Em A Reserva de Critério, propusemos que as organizações podem estar consumindo silenciosamente a capacidade humana que lhes permite distinguir uma resposta plausível de uma decisão correta.
A primeira questão era geracional: o que acontecerá se usarmos a inteligência artificial para substituir justamente as tarefas pelas quais os profissionais jovens desenvolviam o critério de que precisarão quando forem seniores?
Mas essa é apenas uma parte do problema. A pergunta seguinte é muito mais importante para a gestão: se a Reserva de Critério é um ativo, como é criada, conservada, deteriorada e governada?
Estamos descobrindo um paradoxo. As máquinas são cada vez mais capazes. Precisamente por isso, seus erros são cada vez mais difíceis de detectar.
O problema já não é uma IA que responde mal
Os primeiros modelos generativos cometiam erros frequentemente evidentes. Inventavam referências, produziam argumentos inconsistentes ou exibiam limitações que qualquer profissional preparado podia identificar rapidamente.
Os modelos atuais são radicalmente diferentes. Podem programar, analisar documentos extensos, produzir modelos financeiros, trabalhar sobre contratos, elaborar estratégias, pesquisar informações e executar sequências cada vez mais complexas de ações.
O AI Index 2026 de Stanford registra o enorme avanço: no OSWorld, benchmark que avalia agentes realizando tarefas de computador, o desempenho passou de aproximadamente 12% para 66,3%.
Mas o mesmo dado também pode ser lido de outra forma: mesmo depois dessa melhora extraordinária, os agentes continuam falhando em aproximadamente uma de cada três tentativas nesse tipo de teste estruturado.
A METR acrescenta um alerta ainda mais importante. Seu chamado time horizon não significa que uma IA possa receber autonomamente qualquer projeto equivalente àquele número de horas de trabalho humano. Para atividades cujo resultado é difícil de verificar ou cujo erro tem consequências relevantes, podem ser necessárias probabilidades de sucesso superiores a 98%. Além disso, à medida que a complexidade cresce, as intervenções humanas podem tornar-se menos frequentes, porém muito mais caras, pois descobrir o que falhou pode exigir mais trabalho.
O erro não está necessariamente desaparecendo no mesmo ritmo em que a capacidade aumenta. Está mudando de aparência.
Do erro evidente ao erro plausível
A evolução pode ser resumida assim:
- IA inicial: resposta medíocre, erro visível e correção relativamente simples.
- IA avançada: resposta excelente, estrutura coerente, premissa incorreta difícil de detectar e conclusão convincente, porém equivocada.
A segunda situação pode ser mais perigosa que a primeira. Não porque o modelo seja pior, mas precisamente porque é muito melhor.
Quando uma ferramenta produz cem elementos e noventa e nove estão corretos, o principal problema deixa de ser produzir os cem. O problema passa a ser identificar qual está errado.
Se esse elemento for a hipótese financeira que alimenta todo um modelo, uma cláusula contratual interpretada incorretamente, uma premissa técnica equivocada ou uma referência normativa inexistente, o erro pode se propagar por um trabalho extraordinariamente sofisticado.
Produtividade líquida da IA = produção útil − custo de supervisão − custo esperado do erro residual.
A terceira variável é a mais difícil de medir. Provavelmente será uma das mais importantes.
A Reserva de Critério não é conhecimento acumulado
Uma organização pode armazenar milhões de documentos e possuir muito pouca Reserva de Critério. Pode dispor de procedimentos perfeitamente redigidos, bases de dados completas, históricos de projetos e sistemas avançados de gestão do conhecimento.
Isso é informação. Critério é outra coisa.
A Reserva de Critério é a capacidade distribuída de uma organização para determinar quando uma resposta aparentemente correta merece confiança, quando exige verificação e quem possui competência suficiente para realizá-la.
Inclui conhecimento técnico, mas também experiência, memória organizacional, compreensão do contexto, capacidade de reconhecer exceções, habilidade para identificar premissas, conhecimento de erros anteriores e aptidão para formular hipóteses alternativas.
E contém algo especialmente difícil de formalizar: saber que algo não se encaixa antes mesmo de poder explicar exatamente por quê.
Essa capacidade costuma ser produto de anos de exposição a problemas reais. Não pode ser baixada de uma base de dados.
Um ativo que não aparece no balanço
Uma organização pode pensar a Reserva de Critério de forma semelhante a qualquer outro capital produtivo:
RCt+1 = RCt + formação + experiência + transferência − saídas − obsolescência − destreinamento.
A expressão ainda não pretende ser uma fórmula matemática. Serve para mostrar que o critério possui dinâmica. Acumula-se. Transfere-se. Pode concentrar-se perigosamente em poucas pessoas. Pode tornar-se obsoleto. Também pode deteriorar-se por falta de uso.
Este último ponto será cada vez mais importante. O risco não consiste apenas em deixar de formar profissionais juniores. Existe outro risco menos visível: profissionais experientes podem perder parte de sua capacidade crítica ao delegar sistematicamente à IA as atividades por meio das quais exercitavam esse critério.
Uma empresa poderia então sofrer dois processos simultâneos: não gerar critério novo suficiente e deixar de exercitar o que já possui. Seria uma verdadeira descapitalização intelectual.
Produtividade e descapitalização podem coexistir
Este é um dos paradoxos empresariais mais importantes da automação. Uma empresa pode reduzir pessoal, aumentar a produção, encurtar prazos, reduzir custos e elevar o lucro enquanto destrói capacidade futura.
Não seria algo completamente novo. Uma fábrica pode melhorar temporariamente seus resultados reduzindo manutenção. Enquanto as máquinas continuam funcionando, a decisão parece excelente e o lucro aumenta. O problema surge anos depois, quando a degradação acumulada supera a economia obtida.
A inteligência artificial pode produzir um fenômeno semelhante sobre o capital intelectual.
Uma empresa pode parecer mais eficiente enquanto consome silenciosamente sua Reserva de Critério.
As demonstrações financeiras não mostrarão essa depreciação até o momento em que a capacidade perdida for necessária.
A educação também deve mudar de objetivo
Durante séculos, uma parte importante da educação foi desenhada em torno da escassez de conhecimento. O professor possuía informação. O aluno precisava adquiri-la. Depois demonstrava que conseguia reproduzi-la ou aplicá-la.
A IA altera essa relação. Uma máquina pode produzir em segundos uma explicação, um ensaio, um programa, uma tradução, uma estratégia comercial ou uma solução matemática.
Por isso, uma parcela crescente do valor educacional deverá se deslocar de produzir uma resposta para avaliar uma resposta.
Em vez de “resolva este problema”, podemos propor: “esta é a solução de uma IA; encontre as premissas, determine quais exigem verificação e explique em que circunstâncias estaria errada”.
Em vez de “redija este contrato”, podemos perguntar: “identifique os riscos contidos neste contrato perfeitamente redigido”.
Em vez de “construa este modelo financeiro”, podemos pedir: “determine quais hipóteses podem fazer este modelo financeiramente coerente produzir uma decisão equivocada”.
A inteligência artificial não deveria eliminar o esforço cognitivo da educação. Deveria permitir elevar o nível em que exercitamos esse esforço.
Aprender a desconfiar corretamente
Existe um perigo oposto. Não precisamos formar gerações que desconfiem de qualquer resultado produzido por uma IA. Isso destruiria justamente o ganho de produtividade que buscamos.
Critério não consiste em questionar tudo. Consiste em saber o que merece ser questionado.
Uma boa Reserva de Critério deveria permitir distinguir entre processos suficientemente confiáveis para automatizar, processos que exigem amostragem, processos que exigem revisão sistemática e decisões que necessariamente requerem responsabilidade humana.
A organização madura não será aquela que mantém uma pessoa observando permanentemente cada operação da IA. Será aquela que sabe exatamente onde essa pessoa é necessária.
A Reserva de Critério pode ser medida?
Talvez não por meio de um único número. Provavelmente seria um erro tentar cedo demais. Mas podemos começar a construir um mapa multidimensional de risco de critério.
- Redundância: quantas pessoas podem validar independentemente cada decisão crítica?
- Concentração: que conhecimento essencial depende de uma única pessoa?
- Tempo de reposição: quanto tempo um profissional precisa para alcançar autonomia real em cada função?
- Capacidade de auditoria: alguém pode verificar o trabalho da IA sem depender do mesmo sistema que o produziu?
- Transferência: existe uma cadeia eficaz de transmissão entre profissionais seniores, intermediários e juniores?
- Independência: os revisores chegam a conclusões próprias ou apenas validam a resposta da máquina?
- Exercício: os especialistas continuam resolvendo problemas suficientes por conta própria para manter seu critério atualizado?
- Memória de erros: a organização conserva conhecimento de suas decisões equivocadas e das razões do erro?
Isso poderia acabar se tornando um Judgment Reserve Index, embora sua primeira versão deva ser um mapa e não uma pontuação simplificada. O objetivo não seria classificar empresas, mas detectar fragilidade antes de precisar do critério que foi perdido.
Uma nova função da governança corporativa
A Reserva de Critério pode acabar integrando temas que hoje consideramos gestão de riscos, continuidade empresarial ou governança corporativa.
Conselhos de administração perguntam atualmente se há liquidez suficiente, o que acontece se um fornecedor falhar, quais pessoas são críticas e qual é o plano de sucessão.
Em breve poderá ser igualmente razoável perguntar: quem dentro desta organização é capaz de determinar que nossa inteligência artificial está errada?
E a segunda pergunta será ainda mais incômoda: quem será capaz de fazer isso daqui a dez anos?
O valor está se deslocando
Durante os primeiros anos da revolução da inteligência artificial, falamos principalmente em aumentar capacidades: mais parâmetros, mais dados, mais capacidade computacional e mais automação.
Mas, se o custo de produzir análises, documentos, software e conhecimento aplicado continuar caindo, a escassez pode se deslocar.
Quando produzir uma resposta custa quase nada, determinar se essa resposta merece confiança ganha valor.
Quando todos tiverem acesso a máquinas extraordinariamente inteligentes, dispor de inteligência deixará de constituir, por si só, uma vantagem competitiva. A diferença poderá estar em quem sabe utilizá-la, questioná-la e interrompê-la quando necessário.
Essa é a verdadeira natureza da Reserva de Critério: não uma defesa nostálgica do trabalho humano, mas a infraestrutura humana necessária para automatizar muito mais sem perder a capacidade de saber quando não deveríamos fazê-lo.
Na era da inteligência artificial, conservar critério não será uma forma de proteger o passado. Pode se tornar um dos investimentos mais importantes para construir o futuro.
Fontes e nota conceitual
- Stanford HAI: AI Index Report 2026, desempenho técnico e agentes.
- METR: limitações da métrica de horizonte temporal e requisitos de confiabilidade.
A definição ampliada da Reserva de Critério, sua equação dinâmica e o possível Judgment Reserve Index são propostas conceituais do autor. São apresentados como um marco de gestão que deve ser validado antes de se transformar em uma métrica comparativa.
© 2026 Javier F. Pérez Bernabé. Todos os direitos reservados. Publicado pelo Quórum 12.
ASSINATURA ONLINE
Receba cada nova análise e os convites para atividades abertas.
É uma categoria pública e independente: não implica membresia, admissão ou acesso ao portal privado.