Em 1950, Issac Asimov postulou as leis da robótica: 1. um robô não pode ferir um humano ou permitir que um humano sofra algum mal; 2. os robôs devem obedecer às ordens dos humanos, exceto nos casos em que essas ordens entrem em conflito com a primeira lei; 3. um robô deve proteger sua própria existência, desde que não entre em conflito com as leis anteriores. Essas leis foram escritos no livro Eu, robô. Que também virou filme em 2004, homônimo.
Na década de 1980, Moravec postulou seu Paradoxo dizendo: “ ao contrário das suposições tradicionais da robótica e inteligência artificial(IA), o raciocínio requer muito pouca computação, mas as habilidades sensório-motoras e de percepção exigem enormes recursos computacionais”. Em outras palavras, “é comparativamente fácil fazer os computadores exibirem desempenho de nível adulto em testes de inteligência ou jogar damas, e difícil ou impossível dar-lhes as habilidades de uma criança de um ano quando se trata de percepção e mobilidade”.
Já em 2022, a @OpenAI lançou o ChatGPT, uma ferramenta para processamento de linguagem natural, ou LLM(large language model). Desse dia em diante, pipocam diariamente centenas de novas ferramentas e plataformas de IA diariamente.
E não paramos! A @Evolving_AI lançou #Figure 1. Que, ao meu ponto de vista, é ao mesmo tempo surpreendentemente e assustador. Mas, o que isso teria relação com a Medicina, com a saúde, já que sou médico? Bem, tem muito.
Ao redor do mundo, a escassez de profissionais da saúde é grande e só aumenta. Claro que estamos longe de um “Figure 1” empático, mas será que esse ser no vídeo já não teria um papel na saúde? Creio que em muitas tarefas diárias de um hospital, por exemplo, ghaceria espaço. Não substituindo enfermeiros e profissionais em tarefas que exijam um “Toque de Médico”, mas auxiliando em tarefas mais mecânicas. Empatia é própria do ser humano. E, será quechegaremos um dia a um robô empático?
Deixe aí sua opinião para criar ainda mais polêmica na relação Humano-robôs.
A professor explains genetic and brain imaging data to attentive students using holographic visuals.
Um sonho que virou projeto. O projeto teve MVP. E a partir de hoje, vira realidade.
No primeiro semestre de 2022, idealizei uma disciplina para a faculdade de medicina da UPF sobre o que eu julgava faltar na formação médica: o conhecimento das tecnologias que estavam chegando à saúde.
Lembrem-se do momento. Era antes do ChatGPT. Antes de qualquer LLM cair no colo do mundo.
Tudo nasceu de uma palestra: “Medicina do Século XXI para alunos do Século XXI”.
Amparado pelo know-how de Bertalan Meskó, o Medical Futurist que dirige o The Medical Futurist Institute, nascia a disciplina Saúde Digital. Optativa, na origem.
Por semestres, montei a melhor grade que consegui. Reuni os melhores nomes de cada assunto que me era próximos.
O MVP foram as turmas anteriores. Pequenas, no começo. Foi ali que testei, errei, ajustei e treinei.
A grade tentava cobrir o que vinha pela frente: inteligência artificial, robótica e telemedicina. Genômica e edição genética. Medicina de precisão. Realidade virtual. Wearables e sensores. Dados em saúde e o velho embate entre value-based care e fee for service.
Mas aprendi rápido que Saúde Digital não é uma disciplina sobre gadgets. E os números explicam por quê.
A OMS estima uma falta de 4,3 milhões de profissionais de saúde no mundo. O mercado de saúde digital cresce a 27,9% ao ano e deve chegar a US$ 833 bilhões até 2027. A tecnologia não é uma opção que a medicina pode recusar. É o terreno onde ela já pisa.
Mas tem um número que fica na cabeça.
Dar o aparelho não basta. Num estudo com pacientes de apneia do sono, quem teve acesso aos próprios dados por um app usou o CPAP em média 46 minutos a mais por noite. A adesão subiu para 81%, contra 68%. A tecnologia só rendeu quando veio acompanhada de gente.
É a diferença entre monitorar e cuidar.
E quando a medicina não acompanha, o paciente vai sozinho. Diabéticos cansados de esperar criaram, em casa e sem nenhuma validação, um pâncreas artificial faça-você-mesmo. Batizaram o movimento de #WeAreNotWaiting.
Não estavam esperando. E não vão esperar.
Colocar uma tecnologia na mão de alguém nunca melhorou desfecho nenhum. O próprio Bertalan Meskó já tinha escrito: saúde digital é, antes de tudo, uma transformação cultural, não tecnológica.
A saída do modelo paternalista, em que o médico decide sozinho, para uma parceria real entre médico e paciente. O paciente vira o ponto de cuidado. Os dados passam a ser dele.
A disciplina inteira é uma tentativa de responder isso ao lado dos alunos.
E não sou só eu dizendo isso.
Um estudo dinamarquês (Khurana e colegas, BMC Medical Education, 2022) reuniu 18 especialistas para decidir, pelo método Delphi, o que um estudante de medicina precisa aprender de saúde digital. Partiram de 113 artigos e 65 temas.
O que eles elegeram como prioridade não foram as habilidades técnicas. Modelagem matemática, robótica e impressão 3D ficaram para trás.
No topo vieram os temas de atitude: ética digital e o impacto da tecnologia na relação médico-paciente.
Traduzindo: o papel do médico não é construir a tecnologia. É entender o que ela faz com o cuidado.
Os mesmos autores registram outro ponto. Onde a saúde digital já chegou às faculdades, ela costuma entrar como optativa e sobre um assunto estreito. Solta. Fora da grade.
Foi exatamente desse ponto que eu parti.
Em 2022, falar dessas coisas numa faculdade de medicina soava a futurismo. Quatro anos depois, virou o presente que não pediu licença para chegar. A partir de hoje, a Saúde Digital deixa de ser optativa. Passa a fazer parte da formação médica na UPF.
A escola médica sempre formou para a medicina que existe. A minha aposta foi formar para a que está chegando.
A partir de hoje, deixou de ser aposta.
O que uma faculdade de medicina precisa ensinar para o médico que ainda vai existir: é sobre isso que sigo escrevendo.Texto completo em bittencourt.blogSubstack: franciscomdebittencourt.substack.com. Links na bio.
O que o mercado de healthtech no Brasil ensina sobre onde entrar — e por que “criar uma categoria nova” quase nunca é o caminho.
Tem uma frase que seduz todo fundador de healthtech: “não compita, crie um mercado novo”.
Ela vem da Blue Ocean Strategy, de W. Chan Kim e Renée Mauborgne, os dois professores do INSEAD. Oceano vermelho é onde todo mundo briga pelo mesmo espaço, corta preço, sangra margem. Oceano azul é o espaço que ninguém explorou — onde a concorrência vira irrelevante porque você inventou a categoria.
É uma ideia linda. E, na saúde, ela mata mais startup do que salva.
Não porque esteja errada. Porque quase todo mundo lê só a metade dela.
O que o oceano azul exige
A parte que fica é “torne a concorrência irrelevante”. A que se esquece é o que sustenta isso: value innovation, um salto de valor que o cliente sente a um custo que fecha a conta.
O framework tem o grid ERRC: o que Eliminar, Reduzir, Aumentar acima do padrão do setor e Criar que nunca existiu. O Cirque du Soleil eliminou os animais e as estrelas caras do circo, criou teatro e narrativa, virou outra categoria.
Só que o grid pressupõe uma coisa que quase ninguém verifica: alguém do outro lado sentindo falta daquilo. Oceano azul não é o espaço vazio. É o espaço vazio onde tem gente com uma dor que ninguém resolveu.
Espaço vazio sem um “dor” tem outro nome. Água parada.
Onde o mercado está
O Brasil tem o maior ecossistema de healthtech da América Latina: entre 1.200 e 1.900 startups, cerca de 65% do investimento em saúde digital da região. O mercado somou US$ 6,34 bilhões em 2024 e projeta US$ 21,9 bilhões até 2030, a 23% ao ano. Em 2024, foram R$ 799 milhões em 40 rodadas. E 2026 chega com mais apetite.
O mundo segue o mesmo compasso. Nos Estados Unidos, o funding de saúde digital caiu a US$ 10,1 bilhões em 2024, o menor patamar desde 2019 em valor real, segundo a Rock Health, e saltou a US$ 14,2 bilhões em 2025, com fusões e aquisições subindo 61%. Recuperação seletiva: capital concentrado, exigente, atrás de quem já provou modelo.
Dinheiro tem. Startup tem. Regulação amadureceu (CFM, ANVISA, ANS, LGPD). E mesmo assim a mortalidade é a que você conhece.
O problema quase nunca é falta de mercado. É o ponto de entrada.
Quem sente a dor
Aqui o dado que separa quem sobrevive de quem devolve dinheiro pro investidor. Nos EUA, 85% das healthtechs são enterprise — 53% vendem B2B e 32% B2B2C. Só 14% vendem direto ao consumidor. E das que nasceram B2C, 61% migraram.
Não é modismo. É gravidade.
O B2C na saúde quebra por três razões que se somam: custo de aquisição alto, barreira de confiança enorme e o cliente real não é o paciente — é o médico e a operadora. Fundador que vem da tecnologia demora a descobrir que vendia pra pessoa errada. Longevidade é o retrato: audiência gigante, engajamento altíssimo e engajamento não é intenção de compra. Interesse não é urgência.
No Brasil é mais afiado, e pra entender é preciso ver o sistema partido em dois. De um lado o SUS, universal e crônico de subfinanciamento. Do outro, a saúde suplementar: em outubro de 2025, 53,3 milhões de beneficiários, um mercado de cerca de R$ 520 bilhões, cobrindo 26% da população.
Um quarto do país concentra quase todo o dinheiro privado de saúde. E esse dinheiro não passa pela mão do paciente na hora do serviço. Passa pela operadora e pela empresa. Quem tem plano já pagou o exame diluído na mensalidade. A dor que abriria a carteira foi absorvida pelo convênio três camadas atrás. Quem sente o custo de verdade é quem paga a conta agregada: operadora e as empresas que agregam o benefício.
Siga o dinheiro que já flui
Olhe as healthtechs brasileiras que escalaram. Sami, Alice, Dr. Consulta. Nenhuma vendeu assinatura direta ao consumidor como motor. Todas convergiram pra operadora e empresa, no valor fixo por vida, por mês — o per member, per month. O cheque vem da empresa contratante, não do cartão do indivíduo.
Foram atrás do bolso que já estava aberto. Não é falta de ambição. É entender que, num sistema inercial, você não cria um bolso novo: entra num fluxo de capital que já existe e prova que reduz custo ou melhora desfecho.
Benchmark não se copia. Se decodifica.
Tem uma armadilha específica: copiar o modelo de fora sem decodificar por que ele funciona lá. Function Health e Superpower, nos EUA, vendem acesso a exames num sistema onde exame é caro e difícil. O valor não é o insight clínico. É o acesso. Transplantar pro Brasil, onde quem tem plano já tem acesso, é copiar a casca. A pergunta certa não é “o que essa empresa faz?”, é “que dor, naquele mercado, faz alguém pagar — e essa dor existe aqui?”.
Foi assim que healthtechs de escalas opostas — de projetos bootstrapped morreram no interior — morreram pelas mesmas razões. Quando isso acontece, o problema deixou de ser execução. Virou mercado.
Eu bati nesse muro com uma femtech, antes da IA. A tecnologia funcionava, os médicos achavam útil, nenhum aderiu. A lição foi essa: produto bom não é negócio viável.
O grid, na ordem certa
Blue Ocean segue poderoso. Só que, na saúde, se usa de trás pra frente. A maioria começa pelo Criar. É um erro. Comece pelo mapa da dor e do dinheiro, com três perguntas.
Quem sente essa dor a ponto de mudar o que já faz? Se “todo mundo acha interessante”, você tem plateia, não cliente.
De qual bolso já sai dinheiro pra isso? Se “de nenhum ainda, mas deveria”, vai gastar capital e tempo criando categoria — o caminho mais caro que existe.
Com que frequência a dor aparece? Prevenção tem frequência baixa demais pra sustentar assinatura individual.
Só depois o ERRC faz sentido. Value innovation na saúde não é inventar desejo. É encaixar valor real num fluxo de capital real.
Para quem está construindo
2026 te favorece: capital voltando, regulação madura, IA barateando o que era caro, demanda reprimida por acesso. Nada disso te salva da pergunta que derruba a maioria.
Não é “meu produto resolve um problema real?”. Quase todo produto que morreu resolvia. E “alguém sente esse problema o suficiente pra pagar e mudar o que já faz?”.
Se todos acham interessante e ninguém muda de comportamento, você tem um produto interessante. Não tem um negócio.
Oceano azul não é onde não tem ninguém. É onde tem gente com dor e dinheiro e ninguém chegou primeiro. O resto é água parada — e água parada não move barco nenhum.
Geoffrey Hinton, cientista da computação canadense e um dos criadores do Deep Learning, deu uma declaração em Toronto, em 2016, que ainda ecoa na radiologia. A frase no artigo “Radiology Is an Infinite Game”, do radiologista brasileiro Felipe Soares Torres, publicado na Radiologia Brasileira: “people should stop training radiologists now” e “it is just completely obvious that within five years deep learning will do better than radiologists”. Parem de formar radiologistas agora. Em cinco anos, a inteligência artificial seria melhor que eles.
Dez anos se passaram. Não sobra radiologista no mundo. Falta. A escassez global da especialidade é hoje um dos problemas centrais da medicina de imagem e Torres registra algo que qualquer professor de medicina reconhece: parte considerável dos estudantes foi desencorajada a escolher radiologia justamente por causa da fala de Hinton, não por falta de vocação para a área.
Vejo esse efeito de perto, na sala de aula. Aluno de medicina decide especialidade também pela leitura de manchete. Se a manchete diz que a profissão vai acabar, poucos apostam mais 4, 5 anos de formação numa carreira que parece condenada. Parte da escassez que a radiologia enfrenta hoje tem origem retórica, não clínica.
O erro de Hinton foi confundir tarefa com profissão. Ele olhou para a radiologia e viu um problema de classificação de imagem: distinguir tumor de tecido saudável, como uma rede neural distingue gato de cachorro. Ignorou o resto do trabalho: o histórico clínico que o radiologista cruza com o exame, a conversa com o cirurgião que pediu a tomografia, o julgamento sobre um exame mal executado, a decisão numa zona cinzenta que nenhum dataset resolve sozinho.
Hoje, esse erro voltou, só que de cabeça para baixo. A reportagem “Stretched Too Thin”, publicada pela Radiology Today em julho de 2026, descreve um quadro que qualquer radiologista americano reconhece: volume de exame subindo, quadro de pessoal encolhendo, radiologista trocando de sistema o dia inteiro. Segundo dados da American Medical Association citados na reportagem, 45,2% dos radiologistas relataram pelo menos um sintoma de burnout em 2025, contra 41,9% dos médicos em geral. Um estudo do Neiman Health Policy Institute, publicado em fevereiro no Journal of the American College of Radiology, acompanhou quase 40 mil radiologistas entre 2013 e 2022 e encontrou um aumento de 61% na rotatividade da especialidade.
A resposta mais repetida para esse quadro é: adiciona mais uma IA.
Morris Panner, presidente da Intelerad, companhia do grupo GE HealthCare, chama o problema real de interoperabilidade de cadeira giratória. O radiologista devia interpretar exame. Em vez disso, loga num sistema, troca pra outro. O que devia estar junto, ele reconstrói na cabeça, todos os dias. Abhishek Gupta, vice-presidente sênior de saúde e ciências da vida na Mastek, empresa global de transformação digital, concorda: se uma nova IA gera mais alerta, mais etapa de verificação, mais clique, ela aumenta a carga cognitiva em vez de reduzir. “O patchwork não funciona”, resume Panner. Ferramenta isolada empilhada sobre sistema antigo pode piorar o que deveria resolver.
Os dois erros nascem da mesma simplificação. Em 2016, Hinton achava que bastava automatizar a tarefa mais visível da especialidade. Em 2026, parte do mercado acha que basta empilhar tecnologia sobre um fluxo de trabalho que já está quebrado.
Nenhum dos dois toca o problema de fundo, que também não é só tecnológico. Brent Murphy e Anthony Mungo, fundadores respectivamente da John Patrick University of Health and Applied Sciences e do Center for Radiology Education, apontam um déficit de mais de 85 mil técicos em radiologia só nos Estados Unidos. Marissa Mangrum, presidente eleita da American Society of Radiologic Technologists, lembra que o esgotamento não é só do médico. Atinge tecnólogo, terapeuta e equipe de suporte do mesmo jeito. Sem pipeline de formação, incentivo financeiro e programa de bem-estar resolvem por um tempo, mas não tocam no descompasso entre oferta e demanda.
O que muda o jogo não é ter mais IA. É orquestrar o que já existe. Um sistema que direcione o caso certo, ao radiologista certo, na hora certa, dentro da mesma tela, em vez de espalhar a decisão por cinco portais diferentes. Modelos de teleradiologia flexível, como descreve Stephen Champlin, diretor de interoperabilidade da CIVIE, permitem cobertura de 24 horas sem empilhar plantão sobre o mesmo grupo de sempre. Isso é orquestração. Não é mais uma ferramenta. É menos fricção.
Tecnologia resolve problema bem definido. Prática médica bagunçada é outra categoria de problema. Hinton errou ao achar que a primeira solucionava a segunda em 2016. O mercado de tecnologia em saúde corre o risco de repetir o erro em 2026, na direção contrária: multiplicando ferramentas em vez de multiplicar previsões.
Dez anos depois de Toronto, a radiologia continua precisando de gente. Só que de gente sustentada por um sistema que funcione, não de mais uma tela pra abrir entre um exame e outro.
Torres, Felipe Soares. “When Discussing the Impact of AI on Radiology, Just Remember: Radiology Is an Infinite Game.” Radiologia Brasileira, PMC7720669. Fonte primária da citação de Geoffrey Hinton (2016).
Orenstein, Beth W. “Stretched Too Thin.” Radiology Today, v. 27, n. 4, jul. 2026.
Matos, David. “Em 2016 Disseram Que a IA Substituiria os Radiologistas. Ainda Estamos Esperando…” Ciência e Dados, nov. 2025.
Dans, Enrique. “The Radiologist Paradox: How AI Made Them More Valuable, Not Obsolete.” Medium, set. 2025.
A cirurgia plástica sempre ocupou o espaço entre o que o paciente é e o que ele quer ser. O bisturi preencheu esse espaço por décadas. A inteligência artificial começa a preenchê-lo agora. E a edição genética pode ser o próximo passo — com perguntas que a medicina ainda não está fazendo com a seriedade que merecem.
Em junho de 2026, a empresa Life Biosciences, de Boston, administrou o primeiro tratamento de reprogramação celular em um ser humano. A terapia, chamada ER-100, usa um vírus modificado para entregar instruções genéticas diretamente às células do nervo óptico, com o objetivo de fazê-las se comportar como células jovens novamente. O estudo trata glaucoma. Mas o que está em jogo é muito maior do que a pressão ocular.
No mesmo período, uma revisão de 235 estudos publicados entre 2016 e 2024 na revista Aesthetic Plastic Surgery mapeou como a inteligência artificial já opera dentro da Cirurgia Plástica. De forma parcial, ainda. Mas de forma real, com resultados concretos, com limites documentados e com vieses que precisam ser nomeados.
São dois mundos que ainda não se tocaram. Vão se encontrar. E a cirurgia plástica vai estar no centro desse cruzamento.
A revisão bibliométrica analisou uma década de pesquisa. As aplicações são concretas. Uma mulher que perdeu a mama ao câncer chega à cirurgia de reconstrução carregando muito mais do que um diagnóstico. O retalho DIEP — Deep Inferior Epigastric Perforator, retalho abdominal nutrido pelos vasos perfurantes da artéria epigástrica inferior — é uma das cirurgias mais complexas da especialidade. Errar no mapeamento dos vasos significa comprometer o retalho. Comprometer o retalho significa começar tudo de novo, se houver condições para isso. O VoNavix usa angiotomografia para mapear em 3D o que antes só era descoberto com o bisturi já na pele. Sistemas de avaliação de risco completam esse planejamento, identificando antes da cirurgia quem tem condições clínicas reais de chegar ao fim dela.
Não uso nenhuma dessas ferramentas no consultório hoje. Poucos cirurgiões brasileiros usam. Há boas razões para isso.
Os resultados ainda são limitados. A maior parte dos estudos foi conduzida com bases de dados pequenas, pouco diversas, treinadas em padrões estéticos predominantemente ocidentais. Um algoritmo calibrado com imagens de mulheres caucasianas não funciona da mesma forma para uma paciente brasileira, asiática ou negra. A revisão é explícita nesse ponto: viés nos dados de treinamento é um dos maiores obstáculos da área.
Tem outro problema, mais sutil: a dependência excessiva. Sistemas de IA são úteis quando auxiliam o raciocínio clínico. Tornam-se perigosos quando tentam substituí-lo. A decisão cirúrgica integra variáveis que nenhum algoritmo captura completamente: o contexto do paciente, suas referências culturais, a anatomia individual, a percepção tátil durante o procedimento.
A IA amplia o olhar e, por enquanto, não substitui. Mas o campo está apontando para além disso.
A reprogramação celular existe como conceito desde 2006, quando o pesquisador japonês Shinya Yamanaka demonstrou ser possível transformar células adultas em células-tronco ativando genes específicos. O trabalho lhe rendeu o Nobel de Medicina em 2012. O risco, então e agora, é fazer a célula retroceder longe demais, perdendo função original ou virando cancerígena.
A reprogramação parcial usada pela Life Biosciences tenta um equilíbrio delicado: empurrar a célula de volta no tempo o suficiente para restaurar características jovens, sem apagar sua identidade. David Sinclair, geneticista de Harvard e cofundador da empresa, defende que o envelhecimento é, em grande medida, resultado da perda de informação epigenética e não de danos irreversíveis no DNA. Se essa teoria se confirmar, restaurar essa informação poderia tratar doenças e, eventualmente, reverter marcas do envelhecimento em tecidos específicos.
A cirurgia plástica habita exatamente esse território.
Tecidos que perdem volume. Pele que acumula marcas epigenéticas que o bisturi pode reposicionar, mas não regenerar. A pergunta que começa a ser formulada, ainda com timidez, é: e se pudéssemos não apenas reposicionar, mas reprogramar?
Isso tem ensaios clínicos aprovados pelo FDA, financiamento crescente e resultados promissores em animais. O campo está em movimento.
IA e edição genética não são tecnologias separadas nesse contexto. São complementares. A inteligência artificial analisa grandes volumes de dados biológicos para identificar padrões epigenéticos ligados a características específicas do tecido. A edição genética usa essas informações para intervir com precisão molecular. No campo oncológico, essa combinação já existe. Na dermatologia experimental, começa a aparecer. Na cirurgia plástica, ainda é território aberto.
É exatamente aí que o debate precisa começar.
Sou favorável a que esse debate aconteça. Agora. Embora a empolgação não possa dispensar as perguntas difíceis. E mais, quem terá acesso a essas tecnologias? Se a IA já reproduz padrões de beleza ocidentais em detrimento de outros, o que acontece quando transferimos essa lógica para a edição genética de tecidos? Modificar características estéticas em nível celular é uma extensão natural da medicina estética ou cruza uma linha que a medicina não deve cruzar?
Matt Kaeberlein, cofundador da Optispan e pesquisador em medicina preventiva com foco em longevidade, resume o dilema com precisão: a pesquisa antienvelhecimento tem grande potencial, se puder ser feita com segurança. A tecnologia ainda é muito nova. O risco de efeitos colaterais sérios é real.
Esse é o momento de ter essa conversa. Antes de as ferramentas chegarem ao mercado privado. Não depois.
A Cirurgia Plástica nunca foi só técnica. Sempre foi julgamento. Entender o que o paciente quer, avaliar o que é viável e ter clareza sobre o que não deve ser feito. Isso persiste com a IA. Persiste com a edição genética. O que muda é a complexidade do contexto em que esse julgamento precisa ser exercido.
Cirurgiões que ignorarem essas tecnologias vão tomar decisões clínicas com informações incompletas. Cirurgiões que as adotarem sem senso crítico vão reproduzir e ampliar seus vieses.
Tecnologias mudam o que é possível. Só o julgamento médico define o que deve ser feito.
A pergunta sobre quem vai ter acesso a essas tecnologias — e quem vai definir os limites — não cabe num post. Texto completo em bittencourt.blog Substack: franciscomdebittencourt.substack.com — links na bio.
“Once men turned their thinking over to machines in the hope that this would set them free. But that only permitted other men with machines to enslave them.”
Frank Herbert, Dune, 1965.
Herbert escreveu isso sessenta e um anos atrás. Não sobre inteligência artificial. Sobre dependência cognitiva.
A frase é de ficção científica, mas o problema é real, presente e mensurável. A ciência cognitiva está começando a confirmar o que a ficção intuiu: quando delegamos o trabalho mental a uma máquina, não ficamos mais livres. Ficamos mais frágeis.
O bisturi e o algoritmo
Sou cirurgião plástico. Na minha especialidade, a habilidade técnica não se adquire lendo sobre ela. Adquire-se repetindo, testando de forma controlada, calibrando a mão sob supervisão e repetindo mais. Milhares de vezes. Até que o gesto se torne sua natureza.
Essa lógica vale para qualquer habilidade clínica. E é exatamente aí que a IA encontra seu ponto cego mais perigoso.
Um estudo publicado no The Lancet Gastroenterology & Hepatology em 2025 acompanhou endoscopistas antes e depois da introdução de uma ferramenta de IA para detecção de adenomas durante colonoscopias. Nos três meses antes da IA, os médicos detectavam adenomas em aproximadamente 28,4% dos pacientes. Depois de três meses usando a IA, quando a ferramenta era retirada aleatoriamente em alguns exames, a taxa de detecção caiu para 22,4%.
Os médicos não ficaram piores porque esqueceram a teoria. Ficaram piores porque pararam de praticar o olhar.
Isso tem nome na ciência cognitiva: skill decay. Quando você terceiriza uma habilidade, ela atrofia. Não importa se você a dominou antes. Sem prática, o desempenho cai. E na medicina, queda de desempenho não é nota baixa na prova. É diagnóstico perdido.
O cérebro que para de trabalhar
O fenômeno não se limita à clínica. Um estudo do MIT Media Lab monitorou a atividade cerebral de 54 participantes via eletroencefalograma enquanto escreviam ensaios. Três grupos: um com acesso ao ChatGPT, outro com busca no Google e um terceiro sem qualquer recurso digital.
O grupo que usou ChatGPT apresentou a menor ativação cerebral em todas as sessões. E essa ativação diminuiu progressivamente ao longo do experimento. Os participantes ficaram cognitivamente mais passivos com o uso repetido. Muitos terminaram copiando e colando respostas sem modificação. Quando pediram que reescrevessem um de seus ensaios anteriores sem acesso à IA, quase nenhum lembrava do conteúdo que havia “produzido”.
Não aprenderam. Não retiveram. Não processaram. Delegaram.
O artigo de Cash, Kelly, Macnamara e Risko publicado este ano na Trends in Cognitive Sciences sintetiza o problema com uma distinção que deveria estar em toda sala de aula de medicina: a diferença entre habilidades e capacidades cognitivas básicas.
Habilidades são aprendidas e mantidas com prática. Se você para de praticá-las, elas declinam. A IA acelera esse declínio quando assume a execução no lugar do profissional. As capacidades cognitivas básicas, como memória de trabalho e atenção seletiva, parecem mais resistentes. Mas “mais resistentes” não significa imunes. E ninguém sabe ainda o que acontece com essas capacidades depois de décadas de delegação cognitiva.
A geração que nunca praticou
Esse risco não é teórico. Já está acontecendo em escala.
Jared Cooney Horvath, neurocientista, declarou em depoimento ao Senado dos Estados Unidos que a Geração Z é a primeira na história moderna a pontuar abaixo da geração anterior em testes padronizados de habilidades cognitivas. Dados do PISA, avaliação internacional com jovens de 15 anos, mostram correlação entre tempo de uso de tela em sala de aula e queda no desempenho em leitura e matemática. Os Estados Unidos investiram mais de 30 bilhões de dólares substituindo livros por laptops. O resultado não foi acesso ao conhecimento. Foi atrofia da capacidade de adquiri-lo.
Outro estudo, publicado na PNAS por Bastani e colaboradores, testou alunos do ensino médio aprendendo um conceito matemático novo com e sem acesso a IA. Os alunos com acesso à IA tiveram desempenho superior durante a prática. Quando a IA foi retirada na avaliação final, esses alunos se saíram pior do que os que nunca tiveram acesso. A IA não os ajudou a aprender. Impediu. Lembram dos endoscopistas?
A exceção veio de um terceiro grupo que usou a IA como tutora, não como resolvedora. Em vez de entregar respostas, o sistema fazia perguntas, identificava lacunas no raciocínio e orientava o estudante a chegar à solução por conta própria. Esse grupo não teve queda de desempenho quando a IA foi retirada. A habilidade se manteve.
A diferença não é usar ou não usar IA. É como se usa.
A coruja no ombro
Christopher Dede, pesquisador de educação em Harvard, formulou uma pergunta que ficou comigo: Inspirado na Atena, a deusa grega da sabedoria, que sempre é representada com uma coruja no ombro. A pergunta que ele faz é a IA pode ser essa coruja para nós e nos ajudar a ficarmos mais inteligentes?
A resposta dele é condicional. E é melhor que a pergunta: a coruja pode ajudar, desde que fique no ombro. O problema começa quando invertemos a posição e nos sentamos no ombro dela.
Karen Thornber, diretora do Bok Center for Teaching and Learning em Harvard, comparou o efeito da IA ao GPS. Quem aprendeu as ruas de uma cidade antes do GPS conhece o mapa. Quem sempre usou GPS conhece a rota, mas não a cidade. Perdeu a orientação quando perde o sinal. A mesma lógica se aplica ao raciocínio clínico: se o médico sempre teve a IA para sugerir o diagnóstico diferencial, o que acontece quando ela falha? Quando o sistema cai? Quando o caso não está nos dados de treinamento?
O que isso muda na minha sala de aula
Ensino Saúde Digital para alunos do oitavo semestre de medicina na UPF. Meus alunos estão a dois anos da residência médica. Vão entrar num sistema que já oferece IA para triagem, para apoio diagnóstico, para interpretação de exames.
A pergunta que me cabe como professor não é se eles devem usar essas ferramentas. Devem. A pergunta é se vão conseguir funcionar sem elas.
Se a formação médica permitir que a IA substitua a prática clínica supervisionada, teremos uma geração de médicos que pensa bem com assistência e mal sem ela. E isso, na medicina, é uma fragilidade inaceitável.
O artigo da Trends in Cognitive Sciences termina com uma lista de perguntas abertas. Uma delas me interessa mais que as outras: existem fases do desenvolvimento em que delegar cognição à IA é particularmente prejudicial?
Não tenho a resposta. Mas tenho uma suspeita forte: a graduação médica é uma dessas fases. É quando se forma o raciocínio clínico, a capacidade de reconhecer padrões, a habilidade de tomar decisões sob incerteza. Se a IA ocupar esse espaço antes que o aluno tenha construído o alicerce, não há ferramenta que substitua o que não foi formado.
Herbert escreveu sobre máquinas que prometiam liberdade e entregaram dependência. Sessenta anos depois, a ciência cognitiva está medindo exatamente isso. A pergunta não é se a IA nos tornará mais burros. É se vamos deixar.
Referências:
Cash, T.N., Kelly, M.O., Macnamara, B.N. & Risko, E.F. (2026).Is AI making us stupid? Trends in Cognitive Sciences.
Budzyń, K. et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy. The Lancet Gastroenterology & Hepatology, 10, 896-903.
Bastani, H. et al. (2025). Generative AI without guardrails can harm learning. PNAS, 122.
Kos’myna, N. (2025). Your Brain on ChatGPT. MIT Media Lab.
Horvath, J.C. (2026). Depoimento ao Senate Committee on Commerce, Science and Transportation.
O que o post-mortem de uma healthtech de R$ 5 milhões me ensinou sobre a minha própria.
Essa semana, li o post-mortem da Centeni.
A startup captou R$ 5 milhões, montou um time vindo da Alice, fechou um conselho médico liderado por um dos maiores nomes em longevidade do Brasil, construiu uma plataforma com médicos e protocolos personalizados. Gerou 4,8 milhões de visualizações orgânicas por mês no Instagram, sendo lançada em março de 2026 e encerrada em julho de 2026.
Devolveu R$ 2,5 milhões aos investidores. Fechou com dignidade.
E enquanto eu lia, reconheci cada passo.
DonnaSafe: a minha versão da mesma história
Sou sócio fundador da DonnaSafe juntamente com Rafael Ribeiro Martini, uma femtech que nasceu em Passo Fundo com uma proposta objetiva: uma plataforma de saúde que começou como aplicativo para gendar consultas médicas e evoluiu para algo bem mais ambicioso.
Adicionamos priorização de atendimento por gravidade clínica. O primeiro caso de uso foi câncer de mama. Depois veio o compartilhamento de exames m’édicos através de inputs por fotografias, armazenados em nuvem, com controle de acesso pela própria paciente. Ela decidia, com um clique, quais médicos podiam ver seus exames e quais não mais. Estávamos em testes para integrar via API com uma rede de laboratórios de análises clínicas que disponibilizaria resultados diretamente na plataforma.
Tudo isso antes das LLMs. Antes do hype de IA generativa. Antes de qualquer ferramenta fazer o que hoje parece trivial.
Apresentamos o MVP para médicos. Funcionava. Bem. Muitos médicos viram o aplicativo e a página web em pleno funcionamento. Os primeiros testes foram nos nossos próprios consultórios.
Todos gostaram da tecnologia.
Todos acharam útil.
Nenhum aderiu.
Fizemos o mesmo com as secretárias, imaginamos que elas seriam nossas promotoras. Elas adoraram. Não conseguiram convencer os médicos a usarem. Apresentamos para a saúde suplementar. Nada.
O muro é o mesmo
Quando li o relato dos fundadores da Centeni, André Leite e Felipe Cabral, o que me chamou atenção não foi a escala. Foi a estrutura do fracasso.
A Centeni operava em São Paulo, com capital de risco, time de primeira linha. A DonnaSafe operava no interior do Rio Grande do Sul, bootstrapped, com consultórios próprios como laboratório. As diferenças são enormes. As conclusões, quase idênticas.
E isso é o que importa. Porque quando dois projetos em escalas tão distintas morrem pelas mesmas razões, o problema não é de execução. É de mercado.
Sete diagnósticos. Todos encaixam.
A Centeni listou sete aprendizados no seu post-mortem. Vou colocá-los lado a lado com o que vivi na DonnaSafe.
1. Interesse não é urgência.
Na Centeni, longevidade gerava engajamento nas redes, mas não vontade de comprar. Na DonnaSafe, médicos reconheciam o valor da ferramenta, mas não sentiam necessidade de mudar um fluxo de trabalho que já funcionava para eles. Nos dois casos, o produto era uma solução para um problema que as pessoas reconheciam intelectualmente, mas não sentiam na pele.
2. Benchmarks não se copiam. Se decodificam.
A Centeni olhou para a Function Health e para a Superpower nos Estados Unidos e assumiu que o modelo funcionaria no Brasil. Não funcionou, porque o que essas empresas vendem não é insight clínico. É acesso a exames num sistema de saúde onde o acesso é caro e difícil. No Brasil, quem tem plano de saúde já tem acesso quase ilimitado a exames. A DonnaSafe não teve esse erro de benchmark internacional, mas cometeu um parecido: supôs que a digitalização do fluxo médico seria valorizada como diferencial, quando o fluxo analógico já atendia a necessidade percebida do médico.
3. Superioridade clínica mora na cabeça do médico, não na do paciente.
A Centeni tentou se posicionar como o lugar confiável, com evidência e sem charlatanismo. Descobriu que o consumidor não distingue boa medicina de medicina mediana. Na DonnaSafe, vivi a versão inversa do mesmo problema: os médicos reconheciam a superioridade técnica da ferramenta, mas os pacientes não pediam por ela e os médicos não visualizavam como a implementação seria útil.
4. O cliente não quer acompanhamento. Quer solução.
Na Centeni, ninguém acordava querendo uma jornada de cuidado contínuo. Queriam emagrecer, dormir melhor, resolver algo concreto. Na DonnaSafe, ninguém acordava querendo um aplicativo para organizar exames ou agendar consultas. Queriam marcar uma consulta e resolver o que estava incomodando, via WhatsApp, ligação. A ferramenta era sofisticada. A dor era simples. Apenas 4 cliques separavam a paciente de uma consulta.
5. Baixa frequência mata retenção.
A Centeni descobriu que saúde preventiva tem frequência baixa demais para sustentar um modelo de assinatura direta ao consumidor. A DonnaSafe esbarrou no mesmo princípio: consultas não são eventos diários, e entre uma consulta e outra, o aplicativo não tinha motivo para existir na tela do celular.
6. Criar categoria é um problema de capital e tempo.
A Centeni tentou criar a categoria “saúde preventiva por assinatura” no Brasil, sem o ecossistema cultural que sustenta esse mercado nos Estados Unidos. A DonnaSafe tentou criar a categoria “gestão digital da saúde feminina” num contexto em que a própria ideia de digitalizar o fluxo médico ainda era estranha para a maioria dos profissionais.
7. Siga o dinheiro que já flui.
A Centeni tentou cobrar out of pocket do consumidor por algo que ele já acessa via plano de saúde ou via SUS. A DonnaSafe oferecia uma ferramenta gratuita para médicos que não precisavam dela para manter seus consultórios funcionando. Nos dois casos, o produto não se encaixava num fluxo de capital existente. Tentava abrir um bolso novo. No sistema de saúde brasileiro, isso é quase impossível.
O que isso significa
Não estou dizendo que essas ideias eram ruins. Eram boas. Nos dois casos, o produto funcionava, resolvia algo real e tinha mérito clínico.
Mas produto bom não é sinônimo de negócio viável.
A Centeni formulou isso com clareza: “Perdemos convicção no wedge, não na visão.” Concordo. A saúde será cada vez mais digital, mais personalizada, mais orientada por dados. Isso não está em questão.
O que está em questão é o caminho de entrada.
No Brasil, o sistema de saúde é complexo, fragmentado e profundamente inercial. Criar demanda onde não existe dor percebida é caro. Mudar fluxo de trabalho consolidado é lento. Cobrar por algo que o mercado espera receber de graça (ou via convênio) é quase inviável.
E tem algo que a Centeni mencionou de passagem, mas que para mim é central: honestidade intelectual. Saber quando parar. Saber que continuar por orgulho ou por teimosia não é resiliência. É desperdício.
A DonnaSafe me ensinou isso antes que eu tivesse vocabulário para nomear. A Centeni colocou em palavras o que eu vivi na prática.
Para quem está construindo
Se você está montando uma healthtech no Brasil, leia o post-mortem da Centeni. É um dos relatos mais honestos e bem escritos que já vi sobre o tema. O link está nas referências.
E leve com você pelo menos isso: a pergunta certa não é “meu produto resolve um problema?” — é “alguém sente esse problema o suficiente para mudar o que já faz?”
Se a resposta for “todos acham interessante, mas ninguém muda de comportamento”, você tem um produto interessante. Não tem um negócio.
—
Referência: “Startup post mortem: Centeni”, por Felipe Cabral e André Leite, publicado na newsletter Leite de Cabra em 16 de julho de 2026.*
Em junho de 2026, a Medical Protection Society(MPS) publicou o relatório Closing the AI Liability Gap. A MPS é a maior organização de defesa profissional médica do mundo, com mais de 300 mil membros. O documento é direto: quando uma ferramenta de inteligência artificial erra na clínica, quem absorve toda a responsabilidade legal é o médico. Não a empresa. Não o fabricante. O médico.
O problema não é hipotético. O relatório traz dois casos. No primeiro, um sistema de IA recomenda aumento de dose de warfarina para uma paciente com fibrilação atrial. O clínico geral segue a recomendação. Uma semana depois, a paciente é internada com hemorragia gastrointestinal grave e INR fora da faixa. No segundo, um algoritmo analisa uma radiografia de tórax e não sinaliza nenhuma anormalidade. O radiologista, influenciado pela leitura da IA, confirma o laudo. Seis meses depois, o paciente descobre um carcinoma pulmonar com metástases ósseas. Nos dois casos, a IA errou. Nos dois, o médico seria o alvo do processo.
Enquanto isso, a adoção acelera. O NHS já usa IA para analisar exames de imagem, gerar resumos de consultas e redigir correspondência com pacientes. São ferramentas que moldam o raciocínio clínico e os registros médicos sem assumir responsabilidade autônoma pelos resultados.
O Dr. Ragit Varia, presidente eleito da Society for Acute Medicine, colocou a questão nos termos certos na matéria do The Guardian sobre o relatório: se a IA avança em velocidade de Fórmula 1, legislação e governança não podem ficar paradas nos boxes. Varia alertou para o risco de um vácuo de responsabilidade, onde ninguém responde de forma clara quando o paciente é prejudicado. Os médicos, disse ele, não podem ficar segurando sozinhos uma responsabilidade que foi influenciada por sistemas desenvolvidos, fornecidos e implementados por terceiros.
Uma ferramenta de IA processa dados e gera recomendações. Não pondera contexto. Não sente a hesitação diante de um dado que não fecha. Não olha o paciente nos olhos. Quem faz isso é o médico. E é ele quem carrega a conta quando o sistema falha.
O que o relatório da MPS denuncia é simples: a empresa entrega um produto e o julgamento clínico do médico vira escudo legal para todo mundo. Se o médico segue a recomendação da IA e o resultado é ruim, pode ser processado por negligência. Se rejeita a recomendação e o desfecho é desfavorável, também pode ser processado. Por não ter seguido a ferramenta.
E tem o que acontece antes do erro virar processo.
Modelos de linguagem alucinam. Isso não é defeito eventual. É característica estrutural. Uma revisão sistemática publicada em junho de 2026 no BMC Health Services Research analisou 44 estudos sobre alucinações de IA em contextos clínicos. A conclusão: nenhuma estratégia isolada é suficiente para eliminá-las. Esses modelos inventam referências médicas, fabricam interações medicamentosas, geram notas clínicas com informações que nunca existiram. E fazem tudo isso com a aparência de certeza.
Além de alucinar, muitos desses sistemas operam como caixas-pretas. O médico recebe uma recomendação sem saber como ela foi gerada, com quais dados foi treinada, quais vieses carrega. Na prática, o profissional confia no resultado de um processo que não pode auditar. Quando esse resultado causa dano, a responsabilidade é dele.
O Health Foundation, um dos principais think tanks de saúde do Reino Unido, trouxe outra dimensão ao debate: a confiança pública na IA clínica depende da governança que a acompanha, não só da tecnologia em si. Sem responsabilização clara, essa confiança pode se erodir mais rápido do que as ferramentas são implementadas.
A pergunta que o relatório da MPS coloca para o Reino Unido, o Brasil já começou a responder. Em fevereiro de 2026, o Conselho Federal de Medicina publicou a Resolução nº 2.454/2026, primeiro marco regulatório específico para o uso de IA na medicina brasileira. A norma classifica sistemas de IA por grau de risco, exige transparência e supervisão humana obrigatória, e protege o médico quando houver falha exclusiva do sistema, desde que ele tenha atuado com diligência e senso crítico.
É um avanço, mas não resolve tudo.
A Resolução do CFM mantém a decisão final como responsabilidade do médico. Correto. Ninguém quer delegar autonomia clínica a um algoritmo. O que o texto não faz é obrigar as empresas desenvolvedoras a responder juridicamente quando seus modelos geram dados incorretos. A nova Diretiva de Responsabilidade por Produtos da União Europeia, que entra em vigor em dezembro de 2026, vai mais longe: classifica software de IA como produto, amplia a cadeia de responsáveis e inverte o ônus da prova em casos de complexidade técnica. É o tipo de regulação que ainda falta no Brasil. E que a MPS cobra do Reino Unido.
A IA já está transformando a medicina. Isso é fato, mas transformação sem responsabilização é transferência de risco. As empresas que desenvolvem essas ferramentas lucram com a adoção clínica dos seus produtos. Quando esses produtos falham com dados de saúde, a conta não pode cair só no médico que confiou na ferramenta que lhe foi vendida como segura.
O julgamento clínico continua sendo do médico. Ninguém contesta. Agora a ferramenta tem dono. E esse dono precisa responder quando ela falha.
O relatório inaugural da ARISE — rede de pesquisa liderada por Stanford e Harvard — chegou com um dado que deveria incomodar qualquer médico que acompanha inteligência artificial: mais de 80% dos líderes de saúde pesquisados pela McKinsey já colocaram ao menos um caso de uso de IA generativa em produção. Metade fez isso há mais de seis meses.
A medicina está adotando IA no dobro da velocidade da economia geral.
A pergunta que o relatório faz não é se isso é bom ou ruim. É mais incômoda: essa velocidade tem lastro em evidência de resultado clínico?
Por enquanto, não.
No estudo publicado na Science pelo grupo ARISE, o modelo Open AI o1-preview superou médicos em raciocínio clínico e manejo em seis experimentos diferentes. Avaliadores cegos não conseguiram distinguir diagnósticos gerados pela IA de diagnósticos humanos em mais de 83% dos casos. A IA acumulou capacidade de sobra. O que não acumulou foi prova de que isso chega ao paciente.
No MASAI — 105 mil mulheres, randomizado, controlado —, mamografia com IA detectou maior número de cânceres sem aumentar falsos positivos. Resultado traduzido em benefício clínico real. Já o TRICORDER, em 205 clínicas do NHS britânico, mostrou o lado oposto: um estetoscópio com IA tinha desempenho algorítmico promissor para detectar insuficiência cardíaca, fibrilação atrial e doença valvar. Em tese, funcionava. Na prática, a adoção pelos clínicos foi desigual, e o ensaio não melhorou a detecção de insuficiência cardíaca na população.
O modelo era capaz. O sistema não estava pronto.
Essa dissociação entre desempenho e desfecho atravessa o relatório inteiro. O dado mais revelador vem do NOHARM, um benchmark construído especificamente para medir dano clínico — não acurácia. Mesmo os melhores modelos produziram recomendações com potencial de dano grave em 1 a cada 14 consultas.
O ponto que quase ninguém discute: mais de 80% dos erros graves foram de omissão. Não alucinações. Não invenções. Silêncio.
O modelo não disse algo errado. Deixou de dizer algo necessário.
Isso muda completamente o modo como devemos avaliar IA clínica. Alucinação é visível — alguém pode flagrar. Omissão é invisível. Só aparece quando um clínico já sabe o que deveria estar ali.
Quando o clínico interage com a IA, a coisa complica. Em um estudo randomizado controlado com 1.298 participantes, os modelos acertaram o diagnóstico em 94,9% dos casos quando testados sozinhos. Quando pacientes reais interagiram com esses mesmos modelos, a acurácia caiu para menos de 34,5% — igual a não usar IA nenhuma.
Em Nairóbi, clínicos usando uma ferramenta de suporte à decisão baseada em LLM seguiram recomendações prejudiciais com o dobro da chance de seguirem as benéficas.
A colaboração humano-IA é o próximo problema real. Talvez o mais difícil.
Uma meta-análise de 2024 com 106 experimentos mostrou que a combinação humano-IA teve desempenho inferior ao melhor desempenho isolado — humano ou IA — na maioria dos casos. Uma revisão de 2025 específica para saúde encontrou que adicionar IA ao médico quase sempre melhora o médico. Mas adicionar o médico à IA, na maioria dos casos, não melhora a IA.
Michel Foucault, filósofo e historiador francês, descreveu em O Nascimento da Clínica como o regard médical — o olhar clínico — não é apenas observação. É interpretação ativa, moldada por contexto, experiência e poder. A IA tem observação. Não tem regard. Quando entra no fluxo de trabalho de um clínico sem regard suficiente, os dois se enfraquecem mutuamente.
Tem outro risco que o relatório nomeia com precisão: never-skilling. Estudantes que usaram IA generativa completaram tarefas com 48% mais sucesso. Quando a IA foi retirada, tiveram desempenho 17% pior do que quem nunca usou. Não perderam uma habilidade. Nunca a desenvolveram.
Para quem ensina medicina — e eu ensino Saúde Digital na UPF —, esse é o desafio pedagógico da década: integrar IA sem erodir as competências que ela deveria complementar.
O relatório da ARISE não é pessimista. É rigoroso. Reconhece que a IA já passou em múltiplos benchmarks médicos, que mamografia com IA salvou vidas mensuravelmente, que assistentes de transcrição clínica de IA aliviaram burnout. Mas insiste — com dados — que capacidade não é o mesmo que capacidade implementada. E que segurança precisa ser medida como dimensão própria, não como subproduto de acurácia.
A questão não é se a IA é boa o suficiente. É se o sistema ao redor dela — governança, validação local, monitoramento pós-implantação, design de workflow, formação do clínico — é bom o suficiente para que ela entregue o que promete.
Esse é o trabalho real. Mal começou.
Referência: Perez, A. et al. (2026). The 2026 Healthcare AI Industry Report. ARISE, Stanford, CA. Disponível em arise-ai.org
A IA não te corrige. Te elogia. E você acha que pensou. Um estudo publicado na Science por pesquisadores de Stanford avaliou 11 modelos de linguagem diante de dilemas interpessoais. Os modelos concordaram com o usuário 49% mais do que humanos fariam. Mesmo quando o comportamento descrito era prejudicial ou ilegal, validaram a conduta quase metade das vezes. O nome técnico é sycophancy. Bajulação algorítmica. Acontece porque modelos são treinados com feedback humano — e humanos dão nota mais alta para respostas que os agradam. O sistema aprende que concordar gera recompensa. Não é uma falha. É uma consequência do design. O mais preocupante não é que os modelos bajulam. É que os usuários não percebem. No mesmo estudo, os participantes avaliaram IAs sycophantic e não-sycophantic como igualmente objetivas. Mas saíram da conversa com o modelo bajulador mais convictos de que estavam certos — e menos dispostos a reconsiderar. O relatório “AI in the Wild 2026” da Harvard Business Review deu nome ao passo seguinte: thinkslop. Pensamento raso que emerge quando delegamos raciocínio à IA sem critério. Um quarto dos principais casos de uso de IA hoje envolve pedir ao modelo que pense por nós. Aristóteles distinguia episteme — conhecimento demonstrável — de doxa, mera opinião. A sycophancy transforma doxa em episteme aparente. Você acha que sabe. Mas só recebeu de volta o que já pensava, embalado em linguagem acadêmica. Na decisão clínica, isso é perigoso em um nível que outras áreas não alcançam. Um médico que pede à IA para revisar um diagnóstico diferencial e recebe validação em vez de confronto pode parar de investigar cedo demais. A hipótese mais provável vira certeza prematura — não porque a evidência sustenta, mas porque o modelo concordou. Em medicina, a dúvida sustentada salva vidas. A bajulação algorítmica a elimina. Pacientes podem chegar ao consultório com autodiagnósticos validados por IA. Estudantes aceitam respostas de modelos sem confrontar com a literatura. Profissionais param de refinar raciocínios porque o modelo disse que estava bom. A solução não é parar de usar IA. É mudar o que se pede a ela. Não peça validação. Peça confronto. Não peça que complete seu raciocínio. Peça que o desmonte. A IA mais útil é a que encontra a falha — não a que aplaude. Texto completo em bittencourt.blog — link na bio.
Existe uma diferença entre monitorar saúde e compreendê-la. A Midjourney acaba de anunciar que vai escalar o primeiro. O segundo ainda depende de nós.
A empresa conhecida por democratizar a geração de imagens com IA anunciou esta semana sua entrada na saúde. O Midjourney Medical é um scanner ultrassônico de corpo inteiro — 60 segundos, sem radiação, sem preparo clínico — integrado a uma rede de spas. A primeira abre em São Francisco em 2027.
A ideia é que exames de imagem virem rotina. Como academia. Como sauna.
Há algo de genuinamente revolucionário aqui. E algo que merece ser lido com cuidado.
O que está sendo proposto não é diagnóstico. É coleta de dados em escala. A Midjourney não quer substituir radiologistas — quer produzir terabytes de dados corporais por segundo, de populações inteiras e deixar médicos, nutricionistas, coaches e IAs interpretarem o que encontrarem.
Aristóteles diferenciava episteme — o conhecimento científico, demonstrável — de empeiria, a experiência acumulada sem teoria. A medicina moderna construiu sua legitimidade sobre a episteme. O que a Midjourney propõe é escalar a empeiria até ela virar epidemiologia.
Michel Foucault, filósofo e historiador francês, professor do Collège de France, descreveu o surgimento da clínica moderna como um regard médical — um olhar que aprendeu a organizar o visível para produzir conhecimento. A Midjourney quer industrializar esse olhar.
Escalar a observação sem escalar a interpretação cria um problema específico: o achado incidental massificado — nódulos, assimetrias, variações anatômicas encontradas em milhões de pessoas assintomáticas que foram à spa numa quinta-feira.
Essa é a questão clínica que o anúncio não responde.
Isso não invalida o movimento. Invalida a ingenuidade de achar que imagem, sozinha, resolve saúde.
O que a Midjourney está construindo pode ser o ponto de partida de uma medicina preditiva real — se a interpretação clínica, a ética e a regulação acompanharem o ritmo da engenharia.
Esse acompanhamento não vai vir de startups de saúde.
Surgirão médicos que entendem o que está acontecendo.
Muito Além do Estetoscópio: a fusão entre saúde e tecnologias 