88% dos times de T&D economizam tempo produzindo com IA. Isso mede o trabalho de quem cria, não o resultado de quem apre
IA deixa o treinamento mais rápido de produzir. Isso não significa que ficou melhor de aprender.
Velocidade de produção e efetividade de aprendizagem são duas coisas diferentes, e a segunda não melhora sozinha quando a primeira melhora. Antes de escalar conteúdo com IA, existem perguntas que precisam de resposta.
O ganho que todo mundo mede é o ganho de quem produz
O AI in Learning & Development Report 2026, produzido pela Synthesia com 421 respondentes de T&D e coleta entre outubro e novembro de 2025, mostra que 88% dos times relatam economia de tempo na criação de conteúdo. Produção mais rápida é o maior incentivo de adoção, citado por 84%.
Repare em quem esses números descrevem. Todos eles medem o trabalho da equipe de T&D, não o resultado de quem passa pelo treinamento.
Isso não desqualifica o ganho. Uma área pequena que consegue produzir o dobro com a mesma equipe resolveu um problema real de capacidade. O erro é tratar esse ganho como se fosse a mesma coisa que aprendizagem melhor, porque as duas coisas não se movem juntas por padrão.
A IA acelerou o meio do processo e deixou as pontas intactas
O dado mais revelador do relatório não é um percentual isolado. É onde os percentuais se concentram.
No modelo ADDIE, que organiza o desenho instrucional em análise, projeto, desenvolvimento, implementação e avaliação, o uso de IA está pesado nas fases de projeto (66% em uso) e desenvolvimento (65%). As fases de implementação e avaliação aparecem em estágio bem mais inicial, com interesse crescendo mas adoção baixa.
Traduzindo: a IA foi aplicada exatamente onde o trabalho é de produção, e quase não foi aplicada onde o trabalho é de diagnóstico e de verificação.
Isso importa porque são justamente as duas pontas que determinam se alguém aprende. A análise decide se o treinamento ataca o problema certo. A avaliação decide se ele funcionou. Acelerar o miolo sem tocar nas pontas produz uma coisa específica: mais treinamento, com a mesma taxa de acerto de antes.
Se o diagnóstico estava errado, a IA passou a produzir o treinamento errado mais rápido.
As perguntas que a velocidade não responde
Existem princípios de educação de adultos que não mudaram porque a ferramenta de produção mudou. Antes de escalar conteúdo com IA, quatro deles precisam de resposta explícita.
A pessoa vai precisar recuperar isso da memória? Conteúdo que só é consumido some. Aprendizagem se fixa quando quem aprende é obrigado a buscar a informação de volta, não quando ela é apresentada de forma agradável. Um quiz gerado em segundos ajuda, desde que ele exija recuperação real e não reconhecimento de alternativa óbvia.
O volume cabe na cabeça de quem recebe? Produzir ficou barato, e conteúdo barato tende a crescer. Carga cognitiva é um limite físico, não uma questão de disposição. Uma trilha que dobrou de tamanho porque ficou fácil produzir costuma ensinar menos que a versão curta que ela substituiu.
O conteúdo está no contexto onde a habilidade será usada? Transferência é o ponto onde a maioria dos programas falha. Aprender numa situação genérica e precisar aplicar numa situação específica exige uma ponte que o conteúdo raramente constrói sozinho. Personalização de trilha ajuda aqui, e o relatório mostra que ela ainda é promessa mais do que prática: apenas 24% já enxergam aprendizado personalizado hoje, contra 72% que esperam isso nos próximos dois anos.
Existe dificuldade suficiente? Um material fluido, bem narrado e fácil de consumir gera avaliação alta e retenção baixa. A sensação de facilidade durante o estudo é um péssimo indicador de aprendizagem. Vale desconfiar quando a única coisa que melhorou depois da IA foi a nota de satisfação.
Isso deixa exposto o trabalho que continua sendo humano: escolher o que precisa ser aprendido, definir o que caracteriza domínio, desenhar a sequência de dificuldade e julgar se o material entrega o que promete. Como resume Kristen Budd, learning experience designer da Synthesia, no relatório, "não é possível terceirizar a cognição".
A Dra. Philippa Hardman, que assina a análise do estudo, coloca o risco em outros termos: o problema não é a baixa adoção de IA, é o uso raso que nunca evolui para uma prática orientada por dados e por resultados.
O relatório também registra que 29% dos profissionais concordam que a IA pode corroer o valor único da área. Vale considerar que essa erosão não acontece porque a IA ficou boa demais. Acontece quando a área aceita ser avaliada pelo volume que produz, terreno em que qualquer ferramenta ganha dela.
Um filtro antes de escalar
A regra prática é simples de enunciar e desconfortável de aplicar: só escale com IA o que você já sabe que funciona.
Antes de multiplicar um formato, responda três coisas. Qual comportamento específico esse conteúdo deveria produzir no trabalho. Qual evidência você teria se ele estivesse funcionando. Como você saberia que parou de funcionar.
Se as três respostas existem, escalar com IA é ganho puro. Se alguma delas não existe, a IA vai multiplicar uma aposta, não uma solução, e vai fazer isso rápido o bastante para que o erro apareça só no ciclo seguinte.
Programas desenhados assim começam pela pergunta de aprendizagem e usam a IA depois, como acelerador de algo que já tem hipótese, critério de domínio e forma de verificação. É a diferença entre uma jornada de aprendizagem e um catálogo de conteúdo.
Produzir mais deixou de ser o gargalo da área. O gargalo passou a ser decidir o que merece existir.
Avalie sua jornada de aprendizagem
A Decoding desenha programas de treinamento partindo da mudança que precisa acontecer, definindo critério de domínio e evidência antes de qualquer conteúdo ser produzido.
Comece descobrindo em que estágio está a maturidade das suas ações de T&D hoje. É uma conversa de estratégia, não de venda: você sai com clareza sobre os próximos passos, contratando a gente ou não.
