Neuroplasticidade, aprendizagem contínua e a nova liderança tecnológica
Se a Inteligência Artificial é generativa, nós também somos: neuroplasticidade, aprendizagem contínua e a nova liderança tecnológica
Por Zuleica Morais Firmino
Uma reflexão sobre inteligência humana, neuroplasticidade, orquestração de IA e o desenvolvimento de competências para transformar problemas em soluções.
Introdução — A inteligência humana também é generativa
Tenho vivido uma das fases mais fascinantes da minha trajetória profissional: descobrir, a cada novo desafio, o quanto a inteligência humana pode ser potencializada pela inteligência artificial.
Minha maior descoberta não está apenas nas ferramentas que aprendi a utilizar. Está na capacidade de compreender problemas, estabelecer conexões entre conhecimentos, explorar tecnologias e transformar ideias em soluções concretas.
Diante de um desafio, percebo que meu raciocínio segue um processo cada vez mais natural: primeiro compreendo a necessidade e o resultado esperado; depois identifico os recursos disponíveis, investigo novas possibilidades, experimento ferramentas, integro tecnologias e desenvolvo uma solução.
Muitas vezes, esse processo envolve conhecimentos que inicialmente não domino por completo. Entretanto, a possibilidade de pesquisar, experimentar, testar e aprender durante a execução amplia meu campo de atuação.
E foi justamente essa experiência que despertou uma pergunta:
Se a inteligência artificial é capaz de gerar novos conteúdos e soluções a partir de padrões aprendidos, como a inteligência humana amplia sua própria capacidade de criar ao interagir com essas tecnologias?
A resposta envolve neuroplasticidade, metacognição, aprendizagem contínua e uma nova forma de colaboração entre pessoas e sistemas inteligentes.
1. Neuroplasticidade: o cérebro humano não é uma estrutura estática
A neurociência demonstra que o cérebro humano possui capacidade de adaptação ao longo da vida.
Esse fenômeno é conhecido como neuroplasticidade, conceito relacionado à capacidade do sistema nervoso de modificar sua organização e suas conexões em resposta às experiências e à aprendizagem.
No livro Livewired: The Inside Story of the Ever-Changing Brain (2020), o neurocientista David Eagleman apresenta o cérebro como um sistema biológico continuamente adaptável.
Isso significa que aprender não consiste simplesmente em acumular informações.
O processo envolve alterações na atividade, na força e na organização de conexões entre neurônios, chamadas sinapses. Determinadas conexões podem ser fortalecidas, enfraquecidas ou reorganizadas conforme experiências e demandas.
Portanto, não é cientificamente correto afirmar que aprender significa apenas aumentar o número de neurônios. A transformação envolve processos muito mais complexos de plasticidade neural.
O relatório How People Learn II (National Academies, 2018) também explica que aprendizagem e desenvolvimento cerebral mantêm uma relação recíproca: a estrutura e o funcionamento do cérebro influenciam a aprendizagem, enquanto novas experiências podem modificar circuitos neurais.
Essa perspectiva ajuda a compreender uma característica fundamental da inteligência humana:
Nossa capacidade de aprender não é fixa. Ela pode ser desenvolvida, reorganizada e mobilizada diante de novas situações.
Quando enfrentamos problemas inéditos, recuperamos conhecimentos anteriores, formulamos hipóteses, comparamos alternativas e ajustamos nossas decisões.
É essa capacidade adaptativa que torna a aprendizagem humana tão extraordinária.
2. Metacognição: aprender a compreender o próprio raciocínio
Existe outro conceito particularmente importante nesse processo: a metacognição.
A metacognição corresponde à capacidade de monitorar e regular os próprios processos cognitivos.
Em termos práticos, é a habilidade de observar como pensamos, identificar o que sabemos, reconhecer o que ainda precisamos aprender e escolher estratégias para alcançar determinado objetivo.
O relatório How People Learn II (2018) destaca a metacognição, as funções executivas e a autorregulação como componentes fundamentais da aprendizagem.
Reconheço esses elementos quando preciso desenvolver uma solução utilizando inteligência artificial.
Antes de escolher uma ferramenta, preciso compreender o problema.
Antes de executar uma tarefa, preciso identificar quais conhecimentos e recursos serão necessários.
Durante o desenvolvimento, preciso avaliar se os resultados realmente correspondem ao objetivo.
Esse processo exige raciocínio, tomada de decisão, capacidade de adaptação e pensamento crítico.
Assim, uma das competências mais relevantes na utilização da IA não é apenas formular comandos.
É saber estruturar problemas, direcionar processos e avaliar criticamente os resultados produzidos.
3. AI Orchestration: a capacidade de coordenar inteligências e tecnologias
Uma das competências com as quais mais me identifico é a AI Orchestration, ou orquestração de inteligência artificial.
Na perspectiva técnica, a orquestração pode envolver a coordenação de modelos, ferramentas, agentes e fluxos de trabalho para executar tarefas de maneira integrada.
O artigo Building Effective Agents, publicado pela Anthropic em 2024, apresenta diferentes arquiteturas de sistemas baseados em modelos de linguagem, incluindo encadeamento de tarefas, roteamento, processamento paralelo e coordenação entre agentes.
Esses modelos demonstram que problemas complexos frequentemente precisam ser divididos em etapas, executadas e avaliadas de forma coordenada.
No meu processo de desenvolvimento, reconheço uma aplicação prática desse princípio.
Nem sempre uma única ferramenta resolve determinada necessidade.
Uma solução pode exigir pesquisa, análise de dados, geração de código, elaboração de interfaces, criação de conteúdo, integração entre plataformas e validação técnica.
A competência está em compreender o papel de cada recurso dentro de um fluxo maior.
É importante distinguir a orquestração prática de ferramentas da implementação de arquiteturas avançadas de múltiplos agentes. Embora relacionadas, essas atividades apresentam níveis diferentes de complexidade técnica.
O princípio que as conecta é a capacidade de organizar recursos tecnológicos em função de um objetivo definido.
Afinal, conhecer muitas ferramentas não significa necessariamente saber construir uma solução.
O diferencial aparece quando conseguimos selecionar, conectar e coordenar essas ferramentas de maneira intencional.
4. AI-Augmented Problem Solving: quando a inteligência humana amplia sua capacidade de resolver problemas
Outra competência central nesse cenário é o AI-Augmented Problem Solving, que pode ser traduzido como resolução de problemas potencializada pela inteligência artificial.
O conceito parte da colaboração entre capacidades humanas e sistemas inteligentes.
Em Co-Intelligence: Living and Working with AI (2024), Ethan Mollick explora as transformações provocadas pela IA na aprendizagem, no trabalho e na criação de soluções.
Já H. James Wilson e Paul R. Daugherty, no artigo Collaborative Intelligence: Humans and AI Are Joining Forces (2018), discutem como a colaboração entre pessoas e máquinas pode combinar competências complementares.
A inteligência artificial pode apoiar a análise de grandes volumes de informações, sugerir alternativas, gerar estruturas iniciais e acelerar determinadas etapas de execução.
A contribuição humana permanece essencial para interpretar contextos, estabelecer objetivos, avaliar consequências e assumir responsabilidade pelas decisões.
Entretanto, essa colaboração não produz resultados superiores automaticamente.
Uma revisão sistemática de Vaccaro, Almaatouq e Malone, publicada na Nature Human Behaviour em 2024, analisou 106 experimentos e identificou que os benefícios da combinação entre humanos e IA variam conforme o tipo de tarefa e a forma de colaboração.
Essa descoberta reforça uma questão fundamental:
Não basta acrescentar inteligência artificial a um processo. É necessário compreender quando, como e por que utilizá-la.
Na prática, isso significa utilizar a IA como instrumento de ampliação das capacidades humanas, sem abrir mão da avaliação crítica, da segurança e da validação dos resultados.
5. Learning Agility: transformar cada desafio em uma nova oportunidade de aprendizagem
Entre as competências que considero mais importantes está a Learning Agility, ou agilidade de aprendizagem.
DeRue, Ashford e Myers (2012) discutem esse conceito no artigo Learning Agility: In Search of Conceptual Clarity and Theoretical Grounding, destacando a importância de compreender como os profissionais aprendem com experiências e aplicam esse aprendizado em situações novas.
Para mim, essa competência representa algo que venho experimentando intensamente.
Ao receber um desafio, não considero apenas os conhecimentos que já possuo.
Procuro identificar quais conhecimentos posso desenvolver durante o processo e como eles poderão ser reutilizados em outras situações.
Uma experiência com análise de dados pode contribuir para um projeto de automação.
Uma atividade envolvendo inteligência artificial generativa pode ampliar minha compreensão sobre desenvolvimento de soluções digitais.
Um projeto audiovisual pode exigir conhecimentos sobre integração de ferramentas, fluxos de produção, comunicação e experiência do usuário.
Gradualmente, essas experiências deixam de ser atividades isoladas e passam a formar um repertório integrado de possibilidades.
Entretanto, existe uma distinção importante entre executar uma atividade com ajuda da IA e realmente adquirir uma competência.
Um estudo de Wiles e colaboradores, publicado em outubro de 2026 na Nature Human Behaviour, investigou o uso de IA generativa por 487 consultores em tarefas de ciência de dados. Os participantes apoiados por IA apresentaram melhores resultados nas tarefas avaliadas, mas o estudo não encontrou evidências de aquisição equivalente de conhecimento técnico sem a ferramenta.
Esse resultado traz um aprendizado fundamental: a IA pode ampliar temporariamente nosso desempenho sem garantir, por si só, aprendizagem duradoura.
Por isso, considero indispensável investigar o funcionamento das soluções, compreender os conceitos utilizados, revisar erros e consolidar os conhecimentos adquiridos.
O verdadeiro desenvolvimento profissional acontece quando não apenas entregamos o resultado, mas também ampliamos nossa capacidade de compreender e enfrentar novos desafios.
6. Da execução à liderança: AI Solutions Lead e AI Transformation Manager
Essas competências apontam para possibilidades profissionais que considero especialmente relevantes no cenário de transformação tecnológica.
Duas delas são as funções de AI Solutions Lead e AI Transformation Manager.
Embora as responsabilidades variem conforme a organização, ambas representam uma conexão entre tecnologia, estratégia e capacidade de execução.
AI Solutions Lead — Liderança de Soluções de Inteligência Artificial
Essa função está relacionada à capacidade de identificar necessidades organizacionais, traduzir problemas de negócio em requisitos técnicos e orientar o desenvolvimento de soluções baseadas em IA.
Entre suas responsabilidades possíveis estão a definição de casos de uso, a seleção de tecnologias, a articulação entre especialistas, a avaliação de viabilidade, a validação de soluções e o acompanhamento de entregas.
O diferencial não está apenas em conhecer ferramentas, mas em compreender como utilizá-las para produzir resultados confiáveis, sustentáveis e alinhados aos objetivos da organização.
AI Transformation Manager — Gestão da Transformação com Inteligência Artificial
Essa atuação possui uma dimensão mais ampla.
Envolve apoiar organizações na incorporação estratégica da inteligência artificial aos seus processos, modelos operacionais e práticas de gestão.
No livro Competing in the Age of AI (2020), Marco Iansiti e Karim R. Lakhani discutem como dados, algoritmos e sistemas digitais podem transformar a estrutura e a competitividade das organizações.
Nessa perspectiva, a transformação com IA ultrapassa a implementação de ferramentas.
Ela exige visão de negócios, gestão da mudança, governança, desenvolvimento de competências, integração tecnológica e mensuração de resultados.
O modelo de maturidade de adoção de IA agêntica da Microsoft também destaca dimensões como estratégia, processos, segurança, tecnologia, dados e cultura organizacional.
Essas referências reforçam a importância de profissionais capazes de estabelecer conexões entre diferentes áreas de conhecimento.
É nesse contexto que identifico uma direção para meu próprio desenvolvimento profissional.
Não apenas utilizar ferramentas de IA, mas desenvolver competências para estruturar, coordenar e liderar soluções de transformação digital.
Trata-se de uma trajetória de construção de competências, aprofundamento técnico e amadurecimento da capacidade de liderança.
7. Uma nova forma de compreender a inteligência e o desenvolvimento profissional
Durante muito tempo, o conhecimento profissional esteve associado principalmente ao domínio de ferramentas, métodos e especialidades específicas.
Esses conhecimentos continuam fundamentais.
Entretanto, a inteligência artificial amplia as possibilidades de combinar diferentes áreas de atuação e acelerar determinadas etapas do desenvolvimento de soluções.
Isso não elimina a necessidade de especialização.
Pelo contrário: quanto maior a complexidade e a responsabilidade envolvidas, mais importantes se tornam o conhecimento técnico, o pensamento crítico, a governança e a validação.
O que muda é a possibilidade de utilizar a tecnologia como instrumento de aprendizagem, experimentação e integração de competências.
Essa transformação me levou a compreender que minha identidade profissional não precisa ser definida exclusivamente pelas ferramentas que domino.
Ela também pode ser construída pela maneira como penso, aprendo, relaciono conhecimentos e desenvolvo soluções.
Não estou apenas acumulando certificados ou aprendendo novas tecnologias. Estou desenvolvendo a capacidade de instrumentalizar a inteligência artificial para ampliar meu repertório técnico, criativo e estratégico.
Cada desafio se transforma em uma oportunidade de aprendizagem.
Cada solução construída oferece novos conhecimentos.
E cada conhecimento adquirido pode abrir caminhos para possibilidades que antes pareciam distantes.
Conclusão — Se a IA é generativa, nós também somos
A inteligência artificial generativa representa um avanço extraordinário na capacidade das máquinas de produzir conteúdos, reconhecer padrões e apoiar a solução de problemas.
Mas existe algo profundamente humano nessa transformação: nossa capacidade de aprender com as experiências, reorganizar conhecimentos e criar novas possibilidades.
A neuroplasticidade demonstra que o cérebro permanece adaptável.
A metacognição ajuda a compreender e direcionar nossos processos de aprendizagem.
A Learning Agility representa a disposição e a capacidade de aprender com situações novas.
A AI Orchestration permite organizar tecnologias e recursos para alcançar objetivos.
E o AI-Augmented Problem Solving amplia as possibilidades de colaboração entre inteligência humana e artificial.
Esses conceitos não são equivalentes, mas ajudam a compreender diferentes dimensões de um mesmo fenômeno: a evolução da maneira como aprendemos, trabalhamos e criamos.
Para mim, o futuro da tecnologia não pertence exclusivamente a quem domina mais ferramentas.
Pertence também àqueles que conseguem compreender problemas relevantes, aprender continuamente, conectar conhecimentos e utilizar tecnologias com responsabilidade para construir soluções.
Não utilizo inteligência artificial apenas para produzir resultados. Utilizo-a como instrumento de aprendizagem, desenvolvimento técnico e inovação.
Porque a inteligência artificial não substitui a capacidade humana de pensar.
Ela pode ampliar o alcance daquilo que somos capazes de imaginar, aprender e construir.
A IA gera possibilidades. A inteligência humana transforma possibilidades em propósito, decisões e resultados.
E essa é a profissional que estou me tornando.
---
Referências bibliográficas
ANTHROPIC. Building Effective Agents. 2024. Disponível em: https://www.anthropic.com/research/building-effective-agents.
DeRUE, D. S.; ASHFORD, S. J.; MYERS, C. G. Learning Agility: In Search of Conceptual Clarity and Theoretical Grounding. Industrial and Organizational Psychology, v. 5, n. 3, p. 258–279, 2012. https://doi.org/10.1111/j.1754-9434.2012.01444.x.
EAGLEMAN, David. Livewired: The Inside Story of the Ever-Changing Brain. Canongate, 2020. https://eagleman.com/books/livewired/.
IANSITI, Marco; LAKHANI, Karim R. Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World. Harvard Business Review Press, 2020. https://store.hbr.org/product/competing-in-the-age-of-ai-strategy-and-leadership-when-algorithms-and-networks-run-the-world/10272.
MICROSOFT. Agentic AI Adoption Maturity Model: Repeatable Patterns for Successful Adoption. Microsoft Learn. Disponível em: https://learn.microsoft.com/en-us/agents/adoption-maturity-model/.
MOLLICK, Ethan. Co-Intelligence: Living and Working with AI. Portfolio, 2024. https://www.penguinrandomhouse.com/books/741805/co-intelligence-by-ethan-mollick/.
NATIONAL ACADEMIES OF SCIENCES, ENGINEERING, AND MEDICINE. How People Learn II: Learners, Contexts, and Cultures. Washington, DC: National Academies Press, 2018. https://doi.org/10.17226/24783.
VACCARO, Michelle; ALMAATOUQ, Abdullah; MALONE, Thomas. When Combinations of Humans and AI Are Useful: A Systematic Review and Meta-analysis. Nature Human Behaviour, v. 8, p. 2293–2303, 2024. https://doi.org/10.1038/s41562-024-02024-1.
WILES, Emma et al. Generative AI and the Temporary Upskilling of Knowledge Workers. Nature Human Behaviour, 2026. https://doi.org/10.1038/s41562-026-02566-6.
WILSON, H. James; DAUGHERTY, Paul R. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review, jul./ago. 2018. https://hbr.org/2018/07/collaborative-intelligence-humans-and-ai-are-joining-forces.
