A inteligência artificial generativa pode reunir estudos, organizar informações e redigir argumentos em poucos segundos. Mas uma resposta bem escrita não é necessariamente válida, completa ou confiável. Para avaliar o que a máquina entrega, é preciso examinar evidências, premissas, métodos e possíveis explicações alternativas.
A orientação vale para sistemas baseados em grandes modelos de linguagem, capazes de produzir textos, sínteses e argumentos a partir de padrões identificados em grandes volumes de informação. Eles podem apresentar respostas convincentes e, ao mesmo tempo, incompletas, tendenciosas ou erradas.
O que deve ser investigado
Pensamento crítico é o processo de reflexão usado para decidir no que acreditar ou o que fazer. Na relação com a IA, ele começa por perguntas como: de onde vieram os dados? Como foram obtidos? As fontes têm a mesma qualidade? Que premissas sustentam a conclusão? O que ficou de fora? Que evidência poderia mostrar que a resposta está errada?
A mudança está no fato de que parte do trabalho antes realizado diretamente pelas pessoas — procurar fontes, confrontar versões, interpretar evidências e construir uma síntese — agora pode ser delegada à máquina. Isso torna ainda mais importante saber examinar o resultado dessa operação.
O método científico oferece uma referência para esse cuidado. A ciência criou formas de observar, testar, documentar e contestar afirmações. Assim, a dependência do conhecimento produzido por outras pessoas não desaparece, mas se torna examinável.
Em Knowledge in a Social World, Alvin Goldman trata o conhecimento como resultado de práticas e instituições sociais. As pessoas dependem de cientistas, professores, jornalistas, instituições e bancos de dados para conhecer assuntos que não investigaram pessoalmente. Com a IA, o desafio passa a incluir a capacidade de interrogar aquilo que a máquina apresenta.
Evidências não valem todas o mesmo
Uma ferramenta pode resumir estudos e apontar diferenças entre eles, mas não resolve sozinha quanto cada evidência deve pesar. Um trabalho pode ser uma meta-análise de experimentos randomizados; outro, um estudo observacional; um terceiro pode ter poucos participantes; e uma pesquisa ampla pode mostrar apenas correlação. Também é necessário observar financiamento, replicação, contexto e limitações metodológicas.
Por isso, pensamento crítico não significa apenas pedir as fontes à IA. É preciso avaliar o que essas fontes permitem concluir, distinguir correlação de causalidade, identificar conflitos de interesse e perceber quando uma conclusão vai além dos dados.
A expertise continua importante. Se a inteligência artificial reduz a diferença de acesso à informação, ganha valor a capacidade de interpretar o que está disponível. Cinco estudos favoráveis não necessariamente pesam mais que dois contrários: um deles pode ser metodologicamente mais robusto, tratar de outra população ou medir algo diferente.
Respostas como hipóteses
George Luger defende uma visão do conhecimento baseada na construção de modelos, no confronto com evidências e na revisão quando necessário. Aplicada à IA, essa perspectiva sugere tratar cada resposta como uma hipótese, não como uma conclusão definitiva.
É possível pedir à ferramenta argumentos favoráveis e contrários a uma mesma posição e, depois, investigar que evidências distinguem as hipóteses, quais estudos indicam causalidade, em que contextos os resultados mudam e o que faria alguém abandonar uma conclusão.
A qualidade da pergunta também importa. Uma formulação pode carregar a conclusão desejada e limitar as alternativas desde o começo. Outra pode abrir espaço para diferentes posições e pedir as evidências que sustentam cada uma. Uma resposta sofisticada para uma pergunta enviesada continua presa ao problema da pergunta.
O pensamento crítico, portanto, começa antes de enviar o comando à IA: quais premissas estão sendo usadas? O que ficou fora? A busca pretende descobrir algo ou confirmar uma crença?
A questão não é preservar todas as tarefas cognitivas anteriores, mas decidir o que pode ser delegado sem perder a capacidade de julgar o resultado. Se a máquina busca informações, torna-se mais importante avaliar sua qualidade. Se sintetiza evidências, é preciso ponderá-las. Se produz argumentos, cabe examinar suas premissas.
Usada dessa maneira, a IA não encerra a investigação. Ela pode ajudar a formular perguntas, confrontar hipóteses, testar explicações e revisar conclusões diante de evidências melhores.
