É preciso deixar algumas habilidades morrerem – e preservar as que desenvolvem as virtudes humanas

A IA tornará muitas técnicas cognitivas obsoletas, e preservá-las por si mesmas seria confundir dificuldade com formação. Escolas e locais de trabalho deveriam, em vez disso, preservar ou reconstruir as funções de aprendizagem que desenvolvem virtudes como julgamento, prudência e autonomia humana.

Em 12 de agosto de 2026, o Digital Economy Lab, de Stanford, divulgou uma divergência marcante no mercado de trabalho para profissionais em início de carreira. O nível de emprego entre trabalhadores de 22 a 25 anos em ocupações altamente expostas à IA estava cerca de 19% abaixo do que estaria se tivesse acompanhado o ritmo observado entre trabalhadores da mesma faixa etária em ocupações menos expostas.

Os pesquisadores não encontraram evidências de um deslocamento generalizado de trabalhadores em toda a economia e ressaltaram que o padrão identificado é descritivo, e não causal. Ainda assim, a divergência parece ocorrer principalmente por meio da redução das contratações. O perigo mais profundo é que os jovens trabalhadores possam perder parte das experiências profissionais por meio das quais o julgamento profissional costumava ser desenvolvido.

Um conjunto diferente de evidências aponta na direção oposta. Em um estudo de campo com 5.179 agentes de atendimento ao cliente, o acesso a um assistente de IA generativa aumentou a produtividade em 14%, em média, e em 34% entre trabalhadores iniciantes e menos qualificados.

Os pesquisadores encontraram indícios de que o sistema transmitia algumas das práticas dos trabalhadores mais experientes aos recém-chegados e ajudava os iniciantes a avançar mais rapidamente na curva de experiência. A IA pode acelerar o aprendizado profissional depois que um iniciante ingressa em uma instituição, mesmo enquanto a automação reduz algumas das tarefas de entrada que antes funcionavam como uma espécie de aprendizado profissional.

Uma revisão recente publicada na Trends in Cognitive Sciences sintetiza essa tensão: transferir parte da cognição para a IA pode dificultar a aquisição de habilidades e contribuir para sua deterioração, mas os riscos dependem da maneira como a tecnologia é utilizada.

Exigir que os estudantes reproduzam todas as técnicas antigas seria confundir tradição com formação. Permitir que ignorem todas as etapas cognitivas exigentes seria confundir desempenho com aprendizagem

Esse paradoxo exige uma resposta mais criteriosa do que a nostalgia ou o entusiasmo. Algumas habilidades deveriam desaparecer. Uma prática exigente não se torna valiosa simplesmente porque as gerações anteriores precisaram dominá-la.

No entanto, algumas práticas que parecem ineficientes são formativas: desenvolvem modelos mentais, hábitos de atenção, capacidade de detectar erros e julgamento prático. O critério correto, portanto, é preservar a função de uma prática quando essa função contribui para a formação da pessoa, mesmo quando a própria técnica pode desaparecer com segurança.

Chamo a capacidade de fazer essa distinção de metacompetência: a prudência para saber o que delegar, o que ainda é necessário compreender, quando desconfiar de uma resposta aparentemente convincente e quando ir além de uma abstração tecnológica.

O desenvolvimento humano em uma sociedade rica em IA dependerá menos de manter vivas todas as habilidades antigas do que de saber quais perdas abrem espaço para competências superiores e quais perdas destroem silenciosamente o caminho até elas.

Dificuldade morta e dificuldade formativa

A história da programação oferece um modelo útil. Os primeiros programadores trabalhavam próximos à máquina, traduzindo manualmente problemas em longas sequências de instruções de baixo nível. Quando a IBM lançou comercialmente o Fortran, em 1957, a abstração foi dramática.

Segundo o histórico da IBM, um problema que exigia até mil instruções de programa digitadas manualmente podia ser reduzido a 47 instruções em Fortran. Cientistas e engenheiros podiam formular os problemas de uma maneira mais próxima da notação matemática, enquanto um compilador cuidava de grande parte da tradução.

Poucas pessoas argumentariam que os programadores deveriam ter continuado escrevendo código de máquina simplesmente porque isso era difícil. O Fortran eliminou o que podemos chamar de dificuldade morta: um esforço que já não desenvolvia uma capacidade necessária para o trabalho que se esperava dos seres humanos. A abstração liberou atenção para formas mais valiosas de raciocínio e ampliou o acesso à programação.

Os seres humanos rotineiramente remodelam seus ambientes para reduzir o trabalho mental, fenômeno que os psicólogos descrevem como descarga cognitiva. A escrita, as calculadoras, os mecanismos de busca e as abstrações de software transferem parte da carga cognitiva para fora do indivíduo. Essa transferência pode ampliar a capacidade quando libera atenção para julgamentos mais relevantes.

No entanto, a abstração não elimina a necessidade de compreensão. Um programador de alto nível que nada sabe sobre o que acontece por baixo da abstração pode ter dificuldade para diagnosticar uma falha, raciocinar sobre desempenho ou reconhecer quando o comportamento da ferramenta se afasta do resultado pretendido.

Pesquisas sobre retenção de habilidades mostram por que isso importa: uma revisão quantitativa constatou perda substancial de habilidades após períodos sem uso, sendo que a magnitude da perda depende do tipo de habilidade e do intervalo sem prática.

Pesquisas sobre fatores humanos e automação também tratam a consciência situacional, a complacência e a degradação de habilidades como aspectos centrais na decisão sobre o que automatizar e em que grau.

Isso nos leva à outra categoria: a dificuldade formativa. A dificuldade formativa produz algo duradouro além do resultado imediato. Ela constrói um modelo mental, uma percepção das exceções, uma capacidade de explicar por que uma resposta está correta ou o julgamento necessário para reconhecer quando as regras habituais já não se aplicam.

A educação e a formação profissional sempre combinaram dificuldade morta e dificuldade formativa. Estudantes fazem manualmente cálculos que posteriormente um software realiza instantaneamente. Funcionários iniciantes produzem rascunhos que os supervisores reescrevem. Profissionais em treinamento resolvem lentamente problemas que especialistas posteriormente enfrentam com ferramentas e atalhos.

Parte desse esforço deve desaparecer à medida que a tecnologia melhora. Algumas atividades parecem ineficientes justamente porque aprender é um processo ineficiente. O erro está em tratar o exercício em si como algo sagrado, em vez de perguntar qual capacidade humana ele desenvolve.

A IA pode ensinar e privar

A distinção se torna especialmente importante porque o aprendizado de iniciantes não segue uma regra simples segundo a qual quanto mais difícil, melhor.

Pesquisas sobre o efeito de exemplos resolvidos mostram que iniciantes podem aprender de maneira mais eficiente com exemplos cuidadosamente estruturados do que com a resolução de problemas sem orientação. Um experimento posterior também constatou que o estudo de exemplos superou a resolução de problemas isoladamente entre iniciantes que aprendiam a diagnosticar problemas em circuitos elétricos.

Outros trabalhos mostram que estudantes que produzem autoexplicações enquanto estudam exemplos desenvolvem uma compreensão mais independente dos exemplos.

Ao mesmo tempo, pesquisas sobre falha produtiva indicam que enfrentar problemas complexos antes de receber instruções completas pode melhorar a transferência posterior do conhecimento. Experimentos sobre prática de recuperação também mostram que recuperar repetidamente informações pode fortalecer a retenção de longo prazo mais do que simplesmente estudá-las novamente.

O ponto é que o tipo correto de trabalho cognitivo importa para a construção de uma competência duradoura. A IA generativa pode participar dessa formação quando é concebida e utilizada como suporte, e não como substituta do pensamento. O estudo com profissionais de atendimento ao cliente é um exemplo. A educação oferece outro.

Em um estudo randomizado envolvendo mais de 700 tutores e 1.000 estudantes, pesquisadores de Stanford descobriram que um sistema de IA em tempo real que reproduzia práticas de tutoria de especialistas aumentou em quatro pontos percentuais a probabilidade de os estudantes dominarem conteúdos de matemática, com ganhos maiores entre os alunos cujos tutores haviam recebido avaliações mais baixas anteriormente.

O sistema tornou padrões de especialistas disponíveis no momento da necessidade, mantendo um tutor humano envolvido. A IA também pode ocultar a ausência de formação. Uma revisão sistemática de 2026 sobre IA generativa na área da saúde identificou preocupações recorrentes com viés de automação, perda de habilidades e efeitos sobre o raciocínio diagnóstico.

Da mesma forma, um analista iniciante pode receber um rascunho sofisticado produzido por IA e confundir fluência com raciocínio sólido, produzindo um trabalho de aparência competente sem possuir o modelo mental necessário para reconhecer um erro sutil.

Um estudo de 2025 com 319 profissionais do conhecimento constatou que uma maior confiança na IA generativa estava associada a um menor esforço autorrelatado de pensamento crítico, enquanto a natureza do pensamento crítico se deslocava para verificação, integração e gestão.

Essa mudança pode ser saudável se verificação e gestão se tornarem disciplinas reais. Torna-se perigosa quando o trabalhador nunca desenvolveu competência independente suficiente para desempenhá-las adequadamente.

Considere o primeiro rascunho de um memorando analítico. Escrever o rascunho pode obrigar um iniciante a organizar evidências, perceber lacunas, distinguir uma afirmação de sua sustentação e confrontar a incerteza.

Se a IA escrever o texto, a organização poderá receber um documento melhor mais rapidamente, e o iniciante, um exemplo útil de trabalho de maior qualidade. Se isso representa progresso depende do que acontece depois.

O analista precisa explicar o raciocínio com suas próprias palavras, identificar a razão mais forte pela qual o rascunho poderia estar errado, rastrear as afirmações importantes até suas evidências e defender a recomendação diante de objeções? Ou simplesmente encaminha uma prosa polida que nunca se transformou em conhecimento?

O mesmo resultado visível pode representar uma formação acelerada ou um desempenho emprestado. As escolas enfrentam a mesma escolha. Exigir que os estudantes reproduzam todas as técnicas antigas seria confundir tradição com formação. Permitir que ignorem todas as etapas cognitivas exigentes seria confundir desempenho com aprendizagem.

Uma política sensata para o uso de IA, portanto, pergunta quais experiências cultivam o julgamento e então redesenha essas experiências em torno da nova ferramenta. Um programador iniciante poderia estudar uma solução gerada por IA, explicar cada etapa, prever o que acontecerá quando uma premissa mudar e, depois, resolver um problema relacionado sem assistência.

Pesquisas sobre suporte à programação com IA generativa e uso de scaffolding sugerem que uma orientação estruturada pode melhorar o desempenho em programação ao mesmo tempo que favorece a autorregulação metacognitiva. O objetivo é deslocar a dificuldade para o lugar em que ela desenvolve as capacidades que ainda importam.

Prudência na delegação

A metacompetência deve, portanto, ser entendida mais como uma forma de prudência do que como um truque técnico. O usuário competente de IA precisa de mais do que habilidade para escrever prompts. Ele deve saber qual compreensão a tarefa exige, quais erros importam, o que precisa ser verificado e se seria capaz de se recuperar caso o sistema falhasse.

Pesquisas anteriores sobre viés de automação são relevantes nesse ponto. Uma revisão sistemática constatou que as pessoas podem confiar excessivamente em sistemas automatizados de apoio à decisão e deixar de detectar novos erros introduzidos por eles.

Uma revisão posterior encontrou viés de automação até mesmo em tarefas individuais quando a verificação era complexa. O risco é especialmente grave quando o papel do ser humano é reduzido à aprovação passiva, uma versão do problema de desempenho “fora do circuito” estudado há muito tempo em sistemas altamente automatizados.

As instituições podem cultivar a prudência deliberadamente. Antes de automatizar uma tarefa rotineira, uma escola ou local de trabalho deveria fazer quatro perguntas.

O que um iniciante aprende ao realizar essa tarefa? Essa lição ainda é necessária para um desempenho competente na vida adulta? Se a tarefa desaparecer, onde essa lição será aprendida? Como testaremos se a pessoa realmente possui a competência subjacente, em vez de apenas produzir o resultado correto com assistência?

Essas perguntas transformam a automação em uma decisão sobre a formação humana, e não apenas sobre eficiência. Às vezes, as respostas justificarão deixar uma habilidade morrer. Poucos adultos precisam realizar todos os cálculos por meio de divisão longa, e poucos programadores precisam passar a carreira traduzindo fórmulas em instruções de máquina.

Preservar universalmente essas técnicas consumiria tempo que poderia ser melhor investido em capacidades mais valiosas.

Em outros casos, a função de aprendizagem precisa ser reconstruída em outro lugar. Um jovem profissional que já não escreve todos os primeiros rascunhos poderia ser obrigado a diagnosticar um texto produzido por IA antes de revisá-lo, reconstruir seu argumento a partir das evidências sem olhar para o texto gerado, lidar com as exceções que o sistema não consegue resolver ou explicar por que uma resposta aparentemente plausível está errada. Esses não são obstáculos arbitrários. São exercícios substitutos para capacidades que o antigo fluxo de trabalho desenvolvia incidentalmente.

A avaliação também precisa mudar. Se uma máquina consegue produzir de maneira confiável uma resposta comum, os testes humanos deveriam enfatizar cada vez mais as capacidades que tornam segura a delegação: explicação, verificação, transferência para um novo caso, recuperação de erros e julgamento diante da ambiguidade.

O monitoramento metacognitivo pode ser treinado; uma metanálise constatou que o ensino de estratégias de aprendizagem pode melhorar a precisão com que os estudantes monitoram a própria compreensão. A metacompetência começa com uma percepção precisa do que se sabe, do que não se sabe e de quando a assistência ultrapassou a capacidade de avaliá-la.

O desafio mais amplo da adoção da IA no trabalho é, portanto, institucional, e não meramente individual. As organizações moldam aquilo que as pessoas praticam, aquilo que são recompensadas por perceber e os tipos de erro que se espera que detectem.

Um ambiente de trabalho que automatiza tarefas de profissionais iniciantes sem redesenhar o aprendizado profissional pode desfrutar de produtividade no curto prazo enquanto consome silenciosamente o capital humano do qual depende a experiência futura.

Uma escola que proíbe ferramentas úteis pode preservar exercícios obsoletos sem ensinar aos estudantes como exercer julgamento no ambiente em que de fato viverão. A prudência exige um terceiro caminho: eliminar a dificuldade morta, preservar a dificuldade formativa e criar novas formas de prática quando as antigas desaparecerem.

O progresso tecnológico sempre envolveu esquecimento. Já não esperamos que pessoas instruídas mantenham todas as técnicas que um dia mediaram o trabalho competente, e não deveríamos tratar o desaparecimento de uma habilidade como uma derrota humana simplesmente porque essa habilidade era difícil de adquirir. A verdadeira perda ocorre quando uma sociedade descarta o exercício e não percebe que esse exercício desempenhava uma função formativa.

A formação humana nunca significou fazer tudo da maneira mais difícil. Significa tornar-se o tipo de pessoa capaz de reconhecer o que o caminho difícil estava ensinando. Devemos deixar muitas habilidades morrerem. A virtude está em fazer isso com prudência suficiente para saber o que precisa renascer em um nível superior.

Gleb Tsipursky, cientista comportamental chamado de “Office Whisperer” pelo The New York Times, ajuda líderes de empresas voltadas para a tecnologia a evitar gastos excessivos com IA enquanto aumentam o engajamento e a inovação. Ele é CEO da consultoria de IA Disaster Avoidance Experts. Seu livro mais recente é The Psychology of AI Adoption at Work: From Resistance to Results (Georgetown University Press, 2026).

©2026 The Public Discourse. Publicado com permissão. Original em inglês: The Virtue of Letting Skills Die