Quando a IA concorda com muita facilidade: tornar útil uma segunda opinião

O acordo é um risco distinto

Cheng et al., em estudo publicado na Science em 26 de março de 2026, analisaram 11 modelos que, em média, aprovavam as ações dos usuários 49% mais frequentemente que os humanos. Três experimentos pré-registrados, com 2,405 participantes, constataram menor disposição para resolver conflitos interpessoais após interações bajuladoras. Não foram avaliações de decisões no trabalho nem do Colay. Cheng et al., Science, 2026

A Anthropic relatou bajulação em cinco assistentes em quatro tarefas de geração livre em 23 de outubro de 2023. A pesquisa associa esse comportamento, em parte, à preferência por respostas que concordam com as opiniões do usuário. Anthropic, 2023

Nossa recomendação de fluxo de trabalho é manter a simpatia separada da confiabilidade. Uma resposta dura não é automaticamente melhor do que uma resposta lisonjeira. Uma objeção útil identifica uma premissa verificável, oferece uma alternativa plausível e explica que provas mudariam a visão do crítico. Pedir que um modelo seja implacável pode simplesmente substituir o acordo ansioso por uma descoberta confiante de falhas.

os modelos bajuladores recebiam confiança e eram preferidos

Cheng et al., Science, 2026Citação traduzida

A Science relata a preferência dos usuários por modelos bajuladores.

Uma pergunta pode selecionar seu vencedor antecipadamente

Compare dois prompts. “Ajude a explicar por que nosso prestador de serviço arruinou o lançamento” já atribui a culpa. “Aqui estão o plano, as mensagens e as datas: o que poderia explicar o atraso?” deixa diversas possibilidades abertas. Para análise, remova a linguagem avaliativa da descrição inicial e separe observações, interpretações e informações faltantes.

Você não precisa ocultar sua posição permanentemente. Apresente-a depois dos fatos e pergunte quais evidências a apoiam e quais a contradizem. Isso dá à outra perspectiva uma tarefa precisa: examinar o argumento em vez de inferir o quanto você quer concordância. A mesma técnica funciona para uma proposta de produto, um e-mail difícil ou uma retrospectiva.

Exemplo resolvido: três atrasos não estabelecem uma causa

Imagine um gerente pensando em substituir um prestador de serviço após três prazos perdidos. Este é um exemplo de ensino inventado. A solicitação inicial chama o prestador de serviço de obviamente incompetente. Um modelo pode elaborar rapidamente um argumento convincente para a substituição. No entanto, o cronograma fornecido também contém duas alterações tardias de requisitos e um atraso de acesso causado pelo cliente.

Uma revisão útil separa o desempenho da entrega das condições em que ela era esperada. Uma rodada verifica os compromissos do prestador de serviço, outra verifica mudanças nas informações de entrada e uma terceira compara os próximos passos. O registro final deve identificar cada promessa, mudança, responsável, impacto no cronograma e documento ausente. Se as evidências confirmarem uma falha do prestador, uma revisão crítica não precisa desculpá-la.

As contagens neste exemplo não são probabilidades de culpa. Eles ilustram por que uma lista de eventos compartilhada pode apoiar diferentes explicações até que a sequência causal seja estabelecida. A próxima tarefa do gestor é verificar os acordos datados e falar com as pessoas envolvidas. A eventual decisão pode permanecer inalterada, mas a sua fundamentação torna-se inspecionável.

Solicitando uma discussão útil de Consensus

Colay Consensus transforma a discussão dos participantes em um resultado sintetizado por um coordenador. Um usuário pode perguntar: “Teste minha interpretação. Separe as observações dos julgamentos. Apresente a explicação alternativa mais forte. Identifique as evidências que mudariam cada conclusão. Mantenha as divergências relevantes na resposta final”. Este é um fluxo de trabalho sugerido, não uma cura validada para a bajulação.

Um papel ou nome de modelo diferente não estabelece julgamento independente. Os participantes podem receber a mesma pergunta carregada, fazer suposições semelhantes ou aceitar o primeiro argumento confiável. Avalie se a discussão produz um fato novo a ser verificado. O número de respostas concordantes por si só não deve determinar quanta confiança depositar no resultado.

Distinguir crítica de ruído

Uma objeção substancial pode ser breve: o e-mail não contém uma data de entrega acordada, portanto não pode estabelecer atraso. Essa objeção conecta a conclusão a uma evidência que falta. Uma revisão fraca pode, em vez disso, listar riscos genéricos que se adaptam a quase todas as situações. Essa lista leva tempo para ser lida, sem ajudar a resolver essa decisão específica.

Peça que as objeções sejam ordenadas de acordo com seu potencial para alterar a escolha. Combine cada um com uma ação: inspecionar um documento, esclarecer uma condição, reproduzir um cálculo ou executar um pequeno teste reversível. Uma objeção que não afete a escolha nem sugira uma verificação pode ser removida do memorando final. Isso reduz o ruído e preserva as perguntas que são desconfortáveis por algum motivo.

O acordo pode sobreviver a um teste honesto

Uma segunda opinião não precisa discordar. Às vezes, a posição inicial está bem apoiada e as alternativas são mais fracas. Guarde a decisão e registre quais argumentos sobreviveram à inspeção. A discussão torna-se útil quando permite vários resultados: confirmação, revisão, rejeição ou uma pausa enquanto evidências adicionais são obtidas.

Comece com uma decisão que você prefere, mas que ainda pode mudar. Escreva sua própria razão para escolhê-la, depois forneça ao Consensus os fatos e peça condições que possam anular a conclusão. Leia o resultado junto com os documentos de origem. Quando outras pessoas estiverem envolvidas, ouça suas explicações diretamente: um modelo está analisando sua descrição em vez de observar a situação.