Em 1988, o roboticista Hans Moravec formulou uma observação que hoje soa profética: tarefas que exigem raciocínio abstrato de alto nível, como jogar xadrez ou resolver equações, são relativamente fáceis para uma máquina, enquanto habilidades sensório-motoras triviais para uma criança de um ano, como reconhecer um rosto em condições variadas ou segurar um copo sem derramar, permanecem extraordinariamente difíceis de replicar computacionalmente. Quase quarenta anos depois, os grandes modelos de linguagem reproduzem uma versão atualizada desse mesmo paradoxo: são capazes de gerar código funcional, sintetizar literatura científica e produzir análises técnicas impecáveis, mas tropeçam justamente naquilo que qualquer profissional de marketing, designer de produto ou pesquisador de comportamento aprende de forma quase intuitiva depois de anos de convivência com pessoas reais.
O paradoxo de Moravec aplicado à era dos grandes modelos de linguagem
Na minha experiência como professor e pesquisador de sistemas baseados em IA generativa, observo esse fenômeno de forma recorrente em situações de consultoria estratégica. Um modelo consegue explicar com precisão cirúrgica as regras de registro de domínios sob a hierarquia .br, listar as restrições de subdomínios de terceiro nível e apontar corretamente que determinada combinação é rara ou historicamente valiosa. O que ele frequentemente não consegue é dar o salto interpretativo que qualquer pessoa exposta a décadas de publicidade de Apple, Adobe, Microsoft ou Xiaomi faria automaticamente: a palavra “Pro” carrega, na cultura de consumo contemporânea, uma conotação quase universal de versão premium, e essa associação pesa mais no valor percebido de uma marca do que qualquer característica técnica do registro em si. Esse tipo de leitura não emerge de uma regra explícita armazenada em algum lugar do treinamento; ela nasce da exposição cumulativa a milhares de sinais culturais que um ser humano absorve sem nunca precisar catalogá-los conscientemente.
Se você quiser aprofundar como esse tipo de análise crítica sobre os limites reais da IA generativa pode ser aplicado à sua própria estratégia de produto ou pesquisa, o ia.pro.br reúne estudos de caso e frameworks aplicados exatamente para esse tipo de decisão.
Conhecimento declarativo versus julgamento tácito: a distinção que Polanyi já anunciava
O filósofo da ciência Michael Polanyi cunhou, em sua obra “The Tacit Dimension” (1966), a expressão que resume com elegância o problema: “sabemos mais do que somos capazes de dizer”. Polanyi argumentava que grande parte do conhecimento humano especializado, do ciclista que mantém o equilíbrio sem calcular ângulos até o médico que reconhece uma doença rara pelo semblante do paciente antes mesmo de qualquer exame, não pode ser totalmente articulado em regras explícitas. Esse conhecimento tácito é justamente o tipo de competência que os modelos de linguagem têm mais dificuldade em internalizar, porque eles aprendem primariamente a partir de representações textuais e simbólicas, e não da vivência corporificada, social e emocional que produz o julgamento tácito em humanos.
Herbert Simon, em “Administrative Behavior” (1947), já havia introduzido o conceito de racionalidade limitada para descrever como decisões humanas raramente seguem uma lógica de otimização pura; elas são moldadas por heurísticas, atalhos cognitivos e experiências acumuladas que produzem respostas satisfatórias, ainda que não matematicamente ótimas. É irônico, e talvez um pouco cômico, notar que os sistemas de IA foram originalmente projetados para superar exatamente essas limitações humanas de processamento, e hoje se veem na posição inversa: excelentes na otimização formal, mas carentes justamente daquelas heurísticas culturais imperfeitas que tornam o julgamento humano tão eficiente em contextos ambíguos.
Um ponto de clareza metodológica que costumo repassar a orientandos: sempre que uma IA apresentar uma conclusão tecnicamente impecável sobre comportamento humano, cultura ou mercado, vale perguntar se aquela conclusão foi extraída de dados de exposição real (uso, conversão, entrevista) ou de inferência estatística sobre texto. A resposta muda completamente o grau de confiança que se deve depositar na recomendação.
O caso ia.pro.br e o significado cultural da palavra “Pro”
Esse exemplo específico ilustra bem a diferença entre uma análise técnica de domínio e uma leitura de mercado. A tabela a seguir organiza essa distinção de forma mais sistemática.
| Dimensão analisada | Resposta típica de um modelo de linguagem | Julgamento humano experiente |
|---|---|---|
| Estrutura do domínio | Correto ao identificar raridade e restrições de registro | Considera raridade, mas pondera pouco peso frente à percepção de marca |
| Significado da palavra “Pro” | Reconhece múltiplos significados (profissional, professor) sem hierarquizá-los | Associa imediatamente a versão premium por exposição cultural acumulada |
| Valor de marca | Calculado a partir de critérios explícitos (extensão, histórico, SEO) | Calculado a partir de precedentes de mercado, publicidade e comportamento do consumidor |
| Fonte do julgamento | Padrões estatísticos extraídos de texto | Experiência sensorial, social e comercial direta |
UX como vivência acumulada: por que “tecnicamente correto” não é “psicologicamente correto”
O mesmo padrão se repete no design de interfaces. Um modelo de linguagem consegue produzir um layout funcional, seguir heurísticas de usabilidade conhecidas (como as de Jakob Nielsen) e até justificar cada escolha com base em princípios documentados. O que ele raramente antecipa são reações subjetivas como “esse botão está tecnicamente correto, mas transmite insegurança” ou “essa tela é funcional, mas cansa visualmente depois de alguns minutos de uso real”. Emily Bender e Alexander Koller, em um artigo influente publicado na ACL em 2020 intitulado “Climbing towards NLU”, argumentaram que modelos treinados apenas sobre forma linguística, sem ancoragem em referentes do mundo real, podem produzir texto competente sem necessariamente capturar o significado situado que sustenta esse tipo de percepção. Daniel Kahneman, em “Thinking, Fast and Slow” (2011), complementa essa ideia ao mostrar que boa parte do julgamento humano em situações de incerteza depende de um sistema intuitivo e rápido, moldado por exposição repetida a resultados reais, algo estruturalmente diferente da inferência estatística que orienta um modelo de linguagem.
Visão Científica e de Mercado
Do ponto de vista institucional, essa lacuna entre conhecimento declarativo e discernimento tácito já está reconfigurando funções inteiras dentro de empresas de tecnologia. Pesquisadores em ciência cognitiva aplicada e times de produto têm reposicionado profissionais de UX research e branding não como executores de tarefas substituíveis por automação, mas como validadores humanos de saída gerada por IA, uma função que ganha peso estratégico exatamente na medida em que a geração de conteúdo e código se torna commoditizada. Órgãos de política pública que discutem regulação de IA, incluindo debates no âmbito da OCDE e da União Europeia sobre avaliação de risco algorítmico, também têm incorporado a noção de que sistemas automatizados carecem de “contexto situado” para decisões de alto impacto social, o que reforça a exigência de supervisão humana qualificada em domínios sensíveis como saúde, crédito e justiça. Do lado corporativo, o mercado de consultoria em experiência do usuário e branding não encolheu com a chegada da IA generativa; pelo contrário, cresceu a demanda por profissionais capazes de traduzir a saída técnica de um modelo em decisões culturalmente calibradas, o que sugere que a automação do conhecimento está, paradoxalmente, valorizando ainda mais o discernimento humano especializado.
Um desdobramento metodológico: o protocolo de validação em três camadas
Um caso de aplicação prática que tenho testado em projetos de produto consiste em um protocolo simples de três camadas para mitigar essa limitação. Na primeira camada, o modelo de linguagem produz a análise técnica completa (viabilidade, estrutura, dados disponíveis). Na segunda camada, um validador humano com experiência de mercado revisa especificamente os pontos de interpretação cultural ou emocional, sinalizando divergências entre a leitura técnica e a leitura de mercado. Na terceira camada, quando possível, testa-se a hipótese com uma amostra real de usuários ou consumidores, fechando o ciclo entre inferência estatística e evidência situada. Esse protocolo não elimina a necessidade de julgamento humano; ele apenas torna explícito, e portanto auditável, o ponto exato em que esse julgamento entra no processo.
Vale destacar que sistemas com comportamento agêntico, memória de longo prazo e capacidade de testar hipóteses em ciclos iterativos (gerando variações, medindo conversão, incorporando feedback) podem reduzir progressivamente essa distância. Mas mesmo esses sistemas, ao adquirirem experiência prática em escala, o fazem por acúmulo de dados de interação, um processo estruturalmente distinto da vivência emocional, social e corporificada que produz o discernimento humano. Se você trabalha com implementação de agentes de IA em produtos reais e quer entender onde essa supervisão humana ainda é indispensável, o ia.pro.br traz metodologias aplicadas para estruturar esse tipo de validação dentro do seu próprio fluxo de trabalho.
O Discernimento Como Última Fronteira da Inteligência
A distinção entre saber e discernir não é uma limitação passageira que a próxima geração de modelos resolverá por completo; é uma consequência estrutural de como cada tipo de inteligência adquire suas competências. Modelos de linguagem escalam conhecimento declarativo em uma velocidade que nenhum ser humano jamais igualará, mas o discernimento fino, aquele que reconhece a diferença entre uma resposta correta e uma resposta que soa certa para quem vai realmente usá-la, continuará dependendo de vivência acumulada, contexto social e sensibilidade cultural. Reconhecer essa fronteira não é uma forma de subestimar a IA; é, na verdade, a condição necessária para utilizá-la com a maturidade estratégica que o momento exige.
FAQ — Perguntas Frequentes
Qual é a diferença entre conhecimento e discernimento em inteligência artificial?▾
Qual é a diferença entre conhecimento e discernimento em inteligência artificial?▾
Conhecimento refere-se à capacidade de armazenar e recuperar fatos, padrões e regras explícitas, algo em que os modelos de linguagem se destacam. Discernimento é a capacidade de interpretar nuances culturais, sociais e emocionais que não estão explicitamente codificadas em texto, e que dependem de vivência acumulada ao longo do tempo.
O que é o paradoxo de Moravec e por que ele ainda é relevante?▾
Formulado por Hans Moravec em 1988, o paradoxo descreve como tarefas de raciocínio abstrato são relativamente fáceis para máquinas, enquanto habilidades sensoriais e intuitivas triviais para humanos são difíceis de automatizar. Nos modelos de linguagem atuais, essa lógica se manifesta na dificuldade de capturar julgamentos culturais óbvios para pessoas experientes.
O comportamento agêntico pode eliminar essa limitação no futuro?▾
Sistemas agênticos com memória de longo prazo e capacidade de testar hipóteses iterativamente podem reduzir significativamente essa distância, aprendendo por meio de ciclos de experimentação real. Ainda assim, esse aprendizado ocorre por acúmulo de dados de interação, um processo distinto da vivência emocional e corporificada que molda o julgamento humano.
Por que uma IA erra em decisões de branding ou UX que parecem óbvias para humanos?▾
Porque essas decisões dependem de conhecimento tácito, construído por exposição cumulativa a publicidade, comportamento de consumo e observação direta de usuários reais, e não apenas de regras linguísticas extraídas de texto.
Como aplicar esse conceito na prática, dentro de uma empresa ou projeto de pesquisa?▾
Uma abordagem eficaz é adotar um protocolo de validação em camadas, no qual a análise técnica gerada pela IA é revisada por um especialista humano focado especificamente em interpretação cultural e emocional, e testada, quando possível, com usuários reais antes da implementação final.
Esse tema tem relevância para políticas públicas de regulação de IA?▾
Sim. Órgãos como a OCDE e a União Europeia têm discutido a necessidade de supervisão humana qualificada em decisões algorítmicas de alto impacto social, reconhecendo que sistemas automatizados carecem do contexto situado necessário para avaliações sensíveis em áreas como saúde, crédito e justiça.
Referências Técnicas
- Moravec, H. (1988). Mind Children: The Future of Robot and Human Intelligence. Harvard University Press.
- Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
- Simon, H. A. (1947). Administrative Behavior. Macmillan.
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
- Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data. Proceedings of the 58th Annual Meeting of the ACL.
- Dreyfus, H. L. (1992). What Computers Still Can’t Do: A Critique of Artificial Reason. MIT Press.
- Schön, D. A. (1983). The Reflective Practitioner: How Professionals Think in Action. Basic Books.
- Nielsen, J. (1994). Usability Engineering. Morgan Kaufmann.
- Norman, D. A. (2013). The Design of Everyday Things. Basic Books.
- Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157).
- Lucy, L., & Gauthier, J. (2017). Are Distributional Representations Ready for the Real World? Evaluating Word Vectors for Grounded Perceptual Meaning. Proceedings of the First Workshop on Language Grounding for Robotics, ACL.
- OECD (2019). Recommendation of the Council on Artificial Intelligence. OECD Legal Instruments.
- Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots. Proceedings of the ACM Conference on Fairness, Accountability, and Transparency (FAccT).
Créditos: Professor de IA Maiquel Gomes — maiquelgomes.com.br | ia.pro.br
Ao citar ou reproduzir este conteúdo, é necessário referenciar o Professor Maiquel Gomes https://maiquelgomes.com.br.
Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF) e Mestrando em IA no Instituto de Computação da UFF (nota máxima no CAPES). Palestrante e Professor de Inteligência Artificial e Linguagem de Programação; autor de livros, artigos e aplicativos.
Professor do Grupo de Trabalho em Inteligência Artificial da UFF (GT-IA/UFF) e do Laboratório de Inovação, Tecnologia e Sustentabilidade (LITS/UFF), entre outros projetos.
Proprietário dos projetos:
entre outros.
💫 Apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.
