Entre o apocalipse de ficção científica e o entusiasmo corporativo, há um custo que ninguém está medindo: a atrofia silenciosa da curiosidade, o músculo que decide o que vale a pena automatizar.

O CEO havia fundado a empresa quinze anos antes. Na época, todos achavam que ele era louco: os investidores, os funcionários em potencial, até a família. Agora a empresa era multibilionária, ele tinha desenvolvido pessoalmente um novo produto baseado em IA, testado com clientes que adoraram, e entregado ao time para comercializar. Seis meses depois, nada havia acontecido. A equipe de vendas não vendia.

O marketing não promovia. Os desenvolvedores evitavam o projeto. Ninguém conseguia identificar quem estava bloqueando o que. O CEO trocou executivos-chave por pessoas explicitamente entusiastas com IA. Em alguns meses, o statu quo voltou.

Ele descrevia isso como a coisa mais frustrante da sua carreira: havia construído a empresa tomando riscos que todos consideravam impossíveis, e agora o próprio time que se beneficiara desses riscos resistia ao próximo movimento necessário.

O que ele não percebia, até conversar com Eric Ries, autor de The Lean Startup e do recém-lançado Incorruptible, é que não estava lutando contra sua equipe. Estava lutando contra a organização como entidade viva.

Ries descreve empresas como superorganismos: estruturas que mantêm fronteiras, metabolizam recursos, adaptam-se a pressões externas e exibem comportamentos que emergem das partes mas não podem ser previstos estudando essas partes isoladamente.

Mais importante: têm vontade própria de sobreviver, capaz de anular as preferências de qualquer indivíduo dentro delas, incluindo o fundador. O CEO havia criado um superorganismo cujo ethos era a inovação radical. Mas com o sucesso, o caráter emergente da organização havia se reorientado em direção à segurança, à certeza e à previsibilidade. A IA não mudou isso. Ampliou.

A resistência que ninguém consegue localizar: como o ethos de uma organização determina o que a IA vai amplificar

A observação de Ries é mais do que uma curiosidade teórica. É o ponto de entrada para entender por que tantas implementações de IA produzem resultados decepcionantes sem que ninguém consiga apontar o culpado. Ted Chiang, o escritor de ficção científica, formulou de modo preciso: “A maioria dos medos sobre IA é, na verdade, medo do capitalismo.” Quando imaginamos sistemas de IA otimizando o mundo à exaustão, sem considerar custos humanos, estamos descrevendo o que muitas organizações já fazem. A IA não cria esse desalinhamento: herda e acelera o que já existe.

Isso tem uma implicação que raramente aparece nas discussões sobre o tema: a pergunta relevante não é “para o quê a IA está otimizando?”, mas “para o quê a organização que usa a IA já estava otimizando antes?”. Se o ethos existente é a extração de valor em vez da criação, ou a performance de curto prazo em vez do desenvolvimento de capacidades, qualquer tecnologia que você introduzir vai amplificar esse padrão com eficiência crescente. A misdirection se torna elegante. O problema errado fica mais rápido de resolver.

O pânico em torno do desemprego tecnológico captura um risco real, mas funciona também como distração de um custo mais imediato e menos fotogênico: o custo cognitivo da delegação irrefletida. Não é que a IA vá substituir trabalhadores em abstrato. É que, no cotidiano de quem já usa a tecnologia, há um efeito silencioso sendo produzido sobre a capacidade de formular boas perguntas.

Certeza artificial: por que respostas rápidas e fluentes destroem o músculo que gera perguntas relevantes

Tomas Chamorro-Premuzic, chief science officer da Russell Reynolds e professor de psicologia organizacional na UCL e na Columbia University, cunhou o conceito de “certeza artificial” para descrever esse mecanismo. A IA não fornece apenas respostas: cria a ilusão de que você as compreendeu. O output é coerente, fluente, persuasivo. Mas coerência não é compreensão. O resultado é uma migração da cognição ativa para a cognição passiva: consumimos conhecimento em vez de gerá-lo, terceirizamos o raciocínio em vez de exercê-lo.

A curiosidade, do ponto de vista da neurociência, depende de incerteza. É o gap entre o que sabemos e o que queremos saber que ativa os circuitos dopaminérgicos do cérebro, o mesmo sistema envolvido na motivação e na recompensa. Quando esse gap é colapsado por respostas instantâneas e pré-embaladas, a motivação para explorar diminui. Por que investigar um problema em profundidade quando uma máquina resolve em segundos? Por que desenvolver compreensão real quando o entendimento superficial é suficiente para funcionar?

Chamorro-Premuzic usa a analogia da aptidão física: em um mundo onde máquinas fazem todo o esforço, os músculos atrofiam. A curiosidade é um músculo mental, e como qualquer músculo, enfraquece sem uso. A ironia linguística que ele aponta é sintomática: “deep learning” é hoje uma expressão associada principalmente a máquinas, enquanto o aprendizado humano arrisca se tornar progressivamente superficial. Sócrates temia que a escrita erosse a memória. O medo pode ter sido exagerado, mas a complacência também tem seus custos.

O ponto não é romantizar a lentidão ou resistir ao progresso tecnológico. É reconhecer que quando o esforço é removido do processo de aprendizado, o engajamento tende a cair; quando as respostas estão sempre disponíveis, o incentivo para questionar diminui; e quando a cognição é terceirizada com muita facilidade, as habilidades subjacentes se atrofiam. A conveniência pode silenciosamente deslocar os hábitos mentais que tornaram o progresso possível em primeiro lugar.

Otimizar vs. orientar: a distinção que explica por que 80% da solução depende da pergunta, não da resposta

Natalie Nixon, creativity strategist e autora de The Creativity Leap, usa uma distinção que ilumina o problema de um ângulo prático. Otimizar é fazer processos existentes rodarem mais rápido: dashboards, OKRs, retrospectivas. Orientar é recuar e perguntar se você está subindo a montanha certa antes de qualquer coisa. A maioria das organizações é excelente em otimização. A orientação é mais rara e muito mais valiosa.

Jim Szafranski, CEO da Prezi, aprendeu essa distinção duas vezes por caminhos distintos. Na primeira, como estudante de pós-graduação no MIT nos anos 1980, aplicando técnicas de IA na produção de uma siderúrgica. Na segunda, décadas depois, liderando uma plataforma global de apresentações na era da IA generativa. Em ambos os casos, o avanço não veio de tecnologia melhor, mas de uma pergunta melhor.

No MIT, o breakthrough aconteceu quando a equipe parou de otimizar a eficiência das máquinas e perguntou o que importava para o cliente: o prazo de entrega. Na Prezi, a virada ocorreu quando pararam de perguntar onde os usuários travavam na interface e começaram a perguntar o que eles tentavam realizar. A resposta foi inesperada: “Tenho uma apresentação amanhã. Esse é o meu problema.” Tinha pouco a ver com a beleza dos slides.

A implicação para a IA é direta, e Szafranski é explícito sobre ela: “Automação aplicada ao problema errado é apenas misdirection elegante.” No design thinking, até 80% do processo de resolução de problemas consiste em garantir que você esteja fazendo a pergunta certa antes de prototipar qualquer solução. A IA pode executar com maestria, mas só executa o que lhe é pedido. Se a pergunta está errada, a execução impecável te leva para mais longe do destino correto.

Há uma diferença entre líderes que prosperam com IA e aqueles que ficam frustrados com ela, e raramente essa diferença é técnica. Os primeiros têm clareza sobre o problema que estão no negócio de resolver, o que torna cada ferramenta, cada contratação e cada investimento proposital em vez de reativo. Os segundos têm sofisticação tecnológica crescente e propósito difuso.

A Archischool e o contraponto construtivo: quando a IA para de homogeneizar e começa a preservar autoria

Se as três fontes anteriores constroem o diagnóstico (IA amplifica ethos existente, erode curiosidade, otimiza o problema errado), a My Archischool, instituição de educação arquitetônica de Hong Kong, oferece o contraponto operacional mais interessante que encontrei recentemente.

A premissa da escola é a seguinte: a diferença entre uma IA genérica e uma IA que funciona como parceira criativa real está na fonte dos dados de treinamento. Modelos comerciais são treinados com volumes massivos de dados raspados da internet, o que produz outputs fluentes e homogêneos, úteis para tarefas padronizadas e problemáticos para qualquer trabalho que dependa de identidade visual ou voz singular.

A Archischool ensina seus alunos a tratar seus próprios arquivos (sketches, renders, paletas de materiais, estudos de proporção) como dados de treinamento proprietários. O resultado é um modelo treinado especificamente com o repertório do criador, capaz de gerar variações que preservam sua assinatura estética em vez de diluí-la.

O fluxo cobre todo o ciclo do projeto arquitetônico: da modelagem física inicial, fotografada e processada pelo modelo personalizado para explorar disposição de massas e alturas em contexto urbano, até a geração de ambientes imersivos em 360 graus na fase de desenvolvimento, chegando ao detalhamento de micro-proporções, emendas e alinhamentos de materiais na fase executiva. A tecnologia envolvida inclui fotogrametria, o mesmo princípio do Google Maps aplicado a estruturas físicas para criar espaços fotorrealistas renderizáveis.

A consequência mais relevante não é tecnológica, é conceitual: a Archischool inverte a lógica padrão de consumo de IA. Em vez de usar o modelo de outra pessoa e adaptar o resultado, o criador é a fonte de treinamento da sua própria IA. O dataset deixa de ser custo ou dependência e vira ativo intelectual protegido. A autoria, em vez de ser diluída pela tecnologia, é amplificada por ela.

Isso é o oposto da homogeneização que Ries e Chamorro-Premuzic descrevem. Mas só funciona quando há um acervo singular para ser treinado, o que exige, antes de qualquer decisão tecnológica, um longo período de curiosidade ativa, exploração genuína e acúmulo de perspectiva própria. A IA como co-autora pressupõe que você tenha algo a dizer. Ela não gera isso.

O que sobra quando todos têm acesso às mesmas ferramentas: por que curiosidade é a única vantagem que a IA não replica

A convergência dessas quatro fontes aponta para um argumento que merece ser tomado a sério: estamos no início de um período em que o acesso a ferramentas de IA se tornará tão ubíquo quanto o acesso à internet ou à eletricidade. Quando isso acontecer, a ferramenta deixa de ser diferencial competitivo. O diferencial passa a ser o que você faz com ela, e isso depende inteiramente da qualidade das perguntas que você é capaz de formular.

Chamorro-Premuzic é preciso sobre a economia dessa transição: conhecimento, ao menos em suas formas mais acessíveis, está se tornando abundante e barato. A capacidade de interrogar, refinar e construir sobre esse conhecimento está se tornando mais escassa e mais valiosa. A curiosidade não é mais soft skill ou traço de personalidade agradável. É o mecanismo subjacente que sustenta o aprendizado ao longo do tempo e determina se os outputs da IA vão se traduzir em insight genuíno ou permanecer como inteligência de superfície.

O perigo não é que as máquinas pensem por nós. É que passemos a confundir fluência com profundidade e acesso com domínio, deixando de exercitar os processos que tornam o pensamento nosso.

A resistência do time do CEO que Ries descreve, a atrofia cognitiva que Chamorro-Premuzic documenta, a misdirection elegante que Nixon e Szafranski nomeiam, a homogeneização que a Archischool recusa: são instâncias diferentes do mesmo problema. Não estamos resolvendo o problema errado por falta de capacidade. Estamos resolvendo o problema errado porque paramos de perguntar qual é o problema certo, e a IA, que é muito boa em resolver o que lhe é pedido, não vai perguntar isso por nós.

A curiosidade que sustenta essa pergunta não nasce de slogans sobre inovação. Nasce do desconforto produtivo de não saber, da tolerância à incerteza, do hábito de ir além da resposta disponível para chegar à pergunta que ainda vale a pena fazer. Em um ambiente onde todos têm os mesmos modelos de linguagem, esse hábito é o único recurso que não tem API.

---

curiosidade estratégica custo cognitivo IA e criatividade inteligência artificial otimização