“Onde não há padrão, não há kaizen.”
ricardo caires · 2026
Manifesto do fluxo inteligente
i = IH × IA − t
inovação = inteligência humana × inteligência artificial − tecnoestresse
A inteligência artificial chegou ao trabalho do conhecimento mais rápido do que as organizações conseguiram se organizar para recebê-la. Redesenhando fluxos de trabalho com as equipes que fazem esse trabalho, aprendemos a valorizar:
- 01Fluxo de ponta a pontamais quevelocidade de uma tarefa
- 02Contexto e critériomais queferramenta da moda
- 03Inovação que muda o resultadomais queteatro da inovação
- 04Desafio na medida dos recursosmais quepressão na velocidade da máquina
- 05Qualidade na fontemais queinspeção no fim
Os itens da direita têm valor. Os da esquerda vêm primeiro.
Princípios
toque para abrir
p.01Primeiro o fluxo, depois a IA.
A IA amplia o que encontra. Fluxo organizado ganha capacidade, e fluxo confuso ganha velocidade para errar. Com a eletricidade foi igual: o ganho só apareceu quando as fábricas foram redesenhadas em torno do motor elétrico.
fundamentos
- Fronteira irregular da IA: com IA, consultores melhoraram nas tarefas dentro da capacidade da tecnologia e erraram mais nas tarefas fora dela (Dell'Acqua et al., 2023).
- Os ganhos da IA exigem investimento complementar em dados, fluxos de trabalho, habilidades e redesenho organizacional. O paradoxo da produtividade dos anos 1980 só se desfez quando as empresas reconstruíram processos e retreinaram pessoas (Independent International Scientific Panel on AI, 2026).
- No governo, a transformação digital coordenada entre departamentos amplia a eficiência do conjunto (Yang et al., 2024).
p.02Demanda e recurso são o balanceamento de linha do trabalho do conhecimento.
Identificar as demandas de trabalho e os recursos disponíveis é o que permite balancear qualquer linha de produção, da fábrica aos escritórios, às áreas administrativas e aos serviços. Ohno já tratava a sobrecarga (muri) como perda, e o tecnoestresse é o muri do trabalho digital.
fundamentos
- Teoria das Demandas e Recursos do Trabalho, JD-R (Demerouti et al., 2001; Bakker & Demerouti, 2017).
- Muda, mura e muri: desperdício, irregularidade e sobrecarga no Sistema Toyota de Produção (Ohno, 1988).
p.03O estresse que motiva tem dosagem.
A mesma exigência vira desafio ou ameaça conforme a avaliação e o preparo de quem a vive. Boa facilitação mede essa dosagem e mantém a equipe na zona do desafio, com meta clara, autonomia e recursos à altura.
fundamentos
- Estressores de desafio e de obstáculo (LePine et al., 2005).
- Techno-eustress e techno-distress: a avaliação define o efeito (Tarafdar et al., 2019).
- Autoeficácia com tecnologia (Compeau & Higgins, 1995).
- A tecnologia como demanda, como recurso ou em interação com os recursos pessoais (Pansini et al., 2023).
p.04O ritmo vem da demanda.
No Sistema Toyota, o takt da demanda define o ritmo, e a superprodução é o pior dos desperdícios. IA que gera mais trabalho do que o fluxo consome intensifica a jornada e empurra retrabalho para a próxima etapa. Eficiência sem estrutura vira exaustão.
fundamentos
- Takt time e superprodução (Ohno, 1988).
- Intensificação do trabalho com IA: etnografia de oito meses numa empresa de tecnologia (Ranganathan & Ye, 2026).
- Workslop: conteúdo de IA com cara de pronto que gera retrabalho em quem recebe (Niederhoffer et al., 2025).
p.05Automação com toque humano.
Atividade por atividade, a equipe decide onde a IA executa, onde apoia e onde a decisão fica com as pessoas. É o jidoka no trabalho do conhecimento: a máquina sinaliza o desvio, e a pessoa decide. Esse critério preserva o pensamento crítico.
fundamentos
- Semáforo da IA (Caires, 2026).
- Jidoka, a “automação com toque humano”, um dos dois pilares do Sistema Toyota (Ohno, 1988).
- Mais confiança na IA se associa a menos pensamento crítico (Lee et al., 2025). Quando a IA substitui o esforço mental em vez de apoiá-lo, o pensamento crítico enfraquece (Independent International Scientific Panel on AI, 2026).
- O método de IA deve ser proporcional ao objetivo e apropriado ao contexto, e um sistema de IA jamais substitui a responsabilidade final das pessoas (UNESCO, 2022).
p.06Contexto vem antes do comando.
Por trás dos sistemas existe o trabalho real, feito de interações, esperas e decisões que vivem na cabeça de alguém. Mapear esse trabalho com quem o executa organiza o contexto de que a IA precisa, como o pensamento A3 sempre fez.
fundamentos
- Mapeamento do fluxo de valor (Womack & Jones, 1996).
- Pensamento A3, que começa pelo contexto (Shook, 2008).
- Serviço desenhado em torno dos eventos de vida das pessoas, atravessando as fronteiras entre órgãos (Ministry of Finance of Finland, 2019).
p.07A qualidade nasce na fonte.
A gestão da qualidade nasceu na fábrica, onde a peça com defeito aparece na linha. No escritório, o defeito é uma informação incompleta que só aparece etapas depois, como retrabalho. Por isso a qualidade se constrói na etapa onde a informação nasce, e com IA isso vale ainda mais, porque o defeito passa a ser produzido em escala.
fundamentos
- Percentual completo e correto (%C&C): mede quantas vezes a etapa seguinte recebe o trabalho pronto para uso, sem precisar corrigir, completar ou esclarecer. É o indicador de qualidade do fluxo de informação (Martin & Osterling, 2014).
- Inspeção na fonte e poka-yoke: o defeito é evitado na etapa onde nasce (Shingo, 1986).
- Qualidade da informação vai além da exatidão: inclui completude, atualidade, clareza e utilidade para quem recebe (Wang & Strong, 1996).
- Deixar de depender da inspeção e construir a qualidade no processo. Melhorar a qualidade reduz retrabalho, erros e atrasos, e a produtividade sobe (Deming, 1986).
p.08Inovação se prova no fluxo.
Acelerar uma etapa que nem precisa existir é teatro da inovação. Antes da próxima ferramenta, vale perguntar por que a etapa existe e usar bem o que a equipe já tem. Problema primeiro, solução depois: toda iniciativa precisa sustentar uma decisão, e nada fica no papel.
fundamentos
- Teatro da inovação: iniciativas que servem para a empresa parecer inovadora (Blank, 2019).
- Os cinco porquês, base da investigação de causa no Sistema Toyota (Ohno, 1988).
- Mimetismo isomórfico: organizações públicas que copiam a forma das reformas bem-sucedidas sem ganhar a capacidade que elas entregam. A resposta é a adaptação iterativa orientada por problemas, a PDIA (Pritchett et al., 2013; Andrews et al., 2017).
- Caso PayIt, Toronto: a plataforma de pagamentos foi desativada em 2025, depois de 8,4 milhões em taxas, porque a auditoria não encontrou as economias prometidas (Chakraborti, 2025).
p.09Processo, tecnologia e pessoas mudam juntos.
O respeito pelas pessoas e a melhoria contínua são os dois pilares do jeito Toyota de trabalhar. Olhar processo, pessoas, tecnologia e regras como um sistema mostra a causa por trás do sintoma. Quem protege recursos ganha recursos para inovar, e a evidência orienta cada passo.
fundamentos
- Os dois pilares do Toyota Way (Liker, 2004).
- Teoria da Conservação de Recursos: perda e ganho de recursos (Hobfoll, 1989).
- Pensamento sistêmico no setor público: processos, pessoas, tecnologia e políticas interligados, com foco na causa-raiz (Saïd Business School, 2026).
Estruturar antes de acelerar.
Ricardo Cairesengenheiro de inovação · primeiro signatário
assinatura registrada
Obrigado por assinar.
O seu e-book está pronto. O link também foi para o seu e-mail, .
Baixar o e-book (PDF)mural de assinaturas
Deixe o seu nome no mural
O manifesto também é assinado num quadro da Miro. Envie o seu nome ou uma frase para reforçar, complementar ou discutir um princípio.
as notas aparecem no quadro público da miro · envie só o que pode ser publicado
referências completas
- Andrews, M., Pritchett, L., & Woolcock, M. (2017). Building state capability: Evidence, analysis, action. Oxford University Press.
- Bakker, A. B., & Demerouti, E. (2017). Job demands–resources theory: Taking stock and looking forward. Journal of Occupational Health Psychology, 22(3), 273–285.
- Blank, S. (2019). Why companies do “innovation theater” instead of actual innovation. Harvard Business Review.
- Caires, R. (2026). Semáforo da IA. 36th RESER International Conference, Brasília.
- Chakraborti, S. (2025). PayIt: City of Toronto's innovative digital transformation or an accountability failure? [Estudo de caso]. City of Toronto.
- Compeau, D. R., & Higgins, C. A. (1995). Computer self-efficacy. MIS Quarterly, 19(2), 189–211.
- Dell'Acqua, F., et al. (2023). Navigating the jagged technological frontier. Harvard Business School Working Paper 24-013.
- Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology, 86(3), 499–512.
- Deming, W. E. (1986). Out of the crisis. MIT Center for Advanced Engineering Study.
- Hobfoll, S. E. (1989). Conservation of resources. American Psychologist, 44(3), 513–524.
- Independent International Scientific Panel on Artificial Intelligence. (2026). Preliminary report: Evidence-based assessment of opportunities, risks and impacts of artificial intelligence. United Nations.
- Lee, H.-P., et al. (2025). The impact of generative AI on critical thinking. CHI '25.
- LePine, J. A., Podsakoff, N. P., & LePine, M. A. (2005). A meta-analytic test of the challenge stressor–hindrance stressor framework. Academy of Management Journal, 48(5), 764–775.
- Liker, J. K. (2004). The Toyota way. McGraw-Hill.
- Martin, K., & Osterling, M. (2014). Value stream mapping: How to visualize work and align leadership for organizational transformation. McGraw-Hill.
- Ministry of Finance of Finland. (2019). AuroraAI: Towards a human-centric society. Development and implementation plan 2019–2023.
- Niederhoffer, K., et al. (2025). AI-generated “workslop” is destroying productivity. Harvard Business Review.
- Ohno, T. (1988). Toyota production system: Beyond large-scale production. Productivity Press.
- Ohno, T. (2007). Taiichi Ohno's workplace management (J. Miller, Trad.). Gemba Press.
- Pansini, M., Buonomo, I., De Vincenzi, C., Ferrara, B., & Benevene, P. (2023). Positioning technostress in the JD-R model perspective. Healthcare, 11(3), 446.
- Pritchett, L., Woolcock, M., & Andrews, M. (2013). Looking like a state: Techniques of persistent failure in state capability for implementation. Journal of Development Studies, 49(1), 1–18.
- Ranganathan, A., & Ye, X. M. (2026). AI doesn't reduce work, it intensifies it. Harvard Business Review.
- Saïd Business School, University of Oxford. (2026). IA e transformação digital no governo: Ficha de trabalho sobre análise de problemas e pensamento sistêmico (Módulo 5). Oxford Saïd Online.
- Shingo, S. (1986). Zero quality control: Source inspection and the poka-yoke system. Productivity Press.
- Shook, J. (2008). Managing to learn. Lean Enterprise Institute.
- Tarafdar, M., Cooper, C. L., & Stich, J.-F. (2019). The technostress trifecta. Information Systems Journal, 29(1), 6–42.
- UNESCO. (2022). Recomendação sobre a ética da inteligência artificial. UNESCO.
- Wang, R. Y., & Strong, D. M. (1996). Beyond accuracy: What data quality means to data consumers. Journal of Management Information Systems, 12(4), 5–33.
- Womack, J. P., & Jones, D. T. (1996). Lean thinking. Simon & Schuster.
- Yang, C., Gu, M., & Albitar, K. (2024). Government in the digital age: Exploring the impact of digital transformation on governmental efficiency. Technological Forecasting and Social Change, 208, 123722.
