A expansão da inteligência artificial generativa tornou mais rápida uma parte do trabalho de buscar, organizar e sintetizar informações. Mas a velocidade e a aparência de coerência das respostas não garantem que elas sejam válidas ou confiáveis. Nesse cenário, o pensamento crítico passa a ter uma função ainda mais importante: avaliar aquilo que a máquina entrega antes de aceitar suas conclusões.
A inteligência artificial baseada em grandes modelos de linguagem produz textos, sínteses e argumentos a partir de padrões identificados em grandes volumes de informação. Como esses sistemas podem apresentar respostas incompletas, tendenciosas ou erradas, é necessário separar a fluência da formulação de sua qualidade efetiva.
Pensamento crítico pode ser entendido como o processo de reflexão usado para decidir no que acreditar ou o que fazer. Antes da disseminação da IA, esse processo envolvia localizar fontes, comparar versões, interpretar evidências e elaborar uma síntese. Agora, muitas dessas etapas podem aparecer condensadas em uma resposta pronta. O trabalho humano não desaparece, mas muda de lugar: passa a incluir a análise das bases, das premissas e dos limites do que foi produzido.
O que a ciência ensina sobre conhecimento
A pergunta central deixa de ser apenas qual é a resposta e passa a incluir por que ela deveria ser aceita. De onde vieram os dados? Como foram obtidos? Há explicações alternativas? Que evidência poderia contrariar a conclusão? Essas questões fazem parte da própria história da ciência.
Em Knowledge in a Social World, Alvin Goldman examina o conhecimento como resultado de práticas e instituições sociais, e não apenas como produto de um indivíduo isolado. As pessoas dependem de cientistas, professores, jornalistas, instituições e bancos de dados para conhecer o mundo. Não é possível repetir pessoalmente cada experimento médico antes de tomar um remédio ou reconstruir todos os cálculos usados para medir a inflação.
Essa dependência não precisa ser eliminada. O ponto é preservar a possibilidade de examinar o que foi recebido, inclusive quando a intermediação é feita por uma máquina.
Steven Shapin, em The Scientific Revolution, questiona a ideia de uma mudança repentina entre um mundo medieval dominado pela autoridade e uma modernidade guiada pela ciência. Durante boa parte da Idade Média europeia, produzir e reproduzir textos era caro, e o acesso ao conhecimento escrito permanecia restrito. A autoridade religiosa, intelectual ou institucional tinha grande peso na aceitação de uma afirmação.
A imprensa alterou esse cenário ao baratear a reprodução e ampliar a circulação de textos. Ideias e argumentos puderam ser comparados, criticados e corrigidos com mais facilidade. A ciência moderna foi construída gradualmente por mudanças na maneira de produzir, compartilhar e validar o conhecimento. A autoridade deixou de ser suficiente; observar, testar, documentar e contestar passaram a ser procedimentos decisivos.
No século 17, Robert Boyle usou uma bomba de ar, relatos sobre os fenômenos observados e convenções sobre testemunho e credibilidade para estabelecer fatos empiricamente verificáveis. O episódio analisado por Shapin e Simon Schaffer em Leviathan and the Air-Pump mostra como a produção do conhecimento depende de mecanismos que permitem conferir e discutir afirmações.
Fontes diferentes têm pesos diferentes
Uma conclusão científica deixa, idealmente, um caminho que pode ser reconstituído: afirmação, fonte, método, evidência, análise e conclusão. A inteligência artificial pode localizar e resumir estudos, mas não decide sozinha quanto cada um deles deve pesar.
Uma pesquisa pode ser uma meta-análise de experimentos randomizados; outra, um estudo observacional. Um trabalho pode envolver 42 participantes, enquanto outro acompanha 80 mil pessoas e identifica apenas correlação. Também é necessário observar se houve financiamento da empresa que vende a intervenção e se os resultados foram replicados em vários países.
O pensamento crítico não se limita a pedir à IA a lista de fontes. É preciso avaliar o que essas fontes realmente permitem afirmar. Cinco estudos favoráveis não necessariamente superam dois contrários: um deles pode ter método mais consistente, tratar de uma população diferente ou medir algo que não é comparável aos demais. A contagem de trabalhos não substitui a análise de sua qualidade, de seu contexto e de seus conflitos de interesse.
Nesse ponto, a expertise continua relevante. A IA reduz a dificuldade de acesso à informação, mas aumenta o valor de saber interpretá-la. Reconhecer limitações metodológicas, distinguir correlação de causalidade e perceber quando uma conclusão vai além dos dados são tarefas que exigem julgamento.
Respostas como hipóteses
George Luger, em Knowing Our World: An Artificial Intelligence Perspective, descreve o conhecimento como a construção de modelos que são confrontados com evidências e modificados quando necessário. Essa concepção oferece uma forma de usar a IA: suas respostas podem servir como hipóteses, não como conclusões definitivas.
Um sistema pode apresentar o melhor argumento a favor de que o microcrédito reduz a pobreza e, em seguida, construir o melhor argumento contrário. O passo mais importante é investigar quais evidências distinguem as duas posições, quais estudos apontam causalidade, em quais contextos os resultados mudam e o que poderia levar alguém a abandonar uma hipótese.
A formulação da pergunta também precisa ser examinada. Perguntar por que a energia nuclear é indispensável à descarbonização já contém uma premissa. Perguntar qual é seu papel nesse processo, quais posições existem e que evidências sustentam cada uma abre um campo diferente de investigação. Uma pergunta direcionada à confirmação pode gerar uma resposta sofisticada que apenas reforce um raciocínio frágil.
Por isso, o pensamento crítico começa antes de enviar o comando à ferramenta. É preciso verificar quais pressupostos estão presentes, quais alternativas ficaram de fora, se a busca pretende descobrir algo ou confirmar uma crença e se a pergunta feita corresponde ao problema que precisa ser respondido.
Delegar sem abandonar o julgamento
A questão não é manter todas as operações cognitivas como eram antes da IA. O problema é decidir quais tarefas podem ser transferidas sem perder a capacidade de avaliar o resultado. Se a máquina busca informações, torna-se mais importante analisar sua qualidade e seu contexto. Se resume evidências, é preciso ponderá-las. Se elabora argumentos, suas premissas devem ser examinadas. Se calcula alternativas, o problema precisa ser bem formulado.
Duas pessoas podem usar a mesma tecnologia e estabelecer relações muito diferentes com ela. Uma recebe uma resposta sobre a sustentabilidade da energia nuclear e segue adiante. Outra pede que sejam apresentadas as hipóteses sobre seu papel na descarbonização, as evidências de cada posição, a origem dessas evidências, os melhores argumentos contrários, as premissas envolvidas e as condições que poderiam mudar sua conclusão.
A diferença está em tratar a IA como encerramento da investigação ou como apoio para ampliar as perguntas. Em meio à abundância de respostas instantâneas, o pensamento crítico preserva a disposição de confrontar explicações, testar possibilidades, reconhecer incertezas e revisar conclusões quando surgem evidências mais fortes. A tecnologia pode ajudar nesse processo, desde que não substitua o julgamento que dá sentido a ele.
