ENA IA fácil faz a gente aprender errado?
Às vezes a experiência ensina errado: a pessoa liga um resultado a uma causa que não é a verdadeira. A tese mediu cinco sinais desse risco em 126 profissionais que usam IA generativa no trabalho e viu o que eles têm a ver com o desempenho. Explicada em 12 telas.
Altura = média das respostas dos 126 profissionais (1 = nunca, 7 = sempre) nas frases de cada sinal, conta nossa com a Tabela 6. Azul: sinais da pessoa. Vermelho: sinais do ambiente.
Aprender errado é tomar uma coincidência por causa
O nome vem dos experimentos de Skinner, em 1947: pombos com fome recebiam comida em intervalos fixos, fizessem o que fizessem. Mesmo assim, passaram a repetir o gesto que tinham feito pouco antes, como se ele trouxesse a comida.
No trabalho acontece igual. A tese cita o médico que credita a melhora do paciente à própria intervenção, quando ela pode ter vindo da recuperação natural ou de outros profissionais, e repete a prática. A tese não trata de crendices como gato preto ou número da sorte, e sim dessas ligações erradas entre o que se fez e o que aconteceu, que a literatura chama de aprendizagem supersticiosa.
A comida cai a cada 5 segundos, faça o pombo o que fizer. A barra de cada gesto conta quantas vezes a comida chegou logo depois dele.
Como não dá para medir o erro em si, a tese mede cinco sinais de risco
Quem soubesse que aprendeu errado já não aprenderia errado. Por isso o autor mede a propensão à aprendizagem supersticiosa: três sinais da pessoa e dois do ambiente em que ela recebe retorno sobre o que fez.
Os cinco sinais formam o modelo da tese (Figura 4). Altura = número de frases de cada sinal no modelo final. Clique num bloco ou num botão. As frases são do questionário, respondidas de 1 (nunca) a 7 (sempre), pensando no uso da IA generativa no trabalho.
Foram três rodadas de questionário até chegar ao modelo final
Primeiro, uma revisão da literatura juntou o que se sabia sobre o tema. Depois, dois testes do questionário mostraram o que precisava mudar. Clique em cada degrau.
A altura dos degraus marca a ordem das etapas, não o tamanho. Em cima, o número de artigos (revisão) ou de respostas. O funil é da Figura 1 (busca em outubro de 2024, em seis bases).
Responderam 126 profissionais que usam IA generativa no trabalho
O questionário circulou no LinkedIn, no Facebook e no Instagram, sem pedir nome. O convite buscava gestores, especialistas e empreendedores que usam ferramentas como ChatGPT, Copilot e Gemini.
As fatias somam 100%: são a divisão das finalidades citadas.
Responda cinco frases do questionário e compare com a média
Pense no uso de ferramentas de IA generativa no trabalho ou num projeto. De 1 (nunca) a 7 (sempre), com que frequência...
A linha vermelha é a média dos 126 (Tabela 6). Na frase sobre refletir, a tese usa a resposta invertida para medir a falta de reflexão (média 2,2); a média mostrada aqui, 5,8, é a da frase como está escrita (conta nossa: 8 menos 2,2).
A tese apostou em dez caminhos entre a IA, o ambiente e o desempenho
Achar a IA fácil levaria a confiar demais, a se sentir no controle e a refletir menos; trabalho incerto deixaria o feedback confuso e lento; e tudo isso pioraria o desempenho. Aposte em três antes de ver.
Seis caminhos se confirmaram, um saiu ao contrário e três não tiveram efeito
Cada coluna é uma hipótese. A altura é a força da ligação (o β, de 0 a 1, em desvios-padrão). Troque o modelo: os números quase não mudam com os controles nem com o teste de viés do questionário.
Quem acha a IA fácil reflete mais, não menos
A tese esperava que a facilidade levasse a aceitar as respostas da máquina sem pensar. Antes de ver: quem acha a IA generativa mais fácil de usar...
Tudo em desvios-padrão, a partir da média. Cada barra = β da Tabela 13 × o valor escolhido (conta nossa). Mostra a direção e o tamanho relativo das ligações, não uma previsão para uma pessoa.
No desempenho, pesaram a falta de reflexão e o feedback confuso, não a confiança
Mexa nos cinco sinais e veja a coluna do desempenho que os profissionais relataram (cumprir prazos e compromissos, tomar iniciativa, se adaptar). Só dois controles movem a coluna; os outros três ficaram sem efeito claro.
Ilustração com os β da Tabela 13, em desvios-padrão a partir da média, somados (conta nossa). Os três sinais sem efeito claro não mudam a coluna. O modelo explica 23,1% da variação do desempenho.
Quando o trabalho muda rápido, o feedback fica mais confuso e mais lento
A incerteza foi medida por frases como “as tarefas mudaram de forma rápida” e “as demandas dos gestores e clientes foram difíceis de prever”. Ela se ligou aos dois feedbacks ruins, mas só o confuso chegou ao desempenho.
Espessura das setas = β da Tabela 13; tracejada = sem efeito claro. Valores em desvios-padrão; o efeito que passa pelo feedback confuso é o produto dos dois β (conta nossa, sem teste próprio na tese). ilustração
O que a pesquisa sugere para quem trabalha com IA generativa
Gestores e equipes
Reservar tempo para refletir antes das decisões e depois dos resultados, bons ou ruins, e criar momentos fixos de feedback claro com a equipe, dentro de uma cultura que trate o erro como fonte de aprendizado.
Organizações e RH
O autor sugere um núcleo de aprendizagem que analise sucessos e fracassos, registre lições e trabalhe com o RH em diagnósticos e capacitações, sobretudo de quem toma decisões.
Quem usa IA no trabalho
Para o autor, saber usar as ferramentas e, sobretudo, analisar as respostas que elas geram pode ser decisivo para a empregabilidade. O questionário serve como um alerta para a própria pessoa.
Pesquisadores
Aplicar o modelo dentro de uma mesma empresa ou setor, comparar níveis hierárquicos e gerações, acompanhar decisões ao longo do tempo e testar a segurança psicológica como moderadora.
O que esta pesquisa não diz
- Se as pessoas aprenderam errado. A tese mede sinais de risco, a propensão, e não casos de aprendizagem supersticiosa, que só aparecem depois de uma falha analisada. · segundo o autor
- Que vale para todos. A amostra é de conveniência, recrutada em redes sociais, com 126 profissionais. · segundo o autor
- Causa e efeito. Tudo foi respondido num só momento, e o desempenho é o relatado pela própria pessoa. O autor sugere medir o desempenho depois, num segundo momento. · segundo o autor e observação nossa
- Um número que depende do cálculo. Os p da tese vêm do método de Kock, adotado porque o bootstrap ficou instável. No diagrama do software (Figura 8, bootstrap, sem controles), o caminho do feedback confuso ao desempenho tem p 0,118. · observação nossa
Créditos
KUSSANO, Walter Shuiti. Propensão à aprendizagem supersticiosa em contextos de percepção da facilidade de uso da inteligência artificial generativa e seus efeitos no desempenho individual no trabalho. Tese (Doutorado em Administração de Empresas), Universidade Presbiteriana Mackenzie, São Paulo, 2026. Orientador: Prof. Dr. Diógenes de Souza Bido.
Apoio do MackPesquisa. Análises no SmartPLS 4. As frases novas de feedback foram geradas com ChatGPT, Copilot e Gemini e revisadas por pesquisadores e especialistas; o autor usou ChatGPT e Grammarly na revisão do texto. Os dois testes viraram artigos (CASI 2024 e SemeAd 2025). Esta versão simplifica o trabalho; as tabelas completas estão no original.