Mario Trentim apresenta conceitos de gestão estratégica e inteligência artificial durante evento. O especialista é autor da newsletter Estratégia em Ação, que alcançou 30 mil assinantes.
Nos últimos dezoito meses, testei e implementei ferramentas de inteligência artificial em gestão de projetos em contextos muito diferentes: PMOs de grandes empresas privadas, órgãos públicos, startups e projetos internacionais.
Como parceiro de implementação da Oneplan.ai na América Latina e ex-Microsoft Gold Partner pela ModernPMO, acompanho parte dessa transformação pelo lado operacional. Não pelo discurso sobre o futuro da IA, mas pelo que acontece quando uma ferramenta encontra uma equipe de projetos trabalhando sob pressão.
Teste vocacional
Qual carreira combina com o seu perfil?
Responda as perguntas e descubra o curso certo e as bolsas ideais para você!
O que vejo não é uma revolução. É uma acumulação de mudanças incrementais, com impacto real em pontos específicos da gestão de projetos.
Muito do que se escreve sobre inteligência artificial em gestão de projetos mistura aquilo que as ferramentas já conseguem fazer com o que elas poderão fazer no futuro. Essa distinção importa para quem precisa decidir onde investir tempo, dinheiro e esforço.
O PMI Pulse of the Profession 2025 indica que a adoção de GenAI em projetos cresceu 86% desde janeiro de 2024. Dois em cada cinco profissionais já utilizam GenAI em mais de 50% dos seus projetos.
Ao mesmo tempo, o McKinsey State of AI, de novembro de 2025, registra que dois terços das organizações ainda não escalaram o uso da tecnologia. A IA aparece em pontos isolados, e não como parte integrada do processo.
Esse é o principal gap que observo atualmente. A tecnologia já chegou aos projetos, mas muitas organizações ainda não sabem exatamente em qual fase ela gera valor e em qual fase acrescenta apenas mais uma camada de complexidade.
Este artigo parte dessa questão e analisa a inteligência artificial na gestão de projetos fase por fase.
O que a inteligência artificial já faz na gestão de projetos
Antes da análise detalhada, é possível resumir as principais aplicações atuais da IA em cada etapa:
Iniciação: análise de viabilidade, geração de business case com base em projetos históricos e reference class forecasting.
Planejamento: estimativas de prazo e custo, geração de EAP, identificação de riscos por categoria e sugestão de alocação de recursos.
Execução: transcrição de reuniões, geração de atas, identificação de action items, dashboards e alertas de desvios.
Monitoramento e controle: consolidação de portfólio, geração de relatórios de status e identificação de projetos em risco.
Encerramento: análise de lições aprendidas e utilização dos dados do projeto para melhorar estimativas futuras.
A questão, portanto, não é mais saber se a IA pode participar da gestão de projetos. Ela já participa.
A questão é entender como usar inteligência artificial em cada fase do projeto sem transferir para a tecnologia decisões que dependem de julgamento humano.
A decisão de iniciar um projeto é uma das decisões mais importantes de uma organização. É também o momento em que o custo de desistir ainda é relativamente baixo.
Depois que um projeto começa, ele cria compromissos orçamentários, expectativas, alocações de recursos e interesses políticos. Quanto mais avança, mais difícil tende a ser interrompê-lo.
É nesse ponto que um dos problemas clássicos da gestão de projetos aparece: a Planning Fallacy, ou falácia do planejamento, documentada por Daniel Kahneman.
Mesmo profissionais experientes podem subestimar prazo, custo e complexidade quando fazem estimativas olhando principalmente para o projeto que está diante deles.
Uma das respostas para esse problema é o Reference Class Forecasting. Em vez de estimar o projeto atual apenas a partir da percepção da equipe, a organização consulta projetos similares realizados anteriormente e utiliza esse histórico como referência.
A inteligência artificial pode tornar esse processo operacional.
Em organizações com dados históricos minimamente estruturados, ferramentas como a Oneplan.ai conseguem comparar características do projeto que está sendo iniciado com projetos anteriores, considerando fatores como setor, tamanho, tipo e complexidade.
A partir disso, podem ser produzidas distribuições de probabilidade para prazo e custo.
A diferença é importante. Em vez de apresentar somente uma estimativa pontual, o sistema pode mostrar a distribuição dos resultados observados em projetos semelhantes.
A IA também pode ajudar na elaboração do business case. A partir de informações fornecidas pelo sponsor, como benefícios esperados, investimento e prazo de retorno, a ferramenta estrutura um primeiro documento e apresenta perguntas para validação.
Isso não significa que a IA deva aprovar o business case.
Ela pode estruturar a análise. A decisão continua dependendo das pessoas responsáveis pela governança do projeto e da organização.
O que a IA não faz na iniciação
A inteligência artificial não deve decidir sozinha se um projeto deve existir.
Essa decisão envolve prioridade organizacional, alinhamento estratégico, disponibilidade de recursos, riscos, trade-offs e fatores políticos.
Dados podem apoiar a decisão, mas não substituem o julgamento necessário para interpretar esses elementos.
Inteligência artificial no planejamento de projetos
O planejamento é uma das fases em que a inteligência artificial apresenta aplicações mais concretas, especialmente quando a organização possui histórico de projetos estruturado.
O principal exemplo está nas estimativas.
Em muitas organizações, estimativas de esforço ainda dependem principalmente do julgamento de especialistas. O problema é que esse julgamento costuma partir da memória.
Profissionais lembram dos projetos que deram muito certo ou daqueles que enfrentaram problemas graves, enquanto os projetos medianos, que representam boa parte da realidade, tendem a desaparecer da memória.
Isso cria um viés de disponibilidade.
Quando existem dados históricos suficientes, a IA pode analisar projetos anteriores e gerar estimativas de esforço por tipo de atividade.
Em contextos nos quais testei essa abordagem, PMOs de médio e grande porte com histórico de projetos catalogados conseguiram utilizar os dados para reduzir o erro médio em relação ao julgamento baseado exclusivamente na experiência.
Outra aplicação prática é a geração de uma EAP, ou Estrutura Analítica do Projeto.
Ferramentas como Claude, ChatGPT e soluções especializadas conseguem produzir uma primeira estrutura a partir da descrição de um projeto. Essa estrutura ainda precisa ser revisada pela equipe, mas muda a dinâmica do planejamento.
Em vez de começar diante de uma tela em branco, o time recebe um primeiro modelo para analisar, corrigir e complementar.
A identificação de riscos por categoria segue lógica semelhante. A IA pode reunir riscos frequentemente associados a determinados tipos de projeto, incluindo questões de tecnologia, fornecedores, regulação e capacidade da equipe.
Isso não significa que a ferramenta consiga antecipar todos os riscos específicos do projeto.
Ela funciona melhor como ponto de partida para o registro de riscos, ajudando a equipe a lembrar de situações que projetos semelhantes já enfrentaram.
É na execução que o ganho de produtividade proporcionado pela IA se torna mais visível no cotidiano.
Um dos melhores exemplos está nas reuniões de projeto.
Transcrição automática, geração de atas e identificação de action items já fazem parte do funcionamento de ferramentas disponíveis no mercado. No meu trabalho diário, utilizo soluções como Notion AI, ClickUp Brain e Asana Intelligence.
O fluxo é simples: a reunião termina, a transcrição fica disponível, a ferramenta estrutura decisões e próximos passos e os action items podem ser associados aos responsáveis.
O ganho não está somente no tempo economizado.
Existe também um ganho na qualidade da informação. Uma transcrição automática cria um registro do que foi efetivamente dito, reduzindo a dependência da interpretação de quem estava responsável por fazer a ata.
Em projetos com muitos stakeholders e decisões distribuídas, esse registro pode reduzir conflitos posteriores sobre aquilo que foi ou não decidido.
Dashboards e alertas em tempo real
Outra aplicação importante está nos dashboards e alertas de desvio.
Ferramentas capazes de consolidar informações de cronograma, financeiro e capacidade podem identificar padrões de comportamento antes que um problema se torne evidente para a equipe.
Mas existe uma condição fundamental: qualidade dos dados.
IA não corrige dados ruins simplesmente porque utiliza algoritmos mais sofisticados. Ela trabalha com os dados disponíveis. Se o registro estiver incompleto, desatualizado ou incorreto, os alertas também poderão estar errados.
Por isso, o desafio nessa etapa é tanto de governança de dados quanto de tecnologia.
Inteligência artificial no monitoramento e controle
É no monitoramento e controle em nível de portfólio que observo uma mudança mais estrutural no papel do PMO.
O problema tradicional é conhecido: gerentes de projeto produzem relatórios em formatos diferentes, analistas do PMO consolidam essas informações manualmente e o relatório executivo chega ao steering committee quando parte dos dados já está desatualizada.
Isso reduz a janela de reação.
Com automação e inteligência artificial aplicadas à gestão de portfólio, a consolidação pode ser contínua.
Ferramentas como a Oneplan.ai podem utilizar os dados disponíveis para gerar relatórios de status e consolidar informações de diferentes projetos.
O resultado esperado é uma mudança na função do PMO.
Em vez de dedicar grande parte do tempo à produção e consolidação de relatórios, o PMO pode concentrar mais esforço na interpretação dos dados e no suporte à tomada de decisão.
O PMI projeta que 80% dos PMOs deverão utilizar IA para suporte à decisão até 2026. Segundo dados apresentados pelo próprio PMI, PMOs que já implementaram essa mudança registraram aumento de 36% na utilização de IA em seus processos.
A aplicação mais sofisticada dessa etapa é a identificação de projetos em risco por meio de padrões de dados.
Em vez de esperar que o gerente de projeto declare formalmente que existe um problema, o sistema pode identificar sinais que historicamente antecedem determinados tipos de desvio.
Entre eles estão:
desvios recorrentes de cronograma;
crescimento da variação de custos;
queda no índice de conclusão de tarefas;
padrões de comportamento associados a projetos que posteriormente apresentaram problemas.
O ponto central não é substituir o gerente de projeto.
É identificar o sinal antes que ele desapareça em um relatório ou seja reconhecido pela organização quando já for tarde demais para uma intervenção simples.
Inteligência artificial no encerramento de projetos
O encerramento é uma das fases mais negligenciadas da gestão de projetos.
Paradoxalmente, é também a etapa em que a IA pode ajudar a construir um dos ativos mais importantes para projetos futuros: uma base de conhecimento formada por lições aprendidas e dados históricos.
O problema tradicional possui duas dimensões.
A primeira é a captura. As lições aprendidas costumam ser registradas no fim do projeto, quando a equipe já está dispersa e pressionada para iniciar novas atividades.
A segunda é o acesso. Mesmo quando as informações são documentadas, elas podem ficar armazenadas em arquivos que raramente são consultados pela equipe responsável por um novo projeto.
A inteligência artificial pode atuar nos dois pontos.
Na captura, sistemas podem analisar dados do projeto encerrado, como desvios de cronograma, variações de custo, riscos materializados e mudanças de escopo, para gerar uma síntese estruturada.
Na consulta, uma base de conhecimento alimentada por projetos anteriores pode permitir perguntas em linguagem natural.
Por exemplo: quais riscos se materializaram em projetos de implantação de ERP no setor público nos últimos três anos?
Nesse modelo, a resposta não depende da localização manual de um documento específico. Ela pode ser construída a partir dos dados estruturados de diferentes projetos encerrados.
Essa é, na minha avaliação, uma das aplicações mais importantes da inteligência artificial na gestão de projetos.
O valor da IA não está somente em produzir um texto mais rapidamente. Está em transformar o histórico dos projetos em informação que possa ser utilizada na próxima decisão.
Existe uma questão que precisa ser considerada por qualquer organização que esteja avaliando investimentos em inteligência artificial: o retorno não aparece necessariamente no momento em que a ferramenta é contratada.
Erik Brynjolfsson documentou a chamada J-curve dos investimentos em tecnologia. O retorno de transformações digitais pode levar anos para aparecer porque a mudança exige adaptação de processos, estrutura organizacional e formas de trabalho.
Isso é particularmente relevante para gestão de projetos.
Mario H. Trentim explica como o PMO evoluiu de uma função operacional para um papel estratégico na gestão de portfólio das empresas.
Uma organização pode contratar uma ferramenta de IA e continuar mantendo dados fragmentados, processos inconsistentes e registros incompletos.
Nesse cenário, a tecnologia terá pouco espaço para produzir resultados.
Por outro lado, organizações que estruturam seus dados de projetos agora podem criar uma base para aplicações mais avançadas nos próximos anos.
Minha expectativa é que parte relevante desse retorno apareça em 2027 e 2028.
Quem esperar pelos resultados para começar a estruturar os dados pode descobrir que perdeu justamente o período necessário para construir a infraestrutura que permite esses resultados.
Existe uma conclusão equivocada que pode surgir dessa discussão: se a IA consegue estimar, analisar, consolidar, comparar e identificar padrões, o gerente de projetos perde relevância.
Não é isso que os dados indicam.
Tecnologia pode resolver problemas de informação. Ela não resolve automaticamente problemas que dependem de contexto, política, relacionamento e julgamento.
Vejo pelo menos cinco domínios em que a atuação humana continua essencial.
1. Priorização com trade-offs organizacionais
Decidir entre projetos que competem pelos mesmos recursos envolve definir o que a organização valoriza e em qual horizonte de tempo.
A IA pode modelar cenários e apresentar consequências. A escolha entre crescimento de curto prazo e construção de capacidade de longo prazo continua sendo uma decisão organizacional.
2. Negociação com stakeholders
Projetos de alta visibilidade podem envolver patrocinadores com interesses divergentes.
Alinhar essas pessoas exige leitura de contexto, relacionamento, confiança e capacidade de negociação. Não é simplesmente uma questão de encontrar a alternativa matematicamente mais eficiente.
3. Liderança em situações de crise
Quando um projeto enfrenta um atraso crítico, uma falha de fornecedor ou uma mudança significativa de escopo, a equipe precisa de liderança.
É necessário distribuir responsabilidades, administrar conflitos, preservar a coesão do grupo e tomar decisões sob pressão.
A IA pode fornecer informações para esse processo. Ela não assume a responsabilidade pela liderança.
4. Comunicação de más notícias
Informar ao sponsor que um projeto está atrasado, que o orçamento será ultrapassado ou que parte do escopo precisa ser cortada exige mais do que um relatório.
A conversa depende de credibilidade, contexto, relacionamento e capacidade de apresentar alternativas.
Essa dimensão interpessoal permanece central na gestão de projetos.
5. Decisão de encerrar um projeto
Um projeto pode estar dentro do prazo, orçamento e escopo e, ainda assim, ter perdido sua relevância estratégica.
Mudanças no mercado, na estratégia da empresa ou nas prioridades organizacionais podem tornar um projeto desnecessário.
A IA pode mostrar os dados que sustentam essa conclusão. A decisão de encerrar o projeto continua sendo humana.
O que a inteligência artificial significa para o profissional de projetos
O PMI está desenvolvendo o primeiro padrão ANSI para inteligência artificial em gestão de portfólio, programas e projetos. Participo desse processo como membro do Board of Directors 2025–2027.
O movimento reforça uma percepção que considero cada vez mais difícil de ignorar: IA deixou de ser apenas uma ferramenta experimental para profissionais de projetos.
Ela está se tornando parte da infraestrutura de trabalho.
O PMI Pulse 2025 registra impactos positivos da GenAI em quatro dimensões: qualidade, com 91% dos respondentes; escopo, com 87%; custo, com 86%; e prazo, com 85%.
Mais importante do que os percentuais, porém, é entender onde esses ganhos acontecem.
A inteligência artificial não precisa assumir o projeto inteiro para gerar valor. Ela pode melhorar uma estimativa, encontrar um padrão de risco, estruturar uma EAP, registrar uma reunião, consolidar um portfólio ou recuperar uma lição aprendida.
O profissional que souber identificar essas oportunidades terá uma vantagem sobre quem trata IA apenas como uma ferramenta genérica de produtividade.
Também terá vantagem sobre quem encara a tecnologia somente como uma ameaça.
A pergunta prática, portanto, não é “a IA vai substituir o gerente de projetos?”.
A pergunta que considero mais útil é outra:
Em qual fase do meu projeto a inteligência artificial já está produzindo dados que eu ainda não estou utilizando para tomar decisões melhores?
Na maioria das organizações que conheço, a resposta é: em todas.
Ver publicações 