Learning path personalizado por IA para desenvolver líderes na Amazon
O Accelerate é um programa de desenvolvimento de liderança para gestores L4 e L5 da Amazon, baseado em um framework interno de competências comportamentais (soft skills), organizado em um success profile com múltiplas capabilities e níveis de proficiência.
O desafio era transformar esse modelo teórico em uma jornada prática, contínua e personalizada de desenvolvimento.
Problema:
- O success profile existia, mas não era operacionalizado no dia a dia
- O aprendizado ficava concentrado em sessões presenciais, sem continuidade
- Não havia personalização: todos recebiam a mesma experiência
- Falta de prática real para habilidades comportamentais
Solução:
- Criação de um learning companion app com engine de personalização por IA
- Onboarding guiado para mapear estágio atual, objetivos e interesses do usuário
- Geração automática de um learning path com tarefas práticas, sociais e teóricas
- Integração com conteúdos internos (LMS da Amazon) e externos
O usuário passa a ter uma jornada estruturada, contínua e adaptada às suas lacunas reais de desenvolvimento.
Tecnologias usadas:
- Amazon Bedrock (IA generativa)
- AWS Lambda + DynamoDB
- LMS interno da Amazon (Learn)
- Frontend web customizado
Arquitetura do learning path e visão de longo prazo
O ponto central foi transformar o success profile — originalmente um framework estático — em um sistema dinâmico de desenvolvimento. A arquitetura parte de três camadas:
- Diagnóstico
- Autoavaliação em múltiplas competências
- Captura de objetivos de carreira e interesses
- Engine de decisão
- Identificação das principais lacunas (focus areas)
- Priorização de desenvolvimento baseada em contexto individual
- Orquestração do aprendizado
- Geração de um plano com tarefas progressivas
- Balanceamento entre ללמוד (teoria), prática e interação social
Essa abordagem evitou um problema comum: criar apenas mais conteúdo. Em vez disso, o foco foi criar um sistema que decide o que o usuário deve fazer. Além disso, a solução reduz custo operacional:
- Não depende de curadoria manual contínua
- Escala para qualquer número de usuários
- Reutiliza conteúdos existentes (LMS + internet)
Como criar um learning path que realmente funcione?
A principal armadilha ao criar learning paths é tratá-los como uma sequência de conteúdos. Neste projeto, a decisão foi tratá-los como um sistema de mudança de comportamento. Tudo começa no onboarding. O onboarding não foi pensado apenas para coletar dados, mas para gerar contexto suficiente para tomada de decisão
Com isso, o sistema evita um erro comum: definir aprendizado apenas com base em “fraquezas”. Em vez disso, considera lacunas + intenção + contexto. A segunda decisão crítica foi como transformar esse diagnóstico em ação. Ao invés de gerar trilhas longas e passivas, o learning path foi estruturado como uma sequência de tarefas curtas e executáveis, com quatro princípios:
- Ação antes de conteúdo
O usuário não começa lendo — começa fazendo. - Mistura de formatos
Cada competência é desenvolvida por múltiplos ângulos: estudo, prática, interação social e reflexão. - Aplicação no contexto real
Sempre que possível, as tarefas acontecem no próprio ambiente de trabalho (ex: conversas com liderados). - Progressão controlada
O sistema libera tarefas sequencialmente, evitando sobrecarga e garantindo foco.
Outro ponto importante foi evitar dependência de curadoria manual.
A engine de IA permite gerar planos personalizados sem criar novos conteúdos — apenas reorganizando e contextualizando o que já existe. Por fim, a experiência foi desenhada para responder uma única pergunta do usuário, repetidamente: “O que eu faço agora?” O learning path funciona quando elimina ambiguidade. Não oferece opções — oferece direção clara.
Funcionalidades do learning path
O learning path gerado pela IA inclui:
- Tarefas de estudo
- Conteúdos do LMS da Amazon
- Materiais externos contextualizados
- Tarefas práticas
- Aplicação direta no trabalho
- Simulações e exercícios
- Tarefas sociais
- Conversas estruturadas com equipe e pares
- Prática de feedback e liderança
- Tarefas de reflexão
- Revisão de decisões e comportamentos
- Consolidação do aprendizado
As tarefas são organizadas de forma progressiva, com:
- Níveis de dificuldade crescente
- Estrutura em subtarefas
- Sistema de pontos e progresso
Ao longo do desenvolvimento, ajustes importantes foram feitos:
- Redução de tarefas genéricas
- Maior contextualização por role e nível (L4 vs L5)
- Balanceamento entre esforço e valor percebido
Produto final: learning path inteligente e customizado para cada aprendiz
- Transformação de um framework estático em um sistema ativo de desenvolvimento
- Aumento da continuidade do aprendizado fora das sessões presenciais
- Personalização real da jornada de liderança
- Criação de um modelo escalável de upskilling baseado em IA
Aprendizados:
- O valor não está no conteúdo, mas na orquestração do que fazer
- Soft skills exigem prática real — não apenas consumo
- Personalização aumenta engajamento, mas precisa de estrutura clara
Próximos passos:
- Evoluir o modelo com dados comportamentais (não só autoavaliação)
- Refinar a engine de recomendação
- Conectar aprendizado com métricas de performance real