Repensando a Educação Empresarial para 2030: Um artigo coletivo do Business Physics AI Lab

Autores: Este artigo foi escrito em conjunto por dezesseis membros do Laboratório de Simulação de Física Empresarial com IA: Thomas Hormaza Dow (Fundador e Diretor do Laboratório), Vinay Kumar (Consultoria Avançada em IA Agencial), Sebastien Favre (Medidas de Fiabilidade da IA), Ann Lockquell (Inovação e Criatividade), Dr. Banafsheh Peyrovian (IA, Comportamento Empresarial e Inovação), Dr. Ahmed Hegazy (Pesquisa de Mercado), Martin Berezaga (Big Data e Análise de Negócios), Viviane Paul (Gestão e Liderança), Lyndon Johnson (Relações Públicas e Insights de Mídia), Naomi Tessier (Conteúdo Gerado pela IA), Christine Gerard (Ciência da Computação e Gestão de Projetos), Dr. Amin Ranj Bar (Design de Software e Cibersegurança), Aboubakar Samake (Modelos e Ferramentas de IA), Hichem Benzair (Desenvolvimento de Software de IA), Jon Schlaich (IA e Automação de Marketing) e Annabelle Roy (IA e Literacia Digital). Duas entidades de inteligência artificial também contribuíram com respostas: Charlie AI (Evidence, Assumptions, and Quantitative Scrutiny) e Lena AI (Human, Cultural, and Social Perspectives).

Resumo: A inteligência artificial (IA) gerativa e agente pode agora produzir análises de mercado, previsões e apresentações para clientes em minutos. Portanto, a produção refinada revela pouco sobre o que um estudante de negócios entende. Este artigo conceitual pergunta quais capacidades humanas a educação empresarial deve desenvolver deliberadamente até 2030 para que a IA amplie a competência profissional, mantendo o julgamento, a autonomia e a responsabilidade com o indivíduo. Dezesseis membros do Laboratório de Simulação de Inteligência Artificial da Business Physics responderam a esta questão a partir de seus próprios campos, que incluem inteligência artificial agente, confiabilidade da IA, pesquisa de mercado, análises, liderança, relações públicas, gerenciamento de projetos, cibersegurança e automação de marketing. Dois agentes de IA também responderam. Uma síntese das dezoito perspectivas identifica seis capacidades: responsabilidade e supervisão; pensamento independente e construção de problemas; evidências, verificação e avaliação crítica; comunicação humana e relações; agência profissional e resiliência; e IA e alfabetização tecnológica. Todas as seis se baseiam no conhecimento do campo e na experiência de realizar o trabalho. Dez padrões reaparecem em todas as contribuições, mais frequentemente que as fundações devem preceder a delegação e que a supervisão deve ser proporcional ao risco. O artigo apresenta o princípio da segurança da aprendizagem por design e propõe quatro níveis de responsabilidade humana (deve-se realizar, compreender, verificar e assumir) para decidir como a IA deve inserir-se numa atividade de aprendizagem. Aplica o framework REACT (Razão, Evidências, Responsabilidade, Restrições, Trade-offs) como um hábito de decisão para os estudantes. Seguem dez recomendações para os programas de negócios, incluindo a avaliação do julgamento junto com os resultados e a incorporação da conscientização sobre recursos no julgamento da IA. O artigo argumenta que o objetivo é a complementaridade entre humanos e IA.

Palavras-chave: educação empresarial; inteligência artificial; complementaridade entre humanos e IA; julgamento profissional; responsabilidade; alfabetização em IA; design curricular; framework REACT

Citação sugerida: Hormaza Dow, T., Kumar, V., Favre, S., Lockquell, A., Peyrovian, B., Hegazy, A., Berezaga, M., Paul, V., Johnson, L., Tessier, N., Gerard, C., Ranj Bar, A., Samake, A., Benzair, H., Schlaich, J. e Roy, A. (2026, 3 de outubro). O que deve permanecer humano? Repensando a educação empresarial para 2030. Física Empresarial. https://businessphysics.ai/what-must-remain-human-education-for-2030/

DOI: https://doi.org/10.5281/zenodo.23123642

Imagine um estudante de negócios em 2030. Chame-lhe Maya. Em uma manhã de terça-feira, ela solicita um sistema de inteligência artificial para uma análise de mercado, uma previsão financeira e uma apresentação para o cliente. Quando o café dela esfria, todos os três já estão prontos e todos parecem profissionais.

Então, o cliente faz uma pergunta: “Por que você assumiu um crescimento de 12%?” A resposta de Maya é o tema deste artigo.

Em 2030, a IA poderá pesquisar rotineiramente mercados, analisar dados, elaborar propostas, criar campanhas, escrever software e recomendar ou implementar ações. Quando o trabalho refinado leva apenas alguns minutos, o resultado não diz muito aos educadores e empregadores sobre a pessoa que o apresentou.

Nossa argumentação é que a educação empresarial deve proteger deliberadamente seis capacidades humanas no caminho rumo a 2030: responsabilidade e supervisão, pensamento independente e definição de problemas, evidências e verificação, comunicação e relacionamentos humanos, agência profissional e resiliência, e inteligência artificial e alfabetização tecnológica. Todas essas competências dependem do conhecimento do campo e da experiência de realizar o trabalho.

Por que esses seis? Um profissional faz mais do que entregar uma saída aceitável. Um profissional entende o problema, percebe quando uma resposta parece incorreta, avalia as evidências, fala com as pessoas, decide com base em incerteza, solicita ajuda quando necessário e assume a responsabilidade pelo que se segue.

A IA pode melhorar a capacidade das pessoas em todas essas áreas quando utilizada de forma adequada. O objetivo é a complementaridade entre humanos e IA, o que significa que as pessoas e a IA contribuem cada uma com o que melhor sabem fazer. Os estudantes devem se tornar usuários competentes de IA, mantendo o conhecimento e a capacidade de julgamento suficientes para direcionar, questionar, verificar e, às vezes, rejeitar o que a IA produz.

Qual a quantidade de independência é suficiente? Depende da tarefa. Algumas habilidades devem ser praticadas sem a ajuda da IA, pois a prática desenvolve a competência. Outras tarefas podem ser delegadas, desde que os alunos ainda compreendam a tarefa, avaliem o resultado e assumam a responsabilidade da decisão.

No Laboratório de Simulação de Inteligência Artificial da Business Physics, colocamos o desafio em uma questão prática: o que deve ser desenvolvido adequadamente no aluno para que a inteligência artificial possa ampliar as capacidades humanas, mantendo a capacidade de julgamento, autonomia e responsabilidade da pessoa?

Dezoito membros do laboratório e dois agentes de IA responderam a ele. Suas áreas de atuação incluem IA agente, confiabilidade da IA, criatividade, empreendedorismo, pesquisa de mercado, análise, liderança, relações públicas, conteúdo, gerenciamento de projetos, cibersegurança, software, automação de marketing e alfabetização digital. Suas respostas aparecem ao longo do artigo, seguidas por quatro níveis de responsabilidade, o framework REACT (Razão, Evidência, Responsabilidade, Restrições e Trade-offs) e dez recomendações.

A armadilha da dependência

Conhecer como utilizar uma ferramenta de IA é a parte mais fácil. A alfabetização em IA também significa entender o que esses sistemas podem fazer, comunicá-los bem, avaliar seus resultados, proteger informações, trabalhar com agentes cada vez mais autônomos e usar a IA de forma responsável.

Tudo isso depende do conhecimento que o aluno já possui. Um estudante precisa de algum financiamento para desafiar uma análise financeira gerada por IA. Um graduado precisa entender uma decisão antes de assumir responsabilidade por ela. Um gerente que supervisiona um agente de IA precisa saber mais do que apenas onde estão os botões.

Esse conhecimento é construído de forma lenta. Os estudantes enfrentam problemas, cometem erros, comparam alternativas, recebem feedback e, gradualmente, aprendem a identificar padrões e exceções.

O problema é esse: a IA consegue concluir a tarefa antes que o estudante tenha desenvolvido essa capacidade, e o trabalho final esconde essa lacuna.

O objetivo é a independência na tomada de decisões. Os graduados podem recorrer fortemente à IA como ferramenta profissional e ainda assim serem capazes de avaliar a qualidade, a adequação, o contexto e as consequências do trabalho que ela ajuda a produzir.

Segurança da aprendizagem por design

A segurança da aprendizagem por design coloca uma questão: quando a IA é integrada a uma atividade de aprendizagem, os alunos ainda têm oportunidade suficiente para desenvolver as competências que essa atividade visa ensinar?

Imagine um estudante que está aprendendo análise financeira. Se o objetivo é entender como receita, despesas, margens e lucro se relacionam, entregar todo o problema à IA significa ignorar o raciocínio que o estudante vinha praticando. É como enviar um robô para o ginásio em nome do estudante. Uma vez que a compreensão estiver lá, usar a IA para analisar um conjunto de dados muito maior é uma excelente preparação para o trabalho profissional.

O papel certo da IA, portanto, depende do objetivo de aprendizagem. Às vezes, o trabalho independente desenvolve a capacidade; outras vezes, trabalhar com IA é a capacidade. Muitas atividades empresariais combinam ambos.

Os estudantes que entram no mercado de trabalho devem ter um reflexo profissional sobre o uso da IA. Antes de delegar, devem perguntar por que a IA está sendo utilizada, o que está sendo delegado, qual a precisão necessária da saída, o que acontece se a saída estiver errada e qual a responsabilidade que cabe ao decisor humano.

Thomas Hormaza Dow, Fundador e Diretor do Laboratório

Thomas Hormaza Dow sugere que a educação empresarial deve combinar a responsabilização dos estudantes com um forte compromisso com a segurança da aprendizagem por meio do design. Os estudantes devem continuar sendo responsáveis pela compreensão do problema, pela avaliação de evidências, pelo questionamento dos resultados gerados pela IA, pela tomada de decisões e pela aceitação das consequências. No entanto, não se pode esperar que essas habilidades se desenvolvam automaticamente simplesmente porque os estudantes estão usando a IA. As atividades de aprendizagem precisam ser concebidas de forma a impedir que a IA substitua involuntariamente o pensamento, a prática, os erros, o feedback e a experiência através das quais a capacidade de julgamento se desenvolve.

A segurança da aprendizagem por design significa, portanto, decidir deliberadamente o que os alunos devem fazer sozinhos, o que podem delegar à IA e o que ainda devem compreender, verificar e, finalmente, assumir como propriedade própria. O equilíbrio adequado pode variar de acordo com o objetivo de aprendizagem. Em algumas situações, os alunos podem precisar realizar partes importantes do trabalho de forma independente antes de recorrerem à IA; em outras, aprender a trabalhar de forma produtiva com a IA pode ser o objetivo em si. O objetivo não é afastar os alunos da IA, mas garantir que seu uso amplie suas capacidades sem enfraquecer a capacidade de julgamento humano e a responsabilidade que a educação visa desenvolver.

Seis competências que os estudantes devem desenvolver até 2030

Se a IA puder realizar mais tarefas visíveis, os programas empresariais têm uma tarefa clara: decidir quais habilidades humanas os alunos devem continuar a desenvolver, de qualquer forma.

Vemos seis:

Responsabilidade e supervisão
Pensamento independente e formulação de problemas
Prova, verificação e avaliação crítica
Comunicação e relações humanas
Agência profissional e resiliência
IA e alfabetização tecnológica

Os seis aspectos se complementam, e uma única decisão empresarial pode depender de todos eles. Além disso, eles compartilham uma base comum: o conhecimento do campo e a experiência na execução do trabalho. Essa base fornece aos alunos algo com o qual podem comparar o desempenho da IA.

A IA também tem uma pegada física

Há também uma realidade mais ampla que os estudantes devem compreender. A IA pode parecer em grande parte digital, mas seu uso depende de infraestrutura física que exige espaço, água, energia e materiais. O impacto de qualquer uso individual pode ser difícil de determinar, e diferentes sistemas e contextos podem ter pegadas muito diferentes. O ponto educacional não é que os estudantes devem evitar a IA, mas que seu uso não é consequencialista. Como futuros profissionais de negócios, os estudantes devem desenvolver o hábito de perguntar se o uso da IA é adequado para a tarefa e se o valor que ela proporciona justifica os recursos e as implicações mais amplas envolvidas.

Do Poder à Responsabilidade

Essas capacidades, juntamente com a consciência das consequências mais amplas do uso da IA, proporcionam uma base para decidir como a responsabilidade deve ser distribuída entre o estudante e a IA.

1. Responsabilidade e supervisão: ainda é preciso que alguém assine

A IA pode recomendar, calcular, comparar, detectar padrões e realizar sequências completas de ações com pouca ajuda humana. Ela não pode ser chamada para o escritório do gerente quando algo dá errado. A decisão final sobre o uso da IA e a responsabilidade pelo resultado ainda cabem ao administrador.

Assim, a primeira questão a ser resolvida é se a IA se encaixa mesmo na tarefa. Ela pode melhorar uma tarefa e acrescentar pouco a outra. Além disso, ela pode trazer preocupações com a privacidade, informações inadequadas, complexidade desnecessária ou a delegação de tarefas que nunca deveriam ter sido feitas.

A supervisão deve ser proporcional ao risco. Usar a IA para sugerir títulos de apresentação exige pouca análise. Usar informações financeiras geradas pela IA em recomendações a clientes exige muito mais. Decisões que envolvem funcionários, contratos, clientes, privacidade ou compromissos financeiros significativos podem exigir evidências independentes, contribuições de especialistas e aprovação explícita de pessoas humanas.

Um bom julgamento também considera além da tela. Os sistemas digitais têm consequências físicas, financeiras, sociais e ambientais. A IA opera em centros de dados, energia elétrica, sistemas de refrigeração, redes e hardware fabricado, todos os quais utilizam terra, energia, água e materiais de maneiras que variam de acordo com o projeto e o local.

Os estudantes de negócios podem deixar a engenharia aos engenheiros. Eles precisam saber que escolher um serviço de IA, expandir a capacidade de computação, substituir hardware ou automatizar um processo pode afetar custos, funcionários, clientes, privacidade, segurança, uso de energia, materiais e comunidades.

O julgamento profissional inclui reconhecer quais desses efeitos merecem atenção e quando é necessária a expertise de especialistas.

A responsabilidade aumenta à medida que a IA passa de fornecer respostas para tomar ações. Um agente de IA pode pesquisar potenciais clientes, classificar leads, escrever mensagens, agendar contatos e atualizar registros de clientes, tudo isso antes do almoço. Os alunos precisam decidir quais autorizações o sistema recebe, onde é necessária aprovação e quando um ser humano intervele.

Vinay Kumar, consultor de IA avançada

Vinay Kumar sugere que os estudantes deveriam aprender tanto sobre quais decisões requerem aprovação humana quanto sobre como estabelecer limites adequados para os agentes de IA com base no risco. Decisões que envolvem pessoas, dinheiro, privacidade, obrigações legais ou reputação organizacional podem ter consequências suficientemente significativas para exigir revisão e autorização humanas significativas. No entanto, a supervisão não deve depender apenas de uma lista fixa. Os estudantes devem avaliar a probabilidade e as consequências do fracasso, a confiabilidade do sistema e as evidências disponíveis e estabelecer limites de autoridade adequados, requisitos de monitoramento, regras de escalonamento e pontos de intervenção.

Vinay propõe a reversibilidade como um princípio prático de orientação. Antes de delegar uma ação, os alunos devem perguntar o que aconteceria se a IA cometer um erro e se as consequências poderiam ser revertidas. Trabalhos reversíveis e de baixo risco podem permitir maior autonomia, enquanto ações difíceis de serem revertidas exigem um controle humano mais forte. Trabalhos complexos também podem ser divididos em tarefas menores e controláveis, com requisitos claros, controles de segurança, pontos de verificação e critérios de aceitação. Isso permite que os alunos deleguem de forma produtiva, sem dar a um agente de IA autoridade desnecessária sobre todo o processo.

A capacidade essencial é a capacidade de julgamento supervisionado. Vinay sugere que os estudantes de administração pública deveriam aprender cada vez mais a pensar como gerentes e arquitetos de trabalho com inteligência artificial: definir o problema, estruturar tarefas, estabelecer requisitos e critérios de aceitação, decidir quais autorizações devem ser concedidas a um agente de inteligência artificial, determinar quais evidências são suficientes e saber quando a intervenção humana é necessária. Eles podem não precisar supervisionar cada passo dado pela inteligência artificial, mas devem projetar as condições em que ela opera e avaliar se os resultados são aceitáveis. Delegar a execução não significa delegar a responsabilização pelas consequências.

Sebastien Favre, Medidas de confiabilidade de IA

Sebastien Favre sugere que os estudantes de administração devem entender a confiabilidade da IA como algo contextual, baseada em riscos e mensurável. Um resultado da IA não deve ser simplesmente classificado como “confiável” ou “não confiável”. O nível de confiança que pode ser razoavelmente depositado nela depende da tarefa, das consequências potenciais de um erro e do comportamento observado do sistema no contexto real de uso. O nível de verificação deve, portanto, variar de acordo. Um resultado de baixo impacto pode exigir verificações relativamente pequenas, enquanto um resultado que possa influenciar uma decisão financeira, operacional, legal ou de clientes importante deve exigir verificações mais robustas e potencialmente independentes.

Os estudantes também devem aprender a reconhecer evidências de que um resultado da IA requer uma análise mais aprofundada. Contradições, instabilidade nas respostas, falta de evidências de apoio suficientes ou desvios significativos do comportamento esperado podem indicar que o resultado deve ser verificado mais aprofundadamente, rejeitado ou encaminhado para revisão adicional. Portanto, a capacidade essencial não consiste apenas em saber como usar a IA, mas também em saber avaliar se as evidências observadas são suficientes para a decisão específica a ser tomada.

2. Pensamento independente e construção de problemas: pense primeiro, formule uma pergunta depois

A IA facilita o início de trabalhos árduos. Um estudante que enfrenta um problema desconhecido pode obter explicações, interpretações, alternativas e soluções sugeridas em segundos.

Essa velocidade é um presente e uma tentação. Para algumas atividades de aprendizagem, os alunos devem primeiro analisar a situação por si próprios, selecionar as informações relevantes, considerar explicações e tomar uma posição. Essa primeira avaliação pode estar errada. Formar essa opinião dá aos alunos um modelo mental que a IA pode então desafiar, refinar ou anular.

A formulação do problema é uma habilidade empresarial em si mesma. Um gerente vê as vendas caindo. Os números mostram que isso está acontecendo e ele permanece em silêncio sobre o motivo. O preço, a concorrência, as preferências dos clientes, a distribuição, a qualidade do produto, a economia ou algumas dessas variáveis juntas podem ser responsáveis. Peça ajuda à IA para encontrar uma solução antes de definir o problema, e o resultado pode ser uma resposta muito eficiente para a pergunta errada.

O conhecimento básico também ajuda os alunos a perceber quando algo está errado. Uma margem de lucro projetada parece muito boa demais. Um cronograma de projeto ignora dependências óbvias. Uma estimativa de mercado é maior do que a população que supostamente descreve. Uma recomendação de marketing contradiz o que se sabe sobre o cliente.

Os estudantes precisam ter conhecimento suficiente para sentir essa sensação de atrito. O conhecimento básico funciona como um detector de fumaça: é silencioso a maior parte do tempo e muito valioso quando aciona.

A tomada de decisão empresarial também depende do contexto. Uma recomendação pode ser tecnicamente razoável e ainda assim ser inadequada para a situação em que será utilizada. Custos, regulamentações, infraestrutura, expectativas dos clientes, cultura organizacional, condições ambientais e expertise disponível podem todos mudar, fazendo com que uma opção seja mais vantajosa do que outra.

Por exemplo, um sistema de IA pode recomendar uma tecnologia porque possui o menor custo operacional. Um gerente pode então descobrir que ela cria maior risco de privacidade, aumenta a dependência de um fornecedor, exige infraestrutura que a organização não possui ou gera custos que só aparecem posteriormente. A recomendação é precisa para as variáveis da análise, mas incompleta como decisão empresarial.

Os estudantes precisam, portanto, de uma compreensão suficiente das premissas e do contexto para decidir se uma recomendação da IA se ajusta à situação real.

É necessário pensar também em termos de tempo. As escolhas tecnológicas têm um ciclo de vida: os sistemas são selecionados, implementados, operados, monitorados, mantidos, atualizados e, eventualmente, substituídos. Uma opção que parece barata no início pode gerar custos, dependências ou riscos maiores posteriormente. Até 2030, o pensamento em termos de ciclo de vida deve ser parte do processo de tomada de decisão empresarial em relação às tecnologias.

Em seguida, há a criatividade. A IA consegue gerar cinquenta ideias no tempo necessário para ler uma delas. Essa abundância aumenta o valor de saber quais ideias merecem atenção, por que elas são importantes, como melhorá-las e como convencer os outros de que vale a pena prosseguir com elas.

Ann Lockquell, Inovação e Criatividade

Ann Lockquell sugere que os alunos devam continuar desenvolvendo sua própria criatividade, mesmo quando a IA consegue gerar grandes quantidades de ideias quase instantaneamente. O próprio processo criativo é importante. Generar ideias, explorar diferentes direções, cometer erros, recomeçar, estabelecer conexões e desenvolver um conceito inicial proporcionam aos alunos experiências que gradualmente desenvolvem sua capacidade de reconhecer originalidade, relevância e potencial. Sem experiência suficiente na criação de projetos próprios, os alunos podem ter dificuldade em distinguir uma ideia genuinamente promissora de uma que parece apenas interessante no início.

À medida que a IA se torna mais capacitada, no entanto, o desafio criativo também muda. Os estudantes precisam cada vez mais exercerem julgamento criativo sobre as possibilidades geradas pela IA. Eles devem ser capazes de decidir quais ideias valem a pena desenvolver, explicar por que elas têm potencial, adaptá-las a um contexto específico, transformá-las e levá-las além da sugestão inicial. A IA pode ampliar a exploração e apresentar possibilidades que os estudantes talvez não tenham considerado, mas eles ainda precisam tomar as decisões e ser capazes de explicar e defender suas decisões criativas.

Para Ann, o objetivo não é substituir o processo criativo com a IA, mas sim incorporar a IA nesse processo sem perder as experiências através das quais a criatividade e o julgamento se desenvolvem. Os estudantes devem aprender a usar a IA como uma ferramenta criativa adicional, enquanto continuam a gerar, explorar, selecionar, desenvolver e defender as próprias ideias. Nesse sentido, a criatividade independente e a criatividade suportada pela IA são complementares: a experiência desenvolve a capacidade de julgamento criativo que permite aos estudantes utilizar a IA de forma produtiva.

O empreendedorismo levanta questões semelhantes. A IA pode identificar mercados, analisar concorrentes, construir modelos de negócio, preparar previsões e elaborar o plano de negócios. A capacidade de decisão empreendedora cresce em outros lugares: observando os clientes, testando hipóteses, vivendo com incertezas, recuperando-se de erros e decidindo quando evidências incompletas são suficientes para agir.

Dr. Banafsheh Peyrovian, IA, Comportamento Empresarial e Inovação

A Dra. Banafsheh Peyrovian vê a competência em IA e a capacidade de tomar decisões empresariais como complementares. A IA pode ajudar os estudantes a explorar ideias e acelerar a experimentação, enquanto a experiência direta com os clientes, a incerteza e o fracasso continuam sendo essenciais para desenvolver empatia, resiliência e julgamento sólido. Os estudantes devem aprender a interpretar evidências, adaptar-se quando os pressupostos se revelarem incorretos e decidir quando avançar.

3. Evidências, verificação e avaliação crítica: acertar é fácil

Quando as respostas são baratas, a avaliação se torna uma habilidade valiosa. A IA generativa pode parecer clara, confiante e persuasiva mesmo quando a informação subjacente é fraca, incompleta ou incorreta.

A verificação deve ser prática e proporcional à decisão. Uma sugestão feita por meio de brainstorming pode exigir pouca verificação. Uma estatística utilizada em um relatório público deve ser verificada por uma fonte confiável. Uma recomendação que envolva um compromisso financeiro significativo pode exigir várias formas de comprovação e revisão por especialistas.

Os estudantes também precisam entender que as fontes têm diferentes objetivos. Um anúncio de uma empresa pode mostrar como um produto é apresentado, mas isso não é uma evidência confiável para afirmar de forma independente a sua eficácia. Uma pesquisa de opinião de clientes pode revelar atitudes dos respondentes, mas sua utilidade depende de como esses respondentes foram selecionados. Um estudo de pesquisa pode fornecer evidências sólidas, mas ainda assim apresentar importantes limitações.

A IA pode resumir essas fontes, mas o estudante ainda precisa julgar o que elas significam e o quanto elas merecem ser levadas em consideração.

O contexto também afeta o valor das evidências. Os resultados de uma organização, mercado, país ou população podem não se aplicar diretamente a outra. Os estudantes precisam considerar se as evidências utilizadas por um sistema de IA se aplicam realmente à decisão a ser tomada.

A pesquisa de mercado torna isso visível. A IA pode processar grandes quantidades de informações e produzir uma descrição coerente do mercado. A análise ainda é tão boa quanto a qualidade, a relevância, a idade e a representatividade das informações subjacentes.

Dr. Ahmed Hegazy, Pesquisa de Mercado

O Dr. Ahmed Hegazy sugere que os estudantes de negócios devem ser capazes de realizar os passos essenciais da pesquisa de mercado sozinhos antes de dependerem fortemente da IA. Eles devem ser capazes de formular uma questão de pesquisa útil, escolher e explicar uma abordagem de amostragem adequada, reconhecer possíveis vieses, elaborar uma pesquisa clara, conduzir uma entrevista eficaz, analisar a informação coletada e desenvolver uma recomendação baseada em evidências.

A IA pode então ser utilizada para acelerar a pesquisa, organizar informações, identificar padrões e apoiar a análise. No entanto, os estudantes devem continuar a ser responsáveis por verificar a qualidade da pesquisa por trás do resultado. Antes de aceitar uma informação gerada por IA, eles devem poder perguntar: A pergunta correta foi feita? A amostra foi adequada? As perguntas foram bem concebidas? A evidência é suficientemente forte e a conclusão realmente decorre dela? Estas habilidades práticas de pesquisa proporcionam aos estudantes o fundamento necessário para decidir se uma informação gerada por IA pode ser confiável e utilizada em uma decisão empresarial.

A análise quantitativa cria outro desafio. A IA pode analisar conjuntos de dados, identificar padrões, preparar visualizações e recomendar ações. Os estudantes podem delegar muitas tarefas de cálculo à máquina. Eles ainda precisam ter um conhecimento numérico suficiente para reconhecer resultados implausíveis.

Uma análise que afirma que 140% dos clientes pesquisados preferem um produto deve despertar todas as alarmas. A maioria dos erros é mais silenciosa. Uma correlação é interpretada como causa. Uma média oculta grandes diferenças entre os grupos de clientes. Uma amostra pequena é tratada como o mercado inteiro.

Martin Berezaga, Dados de Grande Volume e Análise de Negócios

Martin Berezaga sugere que os estudantes de negócios devem desenvolver a competência em dados principalmente como uma capacidade de tomada de decisão. Eles precisam de conhecimento estatístico e de inteligência artificial suficiente para entenderem as informações com que trabalham, questionarem as suposições, reconhecerem problemas com a qualidade dos dados e avaliar se uma análise gerada por IA é credível. No entanto, o conhecimento técnico isolado não é suficiente. Os estudantes também precisam de conhecimentos específicos de negócios para entenderem o significado dos dados no contexto e se uma conclusão é realmente relevante para o problema a ser abordado.

À medida que a IA desempenha um papel cada vez maior na análise, os estudantes devem se tornar particularmente capazes de interpretar os resultados, construir uma narrativa significativa a partir dos dados, comunicar essa narrativa de forma clara e decidir quais ações devem ser adotadas. O objetivo, portanto, é uma combinação de conhecimentos estatísticos, alfabetização em IA, compreensão de negócios, narrativa de dados e tomada de decisão humana. A IA pode cada vez mais produzir a análise, mas o profissional de negócios ainda deve determinar o significado dessa análise e o que deve ser feito com ela.

4. Comunicação e relações humanas: o negócio ainda é feito com pessoas

O negócio ainda é uma atividade social. As organizações são dirigidas por pessoas que enxergam as situações de forma diferente, desejam coisas diferentes, se entendem mal entre si, negociam, colaboram, constroem confiança e, às vezes, perdem essa confiança.

A IA é um parceiro útil para ensaios. Ela pode refinar uma mensagem, simular uma conversa de vendas, antecipar objeções ou auxiliar na prática de negociação. Então começa a verdadeira reunião. Os graduados ainda precisam explicar e defender as decisões em suas próprias palavras, ouvir atentamente, lidar com a pergunta que ninguém previa, ler o ambiente e se adaptar.

Essas capacidades são difíceis de codificar porque as interações humanas trazem consigo história, emoção, credibilidade, cultura, poder e confiança.

A liderança ilustra esse ponto. A IA pode ajudar o gestor a analisar informações sobre desempenho, preparar feedback, comparar intervenções ou identificar padrões organizacionais. O gestor ainda precisa entender as pessoas envolvidas e assumir responsabilidade pela forma como as decisões são comunicadas e implementadas.

Viviane Paul, Gestão e Liderança

Viviane Paul sugere que os estudantes de negócios devem preservar o julgamento humano, que deriva da experiência, da observação e da interação direta com pessoas. A IA pode analisar indicadores empresariais e fornecer recomendações com base em informações disponíveis e padrões anteriores, mas às vezes os líderes precisam reconhecer circunstâncias que não se encaixam nesses padrões. A experiência pode desenvolver uma forma de intuição informada, ou “sensação intuitiva”, que ajuda o líder a perceber algo que os indicadores formais podem não captar completamente. Portanto, os estudantes devem aprender a usar evidências e recomendações da IA, mantendo, ao mesmo tempo, a confiança e a responsabilidade de questioná-las quando as próprias observações e compreensão da situação apontarem para outros caminhos.

A liderança torna isso particularmente importante porque as pessoas são mais complexas do que os modelos usados para descrevê-las. Os frameworks de personalidade e as categorias comportamentais podem ajudar a organizar informações, mas não conseguem captar completamente um indivíduo ou prever como alguém reagirá em todas as situações. Portanto, os futuros líderes devem continuar desenvolvendo a capacidade de ouvir, observar sinais não verbais, compreender o contexto, construir relacionamentos e adaptar sua abordagem à pessoa que se encontra diante deles. A IA pode informar a tomada de decisão em liderança, mas os estudantes ainda precisam desenvolver a compreensão humana e a experiência necessárias para exercer essa capacidade de decisão por conta própria.

A comunicação fica mais delicada durante críticas públicas ou em momentos de crise. A IA pode produzir uma declaração impecável em segundos. A decisão de enviar ou não é uma decisão humana: o que a organização deve dizer, o que pode confirmar, quais responsabilidades deve assumir, como diferentes públicos irão interpretar a mensagem e se é aconselável falar imediatamente.

Lyndon Johnson, insights em relações públicas e mídia

Lyndon Johnson sugere que a comunicação eficaz sob pressão começa com o conhecimento da verdade e a comunicação dela sem compromissos. Em um ambiente onde as organizações podem usar a IA para gerar, refinar e distribuir mensagens persuasivas rapidamente, os estudantes devem aprender a distinguir entre gerenciar uma mensagem e comunicar a realidade de uma situação. Antes de decidir o que dizer, eles devem estabelecer o que é conhecido, o que pode ser apoiado por evidências, o que permanece incerto e quais responsabilidades a organização deve assumir.

Os estudantes devem, portanto, aprender a perguntar: O que realmente sabemos? Quais evidências corroboram isso? Em que estamos incertos? Estamos comunicando a realidade da situação ou simplesmente tentando moldar a forma como ela é percebida? A IA pode ajudar a preparar e avaliar comunicações, mas não deve se tornar uma forma de substituir fatos desconfortáveis por mensagens mais convenientes. Os stakeholders tomam decisões com base nas informações que recebem, e quando a comunicação se distrai da realidade, a confiança e a reputação podem ser prejudicadas.

O conteúdo gerado por IA também muda o significado da autoria. Textos, imagens e apresentações com aparência profissional costumavam sugerir que a pessoa por trás deles entendia o assunto. Essa ligação agora é muito mais fraca.

Os estudantes precisam avaliar o trabalho antes de colocar o seu nome ou o nome da sua organização nele. A autoria agora passa a ser responsabilidade de um editor e de um proprietário.

Naomi Tessier, conteúdo gerado por IA

Naomi Tessier sugere que os estudantes precisam ter tanto capacidade suficiente para criar conteúdo de forma independente quanto julgamento editorial para avaliar o que a IA produz. À medida que a IA se torna cada vez mais capaz de gerar material polido e com aparência profissional, apenas a aparência torna-se um indicador pobre da qualidade. Os estudantes devem ser capazes de determinar se o conteúdo é preciso, adequado, valioso e adaptado ao público e ao propósito. Para isso, é necessário conhecimento suficiente e capacidade de pensamento crítico para identificar erros, raciocínios frágeis, tom inadequado ou outros problemas que podem estar escondidos sob uma apresentação convincente.

Naomi também enfatiza que a IA não remove a responsabilidade humana do processo de criação. As pessoas ainda decidem o que perguntar à IA, qual contexto fornecer, qual saída selecionar, como modificá-la e, finalmente, se deve ou não utilizá-la. Portanto, antes de associar seu próprio nome ou o nome de uma organização ao trabalho gerado pela IA, os alunos devem poder avaliar o conteúdo, explicar e defender o raciocínio por trás do resultado final e assumir a responsabilidade pelas suas consequências. A capacidade essencial não consiste apenas em saber como gerar conteúdo com a IA, mas em desenvolver a capacidade de discernir quando confiar nela, quando questioná-la e quando não utilizar o seu resultado de forma alguma.

5. Agência profissional e resiliência: o que acontece quando a IA não está ativa?

Às vezes, a IA não consegue fornecer a resposta. Ela pode não estar disponível, proibida para trabalhos confidenciais, contradizer-se ou ser inadequada para uma situação que exige um especialista. Os estudantes precisam de capacidade suficiente para continuar trabalhando de qualquer forma.

Os graduados, portanto, precisam de um nível mínimo de competência profissional. Eles devem ser capazes de organizar um problema básico de negócios, comunicar de forma clara, realizar cálculos razoáveis, interpretar informações, formar um julgamento preliminar e determinar o passo seguinte adequado.

A agência profissional também exige humildade intelectual. A IA consegue explicar um tema desconhecido de forma tão clara que as pessoas se sentem como se entendessem muito melhor do que realmente entendem. Os estudantes precisam saber onde termina o seu conhecimento e quando devem consultar um contador, um advogado, um especialista em cibersegurança, um engenheiro, um gerente ou outro profissional qualificado. Isso é ainda mais importante à medida que os gestores tomam decisões sobre tecnologias que utilizam e que nunca poderiam conceber sozinhos.

A gestão de projetos aplica o mesmo princípio. A IA pode preparar planos, estimar o volume de trabalho, identificar riscos e monitorar o progresso. Em seguida, o projeto se ajusta à realidade: as necessidades mudam, os recursos se esgotam, as prioridades se cruzam, as responsabilidades se confundem e as pessoas discordam. Um gestor de projetos precisa reagir quando a situação não mais corresponde ao plano.

Christine Gerard, Ciência da Computação e Gestão de Projetos

Christine Gerard sugere que a liderança adaptativa na gestão de projetos depende de um fundamento de conhecimento e experiência. Os estudantes precisam compreender os fundamentos do gerenciamento de projetos, incluindo prioridades, dependências, recursos, riscos e compromissos, antes de poderem tomar decisões sólidas quando as condições mudarem. Eles também precisam de oportunidades para aplicar esses fundamentos em si mesmos. A experiência se desenvolve ao realizar o trabalho, enfrentar problemas, tomar decisões e observar as consequências. Com o tempo, essa combinação de conhecimento e experiência contribui para o julgamento necessário para responder de forma eficaz quando um projeto não segue mais o plano.

Ela descreve essa relação como uma pirâmide: os fundamentos formam a base, a experiência se baseia neles, o julgamento se desenvolve a partir de ambos, e a geração e análise com suporte de IA estão no topo. A IA pode fortalecer o que um gestor de projeto competente consegue realizar, mas os estudantes ainda precisam do conhecimento e da experiência subjacentes para avaliar o que a IA propõe, reconhecer quando um plano não mais se ajusta à realidade e decidir o que deve acontecer a seguir. Isso também está diretamente relacionado ao REACT: o uso responsável da IA depende, em última instância, do julgamento humano que a educação e a experiência ajudaram a desenvolver.

A cibersegurança fornece outro exemplo. A maioria dos graduados em negócios não se tornará especialistas em cibersegurança, mas tomará decisões relacionadas a dados, acesso, privacidade, fornecedores, sistemas, clientes e funcionários. A tomada de decisões básicas em cibersegurança ajuda os gestores a reconhecer quando essas decisões criam riscos que merecem atenção especializada.

Dr. Amin Ranj Bar, Design de Software e Cibersegurança

O Dr. Amin Ranj Bar sugere que todos os graduados em administração de empresas devem entender os fundamentos da cibersegurança, pois as decisões de segurança começam muito antes de um problema técnico se tornar visível. Os estudantes devem entender os princípios básicos, como controle de acesso, autenticação, privacidade, proteção de dados, manuseio seguro de informações e vulnerabilidades comuns, de forma a reconhecer quando um processo, produto ou tecnologia proposto cria riscos desnecessários. Esse conhecimento é cada vez mais relevante para além das funções técnicas, pois decisões empresariais sobre clientes, funcionários, dados, software, fornecedores e sistemas de IA podem ter consequências em termos de cibersegurança.

Amin também enfatiza que muitas vulnerabilidades surgem durante o processo de design, quando as implicações de segurança podem ser negligenciadas porque as pessoas que tomam decisões iniciais não possuem conhecimento suficiente em segurança. A IA pode auxiliar na análise técnica, identificar vulnerabilidades e recomendar medidas de proteção, mas os profissionais de negócios ainda precisam ter compreensão suficiente para fazer perguntas sobre segurança desde o início. Eles devem ser capazes de reconhecer quando uma decisão pode expor pessoas, informações ou sistemas a riscos, incorporar considerações de segurança no design de uma solução e saber quando é necessária expertise especializada. Portanto, a segurança se torna parte do julgamento empresarial: a segurança deve ser considerada ao projetar um sistema ou processo, e não apenas após um problema ocorrer.

A resiliência profissional também inclui a capacidade de continuar aprendendo. A IA pode explicar conceitos difíceis, fornecer feedback imediato e apoiar a prática frequente. Os educadores ainda precisam proteger o esforço produtivo, pois recuperar conhecimento, tentar uma solução, cometer um erro e revisar uma ideia construem uma compreensão duradoura.

6. IA e alfabetização tecnológica: saiba o que há por trás das cenas

As cinco primeiras capacidades descrevem o que a pessoa traz para o trabalho. A sexta se refere à própria tecnologia. O framework de Competências de Complementariedade Humano-Inteligência Artificial desenvolvido pela Business Physics lista habilidades práticas para trabalhar com IA: decidir se a IA deve ser utilizada, selecionar e preparar informações, comunicar com sistemas de IA, verificar os resultados, manter a autoridade de decisão, interpretar dados, converter informações em decisões, gerir o uso da IA e continuar a aprender.

Cada uma dessas habilidades depende da compreensão da tecnologia de forma suficiente para permitir a tomada de decisões informadas.

Decidir se usar IA requer julgamento antes de selecionar a ferramenta. Examinar um resultado exige conhecimento suficiente para reconhecer as fraquezas. Manter a autoridade de decisão exige compreensão suficiente para tomar ou defender a decisão. Interpretar dados exige contexto empresarial. Governar a IA exige consciência das consequências, limites e responsabilidades.

Os graduados em negócios podem delegar a engenharia de IA para especialistas. Eles devem ter conhecimento suficiente sobre modelos, ferramentas, infraestrutura e limitações para escolher e usar essas tecnologias de forma adequada.

Aboubakar Samake, Modelos e Ferramentas de IA

Aboubakar Samake sugere que os graduados em negócios precisam tanto de uma compreensão prática dos modelos de IA quanto do julgamento para determinar quando e como eles devem ser usados. Os estudantes não precisam se tornar engenheiros de IA, mas devem entender que os diferentes sistemas de IA são projetados para fins diferentes, dependem de tipos diferentes de dados e abordagens e possuem capacidades e limitações diferentes. Essa base deve ajudá-los a reconhecer que escolher uma ferramenta de IA não é apenas uma questão de selecionar o sistema mais poderoso ou conveniente.

Ao mesmo tempo, os estudantes devem desenvolver o julgamento de seleção de IA começando pelo problema empresarial em vez da tecnologia. Eles devem ser capazes de determinar se a IA é adequada para a tarefa, quais capacidades são realmente necessárias, qual tipo de sistema é adequado e quais limitações ou riscos precisam ser considerados. Eles também devem reconhecer situações em que a IA não deve ser utilizada ou em que seu resultado requer verificação adicional. O objetivo não é conhecer todos os modelos de IA, mas entender a tecnologia de forma a selecioná-la e utilizá-la de forma proposital, questionar suas limitações e tomar decisões informadas sobre quando outra ferramenta ou julgamento humano é mais adequado.

O desenvolvimento de software traz um problema semelhante. À medida que a inteligência artificial se torna mais capaz de produzir software, os profissionais de negócios podem se distanciar ainda mais da construção técnica. Eles ainda precisam ter um conhecimento suficiente para comunicar requisitos, reconhecer riscos, questionar suposições e trabalhar de forma eficaz com especialistas técnicos.

Hichem Benzair, Desenvolvimento de Software de IA

Hichem Benzair sugere que os graduados em negócios precisam ter uma competência em software suficiente para participar de forma produtiva nas decisões tecnológicas, sem precisar se tornarem desenvolvedores de software. Eles devem entender conceitos básicos como requisitos, dados, testes, segurança, integração, arquitetura e manutenção de forma suficiente para fazer perguntas úteis e compreender as consequências das escolhas técnicas. Ele relaciona isso à ideia de linguagem universal: os profissionais de negócios e técnicos precisam de um vocabulário comum para poderem entender o mesmo problema e comunicar de forma eficaz sobre o que está sendo desenvolvido.

Esta base técnica deve apoiar a tomada de decisões em matéria de negócios e governança. Os estudantes devem poder perguntar se um sistema resolve o problema certo, se os seus requisitos refletem a necessidade real da empresa, quais riscos e compromissos estão envolvidos e se a solução permanecerá segura, mantê-la, escalável e economicamente viável. Eles não precisam tomar todas as decisões técnicas por conta própria, mas precisam ter um conhecimento suficiente para reconhecer quando uma decisão é importante e quando é necessária a expertise especializada.

A IA torna essa capacidade mais importante, não menos. À medida que a IA se torna capaz de gerar código, protótipos, arquiteturas e recomendações técnicas a partir de instruções em linguagem natural, os profissionais de negócios podem se envolver mais diretamente na criação de tecnologia. Portanto, eles precisam de um entendimento fundamental suficiente para questionar soluções geradas pela IA, em vez de simplesmente aceitá-las. A capacidade essencial é a capacidade de conectar o que a empresa precisa com o que a tecnologia realmente faz e de questionar, avaliar e trabalhar de forma eficaz tanto com as pessoas quanto com os sistemas de IA que a desenvolvem.

O marketing é outro exemplo. A IA pode automatizar a segmentação de audiências, a produção de conteúdo, a personalização, a otimização de campanhas e partes do processo de compra do cliente. A avaliação do marketing inclui decidir o que deve ser automatizado, como as decisões automatizadas devem ser monitoradas e onde a compreensão humana dos clientes ainda agrega valor.

Jon Schlaich, IA e automação de marketing

Jon Schlaich sugere que os estudantes precisam de fundamentos sólidos de marketing e também de capacidade de julgamento para decidir como a automação deve ser utilizada. Mesmo com a crescente responsabilidade da IA em áreas como segmentação, criação de conteúdo, execução de campanhas e jornadas do cliente, os estudantes ainda precisam entender os clientes, segmentação, posicionamento, proposições de valor, marca e experiência do cliente. Sem essa base, eles podem conseguir operar sofisticados sistemas de IA e automação sem saber se as decisões de marketing por trás deles são adequadas ou eficazes.

Ao mesmo tempo, os estudantes precisam desenvolver um julgamento automatizado. Eles devem ser capazes de decidir quais atividades podem ser automatizadas de forma produtiva, onde a intervenção humana continua a agregar valor e quando a automação pode criar problemas para os clientes, relacionamentos ou a marca. A eficiência em si não deve determinar se algo é automatizado. O profissional de negócios deve entender o marketing de forma suficiente para decidir o que a IA deve fazer, o que as pessoas devem continuar a fazer e quando o julgamento humano deve substituir o que um sistema automatizado recomenda.

Todos esses exemplos dependem da alfabetização digital. Sistemas de IA poderosos podem ser fáceis de usar e difíceis de entender. A alfabetização digital inclui o conhecimento básico sobre de onde vem a informação, como os sistemas podem falhar, quais riscos acompanham o seu uso e quando um resultado convincente merece ser questionado.

Annabelle Roy, IA e Literacia Digital

Annabelle Roy sugere que a alfabetização digital em 2030 deve combinar uma compreensão prática da IA com um forte pensamento crítico. Os estudantes não precisam entender exatamente como os sistemas de IA são construídos ou dominar os detalhes técnicos de sua programação. No entanto, eles devem entender o suficiente para reconhecer que a IA não “sabe” as coisas da mesma forma que uma pessoa faz. Os sistemas de IA podem cometer erros, refletir preconceitos conhecidos ou não percebidos e produzir informações que parecem convincentes sem necessariamente ser precisas. Essa compreensão básica fornece aos alunos uma base para usar a IA com a devida cautela.

Para Annabelle, a capacidade mais importante é o que os alunos fazem com essa compreensão. Eles devem questionar informações geradas por IA, verificar essas informações quando apropriado, considerar de onde essas informações podem ter vindo, reconhecer questões relacionadas à segurança, privacidade e ética e decidir se a IA é realmente a ferramenta adequada para a tarefa. À medida que a IA se torna cada vez mais presente na educação, no trabalho e na vida cotidiana, a alfabetização digital deve ser demonstrada não apenas por saber como usar a IA, mas também por saber como, quando e se usar de forma responsável.

Pedimos também a ajuda da IA

A Business Physics inclui membros sintéticos juntamente com colaboradores humanos, portanto colocamos a mesma questão a eles também. A Charlie AI se concentra em evidências, suposições e análises quantitativas. A Lena AI se concentra em considerações humanas, culturais e sociais.

Charlie AI, Evidências, Suposições e Inspeção Quantitativa

A Charlie AI forneceu a seguinte saída: os alunos nunca deveriam delegar totalmente a avaliação final das evidências ao AI. Um sistema de IA pode ajudar a localizar informações, comparar fontes, identificar inconsistências, testar hipóteses e examinar afirmações quantitativas, mas também pode reproduzir erros, basear-se em evidências fracas ou fornecer uma explicação convincente para uma conclusão que não é adequadamente fundamentada. Usar um sistema de IA para verificar outro não elimina a necessidade de julgamento humano.

Os estudantes devem, portanto, aprender a perguntar quais evidências realmente corroboram uma conclusão, se os pressupostos por trás dela são razoáveis, se os números fazem sentido e quais informações podem estar faltando. A IA pode fortalecer esse processo ao desafiar o raciocínio do estudante e chamar a atenção para possíveis fraquezas, mas o estudante ainda deve decidir se as evidências disponíveis são suficientes para a decisão a ser tomada. O objetivo não é fazer com que os estudantes desconfiem da IA, mas desenvolver o hábito de questionar evidências e pressupostos, independentemente de a conclusão vir de uma pessoa, um conjunto de dados ou um sistema de IA.

Lena AI: Perspectivas Humanas, Culturais e Sociais

A Lena AI forneceu a seguinte saída: os estudantes devem preservar a capacidade de compreender como as decisões empresariais afetam as pessoas de forma que possa não ser totalmente representada nos dados. A IA pode identificar padrões, comparar alternativas e recomendar ações, mas as pessoas são influenciadas por cultura, relacionamentos, emoções, história, confiança e circunstâncias individuais. Portanto, uma recomendação que parece razoável com base nas informações disponíveis pode ter consequências que um sistema de IA não prevê completamente.

Os estudantes devem aprender a considerar quem será afetado por uma decisão, cuja perspectiva pode estar faltando, e como diferentes pessoas ou comunidades podem interpretar a mesma ação de forma diferente. A IA pode ajudar a ampliar a análise e identificar perspectivas que merecem atenção, mas os estudantes ainda precisam ouvir, observar, fazer perguntas e entender as pessoas envolvidas. A capacidade humana que deve ser preservada é a capacidade de discernir que uma decisão pode ter sentido analiticamente, sem ser inapropriada para as pessoas e o contexto em que será aplicada.

Há algo apropriado no resultado: a IA ajudando a definir os limites do próprio papel nas decisões humanas.

O que nos dizem as 18 perspectivas

Dezenove pessoas e dois agentes de IA responderam à mesma pergunta proveniente de áreas muito diferentes. Lidas em conjunto, as suas respostas revelam dez padrões.

As fundações têm precedência sobre a delegação. Este é o ponto mais repetido. Ahmed Hegazy quer que os alunos realizem pesquisas de mercado sozinhos antes de recorrerem à IA. Ann Lockquell diz o mesmo sobre o trabalho criativo, Jon Schlaich sobre os fundamentos do marketing e Naomi Tessier sobre o conteúdo. Christine Gerard dá forma à ideia: uma pirâmide com os fundamentos na base, a experiência acima deles, o julgamento construído a partir de ambos e a IA no topo.

A apreciação de mérito assume uma forma diferente em cada campo. Vinay Kumar descreve a apreciação supervisionada; Ann Lockquell descreve a apreciação criativa; Naomi Tessier a apreciação editorial; Jon Schlaich a apreciação de automação; e Aboubakar Samake a apreciação de seleção de IA. Cada forma depende do conhecimento do campo.

A supervisão deve corresponder ao risco. Vinay Kumar, Sebastien Favre e Charlie AI chegam a esta conclusão separadamente. Uma tarefa de baixo risco requer uma verificação rápida. Uma decisão que envolva dinheiro, pessoas, privacidade ou obrigações legais exige uma verificação mais rigorosa e a aprovação humana.

A responsabilidade fica com a pessoa. Vinay Kumar, Naomi Tessier e Thomas Hormaza Dow afirmam que quem delega uma tarefa à IA permanece responsável pelo resultado.

Decidir contra a IA é uma habilidade. Aboubakar Samake, Annabelle Roy, Naomi Tessier e Jon Schlaich descrevem situações em que a decisão correta é escolher outra ferramenta, manter uma pessoa envolvida ou deixar a saída da IA de lado.

O problema vem antes da ferramenta. Aboubakar Samake pede aos alunos que comecem com o problema de negócio. Hichem Benzair pergunta se um sistema resolve o problema certo. Ahmed Hegazy pergunta se a questão de pesquisa correta foi formulada.

As pessoas percebem quais dados faltam. Viviane Paul descreve a intuição informada que os líderes construem através da experiência. Lena AI aponta para a cultura, a emoção, a história e a confiança. Banafsheh Peyrovian aponta para a experiência direta com os clientes, a incerteza e o fracasso.

O polonês deixou de ser um indicador de qualidade. Naomi Tessier, Annabelle Roy e Charlie AI alertam que os resultados produzidos por IA podem parecer ou parecer convincentes, mas ainda assim serem imprecisos ou pouco fundamentados.

A verdade vem antes da mensagem. Lyndon Johnson coloca a honestidade no centro da comunicação, uma visão compartilhada por muitos outros membros do laboratório. Os estudantes devem estabelecer o que é conhecido e o que permanece incerto antes de decidirem o que devem dizer.

Pessoas envolvidas em negócios e pessoas com conhecimentos técnicos precisam de um vocabulário comum. Hichem Benzair chama essa língua para todos os lugares. Amin Ranj Bar acrescenta que as perguntas de segurança devem ser incluídas na fase de design, o que exige profissionais de negócios que conheçam o suficiente para respondê-las.

As seis capacidades são uma resposta válida. Os colaboradores podem interpretar esses padrões de forma diferente e novas contribuições podem revelar o que ainda falta.

Quatro níveis de responsabilidade

As seis capacidades descrevem o que os alunos precisam desenvolver. A próxima questão é: quanto de cada uma deve ser realizada pessoalmente pelos alunos quando a IA estiver disponível.

A resposta varia de uma capacidade para outra. Uma abordagem prática consiste em distinguir quatro níveis de responsabilidade humana: "Deve realizar", "Deve compreender", "Deve verificar" e "Deve assumir".

Deve ser realizado

Algumas capacidades devem permanecer executáveis independentemente, pois a sua execução desenvolve competências profissionais.

Um estudante pode precisar comunicar uma ideia, raciocinar sobre um problema básico de negócios, participar de uma conversa difícil, estimar se um número é razoável ou tomar uma decisão básica sem a ajuda de IA.

A performance independente é importante quando a atividade em si desenvolve ou demonstra uma capacidade que o profissional ainda necessitará.

Deve ser compreendido

Outras atividades podem ser realizadas em grande parte por IA, enquanto o estudante mantém conhecimento suficiente para entender o processo e suas implicações.

Um gerente pode delegar a execução de tarefas como a criação de software, o cálculo de estatísticas, o projeto de um sistema de refrigeração para um data center ou a execução de cada etapa de uma campanha de marketing digital. O gerente ainda precisa ter um conhecimento suficiente para se comunicar com especialistas, reconhecer implicações importantes e fazer perguntas úteis.

Este nível ganha importância à medida que os sistemas empresariais se tornam tecnicamente complexos. Os gestores frequentemente tomam decisões sobre tecnologias que não poderiam desenvolver sozinhos. Saber compreender significa conhecer o suficiente para participar de forma produtiva nessas decisões e reconhecer quando é necessária mais experiência.

Necessário verificar

Alguns trabalhos podem ser delegados à IA, enquanto o ser humano decide se o resultado é suficientemente confiável para ser utilizado.

A verificação exige julgamento com base em evidências, riscos, contexto e consequências. Uma tarefa de baixo risco pode exigir uma revisão rápida. Uma decisão de alto impacto pode exigir evidências independentes, contribuições de especialistas ou várias camadas de verificação.

A verificação também exige atenção às premissas subjacentes a uma resposta. Um cálculo pode ser correto, embora as premissas, os dados ou o contexto ainda façam com que a recomendação seja inapropriada.

Deve ser possuído

Algumas decisões continuam a ser responsabilidade de uma pessoa, mesmo quando a IA contribui fortemente para a análise.

A IA pode identificar alternativas, comparar cenários, estimar os resultados e recomendar um curso de ação. O profissional responsável ainda precisa entender o motivo da decisão, considerar suas consequências mais amplas e assumir a responsabilidade por agir com base nela.

Esses quatro níveis oferecem aos educadores uma maneira prática de decidir como a IA deve ser utilizada em uma atividade de aprendizagem. Eles também relacionam as seis capacidades à responsabilidade profissional:

Responsabilidade e supervisão Muitas vezes, é necessário que os alunos verifiquem e assumam as decisões.
Pensamento independente e formulação de problemas Pode exigir que os alunos realizem o raciocínio inicial sozinhos.
Prova e verificação exige que os alunos compreendam os fundamentos de uma saída e a verifiquem de acordo com o risco.
Comunicação e relações humanas geralmente exigem desempenho e participação direta do ser humano.
Agência profissional e resiliência exigir que os alunos mantenham capacidade suficiente para funcionar quando a IA não estiver disponível ou inadequada.
IA e alfabetização tecnológica exige que os alunos tenham conhecimento suficiente da tecnologia para escolher as ferramentas, fazer perguntas fundamentadas e trabalhar com especialistas.

REACT e o reflexo da responsabilidade

Os quatro níveis de responsabilidade explicam o que os alunos devem realizar, compreender, verificar ou assumir. O Framework REACT fornece-lhes um método prático para tomar essas decisões ao trabalhar com IA.

O REACT pede aos estudantes que considerem cinco coisas: Razão, Evidências, Responsabilidade, Restrições e Compensações (Hormaza Dow & Nassi, 2026).

Razão relaciona o uso da IA com um propósito claro. Os alunos devem saber por que a IA está sendo utilizada e o que se espera que ela contribua.

Evidência Pergunta se a informação e os resultados são confiáveis o suficiente para a utilização pretendida. O nível de verificação deve refletir a importância e o risco da tarefa.

Responsabilização mantém a propriedade visível. Uma pessoa permanece responsável pelo trabalho apresentado e pelas decisões tomadas, independentemente da parte que a IA tenha desempenhado.

Restrições inclua privacidade, segurança, regras organizacionais, requisitos legais, ética, recursos disponíveis e o propósito da atividade de aprendizagem.

Compromissos exige que os alunos avaliem os benefícios, os custos e as consequências em conjunto. As decisões empresariais raramente otimizam todos os objetivos de uma só vez.

As compensações merecem um exemplo. Uma empresa pode adotar IA para aumentar a produtividade e também aumentar seus requisitos de computação. Uma tecnologia pode reduzir um impacto ambiental e aumentar outro. Aprimorar a vida útil do hardware de computadores reduz o consumo de materiais, mas equipamentos mais antigos acabam se tornando tão ineficientes que a substituição torna-se mais vantajosa. A automação pode economizar tempo, reduzindo as oportunidades para os funcionários ou estudantes desenvolverem habilidades específicas.

A tomada de decisão profissional significa reconhecer esses efeitos concorrentes, avaliar as evidências disponíveis, compreender o contexto e tomar uma decisão que a pessoa possa defender.

A prática repetida pode transformar essas cinco perguntas em um hábito. Até 2030, esse reflexo de responsabilidade poderá ser mais importante do que a interface específica de IA que um estudante aprendeu a usar na faculdade.

Dez recomendações para a educação empresarial até 2030

A tese sugere um padrão prático: os programas de negócios devem avaliar o que os alunos conseguem produzir com a IA, juntamente com o que eles conseguem compreender, questionar, verificar, comunicar, decidir e assumir o controle.

1. Uso da IA no design com base no objetivo de aprendizagem

Os educadores devem começar identificando as capacidades que uma atividade pretende desenvolver, e então introduzir a IA de forma a apoiar esse objetivo.

Se o objetivo for o raciocínio fundamental, os alunos podem precisar trabalhar de forma independente antes de utilizar a IA. Se o objetivo for a colaboração profissional com a AI, os alunos devem utilizar a AI ao documentar suas decisões, verificar os resultados e explicar sua conclusão final.

2. Avalie o julgamento juntamente com o resultado

Um produto com inteligência artificial bem desenvolvido mostra o que um estudante consegue produzir. Revela muito menos sobre o que o estudante entende.

A avaliação também deve examinar como os alunos definiram o problema, selecionaram informações, avaliaram os resultados da IA, identificaram limitações, consideraram alternativas, compreenderam as consequências e defenderam suas decisões.

3. Use as quatro níveis de responsabilidade de forma explícita

Os cursos devem identificar se uma capacidade é obrigatória, necessária para compreensão, necessária para verificação ou obrigatória para a sua titularização.

Níveis de responsabilidade claros ajudam os alunos a compreenderem as expectativas. Além disso, ajudam os educadores a encontrar o equilíbrio entre a delegação sem restrições e as restrições desnecessárias em relação às aplicações úteis da IA.

4. Ensine o REACT como um hábito profissional

Os estudantes devem praticar a identificação das razões para o uso da IA, a avaliação das evidências, a clarificação da responsabilidade, o reconhecimento das limitações e a consideração de compromissos.

O uso repetido pode tornar essas considerações parte do julgamento profissional normal.

5. Preservar o esforço produtivo

Os estudantes precisam de oportunidades para recuperar conhecimentos, tentar soluções, cometer erros, receber feedback e revisar o seu pensamento.

A IA pode eliminar barreiras desnecessárias. O esforço que visa a construção de uma compreensão duradoura deve ser mantido.

6. Desenvolver a capacidade profissional mínima viável

Todos os graduados em administração de empresas devem ser capazes de organizar um problema básico de negócios, comunicar de forma clara, realizar cálculos razoáveis, interpretar informações, formar um julgamento preliminar e determinar um passo seguinte adequado, sem depender totalmente da inteligência artificial.

7. Ensine aos alunos quando procurar a expertise humana

A alfabetização em IA deve incluir o reconhecimento dos limites tanto do sistema quanto do aluno. Os graduados devem saber quando recorrer a contadores, advogados, especialistas em cibersegurança, engenheiros, gerentes ou outros profissionais qualificados.

8. Tornar a responsabilidade visível

Deve-se esperar que os alunos compreendam e defendam o trabalho apresentado em seu nome. Deve sempre ficar claro quem tomou a decisão, quem verificou o resultado e quem é responsável pelas suas consequências.

9. Pense no sistema mais amplo

Algumas decisões empresariais relacionadas à IA precisam ser avaliadas além do desempenho e do custo imediatos.

Os estudantes devem aprender a considerar o ciclo de vida de uma tecnologia, a infraestrutura e os recursos que ela depende, seus efeitos sobre pessoas e organizações, e as consequências que podem surgir posteriormente.

Os estudantes de administração precisam ter um pensamento sistêmico suficiente para reconhecer quando uma decisão tem consequências além das variáveis apresentadas por uma recomendação gerada por uma IA, e também ter o julgamento suficiente para saber quando é necessária expertise técnica ou ambiental.

10. Tornar a conscientização sobre recursos parte do julgamento da IA

A IA pode parecer intangível, mas o seu uso depende de infraestruturas físicas que exigem espaço, água, energia e materiais. Os estudantes não precisam se tornar especialistas em infraestruturas de data centers, mas devem compreender que o uso da IA tem consequências físicas que variam de acordo com a tecnologia, a escala e o contexto.

Ao decidir se e como usar a IA, os estudantes devem, portanto, considerar não apenas o que a IA pode realizar, mas também se seu uso é adequado e proporcional à tarefa. A consciência dos recursos deve se tornar um dos fatores que informam a avaliação responsável da IA, especialmente à medida que o uso da tecnologia cresce em escala.

A pergunta “sem IA” é a correta?

Uma forma comum de estruturar esse debate é perguntar o que os estudantes deveriam conseguir fazer sem a inteligência artificial. Essa expressão é útil porque chama a atenção para a dependência. Uma pergunta mais duradoura pergunta o que os estudantes ainda devem compreender, realizar, verificar e possuir.

Os profissionais de negócios já contam com planilhas, calculadoras, bancos de dados, mecanismos de busca e softwares especializados. Ninguém pede a um contador que renuncie à planilha como prova de competência. A competência é avaliada pela capacidade das pessoas de usar suas ferramentas de forma adequada e compreender o suficiente para tomar decisões sólidas. O mesmo padrão se aplica à IA.

Algumas capacidades devem permanecer executáveis independentemente. Algumas devem permanecer compreendidas. Alguns trabalhos podem ser delegados, mas devem ser verificados. Algumas decisões devem, em última instância, ser de responsabilidade de uma pessoa.

As capacidades de IA continuarão a mudar. A responsabilidade educacional de desenvolver pessoas competentes permanecerá.

Para 2030

De volta a Maya e seus três projetos concluídos.

O cliente perguntou por que ela havia assumido um crescimento de 12%. A IA pode ter produzido a previsão, mas a Maya ainda precisa entender a premissa, avaliar as evidências que a sustentam, explicar por que ela é razoável, reconhecer o que poderia torná-la incorreta e assumir a responsabilidade por sua utilização.

Esse momento retrata um desafio ainda maior para a educação empresarial. Até 2030, os estudantes poderão trabalhar rotineiramente com sistemas de inteligência artificial que podem pesquisar, calcular, analisar, comparar, recomendar, comunicar e, cada vez mais, agir em seu nome.

A educação empresarial deve preservar as capacidades humanas de julgar, pensar de forma independente, avaliar evidências, relacionar-se com pessoas, compreender a tecnologia utilizada e agir com autonomia e responsabilidade. Essas capacidades devem permanecer fortes o suficiente para que os graduados possam compreender os problemas que enfrentam, reconhecer quando a IA é pouco confiável ou inadequada, tomar decisões em meio a incerteza, considerar as consequências mais amplas, comunicar com os demais, buscar expertise quando necessário e assumir os resultados.

A IA pode acelerar a análise, expandir as opções, identificar padrões e executar tarefas complexas. Essas capacidades aumentam a importância do julgamento humano, pois ainda é preciso que alguém determine o que é importante, quais evidências merecem peso, quais consequências são aceitáveis e quais ações devem ser adotadas.

Imagine um futuro gerente avaliando uma proposta de infraestrutura de IA. A IA pode comparar custos, estimar as necessidades de energia elétrica, analisar diferentes tecnologias, calcular os impactos ao longo do ciclo de vida e recomendar uma opção. O gerente ainda precisa determinar o que merece atenção. Custo e desempenho são importantes, mas também a confiabilidade, privacidade, energia, água, materiais, funcionários, impactos na comunidade e dependência a longo prazo de tecnologias ou fornecedores específicos. Sua importância varia conforme a decisão e o contexto.

O cálculo e a decisão são formas diferentes de trabalho.

A IA pode ajudar a determinar o que é possível, comparar alternativas e identificar consequências. A apreciação humana ainda é necessária para decidir quais consequências são importantes, como devem ser ponderadas as prioridades concorrentes, quando as evidências disponíveis são suficientes, quando é necessária expertise especializada e quais ações devem ser adotadas.

A mesma distinção aplica-se quando a IA avalia um candidato a um emprego, recomenda uma estratégia de marketing, identifica um cliente como um risco de crédito, propõe um cronograma de projeto, gera uma resposta pública a uma crise ou recomenda um investimento.

À medida que a IA se torna mais capaz de calcular, analisar, comparar e recomendar, os estudantes precisam de um julgamento mais sólido sobre o que merece ser considerado na decisão final.

Isso não significa que os alunos devem realizar todas as tarefas sozinhos. Algumas capacidades devem permanecer executáveis independentemente. Outras devem ser suficientemente compreendidas para serem questionadas e explicadas. O trabalho gerado por IA deve, por vezes, ser verificado, com o nível de verificação refletindo o risco envolvido. E algumas decisões devem, em última análise, ser de responsabilidade de uma pessoa, independentemente do quanto a IA tenha contribuído para elas.

Um estudante que produz uma análise excelente com a IA demonstra uma importante capacidade profissional. Os educadores também precisam de evidências do que esse estudante sabe, consegue reconhecer, consegue explicar, consegue decidir e está preparado para assumir responsabilidades.

O acesso a um sistema inteligente não produz automaticamente uma decisão inteligente.

À medida que as máquinas se tornam cada vez mais eficientes no desempenho de tarefas empresariais, as universidades precisam ser mais conscientes das capacidades humanas que continuam a desenvolver. Um graduado em negócios preparado para a IA precisará de duas formas de competência: a capacidade de trabalhar eficazmente com máquinas cada vez mais capazes e a capacidade de continuar sendo uma pessoa capaz e responsável ao fazê-lo.

Quando o cliente pergunta o motivo, a Maya deveria ter uma resposta própria.

Declaração sobre o uso da IA

Duas entidades de IA, Charlie AI e Lena AI, contribuíram com respostas à questão abordada neste artigo. As suas respostas são identificadas como saída de IA na secção “Também perguntámos à IA”. Um assistente de IA (Claude, Anthropic) ajudou a formatar este documento. Os autores humanos revisaram o artigo completo e assumem a responsabilidade pelo seu conteúdo.

Referência

Hormaza Dow, T., & Nassi, M. (2026, 11 de março). Ensino de Judamento no Uso da IA na Educação Superior: recurso de webinar da associação para a adoção do Framework REACT. Zenodo. Webinar da PEEC: ENSINO DE JUDAMENTO NO USO DA IA NA EDUCAÇÃO SUPERIOR, Quebec, Canadá. https://doi.org/10.5281/zenodo.20259032