# Ensinar a Pensar: o imperativo esquecido da era da inteligência artificial

## I. O paradoxo do momento

Há uma ironia silenciosa a atravessar os nossos escritórios e as nossas salas de aula. Nunca tivemos ao nosso dispor máquinas tão capazes de produzir texto, código, análises e argumentos, e nunca foi tão urgente sabermos pensar sem elas. Os grandes modelos de linguagem escrevem relatórios em segundos, resumem literatura científica, geram estratégias de marketing e depuram software. Fazem, com fluência desconcertante, aquilo que durante décadas considerámos o núcleo do trabalho intelectual. E, no entanto, o valor económico e humano do pensamento rigoroso não diminuiu. Aumentou.

A razão é simples de enunciar e difícil de interiorizar: quando a produção de respostas se torna barata, o que se torna caro é a qualidade das perguntas, o julgamento sobre as respostas e a capacidade de decidir o que fazer com elas. Um modelo de linguagem devolve sempre algo plausível. Distinguir o plausível do verdadeiro, o adequado do brilhante, o conveniente do correto, isso continua a ser trabalho humano. E é precisamente esse trabalho que as nossas escolas raramente ensinam e que as nossas empresas raramente treinam.

Este ensaio defende uma tese e propõe um método. A tese: ensinar a pensar deve tornar-se o objetivo explícito, e não o subproduto acidental, da educação e da formação profissional. O método: existe já um corpo sólido de investigação e de prática, da psicologia cognitiva à gestão, que nos diz como fazê-lo. Não precisamos de inventar. Precisamos de decidir.

## II. A evidência do problema: a dívida cognitiva

Comecemos pelos dados, porque o alarme não é retórico.

Em 2025, uma equipa do MIT Media Lab liderada por Nataliya Kosmyna publicou um estudo que ficou conhecido pelo título provocador "Your Brain on ChatGPT". Os investigadores pediram a três grupos de participantes que escrevessem ensaios: um grupo com acesso ao ChatGPT, outro com acesso a motores de pesquisa, outro apenas com a própria cabeça. Mediram a atividade cerebral por eletroencefalografia ao longo de vários meses. Os resultados foram inquietantes: o grupo que usou o modelo de linguagem apresentou a menor conectividade neuronal, a menor capacidade de recordar e citar o próprio texto, e o menor sentimento de autoria sobre o que tinha escrito. Os autores cunharam uma expressão que merece entrar no vocabulário comum: dívida cognitiva. Tal como a dívida técnica no software, a dívida cognitiva acumula-se de forma invisível, poupando esforço hoje e cobrando juros amanhã.

No mesmo ano, investigadores da Microsoft Research e da Carnegie Mellon University apresentaram na conferência CHI um inquérito a centenas de trabalhadores do conhecimento sobre o uso de IA generativa. A conclusão central: quanto maior a confiança depositada na ferramenta, menor o esforço de pensamento crítico reportado. O trabalho intelectual desloca-se da produção para a verificação, mas muitos utilizadores saltam a verificação, sobretudo em tarefas que consideram rotineiras. Michael Gerlich, num estudo publicado na revista Societies também em 2025, encontrou uma correlação negativa significativa entre a frequência de uso de ferramentas de IA e o desempenho em testes de pensamento crítico, mediada precisamente pelo fenómeno de descarga cognitiva, o hábito de delegar na máquina o que antes fazíamos mentalmente.

E há um dado ainda mais fino, vindo da educação. Hamsa Bastani e colegas, da Wharton School, conduziram em 2024 uma experiência com quase mil alunos de matemática do ensino secundário na Turquia. Os alunos que estudaram com acesso a um ChatGPT sem restrições melhoraram durante a prática, mas pioraram nos exames finais feitos sem a ferramenta, em comparação com quem nunca a usou. O título do artigo diz tudo: "Generative AI Can Harm Learning". Curiosamente, os alunos que usaram uma versão do modelo desenhada como tutor, que dava pistas em vez de respostas, não sofreram esse prejuízo. Guardemos este detalhe, porque ele contém a chave de quase tudo o que se segue.

O quadro é, portanto, este: a tecnologia não nos torna necessariamente mais estúpidos, mas torna a estupidez confortável. Remove o atrito que era, afinal, o ginásio onde o pensamento se exercitava. A resposta não pode ser proibir as ferramentas, o que seria tão inútil como proibir a calculadora. A resposta é ensinar deliberadamente aquilo que antes se aprendia por fricção acidental.

## III. O que significa, afinal, pensar bem

Antes do método, a definição. Pensar bem não é ter um QI elevado nem acumular conhecimento enciclopédico. É, como escreveu John Dewey em "How We Think" já em 1910, a capacidade de suspender o juízo, examinar evidências e conduzir uma investigação disciplinada antes de concluir. Daniel Kahneman, em "Thinking, Fast and Slow", deu-nos a arquitetura moderna desta ideia: temos um sistema rápido, intuitivo e económico, e um sistema lento, deliberado e custoso. O primeiro governa a maior parte da vida e falha de formas previsíveis. Pensar bem é saber quando desconfiar do automático e ativar o deliberado.

Mas há uma terceira peça, menos conhecida e talvez mais importante. David Perkins e os seus colegas do Project Zero, em Harvard, demonstraram que a diferença entre bons e maus pensadores raramente está na capacidade e quase sempre está na disposição. As pessoas falham não porque não conseguem pensar criticamente, mas porque não lhes ocorre fazê-lo no momento certo. Perkins chama-lhe sensibilidade à ocasião: reconhecer que esta situação, agora, pede ceticismo, ou pede criatividade, ou pede análise de consequências. O pensamento é menos um músculo e mais um repertório com um sistema de alarme.

É aqui que entra a ideia de um repertório explícito de modos de pensamento. Charlie Munger, o sócio de Warren Buffett, falava de uma "latticework of mental models", uma treliça de modelos mentais vindos de várias disciplinas, sem a qual a experiência não se transforma em sabedoria. Existem várias formulações deste repertório; uma das mais completas organiza treze modos distintos, do pensamento divergente ao integrativo. Vale a pena percorrê-los, porque cada um responde a uma pergunta diferente que a realidade nos coloca.

O pensamento divergente gera possibilidades quando o problema é aberto: foi assim que a Airbnb, em dificuldades, decidiu não cortar custos mas contratar fotógrafos profissionais para todas as listagens, duplicando a receita. O pensamento convergente escolhe quando é preciso decidir: a NASA, entre vinte e quatro locais possíveis de aterragem em Marte, não escolheu o mais excitante mas o que maximizava a sobrevivência do rover. O pensamento lateral muda o enquadramento: um hospital reduziu drasticamente as queixas sobre tempos de espera não acelerando o atendimento, mas instalando espelhos nos corredores. O pensamento sistémico vê relações e efeitos indiretos: a reintrodução dos lobos em Yellowstone alterou o comportamento dos veados, recuperou a vegetação ribeirinha e chegou a mudar o curso dos rios. O pensamento associativo importa soluções de outros domínios: um cirurgião reorganizou a passagem de responsabilidades no bloco operatório depois de observar a coreografia de uma equipa de boxes da Fórmula 1.

O pensamento crítico questiona premissas aceites: Barry Marshall duvidou de que o stress causasse úlceras, ingeriu deliberadamente a bactéria Helicobacter pylori para o provar, e recebeu o Nobel. O pensamento analógico transfere princípios: o PageRank da Google nasceu da analogia com as citações académicas, em que um artigo vale pelo número e qualidade de quem o cita. O pensamento abdutivo constrói a melhor explicação com dados incompletos, como Sherlock Holmes deduzindo o Afeganistão a partir de um bronzeado e de uma postura militar; é o raciocínio do diagnóstico médico e da decisão empresarial sob incerteza. O pensamento por primeiros princípios desmonta o problema até às verdades fundamentais: a SpaceX descobriu que as matérias-primas de um foguetão eram uma fração mínima do custo e redesenhou tudo a partir daí. O pensamento invertido pergunta pelo contrário: a aviação tornou-se segura não perguntando como voar melhor, mas eliminando sistematicamente as causas de acidente. O pensamento de segunda ordem antecipa consequências das consequências, como no célebre efeito cobra da Índia colonial, em que o prémio por cobra morta levou à criação de cobras. O pensamento probabilístico substitui certezas por estimativas revistas continuamente, a lógica com que a Amazon lança milhares de experiências sabendo que a maioria falhará e que uma AWS paga todas as outras. E o pensamento integrativo recusa falsas dicotomias: o iPhone nasceu da recusa em escolher entre potência e simplicidade.

Treze lentes, uma única competência de fundo: saber qual usar, quando, e ter a honestidade de mudar de lente quando a primeira não serve. É isto que escolas e empresas precisam de ensinar. E ensina-se. Vejamos como. (As treze lentes estão desenvolvidas, com exemplos, exercícios e referências, na [referência interativa das treze lentes](/resources/ensinar-a-pensar/modelos.html) que acompanha este ensaio.)

## IV. Como ensinar a pensar nas escolas

A primeira boa notícia é que a investigação educacional já respondeu à pergunta mais difícil: o pensamento ensina-se melhor de forma explícita e infundida no conteúdo, e não como disciplina isolada nem como esperança implícita. Três abordagens têm evidência robusta.

A primeira são as rotinas de pensamento do projeto Visible Thinking, de Harvard, descritas por Ron Ritchhart, Mark Church e Karin Morrison em "Making Thinking Visible". Uma rotina é uma micro-estrutura de três ou quatro passos que se repete até se tornar hábito. Na rotina "See, Think, Wonder", perante uma imagem, um gráfico ou um documento, o aluno descreve primeiro o que vê, depois o que pensa que aquilo significa, depois o que gostaria de saber. Parece trivial; não é. A rotina separa observação de interpretação, que é exatamente a confusão de onde nascem quase todos os erros de raciocínio. Na rotina "Claim, Support, Question", qualquer afirmação tem de vir acompanhada da evidência que a sustenta e de uma pergunta que a poderia derrubar. Praticada semanalmente durante um ano letivo, esta estrutura transforma a cultura de uma turma: pensar deixa de ser um acontecimento e passa a ser o ambiente.

A segunda abordagem é a Filosofia para Crianças, criada por Matthew Lipman nos anos setenta. O formato é uma comunidade de investigação: os alunos leem um estímulo, geram as suas próprias perguntas, escolhem uma por votação e discutem-na segundo regras de argumentação, com o professor como facilitador e não como oráculo. A avaliação independente conduzida por Stephen Gorard para a Education Endowment Foundation britânica, em 2015, com mais de três mil alunos, encontrou ganhos mensuráveis em leitura e matemática, com efeitos maiores nos alunos desfavorecidos, além dos ganhos esperados em raciocínio. A meta-análise de Trickey e Topping já tinha mostrado efeitos consistentes uma década antes. O mecanismo é claro: quando uma criança tem de justificar uma posição perante pares que discordam, o pensamento crítico deixa de ser um exercício e passa a ser uma necessidade social.

A terceira é a argumentação estruturada. O modelo de Stephen Toulmin, formulado em "The Uses of Argument" em 1958, dá aos alunos uma gramática do raciocínio: uma alegação, os dados que a suportam, a garantia que liga os dados à alegação, e as condições em que a alegação falharia. Ensinar adolescentes a decompor um editorial de jornal, ou um post viral, nestes componentes é provavelmente a vacina mais barata que existe contra a desinformação.

As três abordagens, com práticas guiadas e planos de sessão prontos a usar, estão desenvolvidas no [guia para escolas](/resources/ensinar-a-pensar/escolas.html) desta série.

A estas três abordagens, a era da IA acrescenta uma regra de ouro que vem diretamente do estudo de Bastani: pensar primeiro, consultar depois. O aluno resolve, escreve ou esboça antes de abrir o modelo de linguagem; a IA entra como tutor socrático que dá pistas, contra-argumenta e pede justificações, nunca como distribuidor de respostas. A experiência de Gregory Kestin e colegas em Harvard, publicada na Scientific Reports em 2025, mostrou que um tutor de IA cuidadosamente desenhado, com andaimes pedagógicos, superou até a aula ativa presencial em ganhos de aprendizagem em física. A ferramenta é a mesma; o desenho pedagógico é tudo. A escola que proíbe o ChatGPT e a escola que o deixa fazer os trabalhos de casa cometem o mesmo erro em direções opostas.

## V. Como ensinar a pensar nas empresas

Nas organizações, o problema muda de escala mas não de natureza. Uma empresa não pensa; pensam as pessoas dentro dela, e pensam melhor ou pior consoante os rituais que a organização institui. As melhores empresas do mundo já perceberam isto e transformaram modos de pensamento em procedimentos. Quatro práticas merecem ser copiadas.

A primeira é a escrita como pensamento. Em 2004, Jeff Bezos baniu o PowerPoint das reuniões de liderança da Amazon e substituiu-o pelo memorando narrativo de seis páginas, lido em silêncio no início de cada reunião. A justificação, repetida nas cartas aos acionistas, é uma teoria cognitiva disfarçada de política de empresa: as frases completas obrigam a explicitar a lógica causal que os bullet points escondem. Quem não consegue escrever o argumento não o tem. Numa era em que a IA escreve por nós, este ritual ganha um valor acrescido: o memorando escrito pelo próprio, mesmo que depois polido com ajuda da máquina, é o teste de que o pensamento existe antes do texto.

A segunda é o pre-mortem, proposto por Gary Klein na Harvard Business Review em 2007. Antes de lançar um projeto, a equipa reúne-se e assume que ele já falhou catastroficamente: cada pessoa escreve, individualmente, as razões do desastre. É o pensamento invertido e o pensamento de segunda ordem transformados em reunião de trinta minutos. A investigação de Deborah Mitchell e colegas sobre "prospective hindsight" mostrou que imaginar um resultado como certo aumenta em cerca de trinta por cento a capacidade de identificar as suas causas. O pre-mortem funciona porque dá licença social ao ceticismo: naquela sala, ser pessimista é a tarefa, não a traição.

A terceira é a revisão após ação, o After Action Review desenvolvido pelo exército norte-americano e adotado por empresas como a Shell. Quatro perguntas, sempre as mesmas: o que era suposto acontecer, o que aconteceu realmente, porquê a diferença, o que fazemos de forma diferente da próxima vez. Sem culpados, com registo escrito. É o pensamento sistémico e crítico aplicado à experiência, e é a diferença entre uma organização que tem vinte anos de experiência e uma que tem um ano de experiência repetido vinte vezes.

A quarta é o diário de decisões, recomendado por Daniel Kahneman em várias entrevistas como a ferramenta mais barata de melhoria do julgamento. Antes de cada decisão importante, o decisor regista o que decidiu, porquê, o que espera que aconteça e com que probabilidade. Seis ou doze meses depois, relê. O diário combate o enviesamento retrospetivo, aquele mecanismo pelo qual reescrevemos o passado para termos tido sempre razão, e é a única forma de treinar pensamento probabilístico com feedback real: sem registo das estimativas, não há calibração possível.

Os quatro rituais, com ferramentas preenchíveis para o pre-mortem, o AAR e o diário de decisões, estão no [guia para empresas](/resources/ensinar-a-pensar/empresas.html) desta série.

A estas práticas, a empresa da era da IA deve acrescentar uma política explícita de uso: a máquina como sparring partner, não como oráculo. Concretamente, três regras simples. Primeiro, rascunho humano antes do prompt, nas decisões que importam. Segundo, pedir sempre à IA o contra-argumento: "ataca esta proposta", "que assunções estou a fazer", "o que diria o nosso melhor concorrente". Terceiro, verificação com nome: todo o output de IA que circula internamente tem um humano responsável que o validou. Estas regras custam minutos e compram exatamente aquilo que os estudos da Microsoft e do MIT mostram estar a evaporar-se: o momento de fricção em que o pensamento acontece.

## VI. Uma metodologia em cinco passos

Sintetizando a investigação e a prática, eis uma metodologia que qualquer escola ou empresa pode adotar num semestre.

Primeiro, tornar o repertório explícito. Dar nome aos modos de pensamento, os treze descritos acima ou outra taxonomia equivalente, e ensiná-los com exemplos memoráveis. O que não tem nome não se convoca. Uma equipa que conhece a expressão "pensamento de segunda ordem" passa a perguntar "e depois?" nas reuniões; uma que não conhece, não pergunta.

Segundo, instituir rotinas, não eventos. Uma formação anual de dois dias sobre pensamento crítico é teatro. Uma rotina de dez minutos praticada semanalmente, "See, Think, Wonder" na escola, pre-mortem na empresa, é cultura. A investigação de Perkins sobre disposições é clara: o que falta não é capacidade, é hábito de ativação, e hábitos constroem-se por repetição em contexto.

Terceiro, escrever antes de consultar. Em qualquer tarefa cognitivamente relevante, o primeiro rascunho, a primeira estimativa, a primeira hipótese são humanos e ficam registados. Só depois entra a máquina. Esta sequência, validada pelo contraste entre os grupos do estudo de Bastani, preserva o esforço gerador que a aprendizagem exige, aquilo a que Robert Bjork chama dificuldades desejáveis.

Quarto, usar a IA em modo socrático. Configurar os assistentes, nas escolas e nas empresas, para perguntar antes de responder, dar pistas antes de soluções, exigir justificação antes de validação. A diferença entre a IA que prejudica e a IA que ensina, mostram os estudos de Wharton e de Harvard, não está no modelo; está no desenho da interação.

Quinto, fechar o ciclo com feedback. Diários de decisão, revisões após ação, releitura de previsões. O pensamento só melhora quando confrontado com os seus resultados. Uma organização que decide muito e revê pouco está a treinar confiança, não julgamento.

Os cinco passos, com checklist persistente para acompanhar a implementação, estão no [guia da metodologia](/resources/ensinar-a-pensar/metodologia.html) desta série.

## VII. Conclusão: a vantagem que a máquina não replica

Voltemos ao paradoxo inicial. Os modelos de linguagem vieram para ficar e vão continuar a melhorar. Lutar contra eles é tão sensato como lutar contra a imprensa de Gutenberg. Mas a história da tecnologia ensina uma lição consistente: cada ferramenta que automatiza uma competência aumenta o prémio da competência imediatamente acima. A calculadora não acabou com a matemática; acabou com o cálculo mental como profissão e tornou o raciocínio matemático mais valioso. A imprensa não acabou com a memória; libertou-a para a análise. Os modelos de linguagem não acabarão com o pensamento; acabarão com a redação como proxy do pensamento, e tornarão o pensamento propriamente dito, a formulação de problemas, o julgamento sobre evidências, a antecipação de consequências, a síntese de contrários, o ativo mais escasso e mais bem pago da economia.

A escolha que escolas e empresas enfrentam não é, portanto, entre adotar ou rejeitar a IA. É entre formar pessoas que pensam com a máquina e pessoas que deixam a máquina pensar por elas. A primeira via exige aquilo que este ensaio descreveu: um repertório explícito de modos de pensamento, rotinas que os transformem em hábito, a regra de escrever antes de consultar, ferramentas desenhadas para perguntar em vez de responder, e ciclos de feedback que confrontem o julgamento com a realidade. Nada disto é caro. Tudo isto está validado. Falta apenas a decisão de o fazer.

A qualidade da nossa vida, individual e coletiva, sempre dependeu da qualidade do nosso pensamento. A diferença é que, pela primeira vez, temos uma tecnologia capaz de nos poupar ao esforço de pensar, e nada revela melhor o carácter de uma pessoa, de uma escola ou de uma empresa do que aquilo que faz quando o esforço se torna opcional.

---

## Referências

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. e Mariman, R. (2024). *Generative AI Can Harm Learning*. The Wharton School Research Paper.

Bezos, J. (2004 e seguintes). Cartas aos acionistas da Amazon; política interna de substituição do PowerPoint por memorandos narrativos de seis páginas.

Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. Em *Metacognition: Knowing about Knowing*. MIT Press. (Conceito de "desirable difficulties".)

Dewey, J. (1910). *How We Think*. D. C. Heath.

Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. *Societies*, 15(1), 6.

Gorard, S., Siddiqui, N. e See, B. H. (2015). *Philosophy for Children: Evaluation Report*. Education Endowment Foundation.

Kahneman, D. (2011). *Thinking, Fast and Slow*. Farrar, Straus and Giroux.

Kestin, G., Miller, K. et al. (2025). AI tutoring outperforms in-class active learning. *Scientific Reports*.

Klein, G. (2007). Performing a Project Premortem. *Harvard Business Review*, setembro de 2007.

Kosmyna, N. et al. (2025). *Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task*. MIT Media Lab (preprint, arXiv).

Lee, H. P., Sarkar, A. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. *Proceedings of CHI 2025*. Microsoft Research e Carnegie Mellon University.

Lipman, M. (2003). *Thinking in Education* (2.ª ed.). Cambridge University Press.

Mitchell, D. J., Russo, J. E. e Pennington, N. (1989). Back to the future: Temporal perspective in the explanation of events. *Journal of Behavioral Decision Making*, 2(1).

Munger, C. (2005). *Poor Charlie's Almanack*. (Conceito de "latticework of mental models".)

Perkins, D., Jay, E. e Tishman, S. (1993). Beyond abilities: A dispositional theory of thinking. *Merrill-Palmer Quarterly*, 39(1).

Ritchhart, R., Church, M. e Morrison, K. (2011). *Making Thinking Visible*. Jossey-Bass. (Projeto Zero, Universidade de Harvard.)

Toulmin, S. (1958). *The Uses of Argument*. Cambridge University Press.

Trickey, S. e Topping, K. J. (2004). Philosophy for Children: A systematic review. *Research Papers in Education*, 19(3).

*Os treze modos de pensamento (divergente, convergente, lateral, sistémico, associativo, crítico, analógico, abdutivo, primeiros princípios, invertido, segunda ordem, probabilístico, integrativo) estão desenvolvidos na série interativa [Pensar Melhor](/resources/ensinar-a-pensar/index.html), que acompanha este ensaio.*