As empresas compram licenças de IA, dão treinamentos, festejam taxas de conclusão e veem equipes copiando dados manualmente, buscando status por e-mail e reconstruindo relatórios todo mês. Esse é o padrão de desperdício. A ferramenta está lá, o gasto é real, mas o trabalho mal avança porque o modelo antigo rastreia a exposição, não há mudança. Um selo não informa se o analista financeiro fechou mais rápido. A frequência não informa se um gerente de projeto levou uma decisão bloqueada adiante na metade do tempo. E se não mostrar minutos recuperados, menos erros ou ações rápidas, a IA continua sendo um custo. Portanto, neste vídeo, quero simplificar o modelo de medição. Tempo economizado, velocidade ganha, erros reduzidos, não na teoria e em tarefas reais. É aí que o ROI começa a aparecer. O modelo antigo quebra. Por que as métricas de certificação não mostram o ROI? A maioria dos programas de treino em IA ainda segue o modelo de conformidade.

As pessoas assistem a uma sessão, concluem um módulo, talvez passem um teste e a liderança ganha um painel com números. Teste de conclusão, participação, confiança, autorrelatar. Parece organizado e esse é exatamente o problema, porque métricas organizadas podem esconder uma realidade confusa, especialmente quando o trabalho em si não mudou nada após o término do treinamento. O que normalmente acontece é simples. Uma equipe aprende o que é um prompt, vê demonstrações genéricas e logo volta ao Outlook, Excel, Teams e fluxos de relatórios que rodam da forma antiga. A pessoa pode saber mais sobre IA do que antes, mas o relatório mensal ainda demora muito. A transferência ainda interrompe. O acompanhamento ainda depende de alguém se lembrar de enviá-lo. A lacuna não é apenas de conhecimento, é de comportamento. E o nível mais profundo é aqui que a maioria das empresas perde o rumo. Elas medem o ruído de uso em vez da compressão do trabalho.

Pesquisas no seu conjunto de fontes mostram uma enorme diferença entre usuários típicos e avançados, cerca de 4 a 5 vezes mais produtivos. Isso significa que os números médios de adoção não dizem quase nada. Uma empresa pode dizer que as pessoas estão usando IA e ainda não perceber que apenas um pequeno grupo está transformando esse uso em produção mais rápida. Por isso as taxas de conclusão parecem seguras, mas não provam valor. Eles informam que alguém concluiu o treinamento. Não informam se um pacote de relatórios passou de 20 minutos para 45 segundos em parte do processo, o que é um dos parâmetros financeiros da pesquisa. Não informam se os funcionários estão recuperando cerca de 9 horas por mês, em média, o que aparece em vários estudos do Copilot. E definitivamente não informam se uma decisão agora é 8 vezes mais rápida, ou se o tempo para obter insights caiu 88% em uma implementação medida.

Esses são sinais de resultados. Todo o resto está configurado. A outra quebra no modelo. Muitos pilotos nunca estabelecem uma linha de base real, então não podem provar a mudança mais tarde. A pesquisa em seu material mostra que 95% dos pilotos de IA empresarial não geraram impacto mensurável no P&L. Não porque as ferramentas falharam por conta própria, mas porque as organizações pularam as partes difíceis, redesenhando fluxo de trabalho, propriedade e medição pré-alta após produção. Se não sabe quanto tempo a tarefa levava antes da qualificação, não pode defender ganhos após a implementação. Isso fez sentido para mim quando observei como os líderes falam sobre adoção. Muitas vezes perguntam quantas pessoas usaram o Copilot Estimido. Parece razoável, mas é a pergunta errada. A melhor pergunta é qual tarefa ficou mais curta, mais limpa ou mais rápida de decidir. Porque usar IA com mais frequência não é mesmo que comprimir o trabalho.

Alguém pode enviar comandos o dia todo e gerar retrabalho, atrasos e resultados fracos que outros precisam corrigir. O treinamento precisa sair do âmbito da alfabetização genérica e focar na capacidade baseada em funções. Não aprender IA. Aprenda a construir uma explicação de variação mais rapidamente. Aprenda a transformar o ruído da reunião em acompanhamento pronto para ação. Aprenda a reduzir o tempo de tratamento dos tiques sem afetar a qualidade. Ao trocar a lógica de emblema pela de fluxo de trabalho, o ROI torna-se muito mais fácil de ver. O modelo de medição é a estrutura de minutos recuperados. Então, ao deixar de medir o treino por frequência, você precisa de um modelo que ligue o comportamento ao dinheiro. Seja claro. O ROI é igual ao tempo economizado, multiplicado pelo custo por hora e taxa de adoção, depois adicione o valor de menos erros e decisões mais rápidas e subtraia o investimento em requalificação.

Essa é toda a estrutura. Não é perfeito, mas é utilizável. E isso importa mais, pois as discussões sobre ROI de IA falham quando a matemática se torna abstrata demais para os gestores. Simplificando ainda mais, você não está comprando IA, está comprando horas de trabalho de volta e está tentando mover essas horas para o trabalho que importa mais. Análise, planejamento, escalonamento, resposta ao cliente, melhor julgamento. Se as horas desaparecem no tempo ocioso, o valor enfraquece. Se essas horas retornam ao negócio com resultados mais rápidos ou melhores decisões, o valor aparece. Comece com o tempo de recuperação porque é o sinal mais claro. Nessas horas economizadas por funcionário mensalmente, apenas em fluxos nomeados, não onde a IA ajudou um pouco. Isso é inútil. Rastreie uma tarefa, limpe os dados no Excel, esboce uma nota de variação mensal, crie um resumo de reunião e uma lista de ações.

Em seguida, compare o tempo manual com o tempo assistido por IA nas mesmas condições. Mesma função, mesma tarefa, mesmo nível de complexidade. É assim que facilita a matemática da fantasia. O que a maioria das pessoas não percebe é que as médias distorcem o quadro rápido. Uma pessoa pode economizar 15 minutos, outra pode economizar 2 horas. Portanto, não comece com suposições amplas para toda a empresa. Comece no nível do fluxo e suba gradualmente. Se um analista financeiro economiza pouco em uma tarefa mensal repetitiva, essas horas recuperadas acabam por se acumular. Pesquisas em seu conjunto de fontes mostram que mesmo economias mensais modestas podem justificar a licença rápida quando o valor da hora do funcionário é alto o suficiente. Em seguida, adiciona a velocidade de decisão. Isso é importante porque muito do valor da IA não aparece como uma simples redução de trabalho. Ele aparece como menos espera entre o problema e a ação.

Mestre o tempo do ciclo, desde o problema identificado até a próxima decisão tomada. Em algumas equipes, isso significa da reunião ou acompanhamento. Em outras, a variação sinalizada até a resposta da gerência. E como isso é fácil de falsificar com histórias vagas, use tempos de pré e pós treinamento. Mesma equipe, mesmo tipo de decisão, mesmo caminho de aprovação. Você tem suporte para isso na pesquisa. Algumas organizações relataram decisões oito vezes mais rápidas e tempo para obter insights reduzidos em 88% da IA. Agora, você não deve usar esses números como promessas universais porque eles dependem do fluxo de trabalho e da configuração, mas eles mostram o que acontece quando a IA reduz o atrito entre a coleta de informações e a ação. E é com isso que os executivos se preocupam, pois decisões lentas costumam custar mais do que a criação lenta de documentos. Depois disso, escolha mais uma métrica com base na fusca.

A redução de erros funciona bem em fluxos financeiros ou com muita conformidade. A produtividade funciona bem em operações e serviços. O custo por decisão pode funcionar para processos de gerenciamento em que o mesmo problema continua arrastando várias pessoas para o ciclo. O objetivo não é criar um painel gigante, é combinar uma medida de qualidade ou saída com o fluxo de trabalho para que a velocidade não esconda o trabalho ruim. Agora, disciplina básica. Esta é a parte que quase todo mundo quer pular porque parece chata e é exatamente por isso que tantas reivindicações de ROI fracassam mais tarde. Antes do treinamento, cronometre a tarefa, conte o retrabalho e registre a duração da transferência. Em seguida, execute o mesmo teste após a atualização de direção. Se a tarefa mudou, anote. Se o volume mudou, anote. Se a qualidade dos dados melhorou, anote. Comparações claras protegem em todo caso.

A adoção ainda importa, mas com multiplicador, não com um troféu. Uma licença que fica ociosa, arrasta o modelo para baixo. Pesquisas em suas fontes apontam que a utilização de assentos em grandes empresas de 55%, logo, muita capacidade paga, nunca entra no fluxo de trabalho. Não pergunte apenas se os usuários fizeram login, mas se o comportamento treinado apareceu repetidamente na tarefa de destino. Esse é o sinal de adoção que vale a pena arrastar. Mas uma distinção importa. O tempo bruto economizado não é o mesmo que valor criado. Se um analista economiza uma hora, essa hora só importa quando passa para uma análise mais profunda, escalonamento mais rápido, melhor planejamento ou mais trabalho para o cliente. Portanto, o modelo completo é realmente este. Recuperar um minuto e depois reimplante? É assim que a IA deixa de parecer gás com o software e começa a parecer alavancagem operacional.

Mas onde o ROE aparece primeiro? As três funções com alta densidade de ROE. Depois que o modelo ficar claro, a próxima pergunta é por onde começar? Não com todos, nem com o departamento mais barulhento. Comece onde o trabalho é repetitivo, com muitos documentos e repleto de pequenas decisões que deixam tudo lento ao redor. É aí que a qualificação em A se intensifica. Você treina um comportamento, ele aparece dezenas de vezes por semana, e o ganho continua aumentando sem aumentar o número de funcionários. Os analistas financeiros estão perto do topo dessa lista, porque grande parte da semana deles é ocupada por dados estruturados, comentários recorrentes, reconciliações e ciclos de relatórios que prejudicam o esforço manual. Eles trabalham no Excel, limpam entradas, comparam versões, explicam movimentos e transformam números brutos em algo que a liderança pode resolver. Esse é exatamente o tipo de trabalho onde a IG por funções reduz o atrito, pois a trava raramente exige um julgamento profundo.

É o trabalho antes do julgamento, coleta, modelagem, rascunho e verificação e reescrita. Na pesquisa, equipes financeiras relatam grandes economias mensais, e projetos piloto mostram o trabalho de relatórios reduzidos de longos ciclos manuais a rascunhos ágeis. Esse padrão importa mais do que qualquer número principal. Os analistas não deixam de ser analistas, eles param de gastar tanto tempo criando a primeira versão do resultado. Quando essa mudança ocorre bem, você vê uma recuperação real da capacidade, geralmente na faixa de 30% ou 50% para tarefas específicas, e os ciclos fechados começam a se mover com menos confusão no final. Os gerentes de projetos são outra zona de rói densa, mas por um motivo diferente. O trabalho deles fica soterrado por carga de coordenação, coleta de status, notas, ações, riscos, acompanhamentos e atualizações para os stakeholders. Nada disso é trivial, e tudo isso cria atrasos quando as informações ficam em bate-papos, apresentações ou notas inacabadas em vez de serem encaminhadas para decisões.

Quando os PMs aprendem a usar a IA no fluxo de trabalho, e não como um teste isolado, o ganho aparece no fluxo. Um ciclo de preparação semanal que consumia 6 horas cai para 2 quando resumos. Extração de ações e atualizações de rascunhos ocorrem nas ferramentas que já usam. Mais importante, o resultado chega em um estado melhor para a ação, as pessoas não precisam reconstruir o que aconteceu na reunião. Elas podem ver o risco, o responsável, o prazo, o próximo passo. Por isso que os ciclos de decisão podem se mover de 25% mais rápido nesses ambientes. A velocidade não vem de digitar mais rápido, mas sim da redução do atraso entre discussão e execução. Em seguida, temos as operações de linha de frente e o suporte, onde o volume realiza o trabalho econômico. Essas equipes lidam com perguntas repetidas, comunicações repetitivas, recuperação de conhecimento, resumos de casos e alternância constante entre sistemas.

Pequenas economias são importantes aqui, porque acontecem um dia todo. Se o fluxo de trabalho de suporte cai de 12 minutos para 7 minutos, essa lacuna se repete em centenas ou milhares de interações, e de repente a produtividade aumenta sem a resposta usual, que é contratar mais pessoas. É também aqui que a pressão pela qualidade se torna real. A equipe não pode apenas acelerar, precisa cumprir metas, manter a precisão e garantir a estabilidade da resposta. Por isso que tais funções se beneficiam de prontos mais rígidos e casos de uso restritos desde o início. Elabore a resposta, extraia o conhecimento certo, resuma o caso e deixe o humano confirmar os casos extremos. Quando essa disciplina está em vigor, os ganhos de produtividade, na faixa de 20%, 40%, começam a parecer críveis, não inflacionados. Portanto, a regra de seleção é simples. Não distribua o treinamento uniformemente pela organização, porque isso parece justo.

Coloque onde a IA agrega a produção por meio de repetição, documentação e carga de decisão. As finanças oferecem compressão mensurável na preparação da análise. O gerenciamento de projetos oferece movimento mais rápido por meio da cordão. As operações e o suporte oferecem ganhos de volume com métricas de serviço claro. Funções diferentes, mesmo padrão. O trabalho avança com menos atrito, pois as informações chegam prontas para a tomada de decisão. E essa é a lente a continuar usando conforme avançamos para os exemplos, pois o sinal fica mais forte ao parar de perguntar quem usou a ferramenta e cortou. Prova no fluxo de trabalho três casos concretos de antes e depois. Então, vamos ser específicos porque este é o ponto em que o ROI da IA se torna defensável ou se transforma em névoa na sala de reunião. Considere as finanças primeiro. Antes da atualização direcionada, um ciclo de relatórios mensais pode se estender por cinco dias, não porque a análise em si leva cinco dias, mas porque os analistas gastam muito desse tempo reunindo números, verificando a formatação, elaborando comentários e escrevendo o mesmo estilo de explicação de variação repetidamente e...

Comportamento treinado muda essa sequência. Em vez de começar do zero, o analista usa IA para elaborar a primeira passagem no comentário. Resumir o movimento entre as categorias e estruturar a explicação para revisão, fechamento não desaparece. O analista ainda avalida os números, mas o arrastar e soltar manual e o ciclo pode passar de cinco dias para dois. O ganho real é o que acontece a seguir. Essas horas recuperadas não são devolvidas para relatórios mais bonitos. Elas vão para o planejamento de cenários, revisão de exceções e acompanhamento ágil com os decisores. Observe o gerenciamento de projeto. O problema básico geralmente não é a falta de esforço, é a fragmentação. Anotações em um lugar, ações em outro, riscos enterrados em uma reunião que ninguém tem tempo de rever. Um PM gasta facilmente seis horas por semana apenas formatando status para uso. Após o treinamento por função, o fluxo de trabalho muda.

As notas das reuniões são resumidas em um padrão consistente. As ações são apresentadas com os responsáveis e os prédios. Os riscos e bloqueios aparecem mais cedo, porque o PM não os está reconstruindo manualmente após o fato. Esse tempo de preparação pode cair de seis horas para dois e a maior vitória está mais adiante. As escalações acontecem mais cedo. As partes interessadas recebem atualizações para hoje. Menos decisões param porque o acompanhamento chega atrasado, incompleto ou pouco claro. O que mudou não foi o cargo do PM, foi a velocidade com que as informações se tornaram a utilizar. Depois, saiu o suporte às operações, onde a matemática se torna muito visível muito rapidamente. Comece com um caso comum. Tempo médio de tratamento é de doze minutos porque as pessoas procuram a resposta certa, escrevem a resposta do zero, resumem o caso e depois passam para o próximo que já está atrasado.

Após o aprimoramento de habilidades, a gente usa a IA para rascunhar respostas, obter dados de conhecimento aprovado e criar resumos que evitam a repetição de buscas. O tempo de processamento pode cair de doze para sete minutos. Isso importa por si só, mas o sinal mais forte é a alta estabilidade. Mais casos são resolvidos dentro do alvo. A qualidade da primeira resposta melhora porque a resposta começa com um rascunho fundamentado em vez de uma escrita manual apressada e a equipe ganha espaço para respirar sem aumentar o pessoal. Em todos os três casos a estrutura permanece a mesma. de linha de base. Você treina o comportamento dentro dessa tarefa. O fluxo de trabalho fica mais curto. Uma capacidade liberada se move para algum lugar o outro. Essa estrutura repetiva é importante porque mantém o caso de negócios honestos. Você não está ligando mágica. Está mostrando para onde o tempo foi, o que mudou e o que a equipe fez com o ganho.

Os benchmarks externos em sua pesquisa confirmam esse padrão sem substituir a prova interna. Em estudos do Microsoft Copilot os usuários relatam a economia média de tempo mensal. Uma grande parte relata chegar a um bom primeiro rascunho mais rápido. Em implantações medidas equipes relatam insights mais rápidos e melhor decisão ao vincular a IA a um fluxo real em vez de ela flutuar como um assistente de uso geral e afetar. Esses sinais de referência são úteis porque mostram que seu resultado interno não é isolado mas devem dar suporte ao caso não sustentá-lo. Não sustentá-lo. E é disso que os líderes de disciplina precisam. Não pergunte se a IA afetou o processo. Pergunte se o processo agora se move com menos atraso, menos retrabalho e melhor uso de pessoas qualificadas. Em cada um desses casos a IA não removeu a função. Ela removeu o atraso entre a chegada das informações e o início da ação.

Essa é a vantagem. Mas isso só se mantém se o sistema ao redor for controlado pois quando os resultados variam, fontes se confundem ou pessoas improvisam em fluxos de alto risco o ganho aparente some sobre o trabalho de correção.

A linha dura, a governança que protege o ROE. Agora, a parte que muito conteúdo de IA pula porque parece menos empolgante do que ganho de produtividade a governar. Mas se você deixar isso de fora seu modelo de ROE se torna fraco rapidamente pois resultados ruins criam trabalho de revisão oculto decisões fracas e risco de ninguém ser precificado no início. Comece com o limite de dados. A IA deve funcionar apenas com fontes de dados aprovadas sob regras de acesso claras com entradas nas quais as pessoas podem confiar. Se a fonte estiver desatualizada, confusa ou for retirada do lugar errado o resultado pode parecer refinado mas ainda assim levar a equipe na direção errada isso é caro. Nem sempre de forma visível mas em segundas verificações se é trabalho aprovações atrasadas e perda de confiança. Portanto, a regra operacional precisa permanecer assim. Dados controlados entram. Saída revisável sai.

Mantenha um ano no circuito onde a responsabilidade se localize de fato. A IA pode redigir, resumir, sugerir padrões mas aprovações, exceções e decisões finais ainda pertencem às pessoas. Isso não é cautela por si só é como você protege a qualidade da decisão e ainda obtém o benefício da velocidade. Especialmente em finanças, risco de projeto, casos de clientes ou algo com consequências regulatórias. Alguém deve assumir o julgamento. Não o prompt. É aqui que a análise de caso de uso ajuda. Trabalhos de baixo risco escalam primeiro. Resumos, rascunhos de e-mails, ações e primeiras análises. Esses são bons lugares para criar hábitos porque o lado positivo é fácil de ver e o lado negativo é fácil de detectar. Em seguida, você passa para o suporte e análise monitorada em que a IA ajuda a estruturar o pensamento mas não fecha o ciclo sozinha. A automação de alto risco permanece restrita e controlada pois se o fluxo envolve risco financeiro, jurídico ou de serviço o custo de um erro sobe rápido.

Sem essa divisão as empresas confundem tudo. Elas tratam um resumo de reunião e um caminho de decisão sensível como se tivesse o mesmo risco. Quando as pessoas não conseguem ver o limite elas confiam demais na ferramenta ou a evitam completamente. Ambos maluco. Os padrões são importantes. Solicitações aleatórias produzem trabalho. Se cada funcionário inventar sua própria maneira de solicitar resumos, rascunhos e análises a qualidade se espalha por todo o lugar e os gerentes acabam analisando diferenças de estilo em vez do valor comercial. Padrões de prompt compartilhados, guias de papéis e exemplos simples reduzem-se de vida. Não porque as solicitações sejam estratégia mas porque o comportamento repetível reduz o retrabalho. A medição também não pode parar após a implementação. Você precisa de uma visão ao vivo do tempo poupado, adoção, taxas de exceção, retrabalho, quedas na qualidade. Senão os ganhos iniciais podem mascarar a decadência.

Uma equipe parece veloz no papel mas o trabalho de correção se acumula em outro lugar. Isso não é ROI. Isso é custo transferido pela outra parte do sistema. E este é o ponto executivo. A governança não desacelera o valor. Ela protege o valor de ser exagerado. Líderes não financiam o que parece inteligente. Financiam o que podem auditar, comparar e defender se os resultados forem questionados. Portanto, se o programa de app puder mostrar entradas limpas, propriedade clara, níveis sensatos, resultados mensuráveis, ele deixa de parecer experimentação e começa a parecer experimento operacional. Depois que esses controles são incorporados ao modelo, expandir o uso da IA deixa de parecer uma aposta no entusiasmo e começa a parecer uma escolha empresarial gerenciada. Escalando sem desperdício. Como expandir o piloto para o modelo operacional? Depois disso, o próximo erro é escalar muito cedo. Um piloto mostra a promessa.

A liderança fica animada e então as licenças se espalham pela empresa antes que alguém tenha definido o padrão que realmente produziu o resultado. É aí que o dinheiro vaza. Não porque a ferramenta parou de funcionar, mas porque o modelo operacional nunca se formou em torno dela. Um caminho melhor começa pequeno e específico. Escolha de 3 a 5 fluxos de trabalho para cada cargo. Não 10. Nem todos os casos de uso possíveis, apenas os fluxos de trabalho com volume de repetição, atrito visível e relevância comercial clara. Capture a linha de base antes que qualquer coisa mude. Em seguida, treine as pessoas na tarefa e ensinam um tour genérico de recursos. Um analista financeiro não precisa primeiro de uma ampla lição sobre as possibilidades da IA. Ele precisa saber como encurtar a redação de comentários, como limpar uma planilha recorrente mais rapidamente e como estruturar uma revisão de variação com menos idas e vindas.

Execute ciclos piloto curtos com metas de sucesso. As horas recuperadas apareciam. O tempo do ciclo caiu. A qualidade permaneçável. Os usuários treinados continuaram usando o padrão após a primeira semana. Esses são os sinais que importam. Se o uso ativo diminuir ou se o retrabalho aumentar, não expanda ainda. Corrige antes o fluxo de trabalho, orientação ou suporte. O crescimento sem essa disciplina apenas aumenta a confusão. O que ajuda aqui é criar pacotes de provas que falem a linguagem de cada parte interessada. CFO quer uma visão custeada da mão de obra recuperada e do desperdício evitado. O COO quer movimento no tempo de ciclo, rendimento e confiabilidade do serviço. O gerente de linha querendo saber se a equipe pode absorver mais trabalho, responder mais rápido ou reduzir tarefas manuais. Não apresente reivindicações gerais do fornecedor ou pedir a próxima fase. Exiba dados de função do seu ambiente vinculados a um fluxo de trabalho por vez.

O orçamento sem mudar. Muito gasto com ainda é destinado a certificações genéricas e eventos de treinamento pontuais que parecem organizados, mas não duram. O modelo mais forte investe em coaching integrado ao fluxo de trabalho, bibliotecas de prompts e reforço da gestão, pois tais mecanismos transformam uma demonstração útil em hábito. Pesquisa em seu conjunto de fontes também aponta nessa diz. Organizações de alto desempenho gastam mais em design e programa interno e suporte ao gerente e menos em certificação externa como a principal resposta. A expansão deve seguir clusters de funções e camadas de casos de uso. Se uma equipe financeira provar valor em suporte de relatórios e reconciliação, passe para fluxos de trabalho financeiros adjacentes. Se os PMs mostrarem ganhos em relatórios de status e rastreamento de ações avance para padrões de coordenação. Esse tipo de dimensionamento mantém sua forma.

Licenciamento geral raramente ocorre, pois o se expande além da capacidade. Mantenha uma pergunta antes de cada decisão de implementação. Isso mudou a forma como o trabalho se desenvolveu. Se a resposta for não, pare, porque o lucro não vem da adição de acesso à IA, mas sim da mudança do caminho da entrada para a ação de uma forma que a empresa possa medir. Tanto a mudança é simples. O ROI não vem do volume de treinamento. Ele vem de tarefas mais curtas, decisões mais rápidas e execução mais limpa dentro do trabalho que as pessoas já fazem. Escolha um fluxo de trabalho esta semana em finanças, gerenciamento de projetos ou suporte e avalie a versão manual em relação à versão assistida por IA após o aprimoramento direcionado e observe para onde vai a capacidade recuperada. Se isso mudou como você pensa sobre IA da Microsoft, siga o podcast M305FM, deixe uma avaliação. Conecte-se comigo, Mirko Peters, do LinkedIn, e me envie o próximo gargalo de fluxo de trabalho que deseja ver analisado.