Seu Treinamento de Compliance Diz Que Todos Passaram. Construí um Modelo Que Sabe Que Não.

Uma diretora de compliance de um banco certa vez me guiou pela recertificação anual de prevenção à lavagem de dinheiro. Quinhentas pessoas na área de compliance, um único módulo de quatro horas, todas com o mesmo conteúdo atribuído: due diligence de clientes, comunicação de atividades suspeitas, detecção de transações estruturadas, lavagem de dinheiro baseada em comércio, triagem de sanções. Ao final, o sistema de aprendizagem dela produziu quinhentos vistos verdes. Ela os mostrou para mim do jeito que você mostraria um recibo a alguém.

Então ela disse a frase que não consegui mais tirar da cabeça desde então — que ela não fazia ideia de quais daquelas quinhentas pessoas realmente sabiam registrar um relatório de atividade suspeita.

Essa lacuna — entre concluído e sabe — é a razão inteira pela qual hoje passo meu tempo construindo IA de aprendizagem adaptativa para treinamento corporativo. Não do tipo motor de recomendação que sugere seu próximo curso. Do tipo diagnóstico, construído sobre uma técnica chamada rastreamento de conhecimento, que modela o que cada funcionário de fato sabe, conceito por conceito, e atualiza essa estimativa toda vez que ele responde a uma questão. O LMS dela rastreava conclusão. O que ela precisava era de um sistema que rastreasse competência. Nós construímos essa camada de competência, e é a solução em que minha equipe trabalha todos os dias.

Um visto verde diz a um auditor que um vídeo terminou de tocar. Não diz nada sobre se alguém aprendeu a fazer o trabalho.

A Lacuna de US$ 102,8 Bilhões Entre "Concluído" e "Sabe"

As empresas dos EUA gastaram US$ 102,8 bilhões em treinamento em 2025, alta em relação aos US$ 98 bilhões do ano anterior — esse é o número da Training Magazine, e dá cerca de US$ 874 por aluno. A maior parte desse dinheiro compra dados de conclusão. O SCORM, o formato de arquivo em que a maioria dos cursos corporativos ainda é distribuída, foi projetado em torno de uma especificação 1.2 que registra aprovação, reprovação e conclusão. Só isso. É uma lista de presença com melhor produção.

Acho isso genuinamente estranho quando você para para pensar. Passamos duas décadas otimizando a entrega do treinamento — vídeo mais refinado, mobile, microlearning — e quase nenhum desse esforço foi para medir se o treinamento mudou o que alguém consegue fazer. A Josh Bersin Company publicou um artigo em fevereiro de 2026 argumentando que a IA está prestes a transformar US$ 400 bilhões em aprendizagem corporativa, e a estatística que ficou comigo foi esta: menos de 5% das empresas de fato implantaram tecnologia de aprendizagem nativa de IA. Todo mundo tem um LMS. Quase ninguém tem inteligência dentro dele.

E o custo dessa lacuna não é mais abstrato. Os dados de Bersin mostram que empresas que usam aprendizagem nativa de IA têm seis vezes mais probabilidade de superar suas metas financeiras. Do outro lado, 74% das empresas dizem que não conseguem acompanhar a demanda por novas habilidades, e a meia-vida de uma habilidade profissional caiu de cerca de dez anos em 2000 para menos de cinco hoje. Vi equipes de L&D responderem a esse colapso da única forma que suas ferramentas permitem — entregando mais conteúdo, mais rápido. Entendo o instinto, porque por vinte anos mais conteúdo foi a única alavanca que os sistemas nos deram. A alavanca nunca foi o problema. O instrumento que usamos para medir se algo daquilo funcionou é que é.

A Primeira Versão Que Construí Estava Errada, e Parecia Ótima

Aqui está a parte da qual não me orgulho. Quando comecei a construir isso, recorri ao modelo óbvio. Na literatura de rastreamento de conhecimento existe uma abordagem conhecida chamada Deep Knowledge Tracing — DKT — que usa uma LSTM, um tipo de rede neural recorrente, para prever se um aluno vai acertar a próxima questão. É o ponto de partida canônico. Montamos tudo, alimentamos com dados de interação, e os painéis estavam lindos. Curvas de domínio que subiam, precisão de previsão que parecia respeitável.

Eu estava pronto para exibi-lo. Então voltei àquele caso de uso de PLD e tentei responder à verdadeira pergunta da diretora de compliance — qual conceito este analista específico não sabe? — e o modelo não conseguia me dizer. Ele podia me dizer se alguém estava, de modo geral, "indo bem". Não conseguia dizer com clareza "ela é sólida em due diligence de clientes e perigosa em lavagem de dinheiro baseada em comércio".

Levei mais tempo do que deveria para entender por quê. Há um artigo de 2025 da comunidade de Educational Data Mining fazendo uma observação silenciosamente brutal: o DKT puro aprende capacidade, não conhecimento por habilidade. Ele modela um sinal genérico de "esta pessoa é boa na prova" em vez de domínio no nível do conceito. Pior, pesquisadores mostraram que RNNs não treinadas — redes com pesos aleatórios — podem igualar modelos DKT treinados em alguns benchmarks. Meu lindo painel estava, num sentido real, medindo achismos.

Eu havia construído um modelo que era confiante, com aparência de precisão e incapaz de responder à única pergunta para a qual o projeto inteiro existia.

Aquele mês pareceu um beco sem saída. Eu havia prometido evidência de competência e construído um medidor de confiança que não sabia sobre o que estava confiante.

Por Que Reconstruímos com Base em Atenção em Vez de Memória

A saída veio da geração mais recente de modelos de rastreamento de conhecimento — os autoatentivos. Migramos para o SAKT, Self-Attentive Knowledge Tracing, e depois para o AKT, a variante atentiva sensível ao contexto. Em vez de espremer todo o histórico de um aluno em uma única memória recorrente, esses modelos usam atenção para perguntar, a cada nova questão, quais das suas respostas anteriores realmente têm relação com esta habilidade agora? O AKT vai além e incorpora ideias da teoria de medição educacional, ajustando a dificuldade à medida que avança.

Os ganhos práticos eram os que me importavam. O SAKT faz isso com cerca de 700.000 parâmetros e uma AUC próxima de 0,80 — pequeno o suficiente para rodar com eficiência, preciso o suficiente para confiar e, crucialmente, produz uma probabilidade de domínio por conceito em vez de uma pontuação de competência borrada. O AKT acabou sendo o mais adequado quando um cenário realmente precisa de instrução individualizada, o que a recertificação de compliance com certeza é. Há uma vantagem silenciosa que os dados corporativos têm sobre os benchmarks acadêmicos para os quais esses modelos foram criados: as sequências de compliance são curtas e de alto risco, não os registros de tutoria de mil interações que tornam a previsão de sequências longas o difícil problema em aberto na literatura. Aquilo com que os artigos mais se debatem, em geral, não é nosso problema.

Foi então que o exemplo de PLD finalmente se materializou como deveria. Imagine um mapa de calor: as linhas são funcionários, as colunas são os cinco conceitos de PLD, cada célula uma probabilidade de que essa pessoa dominou aquele conceito. Uma analista sênior de BSA com oito anos no cargo acende em verde em due diligence de clientes, comunicação de atividades suspeitas, sanções — mas aparece em âmbar em lavagem de dinheiro baseada em comércio. Um gerente de agência há seis meses no cargo não está verde em lugar nenhum e em vermelho intenso em registro de SAR e TBML. Mesmo módulo, necessidades radicalmente diferentes.

A analista sênior não deveria passar quatro horas para provar de novo o que comprovadamente sabe; ela deveria verificar rapidamente os conceitos dominados e gastar seu tempo no único ponto fraco. O novo gerente precisa de trilhas mais lentas e com apoio estruturado exatamente onde suas probabilidades são mais baixas. Definimos limiares que poderíamos defender diante de um auditor: acima de cerca de 0,75, tratar o conceito como dominado e verificar brevemente; na faixa do meio, essa é a zona de esforço produtivo onde a aprendizagem de fato acontece; abaixo de 0,35, parar e remediar com apoio. O modelo atualiza cada célula a cada resposta.

Em quinhentos funcionários, essa é a diferença entre duas mil horas de tempo de presença idêntico e algo em torno da metade disso — com mais fortes evidências ao final, não mais fracas. A US$ 874 por aluno, a produtividade recuperada em uma única área de compliance de quinhentas pessoas chega à casa das centenas de milhares de dólares baixas por ano. Isso não é uma projeção que inventei. A Fulcrum Labs e a Allegiant Airlines documentaram o tempo de treinamento caindo de 51 dias para 23 — um corte de 55% — com acidentes e danos a equipamentos 60% menores. E não são apenas bancos e companhias aéreas: uma empresa global de medtech usando a mesma abordagem adaptativa economizou mais de 16.000 horas de treinamento em 113.000 alunos, e uma organização de saúde reduziu o tempo de onboarding em 22%. O tema muda — manejo de dados de pacientes, protocolos de dispositivos, tipologias de PLD — mas o problema diagnóstico não. Um dos dez maiores bancos dos EUA executou compliance adaptativo em mais de 70.000 funcionários e viu 75% mais tráfego para cursos obrigatórios. A redução do tempo de presença é real e foi comprovada por pessoas que não sou eu.

"A Cornerstone Já Não Faz Isso?"

Essa é a primeira pergunta que recebo, toda vez, e é justa. Em março de 2026 a Cornerstone lançou o que chama de Adaptive Learning Agent dentro do seu sistema Galaxy AI. A Docebo adquiriu a 365 Talents para acoplar avaliação de habilidades. O setor inteiro está estampando "aprendizagem adaptativa com IA" na embalagem. Então por que construir algo sob medida?

Porque a maior parte do que está sendo vendido como adaptativo é filtragem colaborativa, não rastreamento de conhecimento — e a diferença é tudo. A filtragem colaborativa é a jogada da Netflix: pessoas que concluíram o Curso A tendiam a fazer o Curso B em seguida, então aqui está o Curso B. Ela recomenda com base no que seus colegas fizeram. O rastreamento de conhecimento faz algo categoricamente diferente: modela o que você especificamente dominou e não dominou, e mira na lacuna. Um é um motor de recomendação. O outro é um motor de diagnóstico. O agente da Cornerstone recomenda o que aprender em seguida; não mede o domínio no nível do conceito. O rastreamento de habilidades da Docebo é em grande parte baseado em declaração ou em conclusão — o funcionário diz que sabe, ou terminou o curso — não medido a partir de como ele de fato interagiu com o material.

Existem fornecedores que realmente fazem rastreamento de conhecimento bem. A Fulcrum Labs tem um motor proprietário e os estudos de caso para comprová-lo. Os players de EdTech — empresas como a Riiid, que captou US$ 256 milhões — têm modelos reais de rastreamento de conhecimento. Mas a Fulcrum precisa que você migre seu conteúdo para a plataforma dela, e os modelos de EdTech foram feitos para testes padronizados e educação básica, não para fluxos de trabalho de PLD e evidências de auditoria. E as Big Four? Deloitte e PwC vão te cobrar um projeto de transformação da força de trabalho de US$ 500.000 a US$ 5 milhões e instalar a Cornerstone ou o SAP lindamente. Elas configuram a plataforma do fornecedor. A inteligência adaptativa continua pertencendo ao fornecedor, não a você.

A maioria das empresas não precisa arrancar seu LMS. Elas precisam de uma camada de inteligência que se conecte ao que já têm.

É nessa lacuna que atuamos: um motor de rastreamento de conhecimento que fica em cima do seu sistema de aprendizagem existente e conversa com ele por meio de padrões abertos — xAPI para capturar dados granulares de interação, LTI para transferir alunos de um lado para o outro. Você mantém seu LMS. Nós adicionamos o cérebro.

O Verdadeiro Risco Não É o Modelo — É a Marcação

Vou te contar aquilo que as demonstrações nunca mencionam, porque é o que de fato decide se um desses projetos dá certo. A parte mais difícil de construir aprendizagem adaptativa não é a rede neural. É a marcação de conteúdo.

Um modelo de rastreamento de conhecimento só pode rastrear o conhecimento que consegue ver. Cada questão do seu módulo de compliance precisa ser mapeada a um conceito — este item testa lavagem de dinheiro baseada em comércio, aquele testa triagem de sanções — ou o modelo não tem nada para atualizar. A maior parte do conteúdo corporativo chega como um monte de pacotes SCORM 1.2 que emitem um único sinalizador de conclusão e nenhuma estrutura de conceitos. Migrar para o xAPI significa montar um Learning Record Store, repensar sua governança de dados e arquitetura de rede e, muitas vezes, remarcar o conteúdo questão por questão. É pouco glamouroso, é onde mora o trabalho de verdade, e é por isso que desconfio de quem diz que aprendizagem adaptativa é um botão que você aperta.

Prefiro ser honesto sobre isso desde o início a ganhar um projeto com uma promessa que não posso cumprir. O modelo é a parte que posso te entregar em algumas semanas. A marcação é a parte que fazemos juntos, e é a parte que faz a diferença entre um sistema que produz evidência de domínio com qualidade de auditoria e um que produz vistos verdes mais bonitos.

O EU AI Act Vai Tornar o Rastreamento de Conclusão Inútil?

Por muito tempo, "competência versus conclusão" foi um argumento de qualidade — bom de ter, difícil de financiar. Isso está mudando por causa do EU AI Act. O Artigo 4, a obrigação de letramento em IA, está em vigor desde 2 de fevereiro de 2025, e a supervisão pelas autoridades nacionais de fiscalização de mercado começa em 2 de agosto de 2026. Ele exige que os funcionários sejam treinados em letramento em IA de uma forma apropriada ao seu papel — e a própria orientação da UE é explícita ao dizer que não há formato único para todos. Baseado no papel, ou não conta.

Pense no que isso faz com o modelo do visto verde. "Todo mundo assistiu ao mesmo vídeo de ética em IA" é exatamente o que o Artigo 4 foi feito para rejeitar, e as penalidades sobre as disposições de alto risco chegam a € 35 milhões ou 7% da receita global. Os reguladores já mostraram que vão aplicar multas enormes por falhas de treinamento em domínios adjacentes — o TD Bank levou uma penalidade de US$ 3,1 bilhões atrelada a um programa inadequado de compliance de PLD. O custo de tratar treinamento como teatro não é mais hipotético.

Há uma segunda pressão que eu não previa quando comecei, e é quase engraçada. Os funcionários descobriram que podem se apoiar em assistentes de IA para passar batido pelos módulos de compliance — responder ao questionário, clicar em concluir, não aprender nada. O HR Morning noticiou isso em 2026, e o Gartner chegou a prever que, ao longo de 2026, metade das organizações vai exigir avaliações de habilidades "sem IA" por causa da atrofia do pensamento crítico. Quando sua força de trabalho consegue forjar a conclusão em escala, a conclusão deixa de significar qualquer coisa. A única resposta duradoura é medir o que alguém realmente sabe — que é justamente o que o rastreamento de conhecimento foi criado para fazer.

O Que Eu Diria Àquela Diretora de Compliance Agora

As pessoas me perguntam se tudo isso vale a pena para treinamento, justo para treinamento — não é engenharia em excesso para uma obrigação corporativa de que ninguém gosta? Minha resposta é que estamos fazendo engenharia de menos nisso há vinte anos, e a conta está vencendo por dois lados ao mesmo tempo: uma meia-vida de habilidades que despencou para menos de cinco anos e um regulador prestes a pedir evidências que, na maior parte, não temos. Apenas 26% dos líderes hoje sequer se sentem capazes de medir o ROI de treinamento. Aquilo que escolhemos não medir é justamente o que venceu.

Penso naquela pasta de quinhentos vistos verdes. A tragédia não era que o treinamento fosse ruim. Era que a organização havia gasto dinheiro de verdade e horas de verdade e acabou sabendo menos do que pensava que sabia — com confiança, por escrito, com trilhas de auditoria. A analista sênior estava entediada e o novo gerente estava perdido, e o sistema reportou ambos como sucesso.

Se eu pudesse voltar e entregar a ela uma única coisa, não seria um vídeo melhor. Seria o mapa de calor — quinhentas linhas, cinco conceitos, cada célula um número que ela realmente poderia defender. Não "todo mundo passou". Algo mais verdadeiro e muito mais útil: aqui está exatamente o que cada uma dessas pessoas sabe, e aqui está o que vamos fazer a respeito do resto. Esse é o sistema que construímos, e quanto mais tempo faço isso, mais convencido fico de que "concluído" nunca foi a resposta para uma pergunta que alguém de fato tinha.