Desconfiar do que pensamos

1O paradoxo de acreditar que sabemos

Há algum tempo, acompanhei de perto o desenvolvimento de um agente de inteligência artificial para uma operação produtiva: um sistema que deveria recomendar ajustes a partir de centenas de variáveis de processo, relatórios técnicos e procedimentos. A prova de conceito funcionou bem. Então, tanto o executivo responsável pelo projeto quanto o cliente concluíram que escalá-lo era questão de adicionar variáveis. Ambos faziam a mesma comparação: se o ChatGPT podia responder quase qualquer pergunta, este sistema poderia recomendar e otimizar ao mesmo tempo, e entregar sempre a mesma resposta diante da mesma situação. A equipe de desenvolvimento advertiu que eram exigências difíceis de conciliar. Mas quando quem compra e quem vende compartilham a mesma convicção, não sobra ninguém à mesa para colocá-la à prova. O escopo foi comprometido. O que veio depois foram entregas atrasadas e resultados que variavam de uma execução para outra.

Não foi um erro de inteligência nem de experiência. Foi algo mais sutil: uma convicção formada em um ambiente, aplicada a outro muito diferente, sem que ninguém pudesse submetê-la à prova antes que se transformasse em um compromisso. E não é um caso isolado. É a forma mais comum pela qual hoje se perde valor com inteligência artificial, e quase nunca aparece nas análises, porque não é um problema da tecnologia. É um problema de como julgamos o que a tecnologia nos mostra.

A psicologia documentou isso muito antes da IA generativa. Em 2002, Leonid Rozenblit e Frank Keil, da Universidade Yale, pediram a um grupo de pessoas que avaliassem o quanto entendiam o funcionamento de objetos cotidianos, como um zíper, um vaso sanitário ou uma fechadura. Depois, pediram que explicassem, passo a passo, como funcionavam. Ao se avaliarem novamente, a nota caía. Os pesquisadores chamaram o fenômeno de ilusão de profundidade explicativa: confundimos a familiaridade com algo com a compreensão de como funciona, e só descobrimos isso quando precisamos explicá-lo.¹

Treze anos depois, Matthew Fisher, Mariel Goddu e o próprio Keil mostraram que buscar na internet infla essa ilusão. Quem acabava de buscar informação se declarava mais conhecedor inclusive de temas sobre os quais não havia buscado nada, e mesmo quando a busca não lhe havia entregado a resposta.² Com uma fonte externa sempre disponível, torna-se fácil confundir o que sabemos com o que podemos consultar.

A IA generativa leva isso um passo adiante. Ela já não apenas encontra informação: explica, resume e constrói com ela. Podemos desenvolver uma aplicação sem dominar sua arquitetura, produzir uma análise sem conhecer seus pressupostos ou receber uma recomendação sobre um problema que excede nossa experiência. Em 2024, a antropóloga Lisa Messeri e a psicóloga Molly Crockett advertiram na Nature que esse risco já alcança a ciência: a IA pode levar os pesquisadores a produzir mais enquanto compreendem menos.³ Se isso acontece com quem é treinado para duvidar, também pode acontecer com um comitê executivo.

A mudança de fundo é esta: a complexidade do que podemos produzir já não está limitada pela profundidade do que entendemos. Durante décadas, construir um sistema exigia compreender boa parte dele, e essa exigência funcionava como um controle natural. A IA o eliminou. A distância que se abre entre ambas as capacidades, que chamo de lacuna de compreensão, não é uma teoria nova. É o mecanismo psicológico onde começa algo que descrevi antes como Dívida de Liderança em IA (AI Leadership Debt),¹⁹ e este artigo procura mostrar como se percorre esse caminho, da mente de quem decide até o balanço da empresa.

2Por que a IA amplifica a ilusão

Há uma razão pela qual as respostas da IA nos convencem tanto, e ela não tem a ver com sua exatidão. A psicologia cognitiva chama de fluência a facilidade com que processamos uma informação, e uma longa linha de pesquisa, sintetizada por Adam Alter e Daniel Oppenheimer em 2009, mostra que o que se processa com facilidade tende a ser julgado mais verdadeiro, mais familiar e mais confiável.⁴ Entre pessoas, a fluência é um sinal razoável: quem explica algo com clareza costuma saber do que fala. A IA rompe essa correlação. Ela escreve com a mesma desenvoltura quando acerta e quando erra, sem hesitações e com estrutura impecável.

A isso se soma um viés mais antigo. Em 1998, Raymond Nickerson revisou décadas de evidência sobre o viés de confirmação: a tendência a buscar, interpretar e lembrar informações de maneira que favoreça o que já acreditamos.⁵ Com a IA, o viés começa na pergunta. Um executivo convencido de que os agentes reduzirão seus custos de desenvolvimento pede a uma ferramenta que identifique oportunidades de automação, estime benefícios e monte o argumento para o investimento. Recebe respostas coerentes e tecnicamente plausíveis. Mas se ele nunca perguntou sob quais condições a estratégia fracassaria, quanto custariam a integração, a supervisão e a manutenção, ou que alternativa entregaria mais valor com menos investimento, a ferramenta também não o fez. Uma resposta correta a uma pergunta enviesada não é uma decisão bem fundamentada.

E a ferramenta não é neutra diante desse viés. Em 2024, pesquisadores da Anthropic documentaram que os assistentes de IA mais usados tendem à complacência (sycophancy): ajustam suas respostas à opinião que o usuário deixa transparecer, mesmo à custa da exatidão, em parte porque os dados com que são treinados premiam as respostas de que gostamos.⁶ A IA pode se comportar como um espelho que responde. Usada para buscar contra-argumentos, é uma ferramenta extraordinária para nos questionarmos. Usada para confirmar, é a mais convincente que já tivemos.

A evidência sobre seu uso no trabalho vai na mesma direção. Em uma pesquisa com 319 trabalhadores do conhecimento, com 936 exemplos reais de uso, pesquisadores da Microsoft e da Universidade Carnegie Mellon constataram que, quanto mais confiança as pessoas tinham na IA, menos pensamento crítico aplicavam, e que o contrário ocorria com a confiança em si mesmas.⁷ O esforço não desaparece: desloca-se de produzir para verificar. O problema é que verificar exige justamente o conhecimento que acreditamos ter.

O experimento mais revelador foi feito em 2023 por pesquisadores de Harvard e de outras universidades junto com o Boston Consulting Group, com 758 consultores. Em tarefas dentro do alcance da IA, quem a usou concluiu 12% mais tarefas, 25% mais rápido e com 40% mais qualidade. Em uma tarefa fora desse alcance, quem usou IA teve 19 pontos percentuais a menos de probabilidade de chegar à resposta correta.⁸ Os autores a chamaram de fronteira irregular: a IA é excelente em tarefas que parecem difíceis e falha em outras que parecem simples, e nada em suas respostas avisa quando o limite foi ultrapassado. Ela responde com a mesma fluência dos dois lados.

3A distância entre percepção e medição

A lacuna entre o que acreditamos e o que acontece também pode ser medida em tempo. No início de 2025, a organização de pesquisa METR atribuiu a 16 desenvolvedores experientes 246 tarefas reais em projetos de código aberto que conheciam bem, e sorteou em quais poderiam usar IA. Antes de começar, eles estimaram que a IA os tornaria 24% mais rápidos. Ao terminar, acreditavam ter ganhado 20%. O cronômetro marcou o contrário: com IA, levaram 19% mais tempo.⁹

O estudo não permite concluir que a IA reduza a produtividade em geral: usou ferramentas do início de 2025, em condições específicas, e uma atualização da METR de fevereiro de 2026 mostra indícios de melhora com ferramentas posteriores, embora sem conseguir estimar sua magnitude.¹⁰ Analisei suas implicações para o desenvolvimento de software em um artigo anterior sobre o custo oculto do vibe coding. O que importa aqui é outro achado, que o transcende: a percepção de melhora pode diferir muito do resultado medido, e não se corrige sozinha, nem mesmo depois de viver a experiência.

As organizações repetem esse erro em escala. Medem o que é fácil de observar: modelos implantados, agentes desenvolvidos, horas supostamente economizadas, processos automatizados, usuários ativos de ferramentas generativas. São indicadores legítimos de adoção, mas não são evidência de valor. Uma empresa pode gerar mais código e aumentar seus custos de manutenção, automatizar atividades sem reduzir seus custos operacionais, produzir mais informação sem melhorar suas decisões ou melhorar um indicador operacional sem que o benefício chegue a seus resultados financeiros.

Há três coisas distintas que se confundem com facilidade: a capacidade tecnológica (o que a IA permite fazer), o resultado operacional (o que efetivamente muda em processos e decisões) e o valor empresarial (o benefício econômico que a organização consegue capturar e sustentar). Estão relacionadas, mas não são equivalentes. E quanto mais fácil é produzir resultados com IA, mais fácil é confundir a primeira com a terceira.

4Por que a experiência não protege

Seria cômodo pensar que esse problema afeta sobretudo quem tem pouca experiência. A evidência sugere algo mais incômodo. Em 2009, Daniel Kahneman e Gary Klein, dois pesquisadores que passaram anos em lados opostos sobre o valor da intuição, publicaram um artigo conjunto para estabelecer em que concordavam. Sua conclusão foi que a intuição especializada é confiável apenas quando duas condições se cumprem: um ambiente com regularidades suficientes e a oportunidade de aprendê-las por meio de prática prolongada com feedback rápido e claro. Um bombeiro ou um enxadrista desenvolvem intuições notáveis porque o ambiente lhes diz logo se acertaram. Outros especialistas, em ambientes onde o feedback é lento ou ambíguo, desenvolvem confiança sem precisão. E a confiança subjetiva, concluíram, não é uma boa medida da qualidade do julgamento.¹¹

Em 2001, Robin Hogarth deu nome ao segundo caso: ambientes traiçoeiros (wicked), onde o feedback falta, chega tarde ou, pior, ensina a lição errada.¹² Neles, a experiência acumula confiança no mesmo ritmo em que acumula erros.

Uma decisão de investimento em IA ocorre em um ambiente traiçoeiro, por três razões.

• O que chega rápido é a atividade, e quase sempre é positiva. O protótipo funciona, os usuários aderem, o código é gerado, os indicadores de adoção sobem. Cada sinal precoce confirma a decisão.
• O valor chega meses depois e misturado. Quando aparece, vem embaralhado com mudanças de preços, de demanda, de outros projetos e de pessoas. Atribuí-lo à IA, ou descartá-lo, exige um trabalho que poucas organizações fazem.
• A experiência que a maioria dos executivos tem com IA é outra. Vem do uso de assistentes conversacionais, um ambiente amigável onde a resposta é imediata e se julga em segundos se ela serve. Essa experiência ensina algo real, mas sobre um sistema diferente. Foi o que aconteceu no caso do início: uma intuição genuína, formada com o ChatGPT, aplicada a um sistema industrial conectado a centenas de variáveis, onde a variabilidade das respostas não é uma curiosidade, mas um problema operacional.

O erro também pode ir na direção contrária. Um executivo que viu fracassar vários projetos tecnológicos pode ler a IA a partir dessa experiência e descartar oportunidades que hoje são, sim, viáveis. É a outra face do que chamo de Executive AI Expectation Gap, a distância entre o que os executivos esperam da IA e as condições reais para implementá-la: superestimá-la produz investimentos mal desenhados; subestimá-la, oportunidades perdidas. Ambas têm a mesma origem: uma experiência parcial convertida em convicção sem que nada a tenha colocado à prova.

A experiência não é o problema. O problema é deixar de examinar as condições sob as quais nossas conclusões continuam válidas. E aqui está, a meu ver, a ideia central deste artigo: se o ambiente não entrega ao julgamento executivo o feedback de que ele precisa, a organização tem de construí-lo. Essa é a função mais subestimada de medir o valor da IA.

5Da crença ao balanço

Juntando as peças, surge um mecanismo que vai da mente de quem decide até as demonstrações financeiras. Ele tem seis elos, e o caso do início percorre todos eles.

Um sinal. Uma resposta fluente, uma demo convincente, um protótipo que funciona em uma tarde. No caso, a experiência cotidiana com o ChatGPT.

Uma crença. O sinal é interpretado como prova de compreensão. Aqui operam a ilusão de profundidade explicativa, a fluência e a complacência do modelo. Escalar é só adicionar variáveis.

Uma expectativa. A crença se converte em prazos, custos e resultados esperados. Um mesmo sistema que recomende, otimize e responda sempre igual: três exigências que se chocam entre si, porque um modelo generativo é variável por design.

Uma decisão. A expectativa se converte em orçamento, escopo, arquitetura ou quadro de pessoal. No caso, um escopo comprometido com o cliente. Quando a convicção é compartilhada entre quem compra e quem vende, o viés de confirmação deixa de ser individual: torna-se um acordo entre organizações, e o contrato o deixa por escrito.

Um compromisso. Uma vez tomada, a decisão é defendida. Barry Staw mostrou em 1976 que os responsáveis por uma decisão que começa a falhar tendem a comprometer mais recursos nela, não menos.¹³ Os indicadores de atividade lhe dão cobertura: sempre há algo que avança. E o único feedback disponível, as advertências da equipe técnica, fica em minoria.

Uma dívida. Entregas atrasadas, resultados variáveis, retrabalho, credibilidade gasta com o cliente. O custo da crença aparece no balanço meses depois, quando já ninguém o associa à sua origem.

Duas observações sobre esse mecanismo. A primeira é que cada elo amplifica o anterior: o sinal fluente reforça a crença, a crença enviesa as perguntas feitas ao estimar a expectativa, a decisão cria um compromisso que se protege, e o compromisso filtra a evidência que poderia corrigi-lo. Um erro de julgamento precoce não se dilui no caminho. Ele se institucionaliza.

A segunda é que em nenhum elo a tecnologia falha. O agente do caso fazia o que um sistema desse tipo pode fazer. O que falhou foi a distância entre isso e o que se acreditou, se esperou e se comprometeu. Daniel Kahneman e Dan Lovallo descreveram isso em 2003 como o predomínio da visão interna: planejar a partir dos detalhes do próprio projeto, em vez de perguntar como se saíram projetos parecidos.¹⁴ Com a IA, a visão interna é ainda mais tentadora, porque cada demo parece única.

Por isso, a dívida de liderança não começa quando o projeto fracassa. Começa quando uma crença não examinada se converte em um compromisso.

6O que a tecnologia não pode converter sozinha

Esse mecanismo pode ser expresso nos termos da AI Value Realization Theory (AVRT), o modelo com que analiso como a IA se converte em valor.¹⁹ Em sua forma mais simples, o valor realizado se escreve como V = α · P · Γ · Φ, onde P é o potencial técnico da IA, Γ indica quão perto a empresa está da fronteira tecnológica de seu setor e Φ é sua eficiência de conversão: a parte do potencial que a organização consegue transformar em decisões, ações e valor capturado.

Cada nova geração de modelos eleva P. Mas o valor depende de um produto, não de uma soma, e Φ não é tecnologia: é responsabilidade pelas iniciativas, governança, desenho do trabalho e liderança. O que este artigo acrescenta é que também é julgamento. Os vieses das seções anteriores não afetam o que a IA pode fazer. Afetam quanto disso se converte em valor, e o fazem em elos precisos da cadeia que a AVRT mede: se a inteligência muda uma decisão (DCR, Decision Conversion Rate), se essa decisão é executada (ACR, Action Conversion Rate) e se a ação produz valor mensurável (VCR, Value Conversion Rate).

Há aqui uma nuance que vale a pena explicitar, e que apresento como hipótese. Uma organização com um julgamento enviesado pode mostrar uma alta conversão de decisões e, ainda assim, uma baixa conversão de valor. Se a IA muda muitas decisões, mas sem que ninguém tenha avaliado se seu resultado era suficientemente confiável para cada uma, o DCR sobe e o VCR cai depois. A organização decidiu mais, não melhor. Para que a conversão reflita valor, cada decisão teria de passar antes por uma pergunta simples: esta inteligência é confiável o bastante para esta decisão, nestas condições?

A AVRT mede a restrição que está por trás de todos esses elos com o AI Leadership Debt Index, ALDI = 100 · (1 − Φ). Visto assim, a dívida de liderança é o acúmulo de decisões tomadas a partir de crenças que ninguém submeteu à prova, e a lacuna de compreensão é uma de suas fontes principais. A dívida pode assumir formas opostas: subestimar a arquitetura que exige passar de uma prova de conceito para uma solução operacional, superinvestir em infraestrutura antes de validar a hipótese de valor, multiplicar iniciativas sem medir nenhuma ou adiar investimentos viáveis por uma desconfiança que já não se justifica.

Isso leva a um paradoxo. Imaginemos uma empresa que começa usando IA para redigir documentos, depois incorpora assistentes para analisar informações, em seguida implementa agentes conectados a seus sistemas e, por fim, permite que executem ações sobre processos operacionais. Em cada etapa, o potencial de valor sobe. Mas também sobe o custo de uma decisão equivocada. Se a capacidade de avaliar, governar e medir permanece igual, a empresa acaba operando sistemas cada vez mais sofisticados sob pressupostos que ninguém revisou. Daí uma hipótese que considero central para a Dívida de Liderança em IA: a dívida de liderança pode crescer enquanto a tecnologia melhora, se a adoção avança mais rápido do que a capacidade da organização de compreender, governar e avaliar o que adota.

É também a explicação mais simples de por que empresas com acesso aos mesmos modelos obtêm resultados tão diferentes. Não competem em P, que se compra. Competem em Φ, que se constrói.

7A medição como refutação

A filosofia oferece há séculos uma resposta a esse problema. A tradição socrática ensina que a convicção pessoal não é evidência de conhecimento, e que reconhecer os limites do que sabemos não é renunciar a saber, mas a condição para examiná-lo.¹⁵ Karl Popper levou essa ideia à ciência: uma teoria vale na medida em que se expõe a testes capazes de refutá-la. Sua contribuição não foi prometer certezas, mas aceitar que nossas explicações podem estar incorretas e que o progresso depende de buscar ativamente onde estão.¹⁶ John Dewey acrescentou que o conhecimento não é um acúmulo de respostas, mas um processo de investigação que se revisa à luz de suas consequências.¹⁷

Levado à empresa, isso muda a forma de entender uma decisão de investimento. Uma organização convencida de que a IA reduzirá seus custos operacionais justifica o investimento, fixa metas financeiras e desenvolve uma solução tecnicamente sofisticada. A pergunta popperiana é incômoda: ela definiu que resultado demonstraria que o investimento não está produzindo o valor esperado? Ou seus indicadores estão desenhados para justificar uma decisão que já foi tomada? No primeiro caso, a organização usa a evidência para aprender. No segundo, seleciona-a para confirmar.

Chris Argyris descreveu essa diferença em 1977 como aprendizagem de circuito simples e de circuito duplo.¹⁸ No primeiro, a organização corrige suas ações para alcançar a meta. No segundo, também revisa os pressupostos que a levaram a fixar essa meta. Um dashboard de adoção de IA, na melhor das hipóteses, permite o circuito simples. A pergunta que importa, se a hipótese original era correta, exige o duplo.

É aqui que a medição da AVRT cumpre sua função mais importante, a que se conecta com a seção 4: é o feedback que o ambiente não dá ao julgamento executivo. Para que o seja, ela tem de ser desenhada antes de investir, não depois. Se uma organização espera que a IA reduza os custos de um processo, precisa definir de antemão como medirá esses custos, que mudança espera ver em cada elo, que investimentos adicionais serão necessários, como separará o efeito da IA do de outros fatores e que resultado a levaria a corrigir o rumo ou a parar. DCR, ACR e VCR são então medidos contra a hipótese inicial, não contra zero.

No caso do início, teria bastado uma pergunta antes de comprometer o escopo: que resultado da próxima etapa nos demonstraria que escalar não é só adicionar variáveis? Por exemplo, medir quanto varia a recomendação do sistema diante de uma mesma situação da planta. É um experimento de semanas. Teria convertido uma convicção compartilhada em uma hipótese testável, e a advertência da equipe técnica em um dado.

Medir o valor da IA não deveria servir apenas para demonstrar que acertamos. Também para descobrir a tempo quando não acertamos.

8Desconfiar do que pensamos

Desconfiar do que pensamos não significa renunciar às convicções nem questionar indefinidamente cada decisão. As organizações precisam agir com informação incompleta, e a liderança consiste, em grande parte, em fazer isso. Trata-se de algo mais delimitado: construir uma relação mais rigorosa entre o que acreditamos e a evidência que o sustenta, justamente no ambiente onde essa relação é mais fácil de perder.

Na prática, isso pode ser reduzido a cinco perguntas antes de comprometer recursos importantes. As quatro primeiras seguem a lógica da refutação. A quinta é acrescentada pelo caso do início.

1. O que acreditamos que a IA pode melhorar? A resposta deveria nomear um problema, uma decisão, um processo ou um resultado concreto, não uma capacidade.
2. Por que acreditamos nisso? Não é o mesmo uma experiência pessoal, uma demo, um experimento controlado ou um resultado operacional. Cada um justifica um nível diferente de compromisso.
3. O que nos demonstraria que estamos errados? Sem um critério de refutação definido de antemão, é impossível distinguir entre aprender e justificar.
4. Como saberemos se geramos valor? A resposta tem de conectar a capacidade tecnológica a mudanças verificáveis em decisões, operações e resultados econômicos.
5. Quem à mesa pode nos contradizer? Se todos os que decidem compartilham a mesma convicção, a organização perdeu sua principal fonte de feedback. É preciso buscar, e ouvir, quem vê o problema de outro lugar.

Essas perguntas não eliminam o risco, mas permitem reconhecê-lo a tempo. Por isso, o alfabetização executiva em IA deveria ir muito além de entender como os modelos funcionam ou aprender a usar ferramentas generativas. Deveria formar julgamento: avaliar evidências, reconhecer incerteza, distinguir uma demo de um resultado. Um executivo não precisa ter todas as respostas. Precisa, sim, saber quando seu conhecimento não basta para supor que as tem.

A IA pode nos ajudar a superar os limites do que sabemos, e também pode ocultá-los. Pode acelerar o aprendizado, e também decisões construídas sobre pressupostos equivocados. Pode ampliar enormemente o que somos capazes de produzir, mas não garante que saibamos avaliar quanto isso vale. Por isso, talvez a capacidade mais importante da liderança nesta etapa não seja aprender a confiar mais na tecnologia, nem a desconfiar dela, mas desconfiar, de maneira construtiva, daquilo que acreditamos saber.

Quando as respostas se tornam extraordinariamente fáceis de obter, a capacidade de questioná-las se converte em vantagem competitiva. E quando nossas crenças decidem como se comprometem recursos, pessoas e capacidades, reconhecer que podemos estar errados deixa de ser apenas uma virtude intelectual.

Converte-se em uma responsabilidade da liderança.

Referências

1. Rozenblit, L. e Keil, F. (2002). The Misunderstood Limits of Folk Science: An Illusion of Explanatory Depth. Cognitive Science, 26(5), 521–562.
2. Fisher, M., Goddu, M. K. e Keil, F. C. (2015). Searching for Explanations: How the Internet Inflates Estimates of Internal Knowledge. Journal of Experimental Psychology: General, 144(3), 674–687.
3. Messeri, L. e Crockett, M. J. (2024). Artificial Intelligence and Illusions of Understanding in Scientific Research. Nature, 627, 49–58.
4. Alter, A. L. e Oppenheimer, D. M. (2009). Uniting the Tribes of Fluency to Form a Metacognitive Nation. Personality and Social Psychology Review, 13(3), 219–235.
5. Nickerson, R. S. (1998). Confirmation Bias: A Ubiquitous Phenomenon in Many Guises. Review of General Psychology, 2(2), 175–220.
6. Sharma, M. et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. arxiv.org/abs/2310.13548
7. Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. doi.org/10.1145/3706598.3713778
8. Dell’Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School, Working Paper 24-013.
9. Becker, J., Rush, N., Barnes, B. e Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. arxiv.org/abs/2507.09089
10. METR (2026). We Are Changing Our Developer Productivity Experiment Design, 24 de fevereiro de 2026. metr.org
11. Kahneman, D. e Klein, G. (2009). Conditions for Intuitive Expertise: A Failure to Disagree. American Psychologist, 64(6), 515–526.
12. Hogarth, R. M. (2001). Educating Intuition. University of Chicago Press; e Hogarth, R. M., Lejarraga, T. e Soyer, E. (2015). The Two Settings of Kind and Wicked Learning Environments. Current Directions in Psychological Science, 24(5), 379–385.
13. Staw, B. M. (1976). Knee-Deep in the Big Muddy: A Study of Escalating Commitment to a Chosen Course of Action. Organizational Behavior and Human Performance, 16(1), 27–44.
14. Lovallo, D. e Kahneman, D. (2003). Delusions of Success: How Optimism Undermines Executives’ Decisions. Harvard Business Review, 81(7), 56–63.
15. Platão. Apologia de Sócrates.
16. Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson. Publicada originalmente em alemão em 1934.
17. Dewey, J. (1938). Logic: The Theory of Inquiry. Henry Holt and Company.
18. Argyris, C. (1977). Double Loop Learning in Organizations. Harvard Business Review, 55(5), 115–125.
19. Barrientos, C. (2026). AI Value Realization Theory: resumo executivo; A DRE pode estar certa, e a decisão sobre IA ainda estar errada (Dívida de Liderança em IA); Vibe coding sem controle. claudiobarrientos.com

O caso do início é real e está descrito de forma genérica para não identificar as organizações nem as pessoas envolvidas. As conexões entre a psicologia do julgamento, a Dívida de Liderança em IA, o Executive AI Expectation Gap e a AVRT são interpretações e hipóteses do autor, que requerem validação empírica.