Empresas medem quanto produzem com IA. Quase nenhuma mede quantas vezes ainda conseguem discordar dela. Em 2025, 88% das organizações declararam usar inteligência artificial em pelo menos uma função. No mesmo levantamento, o State of AI da McKinsey, apenas 39% conseguiram atribuir algum impacto ao EBIT, e a maior parte desse grupo relatou efeito inferior a 5%.
Cerca de 6% das empresas concentram os resultados que importam. Os números descrevem o momento melhor do que qualquer previsão: a inteligência ficou abundante, o resultado não. A explicação usual é maturidade. Falta tempo, falta dado, falta integração. É parcialmente verdadeira e completamente insuficiente, porque o que separa o grupo de alto desempenho, segundo a mesma pesquisa, não é acesso a modelos melhores. É o redesenho profundo dos fluxos de trabalho. E redesenhar fluxo significa decidir onde a máquina entra, o que ela resolve sozinha e o que permanece julgamento humano. O gargalo não está na produção de inteligência. Está no que fazemos com ela.
A escassez mudou de lugar
A cadeia dados, informação, conhecimento e sabedoria não é nova. Foi popularizada por Russell Ackoff no fim dos anos 1980 e virou vocabulário de gestão. O que mudou não é a forma da pirâmide, é a proporção: a tecnologia comprimiu as etapas de baixo, onde análises que exigiam semanas de consultoria hoje custam uma pergunta, e deixou as de cima praticamente intocadas. Julgamento, contexto, consequência e responsabilidade seguem no mesmo lugar.
O efeito prático é desconfortável. Uma organização pode multiplicar por dez sua capacidade de produzir análises sem melhorar em nada sua taxa de acerto em decisões. O excedente não desaparece: vira ruído, retrabalho e comitê. Durante muito tempo, o desafio foi encontrar informação suficiente para decidir bem. Hoje é o inverso. Equipe, especialistas externos, benchmarks, dois modelos distintos e, em breve, agentes autônomos vão produzir argumentos igualmente plausíveis sobre o mesmo problema. A pergunta deixa de ser “qual é a resposta?” e passa a ser “em qual inteligência devo confiar, neste contexto, para esta decisão?”. Gerar possibilidades é uma competência. Escolher entre elas é outra, e não há garantia alguma de que quem domina a primeira domine a segunda.
Minha experiência em decisões comerciais complexas me ensinou a desconfiar de uma confusão recorrente: aquilo que conseguimos medir nem sempre é aquilo que mais importa para decidir. Dados ampliam nossa capacidade de enxergar, mas não nos livram da responsabilidade de interpretar o que eles ainda não conseguem ver.
Quando o entusiasmo substitui a contestação
Aqui está a parte que raramente entra na pauta dos comitês de IA: mais respostas não deixam a decisão apenas mais difícil, podem deixá-la pior. O International AI Safety Report de 2026 documenta a persistência do viés de automação, a tendência de confiar excessivamente em saídas automatizadas e descartar informações que as contradizem. O mecanismo é explícito no relatório: o viés desestimula a verificação ativa e o raciocínio independente, corroendo justamente a competência que a organização precisaria preservar.
Um experimento citado no documento, com 2.784 participantes em uma tarefa assistida por IA, chegou a um resultado que deveria estar em toda pauta de conselho. As pessoas corrigiram menos as sugestões erradas em duas condições: quando corrigir exigia esforço adicional e quando tinham atitudes mais favoráveis à IA. Vale reler a segunda condição. Quanto mais uma organização cultiva entusiasmo por IA sem cultivar contestação, menor tende a ser sua capacidade de corrigir o próprio erro. É a inversão do senso comum corporativo. O programa de adoção cultural que não vem acompanhado de atrito desenhado não amplia o discernimento, reduz – com aprovação interna e ótimas métricas de engajamento.
Existe, portanto, uma métrica que quase ninguém acompanha e que diz mais sobre maturidade em IA do que qualquer painel de produtividade: a taxa de correção. Com que frequência alguém, nesta empresa, olha para uma recomendação bem formatada e diz que ela está errada – e é ouvido?
Curadoria é arquitetura de decisão, não escolha de ferramenta
O termo corre o risco de virar mais um rótulo elegante, então vale precisá-lo. Curar inteligências é decidir quais perspectivas são convocadas, quais são obrigadas a divergir, qual erro a organização está disposta a cometer e quem responde por ele. Em uma decisão estratégica relevante, o CFO enxerga risco e retorno, o comercial enxerga comportamento do cliente, a tecnologia enxerga viabilidade, as pessoas enxergam impacto cultural e a IA enxerga padrões que talvez ninguém tenha visto isoladamente.
Nenhuma dessas inteligências precisa estar errada. E nenhuma deveria ser suficiente sozinha. É nesse espaço entre elas que o julgamento humano se torna mais valioso e menos delegável: a liderança deixa de ser o ponto de concentração das respostas e passa a ser o ponto de orquestração, sabendo quais inteligências convocar, quais confrontar e quando não seguir nenhuma. Há uma objeção honesta a fazer, e ignorá-la enfraqueceria o argumento: e se a própria curadoria for automatizada? Boa parte será. Comparar respostas, detectar contradição e ponderar confiabilidade são tarefas técnicas, e tarefas técnicas migram. O que não migra é decidir qual erro é aceitável, não por limitação de capacidade, mas por atribuição de responsabilidade. Um modelo não é chamado ao conselho, não responde ao regulador e não convive com o time depois da decisão.
O mercado parece intuir isso. No estudo da McKinsey sobre confiança em IA publicado em 2026, cerca de dois terços dos respondentes apontaram segurança e risco como a principal barreira para escalar IA agêntica, à frente de incerteza regulatória e de limitações técnicas. A restrição declarada não é “a máquina não consegue” , e sim “não confiamos o suficiente para deixá-la decidir sozinha” .
No Brasil, essa conversa deixará de ser voluntária em breve. O PL 2338, aprovado pelo Senado em dezembro de 2024 e em tramitação na Câmara, adota um modelo baseado em risco e prevê direitos de transparência, explicação e contestação para quem é afetado por decisões automatizadas. Explicar por que uma decisão foi tomada exige ter registrado como ela foi tomada. Poucas empresas registram.
Quatro regras que cabem na próxima reunião
Classifique a decisão antes de convocar a inteligência. Decisão reversível pede velocidade; decisão irreversível pede divergência obrigatória. Tratar as duas do mesmo jeito é desperdício em um caso e imprudência no outro. Exija divergência antes de convergência. Convoque ao menos uma inteligência com incentivo contrário à hipótese preferida. Se todas concordam rápido, o mais provável não é que estejam certas, e sim que compartilham a mesma premissa ou os mesmos dados.
Registre o que foi descartado, e por quê. O ativo da curadoria não é a resposta escolhida, é o histórico das rejeitadas. É o único registro que permite auditar julgamento, e não apenas resultado, meses depois – e é o que a regulação vai pedir. Meça a taxa de correção. Produtividade analítica é fácil de medir e quase irrelevante. Quantas recomendações foram contestadas, quantas foram revertidas e quanto tempo levou até a correção dizem se a organização está de fato ficando mais sábia.
A próxima escassez
O futuro provavelmente não será uma disputa entre inteligência humana e artificial. Essa moldura já ficou pequena. Teremos pessoas, modelos, agentes e especialistas operando juntos, como um ecossistema disponível sob demanda, e a vantagem não estará com quem acessa a maior quantidade deles, mas com quem souber combiná-los e tiver coragem de ignorar a resposta mais elegante.
Quando a inteligência vira infraestrutura, o valor se desloca para o que construímos sobre ela. E o que se constrói sobre ela não é mais análise: é a capacidade de discordar dela com método. Das decisões relevantes tomadas na sua organização nos últimos 90 dias, quantas você conseguiria reconstruir hoje – não a resposta escolhida, mas o motivo pelo qual as outras foram descartadas?
