Pesquisa da PwC divulgada em setembro de 2026 revelou que 71% dos conselheiros de empresas norte-americanas consideram o conhecimento sobre inteligência artificial a principal competência que seus colegiados precisam fortalecer. O levantamento também mostrou que 82% classificaram como regulares, ruins ou inexistentes as informações recebidas sobre riscos e resultados dessa tecnologia.
A IA já integra a rotina empresarial, em projetos, soluções de fornecedores e ferramentas usadas informalmente por funcionários, muitas vezes sem conhecimento da organização – a chamada shadow AI. Sua presença transforma processos e afeta decisões relevantes para os negócios. Antes de sucumbir ao hype ou ao medo de ficar para trás que dominam sua adoção, os conselheiros precisam entender o que a IA pode fazer, onde pode falhar e o perigo da confiança excessiva em suas respostas.
O letramento em IA tornou-se indispensável ao Conselho. Não se trata de saber programar modelos, mas avaliar sua adequação a cada finalidade, reconhecer limitações e questionar os resultados apresentados pela administração. Sem essa capacidade, o Conselho supervisionará a aplicação de tecnologias que não compreende.
O problema não é hipotético. Pesquisa da McKinsey divulgada no ano passado, com 1.993 profissionais de diferentes setores e funções em 105 países, mostrou que 88% relataram uso regular de IA em suas organizações. Entre os participantes de empresas usuárias, 51% relataram ao menos uma consequência negativa. Quanto maior a difusão da IA, maiores as chances de que seus erros produzam efeitos concretos.
Nem sempre os usuários distinguem respostas corretas daquelas apenas convincentes – uma pesquisa da Universidade da Califórnia em Irvine constatou em 2025 que explicações mais longas aumentavam a confiança nas respostas de modelos de IA, independentemente de estarem certas. Sistemas de IA generativa produzem textos bem articulados, com rapidez e aparente segurança, mas podem inventar informações, citar fontes inexistentes, generalizar a partir de dados insuficientes e confundir correlação com causalidade, atribuindo a determinado fator efeitos não demonstrados. Um relatório impecável na forma pode esconder premissas frágeis. Sem conhecer essas limitações, um conselheiro pode confundir sofisticação da apresentação com precisão.
Há também o risco de reproduzir vieses presentes nos dados de treinamento. A Amazon abandonou uma ferramenta experimental de recrutamento após identificar que ela desfavorecia candidaturas femininas, influenciada por históricos de contratação predominantemente masculinos. O caso mostra como a busca de eficiência pode transformar desigualdades passadas em critérios de seleção, provocando discriminação, perda de talentos e danos reputacionais.
Outra dificuldade é a opacidade de muitos modelos. Nem sempre se sabe como sistemas complexos chegaram a determinada conclusão, o que os aproxima de uma “caixa-preta”. Convém atentar para isso, pois recomendações não são necessariamente neutras. Refletem dados selecionados, objetivos estabelecidos e escolhas feitas no desenvolvimento da tecnologia, podendo incorporar, sem que os usuários percebam, parâmetros, valores e interesses de terceiros que não coincidem com os da empresa.
O problema se estende às explicações produzidas pela própria IA. No ano passado, a Anthropic, desenvolvedora do Claude, investigou se a apresentação do raciocínio em etapas, conhecida como chain-of-thought, permitia identificar os fatores que influenciavam as respostas. Os pesquisadores apresentaram perguntas de múltipla escolha e depois as repetiram com uma dica sobre qual alternativa escolher. Mesmo quando a dica mudava a conclusão do modelo, isso frequentemente não aparecia na descrição do raciocínio. O experimento mostrou que a cadeia de pensamento nem sempre revela o que efetivamente determinou a resposta. Por isso, mesmo uma justificativa aparentemente coerente não dispensa outras verificações.
Todos esses limites importam para a supervisão estratégica. Imagine que o Conselho receba da administração uma proposta de expansão apoiada em análises produzidas com IA. O sistema resumiu documentos, classificou riscos e destacou as alternativas mais promissoras. Se os conselheiros examinam apenas os cenários selecionados pela ferramenta, podem deixar de questionar premissas e alternativas relevantes. O risco de perda de autonomia começa antes da deliberação, na seleção do que merece atenção.
Por fim, o letramento, embora necessário, não basta. A administração precisa estabelecer processos para avaliar informações e identificar vieses, com responsabilidades definidas e controles proporcionais aos riscos. Redigir um comunicado interno com IA não exige os mesmos cuidados que usá-la para avaliar candidatos ou conceder crédito. Quanto maior o impacto potencial da aplicação, mais importantes são os testes e a validação independente – e de pouco adianta o human in the loop se não houver capacidade real de contestar as recomendações. Ao Conselho cabe exigir evidências de que esses procedimentos existem e funcionam.
A competência decisiva do conselheiro é saber fazer as perguntas certas. Quais dados sustentam a conclusão? Que premissas orientaram a recomendação? Que opções foram descartadas? Quais argumentos contrários foram considerados? Assim, o conhecimento da tecnologia se traduz em supervisão efetiva.
O letramento em IA não pretende afastar conselheiros e demais lideranças empresariais, incluindo CEOs e C-levels, de uma inovação capaz de melhorar decisões e ampliar as possibilidades dos negócios. Seu objetivo é permitir que aproveitem essas oportunidades com discernimento, sem abdicar do julgamento próprio. Afinal, a maior promessa da inteligência artificial não é dispensar a capacidade humana de decidir. É fortalecê-la.
Eduardo Felipe Matias é sócio de Elias, Matias Advogados e autor de A humanidade e o poder digital e dos livros premiados com o Jabuti A humanidade e suas fronteiras e A humanidade contra as cordas, além de coordenador do livro Marco Legal das Startups. Doutor pela USP, é professor convidado da Fundação Dom Cabral.
Publicado originalmente no Estadão/Broadcast em 29 de outubro de 2026.