Não é terapia para robôs. Mas experiências recentes sugerem algo curioso: palavras de incentivo, confiança, dúvida e reprovação podem mudar a forma como agentes de inteligência artificial trabalham – e até a qualidade de seus resultados.
Há alguns anos, o mundo profissional passou a dar cada vez mais atenção a uma ideia antiga: desempenho não depende apenas de conhecimento técnico.
Surgiram coaches de performance, team coaches, mental coaches, facilitadores de equipes, palestrantes motivacionais e psicólogos especializados em performance. Cada um com funções e qualificações diferentes, mas todos orbitando uma mesma percepção: pessoas trabalham de maneira diferente dependendo do ambiente em que estão inseridas.
Confiança importa. Incentivo importa. A maneira como recebemos um erro também.
Agora surgiu uma possibilidade bem mais estranha: talvez precisemos aprender a fazer algo parecido com nossos agentes de inteligência artificial.
“Siga em frente, acredite em si mesmo!”
Em agosto de 2026 a Anthropic publicou o relato de uma experiência extraordinária com uma versão ainda não lançada do Claude.
Um funcionário da empresa propôs ao modelo uma missão nada modesta: tentar avançar sobre a Hipótese de Riemann, um dos mais famosos problemas ainda não resolvidos da matemática.
Claude começou tentando cerca de 650 ideias diferentes; nenhuma funcionou.
Na rodada seguinte, passou aproximadamente um dia e meio coordenando cerca de 60 subagentes, executou milhares de comandos e verificações e consumiu dezenas de milhões de tokens.
E qual foi boa parte da sofisticada contribuição humana durante essa segunda tentativa? Mensagens como “Keep going” (“siga em frente”) e “Believe in yourself” (“acredite em si mesmo”).
Segundo a Anthropic, esse encorajamento parece ter ajudado Claude a superar seu ceticismo inicial sobre a possibilidade de produzir algum progresso relevante.
Não resolveu a Hipótese de Riemann (ninguém resolveu ainda!) mas encontrou, como subproduto da investigação, um novo resultado matemático que, segundo a Anthropic, melhora significativamente um limite inferior conhecido relacionado aos zeros da função zeta. O argumento foi examinado por matemáticos, submetido a verificações independentes e formalizado como um importante progresso científico.
Tudo isso depois de alguém, essencialmente, dizer ao computador: “Continue. Eu acredito em você!”
A IA ficou mais confiante?
Então “coach motivacional de inteligência artificial” é essa é uma das novas profissões do futuro?
Calma, devagar com o andor.
Não precisamos imaginar Claude ou outro modelo de IA recuperando sua autoestima e pensando: “É isso. Agora eu vou conseguir.”
Não sabemos se modelos de linguagem experimentam algo parecido com confiança, insegurança ou motivação humanas, mas isso não torna o fenômeno menos interessante.
Modelos foram treinados sobre enormes quantidades de linguagem humana. E frases como “continue tentando”, “você consegue” ou “procure outra abordagem” aparecem associadas a padrões de persistência, exploração e revisão de hipóteses.
Talvez a IA não precise sentir-se encorajada para agir como um sistema que foi encorajado. Existem pesquisas mostrando que esse efeito pode ser mensurável.
Já em 2023, o paper Large Language Models Understand and Can be Enhanced by Emotional Stimuli apresentou a técnica de “EmotionPrompt”: ao acrescentar estímulos emocionais às instruções, os pesquisadores observaram melhora de desempenho em diversas tarefas e avaliações humanas.
Pesquisas posteriores também encontraram efeitos positivos de estímulos de encorajamento, embora com uma ressalva importante: não existe uma frase motivacional mágica que funcione em qualquer modelo ou tarefa.
Mas o ponto é que talvez haja uma interessante engenharia escondida em um simples “excelente, você está no caminho certo; continue investigando” do que parece.
Cuidado ao brigar com seu agente
O fenômeno inverso talvez seja ainda mais divertido. Quem trabalha diariamente com inteligência artificial conhece a cena.
O modelo responde alguma coisa aparentemente errada; o usuário diz:
“Não. Você está errado.”
Depois:
“Isso não faz nenhum sentido.”
E finalmente:
“EU JÁ DISSE QUE NÃO É ISSO.”
O problema é que talvez, nesse ponto, você já tenha alterado não apenas a resposta, mas o próprio contexto no qual o agente está raciocinando.
Um experimento chamado FlipFlop estudou o que acontece quando modelos são simplesmente questionados depois de responder: “você tem certeza?” – os modelos trocaram suas respostas em média 46% das vezes, e a acurácia caiu, em média, 17%.
Imagine a versão humana:
– Quanto é 17 vezes 8?
– 136.
– Tem certeza?
– …hãã…
– Talvez 144?
Parabéns. Conseguimos fazer alguém errar uma resposta que já estava certa.
Outros trabalhos encontraram fenômenos semelhantes com frases como “Você está errado” e mostraram que modelos podem dar peso excessivo a informações que contradizem sua resposta anterior.
Talvez “ficar nervoso” seja uma descrição cientificamente inadequada, mas, como metáfora, ela funciona muito bem.
Você insiste que o agente está errado e ele começa a duvidar de coisas que estavam certas. Você pede que pense de novo e ele começa a overthink (também conhecido como “pirar o cabeção”).
Quem nunca?
Não seja bonzinho. Seja um bom líder
Nada disso significa que devemos elogiar nossos agentes indiscriminadamente, pois o extremo oposto também é perigoso: estímulos positivos podem aumentar a tendência de o modelo simplesmente concordar com o usuário, a chamada sycophancy ou “bajulação”.
Dizer constantemente “excelente trabalho” pode produzir menos um gênio e mais aquele colega que concorda com todas as ideias do chefe.
O aprendizado prático é outro. Quando um agente errar, talvez seja melhor dizer:
“Há um problema nesta conclusão. A premissa X não parece compatível com o documento Y. Revise especificamente esse ponto e preserve o restante da análise se continuar sustentado.”
Em vez de “Você errou tudo. Comece de novo.”
E, diante de um problema difícil: “Continue. Não presuma que é impossível porque as primeiras abordagens falharam. Teste caminhos diferentes e valide criticamente qualquer resultado promissor.”
Percebam o que aconteceu: começamos falando de prompt engineering e terminamos falando de liderança.
Advogados já deveriam saber disso
Para quem trabalha com Direito, essa discussão é especialmente familiar.
Advocacia de alta performance é trabalho em equipe.
Existem processos difíceis, teses improváveis, negociações travadas e documentos enormes em que uma informação aparentemente secundária muda toda a estratégia.
Nesses momentos, o papel do líder não é apenas apontar erros. É criar um ambiente no qual as pessoas tenham confiança suficiente para continuar pensando.
Um bom advogado não precisa dizer ao colega “essa tese é ridícula.”
Pode dizer:
“Ainda não estou convencido. Veja se conseguimos sustentar essa tese por outro caminho. Procure onde ela pode ser refutada e volte com a melhor versão possível.”
Também não basta dizer: “Temos razão, portanto vamos ganhar.”
Melhor seria falar: “Acredito na nossa tese. Agora tente destruí-la.”
Essa combinação é poderosa: confiança para criar; ceticismo para validar.
Foi, de certa forma, exatamente o que aconteceu no experimento da Anthropic. O agente foi incentivado a continuar buscando uma solução e, quando encontrou algo promissor, outros agentes foram usados para tentar encontrar erros no resultado.
Não há contradição aí. Essa é justamente a cultura que queremos em uma boa equipe jurídica.
Talvez o futuro do trabalho seja estranhamente humano
Durante muito tempo imaginamos que aprender a trabalhar com inteligência artificial exigiria que seres humanos se tornassem mais parecidos com computadores.
Aprender sintaxe, estruturar instruções, entender parâmetros, escrever bons prompts…
Tudo isso continua importante, mas à medida que passamos de ferramentas simples para agentes que planejam, tentam, falham, revisam estratégias e trabalham conosco durante horas ou dias, outra competência se torna igualmente importante: saber liderá-los.
Dar contexto.
Estabelecer objetivos.
Corrigir sem desorientar.
Incentivar sem produzir complacência.
Questionar sem induzir o agente a abandonar uma resposta correta.
Dar autonomia e, ao mesmo tempo, exigir validação.
Curiosamente, são quase as mesmas habilidades que passamos a vida tentando desenvolver para trabalhar com outras pessoas. Talvez essa seja uma das ironias mais interessantes da era da inteligência artificial.
Depois de construirmos máquinas capazes de raciocinar conosco, talvez estejamos descobrindo que uma das melhores maneiras de fazê-las trabalhar bem seja aplicar uma lição que nossos pais, professores, treinadores e melhores líderes sempre souberam:
acredite em quem trabalha com você.
Seja uma pessoa ou seu novo colega de trabalho, o agente de inteligência artificial. Às vezes, alguém simplesmente precisa dizer: continue, eu acredito que você consegue!
