Pensamento cr�tico nos faz ver IA como instrumento de investiga��o, n�o como or�culo

[RESUMO] Proliferação do uso da IA em nosso cotidiano, que oferece em segundos parte do trabalho que nos caberia, pode dar a impressão de que o pensamento humano ficou obsoleto em muitos aspectos. No texto a seguir, autora defende justamente o oposto: o pensamento crítico ficou ainda mais relevante. Frente às máquinas, é fundamental nos guiarmos por critérios científicos para interrogar, confrontar, testar e revisar o que recebemos. Ensino pensamento crítico a líderes há mais de 20 anos, desde que terminei meu doutorado em cognição. O tema sempre foi relevante para aprender e decidir bem. Agora a inteligência artificial magnificou sua importância. Quando falo em IA, refiro-me à inteligência artificial generativa baseada em grandes modelos de linguagem —sistemas capazes de produzir textos, sínteses e argumentos a partir de padrões aprendidos em volumes imensos de informação. Esses sistemas podem gerar respostas convincentes, ainda que incompletas, tendenciosas ou erradas: coerência é algo bem diferente daquilo que torna uma resposta válida e digna de crédito. É justamente nesse espaço que o pensamento crítico ganha relevância. Falamos de pensamento crítico como se seu significado fosse evidente. Há diversas definições, mas quase todas convergem: é o processo de reflexão usado para decidir no que acreditar ou o que fazer. A IA torna esse processo menos transparente. Até recentemente, boa parte do esforço de pensar ocorria antes da resposta: procurávamos fontes, confrontávamos versões, interpretávamos evidências, construíamos uma síntese. Hoje a IA faz isso em segundos e entrega uma resposta já selecionada, organizada, interpretada e redigida —uma mediadora poderosa que comprime parte do trabalho que nos caberia. Por isso, ganha peso outra tarefa cognitiva: saber interrogar o que recebemos. De onde vieram as evidências? Elas têm a mesma qualidade? Que premissas sustentam a conclusão? O que ficou de fora? Que evidência poderia mostrar que ela está errada? A pergunta deixa de ser apenas "qual é a resposta?" e passa a ser também "por que eu deveria acreditar nela?". O método científico como caminho Essa pergunta não nasceu com a IA —atravessa a história da ciência, que oferece pistas de como respondê-la. Em "Knowledge in a Social World", Alvin Goldman desloca a epistemologia da figura do conhecedor isolado para as práticas e instituições sociais da produção e transmissão do conhecimento. Grande parte do que sabemos chega por intermédio de outros: não repetimos cada experimento médico antes de tomar um remédio, nem reconstruímos pessoalmente o índice de inflação. Dependemos de cientistas, jornalistas, professores, instituições, bancos de dados. Essa dependência de outros —ou, agora, de máquinas— é condição de qualquer sociedade complexa. O desafio não é eliminá-la, mas delegar sem deixar de poder examinar o que recebemos. Em "The Scientific Revolution", Steven Shapin contesta a narrativa de uma passagem abrupta do mundo medieval, dominado pela autoridade, para uma modernidade iluminada pela ciência. Sua reconstrução dos séculos 16 e 17 atenta não ao que passou a ser conhecido, mas a como certas afirmações ganharam status de conhecimento. Durante boa parte da Idade Média europeia, produzir e reproduzir textos era caro, e o acesso ao conhecimento escrito era restrito. A autoridade de quem afirmava —religiosa, intelectual, institucional— pesava muito na definição do que era aceito como verdadeiro. A imprensa mudou essa dinâmica: ao reduzir o custo da reprodução, permitiu que textos circulassem em escala maior, com ideias e argumentos mais comparáveis, criticáveis e corrigíveis. A ciência moderna foi alimentada por transformações graduais na forma de produzir, compartilhar e validar conhecimento. Mudou, sobretudo, como uma afirmação conquistava credibilidade: a autoridade deixou de bastar, e ganhou peso poder observar, testar, documentar e contestar o que era dito. Um episódio analisado por Shapin e Simon Schaffer em "Leviathan and the Air-Pump" ilustra essa dinâmica. No século 17, Robert Boyle procurava estabelecer matters of fact (fatos empiricamente estabelecidos) combinando a bomba de ar (capaz de produzir fenômenos), relatos que permitiam a ausentes conhecer o observado e convenções sobre testemunho e credibilidade. A ciência pode ser entendida como uma tecnologia social para estarmos errados com menos frequência. Não eliminou nossa dependência do conhecimento produzido por outros —criou mecanismos para tornar essa dependência "interrogável". É essa atitude que devemos levar para a nossa relação com a IA. Investigar de onde vem a resposta Uma conclusão científica idealmente deixa rastros (afirmação, fonte, método, evidência, análise, conclusão) que permitem interrogá-la mesmo sem termos participado de sua produção. De onde vieram os dados? Como foram obtidos? Há explicações alternativas? Que evidência seria incompatível com a conclusão? Diante da IA, podemos fazer o mesmo. Imagine que uma IA encontre alguns estudos sobre certa intervenção educacional: um é meta-análise de experimentos randomizados; dois são observacionais; um tem 42 participantes; outro acompanha 80 mil pessoas, mas mostra apenas correlação; um foi financiado pela empresa que a vende; outro foi replicado em vários países. A IA pode resumir tudo isso e apontar essas diferenças, mas não resolve a questão principal: quanto cada evidência deve pesar na conclusão? Pensar criticamente não é só perguntar à IA quais são as fontes — é perguntar o que essas fontes permitem concluir. Não tratar todas as evidências como equivalentes Aqui, a expertise continua fundamental. Durante muito tempo, a vantagem do especialista estava em acessar conhecimentos que outros não tinham. A IA reduz essa assimetria, mas valoriza outra dimensão da expertise: saber o que fazer com o que todos agora podem acessar. É preciso reconhecer limitações metodológicas, entender contexto, identificar conflitos de interesse, distinguir correlação de causalidade e perceber quando a conclusão excede os dados. Expertise traz, portanto, maior capacidade de ponderação. Se uma IA apresenta cinco estudos favoráveis a uma conclusão e dois contrários, pensamento crítico não é contar votos. Um dos contrários pode ser metodologicamente mais robusto que os outros cinco; os resultados podem valer só para certa população; ou os estudos podem medir coisas diferentes. Quanto mais operações delegamos, mais importa saber avaliá-las. Usar a resposta como hipótese, não como conclusão George Luger, em "Knowing Our World: An Artificial Intelligence Perspective", investiga como construímos conhecimento. Conhecer, para ele, não é chegar a uma resposta definitiva, mas construir modelos, confrontá-los com evidências e revisá-los quando necessário —o que chama de active, pragmatic, model-revising realism: um realismo ativo, pragmático e aberto à revisão. Essa ideia sugere um modo produtivo de lidar com a IA: tratar suas respostas não como conclusões, mas como hipóteses a interrogar. Peça a uma IA que construa o melhor argumento de que o microcrédito reduz a pobreza, e ela o fará. Peça o melhor argumento contrário, e ela também o fará. Em vez de perguntar qual posição é mais forte, podemos perguntar que evidência distingue as duas hipóteses, quais estudos indicam causalidade e quais apenas correlação, em que contextos os resultados mudam, qual a evidência mais forte contra cada posição, e o que nos faria abandonar uma delas. Essa última pergunta é a mais poderosa: o que me faria mudar de ideia? Usada assim, a IA deixa de encerrar a investigação e passa a ampliá-la. Interrogar também a pergunta Há uma camada anterior à resposta: a qualidade da pergunta. Pergunte "por que a energia nuclear é indispensável à descarbonização?", e a conclusão já está embutida na pergunta. Pergunte "qual seu papel na descarbonização, quais as principais posições e que evidências sustentam cada uma?", e o espaço de investigação muda. Uma pergunta enviesada, orientada à confirmação, pode produzir uma resposta sofisticada que apenas reforça a fragilidade do nosso próprio raciocínio. Por isso, pensamento crítico diante da IA começa antes de apertar "Enter". Que premissas estou pondo na pergunta? Que alternativas deixo de fora? Busco descobrir algo ou confirmar o que já acredito? A pergunta que fiz é mesmo a que preciso responder? Uma resposta brilhante para a pergunta errada continua sendo uma resposta para a pergunta errada. O que delegar —e o que preservar A questão não é preservar todas as operações cognitivas que fazíamos antes da IA; seria como defender o cálculo manual porque calculadoras terceirizam contas. A questão é: o que podemos delegar sem perder a capacidade de julgar aquilo que delegamos? A IA não elimina o trabalho de pensar; redistribui esse trabalho. Se a máquina busca informação, cresce o valor de avaliar sua qualidade e seu contexto. Se sintetiza evidências, cresce o valor de ponderá-las. Se produz argumentos, cresce o valor de examinar suas premissas. Se calcula alternativas, cresce o valor de formular o problema. E, se produz respostas convincentes, cresce o valor do julgamento. Imagine duas pessoas diante da mesma IA. A primeira pergunta se a energia nuclear é sustentável, recebe uma excelente resposta e segue adiante. A segunda pergunta quais as principais hipóteses sobre seu papel na descarbonização, que evidências sustentam cada uma, de onde vêm, qual a melhor evidência contra a posição dominante, que premissas explicam a divergência e o que a faria mudar de conclusão. Ambas usam a mesma tecnologia, mas estabelecem com ela relações cognitivas bem diferentes. A primeira trata a IA como oráculo ou esfinge; a segunda, como instrumento de investigação. Aí reside o pensamento crítico. Em tempos em que respostas, explicações e argumentos surgem instantânea e abundantemente, podemos redescobrir o que a ciência levou séculos para construir: formular boas perguntas, examinar fontes, ponderar evidências, confrontar hipóteses, buscar explicações alternativas, distinguir correlação de causalidade, explicitar incertezas e mudar de ideia diante de evidências melhores. Não precisamos virar cientistas. Mas podemos pensar mais como eles. Se usarmos a IA não como oráculo que encerra a investigação, mas como instrumento que ajuda a perguntar, confrontar, testar e revisar, podemos recuperar o que sua própria facilidade pode ameaçar: o valor da ciência como maneira de pensar.