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

(Antfer) #1

sofisticadas perto do cliente; segundo, maximizar a efici-
ência dos seniores: quanto menos tempo precisassem para
explicar o trabalho aos juniores, mais poderiam se concen-
trar em sua análise de nível superior. Isso proporcionou
ganhos de eficiência de curto prazo, mas afastou os analistas
juniores do trabalho desafiador e complexo, dificultando o
aprendizado de todo o processo de avaliação e diminuindo a
capacidade futura da empresa.


2


Experts estão sendo distanciados do trabalho. Às
vezes, as máquinas inteligentes atrapalham a relação
entre os trainees e o trabalho, mas outras vezes são
implementadas de forma que impede os experts de reali-
zar tarefas práticas importantes. Na cirurgia robótica, os
cirurgiões não veem o corpo do paciente ou o robô durante
a maior parte do procedimento, por isso não podem avaliar
e gerenciar diretamente partes críticas dele. Por exemplo,
na cirurgia tradicional, o cirurgião está ciente do efeito de
dispositivos e instrumentos no corpo do paciente e se ajusta;
mas na cirurgia robótica, o cirurgião não sabe se o braço do
robô vai bater na cabeça do paciente ou se um instrumento
robótico será trocado por uma escova, a não ser que alguém
lhe diga. Isso tem duas implicações no aprendizado: os
cirurgiões não podem pôr em prática suas habilidades
para compreender o trabalho por conta própria e de forma
holística e precisam desenvolver novas habilidades para dar
sentido ao trabalho por meio dos outros.
Benjamin Shestakofsky, da University of Pennsylvania,
descreveu um fenômeno semelhante em uma startup
pré-IPO que usava aprendizado de máquina para selecionar
candidatos a vagas de emprego e fornecer uma plataforma
de negociação de termos de contrato entre trabalhadores
e contratantes. No início, os algoritmos não fizeram boas
combinações, então os gestores em São Francisco contrata-
ram pessoas nas Filipinas para fazer manualmente as com-
binações. E quando os trabalhadores tinham dificuldades
com a plataforma — por exemplo, ao usá-la para fazer
cotação de preços para as contratações ou para estruturar
pagamentos —, os gestores de startups terceirizavam o
suporte necessário para outro grupo distribuído de fun-
cionários em Las Vegas. Em virtude dos recursos limitados,
os gestores alocavam um grande número de pessoas para
resolver esses problemas e assim ganhar tempo enquanto


buscavam o dinheiro e os engenheiros adicionais necessá-
rios para aperfeiçoar o produto. A delegação permitia que
os gestores e engenheiros se concentrassem no desenvolvi-
mento de negócios e na criação de código, mas os privava
de oportunidades críticas de aprendizado: afastava-os da
contribuição direta e regular dos clientes — os trabalhadores
e contratantes — sobre os problemas que vivenciavam e os
recursos que queriam.

3


Espera-se que os trainees dominem métodos novos
e antigos. A cirurgia robótica compreende um con-
junto radicalmente novo de técnicas e tecnologias para
alcançar o mesmo fim da cirurgia tradicional. Prometendo
maior precisão e ergonomia, ela foi adicionada ao currículo
e esperava-se que os residentes aprendessem tanto as
abordagens robóticas quanto as abertas. Mas o currículo não
incluiu tempo suficiente para aprender as duas, o que muitas
vezes levou a pior resultado: os residentes não dominaram
nem uma nem outra. Eu chamo esse problema de sobrecarga
metodológica.
Shreeharsh Kelkar, da University of California Berkeley,
descobriu que algo semelhante aconteceu com muitos
professores que usavam uma nova plataforma de tecno-
logia chamada edX para desenvolver cursos online abertos
e massivos (MOOCs). EdX forneceu-lhes um conjunto de
ferramentas de design de curso e orientação instrucional
com base em análise algorítmica refinada da interação
dos alunos com a plataforma (cliques, postagens, pausas
na reprodução de vídeos e assim por diante). Aqueles que
queriam desenvolver e melhorar os cursos online preci-
savam aprender uma série de novas habilidades — nave-
gar na interface do usuário do edX, interpretar análises
sobre o comportamento do aluno, compor e gerenciar a
equipe do projeto e muito mais —, mantendo afiadas as
habilidades da “velha escola” para dar aulas tradicionais.
Lidar com essa tensão era difícil para todos, especialmente
porque as abordagens estavam em constante mudança:
quase diariamente surgiam novas ferramentas, métricas
e expectativas, e os instrutores precisavam avaliá-las e
dominá-las o mais rápido possível. As únicas pessoas que
lidavam bem com os velhos e com os novos métodos eram
as que já tinham sofisticação técnica e recursos significati-
vos da empresa.

A implementação de máquinas inteligentes pelas empresas muitas vezes afasta


os trainees das oportunidades de aprendizado e os especialistas da ação.


Harvard Business Review
Free download pdf