A IA promete rapidez. O ponto crucial é compreender o que se está a acelerar. Num estudo divulgado em 2025 pela Polytechnique Insights, quem utilizava o ChatGPT para escrever um ensaio era 60% mais rápido, mas também apresentava uma redução de 32% na carga cognitiva relevante; além disso, 83% não conseguiam recordar um trecho que acabavam de escrever, de acordo com a análise publicada pela Polytechnique Insights. Para uma empresa, isto não é um pormenor académico. É um sinal operacional.
Quando uma equipa utiliza a IA para produzir relatórios, resumos, previsões ou explicações, a eficiência pode aumentar rapidamente. Mas se a utilização se tornar passiva, o trabalho cognitivo não desaparece. Simplesmente muda de lugar. As pessoas fazem menos análises autónomas, menos verificações, menos construção de argumentos próprios. O risco não é «tornarmo-nos menos inteligentes». O risco é perder o treino precisamente nas competências que são necessárias quando o resultado automático é ambíguo, incompleto ou simplesmente errado.
É por isso que o tema da «atrofia das competências de pensamento crítico» no contexto da IA interessa sobretudo às PME, às equipas de análise de dados, ao retalho, às finanças e às funções operacionais. Não é preciso abdicar da IA. É preciso conceber fluxos de trabalho que mantenham o julgamento humano ativo. É aí que reside a verdadeira vantagem competitiva.
A adoção da IA nas empresas é frequentemente apresentada como uma simples questão de produtividade. Mais rapidez, menos trabalho manual, mais automação. Isso é verdade apenas em parte. A questão mais importante é outra: se a IA realiza o trabalho intelectual no lugar da equipa, o que é que realmente resta dentro da organização?
Para uma PME italiana, esta questão é mais importante do que parece. A elaboração de relatórios, a previsão, a classificação, o apoio à tomada de decisões e a análise de síntese são atividades cada vez mais delegadas a sistemas generativos. A curto prazo, o resultado parece positivo. A médio prazo, porém, pode surgir um custo menos visível: a perda de autonomia na compreensão, verificação e defesa de uma decisão.
O temada «atrofia das competências de pensamento crítico» na IA deve ser interpretado desta forma. Não como uma cruzada contra a tecnologia, mas como um desafio de design organizacional. As empresas mais maduras não serão aquelas que automatizam tudo. Serão aquelas que distinguem com precisão entre o uso da IA que aumenta a competência e o uso da IA que a substitui.
Uma parte do risco associado à IA não decorre de erros espetaculares. Decorre de processos que funcionam suficientemente bem para já não serem postos em causa.
A atrofia do pensamento crítico causada pela IA descreve exatamente isto: um enfraquecimento seletivo de competências que só se mantêm fortes se forem exercitadas de forma contínua. Não estamos a falar de um declínio geral da inteligência. Estamos a falar de competências muito específicas, decisivas no trabalho de gestão e análise: formular hipóteses, comparar explicações alternativas, verificar incongruências, defender uma conclusão quando os dados são incompletos ou ambíguos.
Para uma PME, a questão relevante não é se a IA permite poupar tempo. A questão relevante é de natureza mais operacional: o tempo poupado é reinvestido numa tomada de decisão mais informada, ou a tomada de decisão é totalmente dispensada?
É aqui que passa a linha que realmente importa para o negócio. Uma equipa financeira que utiliza a IA para limpar dados, reorganizar categorias ou sintetizar um relatório está a reduzir as atividades de baixo valor cognitivo. Uma equipa que pede à IA para interpretar anomalias, estimar o risco e sugerir a decisão final está, pelo contrário, a transferir para a máquina a parte do trabalho que desenvolve a competência interna.
A distinção relevante, portanto, não é «IA sim ou não». Trata-se de uma utilização assistida versus uma utilização substitutiva.
Esta diferença parece subtil apenas no papel. Na prática, o que muda é aquilo que a organização consegue fazer por si própria.
A atrofia não começa quando uma equipa recorre frequentemente à IA. Começa quando deixa de realizar os passos mentais intermédios.
Se cada análise já vier organizada, comentada e priorizada, a pessoa vê o resultado, mas pratica menos o percurso que conduz a esse resultado. Com o tempo, acabam por se treinar menos algumas operações que tornam um julgamento fiável: decompor um problema, distinguir o sinal do ruído, procurar contra-argumentos, avaliar compromissos entre opções imperfeitas.
O risco, portanto, não é a resposta automática em si. O risco é um fluxo de trabalho que leva a equipa a aprovar sem repensar o raciocínio.
A pergunta correta que um gestor deve fazer é simples: quem, neste processo, ainda é obrigado a formar uma opinião independente antes de aprovar o resultado?
A utilização passiva da IA não afeta todas as competências da mesma forma. As primeiras a diminuir são aquelas que exigem esforço cognitivo, ou seja, um trabalho mental lento, comparativo e verificável.
A questão não é eliminar a IA. A questão é evitar que ela elimine precisamente aquela parte do trabalho em que a equipa deveria questionar, comparar e verificar.
As pesquisas mais relevantes atualmente não servem para sustentar a tese simplista de que a IA «torna as pessoas estúpidas». Servem para esclarecer um risco mais concreto para quem gere pessoas e processos: à medida que a automação cognitiva avança, uma parte dos utilizadores tende a transferir para o sistema não só a execução, mas também o controlo de qualidade.
Um exemplo frequentemente citado neste debate é o artigo da Microsoft Research sobre a relação entre a IA generativa e o pensamento crítico, que analisa como o uso frequente de ferramentas generativas está associado a uma redução do pensamento crítico em certas atividades que exigem um elevado nível de conhecimento. O que é interessante para um gestor não é a fórmula estatística em si. É o mecanismo organizacional que daí emerge: quanto mais o sistema produz uma resposta plausível, mais fácil se torna confundir plausibilidade com fiabilidade.
Isto altera a natureza das competências exigidas. O valor não recai sobre quem obtém um resultado mais rapidamente, mas sim sobre quem sabe testar os pressupostos, os limites e as condições de utilização. Para as empresas, o ponto mais relevante é outro. A adoção da IA pode aumentar a produtividade a curto prazo e reduzir a capacidade de diagnóstico a médio prazo, se o fluxo de trabalho não incluir etapas explícitas de verificação.
É por isso que o debate mais útil não se centra apenas na potência do modelo, mas também na ilusão do raciocínio no mundo da IA. Um resultado convincente pode parecer pensamento. Em muitos casos, trata-se apenas de uma boa síntese linguística de padrões já observados.
Um processo tende a reforçar a competência quando a IA fornece um resultado, mas a pessoa ainda tem de explicitar os pressupostos, verificar exceções relevantes, comparar pelo menos uma alternativa e justificar a escolha final.
Um processo tende a consumir competência quando a pessoa lê, revê e aprova.
A diferença está precisamente aqui. Não na ferramenta, mas na conceção do trabalho.
Uma PME bem concebida utiliza a IA para melhorar a qualidade do julgamento, e não para abdicar do próprio julgamento.
Para uma PME, o risco raramente surge como um problema teórico. Surge como uma decisão aprovada precipitadamente, uma previsão que ninguém questiona, um painel de controlo que orienta o orçamento sem uma discussão real sobre as exceções. O custo não é apenas um erro isolado. É uma perda progressiva da capacidade da equipa de compreender por que razão uma decisão é correta, frágil ou errada.
A questão estratégica é esta. A IA não prejudica as competências de forma uniforme. Reforça-as quando acelera a análise, mantendo visíveis as hipóteses, os limites e as alternativas. Esgota-as quando apresenta uma conclusão pronta e o trabalho humano se resume a aprovar, aperfeiçoar e encaminhar.
Um responsável pelo comércio eletrónico recebe uma previsão de vendas gerada por um sistema de IA. O valor final parece coerente com a evolução recente, pelo que é utilizado para planear novas encomendas, promoções e a alocação do orçamento de publicidade. O problema surge mais tarde. O modelo tinha incorporado um pico temporário devido a uma campanha não replicável, ou tinha interpretado de forma distorcida a combinação entre canais, margens e rotação de algumas categorias.
Nestes casos, a equipa não falha por falta de preparação. Falha porque o processo valoriza mais a rapidez da aprovação do que a qualidade da análise.
As consequências operacionais são imediatas:
Para uma grande empresa, estes erros podem ser absorvidos. Para uma PME, podem comprometer o fluxo de caixa, a margem de lucro e a capacidade de reação num único trimestre.
No domínio das finanças e dos relatórios de risco, a questão é mais complexa. Um analista utiliza um relatório gerado por IA para preparar uma verificação de conformidade ou um resumo de risco. O documento identifica padrões, exceções e prioridades. O analista verifica rapidamente a forma, o vocabulário e a coerência aparente, e depois encaminha o material para o responsável.
O risco não diz respeito apenas à precisão dos dados. Diz respeito à hierarquia da atenção. Se o resultado do modelo já decide o que é relevante, o leitor tende a prestar mais atenção ao que foi destacado e menos ao que ficou de fora. As exceções mais dispendiosas, em muitos processos, são precisamente aquelas que se situam à margem do padrão dominante.
Uma análise publicadapelo IE Center for Health and Well-being sobre os efeitos cognitivos da IA destaca um aspeto relevante para o contexto empresarial: o uso frequente da IA sem contexto e supervisão pode reduzir a ativação do pensamento crítico e aumentar a dependência de atalhos cognitivos, como o viés de automação e a aceitação passiva dos resultados. Por isso, em processos de alto impacto, são necessárias etapas de revisão humana substancial e interfaces que tornem visíveis as fontes, o nível de fiabilidade e as áreas de incerteza.
Quando um sistema funciona de forma organizada, a equipa pode deixar de procurar o que não aparece.
Os gestores podem identificar o problema antes que se torne estrutural. Os sinais mais úteis não são de natureza técnica. São comportamentais.
É aqui que se joga uma parte importante da competitividade das PME. A adoção madura da IA não consiste em automatizar o maior número possível de etapas. Consiste em separar as etapas em que a máquina acelera a análise daquelas em que o ser humano deve continuar a ser responsável pela dúvida, interpretação e decisão. Uma referência útil, a nível organizacional, é a contribuição da ELECTE dedicada à construção de equipas que prosperam com fluxos de trabalho potenciados pela inteligência artificial.
Uma mitigação eficaz começa por uma escolha de gestão. O objetivo não é aumentar o número de tarefas atribuídas à IA, mas sim proteger as etapas do processo em que se forma o julgamento. Nas PME, o verdadeiro risco não é utilizar demasiado a IA. É utilizá-la nas fases erradas, a ponto de transformar pessoas competentes em meros validadores de resultados.
Uma estratégia útil distingue, portanto, entre dois usos muito diferentes. O primeiro aumenta a velocidade sem comprometer a qualidade do raciocínio. O segundo reduz o esforço cognitivo a curto prazo, mas enfraquece a capacidade da equipa de analisar casos ambíguos, exceções e compromissos. Por isso, a pergunta correta não é «onde podemos automatizar?». É «em que etapas a automatização melhora o trabalho sem comprometer a competência?».
Primeiro pilar: política de utilização responsável
Uma política séria atribui responsabilidades precisas. Deve esclarecer quais as decisões que podem ser apoiadas pela IA, quais as que requerem uma revisão substancial e quais as que não devem ser delegadas de todo. É também aconselhável definir requisitos mínimos de rastreabilidade: hipóteses utilizadas, dados em falta, verificação efetuada e nome do responsável pela decisão final. Desta forma, o controlo não fica implícito.
Segundo pilar: redesenho dos fluxos de trabalho
É aqui que se decide se a IA reforça ou enfraquece a equipa. Um fluxo de trabalho bem concebido utiliza o sistema para gerar opções, sinalizar anomalias, simular cenários e pôr à prova as hipóteses iniciais. Um fluxo de trabalho deficiente, por outro lado, exige diretamente uma conclusão pronta. A diferença operacional é clara: no primeiro caso, o colaborador tem de interpretar; no segundo, tem apenas de aprovar.
Terceiro pilar: formação orientada para a avaliação
Não basta formar as pessoas na utilização da ferramenta. É necessário treinar a equipa para verificar as condições de validade, os limites do modelo, os conflitos com os dados internos e as explicações alternativas. Para os cargos juniores, isto é ainda mais importante. Uma abordagem útil consiste em introduzir momentos de aprendizagem por descoberta nos processos de trabalho, em que a pessoa chega a uma primeira interpretação autónoma antes de se confrontar com o sistema.
Quarto pilar: monitorização do comportamento decisório
As métricas de produtividade, por si só, não são suficientes. Se uma equipa entrega mais rapidamente, mas formula menos hipóteses próprias, a melhoria é apenas aparente. Os gestores devem observar indicadores concretos: número de cenários alternativos discutidos, qualidade das explicações, frequência de contestações fundamentadas aos resultados da IA e capacidade de reconhecer exceções sem assistência.
A questão mais delicada diz respeito àqueles que ainda estão a desenvolver o seu próprio método de trabalho. No caso de um profissional sénior, a IA tende a integrar-se em estruturas cognitivas já estabelecidas. No caso de um profissional júnior, pode ocupar esse espaço antes mesmo de os critérios pessoais se consolidarem.
Isto altera a forma como uma PME deve organizar a integração, o acompanhamento e a avaliação. Se o novo colaborador utilizar a IA para produzir respostas demasiado cedo, o gestor observa uma boa rapidez de execução, mas perde a visibilidade do processo mental subjacente. Trata-se de um risco operacional, não apenas formativo. Após alguns meses, a equipa pode deparar-se com pessoas que apresentam resultados aceitáveis em contextos padrão, mas que enfrentam dificuldades assim que o problema se desvia do roteiro.
Para reduzir esse risco, é aconselhável estabelecer regras simples e verificáveis:
Uma organização madura não se limita a avaliar a rapidez com que um colaborador júnior cumpre as suas tarefas. Avalia se este está a desenvolver competências que continuarão a ser úteis mesmo quando os resultados automáticos estiverem errados, incompletos ou enganadores.
A qualidade de um fluxo de trabalho com IA depende de uma escolha de conceção: utilizar o sistema para produzir uma resposta final ou para melhorar a qualidade do julgamento humano. Para uma PME, esta distinção é mais importante do que a ferramenta escolhida, pois determina se a equipa desenvolve critério ou se fica dependente.
No debate sobre a IA, o aspeto menos compreendido é, muitas vezes, o de natureza operacional. O risco não decorre da automatização em si. Surge no momento em que uma pessoa deixa de formular hipóteses, comparar alternativas e verificar pressupostos, porque o sistema já preparou a conclusão. A contribuição da ANSI sobre a relação entre a IA e o pensamento crítico aborda precisamente esta questão: o efeito da IA varia consoante a forma como é integrada no processo de tomada de decisão.
Por isso, a categoria útil para planear bem os fluxos não é «IA presente» ou «IA ausente». É «uso assistido» versus «uso substitutivo».
| Atividades | Fluxo de trabalho de risco (uso alternativo) | Fluxo de trabalho otimizado (utilização assistida) |
|---|---|---|
| Análise de marketing | A IA redige o relatório final da campanha e o profissional de marketing limita-se a rever o tom e a forma | A IA sinaliza anomalias, agrupamentos inesperados e possíveis hipóteses. O profissional de marketing verifica, interpreta e chega a uma conclusão |
| Previsão da cadeia de abastecimento | O sistema gera uma proposta de reabastecimento pronta para aprovação | O sistema simula cenários alternativos. O responsável compara custos, restrições e probabilidades de ruptura de stock |
| Relatórios de gestão | A IA elabora um resumo final para a direção | A IA elabora um rascunho em que as hipóteses e os pontos incertos são explicitados. O gestor confirma, corrige ou rejeita |
| Resolução operacional de problemas | O utilizador procura a melhor solução | O utilizador solicita opções, compromissos, exceções e verificações a realizar antes de tomar uma decisão |
A diferença parece subtil. No que diz respeito às competências, não o é.
Um analista de marketing que recebe da IA um relatório quase concluído trabalha mais rapidamente, mas treina pouco a capacidade que gera valor a longo prazo: compreender se uma queda na conversão se deve à segmentação, à criatividade, à sazonalidade ou à qualidade do lead. Se, em vez disso, utilizar a IA para identificar padrões anómalos, segmentos a isolar e dados em falta, o sistema torna-se um acelerador da análise, e não um substituto do raciocínio.
O mesmo se aplica à cadeia de abastecimento. Um responsável que aprova uma proposta de reabastecimento plausível, mas pouco transparente, corre o risco de perceber tarde demais que o modelo não teve em conta uma restrição real, como um prazo de entrega instável ou uma promoção comercial iminente. Um fluxo bem concebido utiliza a IA para gerar cenários, não para tomar a decisão final. O trabalho humano concentra-se nas prioridades, nas exceções e no risco operacional.
Aqui surge um critério de gestão pouco discutido. Um bom fluxo de trabalho não se limita a reduzir o tempo de execução. Mantém visível o ponto em que se origina a decisão.
Três princípios ajudam a criar processos deste tipo:
Para as equipas que pretendem crescer sem transformar a IA num atalho cognitivo, vale a pena retomar os princípiosda aprendizagem por descoberta. Quando aplicado aos fluxos de trabalho empresariais, isso significa conceber interações em que o sistema alarga o leque de perguntas e verificações, em vez de o restringir prematuramente.
Chegados a este ponto, o caminho a seguir é claro. Não tens de escolher entre produtividade e capacidade de raciocínio. Tens de conceber um sistema em que a produtividade não consuma silenciosamente o teu discernimento.
Identifique as tarefas em que a equipa delega demasiado cedo
Analise relatórios, previsões, resumos e classificações. Pergunte-se em que casos a IA já fornece a resposta final e em que casos ainda apoia o raciocínio.
Classifique os fluxos de trabalho por impacto na tomada de decisões
As atividades de alto impacto devem incluir uma verificação humana explícita, uma comparação com referências internas e um registo das premissas.
Reformule os prompts e as solicitações d
. Em vez de pedir «dá-me a conclusão», peça «mostra-me três hipóteses», «assinala anomalias», «indica o que falta», «propõe cenários alternativos».
Ensine a equipa a explicar o porquê
Qualquer resultado importante deve poder ser defendido verbalmente por quem o apresenta. Se isso não acontecer, o processo está a criar dependência.
Proteja o percurso dos perfis juniores
Para os mais jovens, a IA deve ser utilizada de forma mais estruturada. Menos substituição direta, mais exercícios orientados de verificação, comparação e argumentação.
Recompense a dúvida bem fundamentada
Se uma organização incentivar apenas a rapidez e o cumprimento dos prazos, a equipa recorrerá à IA para concluir o trabalho. Se também recompensar a qualidade da interpretação, surgirão comportamentos muito diferentes.
Uma empresa que utiliza bem a IA não cria dependência. Cria pessoas que raciocinam melhor, mais rapidamente e com maior contextualização. É esta a diferença entre uma automatização frágil e uma vantagem competitiva duradoura.
Se quiser utilizar a IA para acelerar as decisões sem perder transparência e capacidade de análise, pode ver como a ELECTE, uma plataforma de análise de dados baseada em IA para PME, ajuda as equipas a transformar dados brutos em insights compreensíveis, verificáveis e úteis para a tomada de decisões. Para quem deseja crescer sem delegar o julgamento à máquina, é um bom ponto de partida.
.svg)
.svg)
.svg)
