Da espiral ao copiloto: como a IA generativa e os LLMs amplificam a gestão do conhecimento e a memória organizacional

Em um cenário onde o conhecimento se torna obsoleto em meses e a rotatividade de talentos ameaça a memória organizacional, a Gestão do Conhecimento (GC) nunca foi tão urgente. Ao mesmo tempo, a ascensão meteórica da Inteligência Artificial Generativa (GenAI) e dos Grandes Modelos de Linguagem (Large Language Models — LLMs), desde 2022/2023, introduziu uma nova dimensão nessa equação. Essas tecnologias não apenas processam dados, mas interpretam, sintetizam, geram e conversam — transformando profundamente a forma como as organizações capturam, compartilham e preservam seu conhecimento.

Este artigo explora como a IA Generativa e os LLMs estão amplificando a Gestão do Conhecimento, potencializando a clássica Espiral do Conhecimento de Nonaka e Takeuchi e posicionando-se como o novo copiloto do capital intelectual organizacional — sem substituir o humano, mas tornando visível e perene o que antes era efêmero e vulnerável.

1. O alicerce: gestão do conhecimento e a espiral de Nonaka e Takeuchi

Para compreender o impacto da IA Generativa na GC, é essencial revisitar os fundamentos que sustentam esse campo.

A Gestão do Conhecimento é o conjunto de práticas, metodologias e ferramentas que permitem às organizações identificar, capturar, organizar, compartilhar e aplicar seu conhecimento de forma estratégica. Seu objetivo central é garantir que o saber acumulado — nas mentes das pessoas, nos processos, nos documentos e na cultura — não se perca, mas se multiplique e gere valor continuamente.

Ikujiro Nonaka e Hirotaka Takeuchi, em sua obra seminal “The Knowledge-Creating Company” (1995), propuseram a teoria que se tornaria o alicerce da GC moderna: a Espiral do Conhecimento, operacionalizada pelo modelo SECI. Para os autores, o conhecimento organizacional nasce da interação dinâmica entre duas dimensões fundamentais: o conhecimento tácito — aquele que reside na experiência, intuição e habilidade dos indivíduos, difícil de formalizar — e o conhecimento explícito — aquele registrado, documentado e transferível.

Essa conversão ocorre em quatro movimentos: a Socialização (Tácito → Tácito), o compartilhamento de experiências por observação e convivência; a Externalização (Tácito → Explícito), a articulação do conhecimento implícito em conceitos, manuais e documentos; a Combinação (Explícito → Explícito), a integração de conhecimentos explícitos de diferentes fontes para gerar novos saberes; e a Internalização (Explícito → Tácito), a absorção do conhecimento formal pela prática, incorporando-o como experiência vivida.

Nonaka introduziu ainda o conceito de Ba — o “lugar” físico ou virtual onde o conhecimento flui e se renova. Seja uma sala de reunião, uma plataforma digital ou uma conversa informal, o Ba é o ambiente que nutre a criação do conhecimento. O legado de Nonaka, que nos deixou em janeiro de 2025, permanece mais vivo do que nunca — especialmente agora que novas tecnologias amplificam a espiral que ele desenhou (Leia o artigo “Um tributo a Nonaka” – https://itforum.com.br/colunas/tributo-ikujiro-nonaka/) .

2. A nova camada: IA generativa e LLMs

A Inteligência Artificial Generativa (GenAI) e os Grandes Modelos de Linguagem (Large Language Models LLMs) representam um salto evolutivo na forma como máquinas interagem com o conhecimento humano.

A IA Generativa refere-se à capacidade de sistemas de IA de criar conteúdos — textos, imagens, áudios, códigos, sínteses — que são coerentes e contextualmente relevantes, indo além da análise e da predição para alcançar a criação. Os LLMs, como ChatGPT, Gemini, Claude, Copilot e Llama, são modelos treinados em vastos volumes de texto que conseguem compreender, interpretar e gerar linguagem humana com profundidade e nuance sem precedentes.

É importante distinguir essas tecnologias do Machine Learning (ML) tradicional. Enquanto o ML clássico analisa dados existentes para classificar ou prever — identificar se um cliente vai cancelar um serviço, por exemplo — a GenAI e os LLMs criam e conversam. Eles podem redigir um resumo executivo a partir de centenas de documentos, responder perguntas complexas em linguagem natural ou identificar padrões de conhecimento em conversas e registros informais. Essa capacidade conversacional e generativa é o que os torna particularmente poderosos no contexto da GC — e é o que justifica a metáfora do copiloto: não um piloto automático que substitui o humano, mas um parceiro que amplia sua capacidade de voar.

3. Do Ba físico ao Ba digital inteligente

Nonaka definiu o Ba como o espaço que possibilita a troca e a criação do conhecimento. Na era da GenAI, o Ba evolui em três gerações distintas. O Ba físico é o espaço original — salas de reunião, cafeterias corporativas, laboratórios — onde o conhecimento nasce na convivência e na observação mútua. O Ba digital tradicional trouxe e-mails, intranets e fóruns internos: registros, mas sem inteligência, sem capacidade de conectar ou sintetizar o que estava disperso. O Ba digital inteligente é a fronteira atual: plataformas equipadas com LLMs que registram interações, preservam conversas, identificam padrões de conhecimento tácito e os organizam automaticamente, criando um ambiente que não apenas armazena, mas aprende.

Ferramentas como Microsoft Teams com Copilot já transcrevem reuniões, identificam decisões e geram resumos automáticos de aprendizados em tempo real. A Siemens implementou em 2024 um ambiente de colaboração híbrido onde engenheiros de diferentes países compartilham soluções técnicas em linguagem natural, e um LLM centraliza, categoriza e enriquece esse conhecimento continuamente, criando um Ba global e persistente. O Ba digital inteligente não substitui o encontro humano — garante que o que foi criado nele não se perca.

4. A espiral amplificada: GenAI em cada etapa do SECI

A grande contribuição da IA Generativa para a GC está em sua capacidade de atuar diretamente em cada etapa da Espiral do Conhecimento, acelerando conversões que antes dependiam exclusivamente de interação humana demorada. Vale observar o contraste entre o modelo tradicional e o modelo amplificado por GenAI em cada etapa.

Na Socialização, o modelo tradicional depende do aprendizado por observação e convivência presencial — rico, mas efêmero e geograficamente limitado. Com GenAI, plataformas como Otter.ai e Fireflies.ai registram reuniões, identificam tópicos, geram atas estruturadas e preservam automaticamente o que foi aprendido, independentemente de onde os participantes estejam. O conhecimento que antes morria ao fim de uma conversa agora pode ser recuperado.

Na Externalização, o modelo tradicional exige que o especialista documente manualmente — um processo lento, dependente de disponibilidade e habilidade de escrita. Com GenAI, LLMs transformam entrevistas, gravações de sessões de mentoring e anotações esparsas em manuais, wikis e bases de conhecimento estruturadas em minutos. O especialista passa a validar e enriquecer o conteúdo, em vez de produzi-lo do zero. É o maior salto prático da Espiral. A Embraer utiliza LLMs para converter debriefings (análises estruturadas após experiências, ações e resutados) de engenheiros em lições aprendidas estruturadas; o Banco do Brasil e a Embrapa iniciaram em 2025 projetos-piloto para preservar o conhecimento de servidores próximos à aposentadoria, convertendo entrevistas em documentação formal com apoio de LLMs.

Na Combinação, o modelo tradicional exige que analistas cruzem fontes manualmente — processo demorado e limitado em escala. Com GenAI, LLMs existe a possibilidade de cruzamentos de relatórios, políticas, lições aprendidas e documentações técnicas simultaneamente, identificando conexões não óbvias e sintetizando insights que nenhum analista produziria com a mesma velocidade. Consultorias como McKinsey e Deloitte já sintetizam acervos de milhares de projetos em insights acionáveis em minutos, entregando em horas o que antes demandava semanas de análise.

Na Internalização, o modelo tradicional oferece treinamentos padronizados, com ritmo único para todos. Com GenAI, trilhas adaptativas e copilotos internos respondem dúvidas operacionais com base no conhecimento da própria organização, simulam cenários para que o colaborador experimente decisões antes de tomá-las e personalizam o aprendizado ao perfil e às lacunas de cada pessoa. A Accenture usa LLMs como copilotos internos para novos consultores, com base no acervo de projetos da firma; plataformas como Coursera for Business e LinkedIn Learning já adaptam trilhas ao ritmo e às necessidades de cada usuário.

5. Capital intelectual na era da GenAI: humano, estrutural e relacional

O capital intelectual — conjunto de ativos intangíveis que impulsionam a organização — é formado por três dimensões interdependentes, e a GenAI atua de forma distinta em cada uma delas.

O capital humano, composto pelo conhecimento, experiência e criatividade das pessoas, é amplificado pela GenAI na medida em que LLMs aceleram a captura e externalização do conhecimento tácito individual, preservando o que antes se perdia com a saída de cada colaborador. O capital estrutural — sistemas, modelos, processos, documentações e bases de conhecimento — é enriquecido pela GenAI à medida que wikis, Sistemas de Gestão de Conteúdo Organizacional (ECM) e repositórios passam a ser alimentados, organizados e conectados por IA de forma contínua, tornando-se organismos vivos em vez de arquivos estáticos. O capital relacional, construído nos relacionamentos com clientes, parceiros e fornecedores, é potencializado pela GenAI por meio da personalização em escala — interações adaptadas ao histórico e aos padrões de comportamento de cada interlocutor, gerando valor relacional que antes dependia exclusivamente da memória e da sensibilidade individual de cada profissional.

A GenAI não cria capital intelectual — ela preserva, organiza e amplifica o que já existe nas pessoas e na organização. Essa distinção é fundamental para qualquer estratégia responsável de GC.

6. Ferramentas de GC amplificadas pela GenAI

As metodologias e ferramentas já consolidadas na GC ganham nova potência com a integração da IA Generativa.

O KMCanvas (www.kmcanvas.com.br ) o Canvas da Gestão do Conhecimento, deixa de ser um exercício periódico de mapeamento e torna-se um processo contínuo: LLMs identificam automaticamente ativos de conhecimento críticos a partir da análise de documentos e registros internos, mantendo o Canvas sempre atualizado e relevante.

O Mapa de Competências — as “páginas amarelas” do conhecimento organizacional — sempre foi um documento de atualização trabalhosa e rápida obsolescência. Com GenAI, torna-se um organismo vivo: plataformas como Workday e SAP SuccessFactors integram LLMs para mapear competências a partir de avaliações, feedbacks e histórico de projetos, oferecendo à organização uma visão dinâmica e sempre atual de seu capital humano, identificando lacunas e talentos ocultos em tempo real.

Wikis corporativos e ECMs integrados a LLMs deixam de ser repositórios estáticos e tornam-se bases de conhecimento conversacionais. O colaborador não apenas busca um documento — ele dialoga com o acervo organizacional, recebe respostas contextualizadas e referências cruzadas. Ferramentas como Notion AI e Confluence com IA já oferecem essa experiência; no mercado brasileiro, a integração de MediaWiki com LLMs open source como Llama permite que organizações criem bases de conhecimento conversacionais sem custos de licenciamento, respeitando as exigências da LGPD ao manter os dados em servidores locais.

Os modelos de maturidade em GC, como o APQC Knowledge Management Framework, ganham nova potência com LLMs auxiliando organizações a autoavaliarem seu nível de maturidade, mapeando gaps e sugerindo ações prioritárias a partir da análise das práticas existentes — transformando o diagnóstico de GC de um evento anual em um processo contínuo e orientado por dados.

7. Engenharia de prompts: a nova competência essencial da GC

Entre todas as habilidades que a era da GenAI exige, a Engenharia de Prompts emerge como a mais diretamente relevante para a Gestão do Conhecimento. Trata-se da capacidade de formular perguntas e instruções eficazes para LLMs — não é programação, mas comunicação estratégica com a inteligência artificial.

Em GC, saber conversar com a IA é tão importante quanto saber interpretar dados. Um prompt bem construído extrai conhecimento relevante, contextualizado e acionável. Um prompt mal construído gera respostas genéricas, imprecisas ou inúteis. A diferença entre os dois pode determinar se o conhecimento organizacional é genuinamente capturado ou apenas superficialmente registrado.

Recentemente criei as 8 técnicas de prompts eficazes:

• Defina o papel (persona) da IA
• Seja claro, conciso e específico
• Forneça contexto relevante
• Especifique o formato da saída relevante
• Defina o tom o estilo de linguagem
• Estabeleça limites e restrições
• Use exemplos (few-shot-prompting)
• Itere e refina

As competências essenciais da Engenharia de Prompts para GC envolvem clareza de contexto — fornecer ao LLM as informações necessárias sobre a organização, o projeto e o objetivo antes de fazer a pergunta; especificidade do pedido — delimitar o escopo, o formato esperado e o nível de profundidade desejado; refinamento iterativo — tratar a interação com o LLM como uma conversa, ajustando e aprofundando a cada resposta; e validação crítica do resultado — nunca aceitar a saída do LLM como verdade final sem a curadoria de um especialista humano.

Um exemplo prático ilustra bem a diferença: em vez de perguntar genericamente “O que são lições aprendidas?”, o gestor de conhecimento formula “Com base nos relatórios de projetos de TI encerrados em 2024, quais são os três riscos mais recorrentes e como foram mitigados? Apresente em formato de tabela com coluna de risco, frequência e estratégia de mitigação adotada.” A Engenharia de Prompts é, em essência, o novo letramento (ou literacia – Data Literacy) da Gestão do Conhecimento.

8. Ferramentas disponíveis no mercado brasileiro

O ecossistema de ferramentas de GenAI aplicadas à GC já é acessível no Brasil, com opções para diferentes portes de organização e diferentes exigências de privacidade e custo.

Entre os LLMs gerais com suporte robusto ao português destacam-se o ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic) e Copilot (Microsoft), todos com interfaces conversacionais maduras e integrações corporativas crescentes. Para colaboração com IA integrada, o Microsoft 365 Copilot, o Google Workspace com Gemini e o Notion AI já permitem que equipes interajam com seus acervos de documentos de forma conversacional. Para captura e preservação de reuniões — etapa crítica da Socialização — ferramentas como Otter.ai, Fireflies.ai e Tactiq oferecem transcrição, identificação de tópicos e geração de atas em português.

Para organizações com restrições de privacidade e conformidade com a LGPD, LLMs open source como Llama (Meta) e Mistral podem ser hospedados localmente, garantindo que dados estratégicos não trafeguem por servidores externos. Em ECM, o Alfresco com integrações de LLM e o SharePoint com Copilot são referências consolidadas. Em mapeamento de competências, Workday, SAP SuccessFactors e Gupy já incorporam IA em seus módulos de gestão de talentos. E o KMCanvas (www.kmcanvas.com.br) permanece como a ferramenta brasileira de referência para planejamento estratégico de GC.

9. Casos de sucesso e aplicações

A integração entre GenAI e GC já produz resultados concretos em organizações de diferentes setores e portes.

Na indústria e engenharia, Bosch e Embraer utilizam LLMs para capturar lições aprendidas em projetos complexos, transformando relatórios técnicos densos em bases de conhecimento acessíveis a equipes multidisciplinares — reduzindo retrabalho e acelerando o onboarding de novos profissionais.

Na consultoria, McKinsey e Deloitte integram GenAI em plataformas internas de GC para sintetizar o conhecimento acumulado em milhares de projetos anteriores, permitindo que consultores acessem insights relevantes em minutos ao invés de dias.

No setor público brasileiro, Banco do Brasil e Embrapa iniciaram em 2025 projetos-piloto para preservar o conhecimento de servidores próximos à aposentadoria, convertendo entrevistas em documentação estruturada com apoio de LLMs.

Na indústria global, a Siemens opera um ambiente híbrido onde um LLM centraliza e enriquece soluções técnicas compartilhadas por engenheiros de diferentes países em tempo real.

E a IBM desenvolve fábricas de ideias onde a IA sugere inovações e humanos filtram via critérios éticos e estratégicos — um modelo que materializa na prática o equilíbrio entre inteligência artificial e julgamento humano.

10. Desafios e considerações éticas

Apesar do vasto potencial, a integração da GenAI e dos LLMs à GC traz desafios que não podem ser ignorados.

As alucinações sintetizam conhecimento de forma imprecisa (resumidamente, é quando modelos de linguagem geram informações falsas, imprecisas ou sem sentido, apresentando-as com alta confiança. Isso ocorre porque a IA prevê padrões probabilísticos em vez de “entender” fatos reais, inventando dados quando faltam informações no treinamento) representam o risco mais imediato.

Em GC, onde a confiabilidade do conhecimento é crítica, mecanismos robustos de validação humana são indispensáveis (insisto, somos curadores). A IA externaliza e organiza — o especialista humano valida e certifica. Nenhum programa de GC baseado em GenAI deve prescindir desse fluxo de curadoria.

A privacidade e a propriedade intelectual levantam questões ainda sem resposta definitiva (área cinzenta): quem detém a propriedade do conhecimento cocriado por humanos e IA? Mas a tendência legal, especialmente no Brasil, é que a titularidade pertence a pessoa física (humano), que utilizou a IA como ferramenta, desde que haja a curadoria.

Como garantir que dados estratégicos não vazem para modelos externos? A LGPD no Brasil e o AI Act europeu começam a endereçar essas questões, mas a governança do conhecimento na era da GenAI ainda é um campo em construção — e uma responsabilidade que as organizações não podem delegar.

O viés e a homogeneização (viés é a distorção de julgamento, preconceito ou inclinação irracional a favor ou contra algo; já a homogeneização é o processo de tornar coisas distintas em uma mistura uniforme e consistente) do conhecimento representam um risco menos visível, mas igualmente relevante: LLMs treinados em determinados corpora (grandes coleções de textos) podem reproduzir vieses ou tender a uniformizar perspectivas, suprimindo a diversidade cognitiva que Nonaka considerava essencial para a inovação genuína. A curadoria humana do conhecimento gerado pela IA é inegociável.

Há ainda dimensões do conhecimento tácito que resistem à captura algorítmica: a intuição refinada por décadas de prática, o julgamento contextual diante de situações inéditas, a sabedoria relacional construída em anos de convivência. A GenAI externaliza o que pode ser verbalizado, mas não replica a profundidade da experiência humana acumulada. O maior risco não é a IA substituir o humano — é o humano deixar de cultivar o que só ele pode oferecer. Como Nonaka declarou em 2024: “a sabedoria humana deve guiar algoritmos, não o inverso.”

Conclusão: o copiloto a serviço da espiral

Nonaka nos ensinou que o conhecimento organizacional não é um arquivo — é um rio em movimento. A Espiral do Conhecimento não tem fim; ela se renova a cada nova experiência, a cada conversa, a cada projeto. A IA Generativa e os LLMs não substituem essa espiral. Eles a amplificam, aceleram seu alcance e tornam visível e perene o que antes era efêmero e vulnerável.

A grande promessa dessas tecnologias para a GC não está em automatizar o conhecimento humano, mas em garantir que ele não se perca:

• Ao transformar o conhecimento tácito em explícito com mais velocidade e fidelidade.
• Criar Ba digitais inteligentes que transcendem fronteiras geográficas e fusos horários.
• Em conectar quem sabe com quem precisa saber, em tempo real.
• Em inaugurar a Engenharia de Prompts como nova competência essencial para qualquer gestor do conhecimento.

Organizações que compreenderem essa convergência — entre a sabedoria dos fundamentos de Nonaka e o poder das novas ferramentas generativas — estarão melhor posicionadas para preservar seu capital intelectual, inovar com consistência e construir uma memória organizacional que resiste ao tempo e à rotatividade.

Como Nonaka nos lembrou em sua última participação pública: “A tecnologia deve ser o vaso, não o vinho da sabedoria organizacional.” O vinho — rico, complexo, irreplicável — continua sendo humano. A GenAI é o copiloto que garante que ele chegue intacto ao destino.

Referências:

Nonaka, I.; Takeuchi, H. The Knowledge-Creating Company. Oxford University Press, 1995.

Nonaka, I. Managing Flow: A Process Theory of the Knowledge-Based Firm. Palgrave Macmillan, 2008.

APQC Knowledge Management Framework, 2024.

MIT Sloan Management Review: AI and the Future of Knowledge Work, 2025.

KMCanvas: www.kmcanvas.com.br, 2026.

Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!