Há um risco real no uso da inteligência artificial: podemos nos acostumar a terceirizar tanto o pensamento que deixemos de desenvolver certas habilidades. Mas transformar esse risco em uma catástrofe matematicamente comprovada exige alguns saltos que a ciência, até agora, não deu.
Circula pelas redes um texto com uma afirmação difícil de ignorar: pesquisadores teriam provado matematicamente que a inteligência artificial provocará algo ainda pior do que o desemprego em massa. Não apenas perderíamos empregos. Perderíamos, aos poucos, a própria capacidade de fazer bem o nosso trabalho.
O fenômeno teria até nome: “Tragédia dos Comuns Cognitivos”.
A ideia é sedutora porque parece fazer sentido. Toda profissão acumula conhecimento ao longo do tempo. O médico experiente já foi residente. O advogado que percebe uma inconsistência em segundos já passou horas estudando processos semelhantes. O programador sênior já perdeu tardes inteiras tentando descobrir por que algumas linhas de código se recusavam obstinadamente a funcionar. Boa parte da experiência profissional nasce justamente dessas pequenas batalhas.
Se a inteligência artificial assumir todo o trabalho mais básico, o argumento prossegue, os iniciantes deixarão de percorrer esse caminho. Teremos profissionais aparentemente produtivos, auxiliados por máquinas extraordinariamente competentes, mas cada vez menos capazes de compreender o que essas máquinas estão fazendo.
Até que chegue o dia em que os especialistas atuais se aposentem. Quem, então, saberá verificar se a IA está errada? É uma boa pergunta.
O problema começa quando uma boa pergunta é apresentada como uma resposta científica definitiva.
O estudo diz algo bem mais cuidadoso
A expressão “Tragédia dos Comuns Cognitivos” aparece em um artigo recente de Nolan Lovett, da Old Dominion University, intitulado The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise. Vale prestar atenção ao próprio título: como a IA poderia prejudicar a regeneração da expertise profissional, não “como irá prejudicar”.
O trabalho é apresentado pelo próprio autor como um artigo conceitual. Ele propõe um modelo para pensar sobre o problema, reúne evidências iniciais e formula hipóteses sobre o que pode acontecer em profissões muito expostas à inteligência artificial. Não foi construída uma base de dados para demonstrar empiricamente que estamos caminhando inevitavelmente para o colapso da expertise profissional.
Isso não diminui o interesse do artigo. Pelo contrário. Lovett identifica um problema que merece atenção.
Imagine um escritório que empregue vinte profissionais iniciantes e cinco especialistas. A IA permite que boa parte do trabalho dos vinte seja automatizada. A decisão econômica imediata parece óbvia: manter menos iniciantes e produzir mais.
Só existe um detalhe.
Os cinco especialistas não nasceram especialistas. Eles provavelmente vieram de gerações anteriores daqueles vinte iniciantes.
Se todas as empresas fizerem a mesma escolha durante décadas, é possível que estejam consumindo um recurso que ninguém individualmente tem incentivo suficiente para repor: a formação de novos profissionais experientes.
Essa é a analogia com a velha “tragédia dos comuns”. Cada agente toma uma decisão racional para si, mas o resultado agregado pode ser ruim para todos.
É uma hipótese inteligente, mas longe de uma demonstração matemática.
De onde veio, então, a tal “prova matemática”?
Provavelmente da mistura desse trabalho com outro artigo publicado em 2026. Daron Acemoglu, Dingwen Kong e Asuman Ozdaglar desenvolveram um modelo matemático sobre inteligência artificial, esforço humano e formação de conhecimento. O título é igualmente sugestivo: AI, Human Cognition and Knowledge Collapse. Aqui, sim, existe um modelo matemático.
Os autores demonstram que, sob determinadas condições, sistemas de IA capazes de substituir parte do esforço cognitivo humano podem reduzir os incentivos para que as pessoas produzam conhecimento. Se esse efeito for suficientemente forte, o sistema pode caminhar para um equilíbrio em que o estoque coletivo de conhecimento se deteriora. É um resultado relevante. Mas a expressão importante é “sob determinadas condições”.
Modelos matemáticos funcionam assim. Partimos de algumas premissas e examinamos suas consequências. Se A, B e C ocorrerem, o modelo demonstra que D pode resultar. A matemática pode provar impecavelmente a relação entre as premissas e a conclusão. Ela não pode, sozinha, provar que o mundo real obedecerá às premissas. Um modelo climático pode mostrar o que acontecerá com determinada combinação de emissões, temperatura e circulação atmosférica. Isso não significa que a matemática tenha adivinhado com certeza o clima de uma terça-feira daqui a quarenta anos. Há uma diferença entre o mapa e o território.
No caso da IA, uma das questões decisivas é justamente saber quanto as pessoas deixarão de pensar por conta própria quando tiverem máquinas capazes de pensar por elas. Ainda não sabemos.
Uma análise posterior de Maher Kallel e Mohamed El Louadi chamou atenção precisamente para isso. Entre as limitações do modelo estão hipóteses sobre os diferentes tipos de conhecimento, sobre aquilo que a própria IA poderá produzir e, sobretudo, um parâmetro central relacionado à resposta do esforço humano à automação que ainda carece de comprovação empírica robusta. Para os autores, o valor do modelo está em revelar uma externalidade negativa plausível, não em anunciar uma catástrofe inevitável.
É uma distinção bem menos emocionante para uma postagem viral, mas a ciência costuma sofrer quando precisa competir com manchetes.
Nem toda dificuldade ensina
Existe outro problema no raciocínio mais apocalíptico sobre o tema: a suposição de que eliminar trabalho difícil ou repetitivo necessariamente elimina aprendizagem. Não é verdade. Um contador não compreende menos contabilidade porque deixou de somar centenas de números à mão. Um arquiteto não entende menos de estruturas porque usa software de projeto. Um advogado não precisa passar a tarde folheando volumes impressos de jurisprudência para desenvolver bom raciocínio jurídico. E poucos programadores lamentam o fato de não precisar escrever todo o software diretamente em linguagem de máquina.
Ferramentas sempre eliminaram etapas do trabalho intelectual. Algumas dessas etapas eram formativas. Muitas eram apenas cansativas.
A questão realmente importante é descobrir quais dificuldades desenvolvem julgamento e quais apenas consomem tempo. Esse é um problema muito mais interessante do que defender a preservação indiscriminada do trabalho braçal intelectual em nome da experiência. Se um jovem médico nunca precisar formular um diagnóstico antes de consultar a IA, talvez tenhamos um problema. Se ele deixar de gastar quinze minutos preenchendo manualmente um formulário que a máquina pode completar em segundos, provavelmente não perdemos um futuro prêmio Nobel. Fricção, por si só, não produz conhecimento. A fricção certa pode produzir.
A IA também pode acelerar a aprendizagem
Há ainda uma parte da história que a tese do inevitável empobrecimento cognitivo costuma deixar de lado: em determinadas circunstâncias, a inteligência artificial parece ajudar justamente os menos experientes.
Um estudo publicado no Quarterly Journal of Economics acompanhou 5.172 profissionais de atendimento ao cliente durante a introdução de um assistente baseado em IA generativa.
O ganho médio de produtividade foi de aproximadamente 15%, mas o resultado mais interessante estava na distribuição desses ganhos: trabalhadores menos experientes e de menor desempenho foram os que mais se beneficiaram. Os pesquisadores também encontraram indícios de aprendizagem e de disseminação, pela IA, de práticas utilizadas pelos profissionais mais qualificados.
Isso sugere uma possibilidade bem diferente. Talvez a IA não destrua necessariamente a velha trajetória entre iniciante e especialista. Talvez, em algumas profissões, ela a encurte.
Um profissional iniciante acompanhado por uma boa IA pode ter acesso a algo semelhante a um tutor que conhece milhares de casos anteriores, identifica erros, sugere caminhos e explica conceitos na hora em que a dúvida aparece.
Seria estranho concluir antecipadamente que isso só pode torná-lo mais ignorante.
Experimentos na educação oferecem sinais semelhantes. Em 2025, pesquisadores de Harvard compararam estudantes de física submetidos a uma aula de aprendizagem ativa com alunos que utilizaram um tutor de inteligência artificial cuidadosamente desenvolvido. Os estudantes do segundo grupo aprenderam mais em menos tempo.
Naturalmente, isso também não prova que a IA sempre melhora a aprendizagem. E aqui aparece talvez a descoberta mais importante desse debate.
O problema não é usar IA. É como usamos a IA
Outro experimento, publicado na Proceedings of the National Academy of Sciences, acompanhou quase mil estudantes de matemática. Durante os exercícios, aqueles que tinham acesso a uma ferramenta semelhante ao ChatGPT tiveram ótimo desempenho. O problema apareceu depois, quando precisaram resolver questões sem auxílio da máquina: o grupo que utilizara livremente a IA obteve desempenho 17% inferior ao grupo que não havia usado a ferramenta.
Era exatamente o temor dos críticos: a IA havia funcionado como uma muleta. Mas os pesquisadores fizeram algo particularmente interessante. Criaram uma segunda versão da ferramenta.
Em vez de simplesmente fornecer respostas, essa IA funcionava como tutora. Dava pistas, fazia o aluno avançar passo a passo e dificultava a obtenção da solução pronta.
Nesse grupo, o prejuízo posterior praticamente desapareceu. A conclusão é menos dramática, mas muito mais útil.
A inteligência artificial pode prejudicar a aprendizagem quando substitui o esforço intelectual que deveria ser feito pela pessoa. Também pode favorecer a aprendizagem quando remove obstáculos desnecessários, fornece feedback e obriga o usuário a raciocinar.
A mesma tecnologia pode produzir os dois resultados. Talvez a melhor comparação seja com uma calculadora. Entregá-la a uma criança antes que ela compreenda as operações básicas pode impedir que certas habilidades sejam desenvolvidas. Proibir seu uso por um engenheiro porque “é importante praticar contas” seria absurdo.
A ferramenta não define sozinha o resultado; o momento e a forma de uso importam.
E quem vai fiscalizar as máquinas?
Lovett chama de Validation Tether o vínculo entre inteligência artificial e conhecimento humano: para perceber que a máquina está errada, alguém precisa saber o suficiente para reconhecê-lo. Esse talvez seja o ponto mais forte de seu trabalho.
Quanto melhores ficarem os sistemas de IA, maior será a tentação de confiar neles. E quanto mais confiarmos neles, menor poderá ser o incentivo para conservar certas competências necessárias justamente nos raros momentos em que falham.
Aviação oferece um paralelo interessante. Pilotos comerciais utilizam sistemas automáticos extremamente sofisticados, mas ninguém concluiu que, por isso, deveriam deixar de aprender a pilotar. Fez-se o contrário. Mudaram-se os treinamentos. Criaram-se simuladores. Profissionais são deliberadamente colocados diante de falhas que quase nunca encontrarão no cotidiano, justamente para que saibam agir quando a automação não puder fazê-lo.
Talvez muitas profissões tenham de adotar raciocínio semelhante.
Um futuro advogado pode usar IA para pesquisar jurisprudência, organizar documentos e elaborar uma primeira versão de um parecer. Isso não significa que possa ignorar teoria jurídica, interpretação ou argumentação. Na verdade, quanto melhor for a máquina em produzir um texto aparentemente convincente, mais importante será saber identificar quando o argumento está errado.
O mesmo vale para médicos, engenheiros, contadores e programadores.
A automação muda as competências necessárias. Não necessariamente as elimina.
O risco existe. A profecia, não.
A “tragédia dos comuns cognitivos” merece ser levada a sério porque identifica um problema institucional que pode surgir silenciosamente.
Uma empresa pode obter enorme vantagem substituindo parte de seus profissionais iniciantes por IA. Talvez faça sentido para ela. Mas se uma profissão inteira deixar de criar oportunidades de aprendizagem, daqui a vinte anos poderá descobrir que economizou justamente nos lugares onde formava seus especialistas.
Esse risco precisa entrar nas decisões sobre educação, treinamento profissional e adoção de inteligência artificial.
Talvez seja necessário preservar atividades que hoje parecem pouco eficientes porque elas têm valor formativo. Talvez precisemos criar novas formas de residência profissional, simulações, exercícios sem IA, auditoria de respostas e períodos em que o profissional seja obrigado a resolver problemas antes de consultar a máquina.
Nada disso, porém, significa que devamos preservar tarefas inúteis apenas porque gerações anteriores tiveram de suportá-las.
O desafio é separar as duas coisas.
A grande divisão dos próximos anos provavelmente não será entre aqueles que usam inteligência artificial e aqueles que resistem a ela.
Será entre aqueles que usam a IA para evitar pensar e aqueles que a utilizam para pensar melhor.
No primeiro grupo, o risco de atrofia intelectual é bastante plausível. Se toda dúvida termina com uma pergunta ao chatbot e toda tarefa começa com “faça isso por mim”, algumas capacidades certamente deixarão de ser exercitadas. No segundo, pode acontecer o contrário. Uma pessoa curiosa, com boa formação e acesso a uma máquina capaz de explicar, questionar, simular, revisar e oferecer feedback instantâneo possui uma ferramenta de aprendizagem que nenhuma geração anterior teve. Ainda é cedo para saber qual dessas forças prevalecerá.
E talvez essa seja justamente a conclusão que mais incomoda numa época em que previsões categóricas circulam melhor que dúvidas bem fundamentadas. A inteligência artificial não nos condenou a deixar de pensar. Mas também não nos livrou da responsabilidade de fazê-lo.
Referências principais
- LOVETT, Nolan. The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise. Human Resource Development Review, 2026.
- ACEMOGLU, Daron; KONG, Dingwen; OZDAGLAR, Asuman. AI, Human Cognition and Knowledge Collapse. NBER Working Paper 34910, 2026.
- KALLEL, Maher; EL LOUADI, Mohamed. The Tragedy of the Cognitive Commons: Collective Intelligence Beyond AI-Induced Knowledge Collapse. 2026.
- BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey. Generative AI at Work. The Quarterly Journal of Economics, 2025.
- KESTIN, Greg et al. AI tutoring outperforms in-class active learning. Scientific Reports, 2025.
- BASTANI, Hamsa et al. Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 2025.