1. Você contratou 100 gênios e todos estão na sala de descanso porque ninguém abriu a ordem de serviço
A IA generativa programa, escreve, pesquisa, traduz, compara opções e consulta enormes volumes de conhecimento.
Em tese, amanhã todo mundo deveria estar administrando dez empresas de uma pessoa só.
Mas muita coisa trava numa pergunta:
“O que vamos construir?”
Uma IA poderosíssima sem tarefa continua sendo capacidade ociosa. Cem Ferraris sem destino formam apenas um estacionamento absurdamente caro.
Na era da IA, o recurso escasso nem sempre é o modelo.
Pode ser a pessoa que dá o primeiro trabalho para aquela capacidade.
2. A força muitas vezes não está numa invenção genial, mas em produzir a primeira faísca
Quando se fala em criatividade, imaginamos uma grande revelação.
Na prática, perguntas pequenas são poderosas:
- isso aqui é chato demais
- dá para conectar estas duas coisas?
- esta função pode servir para outro uso?
- por que esta etapa existe?
- o que aprenderíamos fazendo uma versão mínima?
Esses são pontos de ignição.
A primeira ideia não precisa estar pronta. Ela precisa criar algo sobre o qual pensar.
Uma mesa vazia é difícil de criticar. Coloque um protótipo tosco e surgem imediatamente “isso está errado”, “isso serve”, “falta aquilo” e “então o próximo passo é este”.
A primeira jogada não é a resposta.
É uma máquina de gerar respostas seguintes.
3. “Ter ideias” não é uma capacidade única
| Capacidade | Função |
|---|---|
| Divergência | Gerar várias possibilidades |
| Analogia | Importar estruturas de outras áreas |
| Recombinação | Transformar A+B em um novo C |
| Descoberta do problema | Perceber o incômodo anterior à tarefa |
| Reenquadramento | Redefinir o que realmente deve ser resolvido |
| Convergência | Escolher o que vale implementar |
| Decomposição | Quebrar o objetivo em tarefas tratáveis por IA |
| Início | Criar o primeiro artefato visível |
| Reideação | Usar o artefato para gerar a próxima ideia |
A APA descreve pensamento divergente como pensamento criativo que se afasta de estratégias comuns ou previamente ensinadas.[1]
Mas testes de pensamento divergente não equivalem a toda a criatividade do mundo real.[2]
Gerar muitas ideias não basta.
É preciso reenquadrar, escolher, construir, observar e pensar de novo.
4. Criatividade se parece com “gerar→explorar→gerar novamente”
O modelo Geneplore da cognição criativa separa processos de geração e de exploração e os trata como um ciclo.[3]
No trabalho com IA, isso fica óbvio:
- surge uma ideia
- ela é discutida com IA
- vira uma especificação grosseira
- é implementada
- é executada
- algo parece errado
- aparece outro ângulo
- implementa-se de novo
A ideia não precisa estar concluída antes da implementação.
Implementar passa a fazer parte do pensamento.
Se um protótipo leva três meses, tentamos resolver muita coisa na cabeça.
Se aparece em trinta minutos, ele próprio vira uma nota de raciocínio.
5. “Não consigo fazer multitarefa” está correto se o humano tiver de fazer tudo
O cérebro humano não foi feito para manter dez projetos, dez especificações, dez caminhos de código e dez estados de verificação ao mesmo tempo.
Isso não é falha humana.
É arquitetura ruim.
A pessoa não precisa fazer multitarefa. O sistema pode executar trabalho em paralelo.
A pessoa mantém direção, prioridade, limites e decisão final.
Pesquisa, especificação, implementação, testes, tradução e auditoria podem ser separados conforme as dependências e delegados.
Quanto pior você é em multitarefa, mais valioso pode ser tirar o trabalho da cabeça e transformá-lo em responsabilidades explícitas.
6. Um corpus gigantesco é depósito de material, não planta de construção
Uma grande base de conhecimento de IA é como uma loja enorme com madeira, aço, vidro, ferramentas e máquinas.
Impressionante.
Mas, sem alguém decidir o que construir, ela continua sendo uma loja.
A capacidade vira trabalho quando alguém diz:
“Quero eliminar este atrito.” “Esses dois sistemas poderiam se conectar.” “Essa experiência pode subir um nível.”
Você não precisa saber mais que a IA.
Precisa saber onde pedir para ela cavar.
7. Quem consegue refazer o problema pode ser mais valioso que quem só consegue resolvê-lo
A pesquisa em design trata enquadramento e reenquadramento como práticas centrais para problemas abertos e complexos. Dorst destaca a criação de novos enquadramentos para tornar situações problemáticas mais tratáveis.[4]
Quanto mais rápido a IA responde, mais isso importa.
Uma pergunta ruim pode produzir uma resposta impecável para o problema errado em velocidade industrial.
Além de:
“Como fazer esta tarefa mais rápido?”
pergunte:
“Esta tarefa precisa existir?” “O usuário quer fazer mais rápido ou não fazer?” “Existe outra entrada para resolver a necessidade?”
8. Implementação mais rápida cria mais ideias, não só mais produção
Num experimento preregistrado de Noy e Zhang com tarefas profissionais de escrita, o acesso ao ChatGPT reduziu o tempo médio em 40% e aumentou a qualidade avaliada em 18% nas tarefas estudadas.[5]
Isso não significa que todo trabalho ficará 40% mais rápido.
O ponto mais importante é:
quando experimentar custa menos, experimentamos mais.
Artefatos reais mostram se algo funciona, se ficou pior que o imaginado, se outro uso é melhor, se há conexão com outra função e onde o usuário trava.
Então o ciclo
ideia→implementação→observação→nova ideia
fica mais curto e as ideias passam a formar uma cadeia.
9. Mas se a IA criar todas as ideias, todo mundo pode subir a mesma montanha
Doshi e Hauser encontraram que ideias de histórias fornecidas por IA melhoraram em média as avaliações individuais, mas histórias assistidas por IA ficaram mais parecidas entre si, reduzindo a diversidade coletiva.[6]
Se todos perguntarem ao mesmo modelo “me dê dez ideias criativas”, talvez todos entrem no mesmo ônibus de turismo.
Por isso entradas humanas estranhas continuam valiosas:
- atritos vividos de verdade
- detalhes incomuns do campo
- restrições particulares de sistemas existentes
- analogias vindas de outras áreas
- combinações esquisitas
- “todo mundo faz assim, mas por quê?”
A pessoa joga uma pedra estranha.
A IA amplia as ondas.
10. O ciclo prático é simples: faísca→frase→dividir→delegar→inspecionar→nova faísca
- Faísca — “Não seria útil se isso funcionasse assim?”
- Frase — Quem deve sair de qual estado e chegar a qual estado.
- Divisão — Pesquisa, design, implementação e verificação.
- Delegação — Não guarde tudo na cabeça; distribua para a IA.
- Artefato — Texto, interface, código ou dados visíveis.
- Releitura — Confirme que o estado desejado realmente existe.
- Reideação — Pergunte o que se tornou possível agora.
A revela B. A+B sugere C. C permite redefinir o serviço inteiro como D.
Uma faísca pequena pode terminar como uma usina.
11. O perigo é a velocidade das ideias superar a velocidade da organização
Ideias rápidas com implementação rápida criam camadas e mais camadas de expansão.
Um dia você abre a fiação:
“Quem fez isso?”
Você, ontem.
A solução não é frear as ideias.
É fortalecer a estrutura:
- não multiplicar fontes de verdade
- não criar um segundo mecanismo para a mesma responsabilidade
- integrar ao sistema existente quando possível
- paralelizar apenas trabalho realmente independente
- reler e verificar depois de implementar
- colocar portas de qualidade em mudanças importantes
- separar “dá para construir” de “devemos construir agora”
Não enfraqueça o acelerador.
Melhore direção e freios.
12. Conclusão: a vantagem migra de “usar IA” para “criar trabalho para a IA”
Os modelos vão melhorar.
Haverá mais conhecimento, código mais rápido, escrita mais rápida e mais agentes.
O papel humano sobe de camada:
perceber o que deveria existir,
criar a primeira faísca,
reenquadrar o problema,
dividir o trabalho,
delegar,
observar o resultado real,
e criar a próxima ideia a partir da realidade.
A IA é uma capacidade enorme.
Mas capacidade espera uma tarefa.
Numa empresa com cem IAs geniais, talvez a primeira pessoa que esteja faltando não seja o gênio número 101.
Talvez seja quem escreve a primeira linha da ordem de serviço.
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
