Nesta era da IA, existe uma nova e curiosa tendência de gestão: acreditamos que, se a entrega ficou mais rápida, quem entrega também ficou melhor. Como temos discutido no portal mCMOs, a IA permite produzir respostas com mais rapidez, sim, mas, para humanos desenvolverem a capacidade de avaliá-las, exige-se um processo de formação que não acompanha essa mesma velocidade. A maior parte das empresas parece concentrar sua atenção apenas na agilidade das entregas, deixando em segundo plano a qualidade do raciocínio. E o julgamento começa antes do pensamento propriamente dito, na intenção.
Intenção pressupõe pensamento
Eu prefiro acreditar que ninguém acorda com a intenção de produzir algo ruim. Ninguém desenha um produto para fracassar, ninguém aprova uma estratégia esperando que dê errado. A intenção, quase sempre, é boa. O problema é que, sem refletir sobre os caminhos necessários para alcançar o resultado esperado, até os melhores propósitos podem permanecer apenas no campo do desejo.
A palavra intenção vem do latim intendere, que significa estender-se em direção a algo e carrega a ideia de esforço dirigido. Quando existe uma direção, mas falta o esforço necessário para alcançá-la, as organizações podem acabar produzindo resultados muito diferentes daqueles que pretendiam.
O que acontece quando não pensamos
Shane Parrish, em Pensamento Eficaz, dedica uma parte inteira ao que chama de inimigos do pensamento claro, os padrões automáticos, conhecidos como defaults no original, que assumem o controle quando reagimos sem raciocinar. Entre eles estão os impulsos emocionais, o ego, a influência social e a inércia. O argumento dele é desconfortavelmente simples. Muitos erros acontecem em situações nas quais sequer percebemos que estamos tomando uma decisão. Existe um intervalo entre o estímulo e a resposta, e é justamente nesse espaço que podemos avaliar nossas escolhas antes de agir.
Quando reagimos automaticamente, nossos mecanismos de autoproteção tendem a prevalecer. Pense numa empresa sob ameaça de mercado que decide reduzir o quadro. As pessoas, mesmo sem desejar prejudicar os colegas, podem começar a agir a partir de uma lógica de autopreservação, preferindo que outra pessoa seja afetada pela decisão. A literatura organizacional descreve um fenômeno semelhante. Em 1981, Staw, Sandelands e Dutton identificaram o chamado efeito ameaça-rigidez, pelo qual organizações sob ameaça tendem a restringir as informações que processam, centralizar o controle e recorrer a práticas conhecidas. Isso significa que, em momentos nos quais seria necessário considerar alternativas, as empresas podem acabar limitando sua capacidade de análise. O default mais confortável já inventado
Agora leve esse instinto para a frente de um prompt. A IA infere, deduz, completa lacunas e, quando não sabe, às vezes inventa, com a mesma fluência com que acerta. Os próprios fabricantes documentam a tendência dos modelos de dar razão a quem pergunta. Se você chega com a conclusão pronta, ela ajuda a defendê-la, com muita educação e ótima formatação.
O problema aparece quando passamos a aceitar essas respostas sem exercer nosso próprio julgamento. Ao fazer isso, atribuímos à ferramenta uma autoridade que ela não necessariamente possui e corremos o risco de transferir também a responsabilidade pelas decisões. “O modelo recomendou” pode se tornar uma justificativa conveniente dentro das empresas, especialmente quando os resultados não são os esperados. A referência à recomendação da IA funciona, nesse contexto, como uma espécie de álibi para quem deveria responder pela escolha.
Há pesquisas que ajudam a dimensionar essa preocupação. Um estudo da Microsoft com a Carnegie Mellon, com 319 profissionais do conhecimento, identificou uma associação entre maior confiança na IA e menor envolvimento relatado em atividades de pensamento crítico. Um experimento publicado na PNAS mostrou estudantes com desempenho 48% superior nos exercícios realizados com GPT-4, mas resultados 17% inferiores na prova sem a ferramenta, em comparação com aqueles que estudaram sem ela. Os resultados mostram como o ganho imediato de desempenho com apoio da IA pode não se traduzir em aprendizagem duradoura.
Desconfiança é um método
Darrell Huff publicou Como mentir com estatística em 1954, e o livro continua relevante diante da facilidade com que produzimos e consumimos informações atualmente. No último capítulo, ele propõe cinco perguntas para responder a uma estatística: quem está dizendo isso? Como sabe? O que está faltando? Alguém mudou de assunto? Isso faz sentido? Essas mesmas perguntas podem ser aplicadas às respostas produzidas por IA, já que a apresentação convincente de uma informação não garante sua veracidade.
As perguntas de Huff servem para examinar uma resposta. Já para examinar um plano, eu gosto de usar três métodos (nenhum deles novo). O primeiro é a construção de cenários, como Pierre Wack fazia na Shell dos anos 1970, não com objetivo de prever o futuro, mas para mudar o modelo mental de quem decide (na prática, peça à IA quatro mundos possíveis e a proíba de dizer qual é o mais provável, pois o mais provável é o que todos os concorrentes também estão vendo). O segundo método é testar hipóteses à maneira do discovery-driven planning de Rita McGrath, onde todo plano é uma pilha de premissas fingindo ser fatos, e perguntando ‘o que teria que ser verdade para isso dar certo’? Já o terceiro é o pre-mortem, de Gary Klein, no qual imaginamos que um projeto fracassou e investigamos antecipadamente as possíveis causas. Com a IA, é possível realizar esse exercício considerando inclusive a perspectiva de um concorrente que tenha se beneficiado dos nossos erros.
A IA não inventou o rigor, o critério, o contexto. Ela só tirou aquela desculpa de não fazer o que você precisaria ou deveria fazer. Para isso, considero importante começar pedindo que a ferramenta questione nossas ideias, antes de solicitar ajuda para desenvolvê-las. Essa mudança na ordem da conversa pode contribuir para uma análise menos condicionada às nossas expectativas iniciais. De erro individual a risco sistêmico
Até aqui, parece um problema de quem escreve o prompt. Mas não é. A IA entrou ao mesmo tempo no planejamento financeiro, no roadmap de produto, na operação, no atendimento e no marketing. Quando todas as áreas terceirizam um pouco do julgamento para ferramentas que tendem a concordar, o erro deixa de ser pontual e passa a ser correlacionado: todos erram na mesma direção, com a mesma confiança, ao mesmo tempo. Isso já não é tema de produtividade. É tema de governança e, portanto, de CEO, CFO, CTO, CMO e COO…
Nesse contexto, governança exige clareza sobre quem é responsável por cada decisão, quais evidências foram consideradas, como a IA participou do processo e quais informações poderiam justificar uma mudança de direção. Uma política extensa de uso da tecnologia, por si só, dificilmente resolve essas questões. A distinção de Jeff Bezos entre portas de mão única e de mão dupla ajuda a dosar o rigor — nas reversíveis, a IA acelera; nas irreversíveis, deve questionar. O erro mais comum hoje é tratar uma porta de mão única com a pressa de uma de mão dupla, só porque a resposta chegou rápido. A velocidade da resposta não diz nada sobre a reversibilidade da decisão.
E por que o marketing deveria puxar isso? Marketing é, por natureza, a função que vive de formular hipóteses sobre algo que não controla — o cliente — e de testá-las contra a realidade (sim, eu sei, o marketing também é famoso por se apaixonar pela própria campanha; a disciplina existe, nem sempre é praticada). O CFO traz o rigor do número, o CTO o rigor do sistema, o COO o rigor do processo. O marketing traz o rigor da pergunta sobre quem está do outro lado — e é essa pergunta que costuma faltar quando todas as outras já foram respondidas pela máquina. Orquestrar, nesse sentido, não é comandar. É garantir que a pergunta certa seja feita antes de a resposta ser aceita.
Quem estava lá
Volto à palavra do começo. Se a intenção pressupõe pensamento, então a pergunta que um líder faz ao time precisa mudar. Menos “o que você entregou?”, mais “por que você chegou nisso? Quais hipóteses descartou? O que está faltando? O que te faria mudar de ideia?”. Nenhuma delas é “qual prompt você usou”. Avaliar o raciocínio, e não só o entregável, é a única forma de não premiar quem pensa menos e entrega mais bonito.
A IA é extraordinária em produzir respostas. Mas não assina. No fim de todo planejamento existe uma assinatura com nome e sobrenome — e, quando alguém disser “o modelo recomendou”, vale lembrar que álibi só serve a quem precisa provar que não estava lá. Quem decide estava. Sempre esteve.Camila Besseler é fundadora e CEO da mCMOs, ecossistema para mulheres da alta liderança em Marketing, Growth e Receita. Tem 25 anos de experiência na interseção entre estratégia, marca, dados e receita, com passagens por Grupo Tigre e CI&T. Estuda sistemas — o marketing é um deles — e escreve sobre estratégia, mercado e melhores decisões.
PARA MERGULHAR NO TEMA
- Shane Parrish, Pensamento Eficaz (Clear Thinking, 2023) •
- Darrell Huff, Como mentir com estatística (1954) •
- Barry Staw, Lance Sandelands e Jane Dutton, “Threat-rigidity effects in organizational behavior”, Administrative Science Quarterly (1981) •
- Hao-Ping Lee et al. (Microsoft Research e Carnegie Mellon), “The Impact of Generative AI on Critical Thinking”, CHI 2025 •
- Hamsa Bastani et al., “Generative AI without guardrails can harm learning”, PNAS (2025) •
- Rita McGrath e Ian MacMillan, “Discovery-Driven Planning”, Harvard Business Review (1995) •
- Gary Klein, “Performing a Project Premortem”, Harvard Business Review (2007) •
- Jeff Bezos, carta aos acionistas da Amazon (2015) •
- Camila Besseler, “Estamos ensinando as pessoas a usar IA, mas quem está ensinando as pessoas a pensar?”, mCMOs (2026)
