Automação e pensamento crítico: o que o workslop revela sobre o trabalho com IA
Com Rodrigo Paiva e Alexandre Santille
Em 2025, um novo termo começou a circular com força no vocabulário corporativo: workslop. A tendência refere-se a conteúdos produzidos por Inteligência Artificial que parecem bem estruturados, mas que, ao serem analisados com mais atenção, revelam superficialidades e inconsistências.
O workslop parece prosperar em contextos em que as tarefas estão esvaziadas de sentido, com baixa responsabilização sobre o pensamento e uma relação cada vez mais instrumental com o conhecimento. Entre estes, o retrabalho médio chegou a duas horas por conteúdo. O que surge, então, como ganho de eficiência, começa a se revelar também como ruído, retrabalho e desgaste.
Para profissionais de RH e educação corporativa, o fenômeno traz uma pergunta incontornável: estamos formando pessoas para operar ferramentas ou para sustentar pensamento crítico?
Nesta edição do Entrelinhas, convidamos um especialista em Inteligência Artificial, Rodrigo Paiva, e o especialista em aprendizagem corporativa e co-fundador da teya, Alexandre Santille, para explorar as camadas desse debate. Mais do que entender o workslop, o desafio é investigar o que ele revela sobre trabalho, aprendizagem e o futuro da própria produção de conhecimento nas organizações.
1. O workslop tem sido tratado como um problema técnico, mas até que ponto ele é, na verdade, um sintoma cultural do trabalho contemporâneo? O que ele revela sobre como as organizações estão — ou não — sustentando o pensamento crítico?
É um sintoma de uma cultura organizacional que já valorizava a aparência antes de a IA existir. Relatórios cheios de bullet points e jargões corporativos sempre fizeram parte do mundo corporativo. A IA generativa só acelerou e escalou o que já existia: o trabalho de fachada, feito para "inglês ver". O que mudou é que agora é possível produzir essa fachada em segundos, a um custo cognitivo quase zero para quem produz, mas a um custo altíssimo para quem recebe.
É possível perceber ganhos em tarefas repetitivas e manuais, mas quando há a necessidade de colocar em produção tarefas mais complexas, o trabalho de avaliação por parte do olhar humano especialista ganha um incremento considerável. A proliferação do workslop é uma falha de gestão, resultado de governança de IA pouco clara e equipes sobrecarregadas.
2. O workslop é um erro de quem usa a ferramenta ou uma limitação inerente aos atuais modelos de linguagem? Existe alguma métrica técnica para identificar quando a IA está “alucinando” ou apenas entregando um conteúdo superficial?
Não é exatamente uma limitação, mas uma saída sem muito refinamento do propósito da ferramenta, que é generalizar conteúdo. Dito isso, a falta de repertório para utilização da ferramenta tende a gerar esse comportamento. Hoje existem várias abordagens para minimizar o efeito da alucinação, mas não necessariamente uma métrica — por isso a importância do humano com o devido domínio do conhecimento sobre o contexto para refinar essas estratégias.
O critério de qualidade ainda é de domínio do especialista no assunto ou tema. Qualquer especialista em qualquer área do conhecimento é capaz de avaliar o que salta aos olhos da especificidade dos temas, principalmente quando a substância do conteúdo importa. Por outro lado, pequenas nuances mais generalistas podem passar despercebidas.
3. Existe um risco de estarmos formando profissionais cada vez mais dependentes da IA para tarefas que antes exigiam elaboração própria? Que impactos isso pode ter no desenvolvimento cognitivo e na aprendizagem ao longo do tempo?
Esse risco é real. O que vemos hoje é menos uma ampliação do pensamento e mais uma tendência de terceirizá-lo. O cérebro se desenvolve pelo esforço cognitivo; aprender é como musculação: exige carga, repetição, desconforto e consistência. Quando eliminamos a fricção de "ter que pensar", ganhamos eficiência no curto prazo, mas enfraquecemos exatamente a capacidade que sustenta o crescimento no longo prazo. A IA, por exemplo, resolveu o problema de escrever, mas expôs um novo: o de ler com profundidade. Ler criticamente, interpretar, questionar e validar passou a ser mais difícil do que produzir um texto com ajuda. Se não redesenharmos os processos para preservar o esforço produtivo, vamos formar profissionais que produzem muito, mas compreendem pouco.
4. Se o workslop expõe um uso pouco crítico da tecnologia, que mudanças estruturais as organizações precisam fazer para que a IA, de fato, libere criatividade e não apenas automatize superficialidades?
O ponto mais crítico não é a ferramenta, é a cultura de aprendizagem que a sustenta. A IA só amplia criatividade quando existe um ambiente que valoriza repertório, questionamento e construção de sentido — não apenas entrega. Em culturas orientadas à aprendizagem, o foco não está em produzir mais rápido, mas em aprender melhor: testar hipóteses, confrontar ideias, aprofundar contexto e transformar informação em julgamento. Sem isso, a IA apenas acelera a produção de respostas rasas. Antes de pedir um relatório, a pergunta não deveria ser só "o que precisamos entregar?", mas "o que precisamos aprender com isso?".
A ferramenta é um espelho do repertório de quem a utiliza: quanto maior o repertório e o pensamento crítico, maiores as chances de extensão da capacidade cognitiva. Como as experiências de mundo não se comprimem, pessoas com poucas experiências e visões de mundo tendem a esbarrar nas próprias limitações de exploração da IA.
5. Se o diferencial humano não é mais a disciplina e a repetição — onde a IA vence —, como as jornadas de aprendizagem devem ser redesenhadas para valorizar a originalidade e o julgamento ético, combatendo a cultura da passividade diante da máquina? Como competências como pensamento crítico e leitura estratégica de contextos podem ser ensinadas de forma prática?
A questão central é que o diferencial humano migrou. Se a IA vence na disciplina e na repetição, o que sobra para nós é o julgamento, a contextualização e a coragem de dizer “isso não faz sentido”. E essas competências não se ensinam com slides e provas. Elas se desenvolvem com prática deliberada, com simulação, com exposição a dilemas reais.
Na teya, quando desenhamos jornadas de aprendizagem, trabalhamos muito com a ideia de que o desenvolvimento acontece no confronto com a complexidade, não na simplificação dela. Ensinar pensamento crítico significa colocar o profissional diante de um output de IA e pedir que ele identifique o que está faltando, o que está errado, o que parece bom, mas não serve para aquele contexto. É treinar o músculo da desconfiança produtiva. Ensinar leitura estratégica de contextos é desenvolver a capacidade de entender o cenário antes de escolher a ferramenta - saber quando a IA é a resposta e quando ela é o problema.
Hoje, em muitas empresas, o incentivo está invertido: você é premiado por usar a IA, não por pensar se deveria usá-la. Para que o profissional se sinta seguro em dizer “não” ao uso da IA em certos contextos, ele precisa de duas coisas: competência para justificar essa escolha e uma liderança que valorize esse julgamento em vez de punir a não-conformidade.
