Lidar com a IA é uma competência hermenêutica antes de ser técnica

A promessa é sempre a mesma: a ferramenta vai domar o caos. Painéis que convertem o ruído dos dados em clareza, modelos que leem o que nenhum humano tem tempo de ler, copilotos que absorvem a complexidade e devolvem decisão. A organização compra inteligência artificial como se compra um filtro - algo que se interpõe entre ela e o excesso de informação do mundo para reduzir, simplificar, esclarecer. E descobre, com um atraso que custa caro, que comprou o oposto de um filtro. Comprou um amplificador.

A observação mais lúcida sobre isso veio em maio, num texto do ETHRWorld que diz, em sua própria formulação, algo desconfortável: a IA está resolvendo a complexidade e, ao mesmo tempo, criando uma nova espécie dela. A frase parece um paradoxo de efeito, mas descreve um mecanismo preciso. A complexidade não é eliminada quando uma ferramenta poderosa entra no sistema; ela é transferida e amplificada. O que antes exigia esforço de coordenação humana agora se resolve em segundos - e cria, no mesmo movimento, camadas de dependência, opacidade e velocidade que a organização não tinha antes e não sabe sustentar. Um engenheiro, escrevendo na comunidade DEV na mesma semana, ressaltou ainda mais o ponto: a IA introduz complexidade sem introduzir ruído apenas se o sistema que a recebe souber sustentar a complexidade. Caso contrário, a complexidade introduzida vira exatamente ruído - e ruído em escala.

Está aí, condensado, o deslocamento que este artigo quer explorar. A pergunta corrente - "a IA vai reduzir nossa complexidade?" - está malformada, porque pressupõe que a complexidade é uma propriedade do mundo, ou dos sistemas, que uma ferramenta suficientemente potente poderia diminuir. Não é. A complexidade é, antes de tudo, uma propriedade da operação interpretativa de quem tenta compreender. E a IA, longe de ser um instrumento neutro que opera sobre o real, é um amplificador da leitura que a organização já faz do real, incluindo seus pontos cegos. O gargalo nunca foi a potência do modelo. É a maturidade interpretativa do sistema que o recebe. E onde essa maturidade não existe, a IA não corrige a leitura ruim: ela a industrializa. É por isso que a IA escala erros: os visíveis, que são o menor problema, e os invisíveis, que são o problema inteiro.

A complexidade é hermenêutica antes de ser sistêmica

O campo da gestão da complexidade tende a tratar seu objeto como uma característica dos sistemas. Frameworks como o Cynefin, os modelos de sistemas adaptativos complexos, a dinâmica não linear das organizações - todos operam, em maior ou menor grau, num registro técnico-sistêmico, no qual a complexidade é algo que está lá fora, na estrutura do problema, à espera de ser diagnosticada e manejada. Não é uma leitura errada; é uma leitura incompleta, e a parte que ela omite é justamente a que a IA torna decisiva. Porque a complexidade reside igualmente - e, em contextos organizacionais, sobretudo - na operação do sujeito que tenta ler o sistema. Um mesmo conjunto de dados é simples para quem domina o paradigma que o torna inteligível e impenetrável para quem não o domina. A complexidade não está só no que se observa; está na relação entre o que se observa e quem observa. É hermenêutica antes de ser sistêmica.

Vale reparar que até os melhores praticantes da complexidade já tropeçam nessa fronteira. Num ensaio recente, a equipe do próprio Cynefin reformula a pergunta diagnóstica de um modo revelador: a questão não é o que falta ao sistema, mas o que você está disposto a se tornar para descobrir. É uma frase hermenêutica disfarçada de frase sistêmica. Ela admite que o diagnóstico não extrai uma resposta que está lá no objeto: ele transforma quem diagnostica, porque toda compreensão de um sistema complexo passa pela reconfiguração da lente de quem o lê. O sistema não entrega seu sentido; o sentido é construído na operação interpretativa, e essa operação muda o intérprete. Quem leva isso a sério para de tratar a complexidade como um atributo a ser contido e passa a tratá-la como uma condição a ser habitada.

Esse deslocamento muda tudo quando a IA entra em cena, porque redefine o que a IA de fato é dentro de uma organização. A IA não é um observador externo que enxerga a complexidade com mais potência do que nós. Ela é um amplificador da operação interpretativa que já governa a organização. É treinada em padrões de leitura, opera dentro de molduras de sentido, devolve sínteses que prolongam - em escala e velocidade industriais - o modo como aquela organização já lê o mundo. Se a organização lê por "via longa", com atenção ao contexto específico, à sedimentação das práticas, aos paradigmas tácitos da sua indústria, a IA amplifica essa leitura profunda e se torna um multiplicador de inteligência genuína. Se a organização lê por "via curta" (e superficial) - slogans, frameworks prontos, painéis tomados como verdade, melhores práticas recicladas -, a IA amplifica a via curta. E amplificar a via curta com fluência de máquina é a definição mais exata do que está dando errado nas adoções de IA que fracassam sem que ninguém saiba dizer por quê.

A distinção entre via curta e via longa é de Paul Ricoeur, e nunca foi tão operacional quanto agora. A via curta promete compreensão imediata - a intuição direta, o atalho cognitivo, o modelo que dispensa o trabalho de passar pelos signos, pelo contexto, pelas mediações imperfeitas do caso concreto. A via longa reconhece que não há acesso imediato ao sentido: toda compreensão passa por desvios, por interpretação trabalhada criticamente, pelo atravessamento paciente do específico antes de extrair o geral. A IA é a tentação definitiva da via curta, porque oferece o produto da interpretação - a síntese, a recomendação, a conclusão - sem o processo da interpretação. Entrega o destino sem a a experiência da travessia. E uma organização que aceita o destino sem ter percorrido a experiência da travessia não compreendeu nada; apenas recebeu, com confiança, um resultado que não sabe avaliar.

O erro que não faz barulho

Aqui chegamos ao ponto que mais importa, porque é onde os custos se escondem. Os erros que a IA produz dividem-se em duas classes de natureza radicalmente distinta, e a organização gasta quase toda a sua atenção na classe errada. Há os erros visíveis: a alucinação evidente, a recomendação absurda, o número que não fecha, a resposta que qualquer um percebe estar errada. Esses erros são, na prática, o menor dos problemas, porque rompem a fluência: eles soam falsos, disparam o alerta, são interceptados. A organização desenvolve, com relativa rapidez, anticorpos contra o erro que faz barulho.

O problema inteiro está na segunda classe: o erro que não faz "barulho", que não se pronuncia de forma evidente. Nesses caos, a IA produz, com fluência sem precedentes, saídas coerentes, plausíveis, bem escritas, internamente consistentes - e erradas. Não erradas no sentido grosseiro de quem comete um disparate, mas no sentido fino de quem constrói uma representação convincente de algo que não corresponde ao real. Esse erro não dispara alerta nenhum, porque sua forma é indistinguível da forma da veracidade. Ele passa. E, passando, escala. A organização que processa mil decisões com um copiloto não revisa mil sínteses fluentes; ela confia na fluência. O erro invisível é exatamente aquele que a coerência da máquina blinda contra a desconfiança humana.

O mecanismo profundo desse erro tem um nome na tradição hermenêutica, e nomeá-lo esclarece por que ele é tão difícil de combater. Todo dado, todo indicador, todo resumo, toda recomendação é uma forma de "representância" - no sentido que Ricoeur dá ao termo: uma construção que toma o lugar de algo ausente, que ocupa o lugar do real sem ser o real, que presta contas a vestígios mas não coincide com aquilo que representa. Um relatório não é o que aconteceu; é uma construção que toma o lugar do que aconteceu. Sempre foi assim, muito antes da IA. O que a IA faz é remover o atrito que antes sinalizava essa distância. Quando um analista humano produzia uma síntese, havia hesitação, rasura, a marca visível do trabalho de construção - sinais que lembravam ao leitor que aquilo era uma leitura, não o real. A IA produz a síntese sem rasura, sem hesitação, sem a textura do esforço interpretativo. Ela entrega a representância com o acabamento da referência. E uma organização que já tinha a doença epistemológica de confundir o indicador com o real - de tratar o dashboard como a coisa, e não como uma narrativa sobre a coisa - agora comete esse erro na velocidade e na escala da máquina.

Há duas razões encadeadas para que esse erro atravesse as defesas, e ambas têm definição precisa. A primeira é a verossimilhança. O que separa o que aconteceu do que apenas poderia ter acontecido não é a correspondência factual, é a coerência interna de uma trama. Uma síntese internamente coerente atesta o possível, e é aceita como verdadeira sem corresponder a coisa alguma, porque a verossimilhança não prova o referente; ela apenas o torna plausível. A IA é uma produtora industrial de verossimilhança: compõe saídas de coerência impecável e relação incerta com os fatos. E a organização confunde, de modo sistemático, verossimilhança com factualidade - toma a coerência da trama como prova daquilo que a trama afirma. A segunda razão é mais funda: operamos sempre num regime de presunção de verdade. Não submetemos cada proposição à crítica antes de aceitá-la; recebemos as proposições confiantemente, e a crítica, quando vem, vem depois, sobre o que já foi presumido verdadeiro. Assim funciona a cognição, e não há como funcionar de outro modo: habitamos um reino de verdade presumida que antecede qualquer gesto crítico. O que a IA faz é inundar esse regime com construtos fluentes em volume e velocidade que a crítica não tem como acompanhar. O erro invisível não passa apesar da nossa vigilância; passa porque entra no território da verdade presumida antes que a vigilância tenha a chance de operar. A fluência não engana a crítica, ela simplesmente chega antes dela.

É isso que significa, com precisão, escalar erros invisíveis: não é a IA errar mais; é a IA naturalizar a construção como real de modo fluente e massivo, dentro de um sistema que perdeu o hábito de ler. O perigo não está no que a IA acerta nem no que ela erra de forma evidente. Está no vasto território intermediário do que ela produz de modo plausível, coerente e fluente - e que uma organização sem competência interpretativa incorpora inteiramente, porque a fluência desativou o único mecanismo que poderia tê-la feito parar para interpretar. Quanto melhor a IA fica em produzir representâncias convincentes, maior fica esse território, e mais cara fica a ausência de uma cultura de leitura crítica. A maturidade técnica do modelo e a imaturidade hermenêutica da organização crescem na mesma direção, e o intervalo entre as duas é o lugar onde os erros invisíveis se acumulam, silenciosos, até virarem estrutura.

Por que governar a IA como controle não basta

A reação reflexa das organizações diante desse risco é a governança como controle. Comitês de ética, inventários de modelos, guardrails técnicos, princípios, políticas de uso, trilhas de auditoria. Nada disso está errado, e parte disso é indispensável - uma organização que não sabe sequer quantos modelos rodam, decidindo o quê, sobre quais dados, está cega antes de qualquer discussão sofisticada. Mas a governança como controle padece de um limite estrutural que nenhuma sofisticação de comitê resolve: ela governa as saídas, não a postura interpretativa que produz e consome essas saídas. E o erro invisível, como vimos, não está na saída. Está a montante dela: no modo como a organização lê.

Pense no que um controle bem desenhado consegue interceptar. Ele intercepta o uso indevido, o vazamento de dado sensível, o modelo não autorizado, a saída que viola uma regra explícita. Tudo isso é da ordem do visível, ou do tornável visível por regra. O que o controle não tem como interceptar é a síntese fluente, coerente, conforme a todas as regras, e que conduz a organização a uma leitura rasa do seu próprio problema. Você pode inventariar cada modelo da empresa e ainda assim escalar erros invisíveis, se a cultura que consome esses modelos lê por via curta. O inventário garante que você sabe onde a IA está; não garante que você sabe ler o que ela devolve. São competências de naturezas distintas, e a primeira tem sido confundida com a segunda porque é mais fácil de operacionalizar: instala-se um comitê, preenche-se uma planilha, demonstra-se conformidade. A segunda não cabe em planilha.

Há um pressuposto equivocado embutido na governança como controle, e ele é o mesmo da leitura sistêmica da complexidade: o de que a complexidade é uma propriedade dos objetos que se pode conter por procedimento. Se a complexidade fosse só isso, o controle bastaria; bastaria cercar, monitorar, restringir. Mas se a complexidade é hermenêutica, se ela reside na operação interpretativa, então o controle erra o alvo por construção. Ele opera sobre o lugar errado. O risco não está principalmente no que a máquina faz; está em como a organização lê o que a máquina faz. E não há guardrail que substitua a competência de leitura, assim como não há manual de etiqueta que substitua o que é tátil. O controle é necessário como contenção do erro visível e como higiene mínima. Mas tratá-lo como suficiente é deixar intacto exatamente o mecanismo que produz os custos que mais importam.

A competência que faz a IA funcionar: a via longa

Se a saída não é mais controle, qual é? Aqui é preciso resistir à tentação de oferecer um método, porque a resposta não é um método, é uma mudança de postura interpretativa; métodos são justamente a forma como a via curta disfarça a recusa de mudar de postura. O que faz a IA funcionar em seu potencial, em vez de escalar erros invisíveis, é a recuperação deliberada da via longa como competência organizacional. E vale descrever o que isso concretamente significa, ainda que não em forma de receita, porque o conteúdo dessa competência é o oposto exato do que a fluência da máquina induz.

Significa, primeiro, reintroduzir atrito onde a IA o removeu. A organização hermeneuticamente madura não consome a saída da IA como conclusão; consome-a como material a ser interpretado. Trata cada síntese como uma representância: pergunta de que ela tomou o lugar, sobre quais vestígios foi construída, que escolhas de recorte e agregação a constituem, o que ela necessariamente deixou de fora. Isso não é desconfiança paranoica da tecnologia; é fidelidade interpretativa, a exigência de ler a construção como construção. A pergunta deixa de ser "o que a IA respondeu?" e passa a ser "que leitura essa resposta está fazendo, e em nome de quê?". Essa pergunta restaura o atrito que a fluência havia desativado, e o atrito é o que transforma uma saída fluente de potencial erro invisível em insumo de uma compreensão genuína.

Significa, segundo, sustentar a tensão entre leituras múltiplas em vez de forçar a resposta única que a máquina oferece com tanta confiança. A IA tem um viés estrutural para a síntese fechada pois ela devolve uma resposta, e a devolve como se fosse a resposta. A maturidade hermenêutica opera na direção contrária: mantém aberta a concordância discordante, articula leituras dissonantes sem resolvê-las prematuramente, recusa-se a colapsar a complexidade num diagnóstico único só porque a máquina o produziu de forma persuasiva. É aqui, aliás, que há uma convergência reveladora com o que a própria pesquisa técnica sobre confiabilidade de IA vem descobrindo: estudos recentes sobre monitoramento de modelos mostram que conjuntos de sinais diversos superam o ganho de mais poder computacional - que a robustez vem da diversidade de leituras, não da potência de uma só. O que a engenharia descobre como propriedade dos seus monitores é o que a hermenêutica sempre soube da interpretação: a profundidade não vem de um leitor mais potente, vem do jogo entre leituras. A organização que usa a IA para multiplicar leituras, para gerar interpretações concorrentes que ela então articula criticamente, extrai dela algo qualitativamente superior ao da organização que a usa para terminar a leitura.

Significa, terceiro, tratar a análise como refiguração, não como descoberta. O diagnóstico que a IA oferece não revela a organização que está lá; ele produz uma versão da organização a partir de uma lente. Cada lente - operacional, cultural, financeira, de dados - refigura a organização em uma realidade distinta, todas legítimas, nenhuma final. A competência madura é escolher deliberadamente quais lentes ativar e quando, sabendo que cada escolha produz uma versão e não a versão. A organização que espera da IA o diagnóstico verdadeiro nunca o terá, e enquanto o espera vai aceitando como verdadeira a primeira refiguração fluente que a máquina entregar. A que entende refiguração usa a IA como instrumento de exploração de múltiplas versões - e aí a potência do modelo se converte em amplitude de compreensão, em vez de em profundidade ilusória de uma leitura só.

O que une os três movimentos é que todos usam a IA para alimentar a interpretação, jamais para substituí-la. A IA funciona em seu potencial precisamente nas organizações que não lhe pedem que leia por elas, mas que ampliam, com ela, a própria capacidade de leitura. Ela é um instrumento da via longa - multiplica os desvios, acelera o atravessamento do específico, abre leituras que demorariam - ou é um substituto da via longa, e então amplifica a via curta e escala o erro invisível. Não há terceira posição. A mesma ferramenta é multiplicador de inteligência ou industrializador de rasura, e o que decide entre os dois destinos não está na ferramenta. Está na maturidade interpretativa do sistema que a recebe - exatamente como o engenheiro do DEV disse, em linguagem técnica, sobre o repositório que precisa saber sustentar a complexidade. Saber sustentar a complexidade é uma competência hermenêutica, e nenhuma quantidade de poder computacional a fornece.

Há, sob tudo isso, uma inversão que a fluência analítica da IA torna fácil esquecer: a inteligência narrativa precede e fundamenta a inteligência analítica, e não o contrário. Um conjunto de dados, um modelo, uma recomendação: nada disso fala sozinho. Quando uma saída analítica se torna compreensível, é porque a colocamos numa intriga que articula os elementos e lhes confere sentido. A IA entrega o produto analítico refinado; quem fornece a trama que o torna inteligível é a organização. E aqui está a armadilha mais sutil: o dirigente que despreza a narrativa porque "prefere os dados", ou porque "a IA é mais objetiva", não percebe que está apenas usando uma narrativa tácita, quase sempre pior do que a explícita, porque não fora examinada. A saída da máquina não dispensa a intriga; ela é encaixada numa intriga que já estava ali, sedimentada e invisível. Se essa intriga é rasa, a saída fluente é absorvida por uma leitura rasa, e a sofisticação do modelo apenas dá verniz a uma compreensão pobre. Dados sem narrativa não deixam de falar - falam mal. Por isso a competência decisiva não é só ler criticamente o que a máquina devolve; é possuir a profundidade narrativa que torna qualquer devolução interpretável. A organização sem a maturidade crítica devida não tem onde ancorar o que a IA produz, e acaba narrada pela máquina em vez de servir-se dela.

Disso decorre uma releitura do que significa estar pronto para a IA. A pergunta foi tratada como uma condição técnica e de infraestrutura: dados organizados, plataformas integradas, talentos contratados, casos de uso mapeados. Tudo isso importa, mas é a metade fácil; e, como argumentou com franqueza um artigo da HSM Management, boa parte do problema não está na falta de tecnologia, está na manutenção de estruturas despreparadas para extrair valor da nova lógica do trabalho. A metade difícil, e a decisiva, é uma condição interpretativa: a organização cultivou, antes da IA, a capacidade de ler a complexidade sem fugir dela? Sabe sustentar tensão, atravessar o específico, tratar suas representações como representações? As organizações que vão extrair o potencial da IA não são as que têm mais dados ou os melhores modelos. São as que já sabiam praticar a leitura por meio da via longa - e que, por isso, têm na IA um amplificador de uma inteligência que já possuíam, e não um substituto de uma que nunca tiveram.

E aqui a simetria final, que é cruel. A IA premia, na velocidade da máquina, exatamente os vícios interpretativos que a organização já carregava. Ela é um espelho que escala. A organização que lia mal vai ler mal mais rápido e com mais confiança; a que lia bem vai ler melhor e mais longe. O abismo entre as duas, que antes crescia devagar, agora cresce na velocidade do amplificador. Resta a tensão que este artigo não tem como dissolver, e que talvez seja a mais incômoda de todas: a mesma temporalidade acelerada que torna a via longa cara e impopular - a pressa, o trimestre, a exigência de resultado imediato - é precisamente a que torna a IA mais sedutora como atalho. As organizações mais pressionadas a adotar IA depressa são, em geral, as menos capazes de ler criticamente o que ela amplifica. E não está nada claro que a competência hermenêutica de que elas precisariam possa ser construída sob a mesma aceleração que a IA ao mesmo tempo promete e exige. O dilema permanece aberto - e, como os dilemas que importam, age sobre a organização exatamente na medida em que ela se recusa a olhá-lo de frente.

Referências

SCARAB SYSTEMS. AI Can Introduce Complexity Without Introducing Noise — But Only If the Repo Knows How to Hold the Complexity. DEV Community, 30 mai. 2026. Disponível em: https://dev.to/scarab-systems/ai-can-introduce-complexity-without-introducing-noise-but-only-if-the-repo-knows-how-to-hold-the-18pg

ETHRWorld. AI is solving complexity. It may also be creating a new kind of it. The Economic Times — ETHRWorld, 30 mai. 2026. Disponível em: https://hr.economictimes.indiatimes.com/news/trends/ai-in-hr/ai-is-solving-complexity-it-may-also-be-creating-a-new-kind-of-it/131404175

HSM MANAGEMENT. Sua empresa não precisa de mais IA – precisa de menos gente errada. HSM Management, 30 mai. 2026. Disponível em: https://hsmmanagement.com.br/sua-empresa-nao-precisa-de-mais-ia-precisa-de-menos-gente-errada/

LESSWRONG. Ensemble monitoring for AI control: diverse signals outweigh more compute. LessWrong, 31 mai. 2026. Disponível em: https://www.lesswrong.com/posts/x3iEYuMHPXBpnCNpw/ensemble-monitoring-for-ai-control-diverse-signals-outweigh

RICOEUR, Paul. A memória, a história, o esquecimento. Trad. Alain François et al. Campinas: Editora da Unicamp, 2007 [orig. La mémoire, l'histoire, l'oubli, Paris: Seuil, 2000].

RICOEUR, Paul. Tempo e narrativa (3 vols.). São Paulo: WMF Martins Fontes, 2010 [orig. Temps et récit, Paris: Seuil, 1983-1985].

THE CYNEFIN CO. A Trialectic for organisational practice & coaching. The Cynefin Co, 31 mai. 2026. Disponível em: https://thecynefin.co/a-trialectic-for-organisational-practice-coaching/