Se a IA pensa por você, quem está aprendendo?

Por The Shift

Houve um tempo em que o conhecimento era uma conquista. Um subproduto do esforço, da dúvida e da síntese. Para entender um problema, era preciso atravessar um labirinto de fontes, confrontar argumentos, errar e recomeçar. Esse atrito cognitivo não era um defeito do aprendizado. Era o próprio aprendizado.

Hoje, esse processo está sendo encurtado. Com a ascensão das IAs agênticas, cada vez mais tarefas intelectuais começam com uma resposta pronta. No curto prazo, celebramos a produtividade. No longo prazo, pesquisadores começam a discutir um risco mais estrutural: o Colapso do Conhecimento.

O estudo “AI, Human Cognition and Knowledge Collapse” propõe uma hipótese simples, mas poderosa. O conhecimento humano depende de “sinais”. Percepções geradas quando pessoas se esforçam para resolver problemas. Esse esforço produz não apenas respostas, mas também novas ideias, interpretações e hipóteses.

Quando a IA entrega a solução pronta, o resultado pode até melhorar. O que desaparece é o processo que gera esses sinais.

Se menos pessoas precisam pensar profundamente para chegar a respostas, menos conhecimento novo é produzido. Ao longo do tempo, isso pode reduzir a diversidade intelectual que alimenta o próprio ecossistema de informação.

O paradoxo é que sistemas treinados com dados humanos dependem exatamente desse fluxo contínuo de novas ideias. Se a produção de conhecimento humano diminui, a própria matéria-prima que alimenta os modelos também pode se tornar mais homogênea – um fenômeno que alguns pesquisadores descrevem como uma espécie de consanguinidade informacional.

Nesse cenário, o risco não é apenas erro. É convergência.

Modelos de linguagem operam, por definição, na média estatística. Eles são extraordinários em sintetizar consenso, identificar padrões e produzir respostas plausíveis. A criatividade humana, historicamente, surge na borda desses padrões, na hipótese improvável, na associação inesperada, na ideia que inicialmente parece errada.

Quando a maior parte da produção intelectual começa a passar por filtros algorítmicos semelhantes, a diversidade de pensamento pode diminuir.

Essa questão apareceu recentemente em um debate promovido pela Exponential View, intitulado “Where the human ends and AI begins”. A pergunta a ser respondida é desconcertante, pela simplicidade: quando um agente acompanha seu raciocínio, aponta inconsistências e sugere alternativas, quem está realmente conduzindo o processo?

Azeem Azhar descreve o uso de um agente que monitora seus argumentos de investimento e sinaliza contradições em tempo real. O ganho é evidente: menos viés, mais consistência, decisões potencialmente mais robustas. Mas a questão surge logo depois. Se o agente identifica conflitos, organiza hipóteses e estrutura o raciocínio, qual parte desse processo continua sendo exclusivamente humana?

À medida que a fronteira entre humano e máquina se torna mais fluida, a vantagem competitiva dependerá menos de quem adota agentes primeiro e mais de quem preserva deliberadamente a capacidade humana de compreender, questionar e reconstruir as decisões que esses agentes sugerem.

O risco não é a IA pensar demais. O risco é humanos pensarem de menos. Um estudo recente da Wharton School ajuda a entender o mecanismo comportamental por trás dessa mudança. “Thinking – Fast, Slow and Artificial” amplia a estrutura clássica de Daniel Kahneman:

Sistema 1 → pensamento intuitivo
Sistema 2 → pensamento deliberativo
Sistema 3 → cognição artificial

O Sistema 3 representa o raciocínio que ocorre fora do cérebro quando utilizamos IA.

Em três experimentos pré-registrados, com 1.372 participantes e cerca de 10.000 tentativas, os pesquisadores testaram como as pessoas interagem com respostas de IA em problemas de reflexão cognitiva. Os resultados são consistentes. Participantes consultaram a IA e seguiram sua indicação em mais de 50% das vezes, independentemente de ela estar correta ou errada. Quando a IA acertava, a precisão aumentava 25 pontos percentuais. Quando errava, a precisão caía 15 pontos percentuais. A diferença total era de 40 pontos percentuais. Em 80% dos casos, participantes seguiram respostas erradas da IA. E a confiança aumentava mesmo quando a resposta estava incorreta.

Os autores chamam esse padrão de rendição cognitiva: a aceitação da resposta da IA como própria, com mínima reconstrução interna. Eles distinguem isso de descarregamento cognitivo, que ocorre quando alguém delega uma tarefa, mas mantém controle deliberativo. Na rendição, o Sistema 3 (cognição artificial) torna-se padrão e o Sistema 2 (pensamento deliberativo) é pouco ativado.

A conexão com o Colapso do Conhecimento é direta. Se indivíduos deixam de reconstruir respostas, deixam de produzir sinais próprios – e o estoque coletivo de conhecimento começa a encolher. Sem o “atrito” do raciocínio, a inteligência corporativa torna-se frágil e puramente dependente de terceiros.

Ou seja, quando o esforço desaparece, o conhecimento também pode desaparecer.

A IA é o motor mais potente da nossa geração, mas um motor sem motorista leva ao abismo. O papel da liderança é garantir que, enquanto a IA escala a execução, o capital humano escala a sabedoria. O verdadeiro diferencial competitivo de 2026 não será quem usa mais IA, mas quem consegue manter seus talentos humanos mais agudos do que a média.