Pensamento crítico na era da IA

Pensamento crítico na era da IA: os 5 pilares que separam usar de delegar

Aprofunde seus conhecimentos profissionais com nossos artigos ricos e gratuitos.

Uma decisão tecnicamente correta, gerada por Inteligência Artificial (IA), ainda pode destruir valor se ninguém formou julgamento próprio antes de aprová-la. É esse o risco que separa usar IA de delegar julgamento.

O tema foi debatido no encerramento do Cortex Summit 2026, em 1º de setembro, a consultora e futurista Martha Gabriel resumiu a virada que qualquer liderança que trabalha com IA generativa vai enfrentar: “O diferencial não é mais o que eu sei. A IA sabe muito mais que todos nós. É pensar melhor, perguntar melhor e conectar as ideias melhor.” A frase descreve um risco de governança, não uma reflexão filosófica.

Este artigo traduz cinco pilares para a prática de decisão executiva, com a checagem honesta da evidência que sustenta cada um. Pensamento crítico é tratado aqui como a competência humana que sustenta a Inteligência Aumentada, não como virtude abstrata.

Índice

  • Por que usar IA e delegar julgamento não são a mesma decisão para a liderança
  • Que pensamento crítico executivo importa quando a decisão tem CNPJ, não nota de prova
  • Os cinco pilares da máquina de lucidez traduzidos para decisão de negócio
  • O estudo do MIT realmente mostra que usar IA reduz a inteligência de quem decide
  • Revisão humana no processo garante julgamento, ou só formaliza o viés da IA
  • Um framework para separar usar IA de delegar julgamento na liderança
  • Perguntas frequentes

Por que usar IA e delegar julgamento não são a mesma decisão para a liderança?

Usar IA mantém a pessoa como autora do julgamento antes de consultar o modelo. Delegar julgamento transfere a decisão inteira para o sistema. A diferença não está na ferramenta, está em quem pensou primeiro.

Já tratamos do design do sistema de IA na empresa — como a arquitetura amplia, supervisiona e aprende — no artigo sobre human-centric AI. Aqui o objeto é outro: a competência cognitiva de quem aprova a decisão. Um sistema bem desenhado ainda pode ser mal usado por um decisor que não pensou antes de perguntar, e os dois artigos respondem perguntas diferentes sobre a mesma tese de Inteligência Aumentada.

Martha Gabriel resumiu o limite dessa fronteira: “A IA tem que ser copiloto. Ela não pode estar no piloto automático.” E completou com a frase que sustenta todo o argumento de negócio deste artigo: “O como importa tanto quanto o quê, sobretudo quando há uma máquina otimizando o quê.”

O mecanismo por trás disso é simples de descrever e caro de ignorar. A IA generativa não cria os vieses de um comitê, ela os acelera e os escala, porque devolve uma resposta fluente e confiante que reforça exatamente a hipótese que o decisor já queria confirmar. Uma saída estatisticamente ótima, sem ninguém que tenha formulado hipótese própria antes de vê-la, fica inauditável no dia em que a decisão dá errado.

É o cenário do comitê de investimento que aprova uma recomendação de score de crédito, de pricing ou de fusão sem que ninguém tenha sido designado, antes de olhar a saída do modelo, para formular a hipótese que a derrubaria. Quando o resultado vira notícia ruim no board, a ata não registra dissenso algum: só registra concordância unânime com uma máquina.

Um survey revisado por pares dá contorno preciso a esse risco. Pesquisadores da Microsoft Research, em estudo apresentado no CHI 2025 (ACM), ouviram 319 profissionais do conhecimento e analisaram 936 exemplos reais de uso de IA generativa no trabalho. O achado central: quanto maior a confiança depositada na resposta da IA, menor o pensamento crítico aplicado a ela, e quanto maior a autoconfiança de quem decide, maior o pensamento crítico investido na tarefa. É desenho de survey autorrelatado, não medição direta de desempenho, o que pede cautela na generalização.

O motivo por trás do número interessa mais que o número em si. Confiança na IA e autoconfiança de quem decide competem pelo mesmo orçamento de verificação: quanto mais a resposta pronta parece confiável, menos energia sobra para checá-la. O estudo mostra ainda que o esforço não desaparece, ele migra: sai de gerar a resposta e vai para verificar a informação, integrar o resultado ao contexto e curar a tarefa. Verificar é a etapa mais fácil de pular sob pressão de agenda, porque a resposta chega fluente e bem escrita, e fluência não é sinônimo de correção.

Para um CEO ou diretor, o dado muda o que vale cobrar do time. O volume de uso de IA generativa diz pouco sobre risco. O que importa é se alguém, na cadeia de aprovação, ficou encarregado de checar a premissa por trás da resposta antes de aprová-la. Um comitê que aceita a recomendação porque ela soa articulada, sem checar o dado que a sustenta, reproduz em escala corporativa o mesmo padrão que o estudo descreve em nível individual. Para o gestor que quer estruturar esse uso de ponta a ponta, o eBook sobre como utilizar Inteligência Artificial para otimizar a gestão da empresa detalha o passo a passo.

Que pensamento crítico executivo importa quando a decisão tem CNPJ, não nota de prova?

Pensamento crítico executivo é a capacidade de formar hipótese própria, checar a saída de um modelo e assinar a decisão com responsabilidade nomeada. Não é traço de personalidade, nem disciplina escolar.

O mercado já sinaliza essa demanda antes de qualquer discussão sobre IA generativa. No Future of Jobs Report 2025, o Fórum Econômico Mundial aponta o pensamento analítico como a competência central número um do mercado de trabalho, classificada como essencial por 70% dos empregadores ouvidos em mais de mil empresas, em 55 economias. É essa mesma competência analítica que disciplinas como business intelligence tentam sistematizar dentro das empresas, ainda que sistematizar não substitua o julgamento de quem decide.

O problema é que a maior parte das organizações já decidia mal antes de qualquer modelo de linguagem existir. Em “Decision making in the age of urgency” (2019), a McKinsey mostrou que apenas 20% das organizações se destacam em qualidade de tomada de decisão, 61% relatam que a maior parte do tempo dedicado a decidir é usado de forma ineficaz e só 37% conseguem decisões simultaneamente rápidas e de alta qualidade. O dado é de 2019, anterior à explosão da IA generativa, e não existe substituto recente de desenho comparável.

Essa lacuna prévia é o que torna a IA um multiplicador perigoso, não um vilão isolado. Se só uma em cada cinco empresas decide bem e a tecnologia acelera o volume de decisões tomadas por semana, a lacuna de julgamento não desaparece com mais IA: ela escala junto, na mesma velocidade. É esse tipo de lacuna que uma verdadeira cultura data-driven ajuda a fechar, quando decisão deixa de depender de achismo e vira rotina apoiada em dado.

O mesmo raciocínio vale para decisão de expansão territorial. Uma rede que usa geointeligência para escolher a próxima praça, como faz o Cortex Geofusion, ganha velocidade real de decisão só quando alguém formula a pergunta certa antes de rodar o modelo, não quando aceita o mapa como veredito automático.

Os cinco pilares da máquina de lucidez traduzidos para decisão de negócio

Os cinco pilares (questionamento, superação de vieses, lógica e retórica, repertório e valores humanos) apresentados por Martha Gabriel só valem para liderança quando viram processo de decisão, não atributo pessoal.

A Cortex traduz cada um abaixo em prática de decisão executiva.

Questionamento (amplia)

Nenhuma recomendação de IA é aprovada em comitê sem que alguém tenha sido formalmente designado para formular, antes de ver a saída do modelo, a hipótese que a derrubaria. ,

Na prática, isso é um comitê de investimento que exige um “advogado do contra” documentado em ata antes de qualquer pessoa olhar o score do modelo. O papel não é opcional nem simbólico: sem ele, a reunião só ratifica o que a máquina já decidiu.

Superação de vieses (regula)

A revisão humana só conta como controle quando registra o motivo de concordar ou discordar, não apenas o carimbo final.

Um comitê de crédito que registra, ao lado do parecer do modelo, o nome de quem discordou e o motivo, transforma revisão em evidência auditável. Um comitê que apenas anota “aprovado” repete o viés que a máquina já carregava.

Um estudo correlacional de 2025, publicado no periódico revisado por pares Societies (MDPI), encontrou associação entre uso intenso de IA, delegação cognitiva e queda em pensamento crítico autorrelatado, com r = -0,68 entre uso de IA e pensamento crítico e r = +0,72 entre uso de IA e offloading cognitivo. Gerlich (2025) é correlacional, baseado em survey com 666 respondentes: mostra associação, não mecanismo causal comprovado, entre uso de IA e queda de pensamento crítico.

Lógica, argumentação e retórica (direciona)

Decisão de alto risco (pricing, fusão, corte de headcount) exige memorando escrito que argumente a favor e contra a recomendação da IA antes da aprovação. Aceitar em silêncio a saída mais fluente é conformidade disfarçada de análise, não decisão real.

Repertório (alimenta e permite avaliar)

Só avalia bem a saída de um modelo quem já tem experiência de domínio prévia. Uma indústria de bens de consumo não deixa um analista júnior validar sozinho, sem um par sênior no processo, uma recomendação de sortimento gerada por IA para um ponto de venda.

É exatamente esse tipo de julgamento sênior que o Cortex Reach qualifica quando cruza sinais de território com histórico de giro por categoria: o modelo aponta a oportunidade, mas o repertório de quem conhece o canal decide se ela é real ou ruído. É o mesmo princípio que orienta o uso de agentes de IA no Brasil: a automação amplia o alcance da análise, mas não substitui quem valida a exceção no território. O pilar liga-se diretamente ao dado do WEF citado acima: pensamento analítico não se improvisa em cima da hora.

Valores e atitudes humanas (valida)

Martha Gabriel descreveu este último pilar como “o filtro final, e o mais importante”. Nenhuma decisão de impacto reputacional, ético ou de pessoas deveria ser assinada só porque é “estatisticamente ótima”. Ela precisa passar por alguém nomeado e responsável.

O motivo é estrutural: modelo probabilístico e decisão de alto risco resolvem problemas diferentes. Um sistema estatístico acerta o padrão típico e pode errar exatamente o caso excepcional que mais importa, o cliente atípico, a crise de imagem fora do script. É esse tipo de exceção que times de comunicação monitoram quando usam o Cortex Brand para decidir, com dono nomeado, se uma resposta institucional sai no mesmo dia ou espera validação jurídica.

O estudo do MIT realmente mostra que usar IA reduz a inteligência de quem decide?

Não. O estudo não mede QI: mostra que pensar antes de consultar a IA preserva mais engajamento neural, memória e senso de autoria do que ir direto ao modelo, e ainda não passou por revisão por pares.

O que importa para a decisão de negócio permanece de pé: pensar antes de consultar a IA preserva mais memória, mais engajamento e mais senso de autoria do que ir direto ao modelo.

Revisão humana no processo garante julgamento, ou só formaliza o viés da IA?

Em um experimento controlado, humanos seguiram recomendação de IA severamente enviesada em cerca de 90% dos casos. É evidência de que revisão humana no processo, o chamado human in the loop, pode ser teatro de conformidade, não controle real.

O dado vem de Wilson, Gueorguieva, Sim e Caliskan, da Universidade de Washington, publicado na conferência revisada por pares AIES 2025. O experimento, com n=528, testou triagem de currículos em quatro condições, sem IA, IA neutra, IA moderadamente enviesada e IA severamente enviesada, e mediu quanto os avaliadores humanos reproduziam o viés apresentado pelo sistema.

O dado não é sentença contra a revisão humana. É o motivo pelo qual revisão precisa de desenho, não de boa vontade.

O mecanismo explica o número: discordar da IA exige justificativa e esforço extra, concordar é o caminho de menor resistência. Revisão humana no processo só funciona como controle de qualidade quando o revisor tem informação independente para discordar. Sem isso, ela vira uma camada de responsabilização sem substância, um carimbo que blinda a decisão sem melhorá-la.

Automation bias é o nome que a literatura de fatores humanos dá a esse padrão: a tendência de aceitar a recomendação de um sistema automatizado mesmo quando existe sinal contrário disponível para quem revisa. Parasuraman e Manzey descreveram o comportamento em 2010, e a referência entra aqui como conceito de fatores humanos, não como estatística. Revisão humana só funciona como controle de qualidade quando o revisor enxerga a alternativa que a IA descartou, não apenas o resultado final que ela entregou.

A assimetria de esforço explica por que a revisão vira responsabilização, não qualidade. Discordar exige montar argumento e assumir sozinho o risco de errar. Concordar não exige nada além de um carimbo. É o que acontece num comitê de crédito que recebe apenas o score final do modelo: o analista sênior tem como concordar, não tem como discordar com fundamento, e o viés sutil da recomendação passa como se fosse neutro.

Não existe, até este momento, estudo citável sobre esse padrão fora do contexto de contratação. Aplicar a mesma lógica a crédito, compliance ou decisão comercial é uma analogia estrutural razoável, não um dado direto, e deve ser tratada como tal em qualquer comitê que a use como argumento.

Um framework para separar usar IA de delegar julgamento na liderança

O framework tem três perguntas de checagem: alguém formulou hipótese antes de ver a saída da IA? O revisor teve informação independente para discordar? A decisão de maior risco tem dono nomeado?

Essas três perguntas funcionam como auditoria mínima de qualquer decisão relevante assistida por IA, do comitê de pricing ao conselho que aprova uma fusão:

  • Hipótese prévia. Alguém registrou, antes de consultar o modelo, o que esperava encontrar e por quê?
  • Informação independente na revisão. Quem valida a saída teve acesso a dado ou argumento que o modelo não usou, ou só viu o resultado final?
  • Dono nomeado. Existe uma pessoa identificável responsável pela decisão, ou a responsabilidade se dissolveu entre “o sistema recomendou” e “o comitê aprovou”?

Há evidência de que esse desenho compensa. Em “Before You Make That Big Decision…” (Harvard Business Review, 2011), Kahneman, Lovallo e Sibony analisaram mais de mil decisões de investimento e encontraram um ganho de 7 pontos percentuais de retorno sobre investimento nas empresas que reduziram efeitos de viés com processo deliberado, checklist e segunda opinião estruturada.

O precedente mais direto vem de uma empresa que vive de IA. Em maio de 2025, a Anthropic passou a proibir candidatos de usar assistentes de IA durante parte do processo seletivo, justamente para avaliar comunicação e julgamento sem mediação de um sistema (Fortune). Uma empresa da fronteira da IA proíbe o uso da própria categoria de produto que vende justamente no processo em que mais quer ver julgamento humano: a contratação.

O mesmo raciocínio se aplica a decisões comerciais em escala. Times que usam o Cortex Growth para priorizar contas e montar dossiês de prospecção continuam precisando de alguém que assine a decisão final de alocar o vendedor sênior na conta certa, não apenas de aceitar o ranking gerado pelo sistema. Quem quer visualizar esse universo de contas antes de priorizar encontra um retrato atualizado no Relatório Panorama B2B. E na ponta do trade, decisões de reposição sugeridas por sinais territoriais, como as que o Cortex Reach organiza para equipes de campo, só sustentam ganho real quando alguém no time valida a exceção que o modelo não viu.

Pensamento crítico é, por isso, a competência humana que sustenta a Inteligência Aumentada: tecnologia que amplia o julgamento de quem decide, em vez de substituí-lo. É esse padrão, hipótese prévia, revisão com informação independente e dono nomeado, que separa comitês que decidem bem dos que apenas confirmam a máquina.

Perguntas frequentes

Pensamento crítico é uma métrica que dá para medir na liderança de uma empresa?

Sim, mas como processo auditável, não como traço de personalidade. Hipótese prévia registrada, argumento contrário documentado e dono nomeado da decisão são sinais que qualquer comitê pode checar em ata: é isso que o framework de três perguntas deste artigo propõe medir.

Qual é o primeiro sinal de que um time está delegando julgamento para a IA sem perceber?

Decisões aprovadas em tempo cada vez menor, sem registro de discordância nem de alternativa descartada. A ausência de um “advogado do contra” nas atas de comitê costuma aparecer antes de qualquer erro visível de resultado.

Pensamento crítico deveria ser critério de contratação e promoção para cargos de liderança na era da IA?

Sim, na mesma linha do dado do WEF 2025 sobre pensamento analítico como competência número um e do precedente da Anthropic, que baniu o uso de IA em parte do próprio processo seletivo. Empresas de fronteira já tratam essa competência como filtro de contratação.

Um comitê de investimento ou de pricing deveria ter regra escrita sobre quando pode ignorar a recomendação da IA?

Sim. Sem essa regra formal, a tendência natural é a adesão pelo caminho de menor resistência, como mostra o dado de cerca de 90% de adesão a recomendação enviesada da Universidade de Washington. Regra escrita transforma exceção em processo, não em heroísmo individual.

Existe forma de auditar se a revisão humana de uma decisão de IA foi real ou só formalidade?

Sim, checando duas coisas: se o revisor teve acesso a informação independente da saída do modelo e se há registro do motivo da concordância ou discordância. Ausência dos dois é sinal de que a revisão só carimbou o resultado.

Como uma empresa mede se a IA está acelerando decisões erradas em vez de boas decisões?

Cruze velocidade de decisão com taxa de reversão ou de erro pós-decisão. Velocidade sem controle de qualidade é o padrão que a McKinsey já descrevia em 2019, antes mesmo de a IA generativa existir em escala corporativa.

Vale a pena adotar, como fez a Anthropic na contratação, uma política de proibir IA em alguma etapa do processo decisório?

Depende do risco da decisão. Faz mais sentido nas etapas em que a habilidade a avaliar é exatamente a que a IA substituiria, como comunicação, argumentação e julgamento autoral, e menos sentido em etapas puramente operacionais.

 

Conclusão

A diferença entre usar IA e delegar julgamento não está na sofisticação do modelo: está em três perguntas que qualquer comitê pode responder antes de assinar uma decisão. Hipótese prévia, informação independente na revisão e dono nomeado formam o filtro mínimo que os cinco pilares de Martha Gabriel, traduzidos para negócio, sustentam.

Na Cortex, tratamos a Inteligência Aumentada como tecnologia que amplia o julgamento humano, não que o substitui. Conheça a abordagem em Inteligência Aumentada e convide o seu comitê a aplicar as três perguntas na próxima decisão relevante que passar pela mesa. Para entender como aplicar a Inteligência Aumentada no seu negócio, basta pedir uma demonstração.