Project Management Pitfalls and the Ambivalent Role of Artificial Intelligence: A Scoping Review of Bad Practices
Esta revisão de escopo expande a lista conhecida de más práticas de gestão de projetos para vinte falhas sistêmicas através de quatro clusters principais e argumenta que, embora a inteligência artificial ofereça potencial para melhoria, sua adoção acrítica corre o risco de exacerbar problemas existentes, necessitando de sua integração como um complemento, em vez de um substituto, para o bom julgamento humano e governança.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Durante décadas, o mundo da construção de coisas dependeu de um conjunto de regras projetadas para evitar que esforços complexos desmoronassem. Quer se esteja construindo uma ponte, lançando um satélite ou implementando um novo software, as equipes seguem uma disciplina chamada gestão de projetos. Este campo baseia-se na ideia de que, se você planejar cuidadosamente, atribuir as pessoas certas e monitorar o orçamento, você terá sucesso. No entanto, apesar da invenção de softwares sofisticados e do treinamento de milhões de profissionais, os projetos ainda falham a uma taxa obstinadamente alta. Eles ficam sem dinheiro, perdem seus prazos ou entregam um produto que ninguém queria. As razões para esses fracassos raramente são a falta de ferramentas ou a falta de conhecimento; em vez disso, elas frequentemente decorrem de hábitos humanos profundamente enraizados. Tendemos a ser excessivamente otimistas sobre quanto tempo as coisas levarão, temos dificuldade em dizer "não" a novos pedidos e tentamos fazer muitas coisas ao mesmo tempo. Esses padrões são tão comuns que foram estudados por anos, formando um catálogo de erros que parecem impossíveis de escapar.
Agora, uma nova questão entrou na conversa. À medida que a inteligência artificial — sistemas de computador que podem aprender com dados e fazer previsões — torna-se mais poderosa, muitos esperam que ela finalmente resolva esses velhos problemas. A ideia é que uma máquina, livre do otimismo ou da fadiga humana, poderia calcular o cronograma perfeito, identificar riscos ocultos e gerenciar recursos sem erros. Mas uma revisão recente da pesquisa mais recente sugere que a resposta não é tão simples. A tecnologia possui uma promessa real, mas também carrega o risco de tornar nossos erros mais antigos ainda piores se não tivermos cuidado.
Uma equipe de pesquisadores do Parque Tecnológico de Holguín e da Universidade de Holguín, em Cuba, partiu para investigar exatamente essa tensão. Eles realizaram uma revisão de escopo da literatura científica publicada entre 2021 e 2026 em cinco bases de dados específicas: Scopus, Web of Science, DOAJ, OpenAlex e Google Scholar, procurando estudos sobre por que os projetos falham e como a inteligência artificial está sendo usada para resolvê-los. Eles também examinaram relatórios de profissionais da indústria que lidam com esses fracassos todos os dias. O objetivo deles não era testar uma única teoria, mas mapear o cenário de vinte práticas ruins específicas que continuam a assolar o campo. Eles organizaram esses erros em quatro grupos principais: falhas no planejamento e na estimativa de quanto tempo as coisas levariam; falhas na gestão de pessoas e no escopo do trabalho; falhas na forma como as equipes se comunicam e tomam decisões; e falhas em realmente concluir o trabalho.
Os pesquisadores descobriram que essas vinte práticas ruins não são novas. São os mesmos padrões descritos em estudos mais antigos, provando que a lacuna entre o que sabemos que devemos fazer e o que realmente fazemos permanece ampla. Um dos erros mais persistentes é a "falácia do planejamento", um hábito onde as pessoas se convencem de que seu projeto será diferente e melhor que o de todos os outros, ignorando dados históricos que sugerem o contrário. Outro problema comum é a incapacidade de dizer "não" a mudanças nos requisitos, o que leva ao "scope creep" (aumento de escopo), onde um projeto cresce lentamente além de seus limites originais até colapsar sob seu próprio peso. A revisão também destacou a natureza destrutiva do multitasking (multitarefa), onde os membros da equipe são puxados em muitas direções, fazendo com que sofram burnout e retardem o trabalho.
Quando os pesquisadores observaram como a inteligência artificial interage com esses problemas, descobriram uma faca de dois gumes. Do lado positivo, a tecnologia mostra um potencial genuíno para melhorar tarefas específicas. Por exemplo, modelos de computador avançados podem analisar vastas quantidades de dados históricos para criar estimativas mais precisas de quanto tempo um projeto levará, muitas vezes superando os métodos tradicionais. Essas ferramentas também podem rastrear recursos para garantir que ninguém esteja sobrecarregado e podem sinalizar automaticamente quando um projeto está saindo do curso. Em alguns casos, esses sistemas mostraram-se capazes de reduzir erros de previsão em uma margem significativa, oferecendo um nível de precisão que os planejadores humanos têm dificuldade em igualar.
No entanto, a revisão alerta que simplesmente ligar um computador não resolve os problemas humanos subjacentes. Se os dados inseridos em um sistema de inteligência artificial forem falhos, tendenciosos ou incompletos, a máquina simplesmente repetirá esses erros, talvez até com mais confiança do que um humano faria. Os pesquisadores observaram que, se uma empresa tem um histórico de subestimar custos, uma inteligência artificial treinada nos dados passados dessa empresa aprenderá a subestimar custos também. Além disso, há o risco de que as equipes se tornem excessivamente dependentes dessas ferramentas, confiando no output da máquina sem questioná-lo. Isso pode levar a uma situação em que decisões ruins são tomadas de forma mais rápida e com mais autoridade porque são apoiadas por um computador. A revisão também apontou que muitos projetos de inteligência artificial, por si só, falham em chegar à implementação por serem complexos demais, resolverem o problema errado ou carecerem de explicações claras sobre como chegaram às suas conclusões.
O achado central do estudo é que esses fracassos são fundamentalmente organizacionais e comportamentais, não apenas técnicos. Os problemas de otimismo, comunicação precária e incapacidade de priorização estão enraizados na psicologia humana e na cultura da empresa. A inteligência artificial é uma ferramenta poderosa, mas não é uma varinha mágica que pode consertar uma cultura quebrada. Os pesquisadores argumentam que a tecnologia deve ser usada para apoiar o julgamento humano, não para substituí-lo. Ela pode lidar com o trabalho pesado de análise de dados e reconhecimento de padrões, liberando as pessoas para focarem nas coisas que as máquinas não podem fazer: navegar em relacionamentos políticos complexos, sentir o moral de uma equipe e tomar as decisões éticas difíceis que frequentemente surgem em situações de alto risco.
Em última análise, o caminho a seguir exige uma abordagem equilibrada. Organizações que desejam ter sucesso devem investir na melhoria da qualidade de seus dados e no treinamento de suas pessoas para usar essas novas ferramentas com sabedoria. Elas devem construir estruturas de governança que garantam que a inteligência artificial seja transparente e que os humanos permaneçam no controle das decisões finais. A revisão conclui que, embora a tecnologia possa nos ajudar a ver as armadilhas com mais clareza, cabe a nós evitá-las. Os projetos mais eficazes serão aqueles que combinarem a velocidade e a precisão da inteligência artificial com a sabedoria, empatia e pensamento crítico de líderes humanos experientes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.