Arquitetura Cognitiva

Theodore R. Sumers et al.

Oferece o primeiro mapa conceitual unificado para entender qualquer agente de LLM, separando memória, ações e decisão. Vira o vocabulário comum para quem desenha agentes de verdade.

Shunyu Yao et al.

É o padrão de raciocínio que está embaixo de quase todo agente em produção hoje. Sem ele, modelos alucinam; com ele, pensam, agem e corrigem o rumo.

Noah Shinn et al.

Mostra que um agente pode aprender com os próprios erros sem precisar retreinar o modelo, só refletindo e anotando lições. É aprendizado barato e em tempo real.

Joon Sung Park et al.

Prova que, com memória, reflexão e planejamento, agentes de IA passam a exibir comportamento crível e coerente ao longo do tempo, não só respostas isoladas. É o nascimento dos agentes com história.

Charles Packer et al.

Resolve um dos limites mais caros da IA atual, a janela de contexto finita, tratando a memória como um sistema operacional faz com a RAM e o disco. Permite agentes que lembram de conversas e documentos muito maiores do que cabe de uma vez.

John E. Laird

Apresenta uma das arquiteturas cognitivas mais respeitadas e duradouras, construída ao longo de quarenta anos para modelar como uma mente persegue metas e supera impasses. É a base intelectual que muita gente está redescobrindo na era dos agentes.

John E. Laird, Christian Lebiere

Compara as duas arquiteturas cognitivas mais influentes da história, revelando que existem caminhos diferentes para construir uma mente, um focado em modelar o humano real, outro em resolver problemas. Ajuda a entender que cognição artificial é uma escolha de projeto, não uma fórmula única.

Andrej Karpathy

Oferece a analogia mental mais clara que existe para entender o que um LLM realmente é dentro de um sistema, equiparando-o a um computador completo. É a moldura que faz um executivo finalmente sacar como as peças se encaixam.

Kenneth Craik

É a origem da ideia de modelo mental, a noção de que a mente carrega um modelo interno em escala reduzida da realidade para antecipar consequências antes de agir.

Philip Johnson-Laird

Mostra que raciocinamos construindo modelos das possibilidades de uma situação, e quanto mais modelos precisamos manter ao mesmo tempo, mais difícil e propenso a erro fica o raciocínio.

Mary Gick, Keith Holyoak

Demonstra que comparar dois casos análogos induz um esquema abstrato, e é esse esquema, não um exemplo isolado, que permite transferir a solução para problemas novos.

David Perkins, Gavriel Salomon

Distingue transferência low-road, automática por semelhança de contexto, da high-road, deliberada por abstração de princípio, e oferece duas técnicas práticas, hugging e bridging.

Dedre Gentner

Define o que torna uma analogia boa, ela mapeia o sistema de relações entre os elementos, não as semelhanças superficiais de atributos, e isso explica por que algumas analogias geram insight e outras enganam.

Peter Senge

Coloca modelos mentais como uma das cinco disciplinas da learning organization, e mostra que mudança organizacional só acontece quando se explicitam e se revisam os modelos mentais tácitos que governam o comportamento.

Charlie Munger

Popularizou a ideia de carregar uma grade de oitenta a noventa modelos mentais de várias disciplinas, e alertou contra a síndrome do homem com um martelo, que vê tudo como prego.

Donella Meadows

Organiza os pontos onde se pode intervir num sistema em ordem de alavancagem, e mostra que quase todo mundo empurra os pontos de menor impacto, parâmetros, quando o ganho real está em redesenhar regras, fluxos de informação e paradigmas.

John Sweller

É a base científica de por que tanta gente trava ao aprender IA, a memória de trabalho é estreita e a maioria dos materiais a sobrecarrega sem necessidade.

John Sweller, Graham Cooper

Explica por que estudar bons exemplos resolvidos ensina IA mais rápido do que ficar quebrando a cabeça do zero, e por que prompts e casos prontos são acelerador, não muleta.

George Miller

Define o teto da nossa memória de curto prazo e apresenta o chunking, a técnica que permite a um humano aprender IA sem afogar na enxurrada de conceitos novos.

William Chase, Herbert Simon

Prova com mestres de xadrez que expertise é ter milhares de padrões guardados, não memória superior, o que redefine o que significa virar bom em IA.

John Flavell

Funda o conceito de metacognição, pensar sobre o próprio pensar, a habilidade que separa quem usa IA com critério de quem terceiriza o raciocínio e atrofia.

Henry Roediger, Jeffrey Karpicke

Demonstra que recuperar informação da memória fixa muito mais do que reler, o que reposiciona quiz e prática ativa como o motor do aprendizado, não o consumo passivo.

Elizabeth Bjork, Robert Bjork

Mostra que dificuldade na medida certa fortalece retenção e transferência, e que a facilidade fluente engana, o que é o argumento central contra delegar todo o esforço à IA.

Barbara Oakley, Terrence Sejnowski

Traduz a ciência da aprendizagem em prática para adultos, modo focado e difuso e ilusão de competência, virando o manual operacional de quem quer aprender IA sem se enganar.

Berkeley Dietvorst et al.

Explica por que um time abandona uma IA comprovadamente melhor depois de um único erro, mesmo quando a alternativa humana erra mais.

Berkeley Dietvorst et al.

Mostra a alavanca prática mais barata para destravar adoção, dar à pessoa algum controle sobre o output reduz drasticamente a rejeição.

Slack Workforce Lab

Quantifica a barreira social que ninguém verbaliza nas reuniões, o medo de parecer fraude por usar IA, que trava a adoção mesmo quando a ferramenta já está liberada.

Estudo em saúde (PMC)

Nomeia a resistência mais profunda e menos discutida, quando a IA ameaça a identidade profissional construída ao longo de uma carreira, a pessoa rejeita por sobrevivência simbólica.

William Samuelson, Richard Zeckhauser

Explica a inércia organizacional, a preferência por manter o jeito atual mesmo diante de uma alternativa claramente superior, que é o atrito invisível de toda transformação.

Pesquisa CHI

Reposiciona a questão da confiança, o objetivo não é confiar mais ou menos na IA, é calibrar quando confiar e quando duvidar, evitando os dois extremos que destroem valor.

Aalto University

Alerta para um risco contraintuitivo, mais letramento em IA pode aumentar a superconfiança e piorar a auto-avaliação, criando profissionais que acham que sabem mais do que sabem.

Teresa Amabile, Steven Kramer

Entrega o motor de engajamento que sustenta a adoção no longo prazo, pequenas vitórias em trabalho significativo são o maior combustível motivacional de um time.

Ethan Mollick

Oferece o vocabulário prático mais útil para o executivo decidir quando delegar à IA e quando manter a mão humana no volante.

Fabrizio Dell'Acqua et al.

É a evidência de campo mais citada de que IA ajuda dentro da fronteira de competência dela e atrapalha fora, com consultores reais da BCG.

Hao-Ping Lee et al.

Mostra com dados de trabalhadores do conhecimento que quanto mais confiamos na IA, menos exercemos pensamento crítico, e como o esforço cognitivo muda de natureza.

Michael Gerlich

Com 666 participantes, encontra correlação negativa robusta entre uso frequente de IA e capacidade de pensamento crítico, mediada pelo descarregamento cognitivo.

Yizhou Fan et al.

Distingue de forma cirúrgica desempenho de aprendizado, com IA o produto entregue melhora, mas o conhecimento retido e a metacognição não acompanham.

Nataliya Kosmyna et al.

Usa EEG para mostrar fisicamente menor conectividade neural e menor senso de posse em quem escreve com IA, cunhando o conceito de dívida cognitiva.

World Economic Forum

Define o mapa das competências que crescem até 2030, e o topo da lista é justamente o pensamento analítico e habilidades cognitivas, não técnicas.

Daniel Kahneman

É a base psicológica para entender por que a fluência convincente da IA dispara nosso pensamento automático e desliga o raciocínio deliberado.