O pensamento crítico sempre envolveu curiosidade, ceticismo e disposição para considerar diferentes pontos de vista antes de chegar a uma conclusão. Essas habilidades continuam essenciais, mas os agentes de Inteligência Artificial mudaram a maneira como são exercitadas. Hoje, o intervalo entre uma pergunta e uma resposta pode durar apenas alguns segundos.
Essa velocidade traz enormes ganhos de produtividade. Ao mesmo tempo, cria um desafio: quanto melhores os modelos, menos frequentes são os erros evidentes. As respostas chegam bem escritas, organizadas e geralmente corretas, o que reduz o impulso de examiná-las. O perigo não está apenas em aceitar uma informação errada, mas em perder gradualmente o hábito de questionar informações aparentemente confiáveis.
Mesmo quando diversos agentes trabalham em paralelo, a capacidade humana de acompanhar e avaliar os resultados continua limitada. Por isso, o pensamento crítico precisa fazer parte do fluxo de trabalho. Delegar a execução é valioso; abandonar o julgamento é outra coisa.
Delegação, Deferência e Rendição Cognitiva
Existe uma diferença importante entre usar a IA para trabalhar melhor e permitir que ela substitua o próprio raciocínio. Essa relação pode ser entendida como um espectro.
Em uma extremidade está o descarregamento cognitivo, quando tarefas são transferidas para a IA, mas a responsabilidade pelo resultado permanece com a pessoa. No meio aparece a deferência, quando a resposta do agente deixa de ser uma hipótese e passa a orientar automaticamente as decisões seguintes. Na outra extremidade está a rendição cognitiva, expressão utilizada por Steven Shaw e Gideon Nave, da Wharton, para descrever situações em que a saída da IA é incorporada sem a devida reflexão.
A transição entre esses comportamentos costuma ser gradual. Primeiro, a resposta é lida com atenção. Depois, apenas seus pontos principais são examinados. Em seguida, basta conferir se os testes passaram ou se o resumo parece convincente. Até que surge uma pergunta sobre determinada decisão e ninguém consegue explicar por que ela foi tomada.
É assim que se acumula a dívida cognitiva: o trabalho avança, mas a compreensão sobre ele não acompanha o mesmo ritmo. Margaret-Anne Storey discute como a perda de entendimento compartilhado pode afetar equipes de software, enquanto Jeremy Twei utiliza a expressão dívida de compreensão para um problema relacionado. O código pode funcionar, os testes podem passar e a documentação pode parecer completa. A fragilidade só aparece quando é necessário modificar algo e faltam modelos mentais para orientar a decisão.
Isso não significa que todos precisem conhecer cada detalhe de um sistema complexo. Em grandes bases de código, compreender tudo permanentemente é inviável. Uma abordagem mais realista, também utilizada por equipes que trabalham com Claude Code, é reconstruir o entendimento de partes específicas conforme a necessidade. O importante é reconhecer o que ainda não foi compreendido e conseguir investigar quando isso se tornar relevante.
O grau de supervisão deve acompanhar as consequências de um erro. A IA pode comparar opções de hospedagem ou organizar informações de baixo risco com pouca intervenção. Já decisões sobre investimentos, arquitetura de software, segurança, experiências de usuários ou lançamento de funcionalidades exigem maior participação humana. Quanto maior o impacto sobre outras pessoas, maior deve ser o cuidado com o raciocínio que sustenta a decisão.
Faça Perguntas Antes de Aceitar Respostas
Uma boa forma de preservar o pensamento crítico é formular uma hipótese antes de consultar um agente. Não precisa ser uma previsão precisa. Basta registrar o que parece mais provável, quais informações faltam e quais resultados seriam esperados. Isso evita que a primeira resposta bem apresentada se torne automaticamente a única interpretação possível.
Quando o problema ainda é pouco conhecido, o agente pode ajudar a revelar pontos cegos. A abordagem descrita por Thariq Shihipar consiste em compartilhar o que já se sabe e solicitar que o modelo identifique lacunas, premissas frágeis e perguntas que ainda não foram consideradas.
Também é útil distinguir duas intenções: buscar ajuda para pensar e delegar o pensamento necessário para executar uma tarefa. Ambas podem ser legítimas. A diferença está em saber qual delas foi escolhida e se é adequada ao risco envolvido.
Antes de aceitar uma conclusão, pergunte o que precisaria ser verdade para que ela estivesse errada. Em seguida, procure evidências capazes de confirmar ou refutar essa possibilidade. A confiança declarada por um modelo vale menos do que uma verificação independente. Quando houver várias soluções plausíveis, solicite contra-argumentos ou uma análise sob perspectivas diferentes, inclusive com outro modelo, e compare as justificativas.
Outras perguntas ajudam a manter o foco: o problema certo está sendo resolvido? A solução atende às restrições? Qual evidência sustenta a recomendação? O que foi deixado de fora? O resultado poderia ser explicado e defendido diante de quem precisará utilizá-lo ou mantê-lo?
Essas perguntas são simples, mas impedem que velocidade e boa apresentação sejam confundidas com qualidade.
Verificação Não é Apenas Um Check Verde
Nos fluxos de desenvolvimento com agentes, a dificuldade muitas vezes deixa de ser produzir código e passa a ser verificar se ele realmente resolve o problema. Um agente pode implementar uma mudança, executar testes, analisar os resultados e corrigir falhas antes que alguém acompanhe o processo. Boris Cherny destaca a importância de oferecer ao Claude meios de verificar seu próprio trabalho.
Testes automatizados, verificações de propriedades, interações reais com o aplicativo, capturas de tela, logs e registros de execução ajudam a transformar afirmações de sucesso em evidências observáveis. Entretanto, a própria verificação também pode ser aceita sem reflexão.
Um teste aprovado confirma somente aquilo que foi projetado para testar. Se o teste reproduzir a mesma suposição incorreta usada na implementação, poderá passar mesmo diante de uma funcionalidade defeituosa. Por isso, diante de um resultado positivo, duas perguntas devem ser feitas: o que foi comprovado? e o que continua sem verificação?
Defina os critérios de conclusão antes da execução. Especifique quais comportamentos devem funcionar, quais casos de borda precisam ser cobertos e qual evidência será suficiente para encerrar a tarefa. Um resumo dizendo que tudo foi concluído não substitui a análise dos comandos executados e de seus resultados.
Uma segunda revisão por outro agente, em contexto independente, também pode ajudar a encontrar inconsistências. Pedir que o modelo procure omissões ou critique suas próprias escolhas costuma revelar questões que escaparam da primeira avaliação. Essa prática, porém, complementa a verificação humana; não a elimina.
O mesmo princípio vale fora da programação. Se um agente resumir dezenas de entrevistas com clientes, examine uma amostra dos registros originais. Se produzir uma análise competitiva, confira as fontes mais importantes. Se recomendar uma decisão baseada em um indicador, valide o cálculo do qual a conclusão depende.
Automatizar verificações ficou mais fácil. A habilidade decisiva continua sendo definir o que constitui uma boa verificação.
Revise as Decisões, Não Apenas a Entrega
Imagine um agente entregando um pull request com centenas de linhas. A estrutura parece adequada, os nomes das variáveis fazem sentido e os testes passam. Mesmo assim, uma alteração sutil na ordem de uma operação ou um valor padrão inadequado pode introduzir um problema difícil de perceber.
Revisar código não é o mesmo que apenas confirmar sua aparência. Além das linhas modificadas, é necessário compreender as decisões tomadas durante a execução: quais padrões foram adotados, que premissas foram feitas, quais requisitos foram reinterpretados e o que ficou fora do escopo.
Uma prática útil é pedir ao agente que apresente explicitamente essas decisões. Em seguida, selecione alguns trechos e verifique se há explicações convincentes para sua existência. Em trabalhos extensos, um breve questionário sobre as mudanças pode revelar se a compreensão foi realmente mantida. Para documentos, tente reconstruir o argumento central sem consultar o resumo gerado.
Os agentes também podem ajudar a direcionar a atenção. Em projetos com muitas contribuições, por exemplo, podem classificar alterações, identificar possíveis violações de diretrizes e sinalizar pontos de maior risco. A decisão final, entretanto, deve considerar o contexto e o impacto da mudança.
Existe ainda um limite operacional importante: a produção dos agentes pode crescer mais rápido do que a capacidade de revisão humana. Essa diferença funciona como um imposto de orquestração. Quando as entregas se acumulam, iniciar mais sessões não resolve o problema. É necessário fortalecer as verificações automáticas, priorizar os resultados críticos ou reduzir o volume de trabalho simultâneo.
Produzir mais do que se consegue compreender e sustentar transforma a revisão em uma formalidade.
Transforme o Pensamento Crítico em Hábito
Preservar essas habilidades não exige revisar cada detalhe de todas as tarefas. Exige estabelecer práticas proporcionais ao risco e manter contato com competências importantes.
Reserve algum tempo semanal para programar, depurar, analisar dados ou resolver um problema sem ajuda de agentes. A intenção não é rejeitar a automação, mas conservar a capacidade de avaliar o trabalho que ela produz. Periodicamente, identifique quais atividades foram totalmente delegadas e decida de maneira consciente quais habilidades ainda precisam ser exercitadas.
Quando surgir um conceito desconhecido, vá além de uma definição superficial. Investigue como funciona, em que contexto se aplica e quais são suas limitações. Inclua também o tempo de verificação no planejamento das tarefas. Avaliar evidências, revisar decisões e testar hipóteses é trabalho efetivo, não uma etapa opcional.
Uma prática simples pode ser adotada imediatamente: antes de acionar um agente, registre a hipótese inicial e o critério de sucesso. Depois da execução, identifique pelo menos uma decisão tomada pelo modelo e uma condição que ainda não foi verificada. Esse pequeno intervalo de reflexão ajuda a evitar a aceitação automática de respostas convincentes.
Os Agentes de IA ampliam a capacidade de produzir, pesquisar e criar. Para aproveitar esse potencial sem acumular dívida cognitiva, é preciso continuar formulando hipóteses, fazendo perguntas melhores, examinando evidências e compreendendo o suficiente para defender as entregas. A execução pode ser delegada. O julgamento e a responsabilidade precisam permanecer com quem decide.
David Matos
Referências:
Critical thinking when agents do the work
From Technical Debt to Cognitive and Intent Debt: Rethinking Software Health in the Age of AI