Tenho escutado com frequência, nas conversas com lideranças, uma percepção aparentemente simples sobre inteligência artificial: depois que as pessoas começam a utilizá-la de maneira recorrente, torna-se difícil voltar a trabalhar exatamente como antes.
Não se trata apenas da velocidade para escrever um documento, resumir uma reunião ou encontrar uma informação. Muitos profissionais começam a recorrer à IA para organizar uma ideia, confrontar uma hipótese, explorar alternativas, interpretar informações ou simplesmente conseguir pensar melhor sobre determinado problema.
Um dos sinais que tenho observado me parece particularmente importante: a discussão começa a deixar de ser sobre humano contra máquina e passa a ser sobre como combinar capacidades humanas e artificiais. A inteligência artificial assume atividades repetitivas, amplia a capacidade de análise e oferece novas possibilidades de interpretação, enquanto julgamento, negociação e leitura de contexto permanecem como dimensões decisivas da atuação humana. É exatamente nesse ponto que aparece aquilo que tenho chamado de cognição híbrida.
A discussão deixa de ser humano contra máquina e passa a ser como combinar capacidades.
A pergunta deste paper não é se a máquina pensa como nós. É o que acontece com o pensar humano, e com as organizações que dependem dele, quando ele passa a ser elaborado em parceria com sistemas artificiais.
Desloca a cognição híbrida de integração entre capacidades, como formulada em 2025, para arquitetura do pensar que inclui sistemas artificiais como participantes funcionais.
Estabelece a fronteira entre as duas e propõe um critério observável para distingui-las: o teste da retirada.
Nomeia as etapas lentas do trabalho que, além de produzir entregas, formavam repertório e julgamento.
Propõe a qualidade cognitiva da organização como objeto de gestão, ao lado da produtividade.
Este é um ensaio conceitual e uma atualização. Parte do conceito apresentado em Híbridos (Cappra, 2025a), do artigo do autor sobre cognição híbrida na gestão (Cappra, 2026d) e da pesquisa do Cappra Institute sobre o futuro das organizações analíticas (Cappra Institute, 2026), e o articula a uma revisão da literatura sobre mente estendida, cognição distribuída, automação e IA generativa no trabalho. As proposições ainda não foram submetidas a teste empírico sistemático.
Cognição híbrida não atribui consciência, compreensão ou intenção à máquina. Descreve uma mudança na atividade cognitiva humana quando sistemas artificiais deixam de operar apenas como ferramentas externas e começam a participar funcionalmente do processo de elaboração do pensamento. O termo é preferido a inteligência aumentada porque não pressupõe o resultado: a mesma arquitetura pode ampliar ou empobrecer a capacidade de quem pensa dentro dela.
O conceito surgiu na pesquisa acadêmica do autor sobre a interdependência entre humanos, dados e máquinas, e foi apresentado em Híbridos: o futuro do trabalho entre humanos e máquinas como um dos três pilares para arquitetar o futuro do trabalho.
Na formulação de 2025, o híbrido cognitivo designava a integração profunda e funcional entre a cognição humana e sistemas de inteligência artificial, uma sinergia em que ambos operam em conjunto para realizar tarefas cognitivas complexas. Humanos trariam criatividade, empatia e julgamento ético; a IA, capacidade analítica, processamento de grandes volumes de dados e execução precisa de tarefas repetitivas (Cappra, 2025a).
O livro já apontava o outro lado dessa integração. A externalização da memória e das funções intelectuais em sistemas técnicos poderia levar à proletarização da mente, em que os indivíduos se tornam dependentes das máquinas para lembrar e pensar por eles. A cognição híbrida aparecia, assim, com uma promessa e um risco: potencializar criatividade e inovação, ou produzir proletarização cognitiva, exigindo formação contínua para que os trabalhadores mantivessem habilidades autônomas e críticas.
Desde a origem, o conceito carregava uma promessa e um risco.
Três deslocamentos justificam esta atualização. O primeiro é de escala: a interface em linguagem natural, uma das quatro interfaces cognitivas descritas no livro, tornou-se cotidiana e transformou a cognição híbrida de possibilidade em prática de trabalho. O segundo é de lugar: o sistema deixou de aparecer apenas no final do trabalho e passou a participar da maneira como o próprio trabalho intelectual é construído. O terceiro é de objeto: a questão deixa de ser apenas o que acontece com o indivíduo e passa a ser o que acontece com a capacidade de decidir de uma organização inteira.
Por isso esta edição troca a ênfase de integração entre capacidades por arquitetura do pensar. Integração sugere duas partes que se somam. Arquitetura sugere um espaço que condiciona o que pode acontecer dentro dele, e que pode ser desenhado bem ou mal.
A ideia de que o pensamento se estende para além do indivíduo não nasce com a IA generativa. Tem pelo menos seis décadas, e duas linhagens: uma que descreve a extensão como ganho, outra que adverte sobre o que se perde com ela.
Licklider (1960) imaginou uma simbiose em que humanos formulariam perguntas e computadores processariam respostas, numa parceria que pensaria melhor do que qualquer das partes sozinha. Engelbart (1962) foi além: tratou o intelecto humano como sistema que inclui artefatos, linguagem, métodos e treinamento, de modo que aumentar o intelecto significava redesenhar o sistema inteiro, e não apenas acrescentar uma ferramenta.
Nas ciências cognitivas, Hutchins (1995) mostrou que a navegação de um navio resulta de um processo distribuído entre pessoas, instrumentos e procedimentos, e Hollan, Hutchins e Kirsh (2000) estenderam a abordagem ao desenho de interfaces. Clark e Chalmers (1998) formularam a tese da mente estendida: quando um recurso externo cumpre, de forma confiável, um papel funcional equivalente ao de um processo interno, ele é parte do processo cognitivo. Clark (2003) chamou os humanos de ciborgues natos, e recentemente argumentou que a IA generativa deve ser entendida nessa mesma chave, como nova forma de extensão da mente, que exige novas habilidades para avaliar e calibrar a confiança no que os sistemas oferecem (Clark, 2025).
Aumentar o intelecto significa redesenhar o sistema inteiro, e não acrescentar uma ferramenta.
Hayles (2017) deu ao fenômeno uma descrição mais próxima das organizações: assembleias cognitivas, arranjos em que humanos e sistemas técnicos interpretam e decidem em conjunto, boa parte do tempo sem consciência do que está sendo processado. Floridi (2014) descreve o ambiente em que isso acontece: uma infosfera compartilhada por agentes humanos e artificiais.
A segunda linhagem trata do custo. Bainbridge (1983) descreveu as ironias da automação: quanto mais automatizado o sistema, mais crucial a contribuição humana nos momentos críticos, e menos preparadas as pessoas para fazê-la. Sparrow, Liu e Wegner (2011) observaram que, quando sabemos que a informação estará disponível, tendemos a lembrar menos o conteúdo e mais onde encontrá-lo. Risko e Gilbert (2016) sistematizaram o descarregamento cognitivo, o uso de ações físicas e recursos externos para reduzir a demanda cognitiva, como uma escolha que tem benefícios e custos.
Stiegler (2016) radicaliza a advertência com o conceito de proletarização: a exteriorização de saberes em sistemas técnicos pode produzir perda de saber quando não é acompanhada de reapropriação. Para Stiegler, a técnica é um pharmakon, ao mesmo tempo remédio e veneno. A cognição híbrida herda as duas linhagens. Afirma a extensão como condição do pensamento contemporâneo e assume a proletarização cognitiva como seu risco constitutivo (Cappra, 2025a).
A técnica é ao mesmo tempo remédio e veneno.
A questão não é dizer que a máquina pensa como pensamos. A questão é perceber que o profissional começa a pensar dentro de uma arquitetura cognitiva mais ampla.
Cognição híbrida é a condição em que a atividade cognitiva de uma pessoa ou de uma organização passa a se realizar dentro de uma arquitetura que inclui sistemas artificiais como participantes funcionais da formulação de perguntas, da construção de hipóteses, da interpretação de informações e, indiretamente, da decisão.
Tenho observado essa mudança nas organizações que ajudamos em processos de transformação. No início, a conversa normalmente está concentrada em casos de uso, ferramentas e produtividade. Depois de algum tempo, surgem questões diferentes. As pessoas começam uma tarefa já pressupondo que poderão conversar com uma IA durante o processo. Uma hipótese é apresentada pelo humano, modificada pela máquina, reinterpretada novamente pelo profissional e submetida a novas interações.
A figura descreve esse ciclo. A IA participa de quatro momentos: amplia as hipóteses, modifica o que recebe, oferece material para a reinterpretação e, por tudo isso, influencia a decisão. O julgamento permanece como zona humana, mas uma zona que já recebe o pensamento transformado pelas passagens anteriores. É por isso que a influência da máquina sobre a decisão é indireta, e por isso também é difícil de perceber.
O pensamento não vai do humano à máquina e volta. Gira muitas vezes, e a autoria de cada ideia se torna difícil de separar.
A máquina oferece fluência e velocidade constantes; o humano oferece repertório variável. A mesma arquitetura amplia um especialista e pode substituir um iniciante.
Os indicadores mostram o resultado, não o percurso. Uma análise feita em trinta minutos não revela quem formulou a pergunta, nem quem conseguiria explicá-la.
Em Híbridos, as interfaces cognitivas aparecem como o elo que torna a interação fluida: comando e controle, linguagem natural, hápticas e imersivas (Cappra, 2025a). Nesta edição, elas ganham outro papel: são o lugar onde a arquitetura pode ser desenhada. Buçinca, Malaya e Gajos (2021) mostraram que pequenas fricções de interface, como pedir ao usuário que forme seu juízo antes de ver a recomendação, reduzem a dependência excessiva da IA. Shneiderman (2022) argumenta que altos níveis de automação e altos níveis de controle humano não são extremos de uma mesma escala. Interfaces não são neutras: decidem em que ponto do ciclo o humano entra.
Interfaces não são neutras: decidem em que ponto do ciclo o humano entra.
A velocidade de adoção da inteligência artificial está crescendo mais rapidamente do que a maturidade das organizações para decidir melhor com ela.
Ao longo de 2025 e 2026, o Cappra Institute conversou em profundidade com lideranças de dados, estratégia, transformação e inovação de grandes organizações para compreender as tensões que surgem na prática com a aceleração dos dados e da inteligência artificial (Cappra Institute, 2026). O propósito não era medir adoção tecnológica, mas identificar sinais recorrentes de quem está tentando construir cultura analítica dentro de organizações reais. A pesquisa chama a tensão central de paradoxo da aceleração: incorporar IA rapidamente não significa necessariamente aumentar a qualidade das decisões. Quando processos, regras de negócio, dados e critérios continuam frágeis, a tecnologia pode simplesmente acelerar uma estrutura decisória que já apresentava problemas.
Um dos cinco sinais identificados no estudo foi denominado Da substituição à amplificação. O problema relevante não é decidir quais profissionais serão substituídos pela IA, mas compreender como determinadas combinações entre capacidades humanas e artificiais produzem uma forma diferente de trabalho. O próprio relatório define a organização híbrida como aquela capaz de combinar deliberadamente inteligência humana e artificial dentro de processos decisórios suficientemente maduros para incorporar IA sem perder rigor.
As evidências recentes sustentam a tensão. Em experimento com 758 consultores, Dell'Acqua et al. (2023) observaram ganhos expressivos de velocidade e qualidade em tarefas dentro da fronteira de capacidade da IA, e queda de 19 pontos percentuais na probabilidade de acerto em tarefas fora dela. A fronteira é irregular, e quem usa a ferramenta nem sempre sabe de que lado está. Uma meta-análise de 106 experimentos concluiu que, em média, combinações entre humanos e IA tiveram desempenho inferior ao da melhor das partes atuando sozinha, com perdas concentradas em tarefas de decisão e ganhos em tarefas de criação (Vaccaro; Almaatouq; Malone, 2024).
A fronteira é irregular, e quem usa a ferramenta nem sempre sabe de que lado está.
Combinar não é somar. O resultado depende de quando o humano confia, quando discorda e quando decide, ou seja, da arquitetura. Raisch e Krakowski (2021) descrevem automação e ampliação não como escolhas excludentes, mas como um paradoxo que a gestão precisa sustentar ao longo do tempo.
Se uma análise que anteriormente exigia três horas passa a ser produzida em trinta minutos, há um ganho operacional evidente. Mas esse número não revela se o profissional compreendeu melhor o problema, se consegue explicar os critérios utilizados, se possui repertório para questionar uma conclusão apresentada pela máquina ou se seria capaz de reconhecer quando a resposta está apenas bem formulada, mas conceitualmente errada.
Podemos construir organizações extraordinariamente eficientes para produzir respostas e, simultaneamente, menos capazes de formular boas perguntas.
Podemos aumentar a quantidade de análises disponíveis enquanto diminuímos progressivamente a quantidade de pessoas capazes de explicar como essas análises foram construídas. Podemos acelerar decisões sem necessariamente melhorar o julgamento que sustenta cada uma delas. A cognição híbrida ajuda a compreender o que acontece dentro dessa transição.
Quando perguntadas sobre os riscos da adoção acelerada de IA, as lideranças ouvidas pelo Cappra Institute convergiram para aquilo que a pesquisa chama de dependência sem vigilância.
Conforme os resultados produzidos pela IA se tornam melhores e mais confiáveis, diminui a percepção da necessidade de conferir, confrontar ou questionar aquilo que o sistema apresenta. A conveniência passa a produzir acomodação (Cappra Institute, 2026). A literatura de fatores humanos conhece bem o mecanismo: complacência e viés de automação aumentam justamente quando o sistema é confiável na maior parte do tempo (Parasuraman; Manzey, 2010; Goddard; Roudsari; Wyatt, 2012).
A conveniência passa a produzir acomodação.
Para mim, essa é justamente a fronteira entre amplificação cognitiva e dependência cognitiva.
Há amplificação cognitiva quando a inteligência artificial expande a capacidade do profissional sem retirar dele a necessidade de interpretar, selecionar, discordar e decidir. Há dependência cognitiva quando a máquina deixa de ampliar essas capacidades e passa progressivamente a substituí-las.
Em Híbridos, a relação humana com a IA foi descrita como um espectro de oito posições, da autonomia humana total à dependência total. O espectro mede quanto é delegado. Esta edição propõe uma segunda leitura: a fronteira entre amplificação e dependência não é uma posição no espectro, ela o atravessa. Uma parceria cognitiva, na posição 2, pode produzir dependência se a vigilância se dissolve; uma IA supervisionada, na posição 4, pode manter a capacidade humana viva se a supervisão for exercida de fato. O que muda ao longo do espectro é a probabilidade de cruzar a fronteira, e não sua existência.
Em pesquisa com 319 profissionais do conhecimento, Lee et al. (2025) observaram que maior confiança na IA generativa se associa a menos pensamento crítico, enquanto maior autoconfiança se associa a mais. O esforço crítico não desaparece: desloca-se para verificar informações, integrar respostas e supervisionar a tarefa. Gerlich (2025) encontrou correlação negativa entre uso frequente de ferramentas de IA e pensamento crítico, mediada pelo descarregamento cognitivo. Kosmyna et al. (2025), em estudo ainda não revisado por pares e com amostra pequena, registraram menor engajamento neural e dificuldade de citar o próprio texto entre participantes que escreveram com um assistente. Fügener et al. (2021) mostraram outro efeito: grupos que recebem a mesma recomendação da IA tornam-se mais parecidos entre si e perdem o conhecimento singular que tornava suas decisões coletivas melhores.
O esforço crítico não desaparece: desloca-se para verificar, integrar e supervisionar.
Amplificação e dependência têm a mesma aparência enquanto o sistema funciona: em ambas, o desempenho com IA sobe. A diferença só aparece quando se pergunta o que acontece com a capacidade do profissional sem o sistema. Esta edição propõe esse critério como forma de tornar a fronteira observável.
O teste da retirada compara a capacidade de uma pessoa ou equipe com e sem o sistema ao longo do tempo. Se o desempenho com IA sobe e a capacidade sem IA se mantém ou cresce, há amplificação. Se o desempenho com IA sobe enquanto a capacidade sem IA cai, há dependência.
O critério tem respaldo experimental. Bastani et al. (2025) observaram que estudantes com acesso irrestrito a um assistente melhoraram durante a prática, mas tiveram desempenho inferior ao do grupo de controle quando o acesso foi retirado; uma versão do assistente desenhada para orientar sem entregar respostas mitigou quase todo o dano. Em sentido inverso, Brynjolfsson, Li e Raymond (2025) encontraram sinais de aprendizado em atendentes que usaram IA, que mantiveram parte dos ganhos durante interrupções do sistema. O mesmo tipo de tecnologia produz amplificação ou dependência conforme o desenho da arquitetura.
Durante décadas, grande parte da aprendizagem dentro das organizações ocorreu pela execução do próprio trabalho.
Pesquisar, organizar argumentos, comparar alternativas, escrever uma primeira versão, errar, revisar e tentar novamente pareciam apenas etapas necessárias para produzir determinada entrega. Na realidade, também eram mecanismos de formação de repertório e julgamento. Lave e Wenger (1991) descreveram essa formação como participação periférica legítima: o iniciante aprende fazendo partes cada vez mais centrais do trabalho real. Polanyi (1966) lembrou que boa parte desse saber é tácito, e só se transmite pela prática.
Quando converso com lideranças sobre IA, tenho chamado atenção para algo que pode parecer contraditório em um primeiro momento: nem toda ineficiência deve necessariamente ser eliminada. Algumas etapas lentas do trabalho são justamente aquelas nas quais aprendemos a pensar. Quando utilizamos inteligência artificial para removê-las, precisamos saber que capacidade humana também pode deixar de ser exercitada naquele processo.
Nem toda ineficiência deve necessariamente ser eliminada.
Atrito formativo é a parcela de esforço de uma etapa do trabalho que, além de produzir uma entrega, forma o repertório e o julgamento de quem a executa. É o que se perde, sem registro, quando a etapa é comprimida apenas pelo critério da produtividade.
O conceito dialoga com a psicologia da aprendizagem. Bjork (1994) mostrou que certas dificuldades desejáveis tornam a aprendizagem mais lenta no curto prazo e mais duradoura no longo. Ericsson, Krampe e Tesch-Römer (1993) associaram o desenvolvimento de alto desempenho à prática deliberada, esforçada e com feedback. Atrito formativo não é elogio da lentidão. É o reconhecimento de que parte do esforço tinha uma segunda função, invisível nos indicadores.
Esse problema aparece de maneira ainda mais clara quando observamos profissionais em formação. Um especialista experiente pode utilizar IA para acelerar uma análise porque possui repertório suficiente para julgar aquilo que recebe. Mas o que acontece com alguém que, desde o início de sua trajetória profissional, pode delegar para a máquina justamente as atividades por meio das quais esse repertório seria construído?
Beane (2019) documentou esse mecanismo na cirurgia robótica: quando a tecnologia reduziu a participação dos residentes nas etapas em que aprendiam, os que se tornaram competentes foram os que encontraram caminhos de aprendizagem à margem das normas, o que o autor chamou de aprendizagem nas sombras. A tecnologia não eliminou a necessidade de formar cirurgiões. Eliminou o caminho institucional pelo qual eles se formavam.
A tecnologia não eliminou a necessidade de formar. Eliminou o caminho pelo qual se formava.
É aqui que o risco descrito em Híbridos se torna concreto. A proletarização cognitiva, no sentido de Stiegler, não é a perda de um emprego: é a perda de um saber, quando a capacidade de fazer é transferida a um sistema sem que se preserve a compreensão do que foi transferido (Stiegler, 2016; Cappra, 2025a). Na escala da organização, o efeito se acumula em silêncio: as entregas continuam saindo, e diminui o número de pessoas capazes de julgá-las.
Não basta observar quantas pessoas utilizam uma ferramenta, quantas horas foram economizadas ou quantos processos foram automatizados. Precisamos começar a observar também aquilo que está acontecendo com a qualidade cognitiva da organização.
Qualidade cognitiva da organização é a capacidade coletiva de formular boas perguntas, explicar como suas análises foram construídas, contestar respostas bem formuladas mas erradas e julgar com responsabilidade, com ou sem os sistemas que usa.
As quatro capacidades não se confundem com maturidade tecnológica. Uma empresa pode ter milhares de usuários de IA e baixa qualidade cognitiva, assim como pode ter muitos dashboards e baixa Cultura Analítica. A diferença é que a qualidade cognitiva não aparece no relatório de adoção: aparece quando o sistema erra, quando o contexto muda, quando alguém precisa explicar uma decisão a quem será afetado por ela.
A qualidade cognitiva não aparece no relatório de adoção.
Em Híbridos, a resposta individual a esse risco foi chamada de resiliência cognitiva: a habilidade de manter e fortalecer atenção, memória e julgamento crítico em um ambiente de distrações e informação fragmentada (Cappra, 2025a). A economia da atenção agrava o problema, porque fragmenta exatamente o tempo de concentração em que o julgamento se forma. Na escala da organização, resiliência cognitiva significa reservar tempo e espaço para o trabalho que exige reflexão profunda, e não apenas tolerá-lo.
O livro propõe que a competência humana central na era da IA é o pensamento analítico, apoiado em dois pilares: a abordagem computacional, capacidade de compreender a lógica, os princípios e os limites dos sistemas; e a atitude crítica, postura ativa e reflexiva diante da tecnologia e de seus efeitos (Cappra, 2021; 2025a). A qualidade cognitiva da organização é a soma coletiva desses dois pilares, sustentada por uma cultura que valoriza o julgamento e não apenas a resposta.
Não estamos apenas adicionando sistemas mais poderosos ao trabalho. Estamos modificando o ambiente no qual as pessoas aprendem, interpretam e decidem. Quando essa mudança se torna cotidiana, a discussão deixa de pertencer apenas à tecnologia. Ela passa a ser uma discussão sobre gestão.
As sete práticas a seguir sintetizam o que tenho recomendado às lideranças. Cada uma foi ampliada nesta edição com o critério que permite observá-la.
Identificar atividades em que sistemas artificiais influenciam formulação de problemas, análise, interpretação e decisão, e não apenas execução. O mapa da Figura 03 é o ponto de partida.
Usar IA para desafiar uma hipótese é diferente de transferir para ela a própria formulação da hipótese. O teste da retirada, aplicado periodicamente, mostra de que lado da fronteira cada equipe está.
Valores, contexto, responsabilidade e decisões de maior impacto precisam continuar explicitamente associados a pessoas identificáveis, e não apenas a uma etapa de aprovação.
Auditar se a qualidade das decisões efetivamente melhorou depois da adoção da IA, como recomenda a própria pesquisa do Cappra Institute. Horas economizadas não são evidência de melhores decisões.
Inventariar o atrito formativo das etapas comprimidas pela IA. Se a IA elimina etapas que formavam experiência, criar outros mecanismos para desenvolver repertório e pensamento crítico, sobretudo para quem está no início da carreira.
Uma organização madura não deveria premiar quem utiliza mais inteligência artificial, mas quem consegue produzir melhores decisões combinando capacidades humanas, dados e máquinas.
Políticas de IA não deveriam existir apenas para controlar riscos técnicos ou jurídicos, mas também para preservar autonomia crítica e responsabilidade humana.
Existe uma conexão entre essas práticas e uma das conclusões mais importantes do estudo do Cappra Institute: a diferença entre uma aceleração vazia e uma organização híbrida está na combinação entre velocidade de adoção de IA e maturidade de decisão. Uma empresa pode adotar IA rapidamente e continuar decidindo mal. O estágio mais avançado aparece quando a capacidade tecnológica cresce junto com a capacidade analítica da organização.
A cognição híbrida é a escala do pensar no programa de pesquisa do Cappra Institute sobre a organização na era da inteligência artificial.
A tese de fundo é a interdependência entre humanos, dados e máquinas (Cappra, 2025a). A cognição híbrida descreve o que essa interdependência faz com o pensamento. O dado é o elo invisível: a máquina não pensa sem os dados que recebe, e o humano, ao interagir com ela, altera sua percepção a partir do que o sistema filtra, categoriza e devolve. O sujeito que pensa dentro dessa arquitetura é o que o livro chamou de ser híbrido.
A Cultura Analítica é a camada cultural que emerge quando dados, modelos e sistemas inteligentes passam a mediar a relação entre a realidade e as decisões humanas (Cappra, 2026e). A cognição híbrida é o que acontece dentro dessa mediação na escala do indivíduo e da equipe. Sem Cultura Analítica, a cognição híbrida tende à dependência; com ela, tende à amplificação.
A Inforganização descreve a organização como sistema informacional adaptativo em que humanos, dados e máquinas participam da interpretação, decisão e execução (Cappra, 2026a). Cada vez que a IA passa a participar de uma etapa do pensar, direitos decisórios e capacidades mudam de lugar sem que nenhum programa de mudança tenha sido declarado. É uma forma de Reconfiguração Organizacional, e talvez a mais difícil de perceber, porque acontece dentro da cabeça das pessoas.
A Governança Analítica estabelece princípios, estruturas e mecanismos que orientam como a organização passa da informação à ação (Cappra, 2026b). A sétima prática desta edição, governança como proteção da capacidade de decidir, é sua expressão na escala cognitiva. O modelo RH+A propõe que a autonomia dos agentes seja concessão organizacional revisável, sob regência humana (Cappra, 2026c). Regência exige regentes: pessoas com repertório para julgar o que os agentes fazem. A cognição híbrida trata das condições em que esses regentes se formam.
As proposições a seguir sintetizam o argumento do paper em forma examinável. São hipóteses de trabalho que orientam a investigação, não conclusões estabelecidas.
O efeito da IA sobre a capacidade cognitiva de profissionais depende menos da tecnologia adotada do que do momento do ciclo de pensamento em que ela é inserida.
Indicadores de produtividade não distinguem amplificação de dependência; apenas medidas de capacidade sem o sistema o fazem.
Quanto maior a confiabilidade percebida do sistema, menor a frequência de verificação, salvo quando a arquitetura exige um juízo prévio do humano.
Profissionais experientes tendem à amplificação e iniciantes tendem à dependência quando expostos à mesma arquitetura sem atrito formativo.
Organizações que preservam ou recriam deliberadamente o atrito formativo mantêm a qualidade cognitiva ao longo do tempo, mesmo com alta adoção de IA.
Equipes que recebem as mesmas recomendações de IA tendem a convergir em seus julgamentos, reduzindo a diversidade que torna as decisões coletivas melhores.
A participação da IA no pensamento é uma forma de Reconfiguração Organizacional: redistribui capacidades e direitos decisórios sem programa de mudança declarado.
Como aplicar o teste da retirada em organizações sem prejudicar a operação: amostragem, frequência e indicadores de capacidade sem o sistema.
Métodos para identificar, em cada função, quais etapas comprimidas pela IA carregavam atrito formativo, e quais podem ser eliminadas sem perda.
Indicadores para as quatro capacidades (formular, explicar, contestar, julgar) e sua relação com a qualidade das decisões.
Desenhos de carreira e de aprendizagem para profissionais que iniciam a trajetória já em arquiteturas híbridas.
Como o desenho de interfaces pode inserir fricções que preservem o juízo humano sem anular os ganhos de produtividade.
Este é um ensaio conceitual. As evidências empíricas citadas vêm de contextos variados, como consultoria, atendimento, educação e escrita, e parte delas é recente ou ainda não revisada por pares; sua generalização para o trabalho gerencial exige cautela. O teste da retirada é proposto como critério conceitual e ainda não foi operacionalizado em instrumento. A pesquisa FOA2030 é qualitativa e não permite inferências estatísticas sobre a distribuição das organizações no quadrante.
Haverá inúmeras oportunidades para automatizar tarefas, aumentar produtividade e incorporar novos agentes artificiais às organizações. Tenho recomendado às lideranças que não reduzam esse momento a uma corrida por adoção.
A vantagem mais difícil de construir provavelmente estará em outro lugar: na capacidade de formar profissionais que consigam utilizar toda essa inteligência disponível sem abrir mão daquilo que ainda precisam saber julgar.
A cognição híbrida não é um estado a ser alcançado nem um risco a ser evitado. É a condição em que já trabalhamos. A diferença entre amplificação e dependência não está na tecnologia escolhida, mas na arquitetura desenhada em torno dela, e essa arquitetura é uma decisão de gestão.
Dividir o pensar com as máquinas é inevitável. Perder a capacidade de pensar sem elas, não.
Talvez a principal questão da cognição híbrida não seja descobrir o que a IA consegue fazer por nós, mas entender que tipo de capacidade humana estamos formando enquanto aprendemos a pensar com ela.
Este paper atualiza o conceito de cognição híbrida, apresentado originalmente em Híbridos: o futuro do trabalho entre humanos e máquinas (2025), incorpora o artigo Cognição híbrida: o que muda na gestão quando dividimos o pensar com as máquinas e as representações visuais do livro criadas por Ricardo Cappra, e integra o programa de pesquisa do Cappra Institute ao lado da Cultura Analítica, da Inforganização, da Governança Analítica e do Vácuo da Gestão Multiagente.
Bainbridge, Lisanne. “Ironies of Automation.” Automatica, vol. 19, n. 6, 1983, pp. 775-779.
Bastani, Hamsa et al. “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, vol. 122, n. 26, 2025, e2422633122.
Beane, Matthew. “Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail.” Administrative Science Quarterly, vol. 64, n. 1, 2019, pp. 87-123.
Bjork, Robert A. “Memory and Metamemory Considerations in the Training of Human Beings.” In: Metcalfe, J.; Shimamura, A. (orgs.). Metacognition: Knowing about Knowing. MIT Press, 1994, pp. 185-205.
Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey. “Generative AI at Work.” The Quarterly Journal of Economics, vol. 140, n. 2, 2025, pp. 889-942.
Buçinca, Zana; Malaya, Maja Barbara; Gajos, Krzysztof Z. “To Trust or to Think: Cognitive Forcing Functions Can Reduce Overreliance on AI in AI-assisted Decision-making.” Proceedings of the ACM on Human-Computer Interaction, vol. 5, CSCW1, 2021, art. 188.
Cappra, Ricardo. Rastreável: redes, vírus, dados e tecnologias para proteger e vigiar a sociedade. São Paulo: Actual, 2021.
Cappra, Ricardo. Híbridos: o futuro do trabalho entre humanos e máquinas. Rio de Janeiro: Actual, 2025a.
Cappra, Ricardo. Inforganização: a organização informacional adaptativa na era da inteligência artificial. Research paper, versão conceitual 2.1. Cappra Institute, 2026a.
Cappra, Ricardo. Governança Analítica: governar a forma como a organização lida com informação. Research paper, versão conceitual 1.0. Cappra Institute, 2026b.
Cappra, Ricardo. O Vácuo da Gestão Multiagente: RH+A, a gestão de recursos humanos e artificiais na interseção entre TI, RH e Negócios. Research paper, versão conceitual 2.0. Cappra Institute, 2026c.
Cappra, Ricardo. “Cognição híbrida: o que muda na gestão quando dividimos o pensar com as máquinas.” Artigo, 2026d.
Cappra, Ricardo. Cultura Analítica. Research paper, versão conceitual 2.0. Cappra Institute, 2026e.
Cappra Institute. FOA2030: O Futuro das Organizações Analíticas. Relatório de pesquisa. Cappra Institute, 2026.
Clark, Andy. Natural-Born Cyborgs: Minds, Technologies, and the Future of Human Intelligence. Oxford University Press, 2003.
Clark, Andy. “Extending Minds with Generative AI.” Nature Communications, vol. 16, 2025, art. 4627.
Clark, Andy; Chalmers, David. “The Extended Mind.” Analysis, vol. 58, n. 1, 1998, pp. 7-19.
Dell'Acqua, Fabrizio et al. “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality.” Harvard Business School Working Paper 24-013, 2023.
Engelbart, Douglas C. Augmenting Human Intellect: A Conceptual Framework. Summary Report AFOSR-3223. Stanford Research Institute, 1962.
Ericsson, K. Anders; Krampe, Ralf T.; Tesch-Römer, Clemens. “The Role of Deliberate Practice in the Acquisition of Expert Performance.” Psychological Review, vol. 100, n. 3, 1993, pp. 363-406.
Floridi, Luciano. The Fourth Revolution: How the Infosphere Is Reshaping Human Reality. Oxford University Press, 2014.
Fügener, Andreas; Grahl, Jörn; Gupta, Alok; Ketter, Wolfgang. “Will Humans-in-the-Loop Become Borgs? Merits and Pitfalls of Working with AI.” MIS Quarterly, vol. 45, n. 3, 2021, pp. 1527-1556.
Gerlich, Michael. “AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking.” Societies, vol. 15, n. 1, 2025, art. 6.
Goddard, Kate; Roudsari, Abdul; Wyatt, Jeremy C. “Automation Bias: A Systematic Review of Frequency, Effect Mediators, and Mitigators.” Journal of the American Medical Informatics Association, vol. 19, n. 1, 2012, pp. 121-127.
Hayles, N. Katherine. Unthought: The Power of the Cognitive Nonconscious. University of Chicago Press, 2017.
Hollan, James; Hutchins, Edwin; Kirsh, David. “Distributed Cognition: Toward a New Foundation for Human-Computer Interaction Research.” ACM Transactions on Computer-Human Interaction, vol. 7, n. 2, 2000, pp. 174-196.
Hutchins, Edwin. Cognition in the Wild. MIT Press, 1995.
Kosmyna, Nataliya et al. “Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task.” arXiv:2506.08872, 2025. Preprint.
Lave, Jean; Wenger, Etienne. Situated Learning: Legitimate Peripheral Participation. Cambridge University Press, 1991.
Lee, Hao-Ping et al. “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers.” Proceedings of the CHI Conference on Human Factors in Computing Systems. ACM, 2025.
Licklider, J. C. R. “Man-Computer Symbiosis.” IRE Transactions on Human Factors in Electronics, vol. HFE-1, 1960, pp. 4-11.
Parasuraman, Raja; Manzey, Dietrich H. “Complacency and Bias in Human Use of Automation: An Attentional Integration.” Human Factors, vol. 52, n. 3, 2010, pp. 381-410.
Polanyi, Michael. The Tacit Dimension. Doubleday, 1966.
Raisch, Sebastian; Krakowski, Sebastian. “Artificial Intelligence and Management: The Automation-Augmentation Paradox.” Academy of Management Review, vol. 46, n. 1, 2021, pp. 192-210.
Risko, Evan F.; Gilbert, Sam J. “Cognitive Offloading.” Trends in Cognitive Sciences, vol. 20, n. 9, 2016, pp. 676-688.
Shneiderman, Ben. Human-Centered AI. Oxford University Press, 2022.
Sparrow, Betsy; Liu, Jenny; Wegner, Daniel M. “Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips.” Science, vol. 333, n. 6043, 2011, pp. 776-778.
Stiegler, Bernard. Automatic Society, Volume 1: The Future of Work. Trad. Daniel Ross. Polity, 2016.
Vaccaro, Michelle; Almaatouq, Abdullah; Malone, Thomas. “When Combinations of Humans and AI Are Useful: A Systematic Review and Meta-Analysis.” Nature Human Behaviour, vol. 8, n. 12, 2024, pp. 2293-2303.
Ricardo Cappra é cientista de dados e filósofo da tecnologia, fundador e cientista-chefe do Cappra Institute. Pesquisa a interdependência entre humanos, dados e máquinas. É autor de Rastreável (2021) e Híbridos (2025).
CAPPRA, Ricardo. Cognição Híbrida: o que muda na gestão quando dividimos o pensar com as máquinas. Research paper, versão conceitual 2.0. Cappra Institute, 2026.
© 2026 Ricardo Cappra
Publicado por Cappra Institute
Versão conceitual 2.0, 2026
Não basta descobrir o que a IA consegue fazer por nós. É preciso entender que tipo de capacidade humana estamos formando enquanto aprendemos a pensar com ela.