Sobre este texto
Este texto acompanha o seminário sobre o artigo de Storey, Yue, Zhao e Lukyanenko (2025), na disciplina Tecnologias aplicadas ao empreendedorismo e à transformação digital (UDESC/ESAG, 2026/2), dos professores Denilson Sell e Julio Dias, apresentado por Filipe Schüür e Rosiane Kiviatcoski Kozlowski. Ele segue a ordem da aula e reúne, em cada parte, os conceitos trabalhados. O que vem do artigo leva a página. O que é leitura ou decisão da dupla aparece identificado como tal.
O artigo
Generative Artificial Intelligence: Evolving Technology, Growing Societal Impact, and Opportunities for Information Systems Research saiu na revista Information Systems Frontiers (v. 27, pp. 2081-2102, 2025), em acesso aberto. É um artigo de conceitos e de agenda. Ele propõe um quadro teórico para entender o que torna a IA generativa transformadora e, a partir dele, abre um conjunto de perguntas para a pesquisa em sistemas de informação.
O texto tem cinco seções: introdução (pp. 2081-2083), pesquisas relacionadas (pp. 2083-2086), quadro teórico (pp. 2086-2092), agenda de pesquisa (pp. 2092-2098) e conclusão. O trecho incontornável é a seção 3.2. Ela compara a IA tradicional e a IA generativa pela teoria de sistemas e apresenta as três propriedades que, para os autores, tornam a segunda diferente (pp. 2088-2091).
O conceito central: sistema sociotécnico generativo
O artigo diz introduzir o conceito de “sistema sociotécnico generativo” para explorar o que torna a IA generativa transformadora e apoiar a sua difusão nas organizações e na sociedade (p. 2082). Por trás dele está a lente sociotécnica: os autores propõem que a pesquisa considere a IA generativa como componente de sistemas sociotécnicos mais amplos, em vez de olhar só para a sua natureza técnica (p. 2082).
A Figura 3 (p. 2091) desenha esse arranjo:
- No centro: a IA generativa, com as três propriedades e as suas instâncias, como o ChatGPT e outros modelos de linguagem.
- Acoplamentos: ligam a IA generativa a outros sistemas (o Bing, APIs e plug-ins), a indivíduos e a organizações. Os outros sistemas, por sua vez, também se acoplam a indivíduos e a organizações.
- O conjunto: uma chave embaixo abraça tudo; é o sistema sociotécnico.
Leitura da dupla: a IA não chega sozinha. O efeito vem do arranjo, isto é, dos acoplamentos entre a tecnologia, as pessoas e as organizações, e não só da ferramenta.
Afinal, a IA generativa é diferente?
A pergunta costuma aparecer por dois caminhos: como a explicação de uma mudança de paradigma, das regras definidas por humanos para sistemas que aprendem padrões sozinhos; ou como dúvida sobre como um modelo que não entende pode produzir novidade.
Para o artigo, a resposta é sim. A seção 3.2 compara a IA tradicional e a IA generativa pela teoria de sistemas (p. 2088) e chega a três propriedades.
Emergência forte
É a capacidade de se comportar de um modo “não diretamente derivável das propriedades de seus componentes” e “muito distante delas” (p. 2090). O exemplo do próprio artigo é o cardume (p. 2089): cada peixe segue regras simples, e o desenho do cardume não está em nenhum deles. A consequência que os autores tiram é que pode parecer impossível controlar totalmente a IA generativa, embora a teoria de sistemas e a teoria linguística ofereçam pistas para prever e gerenciar esse tipo de tecnologia (p. 2090).
Novidade generativa
A IA generativa promete “um nível de novidade das saídas significativamente maior” que o de outras formas de IA (p. 2090). As saídas se apoiam nos dados de treino, mas “a novidade está em novas formas de transformar dados e identificar padrões não vistos” (p. 2091). Na leitura da dupla, novo não quer dizer inventado do nada; quer dizer combinado de um jeito que ninguém tinha visto.
Saídas sistêmicas
A IA generativa aceita e produz saídas coerentes e autocontidas, como respostas, ensaios, imagens, animações e música. Ela entrega “sistemas conceituais autocontidos (em oposição a fragmentos de regras de decisão)” (p. 2091).
Saídas autocontidas: da medida ao relatório
O artigo compara a IA tradicional a “uma fita métrica ou uma calculadora” (p. 2089). O exemplo que ele dá é um modelo de aprendizado de máquina que calcula o risco de crédito de um cliente. Um resultado como ‹353, 0.8› “precisa ser interpretado e integrado a um sistema conceitual maior” (p. 2090): alguém, fora da máquina, decide o que o número quer dizer.
A IA generativa, ao contrário, entrega uma saída que “não precisa mais ser embutida em outro sistema para ser utilizável” (p. 2090): um relatório, um ensaio, um requerimento. É isso que o artigo chama de autocontido.
Na aula, a dupla usou a palavra “pronto” só para explicar o conceito em termos simples: a saída chega pronta para usar. Mas pronta para usar não é o mesmo que pronta de verdade. A forma vem completa, com começo, meio e fim, e o conteúdo ainda precisa de alguém que o confira. Autocontido não quer dizer correto.
Sujeitas a erro
Os modelos de linguagem funcionam por previsão: escolhem a próxima palavra pela probabilidade do que aprenderam. Por isso, dizem os autores, as respostas do ChatGPT são “probabilísticas e, portanto, necessariamente sujeitas a erro” (p. 2087). Esses modelos não “entendem” a linguagem no sentido humano e não distinguem informação factual de não factual (p. 2088).
Na aula, dois exemplos ajudaram a separar probabilidade de engano. O primeiro foi da dupla: uma previsão de 70% de chuva não mente quando não chove, porque os 30% também podem acontecer. O segundo vem do próprio artigo, a pergunta sobre a cor do céu (p. 2087): a resposta mais provável não é a única, nem necessariamente a certa. A IA erra com a mesma fluência com que acerta. E o erro também é humano, como mostra o caso do pesquisador, mais adiante.
Tensões em aberto
O artigo deixa três tensões explícitas:
- Emergência × controle: se o comportamento não deriva das partes, parece impossível controlar totalmente a IA generativa, embora a teoria de sistemas ajude a prever e gerenciar (p. 2090).
- Velocidade dos usuários × capacidade da organização: usuários empoderados e equipes de TI apoiados pela IA generativa devem desenvolver tecnologia mais rápido que no passado. Os autores perguntam que capacidades organizacionais são necessárias para acompanhar esse ritmo (p. 2092).
- Transparência × confiança: a IA generativa parece significativamente menos transparente que a IA simbólica, e a falta de transparência sempre foi uma barreira para a confiança e a adoção nas organizações (p. 2095).
A leitura levanta outras:
- fluência × profundidade;
- reorganizar o trabalho × medo de substituição;
- entender × gerar novidade;
- dominar a ferramenta × dominar o conhecimento;
- generalidade × especialização, que o artigo ajuda a explicar: o ChatGPT é genérico porque os modelos conexionistas não distinguem setores nem domínios de conhecimento (p. 2088);
- inovação descentralizada × controle dos riscos;
- delegação × retenção de conhecimento;
- vieses, regras e efeitos negativos.
Os quatro papéis
Para estudar o arranjo, a dupla tomou uma decisão didática que não está no artigo: isolar alguns elementos da Figura 3. Ficam a mesma pessoa, um aluno; a mesma IA generativa; e a mesma organização, a UDESC. Muda só o papel. Se o efeito muda, a diferença vem do arranjo. Cada papel trouxe um conceito do artigo.
Aluno como docente: delegação
Na disciplina, cada aluno apresenta um seminário: é o aluno no papel de docente. O caso foi o da própria dupla. A aula foi feita em três arranjos de pessoa e IA:
- Filipe com o NotebookLM: as definições iniciais.
- Filipe com o Claude: o roteiro, o resumo, o teaser e o guia; o desenho das telas, segundo as diretrizes e correções do Filipe; a codificação da apresentação em HTML e o deploy.
- Rosiane com o Claude: a organização dos comentários dela.
Entre um arranjo e outro, a dupla leu, discutiu, revisou e decidiu sem IA.
O conceito é a delegação: a IA generativa pode facilitar que os humanos sejam os delegadores, enquanto os sistemas fazem o papel de apoiadores (p. 2093). A dupla pede, a IA gera; a dupla revisa e decide. Os erros do processo mostraram que delegar não é abandonar o processo:
- o NotebookLM apresentou como do artigo um conceito que o texto não tem;
- o Claude chamou de “alucinação” uma citação errada que vinha de um relatório humano;
- com duas pessoas, a mesma ferramenta organizou a mesma aula com ênfases diferentes;
- ao organizar os comentários da Rosiane, o Claude acrescentou no fim uma fundamentação que ela não pediu, e a conferência tinha parado no início;
- e houve um erro só nosso: a dupla usou “pronto” como se fosse um conceito do artigo e, na revisão, trocou pelo termo dele, “autocontido”.
Nenhum desses erros foi só da IA, nem só da dupla: foi do arranjo. O Guia para uso ético da IA generativa da Biblioteca Universitária da UDESC (2025) dá a moldura:
- os autores assumem total responsabilidade pelo trabalho (p. 8);
- a IA é ferramenta de apoio, nunca coautora (p. 8);
- o uso deve ser declarado (p. 9);
- em pesquisa, o uso é combinado antes com o orientador (p. 17).
A pergunta que fica: afinal, o que é coautoria?
Aluno como aprendiz: texto novo não é ideia nova
Na abertura, a dupla perguntou à turma como ela tinha se preparado: pelo artigo, pelo resumo ou pelo teaser da dupla, ou pela própria IA. A dupla chamou de contorno chegar ao texto por um atalho.
O conceito vem da p. 2088: não é razoável afirmar que o ChatGPT consegue entender ou compreender documentos no sentido humano. Texto novo não é ideia nova, e a fluência não garante profundidade. A questão inversa também aparece: se o modelo não entende, de onde vem a novidade? O artigo responde pelas duas pontas. A compreensão não está no modelo (p. 2088), e a novidade está em novas formas de transformar dados e identificar padrões (p. 2091). Novidade de saída não é compreensão.
Aluno como pesquisador: a relação triangular
O caso partiu de duas citações do próprio artigo:
- Na Tabela 2 (p. 2086): o Transformer é atribuído a Vaswani et al. (2017), e a referência confere.
- Na Tabela 1 (p. 2084): o robô Shakey, de 1969, é atribuído a Bertram (1972). Bertram existe, mas o artigo dele é de teoria dos grupos, sobre permutações pares, e nada tem a ver com o Shakey. A fonte certa é Raphael (1972), um relatório técnico do SRI.
Foi a IA que errou? Alucinou? Não. O tropeço já estava num relatório de 2020 (Delipetrev et al.), que cita o pesquisador pelo prenome, “Bertram R.”, antes de o ChatGPT existir. O erro passou pela revisão por pares e chegou a um artigo publicado. Erros podem ser de IA ou de gente.
O conceito é a relação triangular entre quem usa, a IA e o buscador (p. 2088): a IA oferece um resultado preliminar, e o buscador é uma coleção de documentos existentes. Voltar à fonte é o terceiro vértice. E dominar a IA não substitui dominar o conhecimento. Na leitura da dupla, sem conhecimento do assunto, ou do processo e das implicações de pesquisa, não existe o terceiro vértice.
Aluno como demandante: usuários empoderados e condições de fronteira
O caso foi o de um atestado de matrícula para o dia seguinte, com quatro caminhos:
- só a IA, enviando o requerimento como veio;
- a IA, com revisão;
- perguntar a um servidor ou a um colega;
- o canal oficial da secretaria.
A IA entrega o requerimento autocontido, pronto para enviar. Os conceitos são dois. Usuários empoderados são “profissionais de fora da TI motivados a tomar iniciativa e ação autônomas para implementar, com tecnologia da informação, uma mudança desejada” (p. 2095). E, quando a tarefa é de missão crítica, como uma matrícula ou um processo seletivo, o artigo pede condições de fronteira para o uso da IA generativa (p. 2094).
Síntese: as duas faces e a pergunta que fica
De volta ao conceito central, o sistema sociotécnico tem duas faces no artigo.
O que o artigo vê de promessa:
- ampliar o desempenho individual e organizacional (p. 2092);
- desenvolver e manter tecnologia mais rápido (p. 2092);
- humanos como delegadores, com a IA apoiando (p. 2093);
- usuários empoderados, que agem por conta própria (p. 2095).
O lado sombrio (pp. 2094-2095):
- violação de propriedade intelectual;
- desinformação e deepfakes;
- manipulação emocional e engano, inclusive de menores;
- alucinações e vieses políticos, morais e culturais;
- consumo de energia e falta de transparência.
No fecho da aula, cada aluno escreveu, papel por papel, a condição que considera mais importante para usar bem a IA generativa na universidade. Aqui, a pergunta é para quem lê: que condição você escreveria? O artigo termina com uma pergunta parecida, na Tabela 4 (p. 2097): que governança precisa ser estabelecida?
Ideia-força da dupla
A IA generativa é diferente, pois produz sistemas conceituais autocontidos, e não fragmentos, com novidade e comportamentos que ninguém programou por inteiro; e está num contexto sociotécnico, em que quem usa decide se eles servem, mas as condições para decidir bem são de todos: equipe, organização e regras.