AI Readiness: Porque o Cérebro Humano Não Mudou (Mas o Contexto Sim)
Antes de investir milhões em “novas competências”, vale a pena questionar o que realmente mudou.
Índice:
O Paradoxo da Novidade
A sala de reunião enche-se de energia quando o tema é transformação digital. Apresentações PowerPoint proclamam a “era da IA”, “competências do futuro”, “talento 4.0”. Consultores promovem frameworks revolucionários para identificar capacidades “totalmente novas” que os colaboradores precisam de dominar.
Existe um pressuposto implícito: a inteligência artificial exige competências radicalmente diferentes de tudo o que alguma vez medimos. Como se, de repente, em 2022, quando o ChatGPT foi lançado, as regras fundamentais do desempenho humano tivessem sido reescritas.
Mas será mesmo assim?
Antes de embarcarmos em mais uma corrida para reinventar a roda, vale a pena fazer uma pausa incómoda. Porque se há algo que a neurociência nos ensina é isto: a arquitetura fundamental do cérebro humano que suporta aprendizagem, raciocínio e adaptação é amplamente a mesma que caracteriza o cérebro dos primatas, sem evidência de uma alteração estrutural recente (Herculano-Houzel, 2009; 2012).
As estruturas neurológicas — córtex pré-frontal, hipocampo, amígdala — são essencialmente as mesmas. A memória de trabalho humana continua limitada a cerca de quatro unidades, uma limitação estrutural não alterada pela tecnologia (Cowan, 2001; 2010).
Se o hardware biológico permanece estável, vale a pena questionar se as competências fundamentais que prevêem desempenho mudaram tanto quanto assumimos.
A Falácia da "Era Nova, Competências Novas"
Esta não é a primeira vez que enfrentamos esta narrativa. Revolução Industrial, computador pessoal, internet, mobile — cada “era nova” proclamou que seriam necessárias “competências totalmente novas”.
E de certa forma, é verdade. O contexto muda. As ferramentas mudam. A velocidade muda. Mas algo tende a permanecer estável: as capacidades cognitivas fundamentais que distinguem quem se adapta rapidamente de quem não consegue.
Um profissional em 1950 podia dominar o conhecimento necessário para a sua função e mantê-lo relevante durante décadas. Um profissional em 2025 enfrenta obsolescência de competências técnicas em 3–5 anos (World Economic Forum, 2025).
Mas atenção à subtileza crítica: o que envelhece rapidamente são competências técnicas específicas. O que permanece valioso são capacidades cognitivas fundamentais — raciocínio abstracto, aprendizagem adaptativa, gestão de complexidade.
E estas têm sido mensuráveis através de avaliação psicométrica com mais de um século de validação empírica.
Psicometria: Medir o Estável Para Prever o Volátil
A psicometria organizacional tem uma obsessão: validade preditiva. Não basta criar testes elegantes; é necessário demonstrar empiricamente que prevêem performance futura.
E aqui reside algo notável: os preditores historicamente mais robustos têm sido também os mais atemporais.
A Robustez da Inteligência Geral
Schmidt & Hunter (1998), numa meta-análise que sintetizou 85 anos de investigação, demonstraram que testes de capacidade cognitiva geral apresentam elevada validade preditiva para desempenho profissional. Este padrão tem-se mantido estável across industries, across job types, across decades.
Revisões metodológicas recentes (Sackett et al., 2022) reavaliam criticamente algumas estimativas, mas não invalidam a utilidade da capacidade cognitiva geral como preditor — reforçam a necessidade de interpretações cuidadosas e de desenho multimétodo.
Do ponto de vista teórico, é plausível esperar que esta robustez se transfira para contextos de trabalho com IA. A capacidade cognitiva geral mede aprendizagem, abstração e resolução de problemas novos — precisamente o tipo de exigência que tende a aumentar à medida que tarefas rotineiras são automatizadas (Autor, 2015).
A Persistência da Personalidade
Barrick & Mount (1991) demonstraram que Conscienciosidade apresenta validade preditiva consistente across jobs. Abertura à Experiência tem sido associada a melhor desempenho em contextos de mudança.
E mais relevante ainda: Devaraj, Easley & Crant (2008) demonstraram que estes traços — particularmente Abertura e Conscienciosidade — são preditores consistentes de aceitação e uso de novas tecnologias, precisamente o comportamento que nos interessa quando falamos de AI Readiness.
Estes traços mostram estabilidade ao longo da vida adulta (Costa & McCrae, 1988) e continuam a prever sucesso profissional desde os anos 1960.
Limitação importante: ainda não existem estudos longitudinais robustos que demonstrem predição directa de performance com IA generativa. A argumentação baseia-se em transferência teórica de validades históricas combinada com evidência sobre aceitação tecnológica.
Três Objeções Legítimas
Objeção 1: “Psicometria mede o passado. IA é o futuro.”
A história mostra o contrário. A validade preditiva da capacidade cognitiva tende a ser maior em funções complexas e novas do que em funções simples e rotineiras (Schmidt & Hunter, 1998). Isto sugere que, em contextos de novidade radical — incluindo IA — a capacidade cognitiva pode tornar-se mais (não menos) preditiva.
Objeção 2: “IA requer competências técnicas específicas.”
Competências técnicas específicas são mais rapidamente adquiridas do que capacidades cognitivas profundas. A evidência favorece hire for aptitude, train for skill (Hunter & Hunter, 1984).
Num contexto em que ferramentas e modelos de IA evoluem a um ritmo acelerado, experiência técnica específica deprecia rapidamente. A capacidade de aprender continuamente torna-se o activo mais valioso.
Objeção 3: “O contexto de IA é único.”
Possivelmente. Mas muitos desafios — incerteza probabilística, viés algorítmico, decisão com informação incompleta — têm precedentes noutros domínios (medicina, engenharia, auditoria). É possível que estas competências sejam suficientemente diferentes para requererem instrumentos adaptados (Raghavan et al., 2020).
O Que Realmente Mudou: Urgência, Não Substância
O que mudou não foi a natureza das competências fundamentais, mas a frequência e urgência com que são exigidas:
A Analogia do GPS
O GPS não criou “orientação espacial” — sempre existiu. Mas tornou crítica outra competência: o julgamento sobre quando confiar na tecnologia.
A IA faz o mesmo. Como Autor (2015) argumenta, a automação não elimina trabalho humano — redistribui-o para tarefas que requerem julgamento e adaptação. A IA reduz a necessidade de certas competências (memorização, cálculo), mas torna críticas outras que sempre existiram.
AI Readiness: Quatro Dimensões Mensuráveis
A investigação histórica e a evidência sobre aceitação tecnológica (Devaraj et al., 2008; Hirschi, 2018) sugerem que AI Readiness pode ser conceptualizada através de quatro dimensões:
Capacidades Cognitivas
Raciocínio abstracto, learning agility, pensamento algorítmico.
Traços de Personalidade
Abertura, Conscienciosidade, Estabilidade Emocional.
Competências Comportamentais
Pensamento crítico, inovação, gestão de ambiguidade, determinação, aprendizagem contínua, impacto.
Drivers Motivacionais
Motivação intrínseca e orientação para crescimento.
Nenhum construto é novo. Todos têm décadas de validação. O que é relativamente novo é a aplicação específica a IA generativa, onde a validação robusta é ainda emergente, mas teoricamente fundamentada.
O Que Ainda Não Sabemos
- Falta de estudos longitudinais específicos
- Dilema de adverse impact (EU AI Act, 2024)
- Possíveis competências genuinamente novas
- Variância não explicada
- Limitações metodológicas das meta-análises
Conclusão: A Melhor Ferramenta Imperfeita Disponível
AI Readiness não exige reinventar o ser humano. Exige compreender, medir e desenvolver capacidades que sempre sustentaram a adaptação a contextos complexos.
A psicometria não é perfeita. Reconhecemos lacunas e incertezas. Mas continua a ser a melhor ferramenta imperfeita disponível quando comparada com alternativas:
→ Intuição e entrevistas não-estruturadas (validades tipicamente substancialmente inferiores às de métodos estruturados)
→ Anos de experiência (associação fraca com desempenho futuro)
→ CVs (capacidade preditiva limitada)
→ “Sentir” AI Readiness (sem validação empírica documentada)
À luz da evidência científica — meta-análises robustas combinadas com investigação sobre aceitação tecnológica — a avaliação psicométrica continua a ser a abordagem com melhor base empírica para identificar AI Readiness.
Não porque seja perfeita. Mas porque as alternativas são demonstravelmente piores ou completamente não-validadas.
Referências
Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30. https://doi.org/10.1257/jep.29.3.3
Barrick, M. R., & Mount, M. K. (1991). The Big Five personality dimensions and job performance: A meta-analysis. Personnel Psychology, 44(1), 1-26. https://doi.org/10.1111/j.1744-6570.1991.tb00688.x
Costa, P. T., & McCrae, R. R. (1988). Personality in adulthood: A six-year longitudinal study of self-reports and spouse ratings on the NEO Personality Inventory. Journal of Personality and Social Psychology, 54(5), 853-863. https://doi.org/10.1037/0022-3514.54.5.853
Cowan, N. (2001). The magical number 4 in short-term memory: A reconsideration of mental storage capacity. Behavioral and Brain Sciences, 24(1), 87-114. https://doi.org/10.1017/S0140525X01003922
Cowan, N. (2010). The magical mystery four: How is working memory capacity limited, and why? Current Directions in Psychological Science, 19(1), 51-57. https://doi.org/10.1177/0963721409359277
Devaraj, S., Easley, R. F., & Crant, J. M. (2008). How does personality matter? Relating the Five-Factor Model to technology acceptance and use. Information Systems Research, 19(1), 93-105. https://doi.org/10.1287/isre.1070.0153
European Commission. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council on Artificial Intelligence (AI Act). https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
Herculano-Houzel, S. (2009). The human brain in numbers: A linearly scaled-up primate brain. Frontiers in Human Neuroscience, 3, 31. https://doi.org/10.3389/neuro.09.031.2009
Herculano-Houzel, S. (2012). The remarkable, yet not extraordinary, human brain as a scaled-up primate brain and its associated cost. Proceedings of the National Academy of Sciences, 109(Supplement 1), 10661-10668. https://doi.org/10.1073/pnas.1201895109
Hirschi, A. (2018). The fourth industrial revolution: Issues and implications for career research and practice. The Career Development Quarterly, 66(3), 192-204. https://doi.org/10.1002/cdq.12142
Hunter, J. E., & Hunter, R. F. (1984). Validity and utility of alternative predictors of job performance. Psychological Bulletin, 96(1), 72-98. https://doi.org/10.1037/0033-2909.96.1.72
Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 469-481. https://doi.org/10.1145/3351095.3372828
Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting the design, analysis, and interpretation of selection validation research. Journal of Applied Psychology, 107(11), 1947-1971. https://doi.org/10.1037/apl0001020
Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings. Psychological Bulletin, 124(2), 262-274. https://doi.org/10.1037/0033-2909.124.2.262
World Economic Forum. (2025). The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
Sobre o Autor
Hugo Bernardes
Managing Partner at The Key Talent Portugal
Consultor e gestor de RH com mais de 20 anos de experiência em aquisição de talentos, desenvolvimento e liderança.
É co-fundador da The Key Talent.
Desenvolvimento de Software e serviços de avaliação inovadores para RH.
