se os testes cobriram usos indevidos prováveis, exposição de dados sensíveis e recuperação após falhas.

Especialistas de programas continuam essenciais porque testes técnicos não conseguem determinar se uma resposta cumpre uma obrigação legal ou reflete a política real de serviço.

Os funcionários da linha de frente devem participar antes de os requisitos serem definidos. Eles sabem onde os registros estão incompletos, onde surgem exceções e quais atalhos criam problemas posteriores.

Cidadãos e grupos de defesa podem identificar riscos que as equipes internas deixam de perceber. Seu envolvimento se torna especialmente importante quando um sistema afeta grupos vulneráveis ou muda o acesso a um serviço.

As salvaguardas também precisam de fiscalização. Um inventário sem integração com a contratação permite que novos sistemas entrem por meio de compras departamentais ou recursos incorporados de software.

Listas de produtos aprovados, por si só, são insuficientes porque o risco depende do uso. A mesma ferramenta pode ser aceitável para brainstorming e inaceitável para processar arquivos confidenciais de casos.

Por isso, os líderes devem autorizar casos de uso, e não apenas produtos. A autorização deve descrever os dados permitidos, a revisão exigida, o monitoramento e as ações proibidas.

A IA sombra continua sendo um desafio prático. Os funcionários podem recorrer a ferramentas de consumo quando os sistemas aprovados são lentos, indisponíveis ou pouco adequados ao seu trabalho.

A punição, por si só, não resolverá esse problema. As agências precisam de alternativas utilizáveis, regras claras e canais de feedback que revelem por que a equipe contorna processos aprovados.

A visão cética merece destaque aqui. A adoção de uma estrutura não prova que um sistema é confiável. Uma avaliação bem formatada ainda pode se basear em testes fracos ou premissas otimistas.

A revisão independente pode reduzir esse risco, especialmente em usos de impacto relevante. As agências devem separar a equipe que busca a implantação das pessoas autorizadas a contestar suas evidências.

Relatórios de transparência também podem se tornar performáticos se listarem sistemas sem resultados. Uma divulgação útil deve mostrar se as implantações atingiram as metas de serviço e o que mudou após incidentes.

O teste de realidade é simples. Uma salvaguarda só importa quando pode atrasar um lançamento, restringir um caso de uso, exigir trabalho corretivo ou interromper um sistema.

Três Sinais Mostrarão Se a Liderança em IA É Real

A próxima etapa será decidida por evidências, comportamento da força de trabalho e recurso público, e não pelo número de anúncios.

O primeiro sinal é a qualidade dos inventários públicos de IA e dos relatórios de impacto. As agências devem ir além de listas de ferramentas e avançar para descrições de finalidade, responsabilidade, risco, desempenho e direitos de revisão.

Se os inventários começarem a conectar implantações a resultados mensuráveis dos serviços, a alegação de liderança se tornará mais forte. Se continuarem sendo catálogos promocionais, a lacuna de percepção aumentará.

Os leitores devem procurar linhas de base e comparações posteriores à implantação. Medidas úteis incluem tempo de processamento, erros corrigidos, recursos, carga de trabalho dos funcionários, satisfação dos usuários e resultados de acessibilidade.

O segundo sinal é se os trabalhadores usam os sistemas aprovados de forma consistente e os questionam quando necessário. A adoção sem revisão informada sugere viés de automação, enquanto a evasão generalizada sugere inadequação ou baixa confiança.

As agências podem examinar a conclusão de treinamentos, o uso ativo, os problemas relatados e os padrões de substituição. Devem combinar esses números com entrevistas, porque o comportamento pode ter várias explicações.

Um programa saudável torna a discordância visível. Os funcionários devem saber quando precisam verificar uma resposta e como escalar falhas sem ameaçar suas avaliações de desempenho.

O terceiro sinal é se os cidadãos recebem aviso e recurso significativos. As pessoas devem conseguir reconhecer quando a IA influenciou materialmente um serviço e alcançar um revisor humano qualificado.

O aviso deve usar linguagem simples. Uma declaração genérica de que uma agência “usa análises avançadas” não explica se a automação afetou um caso individual.

O recurso também deve produzir ação. Um formulário de contato que devolve os usuários ao mesmo processo automatizado não oferece revisão humana.

Esses três sinais se reforçam mutuamente. Inventários melhores ajudam os funcionários a compreender os usos aprovados. Trabalhadores bem informados produzem melhores registros de incidentes, enquanto recursos eficazes expõem falhas que os testes internos não detectaram.

Eles também oferecem uma história mais útil a jornalistas e pesquisadores. O Google News pode então destacar evidências sobre resultados, não apenas alegações de impulso.

A IA no setor público não precisa de aprovação universal antes de poder ajudar. Ela precisa de salvaguardas proporcionais, responsabilidade visível e disposição para interromper sistemas que não cumpram sua finalidade declarada.

Portanto, o desafio da liderança é menos dramático do que a manchete sugere, mas mais exigente na prática. Ele envolve estabelecer limites, financiar avaliações, ouvir a equipe e preservar alternativas humanas.

Os desenvolvedores devem perguntar se os sistemas expõem informações suficientes para uma revisão significativa. Os compradores empresariais devem perguntar se os contratos preservam acesso para auditoria e controle operacional.

Os trabalhadores do conhecimento devem perguntar onde o material gerado entra nos registros oficiais e quem o verifica. Os moradores devem perguntar se uma recomendação automatizada pode ser explicada e contestada.

O próximo ciclo de notícias do Google trará outro modelo, parceria ou iniciativa estadual. Antes de chamá-lo de liderança, procure as evidências por trás dele.

Faça três perguntas: O que melhorou, quem verificou e o que acontece quando o sistema erra? Se uma agência puder responder às três, percepção e realidade finalmente estarão se aproximando.