A inteligência artificial está sendo usada de uma forma muito menor do que poderia
Com a chegada da inteligência artificial generativa, milhões de pessoas aprenderam a fazer praticamente a mesma coisa: abrir uma ferramenta, escrever uma pergunta e esperar uma resposta.
Essa dinâmica ajudou a tornar a IA acessível. Também criou uma percepção limitada do que essa tecnologia representa.
Quando alguém utiliza inteligência artificial apenas para perguntar “qual é a resposta?”, a IA se transforma em uma espécie de mecanismo de busca sofisticado. O usuário pergunta, a máquina responde e a interação termina.
Mas o verdadeiro potencial começa quando a pergunta muda.
Em vez de perguntar apenas:
“Qual é a resposta?”
podemos perguntar:
“Como posso entender melhor esse problema?”
“O que estou deixando de considerar?”
“Quais hipóteses poderiam explicar esse resultado?”
“Como podemos testar essas hipóteses?”
“O que aprendemos depois do teste?”
Essa mudança aparentemente simples altera completamente a função da inteligência artificial.
Ela deixa de ser apenas uma máquina de respostas e passa a funcionar como uma tecnologia de aprendizado, colaboração e aumento da capacidade humana.
E talvez essa seja uma das mudanças mais importantes que empresas, profissionais e instituições precisarão compreender nos próximos anos.
Responder não significa necessariamente aprender
Receber uma resposta é muito diferente de desenvolver conhecimento.
Imagine uma pessoa tentando compreender por que as vendas de uma empresa diminuíram.
Ela poderia perguntar para uma IA:
“Por que minhas vendas estão caindo?”
O modelo provavelmente apresentaria dezenas de possibilidades: mudança de mercado, preço, concorrência, experiência do usuário, tráfego inadequado, baixa conversão, posicionamento, atendimento ou problemas no produto.
A resposta pode parecer inteligente.
Mas ainda não existe aprendizado.
O aprendizado começa quando essas possibilidades são confrontadas com dados reais.
Qual página perdeu conversão?
Em qual etapa do funil os usuários abandonam?
O problema começou quando?
Existe diferença entre dispositivos?
Algum canal de aquisição mudou?
O comportamento de clientes recorrentes é diferente dos novos visitantes?
A inteligência artificial pode ajudar a formular essas perguntas, analisar informações, propor hipóteses e organizar evidências.
Nesse momento, ela deixa de simplesmente produzir texto.
Ela começa a participar de um processo de descoberta.
A IA como parte de um ciclo de aprendizado
Uma organização aprende quando consegue conectar observação, interpretação, ação e resultado.
Esse ciclo pode ser representado de maneira simples:
dados → interpretação → hipótese → decisão → experimento → resultado → aprendizado
A inteligência artificial pode atuar praticamente em todas essas etapas.
Pode ajudar a interpretar grandes volumes de informação, identificar padrões, comparar cenários, gerar hipóteses, sintetizar conhecimento e documentar o que aconteceu.
Mas existe algo ainda mais importante.
Depois que uma decisão é tomada, o resultado dessa decisão produz novos dados.
A organização pode então perguntar novamente:
“O que aprendemos?”
Esse ciclo é muito mais poderoso do que simplesmente utilizar IA para escrever e‑mails, resumir documentos ou produzir textos.
É o momento em que a inteligência artificial começa a fazer parte do sistema de aprendizado da organização.
O mercado já está avançando nessa direção
A adoção empresarial da inteligência artificial continua crescendo rapidamente. O Stanford AI Index 2026 relata que 88% das organizações pesquisadas já utilizavam inteligência artificial em 2025, enquanto cerca de 70% utilizavam IA generativa em pelo menos uma função empresarial.
O dado é impressionante, mas existe uma diferença enorme entre usar IA e transformar a forma como uma empresa aprende.
Uma organização pode instalar ferramentas de IA para seus funcionários e continuar operando exatamente da mesma maneira.
Nesse cenário, a IA apenas acelera processos existentes.
Outra empresa pode utilizar IA para analisar operações, identificar gargalos, compartilhar conhecimento entre equipes, testar hipóteses e melhorar decisões.
Essa segunda empresa não está apenas utilizando IA.
Ela está criando uma capacidade organizacional nova.
Produtividade é consequência de aprendizado acumulado
Um dos estudos mais conhecidos sobre inteligência artificial no trabalho ajuda a entender essa diferença.
Pesquisadores analisaram mais de 5 mil profissionais de atendimento que passaram a utilizar um assistente baseado em IA generativa. O estudo encontrou aumento médio de aproximadamente 14% na produtividade. Entre trabalhadores menos experientes e de menor desempenho, o ganho chegou a cerca de 34%.
Estudo Generative AI at Work do NBER
Um aspecto particularmente interessante é a interpretação dos pesquisadores.
A IA parecia ajudar a disseminar práticas utilizadas pelos profissionais mais eficientes.
Em outras palavras, parte do conhecimento que antes estava concentrado nos trabalhadores mais experientes passou a ser distribuído para pessoas que ainda estavam aprendendo.
Isso revela uma função muito mais profunda da tecnologia.
A IA pode funcionar como um mecanismo de transferência de conhecimento.
Em uma empresa tradicional, parte significativa da experiência permanece na cabeça das pessoas.
Quando alguém deixa a organização, muito desse conhecimento desaparece.
Sistemas de IA conectados a processos, dados e documentação podem ajudar a transformar experiência individual em conhecimento organizacional.
O melhor resultado pode surgir da combinação entre humano e máquina
Outro experimento importante foi realizado com centenas de consultores do Boston Consulting Group.
Pesquisadores de Harvard observaram que, em tarefas nas quais a IA apresentava boa capacidade, profissionais utilizando GPT‑4 concluíram mais tarefas, trabalharam mais rapidamente e produziram resultados avaliados como superiores.
O estudo também apresentou um conceito extremamente importante: a fronteira tecnológica irregular.
A inteligência artificial pode ser extraordinariamente competente em determinadas tarefas e surpreendentemente fraca em outras.
Harvard Business School: Jagged Technological Frontier
Isso muda a discussão.
A pergunta não deveria ser:
“IA é melhor do que humanos?”
A pergunta mais interessante passa a ser:
“Qual combinação entre capacidades humanas e artificiais produz o melhor resultado para esta tarefa?”
A própria pesquisa identificou diferentes formas de colaboração.
Alguns profissionais dividiam claramente as tarefas entre humano e IA. Outros trabalhavam de maneira muito mais integrada, alternando continuamente entre raciocínio humano e contribuições da máquina.
Essa interação provavelmente será uma característica central do trabalho intelectual nos próximos anos.
IA também pode se transformar em tecnologia de aprendizado individual
O mesmo princípio aparece na educação.
Em 2025, pesquisadores publicaram na Scientific Reports um experimento controlado envolvendo estudantes universitários de física. Um grupo utilizou um tutor baseado em inteligência artificial desenvolvido com princípios pedagógicos específicos.
Os estudantes que utilizaram o tutor aprenderam mais em menos tempo do que aqueles que participaram da aula tradicional de aprendizagem ativa utilizada como comparação no experimento. Eles também relataram maior envolvimento e motivação.
Pesquisa sobre tutoria com IA publicada na Scientific Reports
Isso não significa que professores deixaram de ser necessários.
Significa que existe uma nova possibilidade.
Imagine cada aluno tendo acesso a um sistema capaz de adaptar explicações, criar exemplos, identificar dúvidas, elaborar exercícios e ajustar a complexidade conforme o progresso.
A IA começa a deixar de ser “alguém que entrega a resposta”.
Ela passa a ocupar parcialmente o papel de companheiro de aprendizado.
Existe também um risco: terceirizar o pensamento
A mesma tecnologia capaz de ampliar aprendizado pode produzir o efeito contrário.
Se toda dificuldade for imediatamente entregue à IA, existe o risco de o usuário desenvolver uma dependência cognitiva.
Uma pesquisa apresentada na conferência CHI 2025 analisou 319 profissionais do conhecimento e 936 exemplos reais de utilização de IA.
Os pesquisadores encontraram uma associação entre maior confiança na IA e menor esforço de pensamento crítico relatado pelos participantes. Ao mesmo tempo, maior confiança do profissional em sua própria capacidade estava associada a maior exercício de pensamento crítico.
Microsoft Research sobre IA e pensamento crítico
Esse resultado mostra um paradoxo importante.
A inteligência artificial pode aumentar nossa capacidade de pensar, mas também pode nos incentivar a pensar menos.
Tudo depende de como utilizamos a ferramenta.
Perguntar “faça isso para mim” produz uma relação.
Perguntar “me ajude a compreender isso” produz outra completamente diferente.
A IA deveria provocar perguntas, não apenas encerrá-las
Um bom sistema de aprendizado não entrega simplesmente uma conclusão.
Ele cria novas perguntas.
Considere um empreendedor analisando uma campanha de marketing.
Uma IA utilizada apenas como máquina de respostas poderia afirmar:
“A campanha apresenta baixa conversão porque o anúncio não está suficientemente persuasivo.”
Parece convincente.
Mas talvez esteja completamente errado.
Uma IA orientada ao aprendizado deveria trabalhar de forma diferente:
“Temos evidência de que o anúncio é realmente o problema?”
“Qual é a taxa de clique?”
“Quantas pessoas chegam à página?”
“Qual é a conversão depois da chegada?”
“O abandono acontece antes ou depois de visualizar o preço?”
“Os resultados variam por origem do tráfego?”
Perceba a diferença.
No primeiro caso, a inteligência artificial entrega uma conclusão.
No segundo, ela ajuda o usuário a pensar sobre o problema.
Essa segunda abordagem possui muito mais valor.
Aprendizado organizacional pode se tornar uma vantagem competitiva
Empresas acumulam milhares de decisões.
Lançam campanhas.
Alteram preços.
Testam páginas.
Criam produtos.
Contratam pessoas.
Mudam processos.
Experimentam diferentes estratégias.
Mas grande parte desse conhecimento desaparece.
Depois de alguns meses, muitas organizações já não lembram exatamente por que determinada decisão foi tomada.
Imagine uma empresa capaz de registrar sistematicamente:
qual problema existia,
qual hipótese foi levantada,
qual decisão foi tomada,
qual experimento foi realizado,
qual resultado apareceu,
e o que foi aprendido.
Depois de alguns anos, essa organização teria algo extremamente valioso.
Não apenas dados.
Teria uma memória operacional de decisões e resultados.
A inteligência artificial poderia utilizar esse histórico para responder perguntas muito mais interessantes:
“Já enfrentamos um problema parecido?”
“O que fizemos naquela ocasião?”
“Qual hipótese funcionou?”
“Em quais situações ela não funcionou?”
“Que padrões aparecem entre nossos melhores resultados?”
Nesse cenário, a IA começa a participar da inteligência acumulada da organização.
Conhecimento deixa de ser estático
Durante décadas, empresas armazenaram conhecimento em documentos, manuais, apresentações e bancos de dados.
O problema é que boa parte desse conhecimento permanece passivo.
Existe, mas precisa ser procurado.
Com IA, surge a possibilidade de transformar conhecimento armazenado em conhecimento interativo.
Um profissional pode conversar com décadas de documentação.
Pode comparar contratos.
Pode encontrar padrões em milhares de atendimentos.
Pode relacionar informações dispersas entre departamentos.
Pode receber explicações adaptadas ao contexto de uma decisão.
É uma mudança importante.
O conhecimento deixa de ser apenas um arquivo.
Passa a ser algo consultável, combinável e contextual.
É nesse ponto que a inteligência artificial começa a funcionar como infraestrutura cognitiva.
Empresas não deveriam começar perguntando “onde colocar IA?”
Existe uma tendência perigosa em projetos de transformação digital.
A empresa adquire uma tecnologia e depois procura onde utilizá-la.
Com inteligência artificial, isso acontece frequentemente.
Executivos perguntam:
“Como podemos colocar IA no atendimento?”
“Como podemos colocar IA no marketing?”
“Como podemos colocar IA no RH?”
Uma pergunta melhor seria:
“Onde temos dificuldade para aprender, decidir ou executar?”
Talvez o maior problema esteja na demora para compreender clientes.
Talvez exista enorme conhecimento disperso.
Talvez as equipes estejam repetindo erros.
Talvez ninguém consiga identificar rapidamente por que a conversão caiu.
Talvez profissionais experientes possuam conhecimentos que os novos funcionários levam anos para adquirir.
Quando a organização começa pelo problema, fica muito mais fácil descobrir onde a IA realmente cria valor.
O que deveria ser medido muda completamente
Se enxergamos IA apenas como automação, normalmente medimos tempo economizado.
Quantas horas foram reduzidas?
Quantos textos foram produzidos?
Quantos atendimentos foram automatizados?
Essas métricas continuam importantes.
Mas uma organização orientada ao aprendizado deveria medir outras coisas.
Quanto tempo levamos para identificar um problema?
Quanto tempo levamos para transformar uma observação em hipótese?
Quantas hipóteses foram testadas?
Quantas decisões foram baseadas em evidências?
Quanto conhecimento foi reaproveitado?
Com que velocidade um funcionário novo alcança bom desempenho?
Quantos erros deixaram de se repetir?
Essas métricas medem algo muito mais profundo.
Elas medem a velocidade de aprendizado da organização.
Uma abordagem centrada no ser humano
A UNESCO defende que a utilização da IA generativa em educação e pesquisa seja orientada por uma abordagem centrada no ser humano, preservando agência, diversidade, inclusão e capacidade humana.
Guia da UNESCO para IA generativa na educação e pesquisa
Essa visão também deveria ser aplicada às empresas.
O objetivo não precisa ser retirar pessoas do processo.
Pode ser aumentar a capacidade delas.
Um profissional com IA pode investigar mais hipóteses.
Pode acessar conhecimento mais rapidamente.
Pode analisar mais informações.
Pode explorar alternativas que antes não teria tempo de considerar.
Pode aprender com experiências acumuladas de toda uma organização.
É uma diferença fundamental.
Automação busca reduzir trabalho humano.
Ampliação cognitiva busca aumentar a capacidade humana.
As duas coisas podem coexistir, mas produzem estratégias completamente diferentes.
O futuro não pertence necessariamente a quem tiver a IA mais poderosa
Modelos de inteligência artificial estão ficando cada vez mais acessíveis.
Empresas diferentes poderão utilizar tecnologias semelhantes.
Isso significa que simplesmente “ter IA” provavelmente deixará de ser uma vantagem competitiva.
A vantagem poderá surgir de outra combinação:
dados próprios + conhecimento específico + contexto + processos + aprendizado acumulado + pessoas capazes de utilizar IA criticamente.
A OCDE, ao revisar pesquisas sobre IA generativa, produtividade, inovação e empreendedorismo, concluiu que os resultados dependem fortemente do tipo de tarefa, da experiência do usuário e da colaboração entre humanos e sistemas de IA.
Estudo da OCDE sobre IA generativa e produtividade
Isso ajuda a explicar por que duas empresas utilizando o mesmo modelo podem obter resultados completamente diferentes.
A tecnologia pode ser semelhante.
O sistema de aprendizado construído em torno dela não será.
Da máquina que responde para a organização que aprende
Talvez estejamos vivendo apenas a primeira fase da inteligência artificial generativa.
A fase em que ficamos impressionados porque uma máquina consegue escrever, conversar, resumir e responder perguntas.
Essas capacidades continuarão importantes.
Mas o próximo estágio tende a ser muito mais interessante.
Será quando começarmos a construir sistemas capazes de acompanhar processos, lembrar experiências, interpretar resultados, desafiar hipóteses, conectar conhecimento e participar continuamente do aprendizado humano e organizacional.
A pergunta deixará de ser:
“O que a IA sabe?”
E passará a ser:
“O que conseguimos aprender melhor porque temos IA?”
Essa mudança é profunda.
Uma máquina de respostas entrega algo pronto.
Uma tecnologia de aprendizado participa de um processo.
A primeira economiza alguns minutos.
A segunda pode mudar como pessoas e organizações evoluem.
✅ Conclusão
O maior erro que podemos cometer com inteligência artificial talvez seja reduzir uma tecnologia tão poderosa à função de responder perguntas.
Respostas são apenas a superfície.
O verdadeiro potencial está em utilizar IA para explorar problemas, formular melhores perguntas, organizar conhecimento, construir hipóteses, comparar alternativas, testar ideias, aprender com resultados e compartilhar conhecimento.
Isso exige também responsabilidade.
Precisamos continuar verificando informações, desenvolvendo pensamento crítico e reconhecendo situações em que julgamento humano, experiência e contexto continuam sendo fundamentais.
A inteligência artificial mais valiosa não será necessariamente aquela que responde tudo.
Será aquela que nos ajuda a compreender melhor, aprender mais rápido e tomar decisões melhores.
E talvez essa seja a transformação mais importante provocada pela IA.
Não uma sociedade em que máquinas possuem todas as respostas.
Mas uma sociedade em que pessoas e organizações desenvolvem uma capacidade muito maior de aprender continuamente.
