English Português Español

⚠️ Tradução em desenvolvimento. Esta edição em português ainda não incorporou as revisões mais recentes e pode conter trechos desatualizados. A edição em inglês é a versão de referência.

1 A IA É o Seu Braço, Não o Seu Cérebro

Em desenvolvimento

Este capítulo faz parte de um livro em desenvolvimento ativo e ainda não passou pela revisão do autor. O conteúdo pode mudar conforme a revisão avança.

A decisão de pesquisa. Uma ferramenta de IA consegue te entregar um fato, um número, uma citação ou um parágrafo pronto em segundos. Nada disso ainda é evidência. A sua decisão neste capítulo é o que precisa acontecer no meio do caminho: qual checagem transforma um resultado em algo que você assinaria com o seu nome, e o que você faz quando essa checagem falha.

1.1 Por que essa decisão importa

A decisão em jogo: o que precisa acontecer com o resultado de uma IA antes de você aceitar chamá-lo de evidência.

Imagine uma revisão de auditoria. Um contador público certificado (CPA, na sigla em inglês) é um contador licenciado para assinar as demonstrações financeiras de uma empresa, e essa assinatura o torna pessoalmente responsável pelos números. Exemplo: o CPA que assina as demonstrações anuais de uma empresa é a quem os investidores recorrem se os valores se mostrarem errados.

Quando um CPA assina uma demonstração, ele não está dizendo que o software de contabilidade rodou sem erros. Ele está dizendo: “eu conferi isto, e eu respondo por isto”. Essa é a postura que este livro pede que você adote desde a primeira página. Uma ferramenta de IA consegue buscar uma estatística, rascunhar um parágrafo ou escrever código que funciona em segundos, mas ela não pode assinar o seu trabalho. Você pode. Então a pergunta que importa não é “o que a ferramenta consegue produzir?”. É “o que eu entreguei a ela, e como eu conferi o que voltou?”.

1.2 O conceito

A regra que dá nome ao capítulo é a IA como o seu braço, não o seu cérebro: a ferramenta pode alcançar, buscar, rascunhar e calcular por você, mas não cabe a ela decidir o que é verdade nem o que você alega. Exemplo: você deixa que ela rascunhe um resumo de uma divulgação de estatísticas oficiais e depois confirma você mesmo cada número desse resumo.

Dois movimentos colocam a regra em prática. Delegação é entregar à ferramenta uma tarefa bem especificada, como “encontre três fontes publicadas para a taxa de desemprego do município no ano passado”. Verificação é uma checagem independente, feita por um método fora do modelo, de que o resultado é de fato verdadeiro. Exemplo: você abre a tabela de dados de verdade da agência de estatística e lê o número você mesmo, em vez de confiar no que a ferramenta digitou.

A verificação não pode ser pulada porque uma resposta errada da IA tem exatamente a mesma cara de uma resposta certa. Uma alucinação é um resultado confiante e bem-acabado que é simplesmente inventado, como a citação de um relatório que não existe. Exemplo: uma ferramenta cita um salário inicial mediano e o atribui a uma “Pesquisa Nacional de Rendimentos de Egressos” que nunca foi publicada. O tom é idêntico para o real e para o inventado, então o tom não pode ser o seu filtro. A recuperabilidade pode. Uma fonte é recuperável quando você consegue abrir o documento de verdade e confirmá-lo, como encontrar o relatório real por uma biblioteca e ler a linha.

Alguns julgamentos nunca são delegados. Uma decisão que nunca se delega é uma escolha que continua sua por melhor que a ferramenta fique: qual pergunta você persegue, o que a sua evidência autoriza, a ética do trabalho e como você enuncia a sua incerteza. Exemplo: uma ferramenta pode listar várias maneiras de corrigir preços antigos pela inflação, mas decidir qual delas a sua análise exige é responsabilidade sua. O hábito que amarra tudo isso é curto: Pergunte, depois Verifique, depois Documente. Use a ferramenta com ambição, confirme você mesmo cada fato e cada número, e então registre a ferramenta, a tarefa e a checagem em um registro que viaja junto com o seu trabalho.

Por que traçar a linha exatamente aí? Uma resposta curta vem da história da descoberta. Albert Einstein certa vez desenhou a pesquisa como um ciclo: você parte da experiência, salta para uma ideia que poderia explicá-la e então raciocina de volta até previsões que pode checar. O salto para cima tem nome. Abdução é o ato de inventar uma explicação nova para uma observação surpreendente, uma causa que ninguém lhe entregou. Exemplo: as vendas de uma loja caem a cada três semanas, e você conjectura que um ciclo de pagamento de salários está por trás, uma hipótese que não aparece em nenhum banco de dados. Eis o ciclo em uma imagem:

flowchart LR
  E["Experiência<br/>o que você observa"] -- "o salto: uma ideia nova<br/>(abdução, sua tarefa)" --> A["Ideias e pressupostos<br/>o que poderia explicar"]
  A -- "derivação<br/>(delegável, depois checada)" --> P["Previsões"]
  P -- "verificação contra a evidência<br/>(delegável, depois checada)" --> E

A pesquisa recente em IA traça a mesma linha. Um position paper de 2026 do Google DeepMind, LLMs can’t jump (Zahavy 2026), argumenta que a IA de hoje dominou a busca de padrões em dados e avança rápido na derivação passo a passo, mas ainda não consegue dar o salto, porque não tem experiência do mundo de onde saltar, apenas texto sobre o mundo. Seu estudo de caso é o próprio Einstein. Quando ele começou a construir a relatividade geral, nenhuma pilha de medições fracassadas o empurrava; a física de Newton se ajustava aos dados quase perfeitamente. A ideia nova veio de imaginar o que se sente ao cair, não de comprimir observações. Trate isso como uma posição argumentada, não como uma fronteira estabelecida. Artigos de posição existem para ser testados, e as ferramentas continuam melhorando. Este livro mantém a pergunta, a alegação e o julgamento do seu lado da mesa por uma razão que vale de qualquer jeito: quem responde pela alegação é você, então o salto é seu para dar e para defender.

1.3 Um exemplo trabalhado

Você quer saber se as refeições nos restaurantes perto de você ficaram mais caras depois de um aumento do salário mínimo local em 2019. Você não pode comparar o preço de um cardápio de 2019 com o preço de hoje do jeito que eles estão, porque um dólar compra hoje menos do que comprava então. Para compará-los você precisa do Índice de Preços ao Consumidor (IPC), um número publicado que acompanha ao longo do tempo quanto custa a cesta de bens de um domicílio típico, e no qual um valor maior significa que a mesma cesta ficou mais cara.

Separe o trabalho. Você pode delegar a localização de séries de preços publicadas que sejam candidatas e a listagem dos insumos de que uma correção pela inflação precisa. Você guarda três coisas: decidir que um índice de preços ao consumidor (e não um índice de preços ao produtor ou no atacado) é a medida certa para o que os domicílios pagam, escolher o ano-base para o qual você converte todos os preços, e julgar se uma fonte é confiável. Você pede a série a uma assistente de IA e ela devolve “os preços ao consumidor subiram cerca de 23 por cento entre 2019 e 2025”, citando uma agência de estatística.

Agora verifique. Você abre a tabela de dados de verdade da agência, lê você mesmo os dois valores do índice e recalcula a variação percentual à mão. Se isso confirmar o número, você registra um insumo verificado. Se mostrar um valor diferente, ou se a tabela não puder ser encontrada, o número que a ferramenta te entregou nunca foi evidência. De um jeito ou de outro, a sua comparação se apoia em um número que você recuperou, não em um que um modelo digitou.

1.4 O laboratório no Colab

Este capítulo tem o seu próprio notebook companheiro — abra-o no Colab pelo selo acima. O notebook reúne os prompts e o código do capítulo e termina com o espaço de trabalho Agora é a sua vez, para você completar a etapa do capítulo no seu projeto sem sair do Colab. O laboratório completo de sala de aula por trás deste capítulo é o notebook do curso nb01, Research in the Age of AI: Your Arm, Your RA, Not Your Brain (abrir no Colab), parte do curso companheiro apresentado no apêndice Para instrutores. No laboratório você roda uma pequena simulação com semente fixa que mostra por que o quanto uma fonte soa confiante não diz nada sobre ela ser real, e depois pega um tema com o qual você se importa, pede a uma IA fontes acadêmicas e verifica cada uma recuperando-a você mesmo.

1.5 Prompts de IA recomendados

Comprometa-se primeiro com a sua própria resposta, e só então delegue. E espere um loop, não um tiro único: você pergunta, lê o que volta, aperta na parte que parece frágil e pergunta de novo. Esse vaivém é o loop de IA, o ciclo prompt → resposta → interrogação → refinamento → nova execução, e é assim que o trabalho com IA funciona de verdade. O que importa é onde o loop para. Ele para quando você mesmo rodou a checagem, não quando a ferramenta finalmente soa segura.

Cada prompt abaixo entrega uma tarefa que você consegue checar, com uma nota de verificação que nomeia a falha contra a qual ela defende.

Localize fontes candidatas (você verifica cada uma).

Act as an economic-research assistant. I need annual consumer price index values
for 2019 and 2025. List 3 candidate published sources, each with the exact table
or series name and the agency that publishes it. Only include documents you are
confident exist; mark anything uncertain.

Depois de rodar, verifique (combate a fabricação confiante): abra cada documento você mesmo e leia o número. Uma tabela que você não consegue recuperar é inventada até você encontrá-la.

Transforme uma decisão em uma lista de checagem (você audita a lista).

For converting a 2019 restaurant price into 2025 dollars, list every input my
calculation needs. For each, say why it belongs and which single choice most
governs the result.

Depois de rodar, verifique (combate a ilusão de completude): uma lista longa e organizada ainda pode omitir a escolha que governa a sua resposta. Compare-a com uma lista de checagem que você escreveu antes e confirme que a escolha determinante é mesmo aquela em que a comparação se apoia.

Faça o red team (revisão adversária) da sua própria escolha (a decisão continua sua).

Here is my price index and base year for comparing 2019 and 2025 menu prices:
[paste it]. Act as a hostile referee. Name every place the choice reaches past my
evidence. Do not rewrite it for me; list the weaknesses.

Depois de rodar, verifique (combate a concordância bajuladora): se toda objeção for branda, ou se a ferramenta chamar a sua escolha de “bem equilibrada”, conteste e peça o pior defeito, um só.

Não delegue

Estas continuam sendo suas, por mais fluente que a ferramenta soe. Decidir qual medida se ajusta à sua pergunta e qual ano-base a comparação exige. Julgar se uma fonte é confiável o bastante para servir de base. Fixar a alegação que você vai defender e enunciar a sua incerteza. A ferramenta reúne opções e rascunha texto; escolher entre elas, e responder pela escolha, é o trabalho de quem pesquisa.

1.6 Um caso de falha da IA

Você pede o salário inicial mediano de quem se forma na sua área, e uma fonte. A ferramenta devolve um valor preciso e o atribui à “Pesquisa Nacional de Rendimentos de Egressos de 2024, Tabela 3”. Aquilo se lê como toda citação real que você já viu: uma pesquisa de nome oficial, um ano, uma tabela. É fabricada, ou o número não está naquela página.

Veja exatamente como você pega isso. Você não confia na citação do jeito que ela veio. Você procura a pesquisa em um catálogo de biblioteca e, se ela abrir, vai até a tabela indicada e lê a linha. Se a pesquisa não existe, ou não traz esse valor, a citação confiante desmorona. Fontes fabricadas soam tão autorizadas quanto as reais, então o único filtro confiável é abrir o documento.

1.7 Agora é a sua vez

O seu projeto começa aqui. Ainda não há pergunta nem dados, só as duas coisas sobre as quais todo o resto vai se apoiar: o registro que você mantém e o hábito de conferir.

Abra uma planilha ou um documento em branco e dê a ele o título AI Research Ledger (o registro de uso de IA). Crie oito colunas: tarefa delegada, ferramenta usada, prompt, resumo do resultado, decisão, método de verificação, preocupação remanescente e pesquisador responsável. Ponha o seu próprio nome nessa última coluna agora, e deixe-o lá pelo resto do livro.
Anote três curiosidades genuínas da sua própria vida, do seu trabalho ou da sua área. Uma frase cada. Não três temas que você acha que soam impressionantes: três coisas sobre as quais você de fato se pergunta e para as quais gostaria de ter uma resposta de verdade.
Embaixo de cada uma, escreva o único fato que você precisaria saber antes de conseguir levar aquela curiosidade a sério como projeto.
Escolha a curiosidade na qual você não consegue parar de pensar e peça a uma ferramenta de IA três fontes publicadas que falem sobre esse fato. Antes de ler a resposta, anote o que você espera que ela diga.
Registre a troca no seu AI Research Ledger e verifique pelo menos um resultado com um método nomeado do Guia de Verificação. Para uma citação, o método é a leitura da fonte primária: abra o documento e leia a linha. Uma IA revisora pode rodar a checagem com você; a decisão de aceitar ou rejeitar continua sendo sua.