IA e alfabetiza\u00e7\u00e3o tecnol\u00f3gica<\/strong><\/li>\n<\/ol>\n\n\n\nOs seis aspectos se complementam, e uma \u00fanica decis\u00e3o empresarial pode depender de todos eles. Al\u00e9m disso, eles compartilham uma base comum: o conhecimento do campo e a experi\u00eancia na execu\u00e7\u00e3o do trabalho. Essa base fornece aos alunos algo com o qual podem comparar o desempenho da IA.<\/p>\n\n\n\n
A IA tamb\u00e9m tem uma pegada f\u00edsica<\/h2>\n\n\n\n
H\u00e1 tamb\u00e9m uma realidade mais ampla que os estudantes devem compreender. A IA pode parecer em grande parte digital, mas seu uso depende de infraestrutura f\u00edsica que exige espa\u00e7o, \u00e1gua, energia e materiais. O impacto de qualquer uso individual pode ser dif\u00edcil de determinar, e diferentes sistemas e contextos podem ter pegadas muito diferentes. O ponto educacional n\u00e3o \u00e9 que os estudantes devem evitar a IA, mas que seu uso n\u00e3o \u00e9 consequencialista. Como futuros profissionais de neg\u00f3cios, os estudantes devem desenvolver o h\u00e1bito de perguntar se o uso da IA \u00e9 adequado para a tarefa e se o valor que ela proporciona justifica os recursos e as implica\u00e7\u00f5es mais amplas envolvidas.<\/p>\n\n\n\n
Do Poder \u00e0 Responsabilidade<\/h2>\n\n\n\n
Essas capacidades, juntamente com a consci\u00eancia das consequ\u00eancias mais amplas do uso da IA, proporcionam uma base para decidir como a responsabilidade deve ser distribu\u00edda entre o estudante e a IA.<\/p>\n\n\n\n
1. Responsabilidade e supervis\u00e3o: ainda \u00e9 preciso que algu\u00e9m assine<\/h2>\n\n\n\n
A IA pode recomendar, calcular, comparar, detectar padr\u00f5es e realizar sequ\u00eancias completas de a\u00e7\u00f5es com pouca ajuda humana. Ela n\u00e3o pode ser chamada para o escrit\u00f3rio do gerente quando algo d\u00e1 errado. A decis\u00e3o final sobre o uso da IA e a responsabilidade pelo resultado ainda cabem ao administrador.<\/p>\n\n\n\n
Assim, a primeira quest\u00e3o a ser resolvida \u00e9 se a IA se encaixa mesmo na tarefa. Ela pode melhorar uma tarefa e acrescentar pouco a outra. Al\u00e9m disso, ela pode trazer preocupa\u00e7\u00f5es com a privacidade, informa\u00e7\u00f5es inadequadas, complexidade desnecess\u00e1ria ou a delega\u00e7\u00e3o de tarefas que nunca deveriam ter sido feitas.<\/p>\n\n\n\n
A supervis\u00e3o deve ser proporcional ao risco. Usar a IA para sugerir t\u00edtulos de apresenta\u00e7\u00e3o exige pouca an\u00e1lise. Usar informa\u00e7\u00f5es financeiras geradas pela IA em recomenda\u00e7\u00f5es a clientes exige muito mais. Decis\u00f5es que envolvem funcion\u00e1rios, contratos, clientes, privacidade ou compromissos financeiros significativos podem exigir evid\u00eancias independentes, contribui\u00e7\u00f5es de especialistas e aprova\u00e7\u00e3o expl\u00edcita de pessoas humanas.<\/p>\n\n\n\n
Um bom julgamento tamb\u00e9m considera al\u00e9m da tela. Os sistemas digitais t\u00eam consequ\u00eancias f\u00edsicas, financeiras, sociais e ambientais. A IA opera em centros de dados, energia el\u00e9trica, sistemas de refrigera\u00e7\u00e3o, redes e hardware fabricado, todos os quais utilizam terra, energia, \u00e1gua e materiais de maneiras que variam de acordo com o projeto e o local.<\/p>\n\n\n\n
Os estudantes de neg\u00f3cios podem deixar a engenharia aos engenheiros. Eles precisam saber que escolher um servi\u00e7o de IA, expandir a capacidade de computa\u00e7\u00e3o, substituir hardware ou automatizar um processo pode afetar custos, funcion\u00e1rios, clientes, privacidade, seguran\u00e7a, uso de energia, materiais e comunidades.<\/p>\n\n\n\n
O julgamento profissional inclui reconhecer quais desses efeitos merecem aten\u00e7\u00e3o e quando \u00e9 necess\u00e1ria a expertise de especialistas.<\/p>\n\n\n\n
A responsabilidade aumenta \u00e0 medida que a IA passa de fornecer respostas para tomar a\u00e7\u00f5es. Um agente de IA pode pesquisar potenciais clientes, classificar leads, escrever mensagens, agendar contatos e atualizar registros de clientes, tudo isso antes do almo\u00e7o. Os alunos precisam decidir quais autoriza\u00e7\u00f5es o sistema recebe, onde \u00e9 necess\u00e1ria aprova\u00e7\u00e3o e quando um ser humano intervele.<\/p>\n\n\n\n
Vinay Kumar, consultor de IA avan\u00e7ada<\/h3>\n\n\n\n
Vinay Kumar sugere que os estudantes deveriam aprender tanto sobre quais decis\u00f5es requerem aprova\u00e7\u00e3o humana quanto sobre como estabelecer limites adequados para os agentes de IA com base no risco. Decis\u00f5es que envolvem pessoas, dinheiro, privacidade, obriga\u00e7\u00f5es legais ou reputa\u00e7\u00e3o organizacional podem ter consequ\u00eancias suficientemente significativas para exigir revis\u00e3o e autoriza\u00e7\u00e3o humanas significativas. No entanto, a supervis\u00e3o n\u00e3o deve depender apenas de uma lista fixa. Os estudantes devem avaliar a probabilidade e as consequ\u00eancias do fracasso, a confiabilidade do sistema e as evid\u00eancias dispon\u00edveis e estabelecer limites de autoridade adequados, requisitos de monitoramento, regras de escalonamento e pontos de interven\u00e7\u00e3o.<\/p>\n\n\n\n
Vinay prop\u00f5e a reversibilidade como um princ\u00edpio pr\u00e1tico de orienta\u00e7\u00e3o. Antes de delegar uma a\u00e7\u00e3o, os alunos devem perguntar o que aconteceria se a IA cometer um erro e se as consequ\u00eancias poderiam ser revertidas. Trabalhos revers\u00edveis e de baixo risco podem permitir maior autonomia, enquanto a\u00e7\u00f5es dif\u00edceis de serem revertidas exigem um controle humano mais forte. Trabalhos complexos tamb\u00e9m podem ser divididos em tarefas menores e control\u00e1veis, com requisitos claros, controles de seguran\u00e7a, pontos de verifica\u00e7\u00e3o e crit\u00e9rios de aceita\u00e7\u00e3o. Isso permite que os alunos deleguem de forma produtiva, sem dar a um agente de IA autoridade desnecess\u00e1ria sobre todo o processo.<\/p>\n\n\n\n
A capacidade essencial \u00e9 a capacidade de julgamento supervisionado. Vinay sugere que os estudantes de administra\u00e7\u00e3o p\u00fablica deveriam aprender cada vez mais a pensar como gerentes e arquitetos de trabalho com intelig\u00eancia artificial: definir o problema, estruturar tarefas, estabelecer requisitos e crit\u00e9rios de aceita\u00e7\u00e3o, decidir quais autoriza\u00e7\u00f5es devem ser concedidas a um agente de intelig\u00eancia artificial, determinar quais evid\u00eancias s\u00e3o suficientes e saber quando a interven\u00e7\u00e3o humana \u00e9 necess\u00e1ria. Eles podem n\u00e3o precisar supervisionar cada passo dado pela intelig\u00eancia artificial, mas devem projetar as condi\u00e7\u00f5es em que ela opera e avaliar se os resultados s\u00e3o aceit\u00e1veis. Delegar a execu\u00e7\u00e3o n\u00e3o significa delegar a responsabiliza\u00e7\u00e3o pelas consequ\u00eancias.<\/p>\n\n\n\n
Sebastien Favre, Medidas de confiabilidade de IA<\/h3>\n\n\n\n
Sebastien Favre sugere que os estudantes de administra\u00e7\u00e3o devem entender a confiabilidade da IA como algo contextual, baseada em riscos e mensur\u00e1vel. Um resultado da IA n\u00e3o deve ser simplesmente classificado como \u201cconfi\u00e1vel\u201d ou \u201cn\u00e3o confi\u00e1vel\u201d. O n\u00edvel de confian\u00e7a que pode ser razoavelmente depositado nela depende da tarefa, das consequ\u00eancias potenciais de um erro e do comportamento observado do sistema no contexto real de uso. O n\u00edvel de verifica\u00e7\u00e3o deve, portanto, variar de acordo. Um resultado de baixo impacto pode exigir verifica\u00e7\u00f5es relativamente pequenas, enquanto um resultado que possa influenciar uma decis\u00e3o financeira, operacional, legal ou de clientes importante deve exigir verifica\u00e7\u00f5es mais robustas e potencialmente independentes.<\/p>\n\n\n\n
Os estudantes tamb\u00e9m devem aprender a reconhecer evid\u00eancias de que um resultado da IA requer uma an\u00e1lise mais aprofundada. Contradi\u00e7\u00f5es, instabilidade nas respostas, falta de evid\u00eancias de apoio suficientes ou desvios significativos do comportamento esperado podem indicar que o resultado deve ser verificado mais aprofundadamente, rejeitado ou encaminhado para revis\u00e3o adicional. Portanto, a capacidade essencial n\u00e3o consiste apenas em saber como usar a IA, mas tamb\u00e9m em saber avaliar se as evid\u00eancias observadas s\u00e3o suficientes para a decis\u00e3o espec\u00edfica a ser tomada.<\/p>\n\n\n\n
2. Pensamento independente e constru\u00e7\u00e3o de problemas: pense primeiro, formule uma pergunta depois<\/h2>\n\n\n\n
A IA facilita o in\u00edcio de trabalhos \u00e1rduos. Um estudante que enfrenta um problema desconhecido pode obter explica\u00e7\u00f5es, interpreta\u00e7\u00f5es, alternativas e solu\u00e7\u00f5es sugeridas em segundos.<\/p>\n\n\n\n
Essa velocidade \u00e9 um presente e uma tenta\u00e7\u00e3o. Para algumas atividades de aprendizagem, os alunos devem primeiro analisar a situa\u00e7\u00e3o por si pr\u00f3prios, selecionar as informa\u00e7\u00f5es relevantes, considerar explica\u00e7\u00f5es e tomar uma posi\u00e7\u00e3o. Essa primeira avalia\u00e7\u00e3o pode estar errada. Formar essa opini\u00e3o d\u00e1 aos alunos um modelo mental que a IA pode ent\u00e3o desafiar, refinar ou anular.<\/p>\n\n\n\n
A formula\u00e7\u00e3o do problema \u00e9 uma habilidade empresarial em si mesma. Um gerente v\u00ea as vendas caindo. Os n\u00fameros mostram que isso est\u00e1 acontecendo e ele permanece em sil\u00eancio sobre o motivo. O pre\u00e7o, a concorr\u00eancia, as prefer\u00eancias dos clientes, a distribui\u00e7\u00e3o, a qualidade do produto, a economia ou algumas dessas vari\u00e1veis juntas podem ser respons\u00e1veis. Pe\u00e7a ajuda \u00e0 IA para encontrar uma solu\u00e7\u00e3o antes de definir o problema, e o resultado pode ser uma resposta muito eficiente para a pergunta errada.<\/p>\n\n\n\n
O conhecimento b\u00e1sico tamb\u00e9m ajuda os alunos a perceber quando algo est\u00e1 errado. Uma margem de lucro projetada parece muito boa demais. Um cronograma de projeto ignora depend\u00eancias \u00f3bvias. Uma estimativa de mercado \u00e9 maior do que a popula\u00e7\u00e3o que supostamente descreve. Uma recomenda\u00e7\u00e3o de marketing contradiz o que se sabe sobre o cliente.<\/p>\n\n\n\n
Os estudantes precisam ter conhecimento suficiente para sentir essa sensa\u00e7\u00e3o de atrito. O conhecimento b\u00e1sico funciona como um detector de fuma\u00e7a: \u00e9 silencioso a maior parte do tempo e muito valioso quando aciona.<\/p>\n\n\n\n
A tomada de decis\u00e3o empresarial tamb\u00e9m depende do contexto. Uma recomenda\u00e7\u00e3o pode ser tecnicamente razo\u00e1vel e ainda assim ser inadequada para a situa\u00e7\u00e3o em que ser\u00e1 utilizada. Custos, regulamenta\u00e7\u00f5es, infraestrutura, expectativas dos clientes, cultura organizacional, condi\u00e7\u00f5es ambientais e expertise dispon\u00edvel podem todos mudar, fazendo com que uma op\u00e7\u00e3o seja mais vantajosa do que outra.<\/p>\n\n\n\n
Por exemplo, um sistema de IA pode recomendar uma tecnologia porque possui o menor custo operacional. Um gerente pode ent\u00e3o descobrir que ela cria maior risco de privacidade, aumenta a depend\u00eancia de um fornecedor, exige infraestrutura que a organiza\u00e7\u00e3o n\u00e3o possui ou gera custos que s\u00f3 aparecem posteriormente. A recomenda\u00e7\u00e3o \u00e9 precisa para as vari\u00e1veis da an\u00e1lise, mas incompleta como decis\u00e3o empresarial.<\/p>\n\n\n\n
Os estudantes precisam, portanto, de uma compreens\u00e3o suficiente das premissas e do contexto para decidir se uma recomenda\u00e7\u00e3o da IA se ajusta \u00e0 situa\u00e7\u00e3o real.<\/p>\n\n\n\n
\u00c9 necess\u00e1rio pensar tamb\u00e9m em termos de tempo. As escolhas tecnol\u00f3gicas t\u00eam um ciclo de vida: os sistemas s\u00e3o selecionados, implementados, operados, monitorados, mantidos, atualizados e, eventualmente, substitu\u00eddos. Uma op\u00e7\u00e3o que parece barata no in\u00edcio pode gerar custos, depend\u00eancias ou riscos maiores posteriormente. At\u00e9 2030, o pensamento em termos de ciclo de vida deve ser parte do processo de tomada de decis\u00e3o empresarial em rela\u00e7\u00e3o \u00e0s tecnologias.<\/p>\n\n\n\n
Em seguida, h\u00e1 a criatividade. A IA consegue gerar cinquenta ideias no tempo necess\u00e1rio para ler uma delas. Essa abund\u00e2ncia aumenta o valor de saber quais ideias merecem aten\u00e7\u00e3o, por que elas s\u00e3o importantes, como melhor\u00e1-las e como convencer os outros de que vale a pena prosseguir com elas.<\/p>\n\n\n\n
Ann Lockquell, Inova\u00e7\u00e3o e Criatividade<\/h3>\n\n\n\n
Ann Lockquell sugere que os alunos devam continuar desenvolvendo sua pr\u00f3pria criatividade, mesmo quando a IA consegue gerar grandes quantidades de ideias quase instantaneamente. O pr\u00f3prio processo criativo \u00e9 importante. Generar ideias, explorar diferentes dire\u00e7\u00f5es, cometer erros, recome\u00e7ar, estabelecer conex\u00f5es e desenvolver um conceito inicial proporcionam aos alunos experi\u00eancias que gradualmente desenvolvem sua capacidade de reconhecer originalidade, relev\u00e2ncia e potencial. Sem experi\u00eancia suficiente na cria\u00e7\u00e3o de projetos pr\u00f3prios, os alunos podem ter dificuldade em distinguir uma ideia genuinamente promissora de uma que parece apenas interessante no in\u00edcio.<\/p>\n\n\n\n
\u00c0 medida que a IA se torna mais capacitada, no entanto, o desafio criativo tamb\u00e9m 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 t\u00eam potencial, adapt\u00e1-las a um contexto espec\u00edfico, transform\u00e1-las e lev\u00e1-las al\u00e9m da sugest\u00e3o inicial. A IA pode ampliar a explora\u00e7\u00e3o e apresentar possibilidades que os estudantes talvez n\u00e3o tenham considerado, mas eles ainda precisam tomar as decis\u00f5es e ser capazes de explicar e defender suas decis\u00f5es criativas.<\/p>\n\n\n\n
Para Ann, o objetivo n\u00e3o \u00e9 substituir o processo criativo com a IA, mas sim incorporar a IA nesse processo sem perder as experi\u00eancias atrav\u00e9s 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 pr\u00f3prias ideias. Nesse sentido, a criatividade independente e a criatividade suportada pela IA s\u00e3o complementares: a experi\u00eancia desenvolve a capacidade de julgamento criativo que permite aos estudantes utilizar a IA de forma produtiva.<\/p>\n\n\n\n
O empreendedorismo levanta quest\u00f5es semelhantes. A IA pode identificar mercados, analisar concorrentes, construir modelos de neg\u00f3cio, preparar previs\u00f5es e elaborar o plano de neg\u00f3cios. A capacidade de decis\u00e3o empreendedora cresce em outros lugares: observando os clientes, testando hip\u00f3teses, vivendo com incertezas, recuperando-se de erros e decidindo quando evid\u00eancias incompletas s\u00e3o suficientes para agir.<\/p>\n\n\n\n
Dr. Banafsheh Peyrovian, IA, Comportamento Empresarial e Inova\u00e7\u00e3o<\/h3>\n\n\n\n
A Dra. Banafsheh Peyrovian v\u00ea a compet\u00eancia em IA e a capacidade de tomar decis\u00f5es empresariais como complementares. A IA pode ajudar os estudantes a explorar ideias e acelerar a experimenta\u00e7\u00e3o, enquanto a experi\u00eancia direta com os clientes, a incerteza e o fracasso continuam sendo essenciais para desenvolver empatia, resili\u00eancia e julgamento s\u00f3lido. Os estudantes devem aprender a interpretar evid\u00eancias, adaptar-se quando os pressupostos se revelarem incorretos e decidir quando avan\u00e7ar.<\/p>\n\n\n\n
3. Evid\u00eancias, verifica\u00e7\u00e3o e avalia\u00e7\u00e3o cr\u00edtica: acertar \u00e9 f\u00e1cil<\/h2>\n\n\n\n
Quando as respostas s\u00e3o baratas, a avalia\u00e7\u00e3o se torna uma habilidade valiosa. A IA generativa pode parecer clara, confiante e persuasiva mesmo quando a informa\u00e7\u00e3o subjacente \u00e9 fraca, incompleta ou incorreta.<\/p>\n\n\n\n
A verifica\u00e7\u00e3o deve ser pr\u00e1tica e proporcional \u00e0 decis\u00e3o. Uma sugest\u00e3o feita por meio de brainstorming pode exigir pouca verifica\u00e7\u00e3o. Uma estat\u00edstica utilizada em um relat\u00f3rio p\u00fablico deve ser verificada por uma fonte confi\u00e1vel. Uma recomenda\u00e7\u00e3o que envolva um compromisso financeiro significativo pode exigir v\u00e1rias formas de comprova\u00e7\u00e3o e revis\u00e3o por especialistas.<\/p>\n\n\n\n
Os estudantes tamb\u00e9m precisam entender que as fontes t\u00eam diferentes objetivos. Um an\u00fancio de uma empresa pode mostrar como um produto \u00e9 apresentado, mas isso n\u00e3o \u00e9 uma evid\u00eancia confi\u00e1vel para afirmar de forma independente a sua efic\u00e1cia. Uma pesquisa de opini\u00e3o de clientes pode revelar atitudes dos respondentes, mas sua utilidade depende de como esses respondentes foram selecionados. Um estudo de pesquisa pode fornecer evid\u00eancias s\u00f3lidas, mas ainda assim apresentar importantes limita\u00e7\u00f5es.<\/p>\n\n\n\n
A IA pode resumir essas fontes, mas o estudante ainda precisa julgar o que elas significam e o quanto elas merecem ser levadas em considera\u00e7\u00e3o.<\/p>\n\n\n\n
O contexto tamb\u00e9m afeta o valor das evid\u00eancias. Os resultados de uma organiza\u00e7\u00e3o, mercado, pa\u00eds ou popula\u00e7\u00e3o podem n\u00e3o se aplicar diretamente a outra. Os estudantes precisam considerar se as evid\u00eancias utilizadas por um sistema de IA se aplicam realmente \u00e0 decis\u00e3o a ser tomada.<\/p>\n\n\n\n
A pesquisa de mercado torna isso vis\u00edvel. A IA pode processar grandes quantidades de informa\u00e7\u00f5es e produzir uma descri\u00e7\u00e3o coerente do mercado. A an\u00e1lise ainda \u00e9 t\u00e3o boa quanto a qualidade, a relev\u00e2ncia, a idade e a representatividade das informa\u00e7\u00f5es subjacentes.<\/p>\n\n\n\n
Dr. Ahmed Hegazy, Pesquisa de Mercado<\/h3>\n\n\n\n
O Dr. Ahmed Hegazy sugere que os estudantes de neg\u00f3cios 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 quest\u00e3o de pesquisa \u00fatil, escolher e explicar uma abordagem de amostragem adequada, reconhecer poss\u00edveis vieses, elaborar uma pesquisa clara, conduzir uma entrevista eficaz, analisar a informa\u00e7\u00e3o coletada e desenvolver uma recomenda\u00e7\u00e3o baseada em evid\u00eancias.<\/p>\n\n\n\n
A IA pode ent\u00e3o ser utilizada para acelerar a pesquisa, organizar informa\u00e7\u00f5es, identificar padr\u00f5es e apoiar a an\u00e1lise. No entanto, os estudantes devem continuar a ser respons\u00e1veis por verificar a qualidade da pesquisa por tr\u00e1s do resultado. Antes de aceitar uma informa\u00e7\u00e3o gerada por IA, eles devem poder perguntar: A pergunta correta foi feita? A amostra foi adequada? As perguntas foram bem concebidas? A evid\u00eancia \u00e9 suficientemente forte e a conclus\u00e3o realmente decorre dela? Estas habilidades pr\u00e1ticas de pesquisa proporcionam aos estudantes o fundamento necess\u00e1rio para decidir se uma informa\u00e7\u00e3o gerada por IA pode ser confi\u00e1vel e utilizada em uma decis\u00e3o empresarial.<\/p>\n\n\n\n
A an\u00e1lise quantitativa cria outro desafio. A IA pode analisar conjuntos de dados, identificar padr\u00f5es, preparar visualiza\u00e7\u00f5es e recomendar a\u00e7\u00f5es. Os estudantes podem delegar muitas tarefas de c\u00e1lculo \u00e0 m\u00e1quina. Eles ainda precisam ter um conhecimento num\u00e9rico suficiente para reconhecer resultados implaus\u00edveis.<\/p>\n\n\n\n
Uma an\u00e1lise que afirma que 140% dos clientes pesquisados preferem um produto deve despertar todas as alarmas. A maioria dos erros \u00e9 mais silenciosa. Uma correla\u00e7\u00e3o \u00e9 interpretada como causa. Uma m\u00e9dia oculta grandes diferen\u00e7as entre os grupos de clientes. Uma amostra pequena \u00e9 tratada como o mercado inteiro.<\/p>\n\n\n\n
Martin Berezaga, Dados de Grande Volume e An\u00e1lise de Neg\u00f3cios<\/h3>\n\n\n\n
Martin Berezaga sugere que os estudantes de neg\u00f3cios devem desenvolver a compet\u00eancia em dados principalmente como uma capacidade de tomada de decis\u00e3o. Eles precisam de conhecimento estat\u00edstico e de intelig\u00eancia artificial suficiente para entenderem as informa\u00e7\u00f5es com que trabalham, questionarem as suposi\u00e7\u00f5es, reconhecerem problemas com a qualidade dos dados e avaliar se uma an\u00e1lise gerada por IA \u00e9 cred\u00edvel. No entanto, o conhecimento t\u00e9cnico isolado n\u00e3o \u00e9 suficiente. Os estudantes tamb\u00e9m precisam de conhecimentos espec\u00edficos de neg\u00f3cios para entenderem o significado dos dados no contexto e se uma conclus\u00e3o \u00e9 realmente relevante para o problema a ser abordado.<\/p>\n\n\n\n
\u00c0 medida que a IA desempenha um papel cada vez maior na an\u00e1lise, 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 a\u00e7\u00f5es devem ser adotadas. O objetivo, portanto, \u00e9 uma combina\u00e7\u00e3o de conhecimentos estat\u00edsticos, alfabetiza\u00e7\u00e3o em IA, compreens\u00e3o de neg\u00f3cios, narrativa de dados e tomada de decis\u00e3o humana. A IA pode cada vez mais produzir a an\u00e1lise, mas o profissional de neg\u00f3cios ainda deve determinar o significado dessa an\u00e1lise e o que deve ser feito com ela.<\/p>\n\n\n\n
4. Comunica\u00e7\u00e3o e rela\u00e7\u00f5es humanas: o neg\u00f3cio ainda \u00e9 feito com pessoas<\/h2>\n\n\n\n
O neg\u00f3cio ainda \u00e9 uma atividade social. As organiza\u00e7\u00f5es s\u00e3o dirigidas por pessoas que enxergam as situa\u00e7\u00f5es de forma diferente, desejam coisas diferentes, se entendem mal entre si, negociam, colaboram, constroem confian\u00e7a e, \u00e0s vezes, perdem essa confian\u00e7a.<\/p>\n\n\n\n
A IA \u00e9 um parceiro \u00fatil para ensaios. Ela pode refinar uma mensagem, simular uma conversa de vendas, antecipar obje\u00e7\u00f5es ou auxiliar na pr\u00e1tica de negocia\u00e7\u00e3o. Ent\u00e3o come\u00e7a a verdadeira reuni\u00e3o. Os graduados ainda precisam explicar e defender as decis\u00f5es em suas pr\u00f3prias palavras, ouvir atentamente, lidar com a pergunta que ningu\u00e9m previa, ler o ambiente e se adaptar.<\/p>\n\n\n\n
Essas capacidades s\u00e3o dif\u00edceis de codificar porque as intera\u00e7\u00f5es humanas trazem consigo hist\u00f3ria, emo\u00e7\u00e3o, credibilidade, cultura, poder e confian\u00e7a.<\/p>\n\n\n\n
A lideran\u00e7a ilustra esse ponto. A IA pode ajudar o gestor a analisar informa\u00e7\u00f5es sobre desempenho, preparar feedback, comparar interven\u00e7\u00f5es ou identificar padr\u00f5es organizacionais. O gestor ainda precisa entender as pessoas envolvidas e assumir responsabilidade pela forma como as decis\u00f5es s\u00e3o comunicadas e implementadas.<\/p>\n\n\n\n
Viviane Paul, Gest\u00e3o e Lideran\u00e7a<\/h3>\n\n\n\n
Viviane Paul sugere que os estudantes de neg\u00f3cios devem preservar o julgamento humano, que deriva da experi\u00eancia, da observa\u00e7\u00e3o e da intera\u00e7\u00e3o direta com pessoas. A IA pode analisar indicadores empresariais e fornecer recomenda\u00e7\u00f5es com base em informa\u00e7\u00f5es dispon\u00edveis e padr\u00f5es anteriores, mas \u00e0s vezes os l\u00edderes precisam reconhecer circunst\u00e2ncias que n\u00e3o se encaixam nesses padr\u00f5es. A experi\u00eancia pode desenvolver uma forma de intui\u00e7\u00e3o informada, ou \u201csensa\u00e7\u00e3o intuitiva\u201d, que ajuda o l\u00edder a perceber algo que os indicadores formais podem n\u00e3o captar completamente. Portanto, os estudantes devem aprender a usar evid\u00eancias e recomenda\u00e7\u00f5es da IA, mantendo, ao mesmo tempo, a confian\u00e7a e a responsabilidade de question\u00e1-las quando as pr\u00f3prias observa\u00e7\u00f5es e compreens\u00e3o da situa\u00e7\u00e3o apontarem para outros caminhos.<\/p>\n\n\n\n
A lideran\u00e7a torna isso particularmente importante porque as pessoas s\u00e3o mais complexas do que os modelos usados para descrev\u00ea-las. Os frameworks de personalidade e as categorias comportamentais podem ajudar a organizar informa\u00e7\u00f5es, mas n\u00e3o conseguem captar completamente um indiv\u00edduo ou prever como algu\u00e9m reagir\u00e1 em todas as situa\u00e7\u00f5es. Portanto, os futuros l\u00edderes devem continuar desenvolvendo a capacidade de ouvir, observar sinais n\u00e3o verbais, compreender o contexto, construir relacionamentos e adaptar sua abordagem \u00e0 pessoa que se encontra diante deles. A IA pode informar a tomada de decis\u00e3o em lideran\u00e7a, mas os estudantes ainda precisam desenvolver a compreens\u00e3o humana e a experi\u00eancia necess\u00e1rias para exercer essa capacidade de decis\u00e3o por conta pr\u00f3pria.<\/p>\n\n\n\n
A comunica\u00e7\u00e3o fica mais delicada durante cr\u00edticas p\u00fablicas ou em momentos de crise. A IA pode produzir uma declara\u00e7\u00e3o impec\u00e1vel em segundos. A decis\u00e3o de enviar ou n\u00e3o \u00e9 uma decis\u00e3o humana: o que a organiza\u00e7\u00e3o deve dizer, o que pode confirmar, quais responsabilidades deve assumir, como diferentes p\u00fablicos ir\u00e3o interpretar a mensagem e se \u00e9 aconsel\u00e1vel falar imediatamente.<\/p>\n\n\n\n
Lyndon Johnson, insights em rela\u00e7\u00f5es p\u00fablicas e m\u00eddia<\/h3>\n\n\n\n
Lyndon Johnson sugere que a comunica\u00e7\u00e3o eficaz sob press\u00e3o come\u00e7a com o conhecimento da verdade e a comunica\u00e7\u00e3o dela sem compromissos. Em um ambiente onde as organiza\u00e7\u00f5es 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 situa\u00e7\u00e3o. Antes de decidir o que dizer, eles devem estabelecer o que \u00e9 conhecido, o que pode ser apoiado por evid\u00eancias, o que permanece incerto e quais responsabilidades a organiza\u00e7\u00e3o deve assumir.<\/p>\n\n\n\n
Os estudantes devem, portanto, aprender a perguntar: O que realmente sabemos? Quais evid\u00eancias corroboram isso? Em que estamos incertos? Estamos comunicando a realidade da situa\u00e7\u00e3o ou simplesmente tentando moldar a forma como ela \u00e9 percebida? A IA pode ajudar a preparar e avaliar comunica\u00e7\u00f5es, mas n\u00e3o deve se tornar uma forma de substituir fatos desconfort\u00e1veis por mensagens mais convenientes. Os stakeholders tomam decis\u00f5es com base nas informa\u00e7\u00f5es que recebem, e quando a comunica\u00e7\u00e3o se distrai da realidade, a confian\u00e7a e a reputa\u00e7\u00e3o podem ser prejudicadas.<\/p>\n\n\n\n
O conte\u00fado gerado por IA tamb\u00e9m muda o significado da autoria. Textos, imagens e apresenta\u00e7\u00f5es com apar\u00eancia profissional costumavam sugerir que a pessoa por tr\u00e1s deles entendia o assunto. Essa liga\u00e7\u00e3o agora \u00e9 muito mais fraca.<\/p>\n\n\n\n
Os estudantes precisam avaliar o trabalho antes de colocar o seu nome ou o nome da sua organiza\u00e7\u00e3o nele. A autoria agora passa a ser responsabilidade de um editor e de um propriet\u00e1rio.<\/p>\n\n\n\n
Naomi Tessier, conte\u00fado gerado por IA<\/h3>\n\n\n\n
Naomi Tessier sugere que os estudantes precisam ter tanto capacidade suficiente para criar conte\u00fado de forma independente quanto julgamento editorial para avaliar o que a IA produz. \u00c0 medida que a IA se torna cada vez mais capaz de gerar material polido e com apar\u00eancia profissional, apenas a apar\u00eancia torna-se um indicador pobre da qualidade. Os estudantes devem ser capazes de determinar se o conte\u00fado \u00e9 preciso, adequado, valioso e adaptado ao p\u00fablico e ao prop\u00f3sito. Para isso, \u00e9 necess\u00e1rio conhecimento suficiente e capacidade de pensamento cr\u00edtico para identificar erros, racioc\u00ednios fr\u00e1geis, tom inadequado ou outros problemas que podem estar escondidos sob uma apresenta\u00e7\u00e3o convincente.<\/p>\n\n\n\n
Naomi tamb\u00e9m enfatiza que a IA n\u00e3o remove a responsabilidade humana do processo de cria\u00e7\u00e3o. As pessoas ainda decidem o que perguntar \u00e0 IA, qual contexto fornecer, qual sa\u00edda selecionar, como modific\u00e1-la e, finalmente, se deve ou n\u00e3o utiliz\u00e1-la. Portanto, antes de associar seu pr\u00f3prio nome ou o nome de uma organiza\u00e7\u00e3o ao trabalho gerado pela IA, os alunos devem poder avaliar o conte\u00fado, explicar e defender o racioc\u00ednio por tr\u00e1s do resultado final e assumir a responsabilidade pelas suas consequ\u00eancias. A capacidade essencial n\u00e3o consiste apenas em saber como gerar conte\u00fado com a IA, mas em desenvolver a capacidade de discernir quando confiar nela, quando question\u00e1-la e quando n\u00e3o utilizar o seu resultado de forma alguma.<\/p>\n\n\n\n
5. Ag\u00eancia profissional e resili\u00eancia: o que acontece quando a IA n\u00e3o est\u00e1 ativa?<\/h2>\n\n\n\n
\u00c0s vezes, a IA n\u00e3o consegue fornecer a resposta. Ela pode n\u00e3o estar dispon\u00edvel, proibida para trabalhos confidenciais, contradizer-se ou ser inadequada para uma situa\u00e7\u00e3o que exige um especialista. Os estudantes precisam de capacidade suficiente para continuar trabalhando de qualquer forma.<\/p>\n\n\n\n
Os graduados, portanto, precisam de um n\u00edvel m\u00ednimo de compet\u00eancia profissional. Eles devem ser capazes de organizar um problema b\u00e1sico de neg\u00f3cios, comunicar de forma clara, realizar c\u00e1lculos razo\u00e1veis, interpretar informa\u00e7\u00f5es, formar um julgamento preliminar e determinar o passo seguinte adequado.<\/p>\n\n\n\n
A ag\u00eancia profissional tamb\u00e9m exige humildade intelectual. A IA consegue explicar um tema desconhecido de forma t\u00e3o 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 ciberseguran\u00e7a, um engenheiro, um gerente ou outro profissional qualificado. Isso \u00e9 ainda mais importante \u00e0 medida que os gestores tomam decis\u00f5es sobre tecnologias que utilizam e que nunca poderiam conceber sozinhos.<\/p>\n\n\n\n
A gest\u00e3o de projetos aplica o mesmo princ\u00edpio. A IA pode preparar planos, estimar o volume de trabalho, identificar riscos e monitorar o progresso. Em seguida, o projeto se ajusta \u00e0 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 situa\u00e7\u00e3o n\u00e3o mais corresponde ao plano.<\/p>\n\n\n\n
Christine Gerard, Ci\u00eancia da Computa\u00e7\u00e3o e Gest\u00e3o de Projetos<\/h3>\n\n\n\n
Christine Gerard sugere que a lideran\u00e7a adaptativa na gest\u00e3o de projetos depende de um fundamento de conhecimento e experi\u00eancia. Os estudantes precisam compreender os fundamentos do gerenciamento de projetos, incluindo prioridades, depend\u00eancias, recursos, riscos e compromissos, antes de poderem tomar decis\u00f5es s\u00f3lidas quando as condi\u00e7\u00f5es mudarem. Eles tamb\u00e9m precisam de oportunidades para aplicar esses fundamentos em si mesmos. A experi\u00eancia se desenvolve ao realizar o trabalho, enfrentar problemas, tomar decis\u00f5es e observar as consequ\u00eancias. Com o tempo, essa combina\u00e7\u00e3o de conhecimento e experi\u00eancia contribui para o julgamento necess\u00e1rio para responder de forma eficaz quando um projeto n\u00e3o segue mais o plano.<\/p>\n\n\n\n
Ela descreve essa rela\u00e7\u00e3o como uma pir\u00e2mide: os fundamentos formam a base, a experi\u00eancia se baseia neles, o julgamento se desenvolve a partir de ambos, e a gera\u00e7\u00e3o e an\u00e1lise com suporte de IA est\u00e3o no topo. A IA pode fortalecer o que um gestor de projeto competente consegue realizar, mas os estudantes ainda precisam do conhecimento e da experi\u00eancia subjacentes para avaliar o que a IA prop\u00f5e, reconhecer quando um plano n\u00e3o mais se ajusta \u00e0 realidade e decidir o que deve acontecer a seguir. Isso tamb\u00e9m est\u00e1 diretamente relacionado ao REACT: o uso respons\u00e1vel da IA depende, em \u00faltima inst\u00e2ncia, do julgamento humano que a educa\u00e7\u00e3o e a experi\u00eancia ajudaram a desenvolver.<\/p>\n\n\n\n
A ciberseguran\u00e7a fornece outro exemplo. A maioria dos graduados em neg\u00f3cios n\u00e3o se tornar\u00e1 especialistas em ciberseguran\u00e7a, mas tomar\u00e1 decis\u00f5es relacionadas a dados, acesso, privacidade, fornecedores, sistemas, clientes e funcion\u00e1rios. A tomada de decis\u00f5es b\u00e1sicas em ciberseguran\u00e7a ajuda os gestores a reconhecer quando essas decis\u00f5es criam riscos que merecem aten\u00e7\u00e3o especializada.<\/p>\n\n\n\n
Dr. Amin Ranj Bar, Design de Software e Ciberseguran\u00e7a<\/h3>\n\n\n\n
O Dr. Amin Ranj Bar sugere que todos os graduados em administra\u00e7\u00e3o de empresas devem entender os fundamentos da ciberseguran\u00e7a, pois as decis\u00f5es de seguran\u00e7a come\u00e7am muito antes de um problema t\u00e9cnico se tornar vis\u00edvel. Os estudantes devem entender os princ\u00edpios b\u00e1sicos, como controle de acesso, autentica\u00e7\u00e3o, privacidade, prote\u00e7\u00e3o de dados, manuseio seguro de informa\u00e7\u00f5es e vulnerabilidades comuns, de forma a reconhecer quando um processo, produto ou tecnologia proposto cria riscos desnecess\u00e1rios. Esse conhecimento \u00e9 cada vez mais relevante para al\u00e9m das fun\u00e7\u00f5es t\u00e9cnicas, pois decis\u00f5es empresariais sobre clientes, funcion\u00e1rios, dados, software, fornecedores e sistemas de IA podem ter consequ\u00eancias em termos de ciberseguran\u00e7a.<\/p>\n\n\n\n
Amin tamb\u00e9m enfatiza que muitas vulnerabilidades surgem durante o processo de design, quando as implica\u00e7\u00f5es de seguran\u00e7a podem ser negligenciadas porque as pessoas que tomam decis\u00f5es iniciais n\u00e3o possuem conhecimento suficiente em seguran\u00e7a. A IA pode auxiliar na an\u00e1lise t\u00e9cnica, identificar vulnerabilidades e recomendar medidas de prote\u00e7\u00e3o, mas os profissionais de neg\u00f3cios ainda precisam ter compreens\u00e3o suficiente para fazer perguntas sobre seguran\u00e7a desde o in\u00edcio. Eles devem ser capazes de reconhecer quando uma decis\u00e3o pode expor pessoas, informa\u00e7\u00f5es ou sistemas a riscos, incorporar considera\u00e7\u00f5es de seguran\u00e7a no design de uma solu\u00e7\u00e3o e saber quando \u00e9 necess\u00e1ria expertise especializada. Portanto, a seguran\u00e7a se torna parte do julgamento empresarial: a seguran\u00e7a deve ser considerada ao projetar um sistema ou processo, e n\u00e3o apenas ap\u00f3s um problema ocorrer.<\/p>\n\n\n\n
A resili\u00eancia profissional tamb\u00e9m inclui a capacidade de continuar aprendendo. A IA pode explicar conceitos dif\u00edceis, fornecer feedback imediato e apoiar a pr\u00e1tica frequente. Os educadores ainda precisam proteger o esfor\u00e7o produtivo, pois recuperar conhecimento, tentar uma solu\u00e7\u00e3o, cometer um erro e revisar uma ideia construem uma compreens\u00e3o duradoura.<\/p>\n\n\n\n
6. IA e alfabetiza\u00e7\u00e3o tecnol\u00f3gica: saiba o que h\u00e1 por tr\u00e1s das cenas<\/h2>\n\n\n\n
As cinco primeiras capacidades descrevem o que a pessoa traz para o trabalho. A sexta se refere \u00e0 pr\u00f3pria tecnologia. O framework de Compet\u00eancias de Complementariedade Humano-Intelig\u00eancia Artificial desenvolvido pela Business Physics lista habilidades pr\u00e1ticas para trabalhar com IA: decidir se a IA deve ser utilizada, selecionar e preparar informa\u00e7\u00f5es, comunicar com sistemas de IA, verificar os resultados, manter a autoridade de decis\u00e3o, interpretar dados, converter informa\u00e7\u00f5es em decis\u00f5es, gerir o uso da IA e continuar a aprender.<\/p>\n\n\n\n
Cada uma dessas habilidades depende da compreens\u00e3o da tecnologia de forma suficiente para permitir a tomada de decis\u00f5es informadas.<\/p>\n\n\n\n
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 decis\u00e3o exige compreens\u00e3o suficiente para tomar ou defender a decis\u00e3o. Interpretar dados exige contexto empresarial. Governar a IA exige consci\u00eancia das consequ\u00eancias, limites e responsabilidades.<\/p>\n\n\n\n
Os graduados em neg\u00f3cios podem delegar a engenharia de IA para especialistas. Eles devem ter conhecimento suficiente sobre modelos, ferramentas, infraestrutura e limita\u00e7\u00f5es para escolher e usar essas tecnologias de forma adequada.<\/p>\n\n\n\n
Aboubakar Samake, Modelos e Ferramentas de IA<\/h3>\n\n\n\n
Aboubakar Samake sugere que os graduados em neg\u00f3cios precisam tanto de uma compreens\u00e3o pr\u00e1tica dos modelos de IA quanto do julgamento para determinar quando e como eles devem ser usados. Os estudantes n\u00e3o precisam se tornar engenheiros de IA, mas devem entender que os diferentes sistemas de IA s\u00e3o projetados para fins diferentes, dependem de tipos diferentes de dados e abordagens e possuem capacidades e limita\u00e7\u00f5es diferentes. Essa base deve ajud\u00e1-los a reconhecer que escolher uma ferramenta de IA n\u00e3o \u00e9 apenas uma quest\u00e3o de selecionar o sistema mais poderoso ou conveniente.<\/p>\n\n\n\n
Ao mesmo tempo, os estudantes devem desenvolver o julgamento de sele\u00e7\u00e3o de IA come\u00e7ando pelo problema empresarial em vez da tecnologia. Eles devem ser capazes de determinar se a IA \u00e9 adequada para a tarefa, quais capacidades s\u00e3o realmente necess\u00e1rias, qual tipo de sistema \u00e9 adequado e quais limita\u00e7\u00f5es ou riscos precisam ser considerados. Eles tamb\u00e9m devem reconhecer situa\u00e7\u00f5es em que a IA n\u00e3o deve ser utilizada ou em que seu resultado requer verifica\u00e7\u00e3o adicional. O objetivo n\u00e3o \u00e9 conhecer todos os modelos de IA, mas entender a tecnologia de forma a selecion\u00e1-la e utiliz\u00e1-la de forma proposital, questionar suas limita\u00e7\u00f5es e tomar decis\u00f5es informadas sobre quando outra ferramenta ou julgamento humano \u00e9 mais adequado.<\/p>\n\n\n\n
O desenvolvimento de software traz um problema semelhante. \u00c0 medida que a intelig\u00eancia artificial se torna mais capaz de produzir software, os profissionais de neg\u00f3cios podem se distanciar ainda mais da constru\u00e7\u00e3o t\u00e9cnica. Eles ainda precisam ter um conhecimento suficiente para comunicar requisitos, reconhecer riscos, questionar suposi\u00e7\u00f5es e trabalhar de forma eficaz com especialistas t\u00e9cnicos.<\/p>\n\n\n\n
Hichem Benzair, Desenvolvimento de Software de IA<\/h3>\n\n\n\n
Hichem Benzair sugere que os graduados em neg\u00f3cios precisam ter uma compet\u00eancia em software suficiente para participar de forma produtiva nas decis\u00f5es tecnol\u00f3gicas, sem precisar se tornarem desenvolvedores de software. Eles devem entender conceitos b\u00e1sicos como requisitos, dados, testes, seguran\u00e7a, integra\u00e7\u00e3o, arquitetura e manuten\u00e7\u00e3o de forma suficiente para fazer perguntas \u00fateis e compreender as consequ\u00eancias das escolhas t\u00e9cnicas. Ele relaciona isso \u00e0 ideia de linguagem universal: os profissionais de neg\u00f3cios e t\u00e9cnicos precisam de um vocabul\u00e1rio comum para poderem entender o mesmo problema e comunicar de forma eficaz sobre o que est\u00e1 sendo desenvolvido.<\/p>\n\n\n\n
Esta base t\u00e9cnica deve apoiar a tomada de decis\u00f5es em mat\u00e9ria de neg\u00f3cios e governan\u00e7a. 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 est\u00e3o envolvidos e se a solu\u00e7\u00e3o permanecer\u00e1 segura, mant\u00ea-la, escal\u00e1vel e economicamente vi\u00e1vel. Eles n\u00e3o precisam tomar todas as decis\u00f5es t\u00e9cnicas por conta pr\u00f3pria, mas precisam ter um conhecimento suficiente para reconhecer quando uma decis\u00e3o \u00e9 importante e quando \u00e9 necess\u00e1ria a expertise especializada.<\/p>\n\n\n\n
A IA torna essa capacidade mais importante, n\u00e3o menos. \u00c0 medida que a IA se torna capaz de gerar c\u00f3digo, prot\u00f3tipos, arquiteturas e recomenda\u00e7\u00f5es t\u00e9cnicas a partir de instru\u00e7\u00f5es em linguagem natural, os profissionais de neg\u00f3cios podem se envolver mais diretamente na cria\u00e7\u00e3o de tecnologia. Portanto, eles precisam de um entendimento fundamental suficiente para questionar solu\u00e7\u00f5es geradas pela IA, em vez de simplesmente aceit\u00e1-las. A capacidade essencial \u00e9 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.<\/p>\n\n\n\n
O marketing \u00e9 outro exemplo. A IA pode automatizar a segmenta\u00e7\u00e3o de audi\u00eancias, a produ\u00e7\u00e3o de conte\u00fado, a personaliza\u00e7\u00e3o, a otimiza\u00e7\u00e3o de campanhas e partes do processo de compra do cliente. A avalia\u00e7\u00e3o do marketing inclui decidir o que deve ser automatizado, como as decis\u00f5es automatizadas devem ser monitoradas e onde a compreens\u00e3o humana dos clientes ainda agrega valor.<\/p>\n\n\n\n
Jon Schlaich, IA e automa\u00e7\u00e3o de marketing<\/h3>\n\n\n\n
Jon Schlaich sugere que os estudantes precisam de fundamentos s\u00f3lidos de marketing e tamb\u00e9m de capacidade de julgamento para decidir como a automa\u00e7\u00e3o deve ser utilizada. Mesmo com a crescente responsabilidade da IA em \u00e1reas como segmenta\u00e7\u00e3o, cria\u00e7\u00e3o de conte\u00fado, execu\u00e7\u00e3o de campanhas e jornadas do cliente, os estudantes ainda precisam entender os clientes, segmenta\u00e7\u00e3o, posicionamento, proposi\u00e7\u00f5es de valor, marca e experi\u00eancia do cliente. Sem essa base, eles podem conseguir operar sofisticados sistemas de IA e automa\u00e7\u00e3o sem saber se as decis\u00f5es de marketing por tr\u00e1s deles s\u00e3o adequadas ou eficazes.<\/p>\n\n\n\n
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 interven\u00e7\u00e3o humana continua a agregar valor e quando a automa\u00e7\u00e3o pode criar problemas para os clientes, relacionamentos ou a marca. A efici\u00eancia em si n\u00e3o deve determinar se algo \u00e9 automatizado. O profissional de neg\u00f3cios 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.<\/p>\n\n\n\n
Todos esses exemplos dependem da alfabetiza\u00e7\u00e3o digital. Sistemas de IA poderosos podem ser f\u00e1ceis de usar e dif\u00edceis de entender. A alfabetiza\u00e7\u00e3o digital inclui o conhecimento b\u00e1sico sobre de onde vem a informa\u00e7\u00e3o, como os sistemas podem falhar, quais riscos acompanham o seu uso e quando um resultado convincente merece ser questionado.<\/p>\n\n\n\n
Annabelle Roy, IA e Literacia Digital<\/h3>\n\n\n\n
Annabelle Roy sugere que a alfabetiza\u00e7\u00e3o digital em 2030 deve combinar uma compreens\u00e3o pr\u00e1tica da IA com um forte pensamento cr\u00edtico. Os estudantes n\u00e3o precisam entender exatamente como os sistemas de IA s\u00e3o constru\u00eddos ou dominar os detalhes t\u00e9cnicos de sua programa\u00e7\u00e3o. No entanto, eles devem entender o suficiente para reconhecer que a IA n\u00e3o \u201csabe\u201d as coisas da mesma forma que uma pessoa faz. Os sistemas de IA podem cometer erros, refletir preconceitos conhecidos ou n\u00e3o percebidos e produzir informa\u00e7\u00f5es que parecem convincentes sem necessariamente ser precisas. Essa compreens\u00e3o b\u00e1sica fornece aos alunos uma base para usar a IA com a devida cautela.<\/p>\n\n\n\n
Para Annabelle, a capacidade mais importante \u00e9 o que os alunos fazem com essa compreens\u00e3o. Eles devem questionar informa\u00e7\u00f5es geradas por IA, verificar essas informa\u00e7\u00f5es quando apropriado, considerar de onde essas informa\u00e7\u00f5es podem ter vindo, reconhecer quest\u00f5es relacionadas \u00e0 seguran\u00e7a, privacidade e \u00e9tica e decidir se a IA \u00e9 realmente a ferramenta adequada para a tarefa. \u00c0 medida que a IA se torna cada vez mais presente na educa\u00e7\u00e3o, no trabalho e na vida cotidiana, a alfabetiza\u00e7\u00e3o digital deve ser demonstrada n\u00e3o apenas por saber como usar a IA, mas tamb\u00e9m por saber como, quando e se usar de forma respons\u00e1vel.<\/p>\n\n\n\n
Pedimos tamb\u00e9m a ajuda da IA<\/h1>\n\n\n\n
A Business Physics inclui membros sint\u00e9ticos juntamente com colaboradores humanos, portanto colocamos a mesma quest\u00e3o a eles tamb\u00e9m. A Charlie AI se concentra em evid\u00eancias, suposi\u00e7\u00f5es e an\u00e1lises quantitativas. A Lena AI se concentra em considera\u00e7\u00f5es humanas, culturais e sociais.<\/p>\n\n\n\n
Charlie AI, Evid\u00eancias, Suposi\u00e7\u00f5es e Inspe\u00e7\u00e3o Quantitativa<\/h3>\n\n\n\n
A Charlie AI forneceu a seguinte sa\u00edda: os alunos nunca deveriam delegar totalmente a avalia\u00e7\u00e3o final das evid\u00eancias ao AI. Um sistema de IA pode ajudar a localizar informa\u00e7\u00f5es, comparar fontes, identificar inconsist\u00eancias, testar hip\u00f3teses e examinar afirma\u00e7\u00f5es quantitativas, mas tamb\u00e9m pode reproduzir erros, basear-se em evid\u00eancias fracas ou fornecer uma explica\u00e7\u00e3o convincente para uma conclus\u00e3o que n\u00e3o \u00e9 adequadamente fundamentada. Usar um sistema de IA para verificar outro n\u00e3o elimina a necessidade de julgamento humano.<\/p>\n\n\n\n
Os estudantes devem, portanto, aprender a perguntar quais evid\u00eancias realmente corroboram uma conclus\u00e3o, se os pressupostos por tr\u00e1s dela s\u00e3o razo\u00e1veis, se os n\u00fameros fazem sentido e quais informa\u00e7\u00f5es podem estar faltando. A IA pode fortalecer esse processo ao desafiar o racioc\u00ednio do estudante e chamar a aten\u00e7\u00e3o para poss\u00edveis fraquezas, mas o estudante ainda deve decidir se as evid\u00eancias dispon\u00edveis s\u00e3o suficientes para a decis\u00e3o a ser tomada. O objetivo n\u00e3o \u00e9 fazer com que os estudantes desconfiem da IA, mas desenvolver o h\u00e1bito de questionar evid\u00eancias e pressupostos, independentemente de a conclus\u00e3o vir de uma pessoa, um conjunto de dados ou um sistema de IA.<\/p>\n\n\n\n
Lena AI: Perspectivas Humanas, Culturais e Sociais<\/h3>\n\n\n\n
A Lena AI forneceu a seguinte sa\u00edda: os estudantes devem preservar a capacidade de compreender como as decis\u00f5es empresariais afetam as pessoas de forma que possa n\u00e3o ser totalmente representada nos dados. A IA pode identificar padr\u00f5es, comparar alternativas e recomendar a\u00e7\u00f5es, mas as pessoas s\u00e3o influenciadas por cultura, relacionamentos, emo\u00e7\u00f5es, hist\u00f3ria, confian\u00e7a e circunst\u00e2ncias individuais. Portanto, uma recomenda\u00e7\u00e3o que parece razo\u00e1vel com base nas informa\u00e7\u00f5es dispon\u00edveis pode ter consequ\u00eancias que um sistema de IA n\u00e3o prev\u00ea completamente.<\/p>\n\n\n\n
Os estudantes devem aprender a considerar quem ser\u00e1 afetado por uma decis\u00e3o, cuja perspectiva pode estar faltando, e como diferentes pessoas ou comunidades podem interpretar a mesma a\u00e7\u00e3o de forma diferente. A IA pode ajudar a ampliar a an\u00e1lise e identificar perspectivas que merecem aten\u00e7\u00e3o, mas os estudantes ainda precisam ouvir, observar, fazer perguntas e entender as pessoas envolvidas. A capacidade humana que deve ser preservada \u00e9 a capacidade de discernir que uma decis\u00e3o pode ter sentido analiticamente, sem ser inapropriada para as pessoas e o contexto em que ser\u00e1 aplicada.<\/p>\n\n\n\n
H\u00e1 algo apropriado no resultado: a IA ajudando a definir os limites do pr\u00f3prio papel nas decis\u00f5es humanas.<\/p>\n\n\n\n
O que nos dizem as 18 perspectivas<\/h1>\n\n\n\n
Dezenove pessoas e dois agentes de IA responderam \u00e0 mesma pergunta proveniente de \u00e1reas muito diferentes. Lidas em conjunto, as suas respostas revelam dez padr\u00f5es.<\/p>\n\n\n\n
As funda\u00e7\u00f5es t\u00eam preced\u00eancia sobre a delega\u00e7\u00e3o.<\/strong> Este \u00e9 o ponto mais repetido. Ahmed Hegazy quer que os alunos realizem pesquisas de mercado sozinhos antes de recorrerem \u00e0 IA. Ann Lockquell diz o mesmo sobre o trabalho criativo, Jon Schlaich sobre os fundamentos do marketing e Naomi Tessier sobre o conte\u00fado. Christine Gerard d\u00e1 forma \u00e0 ideia: uma pir\u00e2mide com os fundamentos na base, a experi\u00eancia acima deles, o julgamento constru\u00eddo a partir de ambos e a IA no topo.<\/p>\n\n\n\nA aprecia\u00e7\u00e3o de m\u00e9rito assume uma forma diferente em cada campo.<\/strong> Vinay Kumar descreve a aprecia\u00e7\u00e3o supervisionada; Ann Lockquell descreve a aprecia\u00e7\u00e3o criativa; Naomi Tessier a aprecia\u00e7\u00e3o editorial; Jon Schlaich a aprecia\u00e7\u00e3o de automa\u00e7\u00e3o; e Aboubakar Samake a aprecia\u00e7\u00e3o de sele\u00e7\u00e3o de IA. Cada forma depende do conhecimento do campo.<\/p>\n\n\n\nA supervis\u00e3o deve corresponder ao risco.<\/strong> Vinay Kumar, Sebastien Favre e Charlie AI chegam a esta conclus\u00e3o separadamente. Uma tarefa de baixo risco requer uma verifica\u00e7\u00e3o r\u00e1pida. Uma decis\u00e3o que envolva dinheiro, pessoas, privacidade ou obriga\u00e7\u00f5es legais exige uma verifica\u00e7\u00e3o mais rigorosa e a aprova\u00e7\u00e3o humana.<\/p>\n\n\n\nA responsabilidade fica com a pessoa.<\/strong> Vinay Kumar, Naomi Tessier e Thomas Hormaza Dow afirmam que quem delega uma tarefa \u00e0 IA permanece respons\u00e1vel pelo resultado.<\/p>\n\n\n\nDecidir contra a IA \u00e9 uma habilidade.<\/strong> Aboubakar Samake, Annabelle Roy, Naomi Tessier e Jon Schlaich descrevem situa\u00e7\u00f5es em que a decis\u00e3o correta \u00e9 escolher outra ferramenta, manter uma pessoa envolvida ou deixar a sa\u00edda da IA de lado.<\/p>\n\n\n\nO problema vem antes da ferramenta.<\/strong> Aboubakar Samake pede aos alunos que comecem com o problema de neg\u00f3cio. Hichem Benzair pergunta se um sistema resolve o problema certo. Ahmed Hegazy pergunta se a quest\u00e3o de pesquisa correta foi formulada.<\/p>\n\n\n\nAs pessoas percebem quais dados faltam.<\/strong> Viviane Paul descreve a intui\u00e7\u00e3o informada que os l\u00edderes construem atrav\u00e9s da experi\u00eancia. Lena AI aponta para a cultura, a emo\u00e7\u00e3o, a hist\u00f3ria e a confian\u00e7a. Banafsheh Peyrovian aponta para a experi\u00eancia direta com os clientes, a incerteza e o fracasso.<\/p>\n\n\n\nO polon\u00eas deixou de ser um indicador de qualidade.<\/strong> 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.<\/p>\n\n\n\nA verdade vem antes da mensagem.<\/strong> Lyndon Johnson coloca a honestidade no centro da comunica\u00e7\u00e3o, uma vis\u00e3o compartilhada por muitos outros membros do laborat\u00f3rio. Os estudantes devem estabelecer o que \u00e9 conhecido e o que permanece incerto antes de decidirem o que devem dizer.<\/p>\n\n\n\nPessoas envolvidas em neg\u00f3cios e pessoas com conhecimentos t\u00e9cnicos precisam de um vocabul\u00e1rio comum.<\/strong> Hichem Benzair chama essa l\u00edngua para todos os lugares. Amin Ranj Bar acrescenta que as perguntas de seguran\u00e7a devem ser inclu\u00eddas na fase de design, o que exige profissionais de neg\u00f3cios que conhe\u00e7am o suficiente para respond\u00ea-las.<\/p>\n\n\n\nAs seis capacidades s\u00e3o uma resposta v\u00e1lida. Os colaboradores podem interpretar esses padr\u00f5es de forma diferente e novas contribui\u00e7\u00f5es podem revelar o que ainda falta.<\/p>\n\n\n\n
Quatro n\u00edveis de responsabilidade<\/h1>\n\n\n\n
As seis capacidades descrevem o que os alunos precisam desenvolver. A pr\u00f3xima quest\u00e3o \u00e9: quanto de cada uma deve ser realizada pessoalmente pelos alunos quando a IA estiver dispon\u00edvel.<\/p>\n\n\n\n
A resposta varia de uma capacidade para outra. Uma abordagem pr\u00e1tica consiste em distinguir quatro n\u00edveis de responsabilidade humana: \"Deve realizar\", \"Deve compreender\", \"Deve verificar\" e \"Deve assumir\".<\/p>\n\n\n\n
Deve ser realizado<\/h2>\n\n\n\n
Algumas capacidades devem permanecer execut\u00e1veis independentemente, pois a sua execu\u00e7\u00e3o desenvolve compet\u00eancias profissionais.<\/p>\n\n\n\n
Um estudante pode precisar comunicar uma ideia, raciocinar sobre um problema b\u00e1sico de neg\u00f3cios, participar de uma conversa dif\u00edcil, estimar se um n\u00famero \u00e9 razo\u00e1vel ou tomar uma decis\u00e3o b\u00e1sica sem a ajuda de IA.<\/p>\n\n\n\n
A performance independente \u00e9 importante quando a atividade em si desenvolve ou demonstra uma capacidade que o profissional ainda necessitar\u00e1.<\/p>\n\n\n\n
Deve ser compreendido<\/h2>\n\n\n\n
Outras atividades podem ser realizadas em grande parte por IA, enquanto o estudante mant\u00e9m conhecimento suficiente para entender o processo e suas implica\u00e7\u00f5es.<\/p>\n\n\n\n
Um gerente pode delegar a execu\u00e7\u00e3o de tarefas como a cria\u00e7\u00e3o de software, o c\u00e1lculo de estat\u00edsticas, o projeto de um sistema de refrigera\u00e7\u00e3o para um data center ou a execu\u00e7\u00e3o de cada etapa de uma campanha de marketing digital. O gerente ainda precisa ter um conhecimento suficiente para se comunicar com especialistas, reconhecer implica\u00e7\u00f5es importantes e fazer perguntas \u00fateis.<\/p>\n\n\n\n
Este n\u00edvel ganha import\u00e2ncia \u00e0 medida que os sistemas empresariais se tornam tecnicamente complexos. Os gestores frequentemente tomam decis\u00f5es sobre tecnologias que n\u00e3o poderiam desenvolver sozinhos. Saber compreender significa conhecer o suficiente para participar de forma produtiva nessas decis\u00f5es e reconhecer quando \u00e9 necess\u00e1ria mais experi\u00eancia.<\/p>\n\n\n\n
Necess\u00e1rio verificar<\/h2>\n\n\n\n
Alguns trabalhos podem ser delegados \u00e0 IA, enquanto o ser humano decide se o resultado \u00e9 suficientemente confi\u00e1vel para ser utilizado.<\/p>\n\n\n\n
A verifica\u00e7\u00e3o exige julgamento com base em evid\u00eancias, riscos, contexto e consequ\u00eancias. Uma tarefa de baixo risco pode exigir uma revis\u00e3o r\u00e1pida. Uma decis\u00e3o de alto impacto pode exigir evid\u00eancias independentes, contribui\u00e7\u00f5es de especialistas ou v\u00e1rias camadas de verifica\u00e7\u00e3o.<\/p>\n\n\n\n
A verifica\u00e7\u00e3o tamb\u00e9m exige aten\u00e7\u00e3o \u00e0s premissas subjacentes a uma resposta. Um c\u00e1lculo pode ser correto, embora as premissas, os dados ou o contexto ainda fa\u00e7am com que a recomenda\u00e7\u00e3o seja inapropriada.<\/p>\n\n\n\n
Deve ser possu\u00eddo<\/h2>\n\n\n\n
Algumas decis\u00f5es continuam a ser responsabilidade de uma pessoa, mesmo quando a IA contribui fortemente para a an\u00e1lise.<\/p>\n\n\n\n
A IA pode identificar alternativas, comparar cen\u00e1rios, estimar os resultados e recomendar um curso de a\u00e7\u00e3o. O profissional respons\u00e1vel ainda precisa entender o motivo da decis\u00e3o, considerar suas consequ\u00eancias mais amplas e assumir a responsabilidade por agir com base nela.<\/p>\n\n\n\n
Esses quatro n\u00edveis oferecem aos educadores uma maneira pr\u00e1tica de decidir como a IA deve ser utilizada em uma atividade de aprendizagem. Eles tamb\u00e9m relacionam as seis capacidades \u00e0 responsabilidade profissional:<\/p>\n\n\n\n
\n- Responsabilidade e supervis\u00e3o<\/strong> Muitas vezes, \u00e9 necess\u00e1rio que os alunos verifiquem e assumam as decis\u00f5es.<\/li>\n\n\n\n
- Pensamento independente e formula\u00e7\u00e3o de problemas<\/strong> Pode exigir que os alunos realizem o racioc\u00ednio inicial sozinhos.<\/li>\n\n\n\n
- Prova e verifica\u00e7\u00e3o<\/strong> exige que os alunos compreendam os fundamentos de uma sa\u00edda e a verifiquem de acordo com o risco.<\/li>\n\n\n\n
- Comunica\u00e7\u00e3o e rela\u00e7\u00f5es humanas<\/strong> geralmente exigem desempenho e participa\u00e7\u00e3o direta do ser humano.<\/li>\n\n\n\n
- Ag\u00eancia profissional e resili\u00eancia<\/strong> exigir que os alunos mantenham capacidade suficiente para funcionar quando a IA n\u00e3o estiver dispon\u00edvel ou inadequada.<\/li>\n\n\n\n
- IA e alfabetiza\u00e7\u00e3o tecnol\u00f3gica<\/strong> exige que os alunos tenham conhecimento suficiente da tecnologia para escolher as ferramentas, fazer perguntas fundamentadas e trabalhar com especialistas.<\/li>\n<\/ul>\n\n\n\n
REACT e o reflexo da responsabilidade<\/h1>\n\n\n\n
Os quatro n\u00edveis de responsabilidade explicam o que os alunos devem realizar, compreender, verificar ou assumir. O Framework REACT fornece-lhes um m\u00e9todo pr\u00e1tico para tomar essas decis\u00f5es ao trabalhar com IA.<\/p>\n\n\n\n
O REACT pede aos estudantes que considerem cinco coisas: Raz\u00e3o, Evid\u00eancias, Responsabilidade, Restri\u00e7\u00f5es e Compensa\u00e7\u00f5es (Hormaza Dow & Nassi, 2026).<\/p>\n\n\n\n
Raz\u00e3o<\/strong> relaciona o uso da IA com um prop\u00f3sito claro. Os alunos devem saber por que a IA est\u00e1 sendo utilizada e o que se espera que ela contribua.<\/p>\n\n\n\nEvid\u00eancia<\/strong> Pergunta se a informa\u00e7\u00e3o e os resultados s\u00e3o confi\u00e1veis o suficiente para a utiliza\u00e7\u00e3o pretendida. O n\u00edvel de verifica\u00e7\u00e3o deve refletir a import\u00e2ncia e o risco da tarefa.<\/p>\n\n\n\nResponsabiliza\u00e7\u00e3o<\/strong> mant\u00e9m a propriedade vis\u00edvel. Uma pessoa permanece respons\u00e1vel pelo trabalho apresentado e pelas decis\u00f5es tomadas, independentemente da parte que a IA tenha desempenhado.<\/p>\n\n\n\nRestri\u00e7\u00f5es<\/strong> inclua privacidade, seguran\u00e7a, regras organizacionais, requisitos legais, \u00e9tica, recursos dispon\u00edveis e o prop\u00f3sito da atividade de aprendizagem.<\/p>\n\n\n\nCompromissos<\/strong> exige que os alunos avaliem os benef\u00edcios, os custos e as consequ\u00eancias em conjunto. As decis\u00f5es empresariais raramente otimizam todos os objetivos de uma s\u00f3 vez.<\/p>\n\n\n\nAs compensa\u00e7\u00f5es merecem um exemplo. Uma empresa pode adotar IA para aumentar a produtividade e tamb\u00e9m aumentar seus requisitos de computa\u00e7\u00e3o. Uma tecnologia pode reduzir um impacto ambiental e aumentar outro. Aprimorar a vida \u00fatil do hardware de computadores reduz o consumo de materiais, mas equipamentos mais antigos acabam se tornando t\u00e3o ineficientes que a substitui\u00e7\u00e3o torna-se mais vantajosa. A automa\u00e7\u00e3o pode economizar tempo, reduzindo as oportunidades para os funcion\u00e1rios ou estudantes desenvolverem habilidades espec\u00edficas.<\/p>\n\n\n\n
A tomada de decis\u00e3o profissional significa reconhecer esses efeitos concorrentes, avaliar as evid\u00eancias dispon\u00edveis, compreender o contexto e tomar uma decis\u00e3o que a pessoa possa defender.<\/p>\n\n\n\n
A pr\u00e1tica repetida pode transformar essas cinco perguntas em um h\u00e1bito. At\u00e9 2030, esse reflexo de responsabilidade poder\u00e1 ser mais importante do que a interface espec\u00edfica de IA que um estudante aprendeu a usar na faculdade.<\/p>\n\n\n\n
Dez recomenda\u00e7\u00f5es para a educa\u00e7\u00e3o empresarial at\u00e9 2030<\/h1>\n\n\n\n
A tese sugere um padr\u00e3o pr\u00e1tico: os programas de neg\u00f3cios 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.<\/p>\n\n\n\n
1. Uso da IA no design com base no objetivo de aprendizagem<\/h2>\n\n\n\n
Os educadores devem come\u00e7ar identificando as capacidades que uma atividade pretende desenvolver, e ent\u00e3o introduzir a IA de forma a apoiar esse objetivo.<\/p>\n\n\n\n
Se o objetivo for o racioc\u00ednio fundamental, os alunos podem precisar trabalhar de forma independente antes de utilizar a IA. Se o objetivo for a colabora\u00e7\u00e3o profissional com a AI, os alunos devem utilizar a AI ao documentar suas decis\u00f5es, verificar os resultados e explicar sua conclus\u00e3o final.<\/p>\n\n\n\n
2. Avalie o julgamento juntamente com o resultado<\/h2>\n\n\n\n
Um produto com intelig\u00eancia artificial bem desenvolvido mostra o que um estudante consegue produzir. Revela muito menos sobre o que o estudante entende.<\/p>\n\n\n\n
A avalia\u00e7\u00e3o tamb\u00e9m deve examinar como os alunos definiram o problema, selecionaram informa\u00e7\u00f5es, avaliaram os resultados da IA, identificaram limita\u00e7\u00f5es, consideraram alternativas, compreenderam as consequ\u00eancias e defenderam suas decis\u00f5es.<\/p>\n\n\n\n
3. Use as quatro n\u00edveis de responsabilidade de forma expl\u00edcita<\/h2>\n\n\n\n
Os cursos devem identificar se uma capacidade \u00e9 obrigat\u00f3ria, necess\u00e1ria para compreens\u00e3o, necess\u00e1ria para verifica\u00e7\u00e3o ou obrigat\u00f3ria para a sua titulariza\u00e7\u00e3o.<\/p>\n\n\n\n
N\u00edveis de responsabilidade claros ajudam os alunos a compreenderem as expectativas. Al\u00e9m disso, ajudam os educadores a encontrar o equil\u00edbrio entre a delega\u00e7\u00e3o sem restri\u00e7\u00f5es e as restri\u00e7\u00f5es desnecess\u00e1rias em rela\u00e7\u00e3o \u00e0s aplica\u00e7\u00f5es \u00fateis da IA.<\/p>\n\n\n\n
4. Ensine o REACT como um h\u00e1bito profissional<\/h2>\n\n\n\n
Os estudantes devem praticar a identifica\u00e7\u00e3o das raz\u00f5es para o uso da IA, a avalia\u00e7\u00e3o das evid\u00eancias, a clarifica\u00e7\u00e3o da responsabilidade, o reconhecimento das limita\u00e7\u00f5es e a considera\u00e7\u00e3o de compromissos.<\/p>\n\n\n\n
O uso repetido pode tornar essas considera\u00e7\u00f5es parte do julgamento profissional normal.<\/p>\n\n\n\n
5. Preservar o esfor\u00e7o produtivo<\/h2>\n\n\n\n
Os estudantes precisam de oportunidades para recuperar conhecimentos, tentar solu\u00e7\u00f5es, cometer erros, receber feedback e revisar o seu pensamento.<\/p>\n\n\n\n
A IA pode eliminar barreiras desnecess\u00e1rias. O esfor\u00e7o que visa a constru\u00e7\u00e3o de uma compreens\u00e3o duradoura deve ser mantido.<\/p>\n\n\n\n
6. Desenvolver a capacidade profissional m\u00ednima vi\u00e1vel<\/h2>\n\n\n\n
Todos os graduados em administra\u00e7\u00e3o de empresas devem ser capazes de organizar um problema b\u00e1sico de neg\u00f3cios, comunicar de forma clara, realizar c\u00e1lculos razo\u00e1veis, interpretar informa\u00e7\u00f5es, formar um julgamento preliminar e determinar um passo seguinte adequado, sem depender totalmente da intelig\u00eancia artificial.<\/p>\n\n\n\n
7. Ensine aos alunos quando procurar a expertise humana<\/h2>\n\n\n\n
A alfabetiza\u00e7\u00e3o 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 ciberseguran\u00e7a, engenheiros, gerentes ou outros profissionais qualificados.<\/p>\n\n\n\n
8. Tornar a responsabilidade vis\u00edvel<\/h2>\n\n\n\n
Deve-se esperar que os alunos compreendam e defendam o trabalho apresentado em seu nome. Deve sempre ficar claro quem tomou a decis\u00e3o, quem verificou o resultado e quem \u00e9 respons\u00e1vel pelas suas consequ\u00eancias.<\/p>\n\n\n\n
9. Pense no sistema mais amplo<\/h2>\n\n\n\n
Algumas decis\u00f5es empresariais relacionadas \u00e0 IA precisam ser avaliadas al\u00e9m do desempenho e do custo imediatos.<\/p>\n\n\n\n
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 organiza\u00e7\u00f5es, e as consequ\u00eancias que podem surgir posteriormente.<\/p>\n\n\n\n
Os estudantes de administra\u00e7\u00e3o precisam ter um pensamento sist\u00eamico suficiente para reconhecer quando uma decis\u00e3o tem consequ\u00eancias al\u00e9m das vari\u00e1veis apresentadas por uma recomenda\u00e7\u00e3o gerada por uma IA, e tamb\u00e9m ter o julgamento suficiente para saber quando \u00e9 necess\u00e1ria expertise t\u00e9cnica ou ambiental.<\/p>\n\n\n\n
10. Tornar a conscientiza\u00e7\u00e3o sobre recursos parte do julgamento da IA<\/h2>\n\n\n\n
A IA pode parecer intang\u00edvel, mas o seu uso depende de infraestruturas f\u00edsicas que exigem espa\u00e7o, \u00e1gua, energia e materiais. Os estudantes n\u00e3o precisam se tornar especialistas em infraestruturas de data centers, mas devem compreender que o uso da IA tem consequ\u00eancias f\u00edsicas que variam de acordo com a tecnologia, a escala e o contexto.<\/p>\n\n\n\n
Ao decidir se e como usar a IA, os estudantes devem, portanto, considerar n\u00e3o apenas o que a IA pode realizar, mas tamb\u00e9m se seu uso \u00e9 adequado e proporcional \u00e0 tarefa. A consci\u00eancia dos recursos deve se tornar um dos fatores que informam a avalia\u00e7\u00e3o respons\u00e1vel da IA, especialmente \u00e0 medida que o uso da tecnologia cresce em escala.<\/p>\n\n\n\n
A pergunta \u201csem IA\u201d \u00e9 a correta?<\/h1>\n\n\n\n
Uma forma comum de estruturar esse debate \u00e9 perguntar o que os estudantes deveriam conseguir fazer sem a intelig\u00eancia artificial. Essa express\u00e3o \u00e9 \u00fatil porque chama a aten\u00e7\u00e3o para a depend\u00eancia. Uma pergunta mais duradoura pergunta o que os estudantes ainda devem compreender, realizar, verificar e possuir.<\/p>\n\n\n\n
Os profissionais de neg\u00f3cios j\u00e1 contam com planilhas, calculadoras, bancos de dados, mecanismos de busca e softwares especializados. Ningu\u00e9m pede a um contador que renuncie \u00e0 planilha como prova de compet\u00eancia. A compet\u00eancia \u00e9 avaliada pela capacidade das pessoas de usar suas ferramentas de forma adequada e compreender o suficiente para tomar decis\u00f5es s\u00f3lidas. O mesmo padr\u00e3o se aplica \u00e0 IA.<\/p>\n\n\n\n
Algumas capacidades devem permanecer execut\u00e1veis independentemente. Algumas devem permanecer compreendidas. Alguns trabalhos podem ser delegados, mas devem ser verificados. Algumas decis\u00f5es devem, em \u00faltima inst\u00e2ncia, ser de responsabilidade de uma pessoa.<\/p>\n\n\n\n
As capacidades de IA continuar\u00e3o a mudar. A responsabilidade educacional de desenvolver pessoas competentes permanecer\u00e1.<\/p>\n\n\n\n
Para 2030<\/h1>\n\n\n\n
De volta a Maya e seus tr\u00eas projetos conclu\u00eddos.<\/p>\n\n\n\n
O cliente perguntou por que ela havia assumido um crescimento de 12%. A IA pode ter produzido a previs\u00e3o, mas a Maya ainda precisa entender a premissa, avaliar as evid\u00eancias que a sustentam, explicar por que ela \u00e9 razo\u00e1vel, reconhecer o que poderia torn\u00e1-la incorreta e assumir a responsabilidade por sua utiliza\u00e7\u00e3o.<\/p>\n\n\n\n
Esse momento retrata um desafio ainda maior para a educa\u00e7\u00e3o empresarial. At\u00e9 2030, os estudantes poder\u00e3o trabalhar rotineiramente com sistemas de intelig\u00eancia artificial que podem pesquisar, calcular, analisar, comparar, recomendar, comunicar e, cada vez mais, agir em seu nome.<\/p>\n\n\n\n
A educa\u00e7\u00e3o empresarial deve preservar as capacidades humanas de julgar, pensar de forma independente, avaliar evid\u00eancias, 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 \u00e9 pouco confi\u00e1vel ou inadequada, tomar decis\u00f5es em meio a incerteza, considerar as consequ\u00eancias mais amplas, comunicar com os demais, buscar expertise quando necess\u00e1rio e assumir os resultados.<\/strong><\/p>\n\n\n\nA IA pode acelerar a an\u00e1lise, expandir as op\u00e7\u00f5es, identificar padr\u00f5es e executar tarefas complexas. Essas capacidades aumentam a import\u00e2ncia do julgamento humano, pois ainda \u00e9 preciso que algu\u00e9m determine o que \u00e9 importante, quais evid\u00eancias merecem peso, quais consequ\u00eancias s\u00e3o aceit\u00e1veis e quais a\u00e7\u00f5es devem ser adotadas.<\/p>\n\n\n\n
Imagine um futuro gerente avaliando uma proposta de infraestrutura de IA. A IA pode comparar custos, estimar as necessidades de energia el\u00e9trica, analisar diferentes tecnologias, calcular os impactos ao longo do ciclo de vida e recomendar uma op\u00e7\u00e3o. O gerente ainda precisa determinar o que merece aten\u00e7\u00e3o. Custo e desempenho s\u00e3o importantes, mas tamb\u00e9m a confiabilidade, privacidade, energia, \u00e1gua, materiais, funcion\u00e1rios, impactos na comunidade e depend\u00eancia a longo prazo de tecnologias ou fornecedores espec\u00edficos. Sua import\u00e2ncia varia conforme a decis\u00e3o e o contexto.<\/p>\n\n\n\n
O c\u00e1lculo e a decis\u00e3o s\u00e3o formas diferentes de trabalho.<\/strong><\/p>\n\n\n\nA IA pode ajudar a determinar o que \u00e9 poss\u00edvel, comparar alternativas e identificar consequ\u00eancias. A aprecia\u00e7\u00e3o humana ainda \u00e9 necess\u00e1ria para decidir quais consequ\u00eancias s\u00e3o importantes, como devem ser ponderadas as prioridades concorrentes, quando as evid\u00eancias dispon\u00edveis s\u00e3o suficientes, quando \u00e9 necess\u00e1ria expertise especializada e quais a\u00e7\u00f5es devem ser adotadas.<\/p>\n\n\n\n
A mesma distin\u00e7\u00e3o aplica-se quando a IA avalia um candidato a um emprego, recomenda uma estrat\u00e9gia de marketing, identifica um cliente como um risco de cr\u00e9dito, prop\u00f5e um cronograma de projeto, gera uma resposta p\u00fablica a uma crise ou recomenda um investimento.<\/p>\n\n\n\n
\u00c0 medida que a IA se torna mais capaz de calcular, analisar, comparar e recomendar, os estudantes precisam de um julgamento mais s\u00f3lido sobre o que merece ser considerado na decis\u00e3o final.<\/strong><\/p>\n\n\n\nIsso n\u00e3o significa que os alunos devem realizar todas as tarefas sozinhos. Algumas capacidades devem permanecer execut\u00e1veis independentemente. Outras devem ser suficientemente compreendidas para serem questionadas e explicadas. O trabalho gerado por IA deve, por vezes, ser verificado, com o n\u00edvel de verifica\u00e7\u00e3o refletindo o risco envolvido. E algumas decis\u00f5es devem, em \u00faltima an\u00e1lise, ser de responsabilidade de uma pessoa, independentemente do quanto a IA tenha contribu\u00eddo para elas.<\/p>\n\n\n\n
Um estudante que produz uma an\u00e1lise excelente com a IA demonstra uma importante capacidade profissional. Os educadores tamb\u00e9m precisam de evid\u00eancias do que esse estudante sabe, consegue reconhecer, consegue explicar, consegue decidir e est\u00e1 preparado para assumir responsabilidades.<\/p>\n\n\n\n
O acesso a um sistema inteligente n\u00e3o produz automaticamente uma decis\u00e3o inteligente.<\/strong><\/p>\n\n\n\n\u00c0 medida que as m\u00e1quinas 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 neg\u00f3cios preparado para a IA precisar\u00e1 de duas formas de compet\u00eancia: a capacidade de trabalhar eficazmente com m\u00e1quinas cada vez mais capazes e a capacidade de continuar sendo uma pessoa capaz e respons\u00e1vel ao faz\u00ea-lo.<\/p>\n\n\n\n
Quando o cliente pergunta o motivo, a Maya deveria ter uma resposta pr\u00f3pria.<\/strong><\/p>\n\n\n\nDeclara\u00e7\u00e3o sobre o uso da IA<\/h1>\n\n\n\n
Duas entidades de IA, Charlie AI e Lena AI, contribu\u00edram com respostas \u00e0 quest\u00e3o abordada neste artigo. As suas respostas s\u00e3o identificadas como sa\u00edda de IA na sec\u00e7\u00e3o \u201cTamb\u00e9m pergunt\u00e1mos \u00e0 IA\u201d. Um assistente de IA (Claude, Anthropic) ajudou a formatar este documento. Os autores humanos revisaram o artigo completo e assumem a responsabilidade pelo seu conte\u00fado.<\/p>\n\n\n\n
Refer\u00eancia<\/h1>\n\n\n\n
Hormaza Dow, T., & Nassi, M. (2026, 11 de mar\u00e7o). Ensino de Judamento no Uso da IA na Educa\u00e7\u00e3o Superior: recurso de webinar da associa\u00e7\u00e3o para a ado\u00e7\u00e3o do Framework REACT. Zenodo. Webinar da PEEC: ENSINO DE JUDAMENTO NO USO DA IA NA EDUCA\u00c7\u00c3O SUPERIOR, Quebec, Canad\u00e1. https:\/\/doi.org\/10.5281\/zenodo.20259032<\/a><\/p>","protected":false},"excerpt":{"rendered":"Rethinking Business Education for 2030: A Collective Article by the Business Physics AI Lab Authors: This article was written collectively by sixteen members of the Business Physics AI Simulation Lab: Thomas Hormaza Dow (Founder and Lab Director), Vinay Kumar (Advanced Agentic AI Consulting), Sebastien Favre (AI Reliability Measures), Ann Lockquell (Innovation and Creativity), Dr. Banafsheh […]<\/p>\n","protected":false},"author":1,"featured_media":356,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[76],"tags":[79,78,77,80],"class_list":["post-348","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-business-physics-ai-lab-quarterly-review","tag-business-physics-ai-lab-team","tag-collective-article","tag-quarterly-review","tag-rethinking-business-ai-education-for-2030"],"yoast_head":"\n
What Must Remain Human? - Business Physics AI Lab<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/businessphysics.ai\/pt\/what-must-remain-human-education-for-2030\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"What Must Remain Human? - Business Physics AI Lab\" \/>\n<meta property=\"og:description\" content=\"Rethinking Business Education for 2030: A Collective Article by the Business Physics AI Lab Authors: This article was written collectively by sixteen members of the Business Physics AI Simulation Lab: Thomas Hormaza Dow (Founder and Lab Director), Vinay Kumar (Advanced Agentic AI Consulting), Sebastien Favre (AI Reliability Measures), Ann Lockquell (Innovation and Creativity), Dr. Banafsheh […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/businessphysics.ai\/pt\/what-must-remain-human-education-for-2030\/\" \/>\n<meta property=\"og:site_name\" content=\"Business Physics AI Lab\" \/>\n<meta property=\"article:published_time\" content=\"2026-10-03T14:32:31+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-10-03T16:21:53+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1141\" \/>\n\t<meta property=\"og:image:height\" content=\"1280\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Business Physics\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Business Physics\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"42 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\"},\"author\":{\"name\":\"Business Physics\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/person\\\/43e64101068fd3fb267236426d1587a7\"},\"headline\":\"What Must Remain Human?\",\"datePublished\":\"2026-10-03T14:32:31+00:00\",\"dateModified\":\"2026-10-03T16:21:53+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\"},\"wordCount\":9316,\"publisher\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"keywords\":[\"Business Physics AI Lab Team\",\"Collective Article\",\"Quarterly Review\",\"Rethinking Business AI Education for 2030\"],\"articleSection\":[\"Business Physics AI Lab Quarterly Review\"],\"inLanguage\":\"pt-BR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\",\"name\":\"What Must Remain Human? - Business Physics AI Lab\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"datePublished\":\"2026-10-03T14:32:31+00:00\",\"dateModified\":\"2026-10-03T16:21:53+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"contentUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"width\":1141,\"height\":1280,\"caption\":\"Business Physics Team 2030\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/businessphysics.ai\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"What Must Remain Human?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#website\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/\",\"name\":\"Business Physics AI Lab\",\"description\":\"About the Founder: Professor Thomas Hormaza Dow fosters an environment where research meets application, and where interns, researchers, and industry leaders collaborate to unlock new frontiers.\",\"publisher\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/businessphysics.ai\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#organization\",\"name\":\"Business Physics AI Lab\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2025\\\/01\\\/business-physics-logo-large-720.jpg\",\"contentUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2025\\\/01\\\/business-physics-logo-large-720.jpg\",\"width\":720,\"height\":720,\"caption\":\"Business Physics AI Lab\"},\"image\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/person\\\/43e64101068fd3fb267236426d1587a7\",\"name\":\"Business Physics\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g\",\"caption\":\"Business Physics\"},\"sameAs\":[\"https:\\\/\\\/businessphysics.ai\"],\"url\":\"https:\\\/\\\/businessphysics.ai\\\/pt\\\/author\\\/business-physics\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"What Must Remain Human? - Business Physics AI Lab","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/businessphysics.ai\/pt\/what-must-remain-human-education-for-2030\/","og_locale":"pt_BR","og_type":"article","og_title":"What Must Remain Human? - Business Physics AI Lab","og_description":"Rethinking Business Education for 2030: A Collective Article by the Business Physics AI Lab Authors: This article was written collectively by sixteen members of the Business Physics AI Simulation Lab: Thomas Hormaza Dow (Founder and Lab Director), Vinay Kumar (Advanced Agentic AI Consulting), Sebastien Favre (AI Reliability Measures), Ann Lockquell (Innovation and Creativity), Dr. Banafsheh […]","og_url":"https:\/\/businessphysics.ai\/pt\/what-must-remain-human-education-for-2030\/","og_site_name":"Business Physics AI Lab","article_published_time":"2026-10-03T14:32:31+00:00","article_modified_time":"2026-10-03T16:21:53+00:00","og_image":[{"width":1141,"height":1280,"url":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","type":"image\/png"}],"author":"Business Physics","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Business Physics","Est. tempo de leitura":"42 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#article","isPartOf":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/"},"author":{"name":"Business Physics","@id":"https:\/\/businessphysics.ai\/#\/schema\/person\/43e64101068fd3fb267236426d1587a7"},"headline":"What Must Remain Human?","datePublished":"2026-10-03T14:32:31+00:00","dateModified":"2026-10-03T16:21:53+00:00","mainEntityOfPage":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/"},"wordCount":9316,"publisher":{"@id":"https:\/\/businessphysics.ai\/#organization"},"image":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage"},"thumbnailUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","keywords":["Business Physics AI Lab Team","Collective Article","Quarterly Review","Rethinking Business AI Education for 2030"],"articleSection":["Business Physics AI Lab Quarterly Review"],"inLanguage":"pt-BR"},{"@type":"WebPage","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/","url":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/","name":"What Must Remain Human? - Business Physics AI Lab","isPartOf":{"@id":"https:\/\/businessphysics.ai\/#website"},"primaryImageOfPage":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage"},"image":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage"},"thumbnailUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","datePublished":"2026-10-03T14:32:31+00:00","dateModified":"2026-10-03T16:21:53+00:00","breadcrumb":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage","url":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","contentUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","width":1141,"height":1280,"caption":"Business Physics Team 2030"},{"@type":"BreadcrumbList","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/businessphysics.ai\/"},{"@type":"ListItem","position":2,"name":"What Must Remain Human?"}]},{"@type":"WebSite","@id":"https:\/\/businessphysics.ai\/#website","url":"https:\/\/businessphysics.ai\/","name":"Laborat\u00f3rio de IA para F\u00edsica Empresarial","description":"Sobre o fundador: O professor Thomas Hormaza Dow promove um ambiente onde a pesquisa encontra a aplica\u00e7\u00e3o e onde estagi\u00e1rios, pesquisadores e l\u00edderes do setor colaboram para desvendar novas fronteiras.","publisher":{"@id":"https:\/\/businessphysics.ai\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/businessphysics.ai\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Organization","@id":"https:\/\/businessphysics.ai\/#organization","name":"Laborat\u00f3rio de IA para F\u00edsica Empresarial","url":"https:\/\/businessphysics.ai\/","logo":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/businessphysics.ai\/#\/schema\/logo\/image\/","url":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2025\/01\/business-physics-logo-large-720.jpg","contentUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2025\/01\/business-physics-logo-large-720.jpg","width":720,"height":720,"caption":"Business Physics AI Lab"},"image":{"@id":"https:\/\/businessphysics.ai\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/businessphysics.ai\/#\/schema\/person\/43e64101068fd3fb267236426d1587a7","name":"F\u00edsica empresarial","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/secure.gravatar.com\/avatar\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g","caption":"Business Physics"},"sameAs":["https:\/\/businessphysics.ai"],"url":"https:\/\/businessphysics.ai\/pt\/author\/business-physics\/"}]}},"_links":{"self":[{"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/posts\/348","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/comments?post=348"}],"version-history":[{"count":7,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/posts\/348\/revisions"}],"predecessor-version":[{"id":358,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/posts\/348\/revisions\/358"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/media\/356"}],"wp:attachment":[{"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/media?parent=348"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/categories?post=348"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/businessphysics.ai\/pt\/wp-json\/wp\/v2\/tags?post=348"}],"curies":[{"name":"bom trabalho","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}