Existe uma narrativa sedutora que acompanha cada nova onda de adoção de IA nas empresas: a de que a ferramenta vai pensar melhor do que as pessoas. Que o modelo vai identificar padrões que o analista não enxerga, recomendar a decisão que o gestor deixaria passar, e eliminar o viés humano que contamina tanto julgamento corporativo. É uma narrativa que vende bem em conferência, convence bem em conselho e justifica bem o investimento. E é, em partes críticas, profundamente equivocada.
Não porque a IA não seja capaz. É. O problema está no que acontece do outro lado: na gradual atrofia do músculo de questionamento que deveria existir em quem recebe o output. Quando a ferramenta responde com autoridade, com velocidade e com aparência de completude, o instinto humano de perguntar “mas por quê?” enfraquece. E é exatamente esse instinto, o pensamento crítico aplicado à informação que a IA produz, que determina se a organização vai usar IA para ampliar inteligência ou para automatizar erro em escala.
O paradoxo da delegação: quanto mais IA, mais julgamento
Há uma confusão estrutural que precisa ser desfeita antes de qualquer conversa sobre IA e liderança: automação de tarefa não é o mesmo que automação de julgamento. Uma IA pode automatizar a geração de um relatório financeiro, a triagem de currículos, a síntese de documentos extensos, a identificação de anomalias num pipeline de dados. Tudo isso é automação de tarefa, e libera tempo real para quem decidia manualmente.
Mas a decisão sobre o que fazer com aquele relatório, com aquele candidato, com aquela anomalia, essa continua sendo humana. E ela é melhor ou pior dependendo de quem decide. O paradoxo é que quanto mais a organização delega tarefas para a IA, mais o julgamento humano sobre os outputs da IA se torna o gargalo de qualidade. Se esse julgamento for fraco, se o executivo aceitar o que o modelo apresentou sem questionar as premissas, os dados de entrada, o recorte temporal, as definições que estão por trás dos indicadores, a automação vai mais longe na direção errada.
É como ter um carro cada vez mais potente com o mesmo treinamento de direção de vinte anos atrás. A velocidade aumentou. A capacidade de evitar o acidente, não.
O que a ausência de pensamento crítico custa na prática
Os riscos da delegação acrítica de raciocínio para IA não são abstratos. Eles se materializam em situações reconhecíveis por qualquer liderança que já trabalhou com analytics ou sistemas de recomendação. Um modelo preditivo de churn treinado com dados históricos de uma fase de crescimento do negócio vai sugerir ações de retenção calibradas para aquele contexto, e pode sistematicamente errar quando o perfil de cliente mudou mas o modelo não foi atualizado. Um sistema de analytics que recomenda corte de estoque baseado em histórico de venda pode não capturar uma mudança de sazonalidade que qualquer gerente de loja identificaria empiricamente.
Em cada um desses casos, o modelo entregou o que foi projetado para entregar. O problema está em quem recebeu o output sem perguntar o que está por trás dele. Quais dados alimentaram esse modelo? Com qual horizonte temporal? O que ficou de fora? Qual é a taxa de erro histórica nesse tipo de previsão? Essas perguntas não são técnicas, são de negócio. E são exatamente as que a liderança precisa ser capaz de fazer, mesmo que não saiba responder tecnicamente.
Existe também uma dimensão mais silenciosa desse risco: a erosão da capacidade institucional de formular boas perguntas. Organizações que operam por anos com sistemas de BI e analytics sem desenvolver a cultura de questionar o dado produzem líderes que sabem ler dashboard mas não sabem interrogar a premissa por trás do indicador. Quando a IA generativa entra nesse ambiente, ela não encontra um interlocutor crítico, encontra um receptor. E receptor de IA sem julgamento é exatamente o ambiente onde o risco se acumula de forma invisível.
Sinais de que a organização está perdendo o músculo crítico
– Decisões estratégicas são justificadas pelo modelo, não pelo raciocínio: “O sistema indicou” substitui a linha de argumentação de quem decide.
– Perguntas sobre premissas são tratadas como obstáculo técnico: quem questiona o dado é redirecionado para o time de dados, não para o responsável pela decisão.
– A velocidade de decisão é confundida com qualidade de decisão: O fato de que a IA respondeu rápido é interpretado como sinal de que a resposta é confiável.
– Não existe processo de revisão de outputs críticos: Decisões de alto impacto são tomadas com base em análise de IA sem validação independente.
O que líderes precisam cultivar, e como isso muda a organização
Pensamento crítico aplicado à IA não é ceticismo tecnológico. Não é desconfiar de tudo que o modelo produz nem exigir validação manual de cada output, isso simplesmente elimina o ganho de produtividade que justificou a adoção. É uma postura calibrada: saber quando confiar no output, quando questionar e quando validar antes de agir.
Essa calibragem começa com uma competência que raramente aparece nos programas de transformação digital: a capacidade de entender o suficiente sobre como um modelo funciona para saber quais são as suas limitações estruturais. Não é necessário saber treinar um modelo de machine learning. É necessário saber que modelos de regressão assumem linearidade, que modelos de linguagem têm viés de corpus, que qualquer sistema de recomendação reflete as escolhas de quem o projetou. Esse entendimento mínimo muda completamente a postura de quem recebe o output.
A segunda competência é mais simples e mais difícil ao mesmo tempo: a disposição de perguntar “o que esse dado não está me contando?” antes de agir. Dado bom responde à pergunta que foi feita. Dado excelente aponta para o que ninguém havia pensado em perguntar. A IA, por definição, responde ao que foi perguntado, e o que não foi perguntado fica de fora. O líder que entende isso sabe que o valor do output de IA está tanto nas respostas quanto nas perguntas que ainda não foram formuladas.
Organizações que desenvolvem essa cultura sistematicamente percebem algo contra-intuitivo: a IA se torna mais valiosa, não menos. Porque quando os usuários fazem melhores perguntas, os modelos entregam melhores respostas. Quando as premissas são questionadas, os parâmetros são ajustados. Quando os outputs são revisados por quem entende o negócio, os erros são capturados antes de se tornarem decisões. O pensamento crítico não é o freio da IA. É o que permite que ela acumule confiança dentro da organização, e não seja descartada depois do primeiro erro que ninguém questionou a tempo.
Como a Target apoia organizações nessa jornada
Aquestão do pensamento crítico na adoção de IA está no centro do trabalho que o Lab de AI & Inovação da Target realiza com clientes: não apenas implantar soluções, mas criar o ambiente onde os outputs de IA são questionados com inteligência e as decisões que dependem deles são tomadas com consciência das limitações.
O Data Office estrutura a governança que torna os dados e os modelos auditáveis, garantindo que quem decide tenha visibilidade sobre o que está por trás do número.
E o Data Squad opera na camada técnica que traduz a complexidade dos modelos em linguagem que a liderança consegue interrogar, não apenas consumir. Adotar IA com maturidade não é uma questão tecnológica. É uma questão de cultura de decisão, e cultura se constrói deliberadamente.
E por falar em agenda de inovação: no dia 26 de agosto, às 16h, a Target realiza um webinar gratuito em parceria com a HRSoul sobre um tema que está diretamente ligado à capacidade das organizações de avançar com tecnologia, a escassez de talentos técnicos e os novos modelos de construção de equipes. Evento online e gratuito.
