Os fundamentos e as convergências dos 8 Níveis de Maturidade em IA

Uma tese não se torna consistente porque acumula nomes conhecidos. Ela se torna mais interessante quando consegue dialogar com outras ideias, inclusive aquelas que a desafiam.

O ponto de partida dos 8 Níveis de Maturidade em IA é uma inquietação: a expressão usar IA reúne experiências profundamente diferentes. Pode significar vencer o receio de experimentar uma ferramenta, acelerar tarefas, rever uma hipótese, reconstruir um processo de trabalho ou imaginar um negócio que antes não era possível. Se tudo isso recebe o mesmo nome, perdemos nuances importantes sobre aprendizagem e transformação.

O modelo DESTRAVA propõe organizar essas diferenças pela profundidade da relação que uma pessoa ou uma organização consegue desenvolver com a inteligência artificial. Sua tese central é:

Maturidade em IA não é quanto você usa. É o quanto a IA muda a forma como você pensa, decide e cria valor.

De onde vem essa interpretação? E com quais conhecimentos ela conversa?

É preciso responder sem transformar uma história autoral numa genealogia acadêmica construída depois.

1. Uma distinção indispensável: influência, convergência e evidência

Na história relatada por Alessandro Jacoby, David A. Kolb foi o estímulo teórico identificado antes da elaboração dos oito níveis. As demais obras e autores foram encontrados ou relacionados posteriormente e ajudaram a reconhecer aproximações entre a tese e diferentes campos de pesquisa.

Isso produz três categorias que não devemos confundir:

Na leitura do DESTRAVA, o valor dessa biblioteca de referências não está em procurar uma citação para justificar cada degrau. Está em tornar explícitas as perguntas que o modelo abre e os limites das respostas de que já dispomos.

2. David Kolb: aprender implica transformar a experiência

Em Experiential Learning: Experience as the Source of Learning and Development (1984), David A. Kolb apresenta a aprendizagem experiencial como um processo que articula experiência concreta, observação reflexiva, conceituação abstrata e experimentação ativa. A obra e sua data estão documentadas em registro bibliográfico do Google Books.

A contribuição que estimulou o DESTRAVA não foi uma tabela de classificações. Foi uma mudança de perspectiva: aprender não se encerra quando recebemos uma resposta. A experiência precisa ser examinada, interpretada, colocada à prova e transformada em ação.

Essa ideia provoca uma pergunta especialmente relevante na era da IA: se uma ferramenta consegue produzir respostas com enorme facilidade, o que diferencia alguém que apenas as utiliza de alguém que aprende com elas?

Imagine duas interações.

Na primeira, uma pessoa pede à IA que escreva a pauta de uma reunião. A tarefa fica pronta.

Na segunda, essa pessoa investiga por que determinadas reuniões não produzem decisões, confronta sua interpretação com outras possibilidades e testa um novo formato com a equipe. A IA participa não apenas da execução, mas de uma mudança na maneira de enxergar o problema.

As duas interações podem ser úteis. Na interpretação do DESTRAVA, a diferença de profundidade entre elas é justamente o que os oito níveis procuram tornar visível.

Kolb não propôs os oito níveis de maturidade em IA, e seus quatro modos de aprendizagem não correspondem aos quatro movimentos ou aos oito níveis do DESTRAVA. A relação declarada é de estímulo intelectual, não de derivação formal.

Leia também: a origem dos oito níveis.

3. Mudança humana: por que ensinar a ferramenta pode ser insuficiente

Uma parte da tese argumenta que o obstáculo à evolução pode estar na maneira como a pessoa interpreta a tecnologia, seu trabalho e a própria identidade. Várias obras posteriores ajudam a formular melhor essa questão.

Robert Kegan e Lisa Lahey: a mudança pode ameaçar o que queremos preservar

Em Immunity to Change (2009), Kegan e Lahey exploram como crenças e compromissos concorrentes, nem sempre evidentes, podem dificultar mudanças desejadas por pessoas e organizações. Referência editorial do livro.

Onde há convergência: o DESTRAVA não trata a resistência à IA apenas como ausência de informação. Propõe investigar o que uma mudança pode ameaçar: a sensação de competência, o reconhecimento, o controle ou uma maneira familiar de produzir valor.

Onde não há equivalência: os bloqueios dominantes de cada nível não são categorias produzidas ou validadas por Kegan e Lahey. A relação é interpretativa; uma pessoa pode resistir por razões econômicas, técnicas, organizacionais ou éticas, sem que o medo de perder valor pessoal explique seu caso.

Ronald Heifetz: o desafio nem sempre é técnico

Em Leadership Without Easy Answers (1994), Heifetz discute os desafios de adaptação, autoridade e liderança em ambientes complexos. Harvard Kennedy School: obra e resumo.

Onde há convergência: aprender a utilizar um novo recurso e transformar hábitos de trabalho são problemas de naturezas diferentes. Uma oficina de ferramentas pode ajudar a executar, mas não substitui a necessidade de investigar expectativas, incentivos e práticas que continuam iguais.

Onde não há equivalência: o modelo de liderança de Heifetz não determina que toda dificuldade de adoção da IA seja adaptativa. Algumas dificuldades são, legitimamente, de infraestrutura, acesso, capacitação técnica ou governança.

Prochaska e DiClemente: diferentes estágios pedem intervenções diferentes

O artigo Stages and Processes of Self-Change of Smoking (1983) investigou processos de mudança associados a diferentes estágios, num contexto específico de alteração do comportamento relacionado ao tabagismo. Artigo original e DOI.

Onde há convergência: o tipo de experiência que ajuda alguém a começar pode não ser o mesmo que ajuda quem já está avançado. No DESTRAVA, isso dialoga com a proposta de gatilhos específicos por nível.

Limite decisivo: não se deve dizer que os estágios daquele estudo demonstram oito estágios de maturidade em IA. São objetos, populações e instrumentos diferentes. O que aproximamos é a pergunta pedagógica sobre adequação da intervenção ao momento de mudança.

Fred Davis: adoção tecnológica não é a mesma pergunta que maturidade

Em 1989, Fred D. Davis publicou um estudo sobre utilidade percebida e facilidade de uso percebida na aceitação de tecnologia, no MIS Quarterly. Artigo e DOI.

Onde há convergência: demonstrar um benefício percebido ajuda a compreender por que alguém experimenta uma tecnologia. É uma conexão pertinente ao movimento inicial do Reativo para o Eventual.

Onde o DESTRAVA se diferencia: aceitar uma tecnologia, achar seu uso conveniente ou utilizá-la frequentemente não é, por si, evidência de transformação cognitiva ou organizacional. O DESTRAVA procura descrever justamente aquilo que a pergunta sobre aceitação não precisa responder.

4. Aprendizagem e cognição: da resposta à revisão do raciocínio

No coração da tese está a passagem do nível 3 (O Executor Aumentado) para o nível 4 (O Pensador Assistido).

A hipótese estruturante do DESTRAVA é que há uma diferença relevante entre acelerar uma tarefa e usar a IA para questionar a premissa que deu origem à tarefa. Essa fronteira é conceitualmente central ao modelo, mas sua singularidade ainda requer investigação empírica.

Chris Argyris: corrigir a ação ou revisar a lógica da ação

Em Double Loop Learning in Organizations (1977), Chris Argyris diferencia a correção de desvios preservando objetivos estabelecidos do aprendizado que também questiona políticas, objetivos e pressupostos subjacentes. Artigo da Harvard Business Review.

Considere o pedido: “Preciso fazer a equipe responder mais rápido.”

A IA pode sugerir modelos de mensagem, regras de prioridade e automações. Tudo isso pode aumentar a velocidade.

Mas outra conversa começa quando surge a pergunta: “Por que estamos medindo velocidade de resposta? É esse o problema que precisamos resolver?”

Na interpretação do DESTRAVA, esse contraste ilumina a diferença entre o nível 3, associado à ampliação da execução, e o nível 4, associado à revisão do pensamento. Não significa que Argyris tenha formulado essa passagem ou que suas categorias coincidam com os níveis.

Lev Vygotsky: o desenvolvimento acontece também com mediação

A obra Mind in Society (edição organizada em 1978) reúne textos sobre desenvolvimento psicológico, aprendizagem e o papel da interação social. A zona de desenvolvimento proximal distingue aquilo que a pessoa consegue realizar independentemente e aquilo que pode alcançar com assistência ou colaboração. Edição bibliográfica.

Onde há convergência: a IA pode ser utilizada como um apoio para formular perguntas, testar explicações e abordar atividades que, sem mediação, seriam mais difíceis; colegas e facilitadores também contribuem para esse processo.

Limite: Vygotsky não estudou assistentes de IA generativa. Não se pode equiparar automaticamente a interação com um sistema à relação pedagógica e social descrita em seu trabalho, nem concluir que todo próximo salto de maturidade corresponde à zona de desenvolvimento proximal.

Hubert e Stuart Dreyfus: competência tem contexto

Em Mind over Machine (1986), Hubert e Stuart Dreyfus discutem aquisição de habilidades, experiência, julgamento e os limites de reduzir a expertise humana a regras explícitas. Registro bibliográfico universitário.

Onde há convergência: o DESTRAVA reconhece uma dimensão situacional da maturidade. Uma pessoa pode integrar IA de modo profundo em um problema e utilizá-la superficialmente em outro.

Limite: os estágios de aquisição de competência dos Dreyfus não são os oito níveis do DESTRAVA. A analogia não autoriza comparar suas escalas nem atribuir à pesquisa deles a validade de uma classificação sobre IA.

Andy Clark e David Chalmers: onde termina a ferramenta e começa o pensamento?

O ensaio filosófico The Extended Mind (1998) discute a possibilidade de processos cognitivos envolverem recursos externos ao cérebro, em determinadas condições. Artigo original.

Onde há convergência: ele oferece uma provocação útil para pensar a IA não apenas como executora de tarefas, mas como participante de atividades de raciocínio.

Limite: trata-se de uma proposição filosófica, não de uma comprovação de que utilizar um chatbot expande a mente, melhora o julgamento ou coloca alguém no nível 4.

5. Trabalho e inteligência coletiva: a maturidade deixa de caber numa pessoa

Nos níveis 5 e 6, a questão deixa de ser apenas como eu uso IA e passa a incluir como trabalho, decido e aprendo com outras pessoas.

Paul Daugherty e H. James Wilson: redesenhar a colaboração

No artigo Collaborative Intelligence: Humans and AI Are Joining Forces (2018), os autores discutem maneiras de combinar capacidades humanas e sistemas de IA. A abordagem também aparece no livro Human + Machine. Artigo da HBR.

Onde há convergência: o nível 5 (O Estrategista) propõe redesenhar processos com a IA como parte do trabalho, em vez de acrescentá-la a tarefas isoladas.

Limite: colaboração humano-máquina não implica automaticamente maturidade estratégica. O redesenho pode ser inadequado ou criar riscos novos; seu valor depende do contexto e das consequências.

Thomas W. Malone: inteligência coletiva não é a soma de usuários avançados

Em Superminds: The Surprising Power of People and Computers Thinking Together (2018), Malone explora as capacidades de grupos de pessoas e computadores que pensam e agem de maneira coordenada. Editora Hachette.

Onde há convergência: o nível 6 (O Orquestrador) chama atenção para a construção de capacidades compartilhadas: formas de decidir, distribuir conhecimento e aprender como equipe.

Limite: a presença de ferramentas colaborativas não mede, sozinha, a qualidade da inteligência coletiva. Coordenação, segurança, diversidade de perspectivas e governança também importam.

6. Negócio e futuro: quando a IA muda o que escolhemos construir

Clayton Christensen: otimizar o presente não resolve todas as mudanças de modelo

Em The Innovator’s Dilemma (1997), Christensen examina por que empresas bem administradas podem ter dificuldades diante de determinadas transformações tecnológicas e de mercado. Christensen Institute.

Onde há convergência: o nível 7 (O Transformador) pergunta não somente como executar o modelo de negócio atual com mais eficiência, mas que novas propostas de valor poderiam surgir com IA.

Limite: nem toda aplicação de IA é uma inovação disruptiva, nem a obra de Christensen prediz que organizações no nível 7 terão melhor desempenho. O diálogo está na pergunta sobre mudança de lógica, não numa equivalência automática.

Peter Schwartz: futuros possíveis exigem escolhas presentes

Em The Art of the Long View (1991), Peter Schwartz apresenta abordagens de planejamento por cenários para lidar com incertezas e possibilidades futuras. Registro bibliográfico.

Onde há convergência: o nível 8 (O Arquiteto do Futuro) desloca a conversa da eficiência atual para as possibilidades e consequências do que estamos construindo.

Limite: planejar cenários não confirma capacidade de prever o futuro. A responsabilidade ética atribuída ao nível 8 é uma escolha conceitual do DESTRAVA, não um conceito extraído diretamente desse livro.

7. Da teoria à experiência: descobrir antes de resolver

Os autores anteriores ajudam a pensar diferentes dimensões da maturidade. Outros campos dialogam com a aplicação prática da tese, na jornada de aprendizagem por descoberta com IA.

Reg Revans e Action Learning. A abordagem trabalha com problemas reais, perguntas e aprendizagem coletiva. A expressão L = P + Q diferencia conhecimento programado e questionamento; ela foi associada ao trabalho de Revans e é apresentada em material acadêmico da Cambridge University Press. Para o DESTRAVA, com respostas cada vez mais acessíveis por IA, a qualidade das perguntas e dos experimentos merece atenção redobrada. Isso não significa que o conhecimento prévio tenha perdido valor.

IDEO e o design centrado nas pessoas. A investigação de experiências reais, a síntese, a formulação de possibilidades, a prototipação e o teste formam um diálogo relevante com a proposta de descoberta do DESTRAVA. Metodologia apresentada pela IDEO. Os seis movimentos da descoberta guiada são uma adaptação autoral do DESTRAVA, não uma metodologia oficial atribuível à IDEO.

Essas aproximações pertencem sobretudo à explicação de como a tese pode orientar o desenvolvimento. Por isso, sua aplicação detalhada ficará no módulo Aprendizagem por descoberta com IA.

8. Uma evidência empírica relevante e o que ela não valida

Diferentemente das convergências anteriores, o estudo de Fabrizio Dell’Acqua e colaboradores, publicado na Organization Science em 2026, é um experimento sobre o uso de inteligência artificial em tarefas de trabalho do conhecimento. A pesquisa envolveu 758 profissionais e examinou a variação de desempenho de acordo com o tipo de tarefa. Artigo e DOI.

No estudo, em determinadas tarefas dentro das capacidades examinadas da IA, participantes com acesso à ferramenta realizaram em média 12,2% mais tarefas e foram 25,1% mais rápidos, com ganhos de qualidade. Em uma tarefa complexa selecionada fora daquela fronteira de capacidades, o grupo com IA teve 19% menos probabilidade de produzir a resposta correta que o grupo sem IA. Esses números pertencem às condições experimentais específicas do artigo e não devem ser generalizados sem cautela.

Há uma questão importante aqui: ganhos expressivos de produtividade podem coexistir com riscos de erro e dependência inadequada. Isso é pertinente à provocação do DESTRAVA segundo a qual produzir mais não equivale, necessariamente, a pensar melhor.

Mas o estudo não avaliou os oito níveis, não mediu os bloqueios ou gatilhos do modelo e não demonstrou que os participantes progrediram do nível 3 ao 4. Seu papel nesta base é fornecer evidência sobre uma questão relacionada, não validação da arquitetura do DESTRAVA.

9. O que essas convergências permitem afirmar e o que não permitem

Podemos afirmar:

• Existem tradições de pesquisa sobre aprendizagem experiencial, mudança de comportamento, adoção tecnológica, revisão de pressupostos, expertise, inteligência coletiva e estratégia que ajudam a examinar perguntas abordadas pelo DESTRAVA.
• Há estudos empíricos mostrando que o desempenho com IA depende da natureza das tarefas e de como a tecnologia é utilizada.
• O modelo dos oito níveis oferece uma organização autoral dessas questões, com vocabulário próprio sobre profundidade de relação, bloqueios e gatilhos.

Ainda não podemos afirmar:

• Que a quantidade oito tenha sido derivada cientificamente das obras citadas.
• Que todas as pessoas avancem na mesma ordem ou com a mesma velocidade.
• Que cada nível corresponda a um estágio psicológico universal.
• Que cada bloqueio seja uma causa demonstrada ou cada gatilho produza determinado resultado.
• Que o diagnóstico já possua validação psicométrica ou capacidade de prever desempenho no trabalho.
• Que os dados atuais do DESTRAVA representem a população brasileira.

Essa diferença não enfraquece a tese. Ela permite ao leitor saber qual é a proposta, o que a inspira, o que conversa com ela e o que permanece em investigação.

10. A pergunta que permanece aberta

O DESTRAVA procura dar uma linguagem à evolução da relação humana com a inteligência artificial. As referências reunidas aqui ajudam a iluminar partes dessa trajetória: por que resistimos, como aprendemos, quando revisamos uma ideia, como atuamos em grupo e que futuros escolhemos construir.

Nenhum desses trabalhos, isoladamente, explica os oito níveis. E esse não é o papel que lhes atribuímos.

Como tese, o DESTRAVA propõe que a conversa sobre maturidade deixe de se limitar ao uso de ferramentas e passe a investigar a capacidade de transformar perguntas, decisões, práticas e possibilidades.

O teste mais importante dessa tese não é encontrar mais citações que concordem com ela. É criar condições para questioná-la, compará-la e aprender com o que a experiência revelar.

Perguntas frequentes

Os oito níveis foram criados com base nas teorias dos autores citados?

Não da maneira sugerida por essa pergunta. Segundo o relato do criador, David Kolb foi o estímulo teórico anterior; os demais autores foram associados posteriormente como convergências com a proposta já formulada.

Kolb criou os oito níveis de maturidade em IA?

Não. A obra de Kolb trata de aprendizagem experiencial. A arquitetura dos oito níveis é uma proposta autoral do DESTRAVA, não uma tradução de seu modelo.

Essas referências comprovam cientificamente os oito níveis?

Não. A existência de aproximações teóricas não equivale à validação empírica da sequência, das medidas ou dos gatilhos do diagnóstico.

O que diferencia aceitação de tecnologia e maturidade em IA?

A aceitação investiga por que uma pessoa percebe utilidade ou facilidade e passa a utilizar uma tecnologia. O DESTRAVA propõe examinar também a profundidade da mudança no pensamento, no trabalho e na criação de valor.

Por que destacar a passagem do nível 3 para o nível 4?

Porque a tese distingue usar IA para fazer melhor de usar IA para reconsiderar a própria ideia. É uma hipótese estruturante do modelo e permanece aberta à investigação.

Onde encontrar os dados públicos do DESTRAVA?

Na página Evidências, que apresenta apenas indicadores agregados publicados, com suas amostras e limitações metodológicas.

Referências bibliográficas comentadas

Esta lista contém fontes diretamente identificadas ou localizadas em registros editoriais, acadêmicos ou institucionais. Os textos são resumos e interpretações, não citações literais. O acesso às obras completas pode depender de biblioteca ou assinatura.

1. Kolb, D. A. (1984). Experiential Learning: Experience as the Source of Learning and Development. Prentice-Hall. Categoria: estímulo de origem declarado. Registro bibliográfico.
2. Kegan, R.; Lahey, L. L. (2009). Immunity to Change. Harvard Business Review Press. Categoria: convergência posterior (mudança de crenças e compromissos). Registro editorial.
3. Heifetz, R. A. (1994). Leadership Without Easy Answers. Belknap Press / Harvard University Press. Categoria: convergência posterior (desafios adaptativos). Harvard Kennedy School.
4. Prochaska, J. O.; DiClemente, C. C. (1983). “Stages and Processes of Self-Change of Smoking”. Journal of Consulting and Clinical Psychology, 51(3), 390–395. Categoria: convergência posterior (intervenções e estágios). DOI.
5. Davis, F. D. (1989). “Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology”. MIS Quarterly, 13(3), 319–340. Categoria: convergência posterior (aceitação tecnológica). DOI.
6. Argyris, C. (1977). “Double Loop Learning in Organizations”. Harvard Business Review, setembro. Categoria: convergência posterior (revisão de premissas). Artigo.
7. Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press; edição organizada por Michael Cole e colaboradores. Categoria: convergência posterior (mediação da aprendizagem). Registro editorial.
8. Dreyfus, H. L.; Dreyfus, S. E.; com Athanasiou, T. (1986). Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer. Free Press. Categoria: convergência posterior (domínio situacional e experiência). Registro bibliográfico.
9. Clark, A.; Chalmers, D. (1998). “The Extended Mind”. Analysis, 58(1), 7–19. Categoria: convergência filosófica posterior (cognição estendida). DOI.
10. Daugherty, P. R.; Wilson, H. J. (2018). “Collaborative Intelligence: Humans and AI Are Joining Forces”. Harvard Business Review, julho–agosto. Categoria: convergência posterior (colaboração humano-IA). Artigo.
11. Malone, T. W. (2018). Superminds: The Surprising Power of People and Computers Thinking Together. Little, Brown. Categoria: convergência posterior (inteligência coletiva). Editora.
12. Christensen, C. M. (1997). The Innovator’s Dilemma. Harvard Business School Press. Categoria: convergência posterior (mudanças na lógica do negócio). Christensen Institute.
13. Schwartz, P. (1991). The Art of the Long View. Doubleday/Currency. Categoria: convergência posterior (cenários e incertezas). WorldCat.
14. Revans, R. W. (1982). The Origins and Growth of Action Learning. Studentlitteratur. Categoria: diálogo metodológico posterior (investigação de problemas reais). Google Books. Ver também a síntese acadêmica da Cambridge University Press.
15. IDEO. Design Thinking at IDEO (documentação institucional consultada em 31/10/2026). Categoria: diálogo metodológico posterior (observação e experimentação). IDEO.
16. Dell’Acqua, F.; McFowland III, E.; Mollick, E.; e colaboradores (2026). “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality”. Organization Science, 37(2), 403–423. Categoria: evidência empírica externa pertinente, não validação dos níveis. DOI.