Este é o material de apoio da palestra Híbridos: o futuro do trabalho entre humanos e máquinas, de Ricardo Cappra, no Coopmix 2026, do Sicoob Central Crediminas.
Dados e IA já dividem o trabalho entre pessoas e máquinas, e essa divisão muda a organização inteira: como se decide, como se pensa e como o trabalho se estrutura. A palestra mostra como enxergar essa mudança e conduzi-la com intenção. O percurso tem quatro blocos: decisão, cognição, organização e transformação. Cada prancha traz um esquema e um texto explicativo, e algumas trazem uma pergunta para discutir com a equipe.
A base é o livro Híbridos (2025) e as pesquisas do Cappra Institute reunidas em analitica.org.
Dados e IA não mudam só as ferramentas. Mudam como a organização decide, pensa e se estrutura, e por isso exigem uma reconfiguração feita com intenção.
Cientista-chefe do Cappra Institute, instituto de pesquisa fundado em 1998, que atua em pesquisa, educação executiva e consultoria em transformação organizacional.
Conselheiro de administração formado e certificado pelo IBGC.
Pesquisador e filósofo da tecnologia, mestre em Filosofia, com pesquisa sobre a interdependência humano-dado-máquina, e pós-graduado em Educação e Tecnologias de Aprendizagem. Autor de Rastreável (2021) e Híbridos (2025), colaborador da MIT Technology Review Brasil e três vezes palestrante TEDx.
Professor de pós-graduação e MBAs no Brasil e no exterior, criou o primeiro MBA em Cultura Analítica autorizado pelo MEC.
A interseção é a Cultura Analítica: o campo que estuda a interdependência entre humanos, dados e máquinas, e que organiza a pesquisa, a educação e a consultoria do Instituto. A prática mostra o que acontece dentro das empresas; a pesquisa ajuda a nomear e explicar.
A Cultura Analítica é a ressignificação da relação das pessoas e das organizações com os dados e a informação. Ela não se resume a ferramentas, painéis ou times técnicos.
O esquema mostra onde esse fenômeno acontece. A cultura organizacional (valores, hábitos, poder) e a cultura de dados (métodos, ferramentas, evidência) se encontram numa zona estreita. A tecnologia acelera o processo; a mudança decisiva acontece na cultura.
É nessa camada que atua o Cappra Institute, com pesquisa, educação e consultoria. E é a partir dela que esta palestra olha para a transformação do trabalho.
A pergunta mais comum sobre IA no trabalho é se ela vai substituir pessoas. É uma pergunta de previsão: ninguém controla a resposta, e ela coloca a tecnologia no lugar de ameaça. A conversa vira medo ou promessa.
Esta palestra propõe outra pergunta: como está dividido, hoje, o trabalho entre o que a máquina faz e o que a pessoa faz no meu dia a dia, e com que intenção? Essa pergunta tem resposta, e a resposta pode ser mudada.
Muitas vezes a divisão já existe sem ter sido escolhida. Veio com o sistema, com a rotina ou com a pressa. Enxergá-la é o primeiro passo para redesenhá-la.
A frase, do livro Híbridos (2025), resume a tese do percurso: já não pensamos e decidimos de modo puramente humano. Lembramos, calculamos, escrevemos e conversamos com apoio de sistemas.
O Cappra Institute descreve essa condição como interdependência humano-dado-máquina (HDM). Os três elementos não se somam como peças independentes; cada um altera os outros. Dados moldam o que se percebe, máquinas moldam o que os dados significam, humanos moldam o que as máquinas aprendem.
A tese dialoga com a hipótese da mente estendida, de Andy Clark e David Chalmers (1998): processos cognitivos podem incluir ferramentas do ambiente. Se a tecnologia já faz parte de como pensamos, a questão deixa de ser aceitá-la ou rejeitá-la. Passa a ser como conviver com ela.
O esquema lê as revoluções do trabalho pelas mudanças culturais que produziram. A industrial, a partir de cerca de 1760, trouxe centralização produtiva e substituição da força física. A digital, do transistor (1947) à web (por volta de 1990), trouxe digitalização, conectividade em rede e externalização do conhecimento.
A cognitiva se forma entre 2012, com o salto do aprendizado profundo no reconhecimento de imagens, e 2022, com a chegada da IA generativa ao grande público. Suas marcas: descentralização cognitiva, crise dos modelos econômicos e uma infraestrutura invisível que passa a mediar o trabalho.
A adoção já é ampla: segundo a pesquisa global da McKinsey de 2025, 88% das organizações usam IA em pelo menos uma função de negócio, mas a maioria ainda não escalou esse uso. A tecnologia chegou antes da mudança no jeito de trabalhar.
Durante duas décadas, ser data-driven foi a ambição de quem queria decidir melhor: medir, consolidar, visualizar e orientar a decisão por evidência. A curva mostra que esse estágio não foi o ponto de chegada. A partir dele, modelos e agentes passam a participar da decisão, e a organização entra em outro regime.
A área destacada é o território AI-driven. Muitas organizações já chegaram a ele em tecnologia, mas ainda não o ocuparam em estrutura, cultura e direitos decisórios.
Os quatro blocos a seguir percorrem essa ocupação, sempre a partir de quem trabalha: decisão, cognição, organização e transformação.
A Harvard Business Review estima que o adulto médio toma entre 33 e 35 mil decisões por dia. A Psychology Today chega ao mesmo número e mostra o que ele significa no tempo: perto de 2 mil decisões por hora acordado, uma a cada dois segundos.
O número é uma estimativa amplamente aceita, e não uma contagem direta. A maioria dessas escolhas é quase automática. Mas ele expressa uma percepção difundida: a vida e o trabalho passaram a exigir escolhas em ritmo contínuo, quase todas mediadas por informação, notificações e sistemas.
No trabalho, a pergunta útil é outra: quantas dessas escolhas recebem atenção suficiente para serem decisões de fato.
O esquema cruza três linhas. A informação disponível cresce sem parar. A capacidade humana de consumo permanece praticamente estável. Por um tempo, a sociedade acompanhou o crescimento, até ultrapassar a faixa de capacidade. A partir daí a curva de consumo se dobra: não há como absorver o que está disponível.
Alfons Cornella deu nome a esse estado em 1996: infoxicação, a intoxicação por excesso de informação. Herbert Simon já havia formulado o princípio em 1971: a riqueza de informação produz pobreza de atenção.
A ordem de grandeza ajuda a dimensionar o problema. Em 2017, a IDC projetou que a esfera global de dados chegaria a 163 zettabytes em 2025. Um ano depois, revisou a projeção para 175 zettabytes. Mais informação não significa decisões melhores. Sem critério, ela só aumenta o ruído.
Uma definição operacional orienta o trabalho do Cappra Institute: informação é a combinação de dados com narrativas. Os dados dão base factual. As narrativas dão sentido, contexto e direção. Nenhum dos dois, sozinho, produz informação útil para decidir.
Quando a narrativa pesa mais que os dados, cresce o risco de distorção da realidade: a história convence, mas não se sustenta. Quando os dados pesam mais que a narrativa, cresce o risco de decisões fora de contexto: os números estão certos, mas ninguém sabe o que fazer com eles.
O equilíbrio entre os dois é o que torna possíveis decisões informadas. A máquina amplia o alcance dos dados, mas o sentido ainda depende de quem conhece o contexto.
A matriz cruza dois eixos: o nível de conexão (desconectada, conectada, ininterrupta) e o nível de informação (desinformada, informada, hiperinformada). Cada combinação descreve um estado cognitivo de quem decide.
Nas bordas aparecem as patologias, como zumbificação informacional, espiral de ansiedade, saturação cognitiva e ilusão de segurança. A paralisia decisória, no encontro entre conexão ininterrupta e hiperinformação, é o estado para onde o ambiente atual empurra quem decide.
No centro está o pensamento analítico: conectado sem ser capturado, informado sem ser saturado. É um equilíbrio instável, que exige prática deliberada para ser mantido.
O esquema mostra o circuito mais simples da decisão híbrida. O humano pilota: define o problema e a intenção. A máquina copilota: amplia a análise, sugere caminhos e devolve alternativas. Do diálogo entre os dois resulta a inteligência aumentada, que retorna ao humano como capacidade ampliada.
A ideia tem raízes antigas. Em 1960, J. C. R. Licklider descreveu a simbiose entre homem e computador. Em 1962, Douglas Engelbart propôs o aumento do intelecto humano como programa de pesquisa. O que muda agora é a escala: o copiloto virou interface cotidiana de trabalho.
Reconhecer a decisão híbrida é o primeiro passo para conduzi-la: saber, em cada decisão, onde termina a contribuição de um e começa a do outro. É assim que os dados passam a apoiar decisões e a antecipar necessidades, sem tirar da pessoa o julgamento.
Um caso cotidiano da decisão híbrida, comum a muitas atividades. A pessoa executa o trabalho e aceita ou recusa o que chega. O sistema define o que chega, o ritmo e a prioridade, sugere como executar e onde concentrar o esforço. A avaliação costuma combinar regra automática e revisão humana.
As posições variam entre contextos, mas o ponto se repete: boa parte da gestão desse trabalho já é feita por um sistema. Quando isso não é percebido, a divisão entre pessoa e máquina acontece sem escolha.
A pergunta deixou de ser teórica. O experimento Moral Machine, do MIT, reuniu cerca de 40 milhões de decisões de pessoas em 233 países e territórios sobre dilemas de carros autônomos e mostrou que as preferências morais variam entre culturas. Desde março de 2025, carros sem motorista da Waymo transportam passageiros em Austin, nos Estados Unidos, pela plataforma da Uber.
Quando uma decisão passa por quem projeta o sistema, quem fornece os dados, quem configura, quem supervisiona e pelo agente que executa, a responsabilidade se dilui: é a lacuna de responsabilidade. Madeleine Clare Elish descreveu o efeito oposto, a zona de deformação moral: em sistemas automatizados, a culpa tende a recair sobre o humano mais próximo do erro, mesmo quando ele tinha pouco controle.
Por isso a responsabilidade precisa ser definida antes, e não depois do problema.
Em que decisão do seu trabalho a responsabilidade ainda não está clara?
O esquema dispõe a relação entre humanos e IA num espectro. De um lado, autonomia humana total; do outro, dependência total de IA. Entre os extremos: ferramentas de suporte, parceria cognitiva, automação seletiva, IA supervisionada, decisão tomada por IA e substituição de funções humanas.
As duas formas cruzadas mostram a troca: à medida que a participação da IA aumenta, a participação humana diminui. No cruzamento, entre automação seletiva e IA supervisionada, estão as escolhas mais delicadas.
Este é o vocabulário central da palestra. O espectro troca a pergunta “a IA vai substituir?” por “em que nível cada decisão deve operar?”. A engenharia de automação trabalha assim há décadas, com níveis definidos para cada função. É uma escolha de desenho, e pode ser diferente para cada decisão.
O conhecimento costuma seguir um fluxo: uma lacuna desperta curiosidade, que leva à investigação, que exige abstração, que precisa de maturação até se tornar conhecimento. Cada etapa tem um custo cognitivo, e é esse custo que forma quem pensa.
O desvio acontece na investigação. Quando a IA entrega a resposta pronta, a lacuna se fecha antes do tempo. Daí decorre uma cadeia: ilusão de completude (parece que já se sabe), colapso da curiosidade (não resta o que perguntar) e, no limite, proletarização cognitiva: a perda de um saber que passa a depender de um sistema externo.
Pesquisas recentes com trabalhadores do conhecimento apontam na mesma direção: quanto maior a confiança na IA generativa, menor o esforço de pensamento crítico relatado. O risco não é usar a IA. É deixar de fazer o trabalho de pensar que a pergunta exigia.
O híbrido cognitivo combina capacidades humanas, como criatividade, intuição e julgamento ético, com a precisão e a velocidade das máquinas. A IA identifica padrões que o olhar humano não vê; o pensamento crítico os coloca em contexto e os transforma em decisão. Na medicina, a IA detecta anomalias em imagens, e o médico interpreta, diagnostica e trata.
É nesse encontro que ficam as competências do profissional híbrido: pensamento crítico para avaliar o que a máquina propõe, criatividade para formular o que ela não sabe perguntar e relacionamento para sustentar a confiança que nenhum sistema substitui.
O mesmo processo pode levar à dependência. Se a pessoa não mantém o controle, a memória e o pensar entregues à máquina viram proletarização cognitiva.
Para quem trabalha com relacionamento, a IA encurta o caminho entre a pergunta e a resposta. Um texto claro e cordial fica pronto em segundos. O ganho é real.
O risco está no trecho que some: ouvir o contexto e pensar a resposta. É ali que se forma o entendimento sobre quem está do outro lado. Quem envia sem entender ganha velocidade e perde a capacidade de explicar, ajustar e sustentar a próxima conversa.
É a lacuna fechada antes do tempo, agora dentro do relacionamento. Daí a pergunta que fecha o bloco: você está no controle?
O esquema descreve três maneiras de uma organização se relacionar com a informação. Como insumo: processar mais para decidir melhor, com a hierarquia intacta. Como força: a informação altera estrutura, cultura e direitos decisórios, muitas vezes sem que ninguém tenha anunciado uma mudança. Como estrutura: os fluxos de percepção, interpretação e decisão passam a definir quem faz o quê.
O Cappra Institute chama esse terceiro estado de inforganização (inforganization, na grafia internacional), conceito formalizado em 2020 e atualizado em 2026.
A passagem entre os estágios produz a reconfiguração organizacional: uma mudança contínua e quase imperceptível de estrutura, cultura e direitos decisórios. Quando ninguém a enxerga, ela acontece sem projeto, e a organização passa a ser moldada pelo que não vê.
A resposta a essa reconfiguração é a organização analítica: a que reconhece, em cada estágio, o lugar que dados e máquinas ocupam nas suas decisões.
O esquema percorre seis estágios e mostra o que fica entre os dados e a decisão em cada um: uma barreira (negação), uma pergunta (curiosidade), pilotos (experimentação), uma base confiável (segurança), o analytics (orientação por dados) e, por fim, uma camada de máquina, com modelos e agentes que fazem inferência, recomendação e execução.
O lado humano também muda. No estágio data-driven, a contribuição humana era intuição, experiência e hierarquia. No AI-driven, passa a ser intenção, julgamento e supervisão: definir o que se quer, avaliar o que a máquina propõe e responder pelo resultado. Nenhum dos três elementos decide sozinho.
No estágio AI-driven, humanos e agentes artificiais passam a decidir e executar juntos. O esquema distribui capacidades entre dois tipos de agência. Do lado humano, capacidades ligadas a crítica, ética, contexto, criatividade e influência. Do lado artificial, capacidades ligadas a escala, precisão, velocidade, continuidade e memória.
No centro está o fluxo de trabalho: tarefa programada, tarefa executada, análise de performance, aprendizado obtido. Pessoas e agentes entram nesse fluxo em pontos diferentes, e o aprendizado volta para o início.
A comparação lembra a lista de Fitts (1951), que separava o que humanos e máquinas fazem melhor. A diferença é que agora as duas agências operam no mesmo fluxo. Quando a máquina assume a escala e a repetição, abre espaço para o que é humano: crítica, contexto, criatividade e relação. Uma ressalva: modelos não têm emoção, mas herdam os vieses dos dados e de quem os configura.
Em 1893, Émile Durkheim descreveu a divisão do trabalho como fonte de coesão social: à medida que as funções se especializam, as pessoas passam a depender umas das outras. A análise pressupunha uma única forma de agência, a humana.
O esquema atualiza essa imagem. Antes da IA, a divisão do trabalho distribuía funções entre pessoas. Depois da IA, distribui funções entre pessoas e agentes artificiais: a multiagência, soma de agência humana e agência artificial. Os agentes não só executam tarefas; ocupam posições na rede de interdependências que mantém a organização funcionando.
Quando uma máquina ocupa uma posição social, passa a afetar coordenação, confiança e responsabilidade, e não apenas produtividade.
A nova divisão do trabalho já tem casos em escala. Em março de 2026, no painel From Teams to Multiagent Ecosystems, no South Summit, em Porto Alegre, o CEO do iFood, Diego Barreto, relatou em conversa com o autor desta palestra que a empresa operava cerca de 9 mil agentes de IA e que 32% de todas as atividades já haviam sido redesenhadas em algum grau.
O dado importa menos pelo volume e mais pelo que revela: tarefas executadas em segundo plano por agentes, enquanto pessoas redefinem o próprio trabalho. A empresa descreveu a evolução como a passagem de assistentes, que aumentam a produtividade, para agentes que executam atividades de forma autônoma.
É nesse tipo de ambiente que surgem as perguntas seguintes: quem responde pelas ações dos agentes, e como organizar o trabalho que eles passam a dividir com as pessoas.
O esquema mostra por que a gestão de agentes não cabe em uma única área. No núcleo está a IA. A primeira camada é a da TI: configuração, técnica, segurança e integração. A segunda é a do RH: ética, cultura, feedback e agência. A terceira é a dos negócios: regras, contexto, operação e mensuração.
Quatro eixos atravessam as camadas: parametrização, aprendizado, supervisão e autonomia. O cone central é o vácuo: a responsabilidade cresce à medida que os agentes ganham autonomia, mas nenhuma das três áreas, sozinha, tem mandato para geri-los.
O Cappra Institute chama de RH+A, gestão de recursos humanos e artificiais, o campo que precisa ocupar esse espaço. Ocupar esse vácuo é o primeiro passo para governar o que pessoas e agentes passam a fazer juntos.
No centro do ciclo está a Governança Analítica. Ela vai além dos dados: cobre a informação e toda a ação que nasce dela, seja executada por pessoas ou por agentes de IA.
O ciclo tem quatro movimentos. Observar tensões e sinais em dados, pessoas e agentes. Orientar com critérios, limites e responsáveis. Ajustar processos, fluxos e agentes. Aprender, registrando o que mudou para recomeçar o ciclo.
Não é um projeto com fim. É um mecanismo contínuo, que acompanha a organização enquanto ela muda. Para cada pessoa, governar começa por saber quais critérios orientam o uso de dados e de IA no próprio trabalho.
Que decisão do seu trabalho ainda não tem um critério explícito?
O esquema separa três dimensões que mudam em velocidades diferentes. A decisão, isto é, como se decide, foi modificada pelo efeito artificial. O comportamento, como as pessoas agem, mudou logo em seguida. O ecossistema decisório, feito de estruturas, papéis e responsabilidades, ainda não se adaptou.
A distância entre o que já mudou e o que ainda não mudou é o déficit de acomodação organizacional. A palavra acomodação foi escolhida de propósito: a tecnologia já foi adotada; o que falta é reorganizar a casa para recebê-la.
O déficit raramente aparece em indicadores de adoção. Ele se manifesta em decisões sem dono, em responsabilidades sobrepostas e em agentes que operam fora de qualquer estrutura de prestação de contas.
A matriz cruza a capacidade agêntica incorporada (quanto de ação artificial a organização já colocou em operação) com a capacidade organizacional de acomodação (quanto ela consegue reorganizar estruturas, responsabilidades e liderança para receber essa ação).
Com pouca capacidade nos dois eixos, a organização é pré-agêntica. Com alta acomodação e pouca capacidade agêntica, está preparada. Com ambas altas, está no quadrante AI-driven. O quadrante crítico é o de alta capacidade agêntica e baixa acomodação: os agentes se espalham para fora das estruturas que deveriam contê-los.
A diagonal marca o equilíbrio. O objetivo não é maximizar agentes, e sim manter as duas capacidades crescendo juntas.
Em que quadrante está a sua organização hoje? E para onde ela está indo?
O esquema mostra, em três tempos, o que a mudança faz com uma cultura. No primeiro, a cultura aparece como um campo de hábitos, delimitado por quatro forças: comportamento, ambiente, recursos e valores. Depois, a mudança atravessa esse campo.
A mudança abre um espaço no centro, ocupado por um novo sujeito decisor: o ser híbrido. Por fim, a cultura analítica envolve esse centro e reconfigura quatro dimensões da organização: pessoas, processos, políticas e tecnologias.
A cultura não é substituída. Os hábitos permanecem, mas passam a se organizar em torno de outro modo de decidir.
Em estudo do Cappra Institute com lideranças, 73% apontaram como maior dificuldade de implementação de IA a falta de cultura analítica e de conhecimento sobre dados. Em seguida vieram a contratação de pessoas qualificadas ou com mindset adequado (14%), processos ainda não estruturados para automação (7%), limitações da tecnologia (3%) e custo operacional elevado (3%).
A tecnologia aparece como barreira para apenas 3% das lideranças. O problema percebido está nas pessoas e na cultura.
É comum citar, a partir de publicações da McKinsey, que cerca de 70% das transformações falham por fatores humanos e culturais. O número pede cautela: uma revisão acadêmica não encontrou evidência empírica válida para essa taxa. A direção do argumento, porém, coincide com o que o estudo do Instituto observa.
A transformação pode ser lida como uma sequência de ondas. A primeira, do pensamento analítico, levou a ciência de dados às áreas técnicas. A segunda, da cultura analítica, levou a orientação por dados às áreas de aplicação: a organização data-driven.
A terceira onda, em curso, é a da consciência do artificial. Ela leva a IA às áreas de automação e exige algo que as anteriores não exigiam: compreender o que significa dividir decisão, trabalho e responsabilidade com sistemas que agem.
As ondas se sobrepõem. Uma organização, ou uma pessoa, pode estar na terceira em tecnologia e na primeira em cultura.
A consciência do artificial vira prática no uso diário. Usar tecnologia com intenção começa antes de abrir a ferramenta, e cinco perguntas simples separam o uso consciente do uso automático.
As duas primeiras definem propósito e caminho. A ferramenta certa é a disponibilizada pela organização, porque foi avaliada para proteger quem confia em nós.
A terceira protege as pessoas: dados de terceiros seguem as regras de segurança da informação e a LGPD. As duas últimas mantêm o humano no lugar certo: verificar o que a máquina entrega e assumir o que é intransferível.
Qual dessas cinco perguntas a sua equipe ainda não faz?
Os quatro blocos descrevem um único movimento. A decisão passou a ser híbrida, o pensar passou a ser dividido com máquinas e agentes entraram no fluxo de trabalho. A tecnologia avança mais rápido do que a organização consegue se reorganizar.
A Cultura Analítica é o que permite atravessar essa distância. Ela não se instala com ferramentas. Se constrói nas decisões, nos comportamentos e na estrutura, e a reconfiguração organizacional é a capacidade contínua de redesenhar papéis e responsabilidades à medida que humanos e máquinas passam a decidir juntos.
Para cada pessoa, isso tem um sentido prático: deixar com a máquina o que é escala e repetição, e assumir o que é julgamento, contexto e confiança. Para a organização, significa redesenhar o trabalho em torno dessa divisão, e não apenas adotar novas ferramentas.
Ricardo Cappra · Alta Books
O futuro do trabalho entre humanos e máquinas. Interdependência, cognição híbrida, interfaces cognitivas e o sujeito híbrido.
Ler amostra ↗MIT Technology Review Brasil
O impacto da IA na arquitetura organizacional: intenção, julgamento e supervisão como contribuição humana. Base das pranchas A.1 e 3.2.
MIT Technology Review Brasil
Por que a estrutura fica para trás da capacidade agêntica. Base das pranchas 4.1, 4.2 e 4.7.
Ler artigo ↗Centro de estudos da cultura analítica
Research papers sobre cognição híbrida, inforganização, trabalho multiagente, gestão de agentes e governança analítica.
Ver estudos ↗| Estudo | Formato | Pergunta central | Pranchas |
|---|---|---|---|
| Híbridos | Livro, 2025 | Como a interação humano-máquina redefine a divisão do trabalho? | 0.0, A.1, A.2, 2.2, 3.2, 4.3 |
| Research paper, 2026 | Como dados, modelos e IA passam a mediar a relação entre realidade e decisão? | 0.0, 0.1, A.4, 1.3, 4.3, 4.4, 4.5, 4.7 | |
| Research paper, 2026 | O que muda na gestão quando dividimos o pensar com as máquinas? | 0.0, A.1, A.2, 1.5, 1.8, 2.2, 2.3, 3.2, 4.3 | |
| Research paper, set. 2026 | Como a informação se torna estrutura organizacional? | A.1, 3.1, 3.2, 4.1, 4.7 | |
| Research paper, 2026 | Como organizar o trabalho quando pessoas e agentes operam no mesmo fluxo? | A.3, 1.6, 3.3, 3.4, 3.5 | |
| Research paper, 2026 | Quem lidera os agentes de IA? | 3.5, 3.6 | |
| Research paper, 2026 | Como governar a produção e o uso da informação na decisão? | 1.6, 1.7, 1.8, 3.6, 3.7, 4.6 | |
| Research paper, out. 2026 | Como preservar a lacuna como espaço de formação na era da IA? | 2.1, 2.3 | |
| Artigo, Controvérsia, 2026 | Como a mediação informacional pode esvaziar o saber de quem trabalha? | 2.1, 2.2 | |
| Estudo, 2026 | O que falha quando a IA passa a agir dentro do trabalho? | 1.7, 3.5 | |
| Estudo qualitativo (FOA2030) | Como a velocidade de adoção de IA se cruza com a maturidade de decisão? | A.4, 3.2, 4.2 | |
| Da decisão humana à decisão híbrida | Artigo, MIT Technology Review Brasil, jun. 2026 | O que muda na arquitetura organizacional quando a decisão passa a ser híbrida? | A.1, 3.2 |
| O déficit de acomodação organizacional ↗ | Artigo, MIT Technology Review Brasil, set. 2026 | Por que a estrutura fica para trás da capacidade agêntica? | 4.1, 4.2, 4.7 |
Awad, E.; Dsouza, S.; Kim, R.; Schulz, J.; Henrich, J.; Shariff, A.; Bonnefon, J.-F.; Rahwan, I. “The Moral Machine experiment.” Nature, vol. 563, 2018, pp. 59-64. doi:10.1038/s41586-018-0637-6.
Baggio, A.; Digentiki, E.; Varma, R. “Organizations do not change. People change!” McKinsey & Company, People & Organization Blog, 7 out. 2019.
Brasil. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD), art. 20.
Cappra Institute. Cultura Analítica; Cognição Híbrida; Trabalho Multiagente; O Vácuo da Gestão Multiagente; Pedagogia da Lacuna; Teoria da Cegueira Adaptativa; Governança Analítica. Research papers, 2026.
Cappra Institute. Inforganização: a organização informacional adaptativa na era da inteligência artificial. Research paper, set. 2026.
Cappra, R. Híbridos: o futuro do trabalho entre humanos e máquinas. Rio de Janeiro: Alta Books, 2025.
Cappra, R. Rastreável: redes, vírus, dados e tecnologias para proteger e vigiar a sociedade. São Paulo: Actual, 2021.
Cappra, R. “A IA está eliminando a tensão cognitiva no trabalho.” Cultura Analítica (newsletter), LinkedIn, 27 mar. 2026c.
Cappra, R. “Da decisão humana à decisão híbrida: o impacto da IA na arquitetura organizacional.” MIT Technology Review Brasil, 30 jun. 2026a.
Cappra, R. “O déficit de acomodação organizacional.” MIT Technology Review Brasil, 1 set. 2026b.
Cappra, R.; Azambuja, C. C. de. “Proletarização cognitiva: uma categoria filosófica para o diagnóstico do trabalho informacionalmente mediado.” Controvérsia, vol. 22, n. 2, 2026, pp. 162-185. doi:10.4013/con.2026.222.10.
Castells, M. The Rise of the Network Society. Oxford: Blackwell, 1996.
Clark, A.; Chalmers, D. “The extended mind.” Analysis, vol. 58, n. 1, 1998, pp. 7-19. doi:10.1093/analys/58.1.7.
Davenport, T. H.; Harris, J. G. Competing on Analytics: The New Science of Winning. Boston: Harvard Business School Press, 2007.
Dell'Acqua, F.; McFowland, E.; Mollick, E. R.; et al. “Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality.” Harvard Business School Working Paper, n. 24-013, 2023.
Drucker, P. F. “The coming of the new organization.” Harvard Business Review, vol. 66, n. 1, 1988, pp. 45-53.
Durkheim, É. De la division du travail social. Paris: Félix Alcan, 1893.
Dykes, B. Effective Data Storytelling: How to Drive Change with Data, Narrative, and Visuals. Hoboken: Wiley, 2019.
Elish, M. C. “Moral crumple zones: Cautionary tales in human-robot interaction.” Engaging Science, Technology, and Society, vol. 5, 2019, pp. 40-60. doi:10.17351/ests2019.260.
Engelbart, D. C. Augmenting Human Intellect: A Conceptual Framework. Summary Report AFOSR-3223. Menlo Park: Stanford Research Institute, 1962.
Eppler, M. J.; Mengis, J. “The concept of information overload: A review of literature from organization science, accounting, marketing, MIS, and related disciplines.” The Information Society, vol. 20, n. 5, 2004, pp. 325-344. doi:10.1080/01972240490507974.
Fitts, P. M. (ed.) Human Engineering for an Effective Air-Navigation and Traffic-Control System. Washington, DC: National Research Council, 1951.
Floridi, L. The Fourth Revolution: How the Infosphere is Reshaping Human Reality. Oxford: Oxford University Press, 2014.
Galbraith, J. R. “Organization design: An information processing view.” Interfaces, vol. 4, n. 3, 1974, pp. 28-36. doi:10.1287/inte.4.3.28.
Hughes, M. “Do 70 per cent of all organizational change initiatives really fail?” Journal of Change Management, vol. 11, n. 4, 2011, pp. 451-464. doi:10.1080/14697017.2011.630506.
Krizhevsky, A.; Sutskever, I.; Hinton, G. E. “ImageNet classification with deep convolutional neural networks.” Advances in Neural Information Processing Systems, vol. 25, 2012, pp. 1097-1105.
Krockow, E. M. “How many decisions do we make each day?” Psychology Today, 27 set. 2018.
Lauterjung, B. “iFood já tem 9 mil agentes de IA e redesenhou 32% das atividades.” TI Inside, 25 mar. 2026.
Lee, H.-P.; Sarkar, A.; Tankelevitch, L.; Drosos, I.; Rintel, S.; Banks, R.; Wilson, N. “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 the 2025 CHI Conference on Human Factors in Computing Systems. New York: ACM, 2025.
Licklider, J. C. R. “Man-computer symbiosis.” IRE Transactions on Human Factors in Electronics, vol. HFE-1, 1960, pp. 4-11.
Liedtke, M. “Uber and Waymo launch driverless ride service in Austin.” Fortune / Associated Press, 4 mar. 2025.
Matthias, A. “The responsibility gap: Ascribing responsibility for the actions of learning automata.” Ethics and Information Technology, vol. 6, n. 3, 2004, pp. 175-183. doi:10.1007/s10676-004-3422-1.
McKinsey & Company. The State of AI in 2025: Agents, Innovation, and Transformation. McKinsey Global Survey on AI, 5 nov. 2025.
O'Reilly, C. A. “Individuals and information overload in organizations: Is more necessarily better?” Academy of Management Journal, vol. 23, n. 4, 1980, pp. 684-696.
OpenAI. “Introducing ChatGPT.” OpenAI, 30 nov. 2022.
Parasuraman, R.; Sheridan, T. B.; Wickens, C. D. “A model for types and levels of human interaction with automation.” IEEE Transactions on Systems, Man, and Cybernetics, Part A, vol. 30, n. 3, 2000, pp. 286-297. doi:10.1109/3468.844354.
Reill, A. “A simple way to make better decisions.” Harvard Business Review, 5 dez. 2023.
Reinsel, D.; Gantz, J.; Rydning, J. Data Age 2025: The Evolution of Data to Life-Critical. IDC White Paper, patrocinado pela Seagate, abr. 2017.
Reinsel, D.; Gantz, J.; Rydning, J. The Digitization of the World: From Edge to Core. IDC White Paper, patrocinado pela Seagate, nov. 2018.
Risko, E. F.; Gilbert, S. J. “Cognitive offloading.” Trends in Cognitive Sciences, vol. 20, n. 9, 2016, pp. 676-688. doi:10.1016/j.tics.2016.07.002.
Schein, E. H. Organizational Culture and Leadership. 4. ed. San Francisco: Jossey-Bass, 2010.
Shavit, Y.; Agarwal, S.; Brundage, M.; et al. Practices for Governing Agentic AI Systems. OpenAI, dez. 2023.
Simon, H. A. “Designing organizations for an information-rich world.” In: Greenberger, M. (ed.). Computers, Communications, and the Public Interest. Baltimore: Johns Hopkins Press, 1971, pp. 37-72.
Stiegler, B. For a New Critique of Political Economy. Cambridge: Polity, 2010.
Weick, K. E. Sensemaking in Organizations. Thousand Oaks: Sage, 1995.
Wooldridge, M. An Introduction to MultiAgent Systems. 2. ed. Chichester: Wiley, 2009.