Empresas de todos os portes correm para incorporar inteligência artificial generativa em rotinas de RH, marketing e suporte técnico. Mas, segundo pesquisa citada pela Harvard Business Review, esse movimento pode ter um efeito colateral perigoso: funcionários começam a aceitar respostas automáticas sem questionar — e o pensamento crítico se esvai. O fenômeno ganhou até nome: decadência do conhecimento.
Quando a IA vira “sopão” de conteúdo e erode a confiança
O professor Matthias Holweg, da Saïd Business School (Universidade de Oxford), e o analista Thomas H. Davenport observaram três pontos-chave que colocam em risco a qualidade do trabalho humano:
1. Verificação: separar o que foi escrito por pessoas do que foi gerado por IA leva tempo e pode anular ganhos de produtividade. No recrutamento, por exemplo, já existem candidatos que usam chatbots para responder a perguntas de entrevista em tempo real. O resultado? Seleções infladas por currículos impecáveis, mas pouco autênticos.
2. Validação: mesmo quando um relatório ou apresentação sai “perfeita”, fica a dúvida: quanto do valor foi criado pelo especialista humano e quanto veio do algoritmo? Para consultorias que vendem conhecimento, essa transparência é vital.
3. Entropia: a cada nova iteração, um modelo de linguagem grande (LLM) se distancia dos dados originais — como no telefone sem fio. O risco aumenta quando modelos são treinados em dados sintéticos gerados por outras IA, fenômeno apelidado de model collapse ou “endogamia generativa”.
IA sem freio? Veja como conter o problema antes que ele escale
Holweg e Davenport defendem passos práticos que qualquer gestor pode adotar já:
• Restrinja o uso a tarefas onde a IA realmente agrega valor. Um bom filtro é perguntar: sem a máquina, a entrega seria inviável ou apenas mais lenta?
• Padronize formulários e colete dados objetivos. Em vez de currículos livres (fáceis de otimizar com ChatGPT), solicite descrições factuais de projetos, métricas e responsabilidades — informação difícil de inventar.
Imagem: Taryn Plumb
• Registre o “solo fértil” dos dados. Entrevistas com clientes contêm emoções e nuances que se perdem em resumos. Armazene o áudio ou a transcrição original e aponte onde a IA foi usada.
Modelos pequenos podem valer mais que “gigantes genéricos”
Os autores sugerem trocar LLMs públicos por Small Language Models (SLMs) treinados em dados proprietários. Além de reduzir alucinações, isso preserva know-how exclusivo — um diferencial competitivo real.
Essa visão ressoa com Satya Nadella, CEO da Microsoft. Para ele, o valor emerge do ciclo “capital humano + capital de tokens”. Ou seja, especialistas definem metas, analisam padrões e retroalimentam o sistema, criando uma memória institucional consultável que economiza tokens (e dinheiro) a cada nova interação.
Por que agir agora evita um novo “paradoxo da produtividade”
Se nada mudar, alerta a dupla de Oxford, as empresas podem reviver o mesmo paradoxo observado quando computadores invadiram os escritórios há 50 anos: muito hardware, pouco ganho real de eficiência. A solução está em políticas claras, métricas de qualidade e (acima de tudo) na combinação inteligente do melhor da máquina com o melhor das pessoas.
No fim das contas, a IA não precisa ser banida — mas guiada. Cabe aos líderes garantir que ela amplifique, e não atropele, o pensamento crítico que mantém a inovação viva.
Com informações de Computerworld
