Material de apoio da palestra de abertura A ilusão do controle: quem realmente toma as decisões na sua organização?, de Ricardo Cappra, no Technology Evolution Conference 2026, promovido pelo IEG (Instituto de Engenharia de Gestão).
Nas organizações, a sensação de controle sobre as decisões costuma ser maior do que o controle real. Dados, sistemas, algoritmos e agentes de IA já participam de quase toda escolha, muitas vezes sem que alguém tenha decidido isso. A palestra percorre essa divisão em quatro blocos, os mesmos territórios do mapa de estudos do Instituto: decisão, cognição, organização e transformação. Cada bloco desfaz uma ilusão de controle.
A base é o livro Híbridos (2025) e as pesquisas do Cappra Institute reunidas em analitica.org.
O controle não está em quem aprova a decisão, e sim em quem desenha como pessoas e máquinas a dividem. Desenhar essa divisão é uma decisão da organização.
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.
Saiba mais: ricardocappra.com, capprainstitute.com e @cappra nas redes.
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 em transformação organizacional.
Em 1975, a psicóloga Ellen Langer deu nome à ilusão do controle: a tendência de superestimar o controle que temos sobre os resultados, mesmo quando ele é pequeno. A sensação de controle dá agência e motivação. Também alimenta excesso de confiança e decisões arriscadas.
Nas organizações, a ilusão ganhou outra forma. Quem aprova a decisão sente que decide. Mas o que chega para aprovação já foi coletado, filtrado, priorizado e sugerido por dados, sistemas e, cada vez mais, agentes de IA. O controle percebido continua no topo. O controle real se distribuiu.
Por isso a pergunta desta palestra tem resposta local: como está dividida, hoje, a decisão entre pessoas e máquinas na sua organização, e quem decidiu isso? Cada bloco a seguir desfaz uma ilusão de controle.
Qual decisão você tem certeza de que é sua? O que chegou pronto até ela?
A frase, do livro Híbridos (2025), resume a tese que sustenta todo o percurso: o sujeito que decide nas organizações já não pensa de modo puramente humano. Lembramos, calculamos, escrevemos e decidimos com 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), segundo a qual processos cognitivos podem ultrapassar os limites do cérebro e incluir ferramentas do ambiente.
O esquema lê as revoluções do trabalho pelas transformações culturais que produziram. A industrial, a partir de cerca de 1760, trouxe centralização produtiva, substituição da força física e visibilidade operacional. A digital, do transistor (1947) à web (por volta de 1990), trouxe digitalização do mundo, 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. A mesma pesquisa mostra que a maioria ainda não escalou esse uso para a organização inteira.
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, a inclinação muda: 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 desta palestra percorrem essa ocupação: 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, cerca de 35 mil escolhas diárias, e mostra o que ele significa no tempo: perto de 2 mil decisões por hora acordado, uma a cada dois segundos.
A grande maioria dessas escolhas é quase automática. O número é uma estimativa amplamente aceita, e não o resultado de uma contagem direta, mas expressa uma percepção difundida: a vida e o trabalho passaram a exigir escolhas em ritmo contínuo, quase todas mediadas por informação, notificações e sistemas.
Para a gestão, 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 de forma contínua. A capacidade humana de consumo permanece praticamente estável. Por um tempo, a sociedade acompanhou o crescimento, consumindo cada vez mais, 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.
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.
Essa instabilidade explica por que organizações com muitos dados podem decidir mal, e por que discursos bem construídos podem esconder a ausência de evidência.
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: zumbificação informacional, espiral de ansiedade, paralisia decisória, interação superficial, saturação cognitiva, isolamento crítico, ilusão de segurança e necessidade de atualização. 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.
Toda decisão começa antes do momento da escolha. Alguém definiu o que seria coletado, o que vira indicador, o que aparece no painel e o que o sistema sugere primeiro. Quando a pessoa escolhe, as opções já chegaram filtradas e ordenadas.
Richard Thaler e Cass Sunstein chamaram isso de arquitetura de escolha: a forma como as opções são apresentadas influencia o que se escolhe, sem proibir nada. Padrões, rankings, alertas e pontuações são arquitetura de escolha operando em escala, todos os dias.
Parte dessa arquitetura nem passa pela organização. No Work Trend Index 2024, da Microsoft e do LinkedIn, 75% dos trabalhadores do conhecimento já usavam IA no trabalho, e 78% deles levavam as próprias ferramentas.
Quem desenhou o painel que orienta a principal decisão da sua área?
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 ao piloto. 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 deixou de ser exceção de laboratório e virou interface cotidiana de trabalho.
Reconhecer a decisão híbrida é o primeiro passo para governá-la: saber, em cada decisão, onde termina a contribuição de um e começa a do outro.
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 para ser feito, o ritmo e a prioridade, sugere como executar e onde concentrar o esforço. A avaliação do desempenho costuma combinar regra automática e revisão humana.
As posições são típicas e variam entre contextos. O ponto é outro: a gestão desse trabalho já é feita, em grande parte, por um sistema.
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.
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.
O enquadramento também desloca a responsabilidade. Em estudo do BCG Henderson Institute publicado na Harvard Business Review em 2026, com mais de 1.200 gestores, apresentar a IA como um “funcionário” fez os gestores identificarem 18% menos erros, e a responsabilidade individual pelos erros caiu 9 pontos percentuais.
Em que decisão da sua operação a responsabilidade ainda não tem dono?
A decisão híbrida não elimina os vieses. Cria novos, na relação entre quem decide e a máquina. O esquema cruza duas confianças: no próprio julgamento e na máquina.
Com muita confiança em si, aparece a ilusão de controle: a evidência é descartada quando contraria a intuição. Pesquisas mostram que, depois de ver um algoritmo errar, as pessoas tendem a evitá-lo, mesmo quando ele erra menos que elas. No quadrante oposto está o viés de automação: a sugestão é aceita sem verificação, e a aprovação humana vira carimbo.
Com confiança alta nos dois, o risco é a confirmação mútua: assistentes de IA tendem a concordar com o que o usuário já pensa. Com confiança baixa nos dois, ninguém assume a decisão. O alvo é o centro, a confiança calibrada: proporcional ao que cada um realmente sabe fazer.
Em que quadrante sua equipe costuma operar quando a IA sugere algo?
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 contemporâneo 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 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, se concentram as escolhas de desenho mais delicadas.
A engenharia de automação descreve há décadas níveis de automação para cada função de um sistema. A pergunta de gestão é a mesma: em que nível cada decisão deve operar, e quem decide isso.
Este é o vocabulário central da palestra. O espectro troca a pergunta “a IA vai substituir?” por “em que nível cada decisão deve operar?”. É uma escolha de desenho, e pode ser diferente para cada decisão.
O híbrido cognitivo combina a criatividade, a intuição e o julgamento ético humanos com a precisão e a velocidade das máquinas. A IA identifica padrões invisíveis ao olhar humano; o pensamento crítico os contextualiza e transforma em decisão.
Na medicina, a IA detecta anomalias em imagens, e o médico interpreta, diagnostica e trata.
O mesmo processo pode levar à dependência. A externalização da memória e do pensar pode virar proletarização cognitiva, se o humano não mantiver o controle sobre os sistemas.
A decisão estratégica raramente depende de uma fonte só. A intuição traz padrões tácitos e contexto. A análise de dados traz evidência e comparação. O algoritmo traz consistência e velocidade. Cada uma falha de um jeito.
Daniel Kahneman e Gary Klein, de tradições opostas, chegaram a um acordo sobre a intuição: ela merece confiança quando o ambiente é regular, o feedback é rápido e a prática é longa. Fora dessas condições, a sensação de certeza não indica acerto.
O mesmo vale para dados e modelos: funcionam bem dentro do padrão que conhecem e perdem valor quando o contexto muda. Decidir bem é saber qual fonte deve pesar mais em cada decisão, com critério explícito.
Em um experimento de campo, Fabrizio Dell'Acqua, da Harvard Business School, acompanhou 181 recrutadores profissionais avaliando currículos com o apoio de IAs de qualidades diferentes. Quem trabalhou com a IA melhor dedicou menos tempo e esforço a cada candidato e acertou menos do que quem trabalhou com uma IA pior.
Com a IA mais fraca, os recrutadores desconfiavam, revisavam e aprendiam a usar a ferramenta. Com a mais forte, passaram a seguir a recomendação. O autor chamou o efeito de falling asleep at the wheel: dormir ao volante.
É a ilusão do controle no ponto de revisão. A pessoa continua formalmente responsável, mas a atenção que sustentaria esse controle diminuiu. A supervisão humana precisa ser desenhada, e não presumida.
A transição que vivemos não é apenas do humano para a máquina. É do humano-máquina para o humano-dado-máquina consciente de sua própria condição.
Na prática, essa consciência se sustenta no pensamento analítico: entender a lógica e os limites dos sistemas e avaliar o que a máquina propõe antes de aceitar. A máquina assume o rotineiro e o massivo; o humano se desloca para o complexo, o criativo e o subjetivo, e não para o carimbo.
O desafio dos sujeitos híbridos não é só existir nessa simbiose, mas reivindicar consciência sobre ela.
O esquema descreve três maneiras de uma organização se relacionar com a informação. No primeiro estágio, a informação é insumo: o problema é processar mais para decidir melhor, e a hierarquia permanece intacta. No segundo, ela é força: altera estrutura, cultura e direitos decisórios, muitas vezes sem que ninguém tenha declarado um programa de mudança.
No terceiro, a informação é a própria estrutura. A organização se torna um sistema informacional adaptativo, em que fluxos de percepção, interpretação e decisão definem quem faz o quê. É o estado que o Cappra Institute chama de inforganização (inforganization, na grafia internacional), formalizado em 2020 e atualizado em 2026.
A passagem entre os estágios produz a reconfiguração organizacional: uma alteração contínua, e em grande parte imperceptível, de estrutura, cultura e direitos decisórios.
O problema está nessa imperceptibilidade. Se a organização não tem consciência de que a informação já redefine quem faz o quê, a reconfiguração acontece sem projeto, e a organização passa a ser moldada pelo que não enxerga.
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 os seis estágios e mostra, em cada um, o que fica entre os dados e a decisão: uma barreira (negação), uma pergunta (curiosidade), pilotos (experimentação), uma base confiável (segurança), o analytics (orientação por dados) e, por fim, uma camada de máquina: modelos e agentes que fazem inferência, recomendação e execução autônoma.
O lado humano também muda de natureza. No estágio data-driven, a contribuição humana era intuição, experiência e hierarquia, rebaixadas a contexto. No AI-driven, ela passa a ser intenção, julgamento e supervisão: definir o que se quer, avaliar o que a máquina propõe e responder pelo resultado.
O resultado é uma decisão híbrida, alimentada por aprendizado contínuo. Nenhum dos três elementos decide sozinho, e é essa interdependência que caracteriza o novo estágio.
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, nove capacidades ligadas a crítica, ética, contexto, criatividade e influência. Do lado artificial, nove 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 aqui as duas agências operam no mesmo fluxo, ao mesmo tempo. Uma ressalva: execução sem viés emocional não significa execução sem vieses, porque modelos herdam os vieses dos dados e de quem os configura.
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: um ecossistema em que tarefas são executadas em segundo plano por agentes, enquanto pessoas redefinem o próprio trabalho. A empresa descreveu a evolução como a passagem de assistentes, que aumentam produtividade, para agentes que executam atividades de forma autônoma.
É nesse tipo de ambiente que surgem as perguntas seguintes: quem responde pelas ações, e quem gerencia os agentes.
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, proporcional ao porte, que acompanha a organização enquanto ela muda.
Qual decisão importante da sua empresa ainda não tem critério explícito?
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: configurar, cuidar da técnica, da segurança e da 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, que se abre em direção aos agentes, 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.
Na transformação, esse vácuo é um dos primeiros sinais de que a estrutura ficou para trás da tecnologia.
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 atravessado por mudanças, delimitado por quatro forças: comportamento, ambiente, recursos e valores.
No segundo, a mudança abre um espaço no centro, ocupado por um novo sujeito decisor: o ser híbrido. No terceiro, 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 nas organizações. 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, pela combinação de ciência e tecnologia. 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: que a organização compreenda o que significa dividir decisão, trabalho e responsabilidade com sistemas que agem.
As ondas se sobrepõem. Uma organização pode estar na terceira em tecnologia e na primeira em cultura.
A transformação analítica exige coordenar quatro fatores, cada um com patrocinadores naturais. Políticas: governança de dados e IA, no conselho e no C-level. Processos: arquitetura de decisão, com CEO, COO e CMO. Pessoas: desenho do trabalho híbrido, com CHRO e CEO. Tecnologias: modelo operacional de dados e IA, com CIO, CDO e CTO.
No centro, quatro territórios se cruzam entre estratégia, automação, decisão e trabalho: business analytics, big data e ciência de dados, cultura analítica e organização data e AI-driven.
As setas indicam que os fatores se influenciam. Avançar em um sem os outros reproduz o déficit de acomodação.
Qual dos quatro fatores ninguém está cuidando na sua empresa?
A ficha reúne a palestra em um exercício. Para cada decisão relevante, registre quem sugere, quem decide, quem responde, quem pode intervir, como o erro é percebido e em que nível do espectro a decisão opera.
O campo mais revelador costuma ser o primeiro: a posição atual foi escolhida ou herdada? Decisões herdadas são o melhor ponto de partida, porque já estão compartilhadas sem que ninguém tenha desenhado o arranjo.
O último campo amplia a lente: em que estágio, de data-negation a AI-driven, você percebe a organização em que está inserido? A distância entre o nível da decisão e o estágio da organização mostra onde a estrutura ainda não acompanhou a tecnologia.
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 capacidade tecnológica cresce mais rápido do que a capacidade da organização de se reorganizar.
A Cultura Analítica é o que permite atravessar essa distância: a relação das pessoas e da organização com dados, informação e outras formas de agência. Ela não se instala com ferramentas. Se constrói nas decisões, nos comportamentos e na estrutura.
Por isso a reconfiguração organizacional não é um projeto com fim. É a capacidade contínua de redesenhar papéis, responsabilidades e direitos decisórios à medida que humanos e máquinas passam a decidir juntos.
Os quatro blocos desfazem quatro ilusões. Na decisão, a de que quem aprova decide. Na cognição, a de que quem revisa controla. Na organização, a de que o organograma mostra quem decide. Na transformação, a de que a tecnologia resolve.
Em cada caso, o controle não desaparece: muda de lugar. Passa para quem define critérios, desenha fluxos, configura agentes e decide em que nível cada decisão deve operar.
Recuperar o controle não é voltar a decidir tudo sozinho. É tornar explícita, e responsável, a divisão entre pessoas e máquinas.
Qual dessas quatro ilusões é mais forte na sua organização hoje?
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, 3.2 e 4.8.
MIT Technology Review Brasil
Por que a estrutura fica para trás da capacidade agêntica. Base das pranchas 4.2, 4.3 e 4.9.
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, 2.3, 2.6, 3.2, 4.4 |
| 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, 2.6, 4.4, 4.5, 4.6, 4.9, S.1 | |
| Research paper, 2026 | O que muda na gestão quando dividimos o pensar com as máquinas? | 0.0, A.1, A.2, 1.6, 1.9, 2.2, 2.3, 2.4, 2.5, 2.6, 3.2, 4.4 | |
| Estudo, analitica.org | Como heurísticas e vieses atravessam a tomada de decisão? | A.1, 1.1, 1.9, 2.4 | |
| Research paper, set. 2026 | Como a informação se torna estrutura organizacional? | 3.1, 3.2, 4.2, 4.9 | |
| Research paper, 2026 | Como organizar o trabalho quando pessoas e agentes operam no mesmo fluxo? | A.3, 1.7, 3.3, 3.4 | |
| Research paper, 2026 | Quem lidera os agentes de IA? | 3.4, 4.1, 4.8 | |
| Research paper, 2026 | Como governar a produção e o uso da informação na decisão? | 1.5, 1.7, 1.8, 2.2, 3.6, 4.1, 4.7, 4.8, S.1 | |
| Research paper, out. 2026 | Como preservar a lacuna como espaço de formação na era da IA? | 2.1, 2.5 | |
| Artigo, Controvérsia, 2026 | Como a mediação informacional pode esvaziar o saber de quem trabalha? | 2.1, 2.3 | |
| Estudo, 2026 | O que falha quando a IA passa a agir dentro do trabalho? | 1.8, 3.4 | |
| Estudo qualitativo (FOA2030) | Como a velocidade de adoção de IA se cruza com a maturidade de decisão? | A.4, 3.2, 4.3 | |
| 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, 4.8 |
| O déficit de acomodação organizacional ↗ | Artigo, MIT Technology Review Brasil, set. 2026 | Por que a estrutura fica para trás da capacidade agêntica? | 4.2, 4.3, 4.9 |
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. “Falling asleep at the wheel: Human/AI collaboration in a field experiment on HR recruiters.” Working paper, Laboratory for Innovation Science at Harvard, Harvard Business School, 2022.
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.
Dietvorst, B. J.; Simmons, J. P.; Massey, C. “Algorithm aversion: People erroneously avoid algorithms after seeing them err.” Journal of Experimental Psychology: General, vol. 144, n. 1, 2015, pp. 114-126. doi:10.1037/xge0000033.
Drucker, P. F. “The coming of the new organization.” Harvard Business Review, vol. 66, n. 1, 1988, pp. 45-53.
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.
Kahneman, D.; Klein, G. “Conditions for intuitive expertise: A failure to disagree.” American Psychologist, vol. 64, n. 6, 2009, pp. 515-526. doi:10.1037/a0016755.
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.
Kropp, M.; Bedard, J.; Hsu, M.; Krayer, L. “Why you shouldn’t treat AI agents like employees.” Harvard Business Review, maio 2026.
Langer, E. J. “The illusion of control.” Journal of Personality and Social Psychology, vol. 32, n. 2, 1975, pp. 311-328. doi:10.1037/0022-3514.32.2.311.
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.
Lee, J. D.; See, K. A. “Trust in automation: Designing for appropriate reliance.” Human Factors, vol. 46, n. 1, 2004, pp. 50-80. doi:10.1518/hfes.46.1.50_30392.
Licklider, J. C. R. “Man-computer symbiosis.” IRE Transactions on Human Factors in Electronics, vol. HFE-1, 1960, pp. 4-11.
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.
Microsoft; LinkedIn. 2024 Work Trend Index Annual Report: AI at work is here. Now comes the hard part. Maio 2024.
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.; Manzey, D. H. “Complacency and bias in human use of automation: An attentional integration.” Human Factors, vol. 52, n. 3, 2010, pp. 381-410. doi:10.1177/0018720810376055.
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.
Sharma, M.; Tong, M.; Korbak, T.; et al. “Towards understanding sycophancy in language models.” International Conference on Learning Representations (ICLR), 2024.
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.
Thaler, R. H.; Sunstein, C. R. Nudge: Improving Decisions about Health, Wealth, and Happiness. New Haven: Yale University Press, 2008.
Weick, K. E. Sensemaking in Organizations. Thousand Oaks: Sage, 1995.
Wooldridge, M. An Introduction to MultiAgent Systems. 2. ed. Chichester: Wiley, 2009.