Este mapa cognitivo, de Ricardo Cappra e do Cappra Institute (OUT/2026), apresenta, em pranchas comentadas, uma introdução conceitual à Revolução Analítica: o processo pelo qual a informação deixou de ser insumo técnico e se tornou um fenômeno cultural, capaz de reorganizar como pessoas e organizações percebem, decidem e agem. O percurso parte da previsão de Peter Drucker sobre a organização baseada em informação (1988), atravessa a crise da decisão provocada pelo excesso de informação, descreve os estágios de maturidade analítica até a organização AI-driven e chega a duas questões abertas: quem é o autor cognitivo de uma decisão mediada por IA e como reconfigurar organizações em que humanos e agentes artificiais decidem juntos. Cada prancha reúne um esquema visual, uma leitura comentada, a origem das ideias e a indicação do estudo do Cappra Institute que aprofunda o tema. O documento funciona como porta de entrada para o acervo de pesquisa do Instituto.
This cognitive map, by Ricardo Cappra and the Cappra Institute (OCT/2026), offers, through a sequence of annotated plates, a conceptual introduction to the Analytical Revolution: the process by which information stopped being a technical input and became a cultural phenomenon that reshapes how people and organizations perceive, decide and act. The journey starts with Peter Drucker's 1988 forecast of the information-based organization, moves through the decision crisis caused by information overload, describes the stages of analytical maturity up to the AI-driven organization, and closes with two open questions: who is the cognitive author of an AI-mediated decision, and how should organizations be reconfigured when humans and artificial agents decide together. Each plate combines a visual scheme, a commentary, the origin of the ideas and a pointer to the Cappra Institute study that develops the topic in depth.
Os esquemas se constroem em estágios, como na apresentação original: use ‹ › abaixo de cada um ou o modo apresentação. Cada estudo marcado com ⌖ abre no mapa cognitivo dos estudos, ao final.
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.
Este mapa cognitivo é um roteiro visual dessa passagem.
Chamamos de Revolução Analítica o movimento pelo qual a informação deixa de ser um recurso técnico, administrado por especialistas, e se torna um fenômeno cultural: passa a organizar como pessoas e organizações percebem a realidade, interpretam sinais, decidem e agem.
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. Nessa interseção nasce a cultura analítica: a ressignificação da relação das pessoas e das organizações com os dados e a informação.
A tecnologia acelera o processo. A mudança decisiva, porém, acontece na cultura.
01. Inforganização: a informação deixa de ser insumo e se torna estrutura.
02. Crise da decisão: mais informação não produz, por si só, decisões melhores.
03. Novo estágio: a decisão passa a ser híbrida, entre humano, dado e máquina.
04. Autoria cognitiva: o que está em jogo quando a máquina responde antes de a pergunta amadurecer.
05. Reconfiguração: organizações precisam ser redesenhadas para receber múltiplas inteligências.
Cada reflexão abre com uma pergunta e termina apontando o estudo que a desenvolve em profundidade.
Em janeiro de 1988, Peter Drucker publicou na Harvard Business Review o artigo The Coming of the New Organization. A grande empresa das décadas seguintes, previa, teria menos níveis hierárquicos, seria formada por especialistas e lembraria mais um hospital ou uma orquestra do que a fábrica clássica. Ele a chamou de information-based organization.
Dois pontos continuam atuais. O primeiro: o que define essa organização é o uso da informação, e não a tecnologia que a processa. O segundo: quanto mais bem-sucedida uma empresa, mais difícil e doloroso tende a ser abandonar velhos hábitos.
O esquema percorre três trechos do artigo, com as marcações da apresentação original, e relê os quatro problemas de gestão que Drucker apontou à luz dos ambientes com agentes de IA.
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.
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.
Se o excesso desestabiliza, o que estabiliza? O esquema responde em três camadas. No núcleo, a ciência de dados: a interseção entre ciência (matemática, estatística, física), tecnologia (computação, programação, informação) e aplicação (negócios, humanidades, ciências sociais).
Ao redor, o pensamento analítico: métodos, técnicas, habilidades, recursos e automação que permitem a qualquer pessoa, e não só aos especialistas, raciocinar com dados. Na camada externa, a cultura analítica: indicadores, analytics, dashboards, tomada de decisões, algoritmos, inteligência artificial e agentes artificiais incorporados ao modo como a organização funciona.
A equação resume a tese: os componentes técnicos só se completam quando produzem adaptação cultural.
A curva organiza duas décadas de evolução analítica pelo valor percebido. Na faixa do analytics estão business intelligence, big data, ciência de dados e análises em tempo real. A linha tracejada marca a passagem para a faixa da inteligência artificial: algoritmos avançados, aprendizado de máquina e, no topo, decisões autônomas.
O ponto mais importante do esquema é a decisão humana, posicionada logo acima dessa passagem. É ali que a natureza da decisão muda: antes, sistemas informam pessoas; depois, sistemas decidem com elas e, em alguns casos, no lugar delas.
Cada fase também produziu um tipo de liderança: líderes de BI, líderes de analytics e, agora, líderes de IA.
O modelo descreve a maturidade das organizações para tomar decisões e lidar com dados e informação. Em cada estágio muda o lugar que os dados ocupam entre a informação disponível e a decisão.
Em data-negation, intuição, experiência e hierarquia decidem sozinhas. Em data-curious e data-try, os dados entram como pergunta e como piloto. Em data-safety, ganham qualidade, acesso e privacidade e passam a sustentar a decisão. Em data-driven, orientam a decisão, e os resultados retroalimentam os dados. Em AI-driven, modelos e agentes participam da própria decisão.
Os estágios descrevem cultura, e não compras de tecnologia. Uma organização pode ter plataformas de IA e operar, culturalmente, como data-curious.
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.
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.
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.
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 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 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.
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. Toda 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 deste mapa cognitivo 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.
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.
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.
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.
A inteligência sempre teve valor econômico. A IA não inaugura esse comércio, mas altera as condições em que capacidades cognitivas circulam, escalam, são precificadas, acumuladas e administradas.
O caderno de pesquisa Economia da Inteligência organiza essa mudança em seis componentes. Os três primeiros aparecem no esquema: modelos de inteligência (os regimes em que a capacidade cognitiva fica disponível), liquidez cognitiva (a facilidade com que ela circula e se combina) e alavancagem cognitiva (quanto se mobiliza além da capacidade própria).
Os outros três completam o sistema: reprecificação cognitiva, capital cognitivo híbrido e gestão da cognição organizacional híbrida. Para a gestão, a consequência é direta: decidir onde a organização constrói capacidade própria e onde passa a depender de inteligências externas.
Se a decisão é híbrida, a governança também precisa ser. O hexágono organiza seis estruturas que, juntas, sustentam o uso responsável de inteligência artificial: políticas de governança, processo de monitoramento, capacitação analítica, diretrizes éticas, governança de dados e comitês de controle.
No centro está a inteligência aumentada, e não a IA. O objetivo da governança é ampliar a capacidade da organização de decidir bem, e não apenas controlar riscos tecnológicos. Por isso a capacitação analítica aparece ao lado de comitês e políticas.
O hexágono é uma das bases da Governança Analítica: o campo que estabelece princípios, estruturas e mecanismos para orientar como uma organização produz, organiza, interpreta, distribui, utiliza e transforma informação em decisão e ação.
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.
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.
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.
O percurso deste mapa cognitivo pode ser lido 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.
Lidas em conjunto, as cinco reflexões descrevem um único movimento: a informação passou a organizar a organização, desestabilizou a decisão, trouxe a máquina para dentro dela, colocou em disputa a autoria do pensamento e exige agora uma reconfiguração deliberada.
O desafio atual não é apenas otimizar processos. Agora, é fundamental gerir ecossistemas híbridos, em que pessoas, dados, modelos e agentes decidem juntos.
Este mapa cognitivo é uma porta de entrada. Cada reflexão tem um estudo correspondente no acervo do Cappra Institute, reunido no mapa dos estudos a seguir.
| Estudo | Formato | Pergunta central | Pranchas |
|---|---|---|---|
| Research paper, set. 2026 | Como a informação se torna estrutura organizacional? | 1.1, 1.2, 3.2, 3.3 | |
| Research paper, 2026 | Em que estado cognitivo se decide entre conexão e informação? | 2.1 a 2.4 | |
| Research paper, 2026 | Como dados, modelos e IA passam a mediar a relação entre realidade e decisão? | 0.2, 2.5, 3.1, 3.2, 5.6, 6.1 | |
| Research paper, 2026 | O que muda na gestão quando dividimos o pensar com as máquinas? | 3.3, 3.5, 3.7, 4.2 | |
| Research paper, 2026 | Como organizar o trabalho quando pessoas e agentes operam no mesmo fluxo? | 3.6, 4.3, 4.4 | |
| Research paper, out. 2026 | Como preservar a lacuna como espaço de formação na era da IA? | 4.1 | |
| Artigo, Controvérsia, 2026 | Como a mediação informacional pode esvaziar o saber de quem trabalha? | 4.1 | |
| Research paper, 2026 | Quando uma organização deixa de perceber que parou de aprender? | 4.1 | |
| Research paper, 2026 | Quem lidera os agentes de IA? | 4.4, 5.1 | |
| O déficit de acomodação organizacional ↗ | Artigo, MIT Technology Review Brasil, set. 2026 | Por que a estrutura fica para trás da capacidade agêntica? | 5.2, 5.3, 5.8 |
| Caderno de pesquisa, set. 2026 | Como a capacidade cognitiva circula, escala e é precificada na era da IA? | 3.4, 5.4 | |
| Research paper, 2026 | Como governar a produção e o uso da informação na decisão? | 4.2, 4.5, 5.5, 5.8 | |
| Híbridos | Livro, 2025 | O futuro do trabalho entre humanos e máquinas. | 3.7 |
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.
Cappra, R. Híbridos: o futuro do trabalho entre humanos e máquinas. Rio de Janeiro: Alta Books, 2025.
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. “A IA está eliminando a tensão cognitiva no trabalho.” Cultura Analítica (newsletter), LinkedIn, 27 mar. 2026c.
Cappra, R. Economia da Inteligência: um sistema econômico da capacidade cognitiva na era da IA. Caderno de pesquisa. Cappra Institute, set. 2026d.
Cappra, R. Instabilidade Decisória. Research paper. Cappra Institute, 2026e.
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.
Cappra Institute. Data Thinking 2020. Cappra Institute, 2020.
Cappra Institute. Inforganização: a organização informacional adaptativa na era da inteligência artificial. Research paper, set. 2026.
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.
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. “Analytics 3.0.” Harvard Business Review, vol. 91, n. 12, 2013, pp. 64-72.
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.
Freixas Cardona, M. “Infoxicación.” Martes neológico, Centro Virtual Cervantes / Observatori de Neologia, Universitat Pompeu Fabra. Sobre o termo cunhado por Alfons Cornella em 1996.
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.
NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. Gaithersburg: National Institute of Standards and Technology, 2023.
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.
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.
Reill, A. “A simple way to make better decisions.” Harvard Business Review, 5 dez. 2023.
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.
This cognitive map, by Ricardo Cappra and the Cappra Institute (OCT/2026), offers, through a sequence of annotated plates, a conceptual introduction to the Analytical Revolution: the process by which information stopped being a technical input and became a cultural phenomenon that reshapes how people and organizations perceive, decide and act. The journey starts with Peter Drucker's 1988 forecast of the information-based organization, moves through the decision crisis caused by information overload, describes the stages of analytical maturity up to the AI-driven organization, and closes with two open questions: who is the cognitive author of an AI-mediated decision, and how should organizations be reconfigured when humans and artificial agents decide together. Each plate combines a visual scheme, a commentary, the origin of the ideas and a pointer to the Cappra Institute study that develops the topic in depth.
Este mapa cognitivo, de Ricardo Cappra e do Cappra Institute (OUT/2026), apresenta, em pranchas comentadas, uma introdução conceitual à Revolução Analítica: o processo pelo qual a informação deixou de ser insumo técnico e se tornou um fenômeno cultural, capaz de reorganizar como pessoas e organizações percebem, decidem e agem. O percurso parte da previsão de Peter Drucker sobre a organização baseada em informação (1988), atravessa a crise da decisão provocada pelo excesso de informação, descreve os estágios de maturidade analítica até a organização AI-driven e chega a duas questões abertas: quem é o autor cognitivo de uma decisão mediada por IA e como reconfigurar organizações em que humanos e agentes artificiais decidem juntos. Cada prancha reúne um esquema visual, uma leitura comentada, a origem das ideias e a indicação do estudo do Cappra Institute que aprofunda o tema. O documento funciona como porta de entrada para o acervo de pesquisa do Instituto.
The schemes build up in stages, as in the original presentation: use ‹ › below each one or presentation mode. Each study marked with ⌖ opens in the cognitive map of the studies, at the end.
For two decades, being data-driven was the ambition of anyone who wanted to decide better: measure, consolidate, visualize and base decisions on evidence. The curve shows that this stage was not the destination. From there, the slope changes: models and agents start to take part in decisions, and the organization enters another regime.
The highlighted area is the AI-driven territory. Many organizations have already reached it in technology, but have not yet occupied it in structure, culture and decision rights.
This cognitive map is a visual guide to that passage.
We call Analytical Revolution the movement by which information stops being a technical resource, managed by specialists, and becomes a cultural phenomenon: it starts to organize how people and organizations perceive reality, interpret signals, decide and act.
The scheme shows where this phenomenon happens. Organizational culture (values, habits, power) and data culture (methods, tools, evidence) meet in a narrow zone. Analytical culture is born in that intersection: a reframing of how people and organizations relate to data and information.
Technology speeds up the process. The decisive change, however, happens in culture.
01. Inforganization: information stops being an input and becomes structure.
02. Decision crisis: more information does not, by itself, produce better decisions.
03. New stage: the decision becomes hybrid, between human, data and machine.
04. Cognitive authorship: what is at stake when the machine answers before the question matures.
05. Reconfiguration: organizations must be redesigned to host multiple intelligences.
Each reflection opens with a question and ends by pointing to the study that develops it in depth.
In January 1988, Peter Drucker published The Coming of the New Organization in the Harvard Business Review. The large company of the following decades, he predicted, would have fewer levels of management, would be made up of specialists and would look more like a hospital or an orchestra than the classic factory. He called it the information-based organization.
Two points are still current. First: what defines this organization is the use of information, not the technology that processes it. Second: the more successful a company is, the harder and more painful it tends to be to abandon old habits.
The scheme walks through three excerpts from the article, with the markings from the original presentation, and rereads the four management problems Drucker pointed out in light of environments with AI agents.
The scheme describes three ways an organization can relate to information. In the first stage, information is an input: the problem is to process more in order to decide better, and the hierarchy stays intact. In the second, it is a force: it changes structure, culture and decision rights, often without anyone having declared a change program.
In the third, information is the structure itself. The organization becomes an adaptive informational system, in which flows of perception, interpretation and decision define who does what. This is the state the Cappra Institute calls inforganization (inforganização in Portuguese), formalized in 2020 and updated in 2026.
The passage between stages produces organizational reconfiguration: a continuous and largely imperceptible change in structure, culture and decision rights.
The Harvard Business Review estimates that the average adult makes between 33,000 and 35,000 decisions a day. Psychology Today reaches the same number, about 35,000 daily choices, and shows what it means in time: close to 2,000 decisions per waking hour, one every two seconds.
The vast majority of these choices are almost automatic. The number is a widely accepted estimate, not the result of a direct count, but it expresses a widespread perception: life and work now demand choices at a continuous pace, almost all of them mediated by information, notifications and systems.
For management, the useful question is another one: how many of these choices receive enough attention to be real decisions.
The scheme crosses three lines. Available information grows continuously. The human capacity to consume it remains practically stable. For a while, society kept up with the growth, consuming more and more, until it went beyond the capacity band. From then on the consumption curve bends: there is no way to absorb what is available.
Alfons Cornella named this state in 1996: infoxication, intoxication by excess information. Herbert Simon had already stated the principle in 1971: a wealth of information creates a poverty of attention.
The order of magnitude helps size the problem. In 2017, IDC projected that the global datasphere would reach 163 zettabytes in 2025. A year later, it revised the forecast to 175 zettabytes.
An operational definition guides the work of the Cappra Institute: information is the combination of data and narratives. Data provides a factual base. Narratives provide meaning, context and direction. Neither, alone, produces information useful for deciding.
When the narrative weighs more than the data, the risk of distorting reality grows: the story persuades, but does not hold. When the data weighs more than the narrative, the risk of decisions out of context grows: the numbers are right, but no one knows what to do with them. The balance between the two is what makes informed decisions possible.
This instability explains why organizations with plenty of data can decide badly, and why well-built discourse can hide the absence of evidence.
The matrix crosses two axes: the level of connection (disconnected, connected, uninterrupted) and the level of information (uninformed, informed, hyperinformed). Each combination describes a cognitive state of the person who decides.
The pathologies appear at the edges: informational zombification, anxiety spiral, decision paralysis, shallow interaction, cognitive saturation, critical isolation, illusion of security and the need to keep up. Decision paralysis, where uninterrupted connection meets hyperinformation, is the state the current environment pushes decision makers toward.
At the center is analytical thinking: connected without being captured, informed without being saturated. It is an unstable balance that requires deliberate practice to be maintained.
If excess destabilizes, what stabilizes? The scheme answers in three layers. At the core, data science: the intersection of science (mathematics, statistics, physics), technology (computing, programming, information) and application (business, humanities, social sciences).
Around it, analytical thinking: methods, techniques, skills, resources and automation that allow anyone, not only specialists, to reason with data. In the outer layer, analytical culture: indicators, analytics, dashboards, decision making, algorithms, artificial intelligence and artificial agents built into the way the organization works.
The equation sums up the thesis: the technical components are only complete when they produce cultural adaptation.
The curve organizes two decades of analytical evolution by perceived value. The analytics band holds business intelligence, big data, data science and real-time analytics. The dashed line marks the passage to the artificial intelligence band: advanced algorithms, machine learning and, at the top, autonomous decisions.
The most important point in the scheme is the human decision, placed just above that passage. That is where the nature of the decision changes: before, systems inform people; after, systems decide with them and, in some cases, in their place.
Each phase also produced a kind of leadership: BI leaders, analytics leaders and, now, AI leaders.
The model describes how mature organizations are in making decisions and dealing with data and information. At each stage, the place data occupies between available information and the decision changes.
In data-negation, intuition, experience and hierarchy decide alone. In data-curious and data-try, data enters as a question and as a pilot. In data-safety, it gains quality, access and privacy and starts to support decisions. In data-driven, it guides decisions, and results feed back into the data. In AI-driven, models and agents take part in the decision itself.
The stages describe culture, not technology purchases. An organization can have AI platforms and still operate, culturally, as data-curious.
The scheme goes through the six stages and shows, in each one, what stands between data and the decision: a barrier (negation), a question (curiosity), pilots (experimentation), a reliable base (safety), analytics (data orientation) and, finally, a machine layer: models and agents that perform inference, recommendation and autonomous execution.
The human side also changes in nature. In the data-driven stage, the human contribution was intuition, experience and hierarchy, reduced to context. In AI-driven, it becomes intention, judgment and oversight: defining what is wanted, assessing what the machine proposes and answering for the result.
The outcome is a hybrid decision, fed by continuous learning. None of the three elements decides alone, and it is this interdependence that defines the new stage.
The scheme reads the revolutions of work through the cultural transformations they produced. The industrial one, from around 1760, brought centralized production, the replacement of physical force and operational visibility. The digital one, from the transistor (1947) to the web (around 1990), brought the digitization of the world, networked connectivity and the externalization of knowledge.
The cognitive one takes shape between 2012, with the deep learning leap in image recognition, and 2022, with generative AI reaching the general public. Its marks: cognitive decentralization, a crisis of economic models and an invisible infrastructure that comes to mediate work.
Adoption is already broad: according to McKinsey's 2025 global survey, 88% of organizations use AI in at least one business function. The same survey shows that most have not yet scaled that use across the whole organization.
The scheme shows the simplest loop of the hybrid decision. The human pilots: defines the problem and the intention. The machine co-pilots: expands the analysis, suggests paths and returns alternatives to the pilot. The dialogue between the two produces augmented intelligence, which returns to the human as expanded capacity.
The idea has old roots. In 1960, J. C. R. Licklider described man-computer symbiosis. In 1962, Douglas Engelbart proposed augmenting human intellect as a research program. What changes now is scale: the co-pilot is no longer a lab exception and has become an everyday work interface.
Recognizing the hybrid decision is the first step to governing it: knowing, in each decision, where one contribution ends and the other begins.
The scheme distributes capabilities between two kinds of agency. On the human side, nine capabilities linked to criticism, ethics, context, creativity and influence. On the artificial side, nine capabilities linked to scale, precision, speed, continuity and memory.
At the center is the workflow: task scheduled, task executed, performance analysis, learning gained. People and agents enter this flow at different points, and learning returns to the start.
The comparison recalls Fitts's list (1951), which separated what humans and machines do best. The difference is that here both agencies operate in the same flow, at the same time. One caveat: execution free of emotional bias does not mean execution free of bias, because models inherit the biases of their data and of those who configure them.
The sentence, from the book Híbridos (2025), sums up the thesis behind the whole journey: the subject who decides in organizations no longer thinks in a purely human way. We remember, calculate, write and decide with systems.
The Cappra Institute describes this condition as human-data-machine interdependence (HDM). The three elements do not add up like independent pieces; each one changes the others. Data shapes what is perceived, machines shape what data means, humans shape what machines learn.
The thesis engages with the extended mind hypothesis of Andy Clark and David Chalmers (1998), according to which cognitive processes can go beyond the limits of the brain and include tools in the environment.
Knowledge usually follows a flow: a gap sparks curiosity, which leads to inquiry, which demands abstraction, which needs maturation until it becomes knowledge. Each step has a cognitive cost, and that cost is what forms the person who thinks.
The contemporary detour happens at inquiry. When AI delivers a ready-made answer, the gap closes too early. A chain follows: illusion of completeness (it seems we already know), collapse of curiosity (nothing is left to ask) and, at the limit, cognitive proletarianization: the loss of a know-how that comes to depend on an external system.
Recent research with knowledge workers points the same way: the greater the confidence in generative AI, the lower the reported critical thinking effort.
The scheme lays out the relationship between humans and AI on a spectrum. On one side, full human autonomy; on the other, full dependence on AI. Between the extremes: support tools, cognitive partnership, selective automation, supervised AI, decisions made by AI and the replacement of human functions.
The two crossed shapes show the trade-off: as AI's share grows, the human share shrinks. At the crossing, between selective automation and supervised AI, lie the most delicate design choices.
Automation engineering has described levels of automation for each function of a system for decades. The management question is the same: at what level should each decision operate, and who decides that.
In 1893, Émile Durkheim described the division of labor as a source of social cohesion: as functions specialize, people come to depend on one another. The whole analysis assumed a single form of agency, the human one.
The scheme updates that picture. Before AI, the division of labor distributed functions among people. After AI, it distributes functions among people and artificial agents: multiagency, the sum of human and artificial agency. Agents do not only execute tasks; they occupy positions in the network of interdependencies that keeps the organization running.
When a machine occupies a social position, it starts to affect coordination, trust and responsibility, not just productivity.
The new division of labor already has cases at scale. In March 2026, on the panel From Teams to Multiagent Ecosystems at South Summit in Porto Alegre, iFood CEO Diego Barreto told the author of this cognitive map that the company was running about 9,000 AI agents and that 32% of all activities had already been redesigned to some degree.
The figure matters less for its volume than for what it reveals: an ecosystem in which tasks are executed in the background by agents while people redefine their own work. The company described the evolution as a move from assistants, which raise productivity, to agents that carry out activities autonomously.
This is the kind of environment where the next questions arise: who answers for the actions, and who manages the agents.
The question is no longer theoretical. MIT's Moral Machine experiment gathered about 40 million decisions from people in 233 countries and territories on self-driving car dilemmas and showed that moral preferences vary across cultures. Since March 2025, Waymo driverless cars have carried passengers in Austin, in the United States, through the Uber platform.
When a decision passes through whoever designs the system, whoever provides the data, whoever configures it, whoever supervises it and the agent that executes it, responsibility is diluted: this is the responsibility gap. Madeleine Clare Elish described the opposite effect, the moral crumple zone: in automated systems, blame tends to fall on the human closest to the error, even when that person had little control.
The scheme shows why managing agents does not fit in a single area. AI sits at the core. The first layer belongs to IT: configuration, technical care, security and integration. The second belongs to HR: ethics, culture, feedback and agency. The third belongs to business: rules, context, operations and measurement.
Four axes cross the layers: parameterization, learning, oversight and autonomy. The central cone, opening toward the agents, is the vacuum: responsibility grows as agents gain autonomy, but none of the three areas alone has a mandate to manage them.
The Cappra Institute calls HR+A, the management of human and artificial resources, the field that needs to occupy this space.
The scheme separates three dimensions that change at different speeds. The decision, that is, how decisions are made, was modified by the artificial effect. Behavior, how people act, changed right after. The decision ecosystem, made of structures, roles and responsibilities, has not yet adapted.
The distance between what has already changed and what has not is the organizational accommodation deficit. The word accommodation was chosen on purpose: the technology has already been adopted; what is missing is reorganizing the house to receive it.
The deficit rarely shows up in adoption indicators. It shows in decisions without an owner, overlapping responsibilities and agents operating outside any accountability structure.
The matrix crosses embedded agentic capacity (how much artificial action the organization has already put into operation) with organizational accommodation capacity (how much it can reorganize structures, responsibilities and leadership to receive that action).
With little capacity on both axes, the organization is pre-agentic. With high accommodation and little agentic capacity, it is prepared. With both high, it is in the AI-driven quadrant. The critical quadrant is high agentic capacity and low accommodation: agents spread beyond the structures that should contain them.
The diagonal marks balance. The goal is not to maximize agents, but to keep both capacities growing together.
Intelligence has always had economic value. AI does not start this trade, but it changes the conditions under which cognitive capacities circulate, scale, are priced, accumulated and managed.
The research notebook Economia da Inteligência organizes this change into six components. The first three appear in the scheme: intelligence models (the regimes in which cognitive capacity becomes available), cognitive liquidity (how easily it circulates and combines) and cognitive leverage (how much is mobilized beyond one's own capacity).
The other three complete the system: cognitive repricing, hybrid cognitive capital and the management of hybrid organizational cognition. For management, the consequence is direct: deciding where the organization builds its own capacity and where it comes to depend on external intelligences.
If the decision is hybrid, governance must be too. The hexagon organizes six structures that, together, support the responsible use of artificial intelligence: governance policies, a monitoring process, analytical training, ethical guidelines, data governance and oversight committees.
At the center is augmented intelligence, not AI. The goal of governance is to expand the organization's capacity to decide well, not only to control technological risk. That is why analytical training sits alongside committees and policies.
The hexagon is one of the foundations of Analytical Governance: the field that sets principles, structures and mechanisms to guide how an organization produces, organizes, interprets, distributes, uses and turns information into decision and action.
In a Cappra Institute study with leaders, 73% named the lack of analytical culture and data knowledge in organizations as the biggest difficulty in implementing AI. Next came hiring skilled people or people with the right mindset (14%), processes not yet structured for automation (7%), technology limitations (3%) and high operating cost (3%).
Technology appears as a barrier for only 3% of leaders. The perceived problem lies in people and culture.
It is common to cite, from McKinsey publications, that about 70% of transformations fail for human and cultural reasons. The number calls for caution: an academic review found no valid empirical evidence for this rate. The direction of the argument, however, matches what the Institute's study observes.
The scheme shows, in stages, what change does to a culture. First, culture appears as a field of habits crossed by changes, bounded by four forces: behavior, environment, resources and values.
Next, change opens a space at the center, occupied by a new deciding subject: the hybrid being. Then analytical culture surrounds that center and reconfigures four dimensions of the organization: people, processes, policies and technologies.
Culture is not replaced. Habits remain, but they come to organize themselves around another way of deciding.
Analytical transformation requires coordinating four factors, each with natural sponsors. Policies: data and AI governance, at the board and C-level. Processes: decision architecture, with the CEO, COO and CMO. People: hybrid work design, with the CHRO and CEO. Technologies: the data and AI operating model, with the CIO, CDO and CTO.
At the center, four territories cross between strategy, automation, decision and work: business analytics, big data and data science, analytical culture and the data and AI-driven organization.
The arrows show that the factors influence each other. Advancing in one without the others reproduces the accommodation deficit.
The journey of this cognitive map can be read as a sequence of waves. The first, of analytical thinking, brought data science to technical areas by combining science and technology. The second, of analytical culture, brought data orientation to application areas: the data-driven organization.
The third wave, under way, is awareness of the artificial. It brings AI to automation areas and demands something the previous ones did not: that the organization understands what it means to share decisions, work and responsibility with systems that act.
The waves overlap. An organization can be in the third in technology and in the first in culture.
Read together, the five reflections describe a single movement: information came to organize the organization, destabilized the decision, brought the machine inside it, put the authorship of thinking in dispute and now demands a deliberate reconfiguration.
Today's challenge is not just optimizing processes. Now, it is essential to manage hybrid ecosystems, in which people, data, models and agents decide together.
This cognitive map is a gateway. Each reflection has a matching study in the Cappra Institute collection, gathered in the map of studies that follows.
| Study | Format | Central question | Plates |
|---|---|---|---|
| Research paper, Sep. 2026 | How does information become organizational structure? | 1.1, 1.2, 3.2, 3.3 | |
| Research paper, 2026 | In what cognitive state do we decide between connection and information? | 2.1 to 2.4 | |
| Research paper, 2026 | How do data, models and AI come to mediate the relationship between reality and decision? | 0.2, 2.5, 3.1, 3.2, 5.6, 6.1 | |
| Research paper, 2026 | What changes in management when we share thinking with machines? | 3.3, 3.5, 3.7, 4.2 | |
| Research paper, 2026 | How do we organize work when people and agents operate in the same flow? | 3.6, 4.3, 4.4 | |
| Research paper, Oct. 2026 | How do we preserve the gap as a space for formation in the age of AI? | 4.1 | |
| Article, Controvérsia, 2026 | How can informational mediation hollow out the know-how of those who work? | 4.1 | |
| Research paper, 2026 | When does an organization stop noticing that it has stopped learning? | 4.1 | |
| Research paper, 2026 | Who leads the AI agents? | 4.4, 5.1 | |
| The organizational accommodation deficit ↗ | Article, MIT Technology Review Brasil, Sep. 2026 | Why does structure lag behind agentic capacity? | 5.2, 5.3, 5.8 |
| Research notebook, Sep. 2026 | How does cognitive capacity circulate, scale and get priced in the age of AI? | 3.4, 5.4 | |
| Research paper, 2026 | How do we govern the production and use of information in decisions? | 4.2, 4.5, 5.5, 5.8 | |
| Híbridos | Book, 2025 | The future of work between humans and machines. | 3.7 |
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 Oct. 2019.
Cappra, R. Híbridos: o futuro do trabalho entre humanos e máquinas. Rio de Janeiro: Alta Books, 2025.
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 Sep. 2026b.
Cappra, R. “A IA está eliminando a tensão cognitiva no trabalho.” Cultura Analítica (newsletter), LinkedIn, 27 Mar. 2026c.
Cappra, R. Economia da Inteligência: um sistema econômico da capacidade cognitiva na era da IA. Research notebook. Cappra Institute, Sep. 2026d.
Cappra, R. Instabilidade Decisória. Research paper. Cappra Institute, 2026e.
Cappra, R.; Azambuja, C. C. de. “Proletarização cognitiva: uma categoria filosófica para o diagnóstico do trabalho informacionalmente mediado.” Controvérsia, vol. 22, no. 2, 2026, pp. 162-185. doi:10.4013/con.2026.222.10.
Cappra Institute. Data Thinking 2020. Cappra Institute, 2020.
Cappra Institute. Inforganização: a organização informacional adaptativa na era da inteligência artificial. Research paper, Sep. 2026.
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.
Castells, M. The Rise of the Network Society. Oxford: Blackwell, 1996.
Clark, A.; Chalmers, D. “The extended mind.” Analysis, vol. 58, no. 1, 1998, pp. 7-19. doi:10.1093/analys/58.1.7.
Davenport, T. H. “Analytics 3.0.” Harvard Business Review, vol. 91, no. 12, 2013, pp. 64-72.
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, no. 24-013, 2023.
Drucker, P. F. “The coming of the new organization.” Harvard Business Review, vol. 66, no. 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, no. 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.
Freixas Cardona, M. “Infoxicación.” Martes neológico, Centro Virtual Cervantes / Observatori de Neologia, Universitat Pompeu Fabra. On the term coined by Alfons Cornella in 1996.
Galbraith, J. R. “Organization design: An information processing view.” Interfaces, vol. 4, no. 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, no. 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 Sep. 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, no. 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.
NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. Gaithersburg: National Institute of Standards and Technology, 2023.
O'Reilly, C. A. “Individuals and information overload in organizations: Is more necessarily better?” Academy of Management Journal, vol. 23, no. 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, no. 3, 2000, pp. 286-297. doi:10.1109/3468.844354.
Reinsel, D.; Gantz, J.; Rydning, J. Data Age 2025: The Evolution of Data to Life-Critical. IDC White Paper, sponsored by Seagate, Apr. 2017.
Reinsel, D.; Gantz, J.; Rydning, J. The Digitization of the World: From Edge to Core. IDC White Paper, sponsored by Seagate, Nov. 2018.
Reill, A. “A simple way to make better decisions.” Harvard Business Review, 5 Dec. 2023.
Risko, E. F.; Gilbert, S. J. “Cognitive offloading.” Trends in Cognitive Sciences, vol. 20, no. 9, 2016, pp. 676-688. doi:10.1016/j.tics.2016.07.002.
Schein, E. H. Organizational Culture and Leadership. 4th ed. San Francisco: Jossey-Bass, 2010.
Shavit, Y.; Agarwal, S.; Brundage, M.; et al. Practices for Governing Agentic AI Systems. OpenAI, Dec. 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. 2nd ed. Chichester: Wiley, 2009.