Harvard Business Review - Brasil - Edição 9711 (2019-11)

(Antfer) #1

a fazer o nosso trabalho: observamos um especialista,
participamos da parte mais fácil do trabalho primeiro e
depois progredimos para tarefas mais difíceis, muitas vezes
mais arriscadas, sob supervisão rigorosa, até nos tornarmos
especialistas. O processo é conhecido por muitos nomes:
aprendizado, orientação e treinamento no local de trabalho
(TLT). Em cirurgia, é chamado de veja, faça, ensine.
Por mais crítico que seja, as empresas geralmente não
valorizam o treinamento no local de trabalho — seu finan-
ciamento e gestão quase nunca é feito de modo formal e, em
2018, dos cerca de US$ 366 bilhões que as empresas gastaram
globalmente em treinamento formal, uma pequena parte
foi direcionada para essa área. No entanto, décadas de pes-
quisa mostram que, embora o treinamento oferecido pelo
empregador seja importante, a maior parte das habilidades
necessárias para fazer um trabalho de forma confiável pode
ser aprendida no próprio trabalho. A maioria das empresas
depende muito do TLT: uma pesquisa da Accenture de
2011, a mais recente do tipo, revelou que apenas um em
cada cinco funcionários havia aprendido novas habilidades
profissionais por meio de treinamento formal nos cinco
anos anteriores.
Hoje o TLT está sob ameaça. A introdução precipitada
de analytics, IA e robótica sofisticadas em muitos aspectos
do trabalho está comprometendo essa abordagem eficaz
e consagrada pelo tempo. À medida que essas tecnologias
automatizam o trabalho, dezenas de milhares de pessoas
perderão ou conseguirão emprego ano após ano, e milhões
terão de aprender novas habilidades e formas de trabalhar.
No entanto, amplas evidências demonstram que a implan-
tação de máquinas inteligentes pelas empresas muitas vezes
bloqueia esse caminho crítico de aprendizado: meus colegas
e eu descobrimos que isso afasta os trainees das oportuni-
dades de aprendizado e deixa os especialistas de fora da
ação, sobrecarregando a ambos com a exigência de dominar
métodos antigos e novos simultaneamente.
Como, então, os funcionários aprenderão a trabalhar
junto com essas máquinas? Os primeiros indícios vêm da
observação de trainees envolvidos em práticas que desafiam
normas, realizadas longe dos holofotes e toleradas pelos
resultados que produzem. Eu chamo esse processo, que
ocorre de modo generalizado e informal, de shadow learning
(aprendizado oculto).


obstáculos ao aprendizado


minHa desCOBertadOSHaDow learning resultou de anos
de observação de cirurgiões e residentes cirúrgicos em
18 hospitais de ensino de primeira linha nos EUA. Estudei
aprendizado e treinamento em dois ambientes: cirurgia
tradicional (“aberta”) e cirurgia robótica. Recolhi dados
sobre as dificuldades da cirurgia robótica enfrentadas
por cirurgiões seniores, residentes, enfermeiras e instru-
mentadores cirúrgicos (que preparam os pacientes, aju-
dam os cirurgiões a colocar as luvas e aventais, passam
os instrumentos e assim por diante), focando especialmente
os poucos residentes que encontraram formas inovadoras
de aprender. Embora o foco da pesquisa fosse cirurgia,
meu objetivo mais amplo era identificar dinâmicas de apren-
dizado e treinamento em trabalhos de diversos tipos com
máquinas inteligentes.
Para isso, conectei-me com um grupo pequeno mas
crescente de pesquisadores de campo que estudam a forma
como as pessoas trabalham com máquinas inteligentes em
ambientes como startups, ONGs de política pública, bancos
de investimentos e na área de educação online. O trabalho
deles revela dinâmicas parecidas com as que observei no
treinamento cirúrgico. Com base em suas variadas linhas
de pesquisa, identifiquei quatro obstáculos comuns para
a aquisição de habilidades. Esses obstáculos direcionam o
shadow learning.

1


Os novatos são afastados da “fronteira do aprendi-
zado”. Treinar pessoas em qualquer tipo de trabalho
pode gerar custos e diminuir a qualidade, pois os novatos
avançam lentamente e cometem erros. À medida que
introduzem máquinas inteligentes, as empresas geralmente
controlam isso reduzindo a participação dos estagiários nas
partes arriscadas e complexas do trabalho, como Kristen
descobriu. Assim, os trainees são afastados das dificuldades
que exigem o uso de todas as suas habilidades com ajuda
limitada quando cometem erros — condição essencial para
aprender novas habilidades.
O mesmo fenômeno pode ser observado nos bancos de
investimentos. Callen Anthony, da New York University, des-
cobriu que os analistas juniores de uma empresa eram, cada
vez mais, separados dos sócios seniores quando estes inter-
pretavam as avaliações de empresas baseadas em algoritmos
em fusões e aquisições (F&As). Aos juniores cabia apenas
rascunhar relatórios sobre as empresas de interesse, obtidos
de sistemas que coletavam dados financeiros da internet,
e encaminhá-los aos parceiros seniores para análise. Qual
é a lógica implícita desta divisão de trabalho? Primeiro,
reduzir o risco de erros dos mais jovens ao executar tarefas

TECNOLOGIA

Harvard Business Review
Free download pdf