Versão pública editada da palestra apresentada no HackTown 2026, em Santa Rita do Sapucaí, em 6 de setembro de 2026.

Nota editorial — Texto adaptado para leitura. Repetições e passagens dependentes de recursos visuais foram condensadas.

A pergunta que vem antes da tecnologia

O que quero compartilhar não é uma ferramenta. É uma pergunta.

Como usar inteligência artificial para compreender melhor pessoas sem retirar o humano do lugar de contexto, mediação, responsabilidade e decisão?

A inteligência artificial está ficando impressionante. Ela escreve, programa, cria imagens, analisa documentos, raciocina sobre problemas complexos e encontra padrões em volumes de dados que jamais conseguiríamos processar manualmente. Grande parte da conversa atual parece concentrada em uma pergunta: quanto mais a máquina consegue fazer?

Quero inverter essa pergunta.

À medida que as máquinas ficam melhores em analisar seres humanos, nós estamos ficando melhores em compreender seres humanos?

Uma coisa não garante a outra. Aumento de capacidade computacional não significa necessariamente aumento de compreensão humana. Em alguns casos, significa apenas que conseguimos produzir uma conclusão errada com mais velocidade, mais escala e uma aparência maior de precisão.

E isso não é apenas uma hipótese sobre o futuro.

Quando o padrão ocupa o lugar da pessoa

Em 2018, veio a público o caso de uma ferramenta experimental de recrutamento desenvolvida pela Amazon com técnicas de aprendizado de máquina. O sistema havia aprendido com anos de currículos recebidos pela empresa, especialmente para posições técnicas. Como aquele histórico era predominantemente masculino, a ferramenta passou a reproduzir sinais daquela desigualdade e chegou a penalizar termos associados a mulheres em currículos.

A máquina não decidiu, por vontade própria, discriminar mulheres. Ela procurou padrões no histórico que recebeu. O problema é que o passado entrou no sistema como se fosse um critério legítimo para o futuro.

O histórico de contratação começou a ocupar o lugar do candidato.

Na saúde, um estudo publicado em 2019 por Ziad Obermeyer e colegas analisou um algoritmo comercial utilizado nos Estados Unidos para identificar pacientes que deveriam receber atenção adicional. O sistema empregava gasto futuro em saúde como aproximação da necessidade de cuidado.

À primeira vista, isso poderia parecer razoável: pessoas mais doentes tenderiam a utilizar mais serviços e, portanto, gerar mais custos. Mas custo não é doença. Custo também reflete acesso, renda, confiança no sistema, disponibilidade de atendimento e desigualdades acumuladas.

Os pesquisadores mostraram que, para uma mesma pontuação do algoritmo, pacientes negros estavam, em média, mais doentes do que pacientes brancos. Quando a distorção foi corrigida, a proporção de pacientes negros que receberiam ajuda adicional aumentaria de 17,7% para 46,5%.

O algoritmo não precisava receber uma variável chamada raça para reproduzir desigualdade. Bastava que a desigualdade estivesse embutida naquilo que foi escolhido como representação da realidade.

O algoritmo estava calculando corretamente a coisa errada.

Na educação, em 2020, a pandemia levou ao cancelamento dos exames de A-Level na Inglaterra. As escolas forneceram estimativas de notas e uma ordenação dos estudantes, mas essas informações foram submetidas a um processo de padronização estatística que considerava, entre outros elementos, resultados históricos dos centros e desempenho prévio das coortes.

Antes de chegar à nota individual, havia uma pergunta estatística sobre o grupo: que distribuição de notas uma escola com aquele histórico deveria produzir?

O cálculo poderia ser matematicamente consistente. A distribuição poderia estar estatisticamente fundamentada. Ainda assim, permanecia uma pergunta essencial: até que ponto uma característica do grupo nos autoriza a concluir alguma coisa sobre um indivíduo?

Padrão do grupo não é trajetória do indivíduo.

A caixa-preta anterior ao algoritmo

Quando falamos em caixa-preta na inteligência artificial, normalmente perguntamos por que o modelo chegou a determinada saída. Essa é uma pergunta importante. Mas existe outra, anterior:

Por que acreditamos que aquilo que colocamos no modelo representava adequadamente a pessoa?

Às vezes, a caixa-preta não está no algoritmo. Está na passagem silenciosa entre duas frases:

“Eu observei isto.”

“Portanto, esta pessoa é aquilo.”

Uma nota, um currículo, um custo, um comportamento, uma resposta e uma performance podem ser evidências legítimas. O problema começa quando uma evidência deixa de ser uma observação situada e passa a funcionar como definição da pessoa.

Uma tecnologia pode ser auditável do ponto de vista computacional e, ainda assim, produzir uma leitura muito pobre de um ser humano. Porque o cálculo pode estar certo e o significado, errado.

Se eu tivesse que condensar este primeiro movimento em uma frase, seria esta:

Performance não é pessoa.

Performance é evidência. Uma nota é evidência. Um comportamento observado é evidência. Mas aquilo que uma pessoa manifestou em determinada tarefa, em determinado momento e sob determinadas condições não nos autoriza, sozinho, a concluir aquilo que essa pessoa é.

Então surge uma pergunta concreta: como observar sem reduzir?

Como uma inteligência artificial pode trabalhar com evidências humanas sem transformar manifestação em identidade, diferença em déficit ou ausência de performance em ausência de capacidade?

Nós começamos querendo personalizar a aprendizagem. Em algum momento, percebemos algo incômodo: antes de personalizar a aprendizagem, precisaríamos personalizar a compreensão.

Quando o custo não aparece

Há uma razão pessoal para que eu insista tanto nessa distinção. Sou disléxico e superdotado. Descobri essas duas condições apenas na vida adulta, depois de atravessar praticamente toda a minha formação sem que ninguém percebesse o que estava acontecendo.

Mal consegui concluir a faculdade. Não porque me faltassem interesse ou capacidade, mas porque eu não conseguia manifestar o que sabia sob muitas das condições que me eram impostas. Durante anos, aquilo que eu conseguia entregar em determinado formato foi tomado como medida suficiente daquilo que eu seria capaz de compreender ou construir.

Por isso, quando falo de custo cognitivo, não me refiro apenas a uma variável teórica. Sei o quanto pode ser pesado compreender alguma coisa e, ainda assim, precisar mobilizar um esforço desproporcional para ler, organizar, expressar ou demonstrar aquilo que se sabe. Sei também como esse custo pode permanecer invisível para quem observa apenas o resultado.

Minha trajetória posterior foi construída, em grande parte, fora das vias acadêmicas convencionais, por meio do empreendedorismo, da pesquisa aplicada e do desenvolvimento de projetos educacionais. Um deles, a Schoolastic, foi incluído pela HolonIQ no 2023/24/25 Latin America EdTech 100, entre as cem startups de tecnologia educacional mais promissoras da região e no 2021 Learning Landscape entre as startups que podem mudar o futuro da educação global.

Esse reconhecimento não reescreve as dificuldades da minha formação. Ele torna visível, porém, uma contradição que está no centro desta palestra: a capacidade que mais tarde recebeu reconhecimento público já existia quando eu quase não conseguia demonstrá-la nos formatos esperados.

Minha história não representa todas as pessoas disléxicas, superdotadas ou neurodivergentes. Ela explica, porém, por que a distância entre performance, potencial e identidade nunca foi, para mim, apenas um problema teórico.

É também por isso que a INA não foi concebida para decidir quem uma pessoa é. Ela procura nos impedir de decidir cedo demais com base no pouco que conseguimos observar.

A heterogeneidade não é ruído

Em julho de 2025, a leitura de um estudo conduzido por pesquisadores de Princeton e da Simons Foundation sobre a heterogeneidade fenotípica no autismo funcionou como gatilho intelectual para uma pergunta diferente:

Se manifestações profundamente distintas podem coexistir dentro de uma mesma denominação, o que uma performance isolada realmente nos autoriza a concluir sobre as aptidões humanas?

O estudo não propunha a DPHA. Seu objeto era identificar classes fenotípicas no autismo e investigar suas relações com diferentes programas genéticos e trajetórias de desenvolvimento. Para nós, entretanto, aquela leitura provocou uma pergunta epistemológica que ultrapassava o domínio clínico originalmente estudado.

Foi desenvolvendo essa pergunta, em outro domínio e com outra finalidade, que começamos a formular o que hoje chamamos de DPHA — Decomposição da Heterogeneidade Fenotípica das Aptidões.

O nome é grande. A intenção é mais simples.

Quando estudamos qualquer fenômeno humano complexo, percebemos que pessoas agrupadas sob uma mesma denominação podem apresentar manifestações profundamente diferentes: repertórios, sensibilidades, formas de interação, necessidades e respostas distintas diante do mesmo ambiente.

Isso não significa transformar a experiência humana em categoria clínica. A provocação é epistemológica: heterogeneidade não é ruído; heterogeneidade é informação.

Duas pessoas podem produzir a mesma performance e nós ainda não sabermos se os caminhos que levaram até ela foram equivalentes. Uma pode possuir determinado repertório com estabilidade. Outra pode responder melhor quando existe mediação. Outra pode compreender, mas encontrar uma barreira no canal de expressão. Outra pode sustentar a mesma entrega com um custo funcional inteiramente diferente.

É importante manter o cuidado: a performance semelhante não prova que essas trajetórias sejam diferentes. Ela também não prova que sejam iguais. Simplesmente não mediu isso.

A DPHA não fragmenta a pessoa.

A DPHA fragmenta a interpretação precipitada.

A pessoa continua inteira. O que decompomos é o atalho pelo qual uma manifestação parcial se transforma rapidamente em identidade.

Cinco perspectivas sobre a mesma manifestação

Para organizar essa prudência interpretativa, a DPHA considera quatro Tramas Funcionais e um quinto eixo de observação.

T1 — Performance observada. Aquilo que efetivamente apareceu, sem completar a observação com aquilo que imaginamos que a pessoa poderia ter feito ou deveria saber.

T2 — Potencial mobilizável. O que muda quando alteramos determinadas condições: mediação, canal, apoio, tempo ou oportunidade.

T3 — Repertório disponível. Os recursos que já aparecem com alguma estabilidade e que a pessoa consegue mobilizar.

T4 — Assincronia funcional. Descompassos recorrentes entre compreender e expressar, entre recurso e demanda, entre autonomia e necessidade de apoio, entre ritmo e contexto.

Eixo V — Custo e sustentabilidade funcional. Quanto esforço, fadiga, regulação, compensação ou recuperação foram necessários para sustentar aquela manifestação.

Essas perspectivas não são caixas independentes nem rótulos para classificar pessoas. São perguntas relacionais sobre uma manifestação situada.

Podemos fazer um exercício puramente didático. Se cada uma dessas cinco perspectivas admitisse apenas três estados simplificados, já teríamos 243 configurações teóricas. Com quatro possibilidades, seriam 1.024. Com cinco, 3.125.

Isso antes de considerarmos idade, contexto, tarefa, momento, observador, vínculo, canal de expressão, tipo de mediação e trajetória longitudinal.

Talvez a pergunta mais interessante não seja “qual é a pontuação desta pessoa?”, mas “quantas configurações funcionalmente diferentes podem caber na experiência humana?”

Se algumas poucas perspectivas simplificadas já permitem imaginar centenas ou milhares de configurações, por que insistimos tanto em representar uma pessoa por um único número?

Dois alunos, a mesma nota

Imaginem dois estudantes.

Aluno A: 6,2.

Aluno B: 6,2.

Matematicamente, 6,2 é igual a 6,2. A performance observada foi semelhante. Só isso.

A nota não informa automaticamente se os repertórios disponíveis eram os mesmos. Não mostra como cada estudante responderia a uma mediação. Não revela se houve distância entre aquilo que compreenderam e aquilo que conseguiram expressar. Não demonstra quanto custou para cada um sustentar aquela entrega.

Também não podemos olhar para os dois resultados e concluir que as trajetórias necessariamente foram diferentes.

Ainda não sabemos.

A nota não prova trajetórias iguais nem trajetórias diferentes. Ela simplesmente não mediu isso.

Os dois 6,2 continuam sendo 6,2. A DPHA não corrige nem substitui a nota. A nota não está errada. O erro é pedir que ela explique aquilo que nunca mediu.

Indicadores são importantes. Avaliações podem ser necessárias. Métricas são úteis. A INA não nasce contra a medição.

Ela nasce contra a redução.

Perguntar para reduzir incerteza

Uma pergunta sobre uma pessoa não deveria existir para provar previamente quem ela é. Deveria funcionar como um sensor: registrar uma manifestação, tornar visíveis as condições em que ela apareceu e abrir espaço para novas observações.

Uma resposta é um dado, não uma conclusão.

Ela pode fortalecer uma hipótese, enfraquecê-la, pedir uma contraprova, abrir uma nova pergunta ou sugerir outra forma de mediação. Pode também sustentar uma das respostas mais importantes que um sistema inteligente precisa saber produzir:

Ainda não sei.

Essa resposta não representa uma falha da inteligência artificial. Em determinadas situações, ela é a demonstração mais sofisticada de responsabilidade epistemológica.

Uma leitura responsável também precisa permanecer revisável. Novas evidências, novos contextos e novas observações podem modificar legitimamente aquilo que acreditávamos saber. Preservar memória não significa congelar conclusões. Significa permitir que o passado seja relido à luz do que apareceu depois.

Há uma imagem simples para explicar esse compromisso.

Um mapa não é o território. Ele é uma representação útil enquanto continua compatível com as condições reais.

Se uma rua deixa de existir ou se torna inacessível, uma rota não deveria continuar sendo apresentada como válida apenas porque foi calculada ontem.

Com conclusões produzidas por inteligência artificial, o princípio deveria ser semelhante: quando as evidências ou o contexto relevante mudam, a interpretação precisa poder ser reconsiderada.

Como fazer isso de maneira tecnicamente confiável é uma das questões de pesquisa e engenharia que orientam o desenvolvimento da INA.

O que a IA pode ampliar — e o que deve continuar humano

A inteligência artificial pode ampliar nossa capacidade de organizar evidências. Pode preservar memória longitudinal, encontrar relações difíceis de acompanhar manualmente, procurar contradições e lembrar que uma observação feita meses atrás pode dialogar com outra produzida hoje.

Pode perguntar o que ainda falta observar.

Pode ajudar pessoas a perguntar melhor.

Mas existe algo que não deveríamos entregar a ela: a autoridade final sobre a pessoa.

Contexto, julgamento, responsabilidade e decisão continuam humanos. A ideia não é automatizar a pessoa. É melhorar a qualidade da mediação.

Isso muda a pergunta que fazemos sobre inteligência artificial. Em vez de perguntar apenas quanto mais ela consegue decidir sozinha, talvez devamos perguntar:

Quanto melhor nós conseguimos decidir quando ela está conosco?

Durante anos, nossa obsessão foi construir máquinas capazes de compreender o mundo. Talvez esteja começando outra etapa: construir máquinas capazes de nos ajudar a compreender melhor os humanos sem decidir por eles.

A inteligência artificial não como substituta da compreensão humana, mas como infraestrutura para ampliá-la.

Três ideias para levar daqui

Primeira: performance não é pessoa. Uma manifestação situada é uma evidência sobre alguém, não a totalidade desse alguém.

Segunda: a DPHA não fragmenta a pessoa; fragmenta a interpretação precipitada. Ela tenta impedir que um pedaço seja confundido com o todo.

Terceira: a inteligência artificial pode ampliar a mediação humana, não precisa substituí-la. Ela pode organizar evidências, preservar memória, detectar contradições, reduzir incerteza e perguntar melhor. Mas contexto, responsabilidade, julgamento e decisão precisam continuar tendo um responsável humano.

Referências essenciais

Dastin, Jeffrey. “Amazon scraps secret AI recruiting tool that showed bias against women.” Reuters, 10 out. 2018. https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK0AG/

Obermeyer, Ziad; Powers, Brian; Vogeli, Christine; Mullainathan, Sendhil. “Dissecting racial bias in an algorithm used to manage the health of populations.” Science, v. 366, n. 6464, 2019, p. 447–453. https://doi.org/10.1126/science.aax2342

Ofqual. “Awarding GCSE, AS, A level, advanced extension awards and extended project qualifications in summer 2020: interim report.” 2020. https://www.gov.uk/government/publications/awarding-gcse-as-a-levels-in-summer-2020-interim-report

Litman, Aviya; Sauerwald, Natalie; Green Snyder, LeeAnne; Foss-Feig, Jennifer; Park, Christopher Y.; Hao, Yun; Dinstein, Ilan; Theesfeld, Chandra L.; Troyanskaya, Olga G. “Decomposition of phenotypic heterogeneity in autism reveals underlying genetic programs.” Nature Genetics, v. 57, p. 1611–1619, 2025. https://www.nature.com/articles/s41588-025-02224-z

Sobre o autor

Luiz Fernando Orlandini é empreendedor há mais de 30 anos, dos quais mais de 20 dedicados à tecnologia e à inovação. Cientista de dados, atua com inteligência artificial desde 2003. É idealizador da INA — Inteligência Neuroartificial™, coautor, com Adriana Marin, de A eVUCAção do Século XXI — O Método do Olhar, e atualmente se dedica à interseção entre inteligência artificial e o mapeamento longitudinal de evidências humanas e suas trajetórias.