IA e Criatividade: O Que Acontece Quando Terceirizamos o “Trabalho Chato”?

A IA está roubando suas ideias brilhantes.

Autor e fonte do artigo: Yuan Zhen Business Notes

Nos últimos dois anos, quase todas as empresas de IA contaram a mesma história:

Deixe o trabalho repetitivo para a IA, e os humanos poderão liberar tempo para fazer coisas mais criativas.

Essa abordagem soa impecável. Deixar a IA organizar informações, processar planilhas e redigir atas de reuniões, enquanto os humanos se concentram em estratégia, produtos e criatividade, parece uma divisão social perfeita.

Mas ele escondeu secretamente uma premissa: o trabalho repetitivo e o trabalho criativo são duas coisas que podem ser separadas de forma absoluta.

As respostas históricas não foram tão diretas.

Muitas das criações mais importantes não ocorrem após o fim do trabalho repetitivo, mas sim nas brechas entre a repetição, o fracasso e a distração. Você se envolve por muito tempo com um problema, calculando, observando e modificando repetidamente, até que, em um momento comum, tudo se encaixa subitamente.

Se a IA nos tirar todos os trabalhos repetitivos, o que ela liberar pode ser mais do que apenas tempo.

Também pode levar o cenário em que a inspiração ocorre.

A história de Newton e a maçã é provavelmente o mito de inovação mais bem-sucedido da história da humanidade.

Uma maçã cai da árvore e atinge Newton. Newton tem uma ideia brilhante e descobre a gravidade universal.

A versão real não é tão simples assim.

O amigo de Newton, William Stukeley, registrou em suas memórias que, em 1726, os dois estavam tomando chá sob uma macieira. Newton lembrou que, na época, estava em estado de profunda reflexão quando viu uma maçã cair e pensou: por que a maçã sempre cai perpendicularmente em direção ao solo, e não para cima ou para os lados? Em seguida, ele "gradualmente" estendeu esse conceito de força à Terra, à Lua e a outros corpos celestes. [1]

Figura 1｜A maçã não deu a resposta; ela apenas acendeu o material acumulado por Newton ao longo de seu longo pensamento.

A maçã não atingiu Newton, nem surgiu diretamente uma lei.

É mais como um fósforo caindo em um armazém já cheio de materiais.

A experiência do matemático Poincaré é mais típica.

Ele havia estudado continuamente uma classe de funções, realizado inúmeros cálculos e enfrentado repetidas falhas. Posteriormente, ele temporariamente deixou o trabalho e viajou. No exato momento em que entrou em uma carruagem de ônibus, uma conexão crucial surgiu repentinamente em sua mente: as transformações que ele estudava eram exatamente as mesmas que as transformações na geometria não-euclidiana.

Essa ideia surgiu rapidamente, sem sequer ser deduzida no momento. Após a viagem, Poincaré voltou à sua mesa e gastou tempo verificando-a completamente.

Ele posteriormente dividiu o processo criativo em várias etapas: primeiro, a preparação consciente e árdua; depois, uma aparente inatividade latente; seguida pela iluminação súbita; e, por fim, o retorno à verificação rigorosa. [2]

A prova do Último Teorema de Fermat é igualmente assim.

Andrew Wiles trabalhou em segredo por sete anos, anunciou a prova bem-sucedida em 1993, mas alguns meses depois foi descoberto um erro. Ele passou mais um ano, buscando incansavelmente soluções com seu estudante Richard Taylor, até corrigir a falha em setembro de 1994. [3]

As pessoas se lembram do último momento, mas o que o matemático realmente vive são milhares de cálculos inválidos, caminhos falhos e tentativas novamente.

A inspiração nunca é um prêmio que cai do céu. É um retorno atrasado do cérebro após acumular esforços árduos até um certo ponto.

Hoje, gostamos muito de dividir o trabalho em duas categorias: as de baixo valor para as máquinas e as de alto valor para os seres humanos.

O problema é que o cérebro humano não funciona conforme as tabelas dos relatórios de consultoria.

Um jornalista organizando dezenas de demonstrações financeiras pode descobrir que dois conjuntos de números não batem; um gerente de produto analisando avaliações negativas uma por uma pode, de repente, perceber que os usuários não estão se queixando da funcionalidade; um médico, ao revisar imagens repetidamente, desenvolve lentamente uma intuição para anomalias.

Esses trabalhos parecem nada sofisticados, até mesmo chatos. Mas eles deixam na mente uma grande quantidade de pequenos padrões.

O que chamamos de intuição, muitas vezes, é apenas experiência tão familiar que não conseguimos explicar passo a passo.

A descoberta da penicilina foi assim.

Em 1928, Fleming retornou de férias e descobriu que uma placa de cultura de estafilococos havia sido contaminada por um mofo, e as bactérias ao redor do mofo não tinham crescido. A contaminação foi acidental, mas a descoberta não foi. Uma pessoa sem observação prolongada das bactérias veria apenas uma placa suja que deveria ser descartada.

Mais facilmente ignorado é que Fleming não desenvolveu imediatamente o medicamento. Quase dez anos depois, Florey, Chain e uma equipe retomaram a pesquisa. Eles cultivaram o mofo em baldes de leite, latas de alimentos e até banheiras, e buscaram cepas de alta produtividade nos Estados Unidos, transformando finalmente um acaso de laboratório em um produto industrial capaz de salvar vidas. [4]

Figura 2｜ A poluição é acidental; a descoberta depende da observação contínua; os medicamentos vêm mais da engenharia nos dez anos seguintes.

A história gosta de contar os “Eureka” (palavra grega que significa “encontrei” ou “descobri”), mas a indústria realmente depende da engenharia longa, repetitiva e nem sempre elegante que vem depois do Eureka.

Einstein também descreveu seu método de pensamento ao matemático Hadamard, dizendo que o que geralmente aparece primeiro não são palavras completas, mas imagens, símbolos e elementos com sensação de movimento. Ele deixava esses elementos se recombinarem repetidamente, e a linguagem vinha depois. [5]

Criar não é gerar do nada, mas mais como reorganizar.

O que você viu, o que fez e onde falhou determinam o que há em sua mente para ser reconectado.

Se os dados forem sempre resumidos por IA, a primeira versão for sempre gerada por IA e os dados forem sempre limpos por IA, as pessoas certamente terão muito menos trabalho. Mas, com o tempo, o que encontraremos será apenas o produto final processado por máquinas, e não as matérias-primas brutas, contraditórias e ruidosas.

A eficiência aumentou, mas a sensibilidade pode ter diminuído.

Walter Isaacson questionou em "Os Inovadores": quem realmente inventou o computador e a internet?

Finalmente, ele descobriu que essa questão era difícil de responder com o nome de uma pessoa.

A revolução digital não foi algo surgido de repente na garagem de um gênio. Os primeiros computadores, transistores, chips, software e internet surgiram de melhorias contínuas de uma geração para outra. Alguém propôs o conceito, alguém soldou circuitos, alguém escreveu programas e alguém transformou protótipos caros em produtos acessíveis ao público comum.

Ao mencionar o computador Harvard Mark I, a narrativa de Grace Hopper enfatiza Howard Aiken, enquanto a versão da IBM destaca os engenheiros cujos nomes não foram lembrados: inúmeras melhorias incrementais, como contadores e leitores de cartões, que juntas formaram a máquina final. [6]

Figura 3｜《Inovadores》 lembra repetidamente: a revolução digital surge da colaboração incremental de múltiplas pessoas e múltiplas rodadas.

Não se trata de negar o gênio, mas de revelar a estrutura real da inovação.

Um evento inovador geralmente exige, ao mesmo tempo, a imaginação de poucos e o trabalho árduo da maioria. Os primeiros são responsáveis por mudar a direção, enquanto os segundos transformam essa nova direção em realidade. Entre eles, não há relação de substituição.

O mais atraente da IA é que ela parece poder desempenhar ambos os papéis ao mesmo tempo: fornecer ideias e executá-las.

Mas aqui também surgiram novos problemas.

Em 2024, a revista Science Advances publicou um experimento sobre IA generativa e escrita. Pessoas que receberam ajuda de ideias da IA produziram histórias em média mais criativas e com maior grau de conclusão, especialmente notável para aqueles com criatividade originalmente mais fraca; no entanto, quando todas as obras foram analisadas em conjunto, as histórias assistidas por IA mostraram-se mais semelhantes entre si. [7]

A IA elevou o limite inferior do indivíduo e reduziu as diferenças entre grupos.

Isso é muito parecido com as plataformas de conteúdo de hoje: todos escrevem melhor do que antes, com títulos, estrutura e frases marcantes sem faltar; mas depois de ler dez artigos, parece que leu apenas um.

Quando todos pedem ao mesmo modelo a “primeira ideia”, pulamos as páginas em branco e talvez avancemos juntos em direção à resposta mais fácil de prever.

Isso não significa que as pessoas devam rejeitar a IA e voltar a perder tempo com cópia e colagem e formatação mecânica.

A calculadora não destruiu a matemática, nem o mecanismo de busca destruiu o conhecimento. O que as ferramentas realmente mudam é o nível de habilidade que as pessoas precisam manter.

A IA pode nos ajudar a carregar tijolos, mas não podemos esquecer por que a parede foi construída aqui.

Essa preocupação já não é mais apenas uma discussão filosófica. Em 2025, instituições como o Microsoft Research investigaram 319 profissionais conhecidos e coletaram 936 casos reais de uso de IA. Os resultados mostraram: quanto mais as pessoas confiam na IA, menos pensamento crítico (um modo de pensamento racional e reflexivo) elas dedicam às tarefas; quanto mais confiam em seu próprio julgamento profissional, mais pensamento crítico exercem. A IA não eliminou o pensamento, mas o deslocou de “gerar diretamente” para “verificar, integrar e supervisionar”. O problema é que, se as pessoas só veem um produto final fluído, a verificação facilmente se reduz a um aceno de cabeça. [8]

Sinais mais diretos vêm da escrita e da programação. Um experimento de escrita cerebral com 54 participantes no Media Lab do MIT descobriu que aqueles que usaram continuamente grandes modelos para escrever apresentaram as conexões de rede cerebral mais fracas e também menor memória do conteúdo do texto e menor sensação de “isso é meu trabalho”; no entanto, este estudo ainda é um pré-impresso com amostra pequena e não permite concluir que a IA tornará as pessoas permanentemente menos inteligentes. [9] Ao realizar experimentos aleatórios com 16 desenvolvedores experientes de código aberto e 246 tarefas reais, o METR descobriu que, após o uso de ferramentas de IA no início de 2025, os desenvolvedores levaram 19% mais tempo para concluir as tarefas. Mais interessante ainda é que eles esperavam previamente que a IA os tornasse mais rápidos. [10] No acompanhamento de 2026, o METR avaliou que as novas gerações de ferramentas provavelmente já trouxeram aceleração, mas, devido a viéses claros de seleção entre participantes e tarefas, ainda não é possível estimar com confiabilidade a magnitude desse efeito. [11] O que a IA pode estar enfraquecendo primeiro não é talvez a capacidade em si, mas a capacidade das pessoas de julgar se ainda estão pensando.

Para indivíduos, há pelo menos três coisas que não devem ser terceirizadas facilmente.

Primeiro, de onde vem a questão.

Não comece perguntando à IA: “O que eu devo escrever?” ou “O que eu devo pesquisar?”. Vá até o local do cliente, leia os materiais originais e sinta por si mesmo onde algo parece estranho. Uma boa pergunta geralmente surge dos detalhes que os outros ignoram por preguiça.

Em segundo lugar, de onde vem o primeiro julgamento.

Você pode usar a IA para expandir, refutar e adicionar informações, mas é melhor primeiro deixar uma versão bruta, sem processamento do modelo. Mesmo que sejam apenas algumas frases, é importante saber como você originalmente pensava. Caso contrário, a colaboração entre humano e IA很容易 se tornar o humano apenas revisando a IA.

Terceiro, quem é responsável pelos resultados.

Só depois de ter trabalhado na camada básica é que se sabe onde a IA erra. Uma pessoa que nunca escreveu código tem dificuldade em julgar se um código simplesmente funciona ou se é adequado para produção; uma pessoa que nunca analisou demonstrações financeiras também tem dificuldade em identificar erros de metodologia escondidos em uma análise aparentemente sólida.

Então, o que pode ser entregue à IA?

O critério de julgamento não é “se há criatividade” nem “se é repetitivo ou não”, mas sim três coisas: se os critérios de aceitação estão claros, se o processo pode ser rastreado e se é possível fazer rollback após um erro. Transcrição de documentos, organização de formato, limpeza de dados sob regras conhecidas, modelos de código e casos de teste, bem como múltiplas versões de copy e esboços de design sobre o mesmo tema, são todos adequados para serem entregues à IA. Decisões estratégicas, padrões de fatos, estética de marca, arquitetura de sistema e assinatura final não devem ser entregues à IA apenas porque ela é mais rápida.

Após entregar, a pessoa ainda precisa se "opor a si mesma" com a IA. Antes de agir, anote seu julgamento e os critérios de validação; durante a geração, peça à IA para fornecer simultaneamente opiniões contrárias, condições de falha e fontes das evidências; após a geração, retorne às fontes originais, verifique fatos, recalcule números-chave e execute os testes essenciais; após algum tempo, organize um treino “sem IA”. Escritores devem manter entrevistas independentes e rascunhos iniciais; programadores devem manter revisões de código e diagnóstico de falhas; designers devem manter seleções conceituais e julgamentos visuais finais. Apenas quem ainda sabe verificar, ousa rejeitar e pode assumir o controle realmente tem direito de entregar o trabalho à IA.

Para a empresa, o verdadeiro ponto de atenção não é quantos AI os funcionários estão usando, mas se a organização ainda está produzindo experiência em primeira mão.

Se os jovens deixarem de fazer análise básica, de discutir requisitos com clientes e de passar pela primeira versão falha, a empresa obterá, a curto prazo, entregas mais rápidas, mas, a longo prazo, poderá perder o caminho para desenvolver julgamento.

Antes, um novato se tornava um especialista intuitivo após três anos de esforço árduo. Agora, a IA permite que um novato entregue uma resposta de setenta pontos no primeiro dia.

Mas para ir de setenta a noventa, ainda é necessário que ele tenha visto pessoalmente os problemas, cometido erros e pago o preço pelos resultados.

A IA está realmente aumentando a criatividade ou reduzindo-a?

A resposta depende de onde o colocamos.

Deixe a IA lidar com repetições já bem definidas — ela é um alavanca; se deixar a IA substituir-nos no contato com a realidade, na formulação de problemas e nas primeiras decisões, ela gradualmente se tornará uma bengala.

A verdadeira criatividade nunca é apenas "ter uma ideia".

Inclui o domínio do material, a sensibilidade para anomalias, a capacidade de suportar longos períodos sem respostas e, após a aparição de uma ideia brilhante, confirmá-la repetidamente.

Essas partes são lentas e pouco elegantes, e até difíceis de incluir em relatórios de desempenho. Mas grandes teoremas, descobertas científicas e inovações industriais da história quase sempre surgiram aqui.

A IA pode certamente nos ajudar a colher maçãs.

Mas se a pessoa sob a árvore consegue pensar na gravidade ainda depende de quanto tempo ele pensou antes da maçã cair.

Referências

[1] William Stukeley, Memoirs of Sir Isaac Newton's Life, Newton Project (Universidade de Oxford).

[2] Henri Poincaré, “L'invention mathématique”, 1908.

[3] Instituto de Matemática da Universidade de Oxford, Universidade de Bristol – informações sobre Andrew Wiles e o Último Teorema de Fermat.

[4] Science Museum Group, “Como a penicilina foi desenvolvida?”

[5] Jacques Hadamard, The Mathematician's Mind: The Psychology of Invention in the Mathematical Field.

[6] Walter Isaacson, Os Inovadores: Como um Grupo de Hackers, Gênios e Geeks Criou a Revolução Digital.

[7] Anil R. Doshi e Oliver P. Hauser, “IA generativa aumenta a criatividade individual mas reduz a diversidade coletiva de conteúdo novo,” Science Advances, 2024.

[8] Hao-Ping Lee et al., “The Impact of Generative AI on Critical Thinking”, CHI 2025.

[9] Nataliya Kosmyna et al., “Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task”, pré-impressão de 2025.

[10] Joel Becker et al., “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, METR, 2025.

[11] Joel Becker et al., “We are Changing our Developer Productivity Experiment Design”, METR, 2026.