Consequências do Uso de Ia Generativa na Capacidade Cognitiva e Saúde Mental de Profissionais Brasileiros

Klynsmann Diogo Cauduro Bagatini; Maria Fernanda Celli de Oliveira

DOI: 10.22167/2675-6528-202603111

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A integração de ferramentas de inteligência artificial generativa (GenAI) no trabalho acelerou-se nos últimos anos, levantando questões sobre seus efeitos nos processos cognitivos e no bem-estar emocional dos profissionais. O estudo objetivou mensurar o impacto do uso de GenAI sobre capacidades cognitivas autorreferidas e indicadores de saúde mental de profissionais brasileiros, comparando os achados com evidências empíricas internacionais. Adotou-se uma abordagem mista, com delineamento transversal e não experimental, aplicando um questionário digital estruturado a 108 profissionais adultos brasileiros, recrutados via LinkedIn e WhatsApp. O instrumento avaliou memória de trabalho, atenção sustentada e alternada, controle inibitório, flexibilidade cognitiva, tecnoestresse, saúde mental e senso de propósito profissional, além de percepções qualitativas. Os resultados revelaram que 92,6% dos respondentes utilizaram GenAI regularmente, com impacto percebido majoritariamente positivo no desempenho, mas acompanhado por dependência declarada em 52,8% da amostra. A atenção sustentada mostrou-se a dimensão cognitiva mais fragilizada, e os indicadores de equilíbrio emocional e desconexão digital concentraram os resultados mais críticos. A análise comparativa identificou uma relação entre maior frequência de uso, maior dependência e menores escores cognitivos, com declínio progressivo da atenção focada ao longo do tempo de uso. Concluiu-se que o uso intensivo de GenAI coexiste com fragilidades cognitivas e emocionais mensuráveis, cujos efeitos tendem a se acumular, reforçando a necessidade de práticas conscientes que preservem a autonomia intelectual dos profissionais.

Palavras-chave: Cognição; Dependência tecnológica; Inteligência artificial; Saúde mental.

1. Introdução

A integração de ferramentas de inteligência artificial generativa (GenAI) no contexto de trabalho tem se acelerado nos últimos anos, reconfigurando processos fundamentais como leitura, escrita, síntese e tomada de decisão. Evidências de estudos anteriores já apontam que tecnologias digitais podem deslocar parte da atividade mental ativa para interações mediadas por dispositivos, influenciando a forma como as pessoas aprendem, recordam e constroem conhecimento (Risko & Gilbert, 2016; Sparrow, Liu & Wegner, 2011).

Estudos recentes em ciência humana-computador e ciências cognitivas sugerem que esses sistemas reduzem o esforço necessário para executar tarefas cognitivas complexas, aumentando a eficiência. Contudo, essa facilidade pode vir acompanhada de efeitos colaterais, como menor engajamento reflexivo, confiança excessiva no resultado da inteligência artificial (IA) e um deslocamento do foco do “produzir” para o “curar” e “supervisionar” as respostas geradas (Lee et al., 2025).

Em contextos experimentais, o uso de assistentes de IA para elaboração de textos ou resolução de problemas tem demonstrado reduzir o esforço cognitivo para alcançar um resultado satisfatório, mas pode comprometer a consolidação de informações e o engajamento reflexivo. A neurociência cognitiva indica que, quando uma parte substancial do processamento é automatizada, ocorre uma menor ativação neural em áreas ligadas à atenção e memória de trabalho, o que pode resultar em menor retenção e elaboração conceitual (Kosmyna et al., 2025). Essa economia de esforço, embora vantajosa em tarefas operacionais, pode impactar os mecanismos centrais de aprendizagem, como a prática, a reflexão e a generalização.

A literatura sobre cognitive offloading reforça essa hipótese, mostrando que o ser humano frequentemente transfere operações mentais para artefatos externos, liberando capacidade cognitiva, mas alterando a forma como o conhecimento é estruturado e internalizado (Risko & Gilbert, 2016). Sparrow, Liu e Wegner (2011) demonstraram que a disponibilidade constante de informação digital pode mudar o tipo de memória acionada, privilegiando o “saber onde” em detrimento do “saber o quê”. Esse fenômeno reconfigura os processos de aprendizado e retenção conceitual, ecoando a “ironia da automação” descrita por Bainbridge (1983), onde a crescente execução de tarefas pela máquina leva à perda do treino humano necessário para compreender e intervir criticamente no sistema.

Paralelamente, estudos sobre ergonomia cognitiva e trabalho digital indicam que a intensificação do uso de tecnologias inteligentes também afeta aspectos afetivos e motivacionais do aprendizado. O tecnoestresse, caracterizado por sobrecarga informacional, hiperconectividade e sensação de inadequação tecnológica, tem sido associado a menor bem-estar, fadiga mental e desafios para o envolvimento no aprendizado contínuo (Kumar et al., 2024). Relatórios internacionais recentes (OECD, 2025; FEPS, 2024) apontam que a automação cognitiva não se restringe à produtividade, mas influencia o desenvolvimento individual, o aprendizado e a manutenção da autonomia intelectual em ambientes de trabalho mediados por IA.

Apesar do crescente número de estudos sobre o tema, a maioria foi conduzida em outros países, e pouco se sabe sobre como esses fenômenos se manifestam no contexto brasileiro, que possui dinâmicas culturais, educacionais e profissionais próprias. As investigações que relacionam o uso cotidiano da GenAI com capacidades cognitivas e emocionais envolvidas na aprendizagem humana, como atenção, curiosidade, raciocínio, autorregulação e motivação, e com indicadores de saúde mental, como estresse, esgotamento e sintomas ansiosos ou depressivos, ainda são incipientes. Essas relações podem variar conforme o tipo de tarefa desempenhada, a intensidade de uso da IA e a autonomia percebida no trabalho.

Nesse sentido, compreender a influência da inteligência artificial generativa nos processos cognitivos e emocionais envolvidos na aprendizagem humana torna-se fundamental não apenas para a produção científica, mas também para orientar práticas profissionais, educacionais e organizacionais mais sustentáveis no contexto brasileiro. Assim, o presente estudo teve como objetivo mensurar o grau de impacto do uso de inteligência artificial generativa sobre a aprendizagem humana e saúde mental de profissionais brasileiros, considerando dimensões cognitivas e psicológicas autorreferidas, e comparar os resultados obtidos com evidências empíricas reportadas em estudos internacionais.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa aplicada, exploratória e descritiva, adotando uma abordagem metodológica mista, que integrou elementos quantitativos e qualitativos. O delineamento da pesquisa foi não experimental e transversal, sem manipulação de variáveis ou intervenção direta. Essa escolha metodológica permitiu investigar os efeitos do uso de inteligência artificial generativa sobre processos de aprendizagem humana, capacidades cognitivas e saúde mental, conforme o objetivo proposto na introdução.

A combinação de métodos quantitativos e qualitativos foi empregada para integrar medidas objetivas de frequência e autopercepção com narrativas subjetivas sobre a experiência do uso da IA, possibilitando a análise tanto das ações dos indivíduos quanto de suas interpretações. A amostra foi composta por 108 profissionais adultos brasileiros, de diversas áreas de atuação e níveis de experiência, recrutados voluntariamente via LinkedIn e grupos profissionais no aplicativo WhatsApp.

Não se aplicou seleção prévia, restrição geográfica ou incentivo financeiro. Foram incluídos apenas participantes maiores de 18 anos, legalmente capazes e sem impedimentos à livre expressão da vontade. A amostragem foi aleatória simples por adesão espontânea, garantindo igual oportunidade de inclusão a todos que atendessem aos critérios.

O instrumento de coleta de dados consistiu em um questionário digital estruturado, desenvolvido especificamente para este estudo e hospedado na plataforma Google Forms. O questionário foi dividido em quatro blocos temáticos. O Bloco 1 coletou o perfil sociodemográfico e profissional, incluindo idade, gênero, área de atuação, tempo de experiência, frequência de uso de IA generativa e nível de dependência percebida. O Bloco 2 avaliou capacidades cognitivas autorreferidas, como memória de trabalho (Baddeley, 2012), atenção sustentada e alternada, controle inibitório e flexibilidade cognitiva (Miyake et al., 2000), utilizando uma escala Likert de cinco pontos (1 = Nunca; 5 = Sempre).

O Bloco 3 abordou a saúde mental e o bem-estar tecnológico, com itens inspirados em instrumentos de psicologia organizacional (GPTW, 2024) e psicologia positiva (Seligman & Csikszentmihalyi, 2000), mensurando sobrecarga informacional, equilíbrio emocional, autossuficiência cognitiva e senso de significado no trabalho, também em escala Likert de cinco pontos. O Bloco 4 continha quatro perguntas abertas sobre percepções qualitativas acerca da influência da IA na aprendizagem, criatividade, senso crítico, estratégias de aprendizado ativo e perspectivas profissionais.

A coleta de dados foi realizada exclusivamente online, entre 23 de fevereiro e 11 de abril de 2026, com o link do formulário divulgado em LinkedIn e grupos de WhatsApp. Antes de responder, os participantes visualizaram e aceitaram o Consentimento Livre e Esclarecido (CLE), elaborado conforme as Diretrizes Éticas Brasileiras (CONEP, 2016). O termo explicitou os objetivos, ausência de riscos, voluntariedade e direito de desistência, sem coleta de dados pessoais. O estudo enquadrou-se nas hipóteses de dispensa de apreciação pelo Comitê de Ética em Pesquisa, conforme a Resolução nº 510/2016 do Conselho Nacional de Saúde.

Para a análise dos dados quantitativos, empregou-se estatística descritiva e exploratória. Calcularam-se medidas de tendência central e dispersão para cada item e dimensão avaliada, além de distribuições de frequência para variáveis sociodemográficas. A relação entre o nível de dependência declarado e o desempenho cognitivo autorreferido foi investigada por meio de comparação de médias entre grupos.

As respostas qualitativas das perguntas abertas, que obtiveram altas taxas de resposta, foram submetidas à análise de conteúdo temática (Bardin, 2011). Este procedimento permitiu a identificação de categorias emergentes relacionadas a construtos como autonomia intelectual, criatividade, dependência tecnológica e perspectivas profissionais, aprofundando a compreensão dos dados.

3. Resultados e Discussão

A presente seção detalha os achados da pesquisa, interpretando-os à luz do problema de estudo e da literatura pertinente, conforme delineado na introdução. Inicialmente, apresenta-se o perfil da amostra e os padrões de uso da inteligência artificial generativa (GenAI), seguidos pela análise das capacidades cognitivas autorreferidas e dos indicadores de saúde mental e bem-estar tecnológico. Por fim, são discutidas as percepções qualitativas dos participantes e uma análise comparativa dos indicadores por perfil de uso da IA, visando mensurar o impacto dessas ferramentas sobre a aprendizagem humana e a saúde mental de profissionais brasileiros.

A amostra do estudo foi composta por 108 profissionais adultos brasileiros, com uma distribuição etária concentrada nas faixas de 25 a 34 anos (49,1%) e 35 a 44 anos (33,3%). A maioria dos participantes identificou-se como do sexo feminino (63,0%), e as áreas de atuação mais representadas incluíram Marketing/Comunicação/Vendas (19,4%), Consultoria Empresarial/Estratégica (16,7%) e Educação/Pesquisa (14,8%). Em termos de senioridade, 47,2% possuíam entre quatro e dez anos de experiência, e 38,9% mais de dez anos, indicando um perfil predominantemente experiente. A familiaridade com tecnologias digitais foi avaliada como alta por 51,9% dos participantes e média por 47,2%, sugerindo um viés de adotantes tecnológicos na amostra.

Padrões de Uso de Inteligência Artificial Generativa

A adoção de ferramentas de IA generativa mostrou-se amplamente consolidada entre os profissionais brasileiros investigados. Verificou-se que 62,0% dos respondentes as utilizavam diariamente, e 30,6% algumas vezes por semana, totalizando 92,6% de usuários regulares. Apenas 5,6% utilizavam com frequência igual ou inferior a uma vez por semana, e 1,9% declararam não utilizar. Em relação ao tempo de uso contínuo, 37,9% relataram usar essas ferramentas há entre um e dois anos, 25,9% há mais de dois anos e igual proporção (25,9%) entre seis meses e um ano. Esses dados indicam que a maioria dos participantes já superou a fase exploratória, desenvolvendo práticas habituais e consolidadas com a GenAI.

O impacto percebido das ferramentas de IA no desempenho profissional obteve uma média de 4,00 em uma escala de um a cinco. Metade dos respondentes (50,0%) avaliou o impacto como positivo, e 27,4% como muito positivo, somando 77,4% de percepção favorável. Apenas 3,7% consideraram o impacto negativo ou muito negativo. Esse resultado está em consonância com a literatura sobre eficiência mediada por IA, que documenta ganhos percebidos em agilidade, síntese de informações e execução de tarefas operacionais, conforme apontado por Lee et al. (2025) e Kosmyna et al. (2025).

Paralelamente aos efeitos positivos percebidos, o nível de dependência declarado apresentou uma média de 2,75, com 52,8% dos respondentes indicando dependência moderada ou superior (24,5% moderada, 20,8% alta e 7,5% muito alta). A relação entre frequência de uso e nível de dependência revelou um gradiente expressivo: usuários diários apresentaram uma dependência média de 3,13, com 40,3% relatando dependência alta ou muito alta. Para aqueles que utilizavam algumas vezes por semana, a dependência média caiu para 2,21, e para os que usavam menos de uma vez por semana, a média foi de 1,33, sem nenhum respondente nas faixas mais elevadas.

Esse gradiente sugere uma associação direta entre a intensidade de uso e o grau de dependência percebida, o que é consistente com o fenômeno denominado “ironia da automação” por Bainbridge (1983) e sistematizado como *cognitive offloading* por Risko e Gilbert (2016). À medida que ferramentas externas assumem progressivamente funções cognitivas, o profissional tende a perder o treino necessário para operar de forma autônoma e crítica. Contudo, é fundamental ressaltar que, devido ao delineamento transversal do estudo, essa associação não permite inferência de causalidade, pois profissionais com maior propensão à dependência podem naturalmente tender a um uso mais intensivo das ferramentas.

Capacidades Cognitivas Autorreferidas

As capacidades cognitivas autorreferidas foram avaliadas em quatro dimensões. A dimensão de Memória de Trabalho obteve uma média geral de 3,53. Os itens relacionados à retenção de informações durante tarefas sem consultas repetidas (Q11) e à retomada de raciocínio após interrupções (Q12) registraram médias de 3,60 e 3,50, respectivamente. O item sobre planejamento mental e estimativas em reuniões sem uso de dispositivos (Q13) também obteve média de 3,50. Embora esses valores se situem acima do ponto médio da escala, eles sinalizam que uma parcela relevante dos profissionais apresenta limitações na capacidade de manter e manipular informações temporariamente na mente, o que é coerente com as evidências de Kosmyna et al. (2025) sobre menor ativação neural em regiões ligadas à memória de trabalho.

A Atenção Sustentada e Alternada foi a dimensão com a menor média geral (3,30), apresentando os itens mais críticos do bloco cognitivo. O item Q14, referente à capacidade de manter foco em leitura densa ou tarefa analítica por mais de 30 minutos sem checar notificações, obteve média de 3,13, com 38,0% dos respondentes indicando dificuldades expressivas. Esse resultado dialoga com o fenômeno da fragmentação atencional associado à hiperconectividade e às interrupções frequentes em ambientes digitais (Kumar et al., 2024). O item Q16, sobre a facilidade para ignorar ruídos do ambiente e manter o foco, obteve média igualmente baixa de 3,14, com 27,8% declarando raramente ou nunca conseguir fazê-lo, sugerindo uma fragilidade significativa na atenção sustentada, conforme descrito por Posner e Rothbart (2007).

Em contraste, o item Q15, que avalia a facilidade em alternar entre tarefas de naturezas distintas, obteve a maior média da dimensão (3,64), com 59,3% dos respondentes indicando que o fazem frequentemente ou sempre. Esse achado sugere que, embora a atenção sustentada apresente limitações, a capacidade de alternância entre contextos parece mais preservada. Tal resultado pode refletir o treinamento informal proporcionado pela própria dinâmica do trabalho digital multitarefa, onde a constante mudança de foco é uma exigência comum, desenvolvendo uma habilidade específica de transição entre diferentes demandas cognitivas.

O Controle Inibitório obteve média geral de 3,63, mas com o maior contraste interno entre os itens, revelando um perfil cognitivo heterogêneo. O item Q19, sobre o hábito de questionar e verificar a lógica das sugestões da IA antes de aceitá-las, registrou a maior média individual de todo o bloco cognitivo (4,17), com 76,9% dos respondentes afirmando fazê-lo frequentemente ou sempre. Esse dado indica uma postura crítica relevante em relação ao conteúdo gerado pela IA, o que é um indicador positivo no contexto dos riscos de aceitação acrítica de *outputs* documentados por Lee et al. (2025).

Contudo, o item Q17, que avalia a capacidade de frear o impulso de buscar a resposta na IA e formular hipótese própria primeiro, obteve média de 3,56, com 49,1% dos respondentes conseguindo fazê-lo apenas às vezes, raramente ou nunca. Esse resultado ilustra a tensão cognitiva documentada por Sparrow, Liu e Wegner (2011), onde a disponibilidade imediata da IA como ferramenta de busca e resposta tende a competir com o esforço de geração de hipóteses autônomas, enfraquecendo gradualmente o processo de elaboração interna. Adicionalmente, o item Q18, sobre resistência à distração digital por abas não relacionadas ou redes sociais, obteve a menor média da dimensão (3,16), com 32,4% dos respondentes raramente ou nunca conseguindo resistir. Essa dissociação é significativa: os profissionais demonstram senso crítico sobre o conteúdo da IA, mas apresentam dificuldades expressivas de autorregulação comportamental no ambiente digital.

A Flexibilidade Cognitiva foi a dimensão com melhor desempenho autorreferido, com média geral de 3,90 e distribuições consistentemente positivas em seus três itens. O item Q21, sobre facilidade em reestruturar raciocínio e planejamento diante de imprevistos, obteve a maior média da dimensão (3,95), com 77,5% dos respondentes indicando frequência ou sempre. Os itens Q20, referente ao conforto para abandonar ferramentas ou métodos habituais, e Q22, sobre agilidade para transitar entre diferentes modos de pensar, obtiveram médias idênticas de 3,88, com 66,6% e 76,9% na faixa de frequente ou sempre, respectivamente. Esses resultados são compatíveis com a hipótese de que o uso frequente de ferramentas de IA, que demandam reformulação constante de *prompts* e avaliação de respostas variadas, pode estimular aspectos da adaptabilidade cognitiva. É importante considerar que a amostra é composta predominantemente por profissionais seniores e com alta familiaridade tecnológica, o que pode influenciar positivamente os escores desta dimensão.

Saúde Mental e Bem-Estar Tecnológico

No domínio da Saúde Mental e Bem-Estar Tecnológico, os resultados revelaram um contraste marcante. As dimensões relacionadas à identidade e ao propósito profissional apresentaram desempenho positivo, enquanto as dimensões ligadas ao estado emocional e à relação com o ambiente digital concentraram os resultados mais críticos. A dimensão de Tecnoestresse e Sobrecarga Digital obteve média geral de 3,02. O item Q23, referente à capacidade de processar o volume diário de informações digitais sem sobrecarga mental, registrou a segunda menor média de toda a pesquisa (2,71), com 41,7% dos respondentes indicando dificuldades frequentes. Esse resultado alinha-se diretamente ao conceito de tecnoestresse de Kumar et al. (2024), especialmente na dimensão de sobrecarga informacional associada à hiperconectividade.

O item Q25, sobre a facilidade de desconexão mental do trabalho e das ferramentas digitais ao encerrar o expediente, obteve média de 2,80, com 47,3% dos respondentes declarando raramente ou nunca conseguir se desligar. A dificuldade de desconexão é particularmente relevante no contexto do uso de IA generativa, pois essas ferramentas tendem a ampliar a sensação de produtividade e disponibilidade permanente, contribuindo para a erosão das fronteiras entre tempo de trabalho e tempo pessoal, fenômeno amplamente documentado em contextos de trabalho remoto e híbrido (OECD, 2025). Em contraste, o item Q24, sobre conforto e confiança diante de novas ferramentas tecnológicas a aprender, obteve a maior média da dimensão (3,56), com 50,0% dos respondentes indicando frequência ou sempre, o que é coerente com o perfil de alta familiaridade tecnológica da amostra.

A dimensão de Sintomas de Saúde Mental obteve a menor média geral entre todas as dimensões do estudo (2,95). O item Q26, sobre a sensação de calma e equilíbrio emocional nas últimas semanas em relação ao trabalho, registrou a menor média de toda a pesquisa (2,69), com 48,1% dos respondentes indicando comprometimento expressivo do bem-estar emocional recente. Apenas 4,6% afirmaram sentir-se sempre assim. Esse resultado converge com os indicadores de adoecimento mental em ambientes de trabalho de alta exigência cognitiva e tecnológica documentados pelo GPTW (2024) e com os alertas da FEPS (2024) sobre os impactos afetivos da automação cognitiva.

O item Q27, sobre a sensação de plena capacidade para lidar com as demandas da função sem sobrecarga ou ansiedade excessiva, obteve média de 3,04, com 32,4% dos respondentes sentindo-se “às vezes” plenamente capazes. Isso sugere que a maioria dos profissionais transita de forma instável entre estados de capacidade e sobrecarga, sem equilíbrio emocional consistente. O item Q28, sobre a contribuição da experiência de trabalho para o bem-estar emocional, obteve média de 3,13, com “às vezes” como resposta mais frequente (37,0%) e 25,9% na faixa raramente ou nunca. Esses resultados, tomados em conjunto, indicam que o ambiente de trabalho mediado por IA generativa, embora percebido como produtivo, não se traduz necessariamente em bem-estar emocional, coexistindo com estados de ansiedade e desequilíbrio.

A dimensão de Autonomia, Autossuficiência e Curiosidade obteve a maior média do bloco (3,89). O item Q30, sobre o orgulho pela qualidade intelectual e criatividade do trabalho entregue independentemente das ferramentas usadas, registrou a maior média desta dimensão e uma das mais altas de toda a pesquisa (4,14), com 86,1% dos respondentes indicando frequência ou sempre. Esse resultado indica que os profissionais, mesmo usuários intensivos de IA, preservam fortemente a percepção de autoria e identidade intelectual sobre suas entregas, o que dialoga com os construtos de agência e propósito profissional descritos por Seligman e Csikszentmihalyi (2000). O item Q31, sobre acesso a recursos, informações e ferramentas necessárias para realizar o trabalho com excelência, obteve média de 3,81, refletindo a percepção de suporte material e tecnológico adequado. O item Q29, sobre confiança na capacidade de resolver problemas complexos baseando-se no próprio conhecimento, obteve média de 3,71, com 63,9% indicando frequência ou sempre, mantendo um senso robusto de autossuficiência intelectual.

A dimensão de Sentido e Propósito no Trabalho obteve média de 3,60. O item Q33, sobre a percepção de que o trabalho gera valor real e resultados importantes para a organização ou clientes, obteve a maior média (3,86), com 73,2% indicando frequência ou sempre. Esse dado positivo reflete um senso de relevância e propósito profissional preservado, mesmo em um contexto de intensas transformações tecnológicas. O item Q34, sobre percepção de significado e alinhamento com valores e propósito profissional, obteve média de 3,60, com 63,9% indicando frequência ou sempre. Contudo, 23,2% raramente ou nunca sentem esse alinhamento, o que merece atenção em um contexto de reconfiguração acelerada dos papéis profissionais mediada pela IA. O item Q32, sobre a dedicação do tempo principal a atividades que utilizam os melhores talentos e habilidades, obteve a menor média da dimensão (3,32), com 41,7% indicando apenas “às vezes” e 15,8% raramente ou nunca. Esse resultado aponta para uma percepção de subutilização de talentos em uma parcela relevante da amostra, o que pode estar relacionado ao volume de tarefas operacionais que ainda consomem parte significativa do tempo profissional.

Análise das Respostas Qualitativas

As respostas qualitativas das quatro perguntas abertas evidenciaram alto engajamento reflexivo dos participantes. Sobre a influência das tecnologias na aprendizagem e resolução de problemas (Q35), os respondentes descreveram predominantemente ganhos em agilidade operacional, acesso a informações e capacidade de condensar referências. No entanto, foram frequentes os relatos de percepção de dependência crescente e redução do esforço cognitivo investido na construção autônoma de raciocínio. Um respondente mencionou ter ingressado no mercado de trabalho já com mediação da IA, sugerindo que para parte da geração mais jovem a fronteira entre aprendizado mediado e autônomo já se encontra significativamente diluída.

Em relação aos efeitos na criatividade, autonomia intelectual e senso crítico (Q36), emergiram perspectivas ambivalentes. Parte dos respondentes descreveu impacto positivo na criatividade, relatando que a IA funciona como amplificadora de ideias. Outra parcela expressou preocupação com a tendência de reduzir o esforço reflexivo sobre a própria produção e de delegar para a IA tarefas que requerem elaboração conceitual. Essa dualidade reproduz diretamente o debate sobre *cognitive offloading*, onde a externalização pode tanto liberar capacidade cognitiva para atividades mais complexas quanto comprometer a consolidação do conhecimento (Risko & Gilbert, 2016).

As estratégias para manutenção do aprendizado ativo sem depender exclusivamente da IA (Q37) incluíram leitura de textos e livros longos, escrita manual ou em diário antes de recorrer a ferramentas digitais, tentativas de resolução autônoma prévia de problemas, busca por referências bibliográficas para aprofundamento além das respostas da IA e questionamento sistemático das saídas geradas. Essas práticas correspondem aos mecanismos de recuperação ativa e elaboração, centrais para a consolidação de memória de longo prazo, conforme descrito por Baddeley (2012). As perspectivas sobre o futuro da profissão (Q38) alternaram entre otimismo instrumental, com ênfase na IA como ferramenta de ampliação de capacidades, e preocupações sobre substituição de postos de trabalho e riscos de superficialidade intelectual coletiva. Alguns respondentes destacaram que habilidades genuinamente humanas, como empatia, contextualização crítica e relacionamento interpessoal, tendem a se tornar ainda mais valorizadas, perspectiva alinhada às projeções da OECD (2025).

Análise Comparativa: Indicadores por Perfil de Uso de IA

A análise comparativa por familiaridade com tecnologia (Q6) revelou que participantes com alta familiaridade apresentaram médias superiores em praticamente todas as dimensões, com destaque para flexibilidade cognitiva (4,11 versus 3,68) e controle inibitório (3,72 versus 3,50). As diferenças mais expressivas foram no conforto diante de novas ferramentas tecnológicas (Q24: 3,88 versus 3,18) e na facilidade de abandonar métodos habituais (Q20: 4,14 versus 3,59). Também se destacou a capacidade de questionar as sugestões da IA (Q19: 4,38 versus 3,92), sugerindo que maior familiaridade tecnológica está associada a maior senso crítico sobre os *outputs* das ferramentas. Contudo, o achado mais contraintuitivo foi na desconexão digital ao fim do expediente (Q25), onde profissionais com alta familiaridade registraram média inferior (2,50) à do grupo de familiaridade média (3,12), sugerindo que maior fluência tecnológica pode estar associada a maior imersão no ambiente digital e, consequentemente, a fronteiras mais porosas entre trabalho e vida pessoal.

A análise por frequência de uso de IA (Q7) revelou as diferenças mais expressivas de todo o estudo comparativo. O grupo de usuários diários apresentou as menores médias nas dimensões de memória de trabalho (3,42 versus 3,66 para uso semanal e 4,00 para uso menos frequente) e atenção (3,23 versus 3,34 para uso semanal e 3,71 para uso menos frequente). A pontuação geral dos usuários com menor frequência de uso foi superior (3,70) à dos usuários diários e semanais (ambos 3,46), diferença impulsionada sobretudo pelas dimensões cognitivas. O item com maior amplitude entre grupos foi Q14, referente à capacidade de manter foco em tarefa analítica por mais de 30 minutos sem checar notificações: usuários diários registraram média de 2,97, os de uso semanal 3,27, e os de menor frequência 3,88, configurando o gradiente mais expressivo identificado em toda a análise item a item. Em sentido semelhante, a retenção de informações durante tarefas (Q11) e o planejamento mental em reuniões sem uso de dispositivos (Q13) também apresentaram quedas consistentes conforme a frequência de uso aumenta. Esses três itens, todos da dimensão de memória de trabalho e atenção, concentram os sinais mais robustos de associação entre uso intensivo de IA e menor autopercepção de capacidade cognitiva.

A desconexão digital ao fim do expediente (Q25) também seguiu o mesmo gradiente (2,63 para usuários diários, 3,03 para semanais e 3,25 para menos frequentes), reforçando que usuários diários apresentam maior dificuldade de separar tempo de trabalho e tempo pessoal. Em direção oposta, a capacidade de questionar as sugestões da IA antes de aceitá-las (Q19) foi praticamente estável entre os grupos (4,13 para diários, 4,18 para semanais e 4,38 para menos frequentes), indicando que o senso crítico sobre os *outputs* da IA não se deteriora com o uso mais frequente. A transição entre modos de pensar (Q22) foi o item com menor amplitude de toda a tabela (0,04 pontos), sugerindo que essa habilidade é independente da intensidade de uso. Em relação à saúde mental, os usuários diários apresentaram média ligeiramente superior (2,99) à dos usuários de algumas vezes por semana (2,82), resultado contraintuitivo que pode refletir diferenças de perfil profissional, onde usuários mais frequentes podem ocupar cargos com maior autonomia e recursos, compensando parcialmente a sobrecarga. O tecnoestresse foi praticamente equivalente entre os grupos de uso diário e semanal (3,00 e 3,02), sugerindo que a sobrecarga digital pode estar mais associada ao ambiente de trabalho digital como um todo do que ao uso específico dessas ferramentas.

A análise por tempo de uso recorrente de IA (Q8) revelou um padrão não linear. Os grupos com menos de seis meses (3,61) e entre seis meses e um ano (3,59) de uso apresentaram as maiores pontuações gerais. O grupo de um a dois anos registrou a menor média de toda a análise comparativa (3,36), com quedas expressivas em memória de trabalho (3,31), atenção (3,15) e saúde mental (2,86). O grupo com mais de dois anos de uso apresentou recuperação parcial (3,47), ainda abaixo dos grupos mais recentes. O item Q16, facilidade para ignorar ruídos do ambiente e manter foco, apresentou a maior amplitude de toda a pesquisa item a item (1,04 pontos), com declínio praticamente monotônico ao longo do tempo: 4,00 para usuários com menos de seis meses, 3,25 entre seis meses e um ano, 3,07 entre um e dois anos e 2,96 para usuários com mais de dois anos. Esse declínio progressivo é um dos achados mais expressivos do estudo e pode indicar que a exposição prolongada ao ambiente digital de alta estimulação, mediado por ferramentas de IA, está associada a uma erosão gradual da capacidade de atenção focada em contextos com distratores. Os indicadores de foco por 30 minutos (Q14) e de capacidade para lidar com as demandas sem sobrecarga ou ansiedade (Q27) seguiram trajetória semelhante de deterioração ao longo do tempo, reforçando a hipótese de um efeito cumulativo.

Em direção oposta, o item Q19, hábito de questionar e verificar a lógica das sugestões da IA, foi o único a apresentar trajetória consistentemente crescente com o tempo de uso: 3,88 para usuários com menos de seis meses, chegando a 4,36 entre os com mais de dois anos, uma diferença de 0,48 pontos. Esse resultado sugere que a experiência prolongada com ferramentas de IA contribui para o desenvolvimento de uma postura mais crítica e calibrada em relação aos seus *outputs*, o que dialoga com a literatura sobre metacognição e aprendizagem em contextos tecnológicos. Também merece destaque a queda expressiva na confiança cognitiva própria (Q29), logo no primeiro ano de uso (de 4,38 para 3,57), com recuperação parcial nos anos seguintes (3,61 e 3,75), padrão que pode refletir um momento de ruptura da autoconfiança quando o profissional passa a comparar sistematicamente sua própria capacidade com a da ferramenta, seguido de uma reconfiguração mais madura dessa relação ao longo do tempo. Esse padrão sugere uma possível curva de adaptação ao uso de IA: nos primeiros meses, os profissionais podem experimentar ganhos percebidos sem ainda acumularem os efeitos de dependência e sobrecarga; no intervalo de um a dois anos, o uso torna-se mais integrado à rotina e os efeitos sobre atenção, memória e equilíbrio emocional passam a se manifestar de forma mais intensa; após dois anos, pode ocorrer alguma estabilização, possivelmente por adaptação de hábitos ou pelo desenvolvimento de estratégias conscientes de uso. Essa hipótese é exploratória e não pode ser confirmada com o delineamento transversal adotado, demandando estudos longitudinais para sua verificação.

Tomados em conjunto, os dados das análises comparativas oferecem suporte parcial à hipótese inicial de que maior intensidade de uso de IA generativa estaria associada a indicadores cognitivos e de saúde mental mais baixos. Usuários com maior frequência de uso diário apresentaram menores médias nas dimensões cognitivas, especialmente memória de trabalho e atenção sustentada. Os indicadores de saúde mental e tecnoestresse, por sua vez, mostraram-se estáveis entre os grupos de frequência e familiaridade, sugerindo que o sofrimento emocional observado na amostra está menos associado à intensidade do uso de IA e mais ao contexto amplo do trabalho digital intensivo. A divergência entre a percepção positiva do impacto da IA no desempenho (77,4%) e a deterioração gradual observada em 71% dos indicadores, especialmente nas funções executivas de base como memória de trabalho e atenção sustentada, é um achado central. Essa discrepância indica que grande parte dos profissionais não percebe, ou ainda não atribui à IA, a deterioração gradual em curso de suas capacidades cognitivas e emocionais, mesmo preservando sua identidade intelectual e senso crítico sobre as entregas da IA.

4. Conclusão

O presente estudo objetivou mensurar o impacto do uso de inteligência artificial generativa sobre as capacidades cognitivas autorreferidas e os indicadores de saúde mental de profissionais brasileiros, comparando-os com evidências internacionais. Verificou-se que a adoção de ferramentas de GenAI é amplamente consolidada, com a maioria dos respondentes utilizando-as regularmente e percebendo um impacto predominantemente positivo no desempenho profissional. Contudo, essa percepção coexiste com uma dependência declarada por mais da metade da amostra. A atenção sustentada emergiu como a dimensão cognitiva mais fragilizada, e os indicadores de equilíbrio emocional e desconexão digital concentraram os resultados mais críticos. A análise comparativa revelou uma associação entre maior frequência de uso, maior dependência e menores escores cognitivos, com um declínio progressivo da atenção focada ao longo do tempo de uso. Este achado central aponta para um paradoxo: enquanto os profissionais percebem ganhos de produtividade, uma deterioração gradual em funções cognitivas de base e no bem-estar emocional parece ocorrer de forma sutil e, muitas vezes, não atribuída à IA.

A principal contribuição deste trabalho reside em contextualizar, para o cenário brasileiro, a “ironia da automação”, evidenciando que a eficiência gerada pela IA pode, a longo prazo, comprometer a autonomia intelectual e a saúde mental dos profissionais. Sem o desenvolvimento de práticas conscientes que preservem o exercício autônomo do raciocínio, da atenção e da reflexão, a adoção intensiva de GenAI tende a produzir profissionais mais eficientes no curto prazo, mas cognitivamente mais frágeis. O estudo, contudo, possui limitações inerentes ao seu delineamento transversal e autoaplicável, que impede inferências causais e está sujeito a vieses de desejabilidade social, além de uma amostra com viés de familiaridade tecnológica. Sugere-se que estudos futuros empreguem amostras maiores, delineamentos longitudinais e instrumentos de medição objetiva para aprofundar a compreensão desses fenômenos e orientar a construção de ambientes de trabalho que equilibrem produtividade e preservação das capacidades humanas fundamentais.

Referências Bibliográficas

BADDELEY, Alan D. Working Memory: Theories, Models, and Controversies. Annual Review of Psychology, v. 63, p. 1–29, 2012.

BAINBRIDGE, Lisanne. Ironies of Automation. Automatica, v. 19, n. 6, p. 775–779, 1983.

BARDIN, Laurence. Análise de Conteúdo. Lisboa: Edições 70, 2011.

CONEP. Comissão Nacional de Ética em Pesquisa. Resolução nº 510, de 07 de abril de 2016. Conselho Nacional de Saúde, 2016.

FEPS. Foundation for European Progressive Studies. Consequences of Algorithmic Management: Experiences and Responses. Bruxelas: FEPS, 2024.

GPTW. Great Place to Work Brasil. Relatório de Tendências 2024: Saúde Mental, Engajamento e Aprendizagem Contínua no Trabalho. São Paulo: GPTW, 2024.

KOSMYNA, Nataliya et al. Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an Al Assistant for Essay Writing. Preprint, 2025.

KUMAR, P. S. et al. Technostress: A Comprehensive Literature Review. Computers in Human Behavior Reports, v. 15, 2024.

LEE, H.-P. et al

Artigo oriundo de Trabalho de Conclusão de Curso de Neurociência e Aprendizagem na Educação

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy