Um artigo publicado recentemente pela Harvard Business Review chamou de process collapse um efeito curioso da inteligência artificial sobre o trabalho criativo. Os autores acompanharam durante um ano equipes de publicidade da RTL Nederland e perceberam que etapas antes distribuídas entre diferentes profissionais estavam sendo comprimidas em uma única interação com a IA. Uma ideia que passava por discussão, esboços e sucessivos refinamentos podia chegar ao cliente em poucos minutos com aparência de trabalho pronto.
A mudança trouxe ganhos evidentes. Os criativos passaram a visualizar ideias mais rapidamente e os clientes já não precisavam imaginar como um esboço rudimentar ficaria depois de produzido. Mas a facilidade criou novos problemas. Em uma das campanhas estudadas, o conceito aprovado mostrava um homem usando um boné que projetava sombra sobre seu rosto enquanto seus olhos permaneciam perfeitamente iluminados. A imagem parecia ótima. O fotógrafo encarregado de reproduzi-la percebeu que aquela iluminação era impossível no mundo real.
O artigo explora principalmente as consequências desse tipo de situação. Imagens geradas por IA criam expectativas difíceis de atender, levam clientes a aprovar detalhes que deveriam continuar em aberto e obrigam as equipes de produção a gastar tempo tentando reproduzir decisões que nunca chegaram a ser propriamente tomadas. Há, porém, uma questão anterior a todas elas.
Ao permitir que cheguemos tão rapidamente a uma solução, a IA também modifica o processo usado para construí-la. E isso importa porque o processo criativo produz mais do que sua entrega final. É durante o trabalho que uma ideia se transforma e nossa compreensão do problema evolui. Parte do que parece apenas tempo gasto para chegar a uma solução também produz o conhecimento necessário para construí-la.
A IA muda essa relação em vários sentidos. Porque ao mesmo tempo em que ela pode nos ajudar a chegar mais rápido a resultados melhores, também permite atravessar etapas que tinham valor para a própria criação. Entender esse balanço exige olhar além da qualidade do que produzimos e observar o que acontece conosco durante o processo.
O destino e o caminho
Em 1983, Donald Schön publicou The Reflective Practitioner, um livro dedicado a entender como profissionais lidam com problemas que não têm respostas prontas. Sua conclusão contrariava a ideia de que primeiro compreendemos um problema para depois aplicar nosso conhecimento na busca de uma solução. Em atividades complexas, parte desse conhecimento surge enquanto trabalhamos.
Schön chamou esse processo de reflection-in-action. Por exemplo, um arquiteto desenha uma solução e percebe algo que ainda não havia considerado. Então, o desenho muda sua compreensão do problema, que leva a outro desenho. Cada tentativa produz uma resposta e, ao mesmo tempo, novas informações para a tentativa seguinte. Nesse sentido, criar envolve uma conversa contínua entre aquilo que imaginamos e aquilo que descobrimos ao tentar transformar a ideia em algo concreto.
Anos depois, Kees Dorst e Nigel Cross encontraram uma dinâmica semelhante ao observar designers trabalhando. No artigo Creativity in the Design Process: Co-evolution of Problem–Solution, mostraram que problema e solução evoluíam juntos. Os profissionais começavam com uma compreensão incompleta do desafio e, ao imaginar possíveis respostas, passavam a enxergá-lo de outra maneira. A solução final surgia dessa sucessiva aproximação entre os dois.
Isso ajuda a explicar por que partes aparentemente improdutivas do trabalho criativo podem ter valor. Uma alternativa descartada ou um protótipo que não funciona também ensinam algo sobre o problema e sobre os critérios usados para resolvê-lo. O processo produz a solução, mas também o conhecimento necessário para construí-la e julgá-la.
A IA generativa altera essa dinâmica porque reduz drasticamente o custo de chegar a uma resposta plausível. Uma hipótese pode ser visualizada em segundos e modificada sucessivamente até ganhar uma forma que possa ser avaliada. Com isso, o ciclo entre imaginar, testar e revisar pode acontecer muito mais rápido.
Essa mesma velocidade, porém, permite atravessar etapas que cumpriam outra função além de consumir tempo. Diante de uma resposta que já parece suficientemente boa, podemos deixar de explorar justamente aquilo que descobriríamos ao tentar construí-la. Por isso, o ganho depende menos de quantas etapas a IA elimina do que de quais etapas são eliminadas. Automatizar execução economiza trabalho, mas automatizar exploração pode eliminar também parte do conhecimento produzido durante ela.
A criação e o criativo
A facilidade para chegar a uma boa resposta cria ainda outra dúvida. Quando alguém produz um trabalho melhor com ajuda da IA, estamos vendo um aumento de sua capacidade criativa ou apenas uma melhora de performance enquanto a ferramenta está disponível? A diferença importa porque, no primeiro caso, o processo desenvolve quem cria. No segundo, parte da capacidade permanece na própria ferramenta.
Foi justamente essa diferença que Yiyong Zhou e seus colegas investigaram em Creative scar without generative AI: Individual creativity fails to sustain while homogeneity keeps climbing, estudo publicado em 2026 na revista Technology in Society. Um dos experimentos acompanhou 61 universitários de 31 áreas durante sete dias. Metade usou o ChatGPT-4 para realizar tarefas criativas, enquanto a outra trabalhou sem IA. Os participantes precisavam imaginar usos diferentes para objetos comuns e solucionar problemas abertos, com as respostas posteriormente avaliadas por critérios de criatividade e qualidade.
Enquanto tiveram acesso ao ChatGPT, os participantes produziram trabalhos melhores. O grupo com IA apresentou maior flexibilidade nas tarefas de pensamento divergente e recebeu avaliações superiores nas soluções para problemas mais complexos. A ferramenta, portanto, efetivamente aumentou sua performance criativa.
No sétimo dia, porém, os pesquisadores retiraram o ChatGPT e a vantagem desapareceu. Os dois grupos voltaram a apresentar resultados semelhantes, um padrão que se repetiu em novos testes realizados 30 e 60 dias depois. Os autores chamaram o fenômeno de creativity illusion: a melhora observada nos trabalhos produzidos com IA não havia se transformado em uma melhora equivalente da capacidade de criar sem ela.
O experimento revelou ainda outro efeito. No início, as respostas dos dois grupos tinham níveis semelhantes de diversidade. Com o uso continuado do ChatGPT, porém, as produções de seus usuários foram ficando mais parecidas entre si. Parte dessa homogeneização persistiu mesmo depois que a ferramenta foi retirada, fenômeno que os pesquisadores chamaram de creative scar.
A amostra era pequena e formada por universitários, o que recomenda cautela ao transportar os resultados para profissionais experientes. O estudo tampouco demonstra que o encurtamento do processo tenha causado a ausência de aprendizado. Ainda assim, oferece evidência para a distinção que abriu esta discussão: produzir algo mais criativo e desenvolver a própria capacidade criativa são coisas diferentes.
Isso muda a forma de avaliar o ganho de produtividade. A IA pode nos ajudar a chegar mais rápido a respostas melhores, mas parte dessa vantagem pertence à combinação entre pessoa e ferramenta. Quando olhamos apenas para o resultado, corremos o risco de atribuir ao criativo uma capacidade que depende da presença da IA.
Quantidade e qualidade
Um dos obstáculos mais conhecidos do processo criativo é a creative fixation. Ele diz sobre como depois que uma solução aparece, ela passa a funcionar como referência para as seguintes. Novas ideias continuam surgindo, mas tendem a permanecer próximas daquela primeira direção. Assim, o processo parece aberto enquanto o espaço explorado vai ficando menor.
A IA generativa parece especialmente adequada para combater esse problema, já que consegue produzir alternativas rapidamente e trazer referências que não estavam na discussão. Um estudo exploratório de Vanessa Sattele e Juan Carlos Ortiz, publicado em 2025 nos Proceedings of the Design Society, investigou justamente esse potencial. Dezenove estudantes de arquitetura e design industrial participaram de um workshop de ideação usando ferramentas generativas durante o desenvolvimento de suas soluções.
A IA ajudou algumas equipes a sair de bloqueios ao dar forma a ideias ainda vagas e introduzir novos estímulos na discussão. Com algo concreto sobre o qual reagir, os participantes conseguiam explorar outras direções. Nesse tipo de uso, a ferramenta funcionava como mais um elemento do processo criativo.
O mesmo estudo, porém, encontrou o movimento contrário. Algumas equipes passaram a desenvolver suas soluções em torno das sugestões recebidas e convergiram para conceitos relativamente convencionais. A IA produzia muitas alternativas, mas elas nem sempre ampliavam o espaço explorado. A sensação de divergência podia ser maior do que a divergência real.
Um experimento publicado um ano antes encontrou esse efeito de maneira mais direta. Em The Effects of Generative AI on Design Fixation and Divergent Thinking, Samangi Wadinambiarachchi e seus colegas dividiram 60 participantes entre diferentes condições durante uma tarefa de ideação visual. Aqueles que trabalharam com um gerador de imagens por IA apresentaram maior fixação em uma referência inicial e produziram menos ideias, com menor variedade e originalidade, do que os participantes que trabalharam sem esse apoio.
Os dois estudos expõem uma diferença importante entre quantidade e diversidade. Podemos gerar muitas opções e ainda permanecer dentro de um território estreito, sobretudo quando as primeiras respostas da IA passam a orientar aquilo que buscamos em seguida. Nesse caso, a ferramenta aumenta o número de ideias sem necessariamente ampliar o espaço criativo.
Seu efeito depende, portanto, do papel que assume no processo. A IA pode fornecer respostas que se tornam novas referências ou ser usada para questionar aquelas que já temos. A mesma capacidade que acelera a convergência também pode ajudar a adiar esse momento e manter outras possibilidades abertas por mais tempo.
Ajudas e muletas
A redução do esforço é uma das principais promessas da inteligência artificial. Ao assumir parte do trabalho necessário para chegar a uma resposta, a ferramenta pode liberar tempo para atividades que dependem mais do julgamento humano. Mas também pode reduzir justamente o esforço que ajudava a construir esse julgamento.
Um estudo de 2025 ajuda a entender essa tensão. Em The Impact of Generative AI on Critical Thinking, pesquisadores da Carnegie Mellon University e da Microsoft Research analisaram 936 situações reais em que 319 profissionais usaram IA generativa no trabalho. Os participantes descreveram as tarefas realizadas e avaliaram quanto pensamento crítico haviam dedicado a elas.
Os pesquisadores encontraram uma relação clara entre confiança e esforço. Quanto mais os profissionais confiavam na capacidade da IA para realizar a tarefa, menos pensamento crítico relatavam. Já aqueles que confiavam mais na própria capacidade tendiam a questionar e avaliar com maior cuidado as respostas recebidas.
Ao mesmo tempo, a IA deslocava parte do esforço para outras atividades. Buscar informações, por exemplo, dava lugar a verificar aquilo que a ferramenta havia encontrado. Em outros casos, produzir uma resposta era substituído por avaliar e integrar o material gerado. O pensamento não desaparecia, mas mudava de lugar.
Essa transferência pode ser vantajosa quando libera o profissional de tarefas operacionais para se concentrar em decisões mais importantes. O problema surge quando delegamos também o esforço que sustenta nosso próprio julgamento. Os autores associam esse risco ao conceito de cognitive offloading: transferir para uma ferramenta parte do trabalho que antes fazíamos mentalmente.
Quanto mais competente a IA se torna, mais fácil pode ser fazer essa transferência. Uma boa resposta reduz a necessidade percebida de reconstruir o raciocínio que a produziu e, com menos prática, podemos nos tornar mais dependentes da ferramenta para realizá-lo. O estudo não demonstra que esse ciclo necessariamente aconteça, mas seus autores alertam para o risco de dependência excessiva e perda da capacidade de resolver problemas de forma independente.
Por isso, economizar esforço não produz sempre o mesmo efeito. Quando a IA assume trabalho operacional, pode abrir espaço para pensar melhor. Quando assume parte do próprio raciocínio, a eficiência conquistada pode vir acompanhada de menor exercício das capacidades que queremos preservar.
O que sobra?
Durante muito tempo, processo e resultado estiveram naturalmente ligados. Para chegar a uma boa solução, era preciso pesquisar, experimentar, discutir, errar e refazer. A IA generativa começou a separar essas duas coisas. Hoje conseguimos obter em segundos resultados que carregam marcas de um trabalho que talvez não tenha acontecido.
Essa separação traz ganhos reais.
É importante entender todos esses estudos e reflexões sem a nociva dicotomia entre mocinhos e vilões. Nada disso é sobre IA ser boa ou ruim para a criatividade. A proposta é entender o que se ganha e o quye se perde com ela.
Os estudos que vimos mostram pessoas produzindo trabalhos melhores com IA, equipes encontrando saídas para bloqueios criativos e profissionais transferindo parte de seu esforço para atividades de avaliação e supervisão. Produzir ficou mais rápido, experimentar ficou mais barato e uma quantidade enorme de possibilidades passou a estar disponível para muito mais gente.
Mas os custos existem e é fundamental que os observemos. Resultados melhores não necessariamente desenvolvem pessoas mais criativas. Muitas alternativas podem ocupar um espaço surpreendentemente estreito. A confiança na ferramenta pode reduzir o esforço dedicado a pensar criticamente sobre suas respostas. E etapas eliminadas em nome da eficiência podem carregar parte do aprendizado que permitia compreender melhor o problema e construir critérios para solucioná-lo.
Por isso, medir a contribuição da IA apenas pela qualidade do resultado conta uma parte da história. Uma solução criativa também é produto das perguntas formuladas, das alternativas descartadas e dos critérios construídos durante o caminho. Quando a tecnologia assume parte desse trabalho, precisamos distinguir aquilo que apenas consumia tempo daquilo que ajudava a pensar.
Talvez esteja aí uma das competências criativas mais importantes da era da IA: saber quando pedir uma resposta e quando resistir a ela. Podemos usar a ferramenta para produzir rapidamente uma solução plausível. Também podemos usá-la para questionar a solução que parece óbvia, procurar territórios ainda não explorados, revelar premissas escondidas e colocar nossas próprias escolhas à prova. A diferença está menos na tecnologia disponível do que no papel que decidimos dar a ela.
O process collapse descrito pelo artigo da Harvard Business Review revela, assim, um problema maior do que os retrabalhos provocados por um mockup perfeito demais. Se podemos encurtar radicalmente o caminho até uma solução, precisamos entender o que havia nesse caminho antes de eliminá-lo. Parte era trabalho. Parte era onde a criatividade acontecia
