Uma equipe pode entregar mais e aprender menos. Quando a resposta pronta substitui o exercício do julgamento, o ganho de produtividade pode esconder dependência.
Imagine uma equipe que passa a produzir relatórios em minutos. O texto melhora, as apresentações ficam prontas e o gestor recebe mais entregas. Até que aparece um problema diferente e ninguém consegue explicar por que a recomendação da IA faz sentido. O entendimento talvez nunca tenha sido construído.
Uma reportagem da TIME sobre um estudo do MIT trouxe esse alerta ao discutir ChatGPT e pensamento crítico. Para quem lidera uma equipe, a distinção importa: terminar uma tarefa e aprender com ela são resultados diferentes. 1
Minha preocupação é com a adoção que retira da equipe o exercício de formular hipóteses, investigar causas e decidir. O experiente deixa de praticar; o mais novo entrega sem desenvolver o conhecimento. A empresa pode acabar dependendo cada vez mais de respostas que seu próprio time tem menos condições de avaliar.
Eu quero o relatório pronto em minutos. Também quero que a pessoa reconheça uma inconsistência, questione a conclusão e proponha um caminho melhor. Essa competência precisa continuar sendo exercitada.
O que fica depois da resposta
O estudo exploratório de Nataliya Kosmyna e colegas acompanhou 54 adultos nas três primeiras sessões de escrita de redações. O grupo que usava IA relatou menor sensação de autoria e teve dificuldade para citar o próprio texto. Publicado como preprint, o estudo analisa essa tarefa de escrita; não demonstra uma perda generalizada de competência no trabalho. 2
Num experimento randomizado de matemática no ensino médio, na Turquia, um chat comum e um tutor baseado no mesmo GPT-4 melhoraram as notas durante a prática assistida. Sem o auxílio, o grupo do chat comum teve notas 17% menores que o grupo sem IA, uma diferença relativa. O tutor, orientado por dicas de professores, mitigou o prejuízo, mas não demonstrou melhora na prova sem auxílio. 5
Há também evidência de aprendizagem no trabalho. Um estudo observacional com 5.172 profissionais de suporte encontrou aumento médio de 15% nos problemas resolvidos por hora com IA. Os ganhos foram maiores entre os menos experientes ou de menor desempenho inicial. Parte dos ganhos persistiu durante interrupções da ferramenta, um sinal compatível com aprendizado. 6
Em uma pesquisa apresentada na CHI 2025, Hao-Ping Lee e colegas ouviram 319 trabalhadores do conhecimento. Maior confiança na IA esteve associada a menor esforço de pensamento crítico autorrelatado. A associação não demonstra que usar IA causou perda de competência. 7
A forma de oferecer ajuda importa. A IA pode ensinar enquanto apoia o trabalho ou permitir que a pessoa pule o exercício de entendê-lo. A qualidade da entrega, sozinha, não distingue esses dois resultados.
01 / A competência humana orienta a automação
O risco de parar de aprender
O risco que vejo é cumulativo. Quando formular hipóteses e conferir evidências deixam de fazer parte da rotina, a equipe perde oportunidades de desenvolver critério. A fragilidade pode aparecer quando o contexto muda e a resposta habitual deixa de servir.
Para enfrentar esse risco, separo três intenções: executar uma rotina, investigar um problema e aprender uma competência. Pedir sempre a resposta pronta trata essas necessidades como se fossem iguais. A mesma pessoa pode precisar dos três modos no mesmo dia.
02 / O modo acompanha a intenção
Executar
IA: consolida dados, calcula e prepara a entrega.
Pessoa: define critérios e acompanha exceções.
Exemplo: consolidar o relatório semanal com regras conhecidas.
Investigar
IA: recupera evidências e compara hipóteses.
Pessoa: decide o que testar e confere a sustentação da conclusão.
Exemplo: entender uma divergência entre conversões e vendas.
Aprender
IA: oferece pistas e feedback sobre uma tentativa própria.
Pessoa: formula uma hipótese e explica como a revisou.
Exemplo: resolver um caso histórico sem ver a recomendação pronta.
Na execução, as rotinas podem rodar com autonomia dentro dos critérios da equipe. As pessoas atuam nas exceções e nas mudanças de direção. Preservar o poder de decisão não exige um clique humano para cada repetição.
Na investigação e na aprendizagem, cabe à pessoa formular o problema, testar ideias e decidir, com apoio da IA. É nesse trabalho que os experientes aprofundam seu conhecimento e os novos desenvolvem julgamento.
Um exemplo: a campanha mal avaliada
Imagine uma equipe de mídia numa empresa de software. A IA recomenda aumentar a verba porque o custo por conversão caiu. As oportunidades no CRM, porém, não aumentaram. Repassar a recomendação sem investigar deixaria essa divergência sem explicação.
A coleta e a consolidação podem ser automatizadas. A analista continua responsável pelo diagnóstico.
A analista formula as hipóteses. Pode haver queda na qualidade dos interessados, atraso no CRM ou mudança na medição. Seu conhecimento do negócio orienta o que verificar.
A IA organiza a busca. Recupera os registros autorizados e compara os dados respeitando o período, as definições dos eventos e o atraso esperado até o CRM. A equipe confere se essa comparação faz sentido.
A equipe confirma o diagnóstico. Encontra pedidos contados duas vezes após uma mudança no rastreamento e confirma a duplicidade nos registros originais.
O responsável decide o próximo teste. Com os indicadores corrigidos, o time define qual hipótese de público ou de mensagem merece investimento, combinando os dados com a estratégia comercial.
03 / A execução serve à decisão do time
- ConsolidarA automação reúne e verifica os dados.
- InvestigarA equipe testa hipóteses com apoio da IA.
- DecidirO time escolhe o próximo experimento.
- AprimorarO aprendizado melhora critérios e campanhas.
O caso revisado vira referência para outros analistas. A nova verificação entra na automação, e o time aplica o critério desenvolvido sem repetir toda a coleta. O tempo recuperado pode ir para novos testes e melhoria da oferta.
Medir também a competência
A produtividade assistida não revela sozinha o preparo da equipe. Eu acompanharia tempo, qualidade e retrabalho junto da capacidade de investigar um caso novo e explicar as próprias decisões.
04 / Uma avaliação com duas colunas
| Operação com IA | Competência preservada ou desenvolvida |
|---|---|
|
Tempo total por entrega Inclui preparação, revisão e correção. |
Diagnóstico de um caso novo Identifica o que investigar sem receber a conclusão pronta. |
|
Qualidade do resultado Amostras são conferidas com critérios definidos antes do piloto. |
Verificação de evidências Encontra a fonte e confere se ela sustenta a recomendação. |
|
Retrabalho e exceções Registra falhas, atrasos e dependência de especialistas. |
Adaptação e limites Percebe quando a regra deixou de valer e quando precisa de ajuda. |
|
Tempo liberado das rotinas Compara o esforço manual antes e depois da automação. |
Aplicação na estratégia e na criação Registra análises, experimentos e melhorias feitos com esse tempo. |
Use casos históricos e situações novas. A pessoa pode consultar documentação e ferramentas, sem receber a conclusão pronta. Observe como verifica os dados e sustenta a decisão.
Olhe também para a agenda. Que análise antes adiada foi feita? Que teste de campanha saiu do papel? O tempo liberado precisa aparecer no trabalho que a equipe passou a realizar.
Compare casos de dificuldade semelhante e inclua o esforço de revisão. Se o volume cresce e o diagnóstico das exceções piora, ajuste o fluxo antes de ampliar a automação.
A avaliação do agente em um processo de trabalho complementa essa leitura: mede entrega, custo, repetição e necessidade de intervenção, enquanto a equipe demonstra como chegou às decisões.
Automatizar sem esvaziar o time
Essa preocupação já orienta as implementações da Fator. Automatizamos funções manuais e repetitivas, preservando as decisões, a criação e a estratégia com o time humano. A competência técnica que diferencia o negócio continua com a equipe, que ganha tempo para aplicá-la e desenvolvê-la.
O time conhece o cliente, define um bom resultado e orienta o que a automação executa. Continua podendo revisar os critérios e mudar a direção, sem gastar novamente a atenção de um especialista em cada repetição.
A escolha de quais competências manter internamente e quais contratar aprofunda essa divisão entre domínio do negócio e capacidade de execução.
Automatizar também reduz a dependência de preenchimentos e atualizações manuais, sujeitos a omissões e inconsistências. Isso exige validação: uma configuração errada também repete erros em escala.
O conhecimento ganha escala quando um critério aprovado passa a orientar mais casos e uma investigação documentada ajuda outros profissionais. O tempo recuperado abre espaço para testar ideias, aprofundar problemas e formar gente. Aprovar respostas prontas não cumpre essa função.
Na próxima revisão da operação, eu pediria dois exemplos: uma melhoria feita com o tempo liberado e um problema novo que a equipe conseguiu diagnosticar. É com essas evidências que decidiria o próximo passo da automação.
Sobre o autor
Ion “Zeugh” Neto é cofundador da fator.ai. Trabalha com estratégia, arquitetura e operação de sistemas de inteligência artificial, com foco em processos verificáveis, contexto, ferramentas, avaliações e limites de ação.
Fontes e limites de leitura
Artigo de opinião. O risco de longo prazo é uma interpretação para o trabalho, não uma perda generalizada de competência já demonstrada. O estudo do MIT é exploratório, tem debate metodológico e não comprova dano cerebral. 3 4
A pesquisa escolar não mede produtividade empresarial; o estudo de suporte acompanha uma única empresa; o levantamento com trabalhadores usa autorrelatos. Os exemplos são ilustrativos. A abordagem da Fator é descrita pelo autor e não foi avaliada por esses estudos. Fontes consultadas em 15 de setembro de 2026.
-
Andrew R. Chow · TIME
ChatGPT May Be Eroding Critical Thinking Skills, According to a New MIT Study. Publicado em 17 de junho de 2025; atualizado em 13 de novembro de 2025. -
Nataliya Kosmyna et al. · arXiv
Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. Versão 2, 31 de dezembro de 2025. Preprint. -
MIT Media Lab · página do projeto
Your Brain on ChatGPT: overview e perguntas frequentes. Esclarecimentos dos pesquisadores sobre o alcance das conclusões. -
Comentário metodológico · arXiv
Comment on: Your Brain on ChatGPT. Janeiro de 2026. Crítica em preprint, também sujeita a avaliação. -
Hamsa Bastani et al. · PNAS
Generative AI without guardrails can harm learning: Evidence from high school mathematics. 2025, 122(26), e2422633122. Experimento educacional; não mede produtividade empresarial. -
Erik Brynjolfsson, Danielle Li e Lindsey Raymond · QJE
Generative AI at Work. 2025, 140(2), 889–942. Implantação gradual em uma empresa; heterogeneidade entre profissionais. -
Hao-Ping Lee et al. · CHI 2025
The Impact of Generative AI on Critical Thinking. Pesquisa com trabalhadores do conhecimento; medidas autorrelatadas.
