O que a aviação pode ensinar à saúde sobre inovação em operações críticas 

Inovar em uma operação que não pode parar exige mais do que escolher a tecnologia certa. É preciso saber onde experimentar, como medir resultados, quando avançar — e, principalmente, quando abandonar uma solução que não entregou o que prometia.   Essa é uma das provocações que a aviação levará ao setor de saúde durante o Healthcare Innovation Show 2026, em uma discussão sobre os aprendizados da GOL na adoção de inteligência artificial em uma operação crítica.  A palestra “IA em uma operação que não pode parar: aprendizados da GOL para a saúde”, com Juliana Freitas, Coordenadora Digital de IA e Inovação da GOL, integra um novo formato de conteúdo desta edição do evento. A proposta do HISx é cruzar as fronteiras tradicionais do setor e trazer profissionais de outras indústrias para compartilhar soluções, métodos e experiências desenvolvidos em seus próprios mercados.  A ideia é buscar referências que possam provocar o setor de saúde a olhar para problemas conhecidos sob novas perspectivas — e transformar esses insights em práticas capazes de acelerar a inovação. No caso da aviação, a aproximação é especialmente relevante: assim como na saúde, trata-se de uma operação de alta complexidade regulatória, com baixa margem de erro e na qual decisões equivocadas podem ter consequências críticas.  É justamente nesse ambiente que a GOL vem estruturando sua abordagem para inteligência artificial.  Experimentar antes de escalar  Para Juliana, um dos principais aprendizados da aviação para a saúde está na forma de experimentar. Antes de incorporar uma solução à operação, a empresa trabalha com testes em ambientes controlados e estabelece métricas capazes de determinar se a tecnologia efetivamente entrega valor.  “Só incorporamos soluções que passam por uma rodada meticulosa de testes e métricas altamente confiáveis”, afirma.  A lógica desloca o debate de “qual tecnologia adotar?” para uma pergunta mais importante para gestores: qual problema precisa ser resolvido e como saberemos se a solução funcionou?  Esse processo também envolve, desde o início, os profissionais que estão na ponta da operação. Segundo Juliana, o envolvimento das equipes operacionais em todas as etapas de teste e experimentação é determinante para validar uma solução. “O crivo do time que vai usar a solução no dia a dia é o que nos dá segurança sobre a entrega de valor de uma solução de IA.”  Para a saúde, onde uma mesma tecnologia pode afetar fluxos assistenciais, administrativos e decisões clínicas, o princípio traz uma provocação importante: inovação não deve ser construída apenas por quem domina a tecnologia. Quem vive o problema precisa participar da construção da resposta.  IA não pode ser um projeto isolado  Outro aprendizado da GOL diz respeito à própria estrutura de inovação. Em vez de concentrar todas as iniciativas de inteligência artificial em uma única equipe, a companhia descentralizou os esforços.  Enquanto o time de IA atua em frentes como eficiência operacional e segurança, outras áreas trabalham na adoção de ferramentas voltadas, por exemplo, à experiência do cliente. O desafio, explica Juliana, é manter alinhamento entre iniciativas, ferramentas e métodos sem perder a escala proporcionada pela descentralização.  A experiência também questiona um modelo comum em grandes organizações de saúde: concentrar a inovação em uma área específica e esperar que ela seja responsável por disseminar a transformação para o restante da organização.  Na visão da executiva, a participação de diferentes áreas é parte da própria capacidade de escalar a inovação. “Descentralizar os esforços e manter o alinhamento entre todas as ações, ferramentas e método é o maior desafio desse formato, mas é o formato mais escalável que permite que as principais frentes atuem juntas.”  Cultura antes da tecnologia  A adoção segura de IA também exige uma mudança de mentalidade. Na GOL, esse processo começou pelo letramento da organização, da alta liderança aos colaboradores da operação.  A GOL Labs conduziu durante um ano um programa que treinou mais de 600 colaboradores nas ferramentas de IA recomendadas para ganho de produtividade. Até o momento, segundo Juliana, não houve incidente de segurança envolvendo essas ferramentas.  Mas o treinamento é apenas uma parte da transformação. A empresa passou a trabalhar com versões menores das soluções, em ambientes seguros, envolvendo os times de negócio na construção e nos ajustes incrementais antes de disponibilizá-las aos colaboradores.  A lógica se aproxima de métodos utilizados no ecossistema de startups, como lean startup, cultura ágil e validação em pequena escala, mas adaptados aos parâmetros de segurança de uma operação crítica.  “Não adianta colocar o time de tecnologia para executar, isso precisa vir com visões do cliente, do usuário, da operação”, destaca Juliana. Para ela, quem vive a operação possui uma riqueza de informações que um time exclusivamente tecnológico não consegue reproduzir.  Esse ponto é particularmente relevante para organizações de saúde que buscam avançar em IA sem transformar inovação em uma agenda restrita à área de tecnologia. A experiência da GOL sugere que a mudança cultural acontece menos pela simples disponibilização de ferramentas e mais pela participação contínua dos profissionais na experimentação.  O indicador que importa não é tecnológico  Se existe uma preocupação recorrente na adoção de novas tecnologias, ela é demonstrar que o investimento produziu resultado. Na experiência da GOL, a resposta está em medir o impacto sobre o negócio — e não apenas o desempenho da própria tecnologia.  “Os KPIs não devem ser relacionados à tecnologia em si, e sim ao impacto dela no negócio. Quanto reduziu de tempo operacional? Quanto ganhou em produtividade? Qual o ponteiro do negócio que moveu?”, questiona Juliana.  A abordagem também muda a forma de encarar os experimentos que não dão certo. Em vez de considerar uma solução não validada como necessariamente um fracasso, a empresa entende que descobrir que determinada hipótese não funciona também pode representar economia de tempo e recursos, além de reforçar a confiabilidade do método de experimentação.  A lógica é simples, mas nem sempre fácil de aplicar: o objetivo não é provar que uma tecnologia funciona, mas descobrir se ela resolve um problema real.  Nem toda dor precisa de IA  É nesse ponto que a experiência da aviação traz uma provocação especialmente relevante para gestores de saúde. Em meio à corrida pela adoção de inteligência artificial, existe o risco de transformar a tecnologia em ponto de partida — quando ela deveria ser consequência de uma estratégia.  “Nem tudo é IA, nem toda IA precisa ser um Agente e nem todo Agente resolve problemas verdadeiros”, afirma Juliana.  Para ela, as organizações precisam começar pelas necessidades do negócio: quais são as dores mais importantes, onde querem chegar e quais metas precisam ser alcançadas. A tecnologia deve estar a serviço dessa estratégia, e não o contrário.  A recomendação também vale para a própria experimentação. Inspirada na lógica das startups, a GOL trabalha com a possibilidade de mudar de rota sempre que os resultados não aparecem. “O foco aqui não é ‘entregar uma solução de IA’, o foco é aprender como os modelos de IA podem ajudar a solucionar uma dor de negócio de uma forma em que as ferramentas tradicionais não conseguem.”  Isso significa aceitar que o processo é incerto — e que algumas ideias precisarão ser interrompidas.  Onde termina a IA e começa a decisão humana  Em operações críticas, a adoção de inteligência artificial também esbarra em uma questão central: até onde automatizar?  Na GOL, “a decisão final sempre é do ser humano”, segundo Juliana. A IA pode ampliar os parâmetros de análise, gerar insights, produzir relatórios, organizar informações dispersas e identificar padrões e correlações. Pode, ainda, reduzir o trabalho operacional envolvido na consulta a manuais, históricos e diferentes bases de informação.  Mas a tecnologia não elimina a necessidade de análise crítica. “Nenhuma IA é infalível”, ressalta Juliana. Em setores como aviação e saúde, portanto, reconhecer as limitações dos modelos faz parte da própria segurança da adoção.  Mais do que definir o que a IA pode fazer, o desafio de gestão passa a ser estabelecer em quais situações a tecnologia apoia a decisão e em quais a supervisão humana permanece indispensável.  Não se apaixone pela solução  Para quem trabalha com inovação, talvez uma das provocações mais difíceis seja também uma das mais simples: não se apegar à própria ideia.  “Não se apaixone pela solução. Existem momentos frustrantes quando uma solução precisa passar por um processo de experimentação. Não defenda a ideia e sim o resultado.”  Na prática, isso significa estabelecer previamente os critérios que determinarão se uma iniciativa será mantida, modificada ou interrompida. A tomada de decisão, defende Juliana, precisa ser baseada em dados. “Metrifique o experimento e saiba o momento exato de parar, mudar de rota ou avançar”, sugere.  Para a saúde, o aprendizado extrapola a inteligência artificial. Ele aponta para uma mudança na própria maneira de gerir inovação: experimentar com segurança, envolver quem conhece o problema, estabelecer métricas de impacto e aceitar que abandonar uma hipótese pode ser tão importante quanto escalar uma solução.  É essa troca de referências que o novo formato do HIS pretende provocar. Ao trazer para o palco experiências de setores externos à saúde, o evento amplia o repertório disponível para gestores que enfrentam desafios semelhantes de complexidade, segurança, eficiência e experiência do usuário.  No caso da aviação, a mensagem que chega à saúde é direta: inovar em uma operação crítica não significa experimentar menos. Significa experimentar melhor.  The post O que a aviação pode ensinar à saúde sobre inovação em operações críticas  appeared first on Saúde Business.

Fonte https://www.saudebusiness.com/