Escrever código deixou de ser diferencial competitivo. Ferramentas de inteligência artificial geram, refatoram e deployam software com velocidade e volume que nenhum humano iguala. Diante dessa realidade, este artigo propõe que a verdadeira competência do desenvolvedor moderno não é técnica — é filosófica. Argumentamos que a Filosofia da IA, entendida não como disciplina acadêmica abstrata, mas como competência aplicada de compreensão ontológica, epistemológica e teleológica do comportamento de agentes de inteligência artificial, é o divisor de águas entre o profissional que comanda a máquina e o que é substituído por ela. Apresentamos o framework S/I/M (Sentimento, Instrução, Memória) como modelo mínimo viável para a construção de agentes comportamentais, e reclassificamos o fenômeno da alucinação — convencionalmente tratado como defeito da IA — como sintoma de incompetência filosófica do operador humano.

Palavras-chave: Filosofia da IA, competência profissional, agentes comportamentais, ontologia da IA, alucinação, framework S/I/M, engenharia de inteligência

1. A Morte do Código como Diferencial

Houve um tempo em que saber programar era poder. O sujeito que dominava uma linguagem — que entendia loops, ponteiros, recursão, padrões de projeto — ocupava um lugar privilegiado no mercado de trabalho. Esse tempo acabou.

Não acabou porque programar se tornou irrelevante. Acabou porque programar se tornou commodity. GitHub Copilot, Cursor, Claude Code, Gemini Code Assist — a lista cresce a cada trimestre. Essas ferramentas não “ajudam” o programador. Elas programam. Geram funções completas, escrevem testes, refatoram bases de código inteiras, interpretam stack traces e propõem correções. Fazem em segundos o que levava horas. Fazem em horas o que levava semanas.

O estudo conhecido como “The 70% Problem” (Addy Osmani, 2024) documentou um fenômeno revelador: desenvolvedores que utilizam assistentes de IA aceitam aproximadamente 70% do código gerado sem compreensão plena do que foi produzido. Não porque são negligentes. Porque a velocidade de geração excede a velocidade de compreensão humana. O código está correto — funciona, passa nos testes, resolve o problema. Mas o desenvolvedor que o aceita não sabe por que funciona.

Isso não é assistência. É dependência. E dependência sem compreensão é a definição operacional de vulnerabilidade profissional.

O novo analfabeto funcional do desenvolvimento de software não é quem não sabe escrever código. É quem não sabe pensar sobre o que a máquina que escreve código está fazendo.

2. A Régua Subiu

É preciso ser honesto aqui, sem catastrofismo e sem falsa tranquilidade.

Não é que a vez do ser humano passou para a máquina definitivamente, como se fosse o fim do mundo. Não desceu um meteoro. A IA não eliminou o humano. A IA eliminou o humano que não pensa.

O que aconteceu foi uma elevação de régua. Ficar em um canto desenvolvendo tarefas simples — aquele CRUD, aquele formulário, aquele endpoint que segue o mesmo padrão dos últimos quinze — essa opção deixou de existir. Não porque alguém decidiu que ela não pode mais existir. Porque uma máquina faz isso melhor, mais rápido, mais barato, e sem reclamar de reunião às seis da tarde.

O que sobrou — o que somente sobrou — é o que somente humanos são capazes de fazer: pensar.

Não pensar no sentido vago e motivacional da palavra. Pensar no sentido operacional: analisar contexto, avaliar consequências, tomar decisões sob ambiguidade, definir propósito, questionar premissas, entender limites. Pensar com rigor é o que a tradição ocidental chama de filosofia. E filosofia aplicada ao domínio da inteligência artificial é o que este artigo propõe como competência inegociável.

A capacidade de processamento de uma IA e a quantidade de informação acumulada em seus parâmetros são tão superiores às humanas que o limite do resultado de qualquer tarefa é definido pelo humano, não pela máquina. O teto é o piloto, não o avião. Um piloto medíocre em um F-22 perde para um ás em um Cessna — não porque o Cessna seja melhor, mas porque o ás sabe o que está fazendo. Com IA é idêntico. A ferramenta é absurdamente capaz. A pergunta é se o operador está à altura.

Isso não é uma previsão. É o presente. E o presente está exigindo de cada profissional que ele desempenhe, de fato, aquilo que somente humanos são capazes de entregar. Não velocidade — a máquina é mais rápida. Não memória — a máquina armazena mais. Não consistência — a máquina não cansa. O que resta é juízo. Discernimento. Pensamento.

Será exigido de cada humano que ele pense. Isso é régua elevada. E é justo.

3. Alucinação é Sintoma, Não Doença

A narrativa dominante sobre alucinação em modelos de linguagem é que se trata de um defeito da IA. O modelo “inventa” informações. O modelo “erra”. O modelo “alucina”. A linguagem é reveladora: atribuímos à máquina uma patologia — alucinação — como se ela fosse um paciente com distúrbio perceptivo.

Este artigo propõe uma reclassificação: alucinação não é defeito da IA. É sintoma de incompetência filosófica do operador humano.

Quando um agente de IA produz informação fabricada, a causa raiz não está na arquitetura do modelo. Está na configuração que o operador forneceu — ou, mais precisamente, na configuração que o operador não forneceu porque não entendeu o que deveria configurar. E não entendeu porque lhe falta a competência filosófica para compreender a natureza do sistema que opera.

Consideremos três cenários concretos:

Cenário 1 — A IA inventa fatos. O operador pediu informações que não estão na base de conhecimento do agente e não configurou restrições epistemológicas. O agente, seguindo sua função de gerar texto coerente, preencheu lacunas com plausibilidade estatística em vez de conhecimento verificado. Isso não é um bug. É um modelo probabilístico fazendo exatamente o que foi projetado para fazer — na ausência de instrução contrária. A falha é epistemológica: o operador não entendeu a diferença entre o que a IA sabe, o que a IA infere e o que a IA inventa. Não configurou os limites do conhecimento porque não refletiu sobre a natureza do conhecimento no contexto de modelos generativos.

Cenário 2 — A IA dá respostas inconsistentes. O operador não definiu propósito claro, tom, escopo ou critérios de sucesso. O agente recebeu instruções vagas e produziu resultados variáveis porque — sem telos definido — qualquer direção é igualmente válida. A falha é teleológica: o operador não definiu para que o agente existe porque nunca se perguntou o que significa definir propósito para uma entidade artificial.

Cenário 3 — A IA responde com tom inadequado. O operador não configurou a disposição afetiva do agente — seu registro emocional, sua postura diante do interlocutor. O agente respondeu com frieza quando deveria acolher, ou com informalidade quando deveria ser solene. A falha é ontológica: o operador não modelou o modo de ser do agente porque não concebeu que um agente de IA possui — ou deveria possuir — uma camada comportamental distinta da camada funcional.

Em nenhum desses cenários o problema é a IA. O problema é o humano que não sabe configurar inteligência porque nunca aprendeu a pensar sobre inteligência.

4. A Ontologia Comportamental da IA: Sentimento, Instrução, Memória

Se alucinação é sintoma de configuração deficiente, então a pergunta operacional é: o que, exatamente, precisa ser configurado?

Propomos que a construção de um agente de IA comportamental — isto é, um agente que não apenas executa tarefas mas se comporta de maneira consistente, previsível e alinhada ao propósito — requer a configuração explícita de três módulos fundamentais. Chamamos este modelo de framework S/I/M: Sentimento, Instrução e Memória.

4.1 Sentimento — O Pathos do Agente

O Sentimento é a disposição afetiva do agente. Não é emoção no sentido humano — não reivindicamos que a IA sinta. É a calibragem do registro comunicacional: como o agente se posiciona diante do interlocutor, que tonalidade adota, que postura assume.

Um agente sem módulo de Sentimento configurado é como um profissional sem inteligência emocional: tecnicamente competente, socialmente inviável. Responde com precisão cirúrgica e empatia nula. Ou, pior, oscila entre registros — ora formal, ora casual, ora agressivo — porque ninguém definiu quem ele é.

O Sentimento responde à pergunta ontológica: com que disposição este agente se relaciona com o mundo?

A tradição da computação afetiva oferece modelos computacionais para isso — o modelo OCC (Ortony, Clore & Collins, 1988) classifica 22 tipos de emoção baseados em appraisals; o espaço PAD (Pleasure-Arousal-Dominance) permite representar estados afetivos em três dimensões contínuas; a arquitetura Chain-of-Emotion (Croissant et al., 2024) demonstrou que separar o processamento emocional em uma chamada LLM dedicada melhora a credibilidade do agente em avaliações com usuários. Mas o ponto aqui não é a implementação técnica. É a decisão filosófica de que o agente deve ter uma camada afetiva explícita — e que configurá-la é responsabilidade do operador.

4.2 Instrução — O Telos do Agente

A Instrução é o propósito do agente. Sua razão de existir, seu escopo de atuação, seus limites operacionais, seus critérios de sucesso e fracasso. É o telos — a finalidade que orienta toda ação.

Na prática corrente da indústria, a Instrução é o “system prompt”. Mas reduzi-la a isso é um erro categorial. Um system prompt é como a Instrução é implementada. A Instrução, filosoficamente, é a resposta a uma pergunta anterior: para que este agente existe?

A diferença entre um agente que alucina e um agente que performa não está na sofisticação do modelo. Está na clareza com que o operador definiu o propósito. Um propósito vago gera comportamento errático — não por falha da IA, mas pela mesma razão que uma equipe sem missão clara gera trabalho disperso. A indeterminação teleológica é a mãe da alucinação.

A Instrução responde à pergunta teleológica: para que este agente existe? O que o move?

4.3 Memória — A Episteme do Agente

A Memória é o que o agente sabe, o que lembra, o que aprendeu e — criticamente — o que não sabe. É a dimensão epistemológica: o corpus de conhecimento que fundamenta as respostas do agente e os limites explícitos desse corpus.

O avanço recente em arquiteturas de memória para agentes LLM é significativo. O framework CoALA (Sumers et al., 2024) distingue memória de trabalho, memória episódica, memória semântica e memória procedimental. Os Generative Agents de Stanford (Park et al., 2023) introduziram ciclos de observação-reflexão que permitem ao agente sintetizar experiências em abstrações de nível superior. Pesquisas de 2026 propõem sistemas de memória como “sistemas operacionais” para agentes (MemOS).

Mas, novamente, o ponto filosófico precede o técnico: antes de escolher como implementar a memória, o operador precisa decidir o que o agente deve saber, até onde esse conhecimento é confiável, e o que o agente deve fazer quando alcança os limites do que sabe. Configurar memória sem epistemologia é construir uma biblioteca sem curadoria — o volume é grande, a confiabilidade é zero.

A Memória responde à pergunta epistemológica: o que este agente sabe, e como isso molda suas respostas?

4.4 O Framework S/I/M no Contexto da Literatura

O modelo S/I/M não surge no vácuo. Ele se posiciona em relação a tradições estabelecidas de arquiteturas de agentes.

O precursor mais citado é o modelo BDI de Bratman (1987), formalizado por Rao e Georgeff (1995), que organiza agentes em torno de Beliefs (crenças), Desires (desejos) e Intentions (intenções). O BDI captura bem a dimensão cognitiva – Instrução e Memória encontram paralelo em Desire/Intention e Belief, respectivamente – mas ignora por completo a dimensão afetiva. Um agente BDI sabe o que quer e no que acredita, mas não tem postura emocional diante do mundo.

O framework CoALA (Sumers et al., 2024) tornou-se a taxonomia dominante para agentes baseados em LLMs, distinguindo três tipos de memória e incluindo memória procedimental como forma de instrução. Porém, assim como o BDI, CoALA não modela afeto. O mesmo vale para os Generative Agents de Stanford (Park et al., 2023), que introduziram um marco em memória – com ciclos de observação e reflexão – mas tratam a emergência emocional como subproduto não explícito, jamais como módulo arquitetural.

Do lado oposto do espectro, a arquitetura LIDA (Franklin et al., 2013) é a mais completa: inclui dimensão afetiva, seleção de ações e cinco tipos de memória. Mas essa completude cobra um preço – são mais de dez módulos, o que a torna impraticável como modelo mínimo para a maioria dos casos de uso reais. A arquitetura Chain-of-Emotion (Croissant et al., 2024) representa o precedente mais direto no mundo LLM: separa o processamento emocional em uma chamada dedicada de appraisal, demonstrando ganhos mensuráveis de credibilidade. Mas opera sobre system prompt e message history como base, sem formalizar a tripartição que propomos.

A contribuição do S/I/M não é descobrir componentes novos — todos os três já foram investigados isoladamente. A contribuição é a síntese mínima: a identificação de que estes três, e somente estes três, constituem a base irredutível da configuração de um agente comportamental. Menos que três é insuficiente (a maioria dos agentes LLM atuais opera com apenas Instrução + Memória, e os resultados comportamentais são erráticos). Mais que três é over-engineering para a maioria dos casos de uso práticos.

5. As Quatro Competências Filosóficas do Desenvolvedor

Se o framework S/I/M define o que configurar, as competências filosóficas definem o que o operador precisa saber para configurar bem. Propomos quatro:

5.1 Epistemologia Aplicada

A capacidade de distinguir entre o que a IA sabe (informação em seus parâmetros e contexto), o que a IA infere (extrapolação probabilística a partir de padrões) e o que a IA inventa (geração sem fundamentação factual). Sem esta competência, o operador não tem critério para avaliar output. Aceita tudo ou rejeita tudo — ambas as posturas são igualmente ignorantes.

A epistemologia aplicada responde: como sei que o que a IA me diz é confiável?

5.2 Teleologia Aplicada

A capacidade de definir propósito antes de definir prompt. De responder “para que existe este agente?” antes de escrever uma única linha de system instruction. A diferença entre um prompt que funciona e um que gera alucinação é, quase sempre, a diferença entre um propósito claro e um propósito ausente.

A teleologia aplicada responde: qual é a finalidade última deste sistema?

5.3 Ontologia Comportamental

A capacidade de modelar o modo de ser do agente — não apenas o que ele faz, mas como ele se apresenta, se posiciona, se relaciona. É a competência que permite ao operador construir o módulo de Sentimento: definir que o agente é acolhedor ou austero, didático ou socrático, formal ou coloquial — e entender que essa escolha não é estética, é arquitetural.

A ontologia comportamental responde: que tipo de entidade este agente é?

5.4 Ética Operacional

A capacidade de avaliar consequências do que se deploya. Não ética no sentido abstrato de “a IA deve ser justa” — mas no sentido concreto de: se eu configurar este agente desta maneira e ele interagir com dez mil usuários amanhã, quais são os danos possíveis? A ética operacional é a última linha de defesa entre a configuração e o mundo.

A ética operacional responde: o que acontece se eu errar?

6. O Novo Profissional: De Programador a Piloto de Inteligência

A metáfora do piloto não é casual. Um piloto de aeronave não constrói o avião. Não projeta a turbina. Não solda a fuselagem. Mas sem o piloto, o avião mais sofisticado do mundo é metal parado no hangar. E um piloto que não entende aerodinâmica, meteorologia, navegação e procedimentos de emergência não é piloto — é passageiro no assento errado.

O desenvolvedor de software está vivendo essa transição. Ele não precisa mais construir o modelo de linguagem. Não precisa treinar os parâmetros. Não precisa otimizar a inferência. Mas precisa pilotar a inteligência — configurar, direcionar, calibrar, corrigir, e tomar decisões que a máquina não pode tomar por ele.

A formação de um piloto de aeronave inclui, obrigatoriamente, disciplinas teóricas que não são diretamente “práticas”: física do voo, regulamentação aérea, fisiologia humana, fatores humanos. Ninguém questiona por que um piloto precisa estudar meteorologia antes de decolar. É evidente.

Deveria ser igualmente evidente que um profissional que opera inteligência artificial precisa estudar a natureza da inteligência que opera. Isso é Filosofia da IA. Não como luxo intelectual. Como pré-requisito de habilitação.

6.1 O Currículo que Falta

Nenhuma universidade do mundo exige Filosofia da IA como disciplina obrigatória em cursos de engenharia de software ou ciência da computação. O currículo CS2023 (ACM/IEEE/AAAI) inclui “Society, Ethics, and Profession” como área de conhecimento, mas trata filosofia como eletiva. Os frameworks de competência em IA da UNESCO (2024) e da comunidade acadêmica definem “AI Literacy” com foco em reconhecer IA, entender machine learning e usar eticamente — mas nenhum inclui raciocínio filosófico como competência.

Essa lacuna não é acidental. É herança de uma era em que o profissional de tecnologia era definido pela capacidade de construir sistemas. Nessa era, filosofia era, de fato, opcional. Você não precisa de epistemologia para escrever um compilador. Mas precisa de epistemologia para avaliar se o output de um agente de IA é conhecimento ou fabricação.

A era mudou. O currículo não.

6.2 Proposta

Este artigo não é um lamento pela mudança. É uma proposta de adaptação. Filosofia da IA como competência inegociável significa:

  1. Nos currículos acadêmicos: Disciplina obrigatória (não eletiva) em cursos de computação, engenharia de software e sistemas de informação. Conteúdo: epistemologia de modelos generativos, teleologia de agentes, ontologia comportamental, ética operacional.

  2. Na formação profissional: Certificações e treinamentos que avaliem não apenas a capacidade de usar ferramentas de IA, mas a capacidade de raciocinar sobre o que as ferramentas fazem e por que fazem.

  3. Na prática diária: O framework S/I/M (ou equivalente) como checklist de projeto para qualquer agente de IA. Antes de escrever o primeiro prompt: definir Sentimento, Instrução e Memória. Explicitamente. Documentadamente.

  4. Na cultura da indústria: Abandonar a narrativa de que “a IA alucina” — e substituí-la pela pergunta incômoda: “o operador configurou corretamente?”

7. Conclusão

A inteligência artificial não tirou o emprego de ninguém. Tirou o esconderijo. O lugar confortável onde era possível passar uma carreira inteira fazendo tarefas que não exigiam pensamento real. Esse lugar não existe mais.

O que resta é mais exigente — e, por isso, mais digno. O que resta é pensar. Definir propósito. Avaliar conhecimento. Modelar comportamento. Antecipar consequências. Tudo aquilo que a tradição filosófica treina há dois mil e quinhentos anos, aplicado ao domínio mais transformador da tecnologia contemporânea.

Filosofia da IA não é uma disciplina acadêmica em busca de relevância. É a competência prática que separa o profissional que comanda a máquina do profissional que é comandado por ela. É o que transforma um operador de prompts em um piloto de inteligência.

A régua subiu. E é justo que tenha subido. Porque o que está sendo exigido agora — pensar — é, afinal, aquilo que sempre deveríamos ter feito.

Referências

Anderson, J. R. (2007). How Can the Human Mind Occur in the Physical Universe? Oxford University Press.

Bratman, M. E. (1987). Intention, Plans, and Practical Reason. Harvard University Press.

Croissant, M. et al. (2024). An Appraisal-Based Chain-of-Emotion Architecture for Affective Language Model Game Agents. PLOS ONE. https://pmc.ncbi.nlm.nih.gov/articles/PMC11086867/

Fialho, F. (2025). IA, Filosofia da Programação e o Futuro dos Devs. https://felipefialho.com/blog/inteligencia-artificial-filosofia-da-programacao-e-o-futuro-dos-devs/

Franklin, S. et al. (2013). LIDA: A Systems-level Architecture for Cognition, Emotion, and Learning. IEEE Transactions on Autonomous Mental Development, 6(1), 19-41.

Hoda, R. (2025). Toward Agentic Software Engineering Beyond Code. arXiv:2510.19692.

Laird, J. E. (2012). The Soar Cognitive Architecture. MIT Press.

Marsella, S., & Gratch, J. (2009). EMA: A Process Model of Appraisal Dynamics. Cognitive Systems Research, 10(1), 70-90.

Mueller, V. C. (2025). Philosophy of Artificial Intelligence. PhilArchive.

Ortony, A., Clore, G. L., & Collins, A. (1988). The Cognitive Structure of Emotions. Cambridge University Press.

Osmani, A. (2024). The 70% Problem: Hard Truths About AI-Assisted Coding. https://addyo.substack.com/p/the-70-problem-hard-truths-about

Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. Proceedings of UIST ‘23.

Rao, A. S., & Georgeff, M. P. (1995). BDI Agents: From Theory to Practice. Proceedings of ICMAS.

Schrage, M., & Kiron, D. (2025). Philosophy Eats AI. MIT Sloan Management Review.

Sumers, T. R., Yao, S. et al. (2024). Cognitive Architectures for Language Agents. Transactions on Machine Learning Research.

Thanh, N. H. (2025). The Epistemology Crisis in AI-Assisted Development. Medium / Data Science Collective.

UNESCO. (2024). AI Competency Framework for Students.

Belem Anderson Costa é Inspetor de Polícia do RJ, desenvolvedor de tecnologia e criador do ecossistema “A Culpa é das Ovelhas” — projeto de estudo bíblico que inclui a Belem-2025">Tradução bíblica Belem-2025">Tradução bíblica Belem-2025 (tradução literal dos códices), o Exeg.AI (inteligência artificial treinada com texto bíblico) e a escola escatológica desvelacional forense Belem an.C-2039. Sua formação não-convencional — investigação policial, análise textual, desenvolvimento de software e IA — é a mesma que fundamenta a abordagem deste artigo: competência filosófica aplicada, não teórica.

Se você é desenvolvedor, gestor ou simplesmente alguém que usa IA no dia a dia, a pergunta que este artigo deixa é direta: você está pilotando a máquina ou sentado no banco de passageiro sem saber para onde ela vai?

A mesma competência filosófica que separa o piloto do passageiro na IA é a que separa o leitor soberano do consumidor passivo de interpretações bíblicas. Veja como a aiexegesis-eisegese-estrutural-modelos-linguagem-textos-biblicos/">AIEXEGESIS funciona quando a IA lê a Bíblia por você, como o Gemini foi confrontado com dados textuais brutos, e por que a Exeg.AI opera sob princípios radicalmente diferentes.

Toda semana, uma análise forense do texto bíblico original — direto na sua caixa. Receber a newsletter semanal →

A investigação completa está em “O livrinho — A Culpa é das Ovelhas.” Aprofundar a investigação →

Cansou de depender de traduções de terceiros? A Exeg.AI lê o original por você. Testar a Exeg.AI →

Licença: CC BY 4.0 — Belem Anderson Costa, 2026

“Você lê. E a interpretação é sua.”