A Inteligência Artificial talvez não esteja nos tornando menos inteligentes. O risco é mais sutil e, possivelmente, mais profundo:
Estamos descobrindo que podemos deixar de exercer algumas das capacidades que nos tornaram inteligentes.Durante séculos, a humanidade criou ferramentas para reduzir o esforço físico. A roda diminuiu a necessidade de carregar peso, as máquinas multiplicaram a força humana, os automóveis reduziram a necessidade de caminhar longas distâncias e as calculadoras eliminaram boa parte do cálculo manual. Em praticamente todos esses casos, alguma capacidade humana foi parcialmente transferida para uma tecnologia.
A Inteligência Artificial generativa introduziu algo qualitativamente diferente nessa história. Pela primeira vez, uma tecnologia de uso massivo não se limita a substituir músculos, armazenamento de informação ou cálculos repetitivos. Ela consegue participar justamente das atividades que costumávamos associar ao exercício intelectual: interpretar, resumir, argumentar, escrever, programar, comparar alternativas, formular hipóteses, produzir explicações e até aconselhar decisões.
Estamos, portanto, diante de uma pergunta que provavelmente acompanhará esta geração durante décadas:
O que acontece com nossa capacidade de pensar quando pensar deixa de ser necessário para produzir uma resposta aparentemente inteligente?É nesse ponto que surge um conceito cada vez mais importante no debate sobre Inteligência Artificial: a rendição cognitiva.
Existe um conceito bem estabelecido na psicologia cognitiva chamado cognitive offloading, ou descarga cognitiva. Trata-se da transferência de parte de uma tarefa mental para elementos externos. Os seres Humanos fazem isso constantemente.
Anotamos um compromisso para não precisar memorizá-lo. Utilizamos GPS para não decorar um caminho. Salvamos números no celular em vez de memorizar telefones. Utilizamos calculadoras para operações matemáticas. E isso hoje em dia está bastante crítico para mim, eu sequer sei o número telefônico de minha família, todos os números estão na agenda do Smartphone.
A descarga cognitiva, por si só, não é necessariamente ruim. Pelo contrário, ela pode liberar recursos mentais para tarefas mais importantes.
O problema aparece quando deixamos de terceirizar apenas a execução e começamos a terceirizar também a compreensão, o julgamento e a decisão.Existe uma diferença gigantesca entre perguntar à IA:
"Quais argumentos existem a favor e contra esta hipótese?"
e perguntar:
"Qual é a resposta certa?"
No primeiro caso, a IA amplia o espaço intelectual disponível ao usuário. No segundo, existe o risco de substituí-lo.
É justamente nessa fronteira que podemos localizar a rendição cognitiva: o momento em que deixamos de utilizar a máquina para ampliar nosso raciocínio e passamos a aceitar que ela raciocine em nosso lugar, e o pior, muitas pessoas o fazem sem questionar, sem comparar com outra fonte de informação, simplesmente aceitam!
Uma pesquisa publicada pela Microsoft Research e apresentada na CHI 2025 estudou 319 profissionais do conhecimento, coletando 936 exemplos reais de utilização de IA generativa no trabalho.
Os pesquisadores encontraram uma relação particularmente interessante:
Quanto maior a confiança dos participantes na IA, menor tendia a ser o esforço de pensamento crítico relatado. Em sentido contrário, maior confiança do profissional em sua própria capacidade estava associada a maior exercício de pensamento crítico.
Isso sugere uma questão fundamental. Talvez o maior risco não seja utilizar IA demais. Talvez seja confiar nela demais.
O estudo também observou uma transformação importante na própria natureza do trabalho intelectual. Em diversos casos, o profissional deixa parcialmente de produzir para assumir a função de verificar, integrar e supervisionar aquilo que a máquina produziu.
Essa mudança pode aumentar extraordinariamente a produtividade. Mas apresenta um paradoxo:
Para avaliar adequadamente aquilo que a IA produziu, o ser humano precisa possuir conhecimento suficiente para perceber quando a máquina está errada.Ou seja, quanto melhores forem as máquinas, mais fácil poderá ser depender delas, mas justamente essa dependência pode reduzir a prática necessária para desenvolver a competência que permite fiscalizá-las.
É um círculo potencialmente perigoso.
Aqui vejo uma oportunidade. Todo dia no Linkedin vemos diversos posts falando sobre o Etarismo, pois bem a oportunidade é que todo "cabeça branca" (pessoa em geral acima de 50 anos), tem o conhecimento necessário para poder interpretar o que a máquina responde. E aqui que muitas empresas pecam. Um tempo atrás fui em um evento e em uma palestra um empresário disse o seguinte: Na minha empresa adotamos IA para todos, mas depois de um tempo vimos que não aumentou a produtividade, colocamos alguns estagiários usando a IA achando que iam dar resultado rápido e o foi justamente o contrário. Pois bem, a adoção da IA nessa empresa foi totalmente equivocada, se tivessem colocado inicialmente para profissionais mais experientes, talvez o resultado fosse diferente.
Um dos trabalhos mais discutidos sobre o assunto foi realizado por pesquisadores ligados ao MIT Media Lab.
Participantes foram divididos em três grupos para escrever textos: um utilizando um modelo de linguagem, outro utilizando mecanismos de busca e um terceiro trabalhando sem essas ferramentas. Os pesquisadores utilizaram eletroencefalografia, além de análises linguísticas, avaliações humanas e entrevistas.
Os resultados observaram padrões diferentes de conectividade cerebral entre os grupos. O grupo que trabalhou sem ferramentas apresentou redes mais amplas e intensas, o grupo que utilizou mecanismos de busca ficou em posição intermediária e o grupo que utilizou LLM apresentou menor conectividade global durante a tarefa. Os participantes assistidos por IA também demonstraram menor sensação de autoria sobre seus textos e maior dificuldade para reproduzir trechos do que haviam acabado de escrever.
É importante não transformar isso em manchetes cientificamente irresponsáveis como "ChatGPT destrói o cérebro". Os próprios pesquisadores alertaram explicitamente contra interpretações desse tipo, e a Nature destacou limitações do experimento, incluindo seu tamanho e o perigo de generalizar seus resultados.
O estudo não demonstra que utilizar IA reduz permanentemente nossa inteligência. Mas levanta uma hipótese muito mais interessante:
A forma como utilizamos a IA pode alterar a quantidade e o tipo de esforço cognitivo empregado na realização de uma tarefa.E esforço cognitivo não é necessariamente desperdício. Muitas vezes, é justamente o mecanismo pelo qual aprendemos. Imagine dois estudantes diante do mesmo problema.
O primeiro passa quarenta minutos pesquisando, errando, confrontando informações, reformulando hipóteses e finalmente produzindo uma resposta. O segundo fornece o problema a uma IA e recebe em quarenta segundos uma resposta melhor escrita.
Se avaliarmos apenas o produto final, provavelmente concluiremos que o segundo estudante foi muito mais eficiente. Mas existe outra pergunta:
Quem aprendeu mais?
Essa distinção entre desempenho e aprendizagem tornou-se central.
A edição de 2026 do OECD Digital Education Outlook chama atenção justamente para isso. A OCDE observa que realizar melhor uma tarefa com IA generativa não significa necessariamente aprender mais. Ferramentas generalistas podem melhorar o resultado imediato enquanto o ganho desaparece, ou até se inverte, quando o estudante posteriormente precisa executar a tarefa sem auxílio.
Um ensaio controlado randomizado publicado em 2025 acompanhou 120 universitários estudando conteúdos relacionados à Inteligência Artificial. Quarenta e cinco dias depois, os participantes foram submetidos inesperadamente a um teste de retenção. O grupo que havia estudado utilizando ChatGPT obteve 57,5% de respostas corretas, enquanto o grupo que utilizou métodos tradicionais alcançou 68,5%.
Um experimento isolado não encerra a questão, mas ajuda a revelar um fenômeno importante:
Produzir conhecimento e possuir conhecimento são coisas diferentes.A IA pode permitir que alguém produza um excelente documento sobre um assunto que, na realidade, compreende superficialmente. E talvez este seja um dos maiores desafios educacionais e profissionais das próximas décadas.
Durante muito tempo, competência significava possuir conhecimento e saber aplicá-lo. A internet modificou parcialmente essa relação. Passamos de "eu sei" para "eu sei encontrar". A IA acrescenta uma terceira possibilidade:
"Eu não sei, não sei encontrar, não sei avaliar, mas sei perguntar para uma máquina que provavelmente sabe."
Isso funciona extraordinariamente bem enquanto a máquina estiver correta. O problema aparece justamente quando ela não estiver.
Uma resposta produzida por uma IA pode ser gramaticalmente impecável, logicamente organizada, tecnicamente sofisticada e completamente errada em algum aspecto fundamental.E existe uma característica particularmente perigosa: modelos de linguagem não precisam demonstrar insegurança proporcional à incerteza da resposta. Uma afirmação falsa pode aparecer com exatamente a mesma fluência linguística de uma verdadeira. Portanto, quanto maior a capacidade da IA de parecer competente, maior precisa ser a capacidade humana de verificar competência.
Imagine um jovem programador em 2030, desde seus primeiros contatos profissionais, ele utiliza agentes capazes de gerar código, detectar erros, criar testes, documentar sistemas e propor arquiteturas, sua produtividade pode ser extraordinária, mas suponhamos que, depois de dez anos, grande parte do código tenha sido produzida por máquinas.
Teremos então um profissional extremamente experiente em administrar a produção de software por IA, mas talvez menos experiente em construir determinadas soluções desde seus fundamentos.
Agora surge um problema crítico, quando o agente cometer um erro sofisticado, quem possuirá conhecimento suficiente para identificá-lo?
O mesmo raciocínio vale para médicos, advogados, engenheiros, jornalistas, contadores, administradores, pesquisadores e praticamente qualquer profissão baseada em conhecimento.
Podemos chegar a uma situação paradoxal na qual seres humanos serão responsáveis por supervisionar máquinas que executam atividades que esses mesmos humanos praticaram cada vez menos.
Esse fenômeno é conhecido em outros contextos como deskilling, a perda gradual de determinadas competências em consequência da automação.
Uma revisão publicada em 2026 pelos pesquisadores F. Noorbehbahani e K. Oyibo, intitulada AI-overdependence and human cognitive decline: Hazards, evidence, and mitigation strategies, examinou os riscos associados à dependência excessiva de sistemas de Inteligência Artificial, reunindo estudos sobre descarga cognitiva, automação, perda de habilidades e possíveis efeitos sobre capacidades cognitivas. Os autores apontam evidências de dependência e deskilling em determinados contextos, mas também destacam importantes lacunas na literatura e a necessidade de pesquisas longitudinais capazes de avaliar se esses efeitos podem produzir consequências cognitivas duradouras.
Seria intelectualmente desonesto concluir que IA necessariamente reduz pensamento crítico.
Uma revisão sistemática publicada em 2026 por Changyue Li, Hang Cui e Linda Serra Hagedorn, na revista científica Computers and Education: Artificial Intelligence, analisou 67 estudos empíricos realizados entre 2022 e 2025 sobre os efeitos do ChatGPT no pensamento crítico e na criatividade no ensino superior. A revisão encontrou um cenário que não permite uma conclusão simplista de que a Inteligência Artificial necessariamente melhora ou prejudica nossas capacidades cognitivas. Os resultados indicam que seus efeitos dependem fortemente da maneira como a tecnologia é utilizada: quando incorporada a atividades estruturadas que exigem investigação, reflexão, argumentação, metacognição e avaliação crítica das respostas, a IA pode contribuir para o desenvolvimento de habilidades cognitivas de ordem superior. Em contrapartida, utilizações pouco estruturadas ou excessivamente dependentes da ferramenta podem favorecer descarga cognitiva, dependência e menor engajamento crítico. O estudo, publicado pela Elsevier, pode ser consultado diretamente na ScienceDirect e também por meio de seu DOI: 10.1016/j.caeai.2026.100571.
A conclusão é muito mais interessante do que simplesmente dizer "IA faz mal" ou "IA faz bem", o efeito depende de como ela é utilizada.
Quando incorporada a atividades estruturadas que exigem investigação, reflexão, argumentação, metacognição e avaliação das respostas, a IA pode contribuir para o desenvolvimento cognitivo. Em utilizações não estruturadas, porém, aparecem padrões de descarga cognitiva e menor engajamento crítico. Isso muda completamente a discussão. A pergunta correta deixa de ser:
"Devemos usar IA?"
e passa a ser:
"Que tipo de comportamento intelectual estamos criando ao usar IA?"
Podemos imaginar duas maneiras radicalmente diferentes de utilizar uma Inteligência Artificial, na primeira, ela funciona como prótese cognitiva. "Escreva isso." "Resuma aquilo." "Resolva este problema." "Diga o que devo fazer." "Escolha a melhor alternativa." "Analise isso para mim."
Pouco a pouco, atividades que exigiam interpretação, elaboração e julgamento são transferidas para a máquina. Existe, porém, uma segunda possibilidade.
A IA pode funcionar como uma espécie de academia cognitiva.
Em vez de pedir a resposta, posso apresentar meu raciocínio e pedir que a máquina encontre falhas. Posso solicitar contra-argumentos. Posso pedir que ela defenda uma posição contrária à minha. Posso elaborar uma solução antes de consultar a IA e posteriormente comparar as duas. Posso pedir fontes que contradigam determinada hipótese. Posso exigir que a IA identifique premissas escondidas em meu argumento. Posso pedir três interpretações incompatíveis do mesmo conjunto de evidências. Posso perguntar: "O que eu não estou percebendo?"
Nesse modelo, a máquina não substitui o pensamento, ela cria resistência para que ele se desenvolva.
Uma análise publicada em 2026 sobre o uso educacional de grandes modelos de linguagem (LLMs) chama atenção para a importância de preservar aquilo que os pesquisadores descrevem como fricção cognitiva, ou seja, não eliminar completamente o esforço intelectual do processo de aprendizagem. A proposta é utilizar a Inteligência Artificial como uma parceira provisória do pensamento, e não como substituta dele, criando experiências educacionais que alternem deliberadamente momentos com e sem assistência da IA e que estimulem o estudante a questionar, verificar e avaliar criticamente as respostas produzidas pelos modelos. Nessa perspectiva, a eficiência proporcionada pela IA não deve eliminar justamente o esforço cognitivo necessário para desenvolver compreensão, autonomia intelectual e pensamento crítico. A pesquisa pode ser consultada diretamente na ScienceDirect.
É uma diferença enorme. Um halter não levanta nosso braço, ele oferece resistência para que nosso braço fique mais forte. Talvez precisemos aprender a utilizar IA da mesma maneira.
Existe ainda uma dimensão geracional que merece atenção especial, um adulto que começou a utilizar IA aos cinquenta anos passou décadas formando determinadas estruturas cognitivas antes de ter acesso à ferramenta, uma criança que crescer cercada por agentes inteligentes terá uma experiência completamente diferente. Ela poderá perguntar antes de tentar descobrir. Poderá resumir antes de ler. Poderá gerar antes de escrever. Poderá traduzir antes de aprender. Poderá resolver antes de compreender. Poderá receber uma interpretação antes de formar a própria.
É por isso que a discussão educacional sobre IA não pode ficar limitada à pergunta "o aluno colou ou não colou?". Essa talvez seja a parte menos interessante do problema. A questão realmente importante é:
Quais capacidades cognitivas precisam ser exercitadas antes de serem delegadas?
Em junho de 2026, a OCDE e a Comissão Europeia publicaram o Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education, um framework de alfabetização em Inteligência Artificial voltado à educação básica. O documento defende que crianças e adolescentes não devem ser preparados apenas para usar ferramentas de IA, mas também para compreender seus princípios de funcionamento, reconhecer suas possibilidades e limitações, avaliar criticamente as informações e respostas que produzem e utilizá-las de maneira consciente e responsável. A proposta reforça uma ideia essencial para a educação na era da IA: formar estudantes capazes de interagir com sistemas inteligentes sem abrir mão do julgamento crítico e da própria autonomia intelectual. O documento oficial está disponível na OECD Publishing.
Dados recentes discutidos pela própria OCDE a partir do PISA também reforçam a importância crescente de habilidades como distinguir fatos de opiniões, lidar com ambiguidade e avaliar criticamente informações em um mundo saturado por conteúdo produzido ou intermediado por máquinas.
A história da tecnologia nos ensinou a associar facilidade a progresso, se uma tarefa demorava três horas e agora demora três minutos, aparentemente avançamos. Na maioria das situações, isso continua verdadeiro.
Mas aprendizagem possui uma característica peculiar: parte da dificuldade é justamente o que produz o benefício.
Aprender matemática exige resolver problemas. Aprender programação exige programar. Aprender argumentação exige argumentar. Aprender a escrever exige escrever. Aprender a decidir exige decidir.
Não existe academia onde possamos terceirizar nossas flexões e receber músculos em troca. Talvez exista um equivalente intelectual dessa regra.
Se terceirizarmos sistematicamente todas as tarefas cognitivamente difíceis, podemos continuar produzindo resultados cada vez melhores enquanto determinadas capacidades utilizadas para produzi-los são cada vez menos exercitadas.
Esse é o paradoxo da rendição cognitiva:
Podemos parecer intelectualmente mais capazes exatamente enquanto nos tornamos mais dependentes da inteligência externa que produz essa aparência.Talvez seja necessária uma nova disciplina intelectual para a era da Inteligência Artificial. Antes de perguntar alguma coisa à máquina, poderíamos fazer uma pergunta a nós mesmos:
"Estou utilizando a IA porque quero pensar melhor ou porque não quero pensar?"
Essa pergunta separa dois futuros muito diferentes, em um deles, construímos máquinas extraordinariamente inteligentes e gradualmente entregamos a elas nossa curiosidade, memória, interpretação, criatividade, julgamento e autonomia intelectual. No outro, utilizamos essas mesmas máquinas para confrontar nossas certezas, ampliar nossa curiosidade, testar argumentos, descobrir perspectivas que não consideraríamos sozinhos e aprender numa velocidade anteriormente impossível.
A tecnologia é praticamente a mesma. O comportamento humano é que muda.
No século XX, uma pessoa alfabetizada precisava saber ler e escrever. No início da internet, acrescentamos a necessidade de saber pesquisar. Na era das redes sociais, descobrimos, dolorosamente, que também precisávamos saber verificar. Agora surge uma nova competência:
Saber pensar ao lado de uma inteligência artificial sem entregar a ela a responsabilidade de pensar por nós.Talvez essa seja uma das habilidades mais importantes do século XXI. Não deveríamos ensinar apenas prompt engineering. Precisaremos ensinar algo muito mais fundamental: quando não fazer um prompt.
Precisaremos preservar espaços de dúvida, investigação, leitura longa, tentativa, erro, memória, discussão e elaboração própria. Não porque devamos rejeitar a Inteligência Artificial, exatamente pelo contrário. Quanto mais poderosa ela se tornar, mais importante será desenvolver seres humanos capazes de questioná-la.
A verdadeira divisão digital do futuro talvez não seja entre aqueles que possuem e aqueles que não possuem acesso à Inteligência Artificial. À medida que essas ferramentas se tornarem universais, outra divisão poderá surgir. De um lado estarão aqueles que utilizam IA para substituir o pensamento. Do outro, aqueles que aprenderem a utilizá-la para multiplicar o pensamento.
Os primeiros poderão produzir muito. Os segundos poderão compreender muito.
E, em um mundo no qual qualquer pessoa terá acesso instantâneo a respostas extraordinárias, talvez o recurso verdadeiramente escasso deixe de ser a resposta. Será a capacidade humana de formular a pergunta certa, desconfiar da resposta recebida e ter conhecimento suficiente para dizer à máquina:
"Você pode estar errada. Vamos verificar."
Essa talvez seja a diferença entre inteligência aumentada e rendição cognitiva.
Referências bibliográficas e leituras
Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of CHI 2025, ACM. DOI: 10.1145/3706598.3713778. Microsoft Research, estudo sobre IA e pensamento crítico
Kosmyna, N. et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab / arXiv. MIT Media Lab, Your Brain on ChatGPT
Nature (2025). Does using ChatGPT change your brain activity? Study sparks debate. Uma discussão importante sobre os resultados e as limitações do experimento do MIT. Nature, análise crítica do estudo
Estudo experimental sobre retenção de conhecimento (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. O estudo comparou retenção após 45 dias entre estudantes que utilizaram ChatGPT e métodos tradicionais. ScienceDirect, estudo sobre ChatGPT e retenção de conhecimento
Tian, J.; Zhang, R. (2025). Learners' AI dependence and critical thinking: The psychological mechanism of fatigue and the social buffering role of AI literacy. Estudo com 580 universitários sobre dependência de IA, fadiga cognitiva e pensamento crítico. ScienceDirect, dependência de IA e pensamento crítico
Systematic Review (2026). The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes. Revisão de 67 estudos empíricos realizados entre 2022 e 2025. ScienceDirect, revisão sistemática de 67 estudos
Scaffolding Critical Thinking with Generative AI (2026). Trabalho sobre princípios para utilização de LLMs preservando pensamento crítico e agência epistêmica. ScienceDirect, IA e desenvolvimento do pensamento crítico
AI-overdependence and human cognitive decline (2026). Revisão sobre superdependência de IA, perda de habilidades, descarga cognitiva e possíveis estratégias de mitigação. ScienceDirect, revisão sobre dependência cognitiva de IA
OECD (2026). OECD Digital Education Outlook 2026. Relatório sobre IA generativa, aprendizagem, esforço cognitivo e educação. OECD Digital Education Outlook 2026
OECD & European Commission (2026). Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education. OECD Publishing. DOI: 10.1787/65cd27d4-en. Framework de alfabetização em IA da OCDE e Comissão Europeia
OECD/PISA (2026). Discussão sobre IA, leitura, aprendizagem e capacidade de distinguir fatos de opiniões e avaliar informações criticamente. PISA, IA, leitura e pensamento crítico