A inteligência artificial amplia as possibilidades de organizar informações, explorar alternativas e apoiar atividades técnicas. Sua incorporação à engenharia, entretanto, envolve uma transformação que vai além do aprendizado de uma ferramenta. Quando parte da execução pode ser delegada a sistemas computacionais, o profissional precisa estabelecer com maior clareza o problema a resolver, os critérios de aceitação e as evidências necessárias para sustentar a decisão. Nesse contexto, usar IA com confiança significa criar condições para reconhecer onde ela contribui, avaliar seus resultados e intervir quando sua atuação se mostra inadequada. A experiência acumulada, o conhecimento dos fundamentos e a compreensão do ambiente de aplicação tornam-se recursos essenciais para orientar esse processo.
Uma pesquisa brasileira de Pedro, Panizzon e Weber, apresentada no INDUSCON em 2023, oferece um ponto de partida para essa discussão. O estudo investigou a intenção de adoção de tecnologias entre 88 profissionais de saúde e de segurança ocupacional vinculados a uma plataforma de avaliação de riscos. Utilizando uma adaptação da Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT), os autores compararam dois cenários: um sistema especialista de apoio às atividades e outro, um sistema cognitivo com maior automação. A pesquisa relatou maior intenção de uso do sistema especialista. Esse resultado se refere à amostra e aos cenários apresentados; não representa uma medida da disposição de toda a engenharia brasileira nem uma avaliação direta dos assistentes generativos atuais. Ainda assim, oferece uma base para examinar como a configuração da tecnologia e sua relação com o trabalho profissional contribuem para a adoção. [1]
A diferença observada não permite atribuir a menor intenção de uso exclusivamente ao medo. Os cenários também diferiam quanto a funcionalidades, à familiaridade e ao grau de automação. Na discussão, os autores defendem uma abordagem de IA centrada no ser humano, que preserve a participação, a competência e a autoridade. Na prática da engenharia, uma implicação possível é envolver os profissionais na definição das tarefas a serem apoiadas e dos pontos em que sua intervenção será necessária. A confiança pode ser construída quando o usuário compreende o propósito da aplicação, encontra condições para aprender e mantém capacidade efetiva de revisar suas entregas. Essa tradução para um processo de adoção constitui uma proposta prática derivada da discussão, e não uma intervenção já validada pelo estudo.
As pesquisas sobre desempenho mostram por que essa adoção deve ocorrer por tarefas. Em um experimento com 758 consultores, Dell’Acqua e colaboradores observaram que a assistência de IA melhorou a velocidade e a qualidade do trabalho em atividades situadas dentro das capacidades do sistema, mas prejudicou o desempenho em uma tarefa selecionada fora desse conjunto. Os autores descrevem esse comportamento como uma fronteira tecnológica irregular: atividades que parecem semelhantes em termos de dificuldade para uma pessoa podem apresentar resultados muito diferentes quando executadas com IA. O estudo foi realizado em consultoria, e seus ganhos não devem ser transferidos numericamente para a engenharia. Sua contribuição para este guia é mostrar a necessidade de avaliar cada aplicação em condições representativas do trabalho. [2]
Também é necessário examinar como ocorre a colaboração. Uma revisão sistemática e meta-análise de Vaccaro, Almaatouq e Malone reuniu 106 estudos e 370 tamanhos de efeito. Em média, as combinações entre pessoas e IA ficaram aquém do desempenho da melhor alternativa isolada, seja humana ou computacional. Isso não significa que a assistência tenha sido inferior ao trabalho humano em geral: superar a pessoa sozinha e superar o melhor dos dois são comparações diferentes. A pesquisa encontrou resultados mais favoráveis em criação de conteúdo e perdas em tarefas decisórias, considerando o conjunto analisado. Para a engenharia, a implicação é que incluir um revisor humano, por si só, não comprova a qualidade do processo; é preciso definir o que ele verificará e com quais recursos. [3]
O pensamento crítico participa dessa construção. Em uma pesquisa com 319 trabalhadores do conhecimento, que relataram 936 exemplos de uso de IA generativa, Lee e colaboradores identificaram uma associação entre maior confiança na IA e menor exercício declarado de pensamento crítico. Os participantes também descreveram um deslocamento do esforço para a verificação das informações, a integração das respostas e a condução da tarefa. Como se trata de autorrelatos, o estudo não demonstra perda causal de capacidade cognitiva. Ele ajuda, contudo, a formular uma questão prática: quais atividades de análise precisam permanecer explícitas quando a ferramenta entrega uma resposta pronta? [4]
A partir dessas evidências, é possível propor um percurso inicial de uso na engenharia. O roteiro a seguir é uma síntese prática para orientar a experimentação e a aprendizagem, cuja adequação deverá ser avaliada em cada organização.
O primeiro passo é escolher uma tarefa delimitada e verificável.
Um ponto de partida pode ser organizar anotações em um rascunho de relatório, extrair campos de documentos ou comparar informações que o profissional já conhece. A escolha deve considerar a facilidade de conferir a entrega e a possibilidade de corrigir um erro antes que ele acarrete consequências. Trabalhar inicialmente com um caso concluído permite confrontar a resposta com uma referência conhecida. Ao final dessa experiência, o profissional deve ser capaz de descrever tanto a contribuição da ferramenta quanto os tipos de falha encontrados.
O segundo passo é definir o que será considerado uma boa resposta.
Antes de usar a IA, convém registrar o objetivo, as fontes permitidas e os elementos a preservar. Na extração de dados de um relatório, esses critérios podem incluir fidelidade aos valores, manutenção das unidades, identificação da origem e indicação explícita de informações ausentes. Os primeiros testes podem utilizar documentos públicos ou dados fictícios; materiais internos exigem um ambiente autorizado pela organização. Um pedido bem delimitado facilita a avaliação, embora não garanta que a ferramenta atenda a todas as condições.
O terceiro passo é explicitar a divisão do trabalho.
Em um exemplo de apoio documental, a IA pode organizar registros de manutenção e apontar informações ausentes; o profissional confere os documentos, interpreta o contexto e decide como prosseguir. Essa divisão deve ser descrita antes de ampliar o uso. Uma aplicação que funcionou para redigir um resumo ainda precisa ser avaliada para identificar uma falha. Da mesma forma, a capacidade de sugerir uma expressão matemática não comprova a validade de suas hipóteses ou de sua aplicação a um equipamento. Cada ampliação de escopo introduz requisitos próprios de verificação.
O quarto passo é verificar por meios independentes.
Referências devem ser abertas e conferidas; valores devem ser confrontados com os documentos originais; cálculos exigem a verificação das hipóteses, das unidades e dos resultados por métodos adequados. Pedir à própria IA que revise sua resposta pode ajudar a identificar problemas, mas isso não constitui uma confirmação independente. A concordância entre dois modelos também pode indicar um erro comum. Quando o profissional não dispõe de conhecimento ou de evidência suficientes para avaliar uma afirmação relevante, essa parte da entrega deve permanecer pendente de análise especializada.
O quinto passo é medir o benefício após a revisão.
O tempo de geração representa apenas uma parcela do processo. É necessário contabilizar a preparação das entradas, a conferência e as correções, bem como registrar omissões e erros recorrentes. Uma experiência inicial pode comparar tarefas semelhantes realizadas com e sem assistência, utilizando os mesmos critérios de aceitação. Uma amostra pequena serve para aprendizagem local, sem sustentar conclusões gerais sobre a tecnologia. A continuidade deve depender de um ganho observável, com qualidade compatível com a finalidade, e não apenas da impressão de rapidez produzida pela resposta instantânea.
O sexto passo é ampliar o uso preservando a aprendizagem profissional.
Registrar o que funcionou, compartilhar falhas e revisitar os testes após mudanças relevantes ajudam a transformar experiências individuais em conhecimento da equipe. Em atividades de formação, uma prática possível é, primeiro, formular uma hipótese própria e, depois, confrontá-la com a resposta da IA, explicando as divergências. Para profissionais experientes, a ferramenta pode apoiar a exploração de alternativas, enquanto o julgamento técnico determina quais merecem investigação. A organização participa desse processo ao oferecer tempo, orientação e condições para que dúvidas e erros sejam discutidos.
O novo papel da engenharia pode ser compreendido a partir dessa capacidade de conduzir o trabalho assistido por IA. Formular problemas, selecionar evidências, avaliar resultados e compreender consequências são atividades que devem acompanhar a automação. Um profissional pode começar por uma tarefa pequena, aprender com os resultados e ampliar o uso à medida que reúne evidências de sua adequação. É nesse percurso que a expressão “usar sem medo” ganha um sentido operacional: ter condições de experimentar, identificar limites, corrigir falhas e sustentar as decisões tomadas.
Referências
- PEDRO, Ederson de Almeida; PANIZZON, Mateus; WEBER, Carine G. OHS Professionals AI Adoption: A UTAUT Research in Brazilian Industry. 2023 15th IEEE International Conference on Industry Applications — INDUSCON, p. 850–857, 2023. DOI: 10.1109/INDUSCON58041.2023.10374850.
- DELL’ACQUA, Fabrizio et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 2026. DOI: 10.1287/orsc.2025.21838.
- 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. DOI: 10.1038/s41562-024-02024-1.
- LEE, Hao-Ping et al. 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, artigo 1121, p. 1–22, 2025. DOI: 10.1145/3706598.3713778.
*Imagem de capa: Depositphotos.com
Gostou? Então compartilhe:
