Competências para pessoas e organizações

Letramento de
Dados e IA.

Aprender uma ferramenta é só o começo. O trabalho muda quando pessoas conseguem entender de onde vêm os dados, questionar um resultado, verificar uma resposta de IA e explicar o que a evidência permite decidir.

Este guia ajuda lideranças, RH, equipes de dados, educadores e áreas de negócio a construir essas competências em situações reais. Os benefícios possíveis incluem decisões mais claras, uso mais seguro de IA e colaboração melhor — desde que haja prática, apoio e acompanhamento.

Entender os conceitos ↓Planejar a implementação ↓Explorar as trilhas ↓

Atualizado em 19 de outubro de 2026 · Guia educativo, adaptável ao contexto da organização.

UMA COMPETÊNCIA, CINCO MOVIMENTOS

01Formular a pergunta
02Conhecer os dados
03Interpretar com contexto
04Verificar a IA
05Comunicar e decidir

A ferramenta entra no processo. O julgamento continua com as pessoas.

01 / ORIGEM E EVOLUÇÃO

Uma necessidade que cresceu junto com os dados.

Não existe uma data única de nascimento do letramento de dados. A ideia se formou gradualmente a partir da alfabetização estatística e informacional: ler evidências, avaliar fontes e raciocinar sobre números. Digitalização e uso crescente de dados a trouxeram para o cotidiano de quase todas as profissões. A IA generativa acrescentou uma pergunta: como usar respostas plausíveis sem confundi-las com fatos?

LETRAMENTO DIGITAL

Operar e avaliar meios

Usar tecnologias digitais, localizar informação e avaliar sua confiabilidade.

LETRAMENTO DE DADOS

Interpretar evidências

Compreender fontes, medidas, limites e consequências de uma análise.

LETRAMENTO DE IA

Usar com julgamento

Entender capacidades, erros, riscos e responsabilidades no uso de sistemas de IA.

O DigComp da Comissão Europeia ↗ inclui avaliação crítica de dados e informação entre as competências digitais; o referencial de letramento em IA da OCDE/Comissão Europeia ↗ amplia a discussão para conhecimentos, habilidades e atitudes diante da IA.

02 / CONCEITOS FUNDAMENTAIS

Ler um número e receber uma resposta não bastam.

Letramento de dados é a capacidade de ler, interpretar, analisar, questionar, comunicar e usar dados em uma decisão. Letramento de IA é entender o que um sistema pode fazer, onde falha, quais riscos cria e quando seu uso faz sentido. Um complementa o outro: uma IA pode resumir uma tabela, mas ainda é preciso verificar fonte, definição do indicador e conclusão.

TESTE RÁPIDO

“As vendas cresceram 20%.” Em relação a qual período? Em valor ou quantidade? O mix de produtos mudou? Um bom letramento começa por perguntas como essas, antes de escolher o gráfico ou pedir uma interpretação à IA.

03 / COMPETÊNCIAS ESSENCIAIS

O que todas as pessoas precisam saber?

A profundidade muda conforme o papel, mas a base é compartilhada. Quem trabalha com dados deve ir além; quem decide com base neles precisa entender seus limites.

DADOS

Da fonte à conclusão

Contexto e origem; coleta e qualidade; granularidade (o que cada linha representa); indicadores e denominadores; estatística básica; amostra e viés; correlação versus causalidade; visualização e comunicação.

INTELIGÊNCIA ARTIFICIAL

Da possibilidade à verificação

Diferença entre IA preditiva, que estima ou classifica, e generativa, que produz texto, imagem ou código; incerteza; respostas inventadas; vieses; privacidade; teste de saídas e supervisão humana.

COMPORTAMENTO E NEGÓCIO

Da análise à ação

Curiosidade, pensamento crítico, escuta, comunicação, colaboração, ética e conhecimento do processo. Perguntar “que decisão muda?” costuma ser mais útil que “qual ferramenta usamos?”.

Base para todos

Formular perguntas, ler indicadores com contexto, reconhecer incerteza, proteger dados e conferir respostas.

Aprofundamento técnico

Modelagem, estatística inferencial, experimentos, engenharia de dados, avaliação de modelos, segurança e monitoramento. Especialistas ajudam os demais a interpretar limites e desenhar controles.

QUALIDADE NA ORIGEM

Quem registra o dado participa da decisão que vem depois.

Letramento também é entender o processo de ponta a ponta. Um campo preenchido de forma incorreta no pedido pode ser reutilizado por outras áreas e ganhar aparência de verdade em notas, lançamentos contábeis, relatórios e análises de IA. Treinar quem atende, vende ou opera é tão importante quanto treinar quem constrói o dashboard.

01 / VENDASPedidoCliente, item, quantidade, preço e condição são registrados.
02 / OPERAÇÕESEstoque e entregaSeparar ou entregar o item errado gera divergência e retrabalho.
03 / FINANCEIROFaturamentoO erro pode seguir para a cobrança e exigir correção documental.
04 / CONTABILIDADERegistro contábilValores, categorias ou períodos incorretos podem chegar à conciliação e ao fechamento.
05 / GESTÃO E IAIndicadoresReceita, margem e previsões passam a refletir o dado ruim até a correção.

Exemplo fictício: o pedido de 10 unidades foi lançado como 100. Se o erro não for detectado antes do faturamento, outras equipes precisarão verificar o que foi entregue, corrigir documentos e reconciliar os registros. Um painel pode mostrar uma venda maior que a real; uma IA que resume esse painel apenas propaga a distorção. O efeito exato depende do processo e dos controles da empresa.

O que treinar na ponta

Entender para que cada campo crítico serve e quem usa a informação depois.
Conferir cliente, produto, quantidade, valor, data e classificação antes de confirmar.
Reconhecer exceções e saber a quem reportar uma divergência.
Corrigir o dado na origem, com registro da alteração, em vez de ajustar apenas o relatório.

Como praticar

Entregue a uma turma um pedido fictício com dois erros. Peça que equipes de vendas, operações, financeiro e contabilidade mostrem onde perceberiam o problema, o que verificariam e como devolveriam o alerta à origem. Meça erros identificados antes da confirmação e retrabalho evitado, sem usar o exercício para culpar pessoas: campos confusos e validações fracas também precisam mudar.

O fluxo é ilustrativo. A documentação da Microsoft sobre pedido, fatura e razão contábil ↗ mostra como esses processos podem se conectar em um ERP. A IBM explica os impactos de dados inexatos ↗ em operações e decisões.

A Matriz de Competências em IA do Governo Digital ↗ é um exemplo brasileiro de formação segmentada por perfis e níveis de proficiência.

04 / NO COTIDIANO

Seis situações para treinar o olhar.

Os casos abaixo são fictícios e didáticos. Em cada um, a IA pode apoiar uma tarefa, mas a pergunta, os dados e a conferência continuam necessários.

Área e pergunta	Dados necessários	Contribuição possível da IA	O que conferir
Saúde · A fila de exames diminuiu?	Pedidos, datas, prioridade e capacidade.	Organizar relatos e apontar padrões.	Tempo por grupo; dados sensíveis; nenhum diagnóstico automático.
Educação · Quem precisa de apoio?	Frequência, atividades, contexto e avaliação.	Sugerir explicações e atividades.	Não rotular estudantes por um único indicador; revisão docente.
Finanças · Qual produto perdeu margem?	Receita, custo, devoluções e período.	Resumir variações e hipóteses.	Definição de margem, inflação, sazonalidade e fonte.
RH · A seleção ficou mais justa?	Etapas, critérios e resultados agregados.	Padronizar descrições e perguntas.	Vieses, privacidade e revisão humana de decisões.
Marketing · A campanha trouxe clientes?	Gastos, conversões, base comparável e janela.	Comparar mensagens e sintetizar testes.	Atribuição; campanha pode coincidir com outra ação.
Operações · Onde atrasamos entregas?	Prazos, rotas, volumes e ocorrências.	Classificar causas relatadas.	Registro incompleto, mudança de mix e causa real.

Gráfico que engana

Duas barras de 98% e 99% parecem dramaticamente diferentes se o eixo começa em 97%. Revele a escala e o tamanho da amostra.

Indicador sem contexto

“100 chamados resolvidos” não informa prazo, dificuldade nem quantos entraram. Acrescente denominador e comparação.

Resposta de IA plausível

“O problema foi o preço” pode soar convincente. Peça a fonte, compare com dados reais e mantenha a hipótese como hipótese.

05 / DIAGNÓSTICO ORIENTATIVO

Onde sua organização está hoje?

Escolha a descrição mais próxima em cada dimensão. O resultado ajuda a priorizar conversas; não é instrumento psicométrico validado, certificação nem comparação entre empresas. As respostas ficam apenas nesta página, no seu navegador, e não são enviadas.

Pessoas Conseguem explicar indicadores e limites? Cultura É seguro questionar um número ou uma IA? Liderança Há patrocínio e tempo para aprender? Processos Aprendizagem entra no trabalho? Dados Fontes e métricas são conhecidas? Tecnologia Ferramentas servem a problemas claros? Governança Privacidade, riscos e revisão têm dono?

Preencha as sete dimensões

Observe sobretudo as notas mais baixas: elas indicam onde testar um primeiro piloto.

Critério transparente: cada dimensão recebe 0 (inicial), 1 (em construção) ou 2 (prática observável). A média orienta a leitura geral; não transforma percepções em prova de competência. Confirme o retrato com entrevistas, tarefas práticas e evidências do trabalho.

06 / PROGRAMA EM OITO PASSOS

Como transformar formação em capacidade de trabalho.

Cada etapa precisa produzir algo que outra pessoa consiga revisar. O programa começa por um problema de negócio e termina com evidências de aplicação, não com uma lista de cursos concluídos.

Etapa e objetivo	Ações	Responsáveis sugeridos	Entregável e conclusão
1. Definir o problema	Escolha 1–2 decisões ou rotinas com dor real.	Líder de negócio + dados	Problema, público e linha de base documentados.
2. Garantir patrocínio	Reserve tempo, orçamento, dono e regras de decisão.	Direção + RH	Responsável nomeado e agenda aprovada.
3. Diagnosticar competências	Combine autoavaliação, entrevistas e uma tarefa observada por perfil.	RH + multiplicadores	Lacunas por público, com evidências, registradas.
4. Priorizar	Escolha casos de baixo risco e alto valor; defina recursos e metas realistas.	Negócio + dados + governança	Escopo do piloto e critérios de sucesso acordados.
5. Desenhar trilhas	Separe núcleo comum de aprofundamentos por papel.	RH + especialistas	Objetivos, atividades e rubrica por trilha.
6. Executar piloto	Oficina curta, prática acompanhada e feedback em trabalho real.	Gestores + facilitadores	Participantes entregam uma análise ou decisão revisável.
7. Avaliar	Compare antes/depois em tarefa equivalente; observe uso no trabalho.	RH + gestor + dados	Resultados e limites registrados, inclusive o que não melhorou.
8. Ampliar e sustentar	Ajuste conteúdo, apoios, comunidade e rituais de revisão.	Patrocinador + responsáveis	Próxima turma e rotina de acompanhamento aprovadas.

07 / TRILHAS POR PERFIL

Uma base comum. Aplicações diferentes.

Comece por contexto, indicadores, qualidade, limites de IA e privacidade. Só então aprofunde as ferramentas necessárias a cada função.

01 · TODOS OS COLABORADORES

Ler, perguntar, proteger

Pré-requisito: nenhum. Conteúdo: fonte, indicador, gráfico, limites de IA e dados pessoais. Prática: explicar um painel e conferir uma resposta de IA. Evidência: apontar duas limitações e uma decisão possível.

02 · LIDERANÇAS

Decidir e criar condições

Pré-requisito: base comum. Conteúdo: perguntas de negócio, prioridades, risco, métricas e patrocínio. Prática: revisar uma proposta de uso de IA. Evidência: decisão documentada com critérios e responsáveis.

03 · ÁREAS DE NEGÓCIO

Transformar rotina em pergunta

Pré-requisito: base comum. Conteúdo: processos, indicadores, amostra, hipótese e comunicação. Prática: comparar duas interpretações de um KPI. Evidência: recomendação com fonte e ressalvas.

04 · PROFISSIONAIS DE DADOS

Construir confiança técnica

Pré-requisito: domínio básico da própria ferramenta. Conteúdo: qualidade, modelagem, experimentação, avaliação e explicação. Prática: auditar uma análise. Evidência: método reproduzível, teste e comunicação acessível.

05 · MULTIPLICADORES INTERNOS

Ensinar com casos reais

Pré-requisito: base comum e experiência de área. Conteúdo: facilitação, feedback, avaliação e governança. Prática: conduzir uma oficina. Evidência: participantes resolvem uma tarefa sem ajuda excessiva.

06 · EQUIPES DA PONTA

Registrar certo, corrigir cedo

Pré-requisito: conhecer a própria rotina. Conteúdo: campos críticos, controles de entrada, caminho do dado e correção na origem. Prática: rastrear um pedido incorreto até faturamento e contabilidade. Evidência: identificar e encaminhar uma divergência antes que ela se propague.

Para seguir estudando neste site: trilhas de aprendizado, glossário, Power BI e visualização, fundamentos de IA e protocolo dos 3V's.

08 / APRENDER FAZENDO

Menos demonstração. Mais prática acompanhada.

Combine uma explicação curta, uma tarefa de 20–40 minutos, revisão em dupla e aplicação posterior no trabalho. Repita com casos diferentes; saber repetir um clique não é o mesmo que saber escolher uma análise.

Leitura crítica de dashboard

Encontre fonte, período, denominador, escala e uma decisão que o painel ainda não autoriza.

Indicador em disputa

Duas equipes definem “cliente ativo” de formas diferentes. Negocie conceito, regra e dono da métrica.

IA sob revisão

Compare um resumo de IA com a fonte original; marque fatos, inferências e lacunas.

Problema da área

Traga uma decisão real, use dados permitidos e apresente uma recomendação com limites.

COM POUCOS RECURSOS

Uma planilha anonimizada, um relatório já existente e encontros quinzenais bastam para um piloto. Crie uma comunidade de prática: pessoas compartilham perguntas, erros encontrados e exemplos bons. Materiais de apoio podem ser uma página com glossário, rubrica e casos resolvidos.

09 / EXEMPLO ADAPTÁVEL

Um plano de 90 dias.

O prazo é ilustrativo. Equipe, risco, disponibilidade de dados e aprovações podem exigir mais tempo ou um escopo menor.

Período	Ações	Responsáveis	Entregáveis	Critério de sucesso
Dias 1–30 Diagnosticar e planejar	Escolher problema, entrevistar públicos, aplicar tarefa inicial, mapear dados e regras.	Patrocinador, RH, negócio, dados.	Linha de base, perfis e desenho do piloto.	Problema, público, métrica e dono aprovados.
Dias 31–60 Pilotar e aplicar	Oficinas curtas, caso real, apoio de especialistas e revisão de entregas.	Facilitadores, gestores e participantes.	Análises, decisões e registros de dúvidas.	Participantes completam tarefa prática com critérios de qualidade.
Dias 61–90 Avaliar e expandir	Repetir tarefa equivalente, observar uso no trabalho, ajustar trilha e decidir escala.	RH, gestores, dados e governança.	Relatório de evidências, mudanças e próximos passos.	Há melhora verificável e plano sustentável, sem ocultar resultados negativos.

10 / RESULTADOS

Curso concluído não é competência demonstrada.

Defina uma linha de base antes do piloto: como as pessoas executam hoje a tarefa e quais erros aparecem. Compare tarefas equivalentes e registre outras mudanças que possam influenciar o resultado.

Camada	Indicador possível	Coleta e frequência	Limite de interpretação
Participação	Presença e conclusão por público.	Registro em cada encontro.	Mostra alcance, não aprendizagem.
Aprendizagem	Qualidade ao interpretar gráfico ou conferir resposta.	Rubrica em tarefa antes e depois.	Uma tarefa mede só parte da competência.
Comportamento	Uso de fonte, ressalvas e validação em entregas reais.	Amostra de trabalhos a cada 30–60 dias.	Precisa de observação, não só autorrelato.
Impacto	Retrabalho, tempo, erros ou qualidade da decisão.	Indicador operacional mensal, com base comparável.	Mudanças podem ter várias causas; evite atribuição automática.

Um bom painel mostra os quatro níveis juntos e registra contexto: público, período, base de comparação, limitações e responsáveis. Se possível, compare equipes ou períodos similares antes de atribuir melhorias ao programa.

11 / USO RESPONSÁVEL

Confiança se constrói com regras praticadas.

Antes de ampliar o uso, defina quais dados podem entrar em quais ferramentas, quem aprova casos de uso, quem revisa resultados e como corrigir erros. A regra deve caber no trabalho cotidiano.

Dados

Registre fonte, qualidade, atualização, acesso e retenção. Evite dados pessoais ou confidenciais em ferramentas não aprovadas.

Teste vieses, respostas inventadas e desempenho em casos reais. Mantenha revisão humana proporcional ao impacto da decisão.

Responsabilidade

Nomeie quem responde pelo processo, documenta limites, recebe incidentes e comunica decisões afetadas por IA.

No Brasil, a ANPD explica a aplicação da LGPD ↗ e oferece guias oficiais ↗. O NIST AI RMF ↗ organiza a gestão de riscos de IA. Esta página é educativa e não substitui a avaliação jurídica e de segurança de cada organização.

12 / ERROS FREQUENTES

Troque atalhos frágeis por práticas que ficam.

Erro	Alternativa prática
Começar pela ferramenta.	Comece pela decisão e pelo dado necessário; escolha a ferramenta depois.
Dar o mesmo curso a todos.	Ofereça base comum e aprofundamentos por função.
Ignorar o negócio.	Traga um problema real, seu dono e seu custo de erro.
Contar presenças como aprendizagem.	Observe uma tarefa antes e depois, com rubrica.
Confiar automaticamente na IA.	Exija fonte, teste e revisão proporcionais ao risco.
Fazer ação isolada sem continuidade.	Reserve tempo de prática, apoio do gestor e comunidade de troca.

13 / KIT PARA COMEÇAR

Quatro modelos que você pode copiar agora.

Abra, adapte e copie o texto. Nenhum dado é enviado ao site. O exemplo preenchido usa uma situação fictícia.

1. Diagnóstico de competências

Use entrevistas, observação e uma tarefa prática para complementar a autoavaliação.

PÚBLICO / ÁREA:
Decisão ou rotina que queremos melhorar:
Fonte de dados utilizada hoje:
Tarefa prática observada:
O que a pessoa já explica sem ajuda?
Onde precisa de apoio? (dados / IA / comunicação / governança)
Evidência observável da lacuna:
Prioridade e responsável:

2. Plano de capacitação

Defina um objetivo que possa ser demonstrado em uma tarefa.

PROBLEMA DE NEGÓCIO:
Público e pré-requisitos:
Competência a desenvolver:
Atividade prática e dados permitidos:
Ferramentas aprovadas:
Facilitador / gestor / patrocinador:
Linha de base:
Evidência de aprendizagem:
Data de revisão e próximo passo:

3. Ficha da atividade prática

Peça justificativa e verificação, não apenas uma resposta final.

PERGUNTA A RESPONDER:
Dados e fonte:
O que cada linha representa?
Indicador e denominador:
Hipóteses alternativas:
Onde a IA pode ajudar? O que ela não pode decidir?
Como conferir a resposta?
Conclusão, limites e recomendação:

4. Painel de acompanhamento e exemplo preenchido

Separe alcance de competência e impacto.

PROGRAMA: leitura crítica de indicadores de vendas (exemplo fictício)
Público: equipe comercial piloto | Responsável: gerente + analista
Linha de base: 4 de 10 análises traziam período e fonte
Participação: 12 de 15 pessoas participaram
Aprendizagem: 9 de 12 identificaram escala e denominador em novo gráfico
Comportamento: 7 de 10 análises do mês seguinte citaram fonte e período
Impacto: retrabalho ainda não medido; não atribuir melhora ao curso
Próxima revisão: em 30 dias | Ação: reforçar interpretação de margem

14 / PERGUNTAS FREQUENTES

O que costuma travar o início?

Por onde começo?

Escolha uma decisão recorrente, uma equipe pequena e uma tarefa observável. Faça uma linha de base e teste a trilha antes de escalar.

Preciso de grande orçamento?

Não necessariamente. Um caso real com dados permitidos, um facilitador e tempo protegido já permitem testar aprendizagem. Depois estime custo de escala, ferramentas e suporte.

Quem deve ser responsável?

Uma liderança patrocina; RH coordena formação; negócio define a decisão; dados e segurança ajudam a validar conteúdo e limites. Nomeie um dono do piloto.

Todos precisam programar?

Não. Todos devem interpretar, questionar e comunicar. Programação e modelagem profunda pertencem a trilhas específicas.

Qual ferramenta devo escolher?

Escolha depois de definir tarefa, dados, permissões, suporte e custo. Um gráfico, planilha ou chatbot só é útil se ajudar a responder a pergunta com segurança.

Como saber se funcionou?

Compare tarefas equivalentes antes/depois, observe aplicação no trabalho e acompanhe um indicador operacional. Registre explicações alternativas para qualquer melhora.

15 / FONTES E CONTINUIDADE

Referências para aprofundar.

Os modelos e o plano desta página são propostas didáticas; os documentos abaixo apoiam conceitos e decisões de implementação. Verifique versões e normas vigentes antes de aplicar políticas.

Comissão Europeia · DigCompCompetências digitais e avaliação crítica de dados.
OCDE e Comissão Europeia · AI Literacy Framework (2026)Conhecimentos, habilidades e atitudes sobre IA.
UNESCO · AI Competency Framework for TeachersProgressão de competências para educação.
Governo Digital · Matriz de Competências em IAPerfis e níveis para o serviço público brasileiro.
NIST · AI Risk Management FrameworkReferência de gestão de riscos em IA.
ANPD · materiais e guiasProteção de dados pessoais e orientações oficiais.

Comece pequeno. Escolha uma decisão, observe como ela é tomada hoje e ajude as pessoas a perguntar melhor sobre os dados e a IA que entram nela.

Abrir os modelos ↑