Treinamento obrigatório não era burocracia: foi o que fez 77,9% das pessoas usarem a ferramenta

Estudo com 11 meses de dados reais de adoção de um assistente de IA integrado ao prontuário eletrônico mostra que amarrar o acesso ao treinamento obrigatório levou 77,9% dos profissionais a usar a fe…

10 de novembro de 2026 · 5 min de leitura

Duas profissionais de saúde analisando dados em um computador dentro de um hospital

Existe uma cena que se repete em empresa de todo tamanho. A licença é comprada, o acesso é liberado para todo mundo, um e-mail avisa que a ferramenta está no ar, e três meses depois alguém pergunta por que o uso está baixo.

Um estudo publicado no arXiv em 5 de novembro de 2026 descreve o caminho oposto, com 11 meses de uso observado e números abertos. O trabalho Real-World Adoption, Use, and Governance of an LLM-Based Electronic Health Record Search and Synthesis Platform acompanha a implantação escalonada do Scout, uma plataforma de modelo de linguagem integrada ao prontuário eletrônico de um sistema acadêmico de saúde com vários hospitais. O Duke Institute for Health Innovation, da Duke University School of Medicine, descreve o Scout como uma ferramenta flexível de busca e síntese no prontuário, em uso no Duke Health.

Em 11 meses, 2.635 usuários concluíram 80.465 tarefas.

O número que interessa não é o do modelo

O dado mais acionável do estudo não tem nada a ver com a qualidade da inteligência artificial. Tem a ver com a porta de entrada.

Segundo os autores, entre os profissionais assistenciais que concluíram o curso obrigatório, 77,9% passaram a usar o Scout, com mediana de 1,7 dia após a conclusão do curso. No lançamento para toda a organização, que incluía esse treinamento obrigatório, a iniciação diária de uso subiu 21,2 vezes, de 2,9 para 61,0 usuários por dia. Nos primeiros 29 dias, 1.768 profissionais assistenciais começaram a usar. Dos 495 que iniciaram na semana do lançamento, 310 o fizeram nos dois primeiros dias.

O mecanismo é barato e não depende de tecnologia: o acesso foi amarrado ao treinamento, em vez de ser liberado para todos na esperança de que o uso acontecesse sozinho.

É o inverso do reflexo corporativo comum, que trata treinamento como atrito a ser reduzido para não atrapalhar a adoção.

Onde o uso realmente foi parar

O estudo também mostra que o uso não ficou concentrado em um bolsão de entusiastas de tecnologia. Ele cobriu mais de 20 categorias de especialidade registradas, cinco papéis profissionais e 46.485 prompts distintos, envolvendo busca, síntese, extração, avaliação e redação. Além disso, 752 tarefas foram salvas para reuso, o que é um sinal de que o uso começou a virar processo, e não só tentativa individual.

Há, porém, um dado de concentração que merece um lugar na planilha de quem decide orçamento: o quintil de usuários mais intensos respondeu por 59,0% das tarefas e 61,9% dos tokens.

Um quinto dos usuários gerou quase 60% do consumo.

A consequência prática no cálculo de retorno

Esse dado de concentração tem dois efeitos diretos sobre decisão de compra, e os dois costumam passar despercebidos.

O primeiro é que o custo de IA de uma organização é dirigido por um grupo pequeno. Se o consumo se concentra assim, o orçamento não cresce de forma proporcional ao número de licenças, cresce de forma proporcional ao comportamento de uma minoria. Projeções lineares por usuário vão errar nas duas direções.

O segundo é que custo médio por licença é uma métrica enganosa. Dividir a fatura pelo número de pessoas com acesso produz um número bonito e inútil, porque mistura quem usa a ferramenta todo dia com quem entrou uma vez. O que informa decisão é a distribuição, não a média.

Quem mede média está medindo a coisa errada desde o primeiro mês.

O que os autores atribuem ao resultado

As conclusões do próprio estudo sobre o que sustentou a adoção rápida e ampla são quatro, e nenhuma delas é sobre o modelo de linguagem:

  • desenho e avaliação das tarefas conduzidos pelos próprios clínicos, ou seja, por quem faz o trabalho;
  • governança rastreável, proporcional ao alcance do sistema;
  • planejamento centralizado de capacidade e de suporte ao usuário;
  • treinamento integrado à liberação de acesso.

Traduzindo para uma empresa que não é um hospital: quem desenha os casos de uso é quem executa a tarefa, não quem supervisiona; o controle cresce junto com o alcance, e não antes dele; alguém precisa ser dono da capacidade e do suporte; e o acesso vem depois do treinamento, não antes.

Os limites deste estudo

É um preprint, sem revisão por pares. E, principalmente, ele mede adoção e uso, não desfecho. O estudo não demonstra ganho de produtividade, redução de custo nem melhoria de cuidado ao paciente. Os próprios autores tratam a análise dos prompts como exploratória.

Saúde acadêmica também é um ambiente peculiar. Treinamento obrigatório é culturalmente aceito ali, e a exigência regulatória de rastreabilidade já existe de antemão, o que não acontece na maior parte das empresas.

Vale registrar ainda uma leitura menos otimista do dado de concentração. Um quintil respondendo por 59,0% das tarefas pode indicar engajamento profundo, mas também pode indicar que a ferramenta serviu bem a um nicho específico de tarefas e apenas razoavelmente ao resto. O estudo não resolve essa ambiguidade.

O que dá para levar

O gargalo que quase toda empresa relata na adoção de inteligência artificial não é a qualidade do modelo. É fazer a ferramenta entrar no trabalho real, com gente que já tem agenda cheia e nenhuma obrigação de mudar o jeito de trabalhar.

Este é um dos primeiros conjuntos de dados públicos, com 11 meses de uso observado em uma organização grande, que aponta para um mecanismo concreto e copiável: amarrar o acesso ao treinamento e deixar quem executa a tarefa desenhar o caso de uso.

Não é uma descoberta sobre inteligência artificial. É uma descoberta sobre desenho de processo, que é onde a adoção costuma morrer.

Continue explorando

Posts relacionados