Os 8 estágios de problem-solving da McKinsey com IA

Vi um post no LinkedIn sobre uma skill de problem-solving no estilo McKinsey (“AI for Strategy”) e ele me fez parar. A promessa de virar consultor da noite pro dia eu descarto. O que me interessou foi a espinha por trás: as consultorias top têm um método de oito estágios pra atacar qualquer problema, e esse método combina muito bem com IA. Não porque a IA pensa por você, mas porque ela aguenta a estrutura sem cansar.

Vou passar pelos oito estágios na minha leitura, com o que você faz na prática em cada um quando tem uma IA do lado. Crédito pra fonte original do enquadramento; a aplicação abaixo é a forma como eu rodaria.

1. Enquadrar a pergunta

Tudo trava aqui. Antes de qualquer análise, você precisa de uma única pergunta de decisão, daquelas que se respondem com sim, não, ou um número. “Devo entrar no mercado X até o fim do ano?” funciona. “Como vai o mercado X?” não funciona, porque não decide nada.

O erro mais comum com IA é pedir análise antes de ter a pergunta. Faça o contrário. Peça pra ela te ajudar a afiar a pergunta primeiro: “essa pergunta é decidível? Falta escopo, prazo ou critério?”. A IA não começa pela análise, começa pela pergunta certa.

2. Mapear a lógica

Com a pergunta travada, você quebra ela numa árvore de questões menores. O conceito-âncora aqui é MECE: mutuamente exclusivas, coletivamente exaustivas. Cada ramo é separado dos outros (sem sobreposição) e juntos eles cobrem o problema inteiro (sem buraco).

Peça pra IA montar essa árvore e estresse os ramos: “esses pedaços se sobrepõem? Falta algum?”. Você estrutura antes de tocar em qualquer dado. É a parte que mais gente pula e a que mais economiza retrabalho depois.

3. Focar o trabalho

Nem todo ramo da árvore merece análise profunda. Aqui entra o 80/20: alguns poucos ramos vão mover a resposta, o resto é ruído educado. Você identifica os que importam e ignora o resto sem culpa.

A IA ajuda a estreitar o esforço. Mostre a árvore e pergunte: “se eu pudesse analisar só três desses ramos, quais mudariam mais a resposta final?”. O objetivo é gastar energia onde a decisão se move, não onde é confortável.

4. Planejar as análises

Antes de rodar qualquer número, você transforma os ramos prioritários em plano. Para cada um: que análise responde isso, que dado preciso, de onde ele vem, e o que depende do quê. Isso vira o seu mapa de trabalho.

Use a IA pra montar esse plano explícito: workstreams, dados necessários, dependências. Sem essa etapa, você corre o risco de rodar uma análise que depende de outra que você ainda nem começou. Planejar aqui é o que evita refazer tudo na metade do caminho.

5. Rodar as análises

Agora você executa, e é onde a maioria das pessoas usa IA mal. O método é hipótese-led: você parte de uma resposta provável e testa contra a evidência, em vez de coletar dado solto esperando que um padrão apareça.

Para cada ramo, declare a hipótese e peça pra IA stress-testar contra os dados, não resumir. A diferença é prática. “Resuma esses números” devolve um parágrafo morno. “Minha hipótese é que o custo cai com escala; os dados sustentam isso? Com que nível de confiança? Onde quebram?” devolve um teste. Anote o nível de confiança de cada achado. É isso que torna o resultado defensável depois.

6. Integrar a resposta

Achados soltos não são uma resposta. Aqui você junta tudo numa visão única e coerente: o que cada ramo provou, como eles se encaixam, e qual história eles contam juntos.

A IA serve de checadora de consistência. Mostre os achados e pergunte: “isso fecha numa resposta só? Tem contradição entre os ramos?”. Se dois pedaços se contradizem, você descobre agora, não na frente do tomador de decisão.

7. Moldar a recomendação

A resposta vira recomendação quando você traduz em ação. O que fazer, quanto isso economiza ou gera, e quais riscos vêm junto. O teste mental: imagine uma sala de executivos céticos tentando furar cada linha. Se eles furam, volte.

Peça pra IA fazer o papel do cético: “ataque essa recomendação. Onde os números são frágeis? Que pergunta um CFO desconfiado faria?”. Você quer descobrir os furos antes da reunião, não dentro dela.

8. Empacotar a história

A última etapa separa duas coisas que normalmente se confundem: o que você diz e como você renderiza. A mensagem é uma só. O formato muda: pode virar deck, memo de uma página ou board paper.

O princípio-âncora é a comunicação answer-first, resposta primeiro. Você abre com a conclusão, depois sustenta. Ninguém numa reunião de decisão quer suspense. Peça pra IA escrever a mensagem central em uma frase e depois renderizar nos três formatos a partir dela. A mesma resposta, embalagens diferentes.

Por que isso importa

A tentação com IA é achar que a ferramenta resolve. Você joga o problema na máquina e espera a resposta. Não é assim que funciona, e os oito estágios mostram por quê: o trabalho de verdade está em enquadrar a pergunta, estruturar a lógica e estressar as hipóteses. A IA é rápida em todas essas etapas, mas só se você impuser a estrutura.

A vantagem, me parece, está em como você raciocina, não na ferramenta que você usa. Duas pessoas com o mesmo modelo e a mesma pergunta vão chegar em lugares muito diferentes se uma seguir esses oito estágios e a outra só pedir “me ajuda a resolver isso”. A estrutura é a vantagem. A IA só acelera quem já a tem.