O que fica
- Aceitar a resposta de uma IA sem conferir, no lugar do próprio raciocínio, tem nome: rendição cognitiva. O termo foi proposto por Steven Shaw e Gideon Nave, da Wharton School, num artigo de trabalho de janeiro de 2026.
- No primeiro experimento de Shaw e Nave, quem respondeu sem IA acertou 45,8% das questões. Quando a IA estava certa, o acerto subiu para 71,0%. Quando ela errava, caiu para 31,5%.
- No mesmo experimento de Shaw e Nave, quem tinha acesso à IA saiu mais confiante, embora cerca de metade das respostas dela estivesse errada. Sentir-se seguro não basta para saber se o número está certo.
- No estudo de Shaw e Nave, ter tempo livre não reduziu a adesão à resposta errada da IA. Ganhar por acerto e saber na hora se tinha errado, juntos, levaram a recusa da resposta errada de 20,0% para 42,3%.
- Quando a resposta de IA entra numa decisão, ela deveria trazer a definição da métrica, a consulta, a fonte e a data de corte. E deveria dizer o que não sabe. Sem isso, o comitê só pode aceitar o número ou refazer a conta.
A cena é hipotética, e fácil de reconhecer. Faltam dez minutos para acabar a reunião de resultado. O diretor comercial pergunta ao assistente de IA qual foi a margem por canal no trimestre. O número aparece em segundos, bem formatado, com uma frase de explicação. Ninguém pergunta de onde ele veio, e a pauta segue.
Se o número estiver certo, a reunião ganhou dez minutos. Se estiver errado, a decisão de preço ou de verba sai dali apoiada nele, e com mais convicção do que teria sem a IA. Esse segundo caso foi medido por uma pesquisa da Wharton School, e ganhou nome: rendição cognitiva.
Rendição cognitiva é aceitar a resposta de uma IA com pouca ou nenhuma conferência, no lugar do próprio raciocínio. O termo, em inglês cognitive surrender, foi proposto por Steven Shaw e Gideon Nave num artigo de trabalho de janeiro de 2026. Para quem decide, a conclusão é direta. O risco maior está em parar de perceber quando a IA erra. A defesa é exigir respostas que se possam conferir, e ninguém precisa usar menos IA por causa disso.
O que o experimento de Wharton mediu?
Shaw e Nave mediram quanto as pessoas acertam com e sem IA, e quanto confiam no que responderam. Foram três experimentos pré-registrados, com 1.372 participantes e 9.593 questões respondidas. Pré-registrar é declarar as hipóteses e a análise antes de coletar os dados.
1.372
participantes em três experimentos
9.593
questões respondidas
+25 pontos
no acerto quando a IA estava certa (estudo 1)
−14 pontos
no acerto quando a IA errava (estudo 1)
Os participantes resolviam questões do Teste de Reflexão Cognitiva. São problemas com uma resposta intuitiva errada e uma correta, que exige parar para pensar. Parte deles, no primeiro experimento, podia consultar um assistente de IA quantas vezes quisesse. Sem que soubessem, o assistente estava programado para acertar algumas questões. Nas outras, dava com segurança a resposta intuitiva errada.
No primeiro experimento, quem respondeu sem IA acertou 45,8% das questões. Quem contou com a IA certa chegou a 71,0%. Diante da IA errada, o acerto caiu para 31,5%. Quando consultavam o assistente e ele errava, os participantes seguiram a resposta errada em 79,8% das vezes. A confiança também subiu. Quem tinha acesso à IA declarou 77,0% de confiança nas próprias respostas, contra 65,3% de quem não tinha. Cerca de metade das respostas da IA estava errada.
O próprio artigo aponta os limites. O estudo usou um só tipo de charada de raciocínio, em ambiente controlado e numa única sessão. Ninguém ali decidia sobre o dinheiro de uma empresa, nem em grupo. O texto saiu como artigo de trabalho, o formato que antecede a revisão por pares, e até 20 de outubro de 2026 a Quantka não localizou versão publicada em revista. A pesquisa mostra um mecanismo. O tamanho desse efeito numa diretoria brasileira ninguém mediu. Os autores também recusam o tom de alarme: tratam o resultado como um problema de desenho de sistema e de educação.
Mais tempo ajuda a conferir a IA?
No estudo de Shaw e Nave, não ajudou. A adesão à resposta errada só caiu quando o participante passou a ganhar por acerto e a saber, logo depois de responder, se tinha acertado. As duas mudanças foram testadas juntas, sem medir o peso de cada uma.
No segundo experimento, um grupo tinha 30 segundos por questão e o outro tinha tempo livre. Os dois seguiram a IA errada em proporção parecida: 72,3% das vezes com pressa e 74,6% sem pressa. Tempo de sobra, sozinho, não fez as pessoas conferirem mais.
O terceiro experimento testou outra alavanca. Um grupo ganhava US$ 0,20 por acerto e via na hora se tinha acertado. Nesse grupo, a recusa da resposta errada da IA foi de 42,3%. No grupo sem incentivo, ficou em 20,0%. A rendição diminuiu, mas continuou lá. Diante da IA errada, o grupo com incentivo acertou 45,5% das questões. Na questão que respondeu sem IA, o mesmo grupo acertou 64,2%.
Uma sala de comitê se parece mais com o grupo sem esse retorno. O número chega pronto. Raramente alguém sabe se o assistente já errou antes naquela métrica. E a conferência, quando existe, acontece semanas depois, longe da decisão. Essa leitura é da Quantka, porque o estudo testou pessoas sozinhas, e não comitês.
Também não convém contar com o grupo como proteção. Raja Parasuraman e Dietrich Manzey revisaram os estudos sobre viés de automação, a tendência de seguir a recomendação de um sistema automático e deixar de procurar sinais contrários. A revisão, publicada na revista Human Factors em 2010, encontrou o viés em especialistas e em equipes. E concluiu que treinamento e instrução não bastam para evitá-lo.
Como é uma resposta que se pode conferir?
Uma resposta que se pode conferir traz, junto do número, o caminho até ele. Diz qual definição de métrica usou, que consulta rodou, em que base e com que data de corte. E diz o que não sabe. O próprio artigo sugere algo parecido: indicadores de incerteza e explicações claras podem servir de aviso leve para o decisor pensar antes de aceitar.
| O que acompanha o número | Resposta que não dá para conferir | Resposta conferível |
|---|---|---|
| Definição da métrica | “A margem do trimestre foi de X%” | Qual margem: a de contribuição, na versão da controladoria, já sem devoluções |
| Origem | Nenhuma | A consulta executada e as tabelas lidas, abertas a quem quiser ver |
| Período | Implícito | Data de corte declarada, com aviso se o mês ainda não fechou |
| Incerteza | A mesma segurança em toda frase | Avisa quando a pergunta é ambígua ou o dado é parcial |
| Quando não sabe | Responde mesmo assim | Pede esclarecimento ou diz que não sabe |
| Histórico | Ninguém sabe se o assistente já errou | As divergências com o número oficial ficam registradas |
A coluna da direita não garante que o número esteja certo. Ela permite que alguém descubra, em minutos, quando ele está errado. É o princípio de explicabilidade que a Quantka adota no seu Agente de Data Analytics. Cada resposta indica de onde vieram os dados e qual lógica foi aplicada, e o registro de uso guarda a pergunta, as fontes e a lógica de cada resposta. Já o conhecimento da empresa de que o agente precisa para acertar é outro assunto, tratado em artigo próprio.
Experiência não protege, e conferir não exige refazer tudo
Duas objeções aparecem primeiro: o time é experiente, e conferir acaba com o ganho de tempo. A primeira os dados não sustentam. A segunda depende de como se confere.
Nos experimentos de Shaw e Nave, quem confiava mais em IA seguiu mais as respostas erradas. Somados os três experimentos, resistiu melhor quem declarou gostar mais de pensar e quem foi melhor num teste curto de raciocínio. Experiência no assunto não foi testada ali. A revisão de Parasuraman e Manzey, porém, achou o viés de automação também em especialistas.
Conferir também não significa refazer cada conta. Tendo a definição e a consulta à mão, basta conferir por amostragem: dois ou três números por reunião, comparados com o relatório oficial. O ganho medido continua valendo, e com a IA certa o acerto subiu 25 pontos. Sofia Pires, numa leitura crítica do estudo, lembra que as manchetes esqueceram esse lado.
Para medir o avanço sem prometer resultado, três indicadores servem. O primeiro é a parcela das respostas que chega com definição e fonte. O segundo é a taxa de divergência entre o assistente e o número oficial nas amostras. O terceiro é quantas vezes o assistente pediu esclarecimento ou disse que não sabia. Se a divergência cai e esses pedidos não somem, o processo está funcionando.
Como incluir a conferência na rotina do comitê?
A conferência precisa virar rotina com dono, porque pergunta sem dono some na segunda-feira. A tabela é um ponto de partida para o comitê de resultado.
| Situação | Ação mínima | Dono sugerido | Frequência |
|---|---|---|---|
| Um número de IA entra na pauta do comitê | Exigir a definição da métrica, a fonte e a data de corte junto do número | Secretaria do comitê ou PMO | Toda reunião |
| O número contradiz a intuição de alguém da mesa | Abrir a consulta antes de decidir; sem consulta, o número não decide | Quem preside a reunião | Sempre que acontecer |
| Uma decisão relevante se apoia em resposta de IA | Conferir dois ou três números contra o relatório oficial | Controladoria | Todo fechamento mensal |
| A conferência encontra uma divergência | Registrar a pergunta, a resposta, a métrica e a causa | Líder de dados | A cada divergência |
| Revisão do uso de IA nas decisões | Ver a taxa de divergência e os pedidos de esclarecimento por métrica | Líder de dados com o CFO | Trimestral |
A primeira ação cabe no próximo fechamento, sem sistema novo. Separe três números que chegaram ao comitê por um assistente de IA. Confira cada um contra o relatório da controladoria e anote se bateu. Se não bateu, anote por quê. É o mais perto que uma empresa chega do retorno imediato que, no experimento, veio junto com o pagamento por acerto e dobrou a recusa da resposta errada.
Perguntas frequentes
Rendição cognitiva é o mesmo que viés de automação?
São parentes. Viés de automação é um conceito mais antigo que a IA generativa: a tendência de seguir a recomendação de um sistema automático e deixar de procurar sinais contrários. Shaw e Nave, da Wharton School, dizem que o viés de automação trata de erros pontuais diante de uma ferramenta. A rendição cognitiva é mais ampla: a pessoa para de raciocinar e adota a resposta da IA como sua. Os autores também a separam da delegação, em que quem passa uma tarefa à IA continua no comando do raciocínio.
O risco vale para modelos de previsão e de crédito, ou só para assistentes de conversa?
O experimento usou um assistente de conversa. O mecanismo, porém, deve ser o mesmo sempre que um número chega pronto e com cara de certeza: uma previsão de demanda, um score de crédito, uma recomendação de preço. Essa extensão é inferência, e o estudo não a mediu. Por precaução, modelos que entram em decisão de comitê deveriam mostrar quais fatores pesaram e qual a margem de erro.
O que a empresa precisa ter antes de exigir respostas conferíveis?
Definições escritas das métricas que o comitê usa. Sem uma definição oficial de margem ou de receita, não há contra o que conferir. A resposta conferível só mostraria qual das versões o assistente escolheu. O ponto de partida razoável são as métricas que já aparecem no material da reunião de resultado, cada uma com um dono.
Quando não vale a pena exigir esse nível de conferência?
Quando o erro custa pouco e a decisão volta atrás fácil: levantar hipóteses para uma análise, rascunhar um texto, explorar dados pela primeira vez. Ali, a velocidade vale mais do que a trilha. A exigência cresce com o custo de errar. Verba, preço, crédito, contratação e tudo o que vai ao conselho ou à auditoria pedem a resposta conferível.
Fontes consultadas
- Shaw, S. D. e Nave, G. (The Wharton School). Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. Artigo de trabalho, versão de 11 de janeiro de 2026. SSRN 6097646 e PsyArXiv. Consultado em 20 de outubro de 2026
- Parasuraman, R. e Manzey, D. H. Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, v. 52, n. 3, p. 381–410, junho de 2010. DOI 10.1177/0018720810376055
- Wharton@Work. Thinking Fast, Slow, and Artificially. Maio de 2026. Wharton Executive Education
- Pires, S. Surrendering to AI. Substack, 7 de abril de 2026. Leitura crítica do estudo
