Chris Perry, Fundador e CEO da Andus Labs – Série de Entrevistas

Chris Perry, Fundador e CEO da Andus Labs, é um executivo de comunicações, estratégia digital e inovação com quase três décadas de experiência ajudando organizações a navegar grandes mudanças em tecnologia e negócios. Antes de fundar a Andus Labs em 2025, Perry passou mais de 22 anos na Weber Shandwick, onde ocupou uma sucessão de cargos de liderança sênior, incluindo Presidente de Futuro, Diretor de Inovação, Presidente de Comunicações Digitais, Vice‑Presidente Executivo de Estratégia e Operações Digitais e Vice‑Presidente Sênior. No início de sua carreira, trabalhou em comunicações de tecnologia na General Motors e atuou como Vice‑Presidente na Edelman. Sua carreira tem se concentrado em transformação digital, tecnologias emergentes, mudança organizacional e na relação evolutiva entre a tecnologia e as pessoas responsáveis por colocá‑la em prática.

Andus Labs ajuda empresas a transformar capacidades de IA em resultados organizacionais práticos, concentrando‑se nos sistemas humanos que circundam a tecnologia. A empresa descreve sua missão como construir o “Human OS for AI” — uma camada operacional projetada para orquestrar o trabalho entre pessoas e agentes de IA — baseada na premissa de que os investimentos em IA frequentemente ficam aquém quando a prontidão organizacional, fluxos de trabalho e adoção ficam atrás da própria tecnologia. Seu trabalho abrange programas de orquestração de trabalho com IA, produtos destinados a reforçar e ampliar a aprendizagem organizacional, e uma rede mais ampla de profissionais, artistas e humanistas que exploram como humanos e IA podem colaborar de forma eficaz.

Você passou mais de duas décadas na Weber Shandwick, evoluindo de cargos digitais seniores para Diretor de Inovação e Presidente de Futuro, antes de fundar a Andus Labs em 2025. O que você observou dentro de grandes organizações durante esse período que o convenceu de que a maior barreira à transformação por IA seria o sistema humano e organizacional ao redor da tecnologia, e não a própria tecnologia?

Aprendi isso primeiro no estúdio de artes gráficas do meu pai em Detroit, onde comecei, antes da Weber Shandwick. A editoração eletrônica transferiu o trabalho que seus tipógrafos e ilustradores faziam manualmente para o software. Isso rompeu o modelo de negócios dele, e ele não percebeu a mudança até que fosse tarde demais.

Na Weber Shandwick trabalhei com algumas das maiores empresas do mundo através de novas ondas tecnológicas: redes sociais, blogs, vídeo, mobile, dados. Cada vez, o padrão era o mesmo. A tecnologia chegou. As pessoas sentiram a mudança e começaram a usá‑la por conta própria. A liderança e a estrutura da empresa foram as últimas a mudar.

Nessas ondas anteriores, as empresas pagaram por esse atraso perdendo terreno, mas as pessoas ainda faziam o trabalho. A IA faz ao trabalho do conhecimento o que a editoração eletrônica fez ao estúdio do meu pai. A forma como as pessoas realizam o trabalho acaba sendo incorporada ao software.

As escolas de negócios não ensinam como administrar uma empresa onde pessoas e agentes compartilham o trabalho. A maioria das empresas acrescenta IA e faz o trabalho antigo mais rápido. O retorno real vem quando os líderes preparam suas equipes para reconstruir o trabalho com IA. O trabalho muda de forma, em vez de apenas ficar mais rápido.

Chamamos de Andus Labs, como em “and us” (e nós), porque apostamos que o retorno dependeria das pessoas.

A Andus Labs argumenta que as empresas podem ter capacidades avançadas de IA e ainda assim carecer da “prontidão humana” necessária para capturar valor delas. O que diferencia uma empresa que implantou IA com sucesso de uma que realmente transformou a forma como o trabalho é realizado?

Eu me sentei com uma empresa que reportava 80 % de adoção de IA e algo em torno de 5 % de mudança na forma como o trabalho era realizado. Apenas o número de adoção chegou ao deck do conselho. O segundo número não estava sendo ocultado. O painel simplesmente não tinha onde exibi‑lo.

A implantação é fácil de medir. Licenças atribuídas, agentes implantados, logins. Isso é atividade, não impacto. Perguntamos aos clientes o que a empresa pode fazer agora que não podia fazer antes. Na maioria das vezes, a resposta honesta é os mesmos relatórios, apresentações e análises, apenas mais rápidos.

As empresas que estão se transformando medem outra coisa. O piloto gerou valor suficiente para justificar a expansão? Podemos apresentar algo ao conselho que não poderíamos ter produzido há um ano? A IA está aliviando a carga de nossas pessoas mais valiosas para que elas possam fazer o trabalho que só elas podem fazer? Nenhum desses indicadores é tão fácil de contabilizar quanto licenças, mas são as métricas que indicam se algo mudou.

Essas perguntas também precisam de um responsável. Pergunte quem é dentro da maioria das empresas e você obterá uma lista. O CIO é responsável pelas plataformas. Um centro de excelência cuida dos pilotos. O RH cuida do treinamento. O impacto nos negócios não está na lista de ninguém.

Uma empresa pode dizer quantas pessoas têm acesso. A outra pode dizer o que mudou e quem é responsável por isso.

O Ground Truth Index agora se baseia em uma biblioteca de 300 padrões documentados, observados em interações e conversas com líderes de 595 organizações, com cinco agentes analistas independentes avaliando cada padrão antes de os pesquisadores revisarem e decidirem as classificações finais. Como essa metodologia evoluiu, em que etapa entra o julgamento humano e como vocês evitam que o Índice simplesmente reforce pressupostos já presentes em suas observações de campo?

O método mudou à medida que a biblioteca cresceu. Cada padrão começa com o que ouvimos e vemos nas conversas com líderes empresariais. Verificamos cada novo sinal contra a biblioteca, testamos contra observações de campo e pesquisas externas, e decidimos se ele é realmente novo, reforça um padrão que já monitoramos ou pertence a outro lugar.

A IA nos ajuda a avaliar toda a biblioteca a cada trimestre, algo que uma equipe de pesquisa não conseguiria fazer manualmente. Os agentes leem cada padrão através de uma lente profissional diferente e o pontuam nas mesmas cinco dimensões. Eles trabalham às cegas, de modo que nenhum agente pode influenciar outro. Usamos a mediana para que um único outlier não altere a pontuação, e os 50 melhores vão para revisão humana.

O julgamento humano permeia tudo. Nossa equipe de pesquisa aprova cada padrão que entra na biblioteca, revisa as classificações e decide os 25 finais. Focamos mais onde os agentes discordam e onde a atenção da mídia conflita com o que ouvimos no campo. Podemos ajustar uma pontuação, mas apenas com base em observação documentada: quem a levantou, com que frequência a ouvimos e se ela se sustentou em diferentes organizações. Um palpite não altera a pontuação.

O novo Ground Truth Index classifica “Empty Chairs” como a principal barreira à IA corporativa, descrevendo organizações que dão aos sistemas de IA influência sobre decisões como contratação, precificação e risco sem identificar claramente quem é responsável ou tem autoridade para reverter essas decisões. À medida que a IA passa de recomendar ações para realmente moldar os resultados de negócios, como deve ser a responsabilidade humana significativa na prática?

Quanto mais funções a IA toca, mais decisões ela toma em nome da empresa. A responsabilidade torna‑se uma questão de gestão antes de ser uma questão tecnológica.

A responsabilidade geralmente fica em algum ponto entre quem comprou o sistema de IA e quem o utiliza, e nenhum dos dois a possui. A lacuna permanece invisível até que uma decisão seja contestada. Essa é a cadeira vazia.

Responsabilidade significa um líder designado que vê o que o sistema produz e pode explicar o resultado, corrigi‑lo ou interromper o sistema. Isso requer autoridade sobre um processo que normalmente atravessa vários departamentos.

Pedimos aos líderes que escolham uma decisão importante que sua IA ajudou a tomar neste trimestre e nos informem quem é responsável por ela. Quando a resposta não é clara, a empresa alterou a forma como as decisões são tomadas sem definir quem responde por elas.

“Learning While Drowning” ocupa o segundo lugar no novo Índice, destacando empresas que impõem treinamento em IA enquanto mantêm as cargas de trabalho existentes dos funcionários inalteradas. Ao mesmo tempo, “Optimization Temptation” mostra como as empresas podem quantificar facilmente a economia de pessoal em comparação com o valor mais difícil de medir de realocar pessoas para trabalhos de maior valor. As empresas estão subestimando fundamentalmente o investimento organizacional necessário para tornar sua força de trabalho mais produtiva com IA, em vez de simplesmente usar IA para reduzir custos?

Sim. As economias ao eliminar uma função são fáceis de colocar em uma planilha. O valor do conhecimento, dos relacionamentos e do julgamento dessa pessoa é muito mais difícil de capturar. As economias aparecem neste trimestre. As perdas podem se acumular ao longo de anos.

A suposição por trás do corte também costuma estar errada. A IA torna o trabalho de hoje mais eficiente e também gera novas tarefas que precisam ser realizadas. O que vemos é o reequilíbrio das equipes, com pessoas migrando para diferentes funções em vez de funções inteiras serem eliminadas.

Uma exigência de treinamento é uma decisão de carga de trabalho. As empresas empilham o treinamento em IA sobre o trabalho existente e então interpretam baixa conclusão como um problema de motivação. O investimento que deixam de lado é aquele que nunca entra no orçamento. Decidir quais tarefas serão interrompidas, reduzidas ou realocadas para abrir espaço, e identificar quem aprovou isso. Aprender leva tempo. Aplicar leva ainda mais, porque as pessoas precisam testar ferramentas desconhecidas, verificar os resultados e mudar a forma como sempre trabalharam.

A resposta não é outro item da lista. Coloque uma equipe em um projeto real e o aprendizado ocorre dentro do trabalho.

O Índice também identifica “Devaluation Anxiety”, refletindo preocupações sobre o que acontece com os funcionários quando a IA se torna capaz de executar partes cada vez mais valiosas de seus trabalhos. Quanto do que os executivos rotulam como resistência à IA é, na verdade, ansiedade racional sobre o valor da carreira, e o que os líderes devem fazer de forma diferente ao introduzir esses sistemas?

A maior parte disso é racional. Os funcionários ouvem sobre a eficiência da IA em um anúncio e demissões no próximo. Eles tiram suas próprias conclusões.

A liderança trata isso como mensagens separadas. As equipes não. Elas concluem o treinamento e retêm a experimentação que tornaria isso útil.

A tranquilização não resolverá isso. Os líderes precisam dizer o que foi decidido sobre os cargos, o que ainda é incerto e que tipo de apoio as pessoas podem esperar.

O mesmo vale para o retorno. As empresas descrevem o que o negócio espera da IA e deixam o lado do funcionário em branco. Se alguém se torna mais rápido, o que ele ganha com isso? Mais espaço para um trabalho melhor, um caminho de progressão, tempo de volta? Isso deve constar no plano de implantação.

Os executivos estão pedindo que suas equipes trabalhem de forma diferente com a IA. As equipes estão aguardando para ver os executivos fazerem isso primeiro.

Outro padrão que você identifica é “Inércia Ativa”, onde as organizações usam IA para acelerar processos existentes sem mudá-los fundamentalmente. Como é o redesign genuíno de fluxo de trabalho nativo de IA, e você pode dar um exemplo da diferença entre tornar um processo antigo mais rápido e reconstruir o processo em torno do que a IA agora possibilita?

A maioria das empresas aponta a IA para o que for mais fácil de automatizar, que costuma ser trabalho que não deveria existir em primeiro lugar. Os relatórios são produzidos mais rapidamente. As aprovações avançam no mesmo ritmo de sempre. Isso é Inércia Ativa.

O redesign decide antecipadamente o que os modelos de IA fazem e o que a equipe assume, construindo para isso em vez de herdar a forma antiga.

Faça um relatório semanal. A versão mais rápida tem a IA redigindo‑o, e as mesmas pessoas revisam o mesmo documento na mesma programação. A versão reconstruída pergunta para que serve o relatório. Se ele existir para que alguém possa detectar problemas cedo, o sistema pode sinalizar um problema no momento em que ocorre, e o relatório desaparece.

Você escreveu que “valor é igual a capacidade vezes absorção” e argumentou a favor de sistemas em vez de simplesmente software. À medida que os modelos de fronteira se tornam cada vez mais comoditizados e disponíveis para todos, a capacidade de uma organização absorver e se reorganizar em torno da IA poderia se tornar uma vantagem competitiva mais durável do que o acesso aos próprios modelos?

Sim. Implantar modelos é fácil comparado a mudar o trabalho em torno deles. Eles chegam com poder extraordinário, ficam mais baratos a cada trimestre. Os mesmos modelos estão disponíveis para qualquer pessoa. O que você não pode comprar é o contexto único dentro da empresa e as equipes prontas para usá‑lo em todo o seu potencial.

O que chamamos de “capacidade de recebimento” é uma ideia antiga. É a capacidade de uma equipe de absorver algo novo e colocá‑lo em prática, e é composta por direitos de decisão, incentivos, fluxo de trabalho, design de funções e confiança suficiente para que as pessoas lhe digam o que deu errado. Nada disso pode ser alugado.

Descrevo valor como capacidade vezes absorção porque os dois se multiplicam. Eles não se somam. Um modelo brilhante inserido em uma organização que não consegue absorvê‑lo é uma peça impecável aparafusada a um selo falho. A capacidade é real. O retorno ainda é zero.

A IA agente introduz outra camada de complexidade porque os sistemas podem cada vez mais tomar ações, usar ferramentas e perseguir objetivos em vez de simplesmente gerar respostas. Onde as empresas devem traçar a linha entre a autonomia do agente e a tomada de decisão humana, e quais novas estruturas de governança serão necessárias à medida que os agentes recebem maior autoridade?

Comece com uma pergunta: quem responde quando o agente erra?

Trace a linha entre o que o agente decide e o que uma pessoa decide antes que algo vá ao ar. A maioria das empresas só encontra essa linha depois que algo já quebrou.

Quando um erro é barato de desfazer e aparece rapidamente, deixe o agente operar. Quando a decisão altera o que alguém ganha, se mantém o emprego ou sua posição legal, uma pessoa toma a decisão e o agente a prepara.

O instinto é centralizar. Criar um comitê, escrever uma estrutura, esperar até que pareça gerenciável. Quando a orientação da alta chega ao trabalho, já está desatualizada, e as pessoas que não conseguem uma resposta começam a usar ferramentas que a empresa nunca aprovou.

A governança precisa estar próxima do trabalho. As equipes precisam saber o que cada agente pode decidir, quem é responsável por isso e como interrompê‑lo. E precisam de um registro do que ele fez.

O organograma nunca foi construído para agentes que trabalham entre funções, portanto nenhuma função única possui a falha. Resolva isso antes da implantação, não depois.

Olhando para o futuro, se as maiores restrições à IA empresarial se tornarem cada vez mais organizacionais em vez de técnicas, como você espera que as próprias empresas mudem? Quais partes do organograma atual, da estrutura de gestão, do design de funções e dos processos de tomada de decisão são as menos propensas a sobreviver à transição para organizações construídas em torno de humanos e agentes de IA trabalhando juntos?

O organograma funcional é o menos provável de sobreviver. A maioria das empresas ainda opera por função, com o trabalho passando de um departamento ao outro e uma aprovação em cada transferência. A IA produz trabalho em minutos enquanto as aprovações ao seu redor levam semanas. Os líderes estão sendo solicitados a acelerar dentro de sistemas construídos para retardar as coisas.

Esse organograma foi criado para pessoas entregarem trabalho a pessoas, não para decisões compartilhadas entre pessoas e agentes.
Um comitê não resolverá isso.

O que substitui o organograma se parece com pequenas equipes organizadas em torno de um problema. Um líder nomeia um problema que vale a pena resolver, decide o que precisa ser verdadeiro para solucioná‑lo e coloca uma equipe de pessoas e agentes nele. Essa equipe recebe seu próprio financiamento e proteção, porque não pode operar como o resto da empresa. As pessoas nela tomam as decisões de julgamento e são responsáveis pelo que os agentes produzem.

Os motores elétricos chegaram às fábricas americanas na década de 1880, mas os ganhos de produtividade só apareceram na década de 1920. Inicialmente, as fábricas colocavam um grande motor onde estava a máquina a vapor, acionavam os mesmos eixos e deixavam cada máquina em seu lugar. Os ganhos surgiram quando deram a cada máquina seu próprio motor e organizaram o piso ao redor do trabalho.

A reorganização foi a revolução.

Agradeço pela excelente entrevista. Os leitores que quiserem saber mais podem visitar Andus Labs ou conhecer melhor o Ground Truth Index.