Estamos ensinando as pessoas a usar IA, mas quem está ensinando as pessoas a pensar?

Há uma preocupação quase generalizada nas empresas hoje, de que precisamos ensinar as pessoas a usar Inteligência Artificial. Concordo. Seria um tanto ingênuo imaginar um futuro do trabalho no qual saber trabalhar com IA seja opcional.

Mas há outra pergunta que tem me incomodado bastante, talvez até mais do que quais ferramentas devemos adotar ou qual será o próximo modelo capaz de fazer em segundos aquilo que ontem levávamos horas para fazer:

se cada vez mais terceirizamos para a IA o exercício de pensar, pesquisar, escrever, comparar, organizar hipóteses e até decidir, como estamos formando as pessoas que amanhã precisarão julgar aquilo que a própria IA produz?

Tenho pensado muito nisso, principalmente quando observo profissionais mais jovens. E faço aqui uma ressalva importante antes que este texto seja interpretado como mais um capítulo da eterna guerra entre gerações (sim, porque toda geração acha que a seguinte à sua está perdida): não acho que seja um problema “dos jovens”. Acho que é um problema nosso — de quem os lidera.

Durante boa parte da minha carreira, aprender e trabalhar eram processos quase indissociáveis. Estudávamos, pesquisávamos, perguntávamos para alguém mais experiente, fazíamos uma primeira versão que muitas vezes estava ruim, recebíamos feedback, refazíamos, errávamos novamente e, com alguma sorte, errávamos um pouco menos da próxima vez.

Era eficiente? Muitas vezes, não. Mas era apenas ineficiência? Também não.

Performar melhor e aprender mais não são a mesma coisa

Existe um conceito bastante estudado na psicologia cognitiva chamado cognitive offloading: nossa tendência de transferir parte do esforço mental para recursos externos. Fazemos isso há séculos. Papel, calculadoras simples, depois as científicas, agendas, computadores pessoais e mecanismos de busca são, em alguma medida, extensões da nossa capacidade cognitiva.

E isso é ótimo. Não tenho qualquer nostalgia de trabalhos operacionais que hoje podem ser feitos em segundos (boa parte do meu estágio foi passando fax com mecânicas de promoção e pedidos de ações cooperadas com cálculo de pagamento em produtos para vendedores. Saudades? Não, obrigada, rs).

O problema é distinguir aquilo que era desperdício daquilo que, embora trabalhoso, também fazia parte do desenvolvimento.

A literatura sobre aprendizagem já mostrou de diferentes maneiras que esforço cognitivo, recuperação ativa da informação, tentativa, erro e até determinadas dificuldades durante o processo podem melhorar a retenção e a capacidade de aplicar o conhecimento posteriormente. Há inclusive um termo para isso: desirable difficulties — dificuldades desejáveis.

É parecido com o que acontece com um músculo. Para desenvolvê-lo, precisamos submetê-lo a algum grau de resistência. Tirar toda a resistência certamente torna o movimento mais fácil. Só não podemos esperar o mesmo desenvolvimento muscular.

Tenho a impressão de que precisamos começar a fazer essa distinção também no trabalho intelectual. Conhecimento, repertório, criatividade, capacidade de construir hipóteses, pensamento crítico e julgamento são, de certa maneira, músculos. Precisam ser exercitados.

Se eu não leio coisas diferentes, não conheço outras referências, não me exponho a situações que ainda não sei resolver, não testo hipóteses, não erro e não convivo com as consequências dos meus erros, como desenvolvo o repertório que me permitirá enxergar mais possibilidades da próxima vez? E aqui aparece um paradoxo interessante da IA.

Performar melhor com IA e tornar-se um profissional melhor são coisas totalmente diferentes.

Já existem pesquisas começando a observar esse fenômeno. Em um estudo com profissionais do conhecimento, pesquisadores da Microsoft identificaram uma associação entre maior confiança na IA e menor esforço de pensamento crítico autorrelatado em determinadas tarefas. Ao mesmo tempo, o estudo mostrou algo ainda mais interessante: o pensamento crítico não necessariamente desaparece com a IA; ele pode mudar de lugar. Sai parcialmente da produção e passa para atividades como definir objetivos, verificar respostas e avaliar resultados.

Ou seja: a IA muda onde precisamos pensar. Só que, para verificar uma resposta, eu preciso saber o suficiente para desconfiar dela, entende? E é aí que temos um problema.

Quem já tem repertório e quem ainda precisa construí-lo

Ao longo da minha carreira, liderei e mentorei profissionais das mais variadas idades e níveis de senioridade. E arrisco dizer que a discussão sobre IA é potencialmente mais delicada para quem está começando do que para quem já acumulou vinte ou trinta anos de experiência.

Um profissional experiente chega à IA carregando uma biblioteca que não está necessariamente organizada em livros (embora eu continue preferindo os de papel, rabiscados, grifados e cheios de anotações nas margens).

Essa biblioteca é feita de projetos que deram certo, projetos que deram errado, chefes excelentes, chefes nem tanto, clientes difíceis, decisões ruins, decisões excelentes, mercados que mudaram, crises, reuniões, negociações e algumas cicatrizes corporativas que convenientemente chamamos de “experiência”.

Existe uma história bastante repetida cuja autoria é incerta: alguém pergunta ao mestre como tomar boas decisões. “Experiência”, ele responde. E como se adquire experiência? “Tomando decisões ruins.” Bem simplista, claro. Mas há alguma sabedoria ali: a experiência desenvolve reconhecimento de padrões.

É por isso que, algumas vezes, um profissional muito experiente lê uma recomendação aparentemente impecável e pensa: “tem alguma coisa errada aqui”. Talvez ele ainda nem consiga explicar exatamente o quê. Mas já viu aquela história antes, ainda que com personagens diferentes.

A literatura sobre expertise mostra justamente que especialistas não possuem apenas mais informação do que novatos. Eles tendem a organizar conhecimento de maneira diferente e conseguem reconhecer estruturas profundas de problemas que pessoas menos experientes muitas vezes ainda não conseguem enxergar.

Agora imagine duas pessoas recebendo exatamente a mesma resposta de uma IA. Uma possui vinte anos de repertório. A outra, dois. A primeira talvez questione uma premissa, identifique uma inconsistência ou perceba que aquela recomendação funcionaria em determinado contexto, mas seria um desastre em outro. A segunda pode simplesmente pensar: parece ótimo.

E é aqui que está o problema: se quem está começando usar a IA justamente para evitar as experiências que ajudariam a construir esse repertório, de onde virá sua futura capacidade de julgar aquilo que a IA produz?

Produzir e aprender estão se separando

Talvez essa seja uma das mudanças mais importantes que a IA está trazendo para o desenvolvimento profissional.

Durante muito tempo, havia uma relação relativamente forte entre a qualidade de uma entrega e o domínio de quem a produziu. Ela nunca foi perfeita, claro, mas existia. Hoje essa relação está ficando mais fraca.

Uma pessoa pode entregar uma excelente análise sem compreender profundamente o assunto. Pode produzir uma apresentação impecável sem conseguir defender suas premissas. Pode elaborar um plano estratégico sem saber explicar por que determinada escolha foi feita. Pode até escrever muito bem sem saber escrever muito bem (esta, confesso, ainda me causa bastante incômodo).

Pesquisas recentes em educação ajudam a ilustrar o problema. Experimentos com estudantes usando IA generativa encontraram ganhos importantes de desempenho enquanto a ferramenta estava disponível, mas esses ganhos nem sempre se transformaram em aprendizagem equivalente quando o suporte era retirado.

Isso deveria chamar a atenção de qualquer líder, porque talvez estejamos começando a confundir duas coisas bastante diferentes: qualidade da entrega e desenvolvimento de quem entrega. E, se queremos formar os C-levels das próximas décadas, precisamos das duas, não?

O problema agora é dos líderes

Por isso, não acredito que o ponto seja proibir ou limitar IA. Seria pouco realista e provavelmente inútil. Acho que o desafio real é saber como redesenhar o desenvolvimento profissional para uma realidade em que produzir deixou de significar necessariamente aprender?

Talvez precisemos avaliar menos apenas a resposta e passar a avaliar mais o raciocínio que a sustenta. E aí sim ajudar as pessoas a entenderem que quanto melhor as perguntas, melhor o resultado, tipo:

Por que você chegou a essa conclusão?Que hipóteses considerou?Qual descartou e por quê?Que informação ainda está faltando?O que faria você mudar de opinião?Qual é o principal risco dessa recomendação?

Essas perguntas me interessam muito mais do que descobrir se alguém sabe escrever um prompt sofisticado.

O papel do desconforto no desenvolvimento

Nos últimos anos fizemos avanços importantes na construção de ambientes psicologicamente mais seguros. Ainda bem. Mas segurança psicológica não pode significar ausência de desconforto intelectual. Descobrir que uma hipótese estava errada é desconfortável. Receber um feedback difícil é desconfortável. Defender uma ideia diante de alguém mais experiente é desconfortável. Ser confrontado com uma pergunta para a qual você não tem resposta também é. Aprender, às vezes, dói um pouquinho.

Talvez tenhamos esquecido disso justamente quando criamos ferramentas capazes de retirar quase toda a fricção do processo. E então, talvez estejamos ensinando a coisa errada? Pq o que não falta são cursos, videos, dicas de como fazer melhores prompts. Talvez estejamos preocupados demais em ensinar pessoas a fazer melhores prompts e pouco preocupados em desenvolver pessoas capazes de fazer melhores perguntas?

Para fazer uma boa pergunta eu preciso compreender o problema, reconhecer aquilo que não sei, construir hipóteses, relacionar informações aparentemente desconectadas, imaginar possibilidades e fornecer contexto. E o contexto não aparece magicamente dentro de uma caixa de texto. Contexto é repertório, leitura, experiência, conhecimento, erro, observação… É aquele projeto que deu errado cinco anos atrás e que, curiosamente, ajuda você a perceber um risco hoje.

A IA pode reduzir drasticamente o tempo necessário para produzir uma resposta, mas ainda não podemos reduzir na mesma proporção o tempo necessário para formar alguém capaz de julgá-la.

O futuro do trabalho não exige menos desenvolvimento humano. Provavelmente exige um desenvolvimento muito mais humano e muito mais intencional.

A IA certamente será cada vez melhor em nos ajudar a encontrar respostas. Nossa responsabilidade, como líderes, talvez seja garantir que as pessoas continuem desenvolvendo repertório suficiente para saber quais perguntas merecem ser feitas, inteligência para desconfiar das respostas e julgamento para decidir o que fazer com elas.

Porque, no final das contas, alguém ainda precisa ser a parte inteligente disso tudo para conseguir tomar a melhor decisão.

REVISADO SEM OS VÍCIOS DA IA: Estamos ensinando as pessoas a usar IA, mas quem está ensinando as pessoas a pensar?

Carreira e desenvolvimento de pessoas na era da inteligência artificial

Há uma preocupação generalizada nas empresas com a capacitação das pessoas para o uso da inteligência artificial. E faz sentido. Seria ingênuo imaginar um mercado de trabalho em que saber usar essas ferramentas será opcional.

Há, porém, uma pergunta que tem me incomodado bastante. Ela vai além da escolha da ferramenta ou da expectativa pelo próximo modelo capaz de fazer em segundos o que ontem levávamos horas para concluir:

Se delegamos à IA tarefas como pesquisar, escrever, comparar informações, organizar hipóteses e até sugerir decisões, como estamos formando as pessoas que precisarão avaliar aquilo que ela produz?

Penso muito nisso quando observo profissionais mais jovens. Faço uma ressalva antes que este texto seja interpretado como outro capítulo da eterna guerra entre gerações, já que toda geração parece acreditar que a seguinte está perdida. A responsabilidade é de quem lidera e participa da formação desses profissionais.

Durante boa parte da minha carreira, aprender e trabalhar eram processos quase indissociáveis. Estudávamos, pesquisávamos e recorríamos a alguém mais experiente. Depois, fazíamos uma primeira versão, geralmente ruim, recebíamos feedback e tentávamos outra vez. Os erros continuavam, mas mudavam de qualidade à medida que aprendíamos.

O processo consumia tempo. Parte desse tempo era desperdício, enquanto outra parte construía conhecimento, repertório e capacidade de julgamento. O desafio atual é saber diferenciar essas duas parcelas.

Uma boa entrega nem sempre significa aprendizagem

Existe um conceito estudado pela psicologia cognitiva chamado cognitive offloading, ou descarga cognitiva. É a tendência de transferirmos parte do esforço mental para recursos externos. Fazemos isso há séculos com papel, agendas e calculadoras. Computadores e mecanismos de busca ampliaram essa capacidade.

Isso trouxe ganhos reais. Não sinto qualquer nostalgia das tarefas operacionais que hoje podem ser concluídas em segundos. Boa parte do meu estágio foi passada diante de um fax, enviando mecânicas de promoção e pedidos de ações cooperadas, com cálculos de pagamentos em produtos para vendedores. Saudades? Nenhuma, obrigada, rs.

O ponto central é identificar quais tarefas eram apenas operacionais e quais também contribuíam para a formação profissional.

Pesquisas sobre aprendizagem mostram que a recuperação ativa de informações, a tentativa e o erro ajudam na retenção e na aplicação posterior do conhecimento. O psicólogo Robert Bjork, da Universidade da Califórnia em Los Angeles, popularizou a expressão desirable difficulties, ou dificuldades desejáveis, para descrever obstáculos que tornam a aprendizagem mais exigente no momento, mas favorecem a retenção no longo prazo.

É parecido com o desenvolvimento muscular. O músculo precisa de resistência para se fortalecer. Quando retiramos toda a resistência, o movimento fica fácil e o estímulo diminui.

Conhecimento e criatividade também precisam de exercício. O mesmo vale para a capacidade de formular hipóteses, identificar riscos e tomar decisões em situações ambíguas.

Sem leituras variadas e referências diferentes, o repertório se estreita. Quem evita situações que ainda não sabe resolver também perde a oportunidade de testar hipóteses, cometer erros e entender as consequências das próprias escolhas. Essas experiências ajudam a enxergar outras possibilidades quando um problema semelhante aparece.

A IA cria um paradoxo: uma pessoa pode melhorar sua entrega com a ferramenta sem desenvolver, na mesma proporção, sua capacidade profissional.

Um estudo publicado em 2025 por pesquisadores da Microsoft e da Carnegie Mellon University ouviu 319 profissionais do conhecimento e analisou 936 exemplos reais de uso de IA generativa no trabalho. Os resultados mostraram que uma confiança maior na IA estava associada a um esforço menor de pensamento crítico relatado pelos participantes.

A pesquisa também identificou uma mudança no tipo de esforço mental exigido. Parte do pensamento sai da produção inicial e passa para a definição dos objetivos, a verificação das informações e a avaliação dos resultados.

Essa mudança exige repertório. Para verificar uma resposta, a pessoa precisa conhecer o assunto o suficiente para desconfiar dela, perceber uma inconsistência ou identificar uma premissa frágil. É justamente nesse ponto que aparece um dos principais desafios para a formação profissional.

Quem tem repertório e quem ainda precisa construí-lo

Ao longo da minha carreira, liderei e mentorei profissionais de diferentes idades e níveis de senioridade. A discussão sobre IA exige um cuidado especial com quem está começando, porque esse profissional ainda está reunindo as experiências que formarão seu julgamento.

Quem trabalha há vinte ou trinta anos chega à IA carregando uma biblioteca construída ao longo da carreira. Ela inclui projetos bem-sucedidos e outros que deram errado, além de decisões cujas consequências ficaram claras somente meses depois. Nessa biblioteca também estão os chefes excelentes, os clientes difíceis e algumas cicatrizes corporativas que convenientemente chamamos de experiência.

Há uma história bastante repetida, de autoria incerta, em que alguém pergunta a um mestre como tomar boas decisões. Ele responde: “Com experiência”. Quando questionado sobre como se adquire experiência, diz: “Tomando decisões ruins”.

A frase simplifica uma questão complexa, mas toca em um ponto importante. A experiência desenvolve o reconhecimento de padrões.

Por isso, um profissional experiente às vezes lê uma recomendação aparentemente impecável e percebe que há algo errado. Talvez ainda não consiga explicar exatamente o quê, mas reconhece uma estrutura que já viu antes, mesmo que os personagens e o contexto tenham mudado.

Pesquisas sobre expertise mostram que especialistas organizam o conhecimento de forma diferente dos iniciantes. Eles conseguem identificar estruturas profundas de um problema, enquanto pessoas com pouca experiência tendem a se concentrar nos elementos mais visíveis.

Imagine duas pessoas recebendo a mesma resposta de uma IA. Uma tem vinte anos de repertório e a outra, dois. A primeira pode questionar uma premissa ou perceber que a recomendação seria adequada em um contexto específico. Também pode identificar um risco que ficou fora da análise. A segunda provavelmente terá menos referências para fazer essa avaliação.

A pergunta que líderes precisam enfrentar é concreta: se o profissional usa a IA para evitar justamente as experiências que o ajudariam a formar repertório, como desenvolverá a capacidade de avaliar as respostas da ferramenta no futuro?

Produzir e aprender estão se separando

A separação entre produção e aprendizagem é uma das mudanças mais relevantes trazidas pela IA para o desenvolvimento profissional.

Durante muito tempo, a qualidade de uma entrega mantinha alguma relação com o domínio de quem a produziu. Essa relação sempre teve exceções, mas era relativamente forte. Com a IA generativa, ela ficou menos confiável.

Hoje, uma pessoa pode entregar uma análise de excelente aparência sem compreender profundamente o tema. Também consegue produzir uma apresentação bem estruturada e, durante uma reunião, revelar que não sabe defender as premissas utilizadas. Um plano estratégico pode chegar pronto sem que seu autor consiga explicar por que uma alternativa foi escolhida e outra descartada.

Uma pessoa pode até escrever muito bem sem saber escrever muito bem. Confesso que essa parte ainda me causa bastante incômodo.

Um experimento publicado em 2025 na revista científica Proceedings of the National Academy of Sciences analisou o uso do GPT-4 por estudantes do ensino médio em exercícios de matemática. Durante a prática, o grupo com acesso direto à ferramenta teve notas 48% maiores. Quando o acesso foi retirado na avaliação seguinte, esses estudantes obtiveram notas 17% menores do que aqueles que haviam estudado sem a ferramenta. Uma versão do sistema criada com orientações pedagógicas específicas produziu resultados diferentes, o que reforça a importância do desenho e do modo de uso da tecnologia.

O estudo foi realizado em ambiente educacional, mas a conclusão merece atenção dentro das empresas. Um bom desempenho durante uma tarefa assistida pode esconder lacunas de aprendizagem que aparecem quando o profissional precisa atuar sozinho, explicar uma decisão ou responder a uma situação imprevista.

Líderes precisam acompanhar duas dimensões: a qualidade da entrega e o desenvolvimento de quem entrega. As empresas que desejam formar seus futuros diretores e presidentes dependerão das duas.

O problema agora está com os líderes

Proibir ou restringir de forma genérica o uso da IA seria pouco realista. A responsabilidade dos líderes é redesenhar o desenvolvimento profissional para uma realidade em que produzir deixou de ser uma prova suficiente de aprendizagem.

Isso exige avaliar o raciocínio por trás da resposta. Em uma análise estratégica, por exemplo, o líder pode pedir que a pessoa explique como chegou à conclusão e quais hipóteses considerou. Em seguida, pode aprofundar a conversa:

Por que você descartou essa alternativa?

Que informação ainda está faltando e qual seria o principal risco dessa recomendação?

O que faria você mudar de opinião?

Essas perguntas revelam o nível de compreensão do profissional e mostram onde ele precisa de apoio. Para a empresa, o benefício também é direto: decisões importantes deixam de ser sustentadas apenas por documentos bem apresentados.

Saber escrever um prompt sofisticado pode aumentar a produtividade. Saber formular uma boa pergunta exige compreender o problema e reconhecer os limites do próprio conhecimento. É essa capacidade que permite orientar a ferramenta e avaliar o resultado.

O papel do desconforto no desenvolvimento

Nos últimos anos, avançamos na construção de ambientes psicologicamente mais seguros. Esse avanço foi importante e precisa continuar. Ao mesmo tempo, segurança psicológica deve conviver com algum desconforto intelectual.

Descobrir que uma hipótese estava errada incomoda. Receber um feedback difícil também. Defender uma ideia diante de alguém mais experiente ou admitir que não se sabe a resposta exige maturidade. Essas situações fazem parte da aprendizagem e precisam acontecer em um ambiente onde a pessoa possa tentar novamente.

Ferramentas capazes de retirar grande parte da fricção do processo criam uma tentação compreensível: pular rapidamente para a resposta pronta. Enquanto isso, cresce a oferta de cursos, vídeos e dicas sobre como escrever prompts melhores. A formação do pensamento recebe menos atenção.

Uma boa pergunta nasce da compreensão do problema. Ela exige que a pessoa reconheça o que ainda não sabe, relacione informações e imagine possibilidades. Também depende de contexto, e o contexto vem da leitura, da observação e da experiência acumulada. Às vezes, vem daquele projeto que deu errado cinco anos atrás e ajuda a identificar um risco hoje.

A IA reduz de forma expressiva o tempo necessário para produzir uma resposta. A formação de alguém capaz de avaliá-la continua exigindo prática, exposição a problemas reais e feedback de profissionais mais experientes.

O trabalho com IA pede um desenvolvimento humano deliberado. Líderes terão de reservar espaço para que as pessoas investiguem problemas, expliquem suas escolhas e assumam decisões compatíveis com o próprio nível de experiência.

As ferramentas continuarão melhorando na produção de respostas. Cabe às empresas formar profissionais com repertório para escolher as perguntas relevantes, verificar as informações recebidas e decidir como aplicá-las em cada contexto. Essa capacidade terá impacto direto sobre a qualidade das decisões tomadas pelas equipes.