O pânico com o desemprego em massa é o espetáculo mais visível da era da inteligência artificial. Mas o risco que merece mais atenção — e que quase ninguém discute — é menos óbvio: a corrosão da capacidade de julgar por conta própria. A Ford acaba de dar o exemplo prático. Depois de anos ampliando sistemas de inspeção automatizados, a montadora reconheceu que os resultados ficaram aquém. Chamou de volta centenas de engenheiros experientes, gente que caça falhas antes de uma peça chegar ao chão de fábrica. A mensagem é cristalina: automatizar um processo não significa automatizar a sabedoria.
Por que a Ford desistiu da automação total?
A empresa percebeu que a automação, sem julgamento humano, pode piorar a qualidade — e que máquinas não enxergam o que especialistas treinados detectam. Kumar Galhotra, diretor de operações da Ford, admitiu o motivo da guinada. “Estávamos confiando cada vez mais em sistemas automatizados de qualidade e não obtendo os resultados desejados. Reintegramos especialistas técnicos, e eles caçam pontos de falha antes da produção.” O caso não é um mero contratempo de chão de fábrica. Ele expõe uma ilusão: a de que a sofisticação dos modelos de IA substitui a perspicácia humana. Quando uma montadora com décadas de excelência em engenharia reconhece que seus robôs deixaram passar defeitos que olheiros humanos pegam na primeira inspeção, o recado é para todos. A sabedoria está na interpretação, não no processamento de dados.
Deu certo. A virada da Ford apenas confirmou o que a década de 1990 já havia ensinado.
O que a década de 1990 já ensinou sobre automação?
Ela mostrou que digitalizar processos ineficientes apenas acelera a ineficiência; é preciso redesenhar o trabalho antes de automatizá-lo. Nos anos 1990, a febre do software empresarial varreu as corporações. Planilhas viraram sistemas integrados, ordens de compra ganharam botões de aprovação. A promessa era produtividade instantânea. O que muitas empresas descobriram foi que haviam apenas engessado seus vícios. Michael Hammer, guru da reengenharia, capturou o fracasso numa frase que ainda ecoa: “Não automatize, elimine.” Automatizar um processo ruim só faz o erro viajar mais rápido. O paralelo com a IA de hoje é incômodo. Modelos de linguagem replicam vieses e becos sem saída do raciocínio humano se treinados em dados contaminados. A Ford tropeçou no mesmo princípio: acelerou a inspeção, mas perdeu o olhar crítico que impede um defeito de se tornar catástrofe.
Quais são as condições para a sabedoria das multidões?
Para Surowiecki, a sabedoria coletiva surge sob três condições: os indivíduos devem pensar independentemente, ter informações diversas e combinar seus julgamentos por mecanismos eficazes. Em 2004, o jornalista James Surowiecki publicou “A Sabedoria das Multidões”, demonstrando como grupos podem ser mais espertos que indivíduos — desde que certas condições estejam presentes. A primeira é a independência: cada pessoa deve formar seu julgamento sem se deixar influenciar pelos demais. A segunda é a diversidade: o grupo precisa reunir perspectivas variadas. A terceira é a agregação: algum método deve combinar essas opiniões sem distorção. O exemplo clássico é o concurso de adivinhar o peso de um boi numa feira — a média dos palpites costuma ser precisa. Mas se todos copiarem o palpite do vizinho, a média desanda. A IA ameaça exatamente isso: induzir a cópia em escala planetária.
Como a IA mina essas condições e gera ilusão?
Ao oferecer uma única referência estatística a milhões de usuários, a IA torna os julgamentos correlacionados, eliminando a independência e a diversidade que a sabedoria coletiva exige. Quando milhões de pessoas recorrem ao mesmo modelo — ChatGPT, Gemini, Claude — para escrever um texto, decidir um investimento ou planejar uma rota de férias, o resultado é uma uniformização silenciosa. As sugestões da máquina se tornam o ponto de partida comum. A independência requisitada por Surowiecki desaba. Não porque as pessoas sejam preguiçosas, mas porque o custo de verificar cada resposta é alto demais. O economista Herbert Simon já previu isso em 1971: a abundância de informação cria pobreza de atenção. Quanto mais conteúdo a IA vomita, menos tempo sobra para o ceticismo. A diversidade de perspectivas some, substituída por um consenso estatístico que parece profundo, mas é apenas um eco de treinamento.
Por que estamos terceirizando o julgamento sem perceber?
A IA eleva o custo da verificação independente a ponto de desestimulá-la, enquanto sua aparente confiança nos faz confundir assertividade com competência. A primeira resposta que aparece na tela costuma ser a última que questionamos. A IA gera textos fluentes, com convicção de quem sabe. Essa performance desarma o ceticismo. O fenômeno é explicado por um trio de fatores: primeiro, a IA elimina a escassez de informação, mas encarece o julgamento independente — verificar cada afirmação demanda tempo e energia que poucos têm. Segundo, a exposição repetida a respostas confiantes condiciona o usuário a delegar não apenas a busca de dados, mas a própria decisão. Terceiro, a confiança na máquina gradualmente substitui a competência: se o GPS sempre nos levou ao destino, por que duvidar do roteiro turístico sugerido pelo ChatGPT? A armadilha está montada. O que chamamos de “assistente” está se tornando “piloto automático” do raciocínio.
O que são cascatas de informação e como a IA as potencializa?
Cascatas de informação ocorrem quando pessoas ignoram seu próprio julgamento para seguir a decisão alheia; a IA amplifica isso ao atuar como sinal público unificador. Os economistas Bikhchandani, Hirshleifer e Welch formalizaram o conceito em 1992. Imagine um restaurante: você vê uma fila e decide entrar, mesmo achando que a comida ali é mediana. Você está ignorando sua informação privada para seguir a multidão. Stephen Morris e Hyun Song Shin, anos mais tarde, identificaram um mecanismo ainda mais perigoso: quando todos observam o mesmo sinal público, os agentes lhe atribuem peso exagerado, porque sabem que os outros também o veem. A IA generativa é esse sinal. Cada resposta confiante de um modelo vira uma âncora. O fenômeno não é imitação simples; é o apagamento do pensamento divergente diante de uma referência comum. E se o sinal estiver errado, milhões erram em uníssono, convictos de que estão certos.
Como podemos evitar a atrofia do julgamento?
A defesa está em valorizar a expertise humana capaz de reconhecer informação incompleta, desconfiar de dados prontos e duvidar antes de aceitar. Herbert Simon ilumina a saída. Em um mundo onde a informação é barata e onipresente, a verdadeira escassez é a atenção e o julgamento. Profissionais que cultivam o hábito de duvidar, que olham para a resposta da IA e perguntam “mas e se estiver errada?”, se tornarão os mais valiosos. A Ford redescobriu que engenheiros de carne e osso interpretam contextos que nenhum sensor captura. O conselho de Michael Hammer merece uma atualização direta: não automatize a sabedoria. Máquinas processam bilhões de parâmetros, mas sabedoria é forjada em tentativa, erro, ética e responsabilidade — coisas que nenhum servidor contém. Se a sociedade continuar confundindo previsão estatística com sabedoria, o maior legado da IA não será o fim dos empregos: será a atrofia irreversível da capacidade de pensar por conta própria.
