Antes do prompt: formulação de problemas e definição de objetivos no uso de inteligência artificial generativa por empreendedores

Resumo

A difusão de ferramentas de inteligência artificial generativa (IAG) entre empreendedores tem sido acompanhada por uma ênfase prática na redação de comandos (prompts). Este ensaio teórico argumenta que essa ênfase desloca a atenção de uma etapa anterior e mais determinante: a formulação do problema e a definição do resultado que se pretende alcançar. Distinguimos dois padrões de uso. No uso orientado à tarefa, o empreendedor solicita à IA uma entrega imediata (um texto, um plano, uma análise) sem explicitar o objetivo a que ela serve. No uso orientado ao resultado, o empreendedor primeiro explicita o resultado desejado, diagnostica o problema, define critérios de sucesso e restrições e só então delega tarefas à IA. Integramos quatro correntes de literatura: a pesquisa sobre descoberta e formulação de problemas, a teoria do estabelecimento de metas, a pesquisa sobre decisão empreendedora sob incerteza (efetuação, abordagem científica e experimentação) e a evidência empírica recente sobre produtividade, colaboração humano-IA e dependência excessiva da automação. A partir dessa integração, propomos um modelo conceitual da formulação pré-prompt, com mecanismos (adequação ao objetivo, avaliação calibrada e implementação seletiva) e condições de contorno (estrutura da tarefa, posição em relação à fronteira de capacidade da IA, grau de incerteza e desempenho inicial do empreendedor), e derivamos oito proposições. Discutimos implicações para empreendedores individuais, limitações do argumento e uma agenda de pesquisa que inclui um experimento de campo com três braços. O artigo não apresenta dados empíricos; suas proposições destinam-se a teste.

Palavras-chave: formulação de problemas; definição de metas; inteligência artificial generativa; empreendedorismo; engenharia de prompt.

Abstract

The diffusion of generative artificial intelligence (GenAI) tools among entrepreneurs has been accompanied by a practical emphasis on writing prompts. This theoretical essay argues that this emphasis diverts attention from an earlier and more consequential step: formulating the problem and defining the outcome one seeks to achieve. We distinguish two patterns of use. In task-first use, the entrepreneur asks the AI for an immediate deliverable (a text, a plan, an analysis) without making explicit the goal it serves. In outcome-first use, the entrepreneur first states the desired outcome, diagnoses the problem, defines success criteria and constraints, and only then delegates tasks to the AI. We integrate four bodies of literature: research on problem finding and problem formulation, goal-setting theory, research on entrepreneurial decision-making under uncertainty (effectuation, the scientific approach, and experimentation), and recent empirical evidence on productivity, human–AI collaboration, and overreliance on automation. Building on this integration, we propose a conceptual model of pre-prompt problem formulation, with mechanisms (goal fit, calibrated evaluation, and selective implementation) and boundary conditions (task structure, position relative to the AI capability frontier, degree of uncertainty, and the entrepreneur's baseline performance), and we derive eight propositions. We discuss implications for individual entrepreneurs, limitations of the argument, and a research agenda that includes a three-arm field experiment. The article presents no empirical data; its propositions are intended for testing.

Keywords: problem formulation; goal setting; generative artificial intelligence; entrepreneurship; prompt engineering.

1 Introdução

Desde a popularização dos grandes modelos de linguagem (large language models, LLMs), multiplicaram-se guias, cursos e repertórios de “prompts prontos” voltados a pequenos negócios. A premissa implícita desse material é que o principal gargalo entre o empreendedor e o valor da IA generativa está na formulação linguística do comando: com as palavras certas, a ferramenta entregaria o que se deseja. Há base técnica para parte dessa premissa. A pesquisa em processamento de linguagem natural mostrou que a forma do comando altera de maneira mensurável o desempenho dos modelos, como no caso da indução de raciocínio em etapas (WEI et al., 2022), e catálogos de padrões e taxonomias de técnicas de prompting já foram sistematizados (SCHULHOFF et al., 2024; WHITE et al., 2023).

Este ensaio parte de uma inquietação diferente. Antes de qualquer decisão sobre como pedir, existe a decisão sobre o que pedir e por quê. Acar (2023) formulou esse ponto de modo direto ao argumentar que a engenharia de prompt tende a ser uma competência transitória e que a competência mais duradoura é a formulação de problemas: identificar, analisar e delimitar o problema antes de interagir com a IA. Segundo o autor, sem uma compreensão do problema a ser resolvido, nenhum prompt bem redigido compensa a falta de foco. O argumento é intuitivo, mas ainda está pouco articulado com as tradições teóricas que estudam a formulação de problemas e a definição de metas, e menos ainda com a pesquisa sobre empreendedorismo, em que objetivos são frequentemente ambíguos, mutáveis e construídos na ação (SARASVATHY, 2001).

A questão central que orienta o artigo é: qual é a diferença entre começar pedindo uma tarefa à IA e começar compreendendo o resultado que se deseja alcançar? Chamamos o primeiro padrão de uso orientado à tarefa e o segundo de uso orientado ao resultado. A diferença pode parecer apenas de ordem — primeiro o pedido, depois o objetivo, ou o inverso —, mas sustentamos que ela altera o que a IA produz, como o empreendedor avalia o que recebe e o que ele decide implementar.

A relevância da questão é reforçada pela evidência empírica recente. Experimentos com profissionais do conhecimento encontraram ganhos expressivos de produtividade e qualidade em tarefas de escrita bem delimitadas (NOY; ZHANG, 2023) e em atendimento ao cliente (BRYNJOLFSSON; LI; RAYMOND, 2025). Ao mesmo tempo, um experimento de campo com consultores mostrou que, em uma tarefa situada fora da “fronteira irregular” de capacidade do modelo, o uso da IA reduziu a probabilidade de chegar à solução correta (DELL’ACQUA et al., 2026). No contexto específico do empreendedorismo, um experimento com pequenos empresários quenianos não detectou efeito médio do acesso a um assistente de negócios baseado em GPT-4 sobre receitas e lucros, mas encontrou efeitos heterogêneos: empresários com melhor desempenho inicial se beneficiaram, enquanto os de pior desempenho inicial tiveram resultados piores. Segundo os autores, a diferença não decorreu das perguntas feitas à IA nem dos conselhos recebidos, mas de quais conselhos os empresários escolheram implementar (OTIS et al., 2026). Esse achado é particularmente relevante para este ensaio: sugere que o valor da IA para o empreendedor depende de processos cognitivos que ocorrem antes e depois da interação, e não apenas da qualidade do texto do comando.

A motivação prática deste ensaio vem do método AI Thinking, desenvolvido pela autora como estrutura de formação para empreendedores e organizado em três blocos: Questionar, Redesenhar e Reconstruir. O bloco Questionar propõe que o uso da IA comece pela explicitação do problema e do resultado pretendido. Este artigo não avalia o método nem pressupõe sua eficácia. O método serviu apenas como ponto de partida para a pergunta de pesquisa, que é tratada aqui exclusivamente com base na literatura acadêmica e cujas proposições são formuladas de modo a poderem ser refutadas.

O artigo oferece três contribuições. Primeiro, propõe uma distinção conceitual entre uso orientado à tarefa e uso orientado ao resultado, ancorada na pesquisa sobre formulação de problemas (BAER; DIRKS; NICKERSON, 2013; GETZELS; CSIKSZENTMIHALYI, 1976; SMITH, 1989; VOLKEMA, 1983) e na teoria do estabelecimento de metas (LOCKE; LATHAM, 1990, 2002). Segundo, especifica mecanismos e condições de contorno pelos quais a formulação pré-prompt afetaria resultados, reconciliando o argumento com a literatura de efetuação, que questiona a primazia de objetivos predefinidos em contextos de alta incerteza (SARASVATHY, 2001). Terceiro, traduz o modelo em oito proposições e em um desenho de estudo experimental capaz de testá-las.

O texto está organizado da seguinte forma. A Seção 2 revisa a literatura pertinente. A Seção 3 apresenta o modelo conceitual. A Seção 4 desenvolve as proposições. A Seção 5 discute implicações para empreendedores individuais. A Seção 6 trata das limitações. A Seção 7 propõe uma agenda de pesquisa e um desenho de estudo. A Seção 8 conclui.

2 Referencial teórico

2.1 Descoberta, construção e formulação de problemas

A ideia de que a qualidade de uma solução depende da maneira como o problema foi definido é antiga nas ciências da decisão. Mitroff e Featheringham (1974) chamaram de “erro do terceiro tipo” a situação em que se resolve, com competência, o problema errado. Simon (1973) argumentou que a distinção entre problemas bem estruturados e mal estruturados é uma questão de grau e que boa parte do trabalho de quem resolve problemas consiste em impor estrutura a situações que inicialmente não a têm. Rittel e Webber (1973), ao caracterizarem os chamados problemas perversos (wicked problems) do planejamento, foram além: nesses casos, formular o problema já é, em grande medida, resolvê-lo, pois cada formulação privilegia certas soluções e exclui outras.

No campo da criatividade, o estudo longitudinal de Getzels e Csikszentmihalyi (1976) com estudantes de arte tornou-se referência ao mostrar que comportamentos de descoberta de problemas — explorar os materiais, adiar o fechamento da composição, reformular a tarefa durante o processo — estavam associados a avaliações mais altas de originalidade dos trabalhos e a indicadores posteriores de sucesso artístico. A literatura subsequente passou a tratar a identificação e a construção do problema como etapa distinta do processo criativo, especialmente relevante quando os problemas são mal definidos (REITER-PALMON; ROBINSON, 2009). Reiter-Palmon et al. (1997) encontraram que a capacidade de construção de problemas se relacionava com a qualidade e a originalidade das soluções produzidas, e uma meta-análise posterior confirmou uma associação positiva entre descoberta de problemas e criatividade (ABDULLA et al., 2020).

Na pesquisa em gestão, Smith (1988) propôs heurísticas para a estruturação de problemas e, em trabalho seguinte, argumentou que a definição de problemas gerenciais é uma atividade distinta, frequentemente negligenciada pela teoria prescritiva, e que merece um quadro conceitual próprio (SMITH, 1989). Volkema (1983) analisou a formulação de problemas em planejamento e design e propôs a técnica de expansão problema-propósito, que amplia sistematicamente o enunciado inicial de um problema ao questionar o propósito a que ele serve. Essa técnica é um antecedente direto do que, neste ensaio, chamamos de uso orientado ao resultado: perguntar “para quê?” antes de perguntar “como?”.

Nickerson, Yen e Mahoney (2012) propuseram uma abordagem de descoberta e solução de problemas para o desenho organizacional, na qual a unidade de análise é o próprio problema e a formulação é tratada como atividade com impedimentos cognitivos, emocionais e grupais próprios. Baer, Dirks e Nickerson (2013) desenvolveram os microfundamentos da formulação estratégica de problemas, propondo que sua qualidade seja avaliada sobretudo pela abrangência — a medida em que formulações alternativas e causas subjacentes relevantes são identificadas — e que processos estruturados de investigação ajudem a superar impedimentos que estreitam prematuramente a formulação. Embora o foco desses autores seja coletivo, a lógica se aplica ao empreendedor individual: uma formulação estreita restringe o espaço de soluções que será explorado, com ou sem IA.

No campo do design, Dorst (2011) descreveu a criação de enquadramentos (frames) como o núcleo do raciocínio projetual: diante de problemas abertos, o projetista não deduz uma solução, mas constrói uma maneira de ver a situação que torna certas soluções possíveis. Na literatura gerencial de divulgação, Wedell-Wedellsborg (2017) sistematizou práticas de reenquadramento, entre as quais questionar os objetivos implícitos no pedido inicial.

Acar (2023) aplicou essa tradição à IA generativa ao decompor a formulação de problemas em quatro componentes: diagnóstico (identificar o problema central e sua causa), decomposição (dividir um problema complexo em subproblemas), reenquadramento (examinar o problema por perspectivas alternativas) e desenho de restrições (definir limites de entrada, processo e saída). Esses componentes oferecem um ponto de partida útil para operacionalizar o construto proposto na Seção 3.

2.2 Teoria do estabelecimento de metas

A teoria do estabelecimento de metas é uma das mais testadas da psicologia organizacional. Seu achado central é que metas específicas e desafiadoras levam a desempenho superior ao de metas vagas, como “faça o seu melhor” (LOCKE; LATHAM, 1990, 2002). Locke e Latham (2002) identificaram quatro mecanismos: as metas dirigem a atenção para atividades relevantes, mobilizam esforço, aumentam a persistência e estimulam a descoberta ou o uso de estratégias adequadas à tarefa. Os efeitos são moderados pelo comprometimento com a meta, pela existência de feedback e pela complexidade da tarefa.

Esse último moderador é crucial para o argumento deste ensaio. Em tarefas complexas, nas quais o indivíduo ainda não domina as estratégias necessárias, metas de desempenho específicas podem prejudicar o resultado ao concentrar a atenção no produto final e não na aprendizagem das estratégias. Winters e Latham (1996) mostraram que metas de aprendizagem superaram metas de resultado em uma tarefa complexa, enquanto em uma tarefa simples ocorreu o inverso. Seijts e Latham (2001) encontraram resultados convergentes em tarefa moderadamente complexa, com vantagem para metas de aprendizagem e para metas proximais combinadas a metas distais. Locke e Latham (2006) incorporaram essas evidências à teoria, destacando a distinção entre metas de aprendizagem e metas de desempenho.

A literatura também registra efeitos colaterais. Ordóñez et al. (2009) argumentaram que metas excessivamente específicas ou desafiadoras podem estreitar o foco, negligenciar dimensões não medidas do desempenho e estimular comportamentos arriscados ou antiéticos. Locke e Latham (2009) contestaram o alcance dessa crítica, sustentando que ela se baseava em evidências seletivas e que os efeitos indesejáveis decorrem de metas mal desenhadas, e não do estabelecimento de metas em si. Para este ensaio, o debate é útil porque indica que “definir o resultado antes” não é universalmente benéfico: o tipo de meta e sua adequação à tarefa importam.

A relação com o uso da IA é direta. Um pedido do tipo “escreva um post para minha loja” equivale, na linguagem da teoria, a uma meta vaga: não especifica o que o post deve alcançar, para quem, com que critério de sucesso. Um pedido precedido da explicitação do resultado (“quero aumentar o retorno de clientes que compraram uma única vez; o critério é a taxa de recompra em 60 dias”) aproxima-se de uma meta específica, com critério observável. A teoria prevê que a segunda condição dirija melhor a atenção e a escolha de estratégias — tanto do empreendedor quanto, indiretamente, da IA, que passa a receber informação sobre o propósito da tarefa.

2.3 Empreendedorismo sob incerteza: oportunidades, efetuação e abordagem científica

A pesquisa em empreendedorismo oferece um contraponto indispensável. Shane e Venkataraman (2000) definiram o campo pelo estudo de como oportunidades são descobertas, avaliadas e exploradas. Baron (2006) descreveu o reconhecimento de oportunidades como reconhecimento de padrões, em que o empreendedor “liga os pontos” entre eventos aparentemente desconexos com base em conhecimento prévio. Dimov (2007) argumentou que oportunidades raramente surgem de um único insight individual; elas se desenvolvem em processos que envolvem sucessivas interpretações e interações sociais. Em todas essas perspectivas, a definição do problema que o negócio resolve é parte do próprio trabalho empreendedor, e não um dado prévio.

A teoria da efetuação aprofunda esse ponto. Sarasvathy (2001) distinguiu processos de causação, que tomam um efeito como dado e selecionam meios para alcançá-lo, de processos de efetuação, que tomam um conjunto de meios como dado e selecionam entre efeitos possíveis que podem ser criados com eles. Na efetuação, os objetivos tendem a emergir da interação entre os meios disponíveis, a perda aceitável e os compromissos firmados com parceiros (SARASVATHY, 2008). A metodologia Entrepreneurial Thought & Action, desenvolvida no Babson College, incorpora lógica semelhante ao enfatizar ciclos de agir, aprender e construir sob incerteza (SCHLESINGER; KIEFER; BROWN, 2012) e ao propor que líderes empreendedores alternem entre uma lógica de predição e uma lógica de criação (GREENBERG; McKONE-SWEET; WILSON, 2011).

À primeira vista, essa tradição contradiz o argumento de que se deve definir o resultado antes de agir. Sustentamos que a contradição é apenas aparente, por duas razões. Primeiro, a efetuação não dispensa a explicitação; ela muda o objeto do que se explicita. Em vez de um efeito predeterminado, explicitam-se os meios disponíveis, a perda aceitável e as aspirações que orientam a escolha entre efeitos possíveis. Segundo, a escolha entre lógicas de predição e de criação é, ela própria, uma decisão de formulação: reconhecer que um problema é altamente incerto e que o objetivo adequado é aprender, e não maximizar um resultado, já é formular o problema. Essa leitura é coerente com a distinção entre metas de desempenho e metas de aprendizagem discutida na Seção 2.2.

A abordagem científica da decisão empreendedora oferece um terceiro elemento. Ries (2011) popularizou a ideia de tratar a startup como sequência de experimentos destinados a testar hipóteses de negócio. Camuffo et al. (2020) testaram, em um ensaio controlado randomizado com 116 startups italianas, uma intervenção que treinava empreendedores a formular teorias e hipóteses explícitas e a testá-las rigorosamente. Os empreendedores tratados apresentaram melhor desempenho e maior propensão a pivotar. Em replicação e extensão com quatro ensaios randomizados e 759 empresas, Camuffo et al. (2024) encontraram que as empresas tratadas tinham maior probabilidade de encerrar ideias e resultados compatíveis com um efeito não linear sobre pivôs radicais: as tratadas tenderam a fazer poucos pivôs, em vez de nenhum ou de pivôs repetidos. Felin et al. (2020) argumentaram que a experimentação, por si só, é insuficiente: sem uma teoria sobre a criação de valor, o empreendedor não sabe o que testar. Gans, Stern e Wu (2019) destacaram o caráter paradoxal da estratégia empreendedora: escolher uma alternativa e aprender sobre ela tende a fechar outras, de modo que a escolha inicial — isto é, a formulação — tem consequências que a experimentação posterior nem sempre corrige.

Essa literatura sugere que o elemento valioso não é a meta fixa, mas a explicitação: tornar visível o que se pretende, quais hipóteses sustentam a pretensão e que evidência mudaria a decisão. Esse é o núcleo do que chamamos de uso orientado ao resultado.

2.4 IA generativa no trabalho: ganhos, fronteira irregular e heterogeneidade

A evidência experimental sobre a IA generativa no trabalho cresceu rapidamente. Noy e Zhang (2023) atribuíram aleatoriamente o acesso ao ChatGPT a 453 profissionais com ensino superior em tarefas de escrita específicas de suas ocupações e encontraram redução do tempo de execução e aumento da qualidade avaliada, com diminuição da desigualdade entre participantes. Brynjolfsson, Li e Raymond (2025) estudaram mais de cinco mil agentes de atendimento ao cliente e encontraram aumento médio de cerca de 15% no número de problemas resolvidos por hora, com ganhos concentrados entre trabalhadores menos experientes e menos qualificados. Peng et al. (2023) encontraram, em experimento controlado com desenvolvedores, que o uso de um assistente de programação reduziu substancialmente o tempo para concluir uma tarefa de implementação bem especificada. Eloundou et al. (2024) estimaram que uma parcela ampla das ocupações tem tarefas potencialmente expostas a modelos de linguagem.

Esses estudos têm em comum o fato de que as tarefas eram, em grande medida, definidas pelos pesquisadores ou pela organização: o problema chegava ao trabalhador já formulado. O experimento de Dell’Acqua et al. (2026) com 758 consultores ilumina o que ocorre quando isso muda. Em tarefas situadas dentro da fronteira de capacidade do modelo, os consultores com acesso à IA concluíram mais tarefas, mais rapidamente e com qualidade avaliada como superior. Em uma tarefa desenhada para ficar fora dessa fronteira — que exigia integrar evidências quantitativas e qualitativas para chegar a uma recomendação correta —, os participantes com IA tiveram probabilidade menor de chegar à resposta correta do que os do grupo de controle. Os autores chamaram de “fronteira tecnológica irregular” o fato de que tarefas de dificuldade aparentemente semelhante podem estar dentro ou fora do alcance do modelo, sem que isso seja evidente para o usuário.

No empreendedorismo, as tarefas raramente chegam formuladas. O estudo de Otis et al. (2026), descrito na introdução, é o mais próximo do contexto deste ensaio: o problema a resolver era o próprio negócio, e os empresários decidiam o que perguntar e o que fazer com as respostas. A ausência de efeito médio, combinada a efeitos opostos conforme o desempenho inicial e atribuída pelos autores à seleção e implementação dos conselhos, sugere que a IA amplifica a capacidade de julgamento preexistente. Uma hipótese compatível — que este ensaio formula, mas que o estudo não testou — é que parte dessa capacidade consiste em saber qual problema se está tentando resolver.

Estudos sobre criatividade acrescentam uma nuance. Doshi e Hauser (2024) encontraram que o acesso a ideias geradas por IA aumentou a criatividade avaliada de contos escritos individualmente, mas tornou os contos mais semelhantes entre si, reduzindo a diversidade coletiva. Boussioux et al. (2024), comparando soluções humanas e soluções geradas com auxílio de IA em um desafio de economia circular, encontraram vantagens das soluções com IA em qualidade e valor avaliados e das soluções humanas em novidade. Mollick (2024), em obra de divulgação, enfatiza que a fronteira de capacidade dos modelos é desconhecida a priori e só pode ser mapeada pela experimentação do próprio usuário.

Por fim, a meta-análise de Vaccaro, Almaatouq e Malone (2024), que reuniu 106 experimentos, encontrou que combinações humano-IA superaram, em média, humanos trabalhando sozinhos, mas tiveram desempenho inferior ao melhor entre humano e IA isolados. As perdas concentraram-se em tarefas de decisão, enquanto tarefas de criação de conteúdo apresentaram tendência de ganho. O resultado indica que a colaboração humano-IA não é aditiva por natureza: depende de como o trabalho é dividido e de quem julga o quê.

2.5 Interação com modelos de linguagem: engenharia de prompt, lacunas de intenção e metacognição

A pesquisa sobre engenharia de prompt documentou um conjunto crescente de técnicas. Wei et al. (2022) mostraram que exemplos com cadeias de raciocínio intermediário melhoram o desempenho de modelos grandes em tarefas de raciocínio. White et al. (2023) organizaram padrões reutilizáveis de prompt por analogia com os padrões de projeto de software, e Schulhoff et al. (2024) produziram uma taxonomia sistemática de dezenas de técnicas. Essa literatura trata, em sua maior parte, de como instruir o modelo depois que a tarefa já está definida.

Estudos de interação humano-computador, por outro lado, mostram que o problema dos usuários não especialistas começa antes. Zamfirescu-Pereira et al. (2023) observaram que não especialistas modificavam prompts de forma oportunista, raramente testavam alterações de modo sistemático e generalizavam a partir de um único sucesso ou fracasso. Subramonyam et al. (2024) propuseram o conceito de “golfo de concepção” (gulf of envisioning), composto por três lacunas: uma lacuna de capacidade (não saber o que o modelo é capaz de fazer), uma lacuna de instrução (dificuldade de expressar a intenção no prompt) e uma lacuna de intencionalidade (dificuldade de saber que resultado esperar e de avaliá-lo). Tankelevitch et al. (2024) argumentaram que o uso da IA generativa impõe demandas metacognitivas elevadas: o usuário precisa ter consciência clara de seus objetivos, decompor a tarefa e avaliar com confiança calibrada as respostas obtidas.

Essas contribuições convergem para um ponto central deste ensaio: parte do que se chama de “dificuldade de escrever prompts” é, na verdade, dificuldade de saber o que se quer. A lacuna de intencionalidade descrita por Subramonyam et al. (2024) e a exigência de consciência dos objetivos descrita por Tankelevitch et al. (2024) são, na terminologia das Seções 2.1 e 2.2, problemas de formulação e de definição de metas.

2.6 Dependência excessiva e viés de automação

A literatura sobre automação estudou por décadas como pessoas usam, abusam ou deixam de usar sistemas automatizados. Parasuraman e Riley (1997) distinguiram uso, uso indevido (confiança excessiva), desuso (subutilização) e abuso (automação mal planejada). Parasuraman e Manzey (2010) integraram as noções de complacência e viés de automação, descrevendo erros de omissão (não detectar um problema que o sistema não sinalizou) e de comissão (seguir uma recomendação incorreta). Goddard, Roudsari e Wyatt (2012), em revisão sistemática sobre sistemas de apoio à decisão clínica, identificaram fatores que agravam e que atenuam o viés de automação, entre eles a carga de trabalho, a confiança no sistema e o treinamento.

Com a IA generativa, o problema ganha nova forma, porque as respostas são fluentes e plausíveis mesmo quando incorretas. Buçinca, Malaya e Gajos (2021) mostraram que funções de forçamento cognitivo — intervenções que exigem que a pessoa pense no problema antes de ver a recomendação da IA — reduziram a dependência excessiva, embora tenham sido avaliadas como menos agradáveis pelos usuários. Lee et al. (2025), em levantamento com 319 trabalhadores do conhecimento, encontraram que maior confiança na IA generativa estava associada a menos pensamento crítico relatado, enquanto maior autoconfiança estava associada a mais pensamento crítico. Os autores também relataram que o esforço cognitivo se deslocava da execução para a verificação e a integração das respostas. Bastani et al. (2025), em experimento de campo com cerca de mil estudantes de ensino médio, encontraram que o acesso irrestrito a um assistente baseado em GPT-4 melhorou o desempenho durante a prática, mas piorou o desempenho em prova posterior sem acesso à ferramenta; uma versão com salvaguardas pedagógicas atenuou esse efeito negativo.

O ponto relevante para este ensaio é que a formulação pré-prompt pode funcionar como uma função de forçamento cognitivo. Ao exigir que o empreendedor explicite o resultado desejado e os critérios de sucesso antes de ver a resposta da IA, ela cria um padrão independente contra o qual a resposta pode ser avaliada. Sem esse padrão, a avaliação tende a recair sobre a plausibilidade da resposta, e não sobre sua adequação ao objetivo.

2.7 Analogias com a engenharia de requisitos

A engenharia de software enfrentou um problema análogo há décadas. Zave e Jackson (1997) distinguiram requisitos — descrições do que se deseja que ocorra no ambiente do usuário — de especificações — descrições do comportamento do sistema — e mostraram que confundir os dois é fonte recorrente de falhas. Nuseibeh e Easterbrook (2000) descreveram a engenharia de requisitos como o processo de descobrir o propósito de um sistema, identificando as partes interessadas e suas necessidades. Em comunidades de programação, circula informalmente a expressão “problema XY” para descrever a situação em que alguém pede ajuda com uma solução parcial (Y) que imaginou para um problema não revelado (X), quando a pergunta sobre X levaria a uma solução melhor.

A analogia é instrutiva. Um prompt orientado à tarefa é uma especificação sem requisito: diz ao sistema o que produzir, mas não o que se deseja que mude no mundo. A tradição da engenharia de requisitos sugere que boa parte das falhas não está na implementação, mas na distância entre o que foi pedido e o que era necessário.

3 Modelo conceitual

3.1 Dois padrões de uso

Definimos uso orientado à tarefa como o padrão de interação em que o empreendedor inicia o uso da IA solicitando um produto (um texto, uma lista, uma planilha, uma análise) cuja relação com um objetivo de negócio permanece implícita. O critério de aceitação da resposta, nesse padrão, tende a ser a sua aparência de adequação: a resposta é aceita se parecer boa.

Definimos uso orientado ao resultado como o padrão em que a interação com a IA é precedida por um episódio de formulação pré-prompt, entendido como o conjunto de atividades pelas quais o empreendedor explicita, antes de delegar qualquer tarefa, (a) o resultado que deseja alcançar no negócio, (b) o diagnóstico do problema que impede esse resultado, (c) os critérios pelos quais saberá se o resultado foi alcançado e as restrições pertinentes e (d) as hipóteses e incertezas que sustentam a formulação. Os componentes (b) e (c) correspondem, respectivamente, ao diagnóstico e ao desenho de restrições de Acar (2023); a decomposição e o reenquadramento entram como atividades auxiliares na construção de (a) e (b).

Dois esclarecimentos delimitam o construto. Primeiro, a formulação pré-prompt não é sinônimo de um prompt longo. Um prompt extenso pode continuar orientado à tarefa se não explicitar o propósito, e um prompt curto pode refletir uma formulação cuidadosa feita antes. O construto refere-se a um processo cognitivo, observável por seus produtos (um enunciado do resultado, critérios, hipóteses), e não ao tamanho do texto enviado ao modelo. Segundo, a formulação pré-prompt não precisa ser feita sem a IA. O empreendedor pode usar o modelo para explorar o problema — pedindo perguntas, contra-argumentos ou formulações alternativas. O que distingue o padrão é a ordem lógica: o propósito é explicitado e mantido pelo empreendedor antes que a IA seja usada para produzir entregas.

O Quadro 1 sintetiza as diferenças entre os dois padrões.

Quadro 1. Uso orientado à tarefa e uso orientado ao resultado: comparação conceitual

Fonte: elaborado pela autora com base na literatura revisada.

3.2 Mecanismos

Propomos que a formulação pré-prompt afete os resultados do empreendedor por três mecanismos.

O primeiro é a adequação ao objetivo (goal fit): o grau em que a resposta da IA serve ao resultado pretendido, e não apenas à tarefa solicitada. A teoria do estabelecimento de metas prevê que metas específicas dirigem a atenção e a escolha de estratégias (LOCKE; LATHAM, 2002). Na interação com um modelo de linguagem, a explicitação do propósito também transmite ao modelo informação de contexto que ele não teria de outro modo, reduzindo a lacuna de instrução descrita por Subramonyam et al. (2024).

O segundo é a avaliação calibrada: a capacidade de distinguir respostas adequadas de respostas apenas plausíveis. Critérios definidos antes da interação funcionam como padrão independente de avaliação, de modo análogo às funções de forçamento cognitivo estudadas por Buçinca, Malaya e Gajos (2021), e reduzem a lacuna de intencionalidade (SUBRAMONYAM et al., 2024).

O terceiro é a implementação seletiva: a escolha, entre as recomendações recebidas, daquelas que convêm ao negócio. O estudo de Otis et al. (2026) aponta essa etapa como fonte central da heterogeneidade de efeitos. Propomos que um diagnóstico explícito do problema forneça o filtro necessário para essa seleção.

3.3 Condições de contorno

Quatro condições moderam a força desses mecanismos. A estrutura da tarefa (SIMON, 1973): quanto mais bem estruturada, menor o espaço para erro de formulação. A posição em relação à fronteira de capacidade da IA (DELL’ACQUA et al., 2026): fora da fronteira, a avaliação calibrada torna-se mais importante. O grau de incerteza (SARASVATHY, 2001): sob alta incerteza, o objeto adequado da formulação passa a ser a aprendizagem, e não um resultado fixo. E o desempenho ou a experiência inicial do empreendedor (BRYNJOLFSSON; LI; RAYMOND, 2025; OTIS et al., 2026), que condiciona a capacidade de formular e de julgar. A Figura 1 representa o modelo.

Figura 1. Modelo conceitual da formulação pré-prompt

Fonte: elaborado pela autora. As setas indicam relações propostas, não relações testadas. P1 a P8 referem-se às proposições da Seção 4.

4 Proposições

As proposições a seguir decorrem do modelo e da literatura revisada. Elas são formuladas em termos comparativos e com condições de contorno explícitas, para que possam ser testadas e eventualmente refutadas.

4.1 Adequação ao objetivo

A tradição da formulação de problemas sustenta que a qualidade da solução é limitada pela qualidade da formulação (MITROFF; FEATHERINGHAM, 1974; VOLKEMA, 1983) e que a construção do problema importa mais quando ele é mal definido (REITER-PALMON; ROBINSON, 2009). A teoria do estabelecimento de metas prevê melhor direcionamento da atenção e das estratégias quando o objetivo é específico (LOCKE; LATHAM, 2002). A pesquisa sobre interação com LLMs documenta dificuldades de usuários em explicitar suas intenções (SUBRAMONYAM et al., 2024; ZAMFIRESCU-PEREIRA et al., 2023).

Proposição 1. Em comparação com o uso orientado à tarefa, o uso orientado ao resultado aumenta a adequação das respostas da IA ao objetivo de negócio do empreendedor; esse efeito é mais forte em problemas mal estruturados do que em problemas bem estruturados.

4.2 Avaliação calibrada e viés de automação

A literatura de automação mostra que a confiança excessiva leva a erros de omissão e de comissão (PARASURAMAN; MANZEY, 2010) e que intervenções que exigem reflexão antes da recomendação reduzem a dependência excessiva (BUÇINCA; MALAYA; GAJOS, 2021). Lee et al. (2025) associam a confiança na IA à redução do pensamento crítico. Fora da fronteira de capacidade, a fluência das respostas pode mascarar erros (DELL’ACQUA et al., 2026).

Proposição 2. A definição de critérios de sucesso antes da interação com a IA aumenta a probabilidade de o empreendedor detectar respostas plausíveis, porém incorretas ou inadequadas; esse efeito é mais forte em tarefas situadas fora da fronteira de capacidade do modelo.

4.3 Implementação seletiva

Otis et al. (2026) atribuíram a heterogeneidade dos efeitos da IA sobre pequenos negócios à seleção e implementação de conselhos, e não às perguntas feitas nem às respostas recebidas. A abordagem científica da decisão empreendedora mostrou que a explicitação de hipóteses melhora decisões de continuar, pivotar ou encerrar (CAMUFFO et al., 2020, 2024). Felin et al. (2020) argumentam que a experimentação sem teoria do valor carece de critério de seleção.

Proposição 3. O uso orientado ao resultado aumenta a seletividade do empreendedor na implementação de recomendações da IA, isto é, a proporção de recomendações implementadas que são coerentes com o diagnóstico do problema; essa seletividade medeia parcialmente o efeito da formulação pré-prompt sobre o desempenho do negócio.

4.4 O custo da formulação e a estrutura da tarefa

Formular custa tempo e esforço. Os grandes ganhos de produtividade documentados por Noy e Zhang (2023), Peng et al. (2023) e Brynjolfsson, Li e Raymond (2025) ocorreram em tarefas cujo propósito já estava definido. Nessas condições, uma formulação adicional pode trazer pouco benefício marginal.

Proposição 4. O benefício líquido da formulação pré-prompt é moderado pela estrutura da tarefa: em tarefas bem estruturadas e situadas dentro da fronteira de capacidade da IA, o benefício marginal tende a ser pequeno e pode não compensar o tempo investido; em tarefas mal estruturadas, tende a ser positivo.

4.5 Metas de resultado e metas de aprendizagem sob incerteza

A efetuação sugere que, sob alta incerteza, objetivos predefinidos podem ser inadequados (SARASVATHY, 2001, 2008). A teoria do estabelecimento de metas mostra que, em tarefas complexas nas quais as estratégias ainda são desconhecidas, metas de aprendizagem superam metas de resultado específicas (SEIJTS; LATHAM, 2001; WINTERS; LATHAM, 1996). Ordóñez et al. (2009) alertam para o estreitamento do foco provocado por metas mal ajustadas.

Proposição 5. Sob alta incerteza, a formulação pré-prompt mais eficaz é aquela que explicita metas de aprendizagem e hipóteses testáveis, e não metas de resultado específicas; nessas condições, metas de resultado rígidas definidas antes da interação com a IA tendem a reduzir a qualidade das decisões.

4.6 Abrangência da formulação e diversidade das soluções

Baer, Dirks e Nickerson (2013) definem a qualidade da formulação estratégica pela abrangência de formulações alternativas consideradas. Getzels e Csikszentmihalyi (1976) e Abdulla et al. (2020) associam a descoberta de problemas à criatividade. Ao mesmo tempo, a IA pode homogeneizar resultados (DOSHI; HAUSER, 2024) e favorecer soluções de maior valor percebido, mas menor novidade (BOUSSIOUX et al., 2024).

Proposição 6. A geração de múltiplas formulações alternativas do problema antes da solicitação de soluções à IA aumenta a novidade e a diversidade das opções consideradas pelo empreendedor e atenua a tendência de homogeneização associada ao uso da IA.

4.7 Desempenho inicial e efeitos adversos

Brynjolfsson, Li e Raymond (2025) encontraram maiores ganhos entre trabalhadores menos experientes em uma tarefa estruturada; Otis et al. (2026) encontraram efeitos adversos entre empresários de pior desempenho inicial em um contexto aberto. Uma interpretação compatível com ambos os achados é que a IA compensa a falta de habilidade quando o problema está formulado e a amplifica quando o problema precisa ser formulado pelo próprio usuário.

Proposição 7. A formulação pré-prompt modera a relação entre o desempenho inicial do empreendedor e o efeito do uso da IA sobre o negócio: entre empreendedores de baixo desempenho inicial, ela reduz a probabilidade de efeitos adversos.

4.8 Efeitos de longo prazo sobre o julgamento

Bastani et al. (2025) mostraram que o uso irrestrito da IA pode prejudicar a aprendizagem quando a ferramenta substitui o esforço do usuário. Lee et al. (2025) relatam deslocamento do esforço cognitivo da execução para a verificação. Se a formulação permanece com o empreendedor, a IA tende a ser usada como complemento, e não como substituto, do julgamento.

Proposição 8. A prática continuada da formulação pré-prompt preserva ou desenvolve a capacidade do empreendedor de formular problemas e avaliar decisões sem a IA, enquanto o uso habitual orientado à tarefa tende a reduzi-la.

O Quadro 2 sintetiza as proposições, as bases teóricas e as variáveis implicadas.

Quadro 2. Síntese das proposições

Fonte: elaborado pela autora.

5 Implicações para empreendedores individuais

As implicações a seguir decorrem do modelo e devem ser lidas como hipóteses práticas, não como recomendações comprovadas. A evidência citada sustenta os mecanismos de modo indireto, e a validade das proposições no contexto empreendedor ainda precisa ser testada.

A primeira implicação é separar, no tempo, a pergunta “o que eu quero que mude?” da pergunta “o que eu peço à IA?”. Na prática, isso pode consistir em registrar por escrito, antes de abrir a ferramenta, um enunciado curto do resultado desejado, o diagnóstico provisório do problema, um ou dois critérios observáveis de sucesso e as restrições relevantes (orçamento, prazo, público, limites éticos). Esse registro corresponde à formulação pré-prompt do modelo e tem duas funções: orientar a interação e servir de padrão para avaliar as respostas.

A segunda implicação é ajustar o tipo de objetivo ao grau de incerteza. Quando o empreendedor já conhece o problema e as estratégias disponíveis — por exemplo, revisar um contrato padrão ou reescrever a descrição de um produto —, uma meta de resultado específica é adequada e a formulação pode ser breve (Proposição 4). Quando o problema é novo ou ambíguo — por exemplo, entender por que clientes não voltam a comprar —, a literatura sugere formular hipóteses e metas de aprendizagem, isto é, decidir o que precisa ser descoberto antes de decidir o que precisa ser feito (CAMUFFO et al., 2020; SEIJTS; LATHAM, 2001).

A terceira implicação é tratar a IA como instrumento de exploração do problema, e não apenas como executora. Pedir ao modelo formulações alternativas, perguntas que um cliente faria ou explicações concorrentes para um fenômeno observado é compatível com o uso orientado ao resultado, desde que o empreendedor mantenha o controle sobre qual formulação adotar (Proposição 6). O bloco Questionar do método AI Thinking, que motivou este ensaio, propõe exatamente essa inversão de ordem; o modelo aqui apresentado oferece uma base para avaliá-la empiricamente.

A quarta implicação diz respeito à implementação. O estudo de Otis et al. (2026) sugere que o momento de maior risco não é a pergunta, mas a decisão sobre o que fazer com a resposta. Um critério simples derivado do modelo é verificar, antes de implementar uma recomendação, se ela atua sobre a causa diagnosticada ou apenas sobre um sintoma, e se há alguma evidência — ainda que preliminar — de que funcionará no contexto específico do negócio.

A quinta implicação é reconhecer o custo da formulação. Para tarefas simples e recorrentes, a formulação pode ser feita uma única vez e reutilizada. Insistir em longos exercícios de formulação para tarefas triviais seria inconsistente com o próprio modelo.

6 Limitações

Este ensaio tem limitações que restringem o alcance de suas conclusões.

A primeira e mais importante é a ausência de dados empíricos. As proposições derivam de inferências a partir de literaturas que, em sua maioria, não estudaram a formulação pré-prompt diretamente. Os estudos sobre IA generativa citados não manipularam a formulação do problema; os estudos sobre formulação de problemas e metas não envolveram IA. A ponte entre as duas literaturas é teórica e pode não se sustentar empiricamente.

A segunda limitação diz respeito à generalização das evidências. Vários dos estudos sobre produtividade foram realizados com profissionais de alta escolaridade, em países de alta renda ou em grandes organizações (BRYNJOLFSSON; LI; RAYMOND, 2025; DELL’ACQUA et al., 2026; NOY; ZHANG, 2023). O estudo de Otis et al. (2026), com pequenos empresários no Quênia, é mais próximo do contexto de empreendedores individuais, mas não necessariamente se generaliza a outros países, setores ou ferramentas. Além disso, os modelos de IA evoluem rapidamente, e a localização da fronteira de capacidade muda com eles.

A terceira limitação é conceitual. A distinção entre uso orientado à tarefa e uso orientado ao resultado é apresentada como dicotomia para fins analíticos, mas, na prática, trata-se de um contínuo, e ambos os padrões podem coexistir em uma mesma interação. Além disso, a interação iterativa com a IA pode, por si só, ajudar a formular o problema — o que torna difícil separar empiricamente formulação e execução.

A quarta limitação é a tensão com a efetuação. Embora o ensaio proponha uma conciliação (Seção 2.3 e Proposição 5), é possível que, em alguns contextos empreendedores, a ação rápida sem formulação explícita seja superior, porque gera informação que nenhuma formulação prévia produziria (SCHLESINGER; KIEFER; BROWN, 2012). As proposições devem ser testadas também contra essa alternativa.

A quinta limitação refere-se à posição da autora. O ensaio foi motivado por um método de formação desenvolvido por ela. Para mitigar esse risco, o método não é usado como evidência, as proposições são formuladas de modo refutável e o desenho de estudo proposto inclui um controle ativo, além de prever pré-registro e avaliação cega por terceiros (Seção 7).

7 Agenda de pesquisa e desenho de estudo proposto

7.1 Questões de pesquisa

A agenda decorrente do modelo organiza-se em torno de quatro questões. (Q1) A formulação pré-prompt aumenta a adequação das respostas da IA aos objetivos do empreendedor e a qualidade de suas decisões? (Q2) Por quais mecanismos — adequação ao objetivo, avaliação calibrada, implementação seletiva — esse efeito ocorre? (Q3) Sob quais condições (estrutura da tarefa, fronteira de capacidade, incerteza, desempenho inicial) ele se fortalece, desaparece ou se inverte? (Q4) Quais são seus efeitos de longo prazo sobre a capacidade de julgamento do empreendedor?

Essas questões admitem estratégias complementares. Estudos qualitativos com protocolos de pensamento em voz alta podem descrever como empreendedores formulam (ou deixam de formular) problemas antes de usar a IA, contribuindo para refinar o construto. A análise de registros de interação (logs), com consentimento informado, pode estimar a prevalência dos dois padrões de uso e sua associação com resultados observáveis. Experimentos de laboratório com tarefas empresariais padronizadas permitem manipular a estrutura da tarefa e a posição em relação à fronteira, testando as Proposições 1, 2 e 4 com alto controle. O teste mais exigente, porém, é um experimento de campo, descrito a seguir.

7.2 Desenho proposto: experimento de campo com três braços

Propomos um ensaio controlado randomizado com empreendedores individuais e proprietários de micro e pequenas empresas, com três braços:

• Braço A (acesso à IA): os participantes recebem acesso a um assistente de IA generativa e uma orientação mínima de uso. Esse braço estima o efeito do acesso sem intervenção adicional e serve de linha de base.
• Braço B (IA com formulação pré-prompt): os participantes recebem o mesmo acesso e uma intervenção breve de formulação pré-prompt, composta por treinamento e por um roteiro estruturado que exige, antes de cada uso relevante, o registro do resultado desejado, do diagnóstico, dos critérios de sucesso e das hipóteses.
• Braço C (IA com treinamento em engenharia de prompt): os participantes recebem o mesmo acesso e um treinamento de duração e intensidade equivalentes ao do Braço B, focado em técnicas de redação de prompts (estrutura, exemplos, papéis, formatos de saída), sem componente de formulação de problemas.

O Braço C é o controle ativo decisivo. A comparação B versus A confunde o conteúdo da intervenção com a atenção e o tempo adicionais que qualquer treinamento oferece; a comparação B versus C isola a contribuição específica da formulação do problema em relação ao aprimoramento do prompt, que é precisamente a distinção em discussão neste ensaio (ACAR, 2023). Vale notar que Dell'Acqua et al. (2026) já incluíram, além do acesso simples à IA, uma condição com acesso à IA acompanhado de uma visão geral de engenharia de prompt; nenhuma condição, porém, treinava a formulação do problema, lacuna que o Braço B pretende preencher. Um quarto braço sem acesso à IA poderia ser acrescentado para estimar o efeito do acesso em si, mas esse efeito não é o objeto principal do estudo e já foi examinado em outros trabalhos (OTIS et al., 2026).

A randomização deve ser estratificada por desempenho inicial do negócio (por exemplo, receita mensal autorrelatada e verificada quando possível), setor e experiência prévia com IA, de modo a permitir o teste da Proposição 7. O período de acompanhamento deve ser suficiente para observar decisões e resultados de negócio; o estudo de Otis et al. (2026), por exemplo, acompanhou os participantes por cerca de cinco meses.

7.3 Hipóteses

As hipóteses confirmatórias, a serem pré-registradas, são:

• H1 (P1): As respostas da IA obtidas pelos participantes do Braço B apresentam maior adequação ao objetivo do que as dos Braços A e C.
• H2 (P2): Os participantes do Braço B detectam uma proporção maior de erros inseridos deliberadamente em respostas da IA do que os dos Braços A e C, especialmente em tarefas fora da fronteira de capacidade do modelo.
• H3 (P3): Os participantes do Braço B apresentam maior seletividade na implementação de recomendações, e a seletividade medeia parcialmente a diferença de desempenho do negócio entre os braços.
• H4 (P7): O efeito do Braço B em relação ao Braço A sobre o desempenho do negócio é mais positivo entre participantes de baixo desempenho inicial.

As Proposições 4, 5, 6 e 8 podem ser examinadas como hipóteses secundárias ou exploratórias, explicitamente rotuladas como tal: P4 pela comparação entre tarefas estruturadas e não estruturadas, P5 pela codificação do tipo de meta formulada, P6 pela diversidade semântica das opções consideradas e P8 por uma avaliação final sem acesso à IA.

7.4 Medidas

Qualidade da formulação (verificação de manipulação). Os registros de formulação produzidos pelos participantes (ou, nos Braços A e C, enunciados equivalentes solicitados ao início de tarefas-padrão) devem ser codificados por avaliadores cegos quanto ao braço, com uma rubrica derivada dos componentes de Acar (2023) — diagnóstico, decomposição, reenquadramento e restrições — e do critério de abrangência de Baer, Dirks e Nickerson (2013). A confiabilidade entre avaliadores deve ser reportada.

Adequação ao objetivo. Em tarefas-padrão aplicadas a todos os braços, especialistas cegos avaliam em que medida a resposta final da IA, conforme aceita pelo participante, atende ao objetivo de negócio descrito no caso, e não apenas à tarefa literal.

Detecção de erros. Seguindo a lógica de estudos sobre dependência excessiva (BUÇINCA; MALAYA; GAJOS, 2021), apresentam-se respostas de IA com erros inseridos deliberadamente — por exemplo, cálculos incorretos, premissas incompatíveis com o caso ou recomendações que contrariam uma restrição declarada. A proporção de erros detectados é a medida principal de avaliação calibrada. Tarefas dentro e fora da fronteira de capacidade do modelo devem ser incluídas, com base em pré-testes, para testar o moderador de P2 (DELL’ACQUA et al., 2026).

Seletividade na implementação. Com base em diários de decisão e em entrevistas estruturadas periódicas, codifica-se cada recomendação recebida da IA quanto à sua implementação e à sua coerência com o problema diagnosticado no negócio. A seletividade é a proporção de recomendações implementadas que são coerentes com o diagnóstico.

Desempenho do negócio. Receita e lucro, coletados com a periodicidade possível e, sempre que viável, verificados por registros. Dada a alta variância dessas medidas em pequenos negócios, recomenda-se especificar transformações e tratamento de valores extremos no pré-registro.

Medidas de custo e processo. Tempo despendido na formulação e na interação com a IA, frequência de uso, esforço percebido e confiança na IA e em si mesmo (LEE et al., 2025).

Capacidade de julgamento sem IA. Ao final do estudo, uma tarefa de formulação e decisão realizada sem acesso à IA, avaliada às cegas, permite examinar a Proposição 8 (BASTANI et al., 2025).

7.5 Tamanho amostral e análise

O tamanho amostral deve ser definido por análise de poder a priori e justificado no pré-registro. A título ilustrativo — e sem que isso represente uma estimativa do efeito esperado —, para detectar uma diferença padronizada de d = 0,30 entre dois braços, com poder de 0,80 e α = 0,05 bicaudal, são necessários cerca de 175 participantes por braço (176 pelo cálculo exato com a distribuição t não central), o que corresponde a aproximadamente 525 participantes nos três braços. Se as duas comparações confirmatórias principais (B versus A e B versus C) forem corrigidas para multiplicidade com α = 0,025 cada, o requisito sobe para cerca de 213 por braço. A esses valores deve-se acrescentar uma margem para perdas de acompanhamento, que tendem a ser relevantes em estudos de campo com pequenos negócios. Testes de moderação, como H4, exigem amostras maiores para o mesmo poder, e isso deve ser reconhecido ao interpretá-los.

A análise principal compara os braços por intenção de tratar, com modelos que incluem as variáveis de estratificação e, quando disponíveis, as medidas de linha de base. Efeitos de tratamento sobre os efetivamente tratados podem ser estimados com a atribuição aleatória como instrumento. A mediação (H3) deve ser analisada com cautela, uma vez que o mediador não é aleatorizado; análises de sensibilidade a confundidores não observados são recomendadas. Hipóteses exploratórias devem ser rotuladas como tal e reportadas integralmente, inclusive quando nulas.

7.6 Ética, transparência e conflito de interesses

O estudo deve ser submetido a comitê de ética em pesquisa — no Brasil, ao sistema CEP/Conep —, com consentimento informado, proteção dos dados de negócio e possibilidade de desistência a qualquer momento. Como a IA pode dar recomendações prejudiciais ao negócio, como sugerem os efeitos adversos documentados por Otis et al. (2026), os participantes devem ser informados de que as recomendações não substituem seu julgamento, e deve haver um procedimento de monitoramento para efeitos adversos. Recomenda-se oferecer aos braços de controle, ao final do estudo, acesso à intervenção que se mostrar mais eficaz.

Dada a origem do estudo em um método de formação desenvolvido pela autora, recomenda-se que a coleta de dados, a codificação e a análise sejam conduzidas ou auditadas por pesquisadores sem vínculo com o método; que o pré-registro especifique hipóteses, medidas e análises antes da coleta; e que materiais, rubricas e, quando possível, dados anonimizados sejam disponibilizados publicamente.

8 Conclusão

Este ensaio examinou a diferença entre começar o uso da IA pedindo uma tarefa e começar compreendendo o resultado que se deseja alcançar. Argumentamos que essa diferença não é apenas de ordem: ela afeta o que a IA produz, como o empreendedor avalia o que recebe e o que decide implementar. Ao integrar a pesquisa sobre formulação de problemas, a teoria do estabelecimento de metas, a literatura sobre decisão empreendedora sob incerteza e a evidência recente sobre IA generativa, propusemos um modelo com três mecanismos — adequação ao objetivo, avaliação calibrada e implementação seletiva — e quatro condições de contorno, e derivamos dele oito proposições testáveis.

O argumento central tem duas faces. De um lado, a evidência sugere que os ganhos da IA generativa são mais robustos quando o problema já está formulado e que os riscos aumentam quando a formulação fica a cargo do próprio usuário, em contextos abertos como o da gestão de um pequeno negócio. De outro, a formulação adequada não é necessariamente uma meta fixa: sob alta incerteza, formular bem pode significar explicitar o que precisa ser aprendido. Essa conciliação entre a teoria do estabelecimento de metas e a efetuação é, a nosso ver, a contribuição teórica mais relevante do ensaio.

Se as proposições forem confirmadas, a implicação é que a capacitação de empreendedores para o uso da IA deveria dar mais atenção à formulação de problemas do que à redação de comandos. Se forem refutadas — por exemplo, se a interação iterativa com a IA se mostrar um substituto eficiente da formulação prévia —, o resultado será igualmente informativo. Em ambos os casos, a questão merece ser tratada como objeto de investigação empírica, e não como pressuposto.

Declarações

Conflito de interesses. A autora é criadora do método AI Thinking, mencionado na Introdução como motivação do ensaio, e atua como empreendedora e educadora, oferecendo programas de formação relacionados ao uso de inteligência artificial por empreendedores. O método não é utilizado como evidência neste artigo.

Uso de inteligência artificial. A autora utilizou o Claude (Anthropic), ferramenta de inteligência artificial generativa, na revisão do texto, na conferência das referências bibliográficas em bases de metadados (Crossref) e nas fontes primárias, e na adequação às normas da ABNT. A autora revisou integralmente o texto e assume total responsabilidade por seu conteúdo.

Financiamento. Esta pesquisa não recebeu financiamento.

Disponibilidade de dados. Não se aplica. Este artigo é teórico e não utiliza dados empíricos.

Referências

ABDULLA, A. M. et al. Problem finding and creativity: a meta-analytic review. Psychology of Aesthetics, Creativity, and the Arts, v. 14, n. 1, p. 3-14, 2020. DOI: https://doi.org/10.1037/aca0000194.

ACAR, O. A. AI prompt engineering isn't the future. Harvard Business Review, Boston, 6 jun. 2023. Disponível em: https://hbr.org/2023/06/ai-prompt-engineering-isnt-the-future. Acesso em: 22 out. 2026.

BAER, M.; DIRKS, K. T.; NICKERSON, J. A. Microfoundations of strategic problem formulation. Strategic Management Journal, v. 34, n. 2, p. 197-214, 2013. DOI: https://doi.org/10.1002/smj.2004.

BARON, R. A. Opportunity recognition as pattern recognition: how entrepreneurs "connect the dots" to identify new business opportunities. Academy of Management Perspectives, v. 20, n. 1, p. 104-119, 2006. DOI: https://doi.org/10.5465/amp.2006.19873412.

BASTANI, H. et al. Generative AI without guardrails can harm learning: evidence from high school mathematics. Proceedings of the National Academy of Sciences, v. 122, n. 26, e2422633122, 2025. DOI: https://doi.org/10.1073/pnas.2422633122.

BOUSSIOUX, L. et al. The crowdless future? Generative AI and creative problem-solving. Organization Science, v. 35, n. 5, p. 1589-1607, 2024. DOI: https://doi.org/10.1287/orsc.2023.18430.

BRYNJOLFSSON, E.; LI, D.; RAYMOND, L. Generative AI at work. The Quarterly Journal of Economics, v. 140, n. 2, p. 889-942, 2025. DOI: https://doi.org/10.1093/qje/qjae044.

BUÇINCA, Z.; MALAYA, M. B.; GAJOS, K. Z. To trust or to think: cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, v. 5, n. CSCW1, p. 1-21, 2021. DOI: https://doi.org/10.1145/3449287.

CAMUFFO, A. et al. A scientific approach to entrepreneurial decision making: evidence from a randomized control trial. Management Science, v. 66, n. 2, p. 564-586, 2020. DOI: https://doi.org/10.1287/mnsc.2018.3249.

CAMUFFO, A. et al. A scientific approach to entrepreneurial decision-making: large-scale replication and extension. Strategic Management Journal, v. 45, n. 6, p. 1209-1237, 2024. DOI: https://doi.org/10.1002/smj.3580.

DELL'ACQUA, F. et al. Navigating the jagged technological frontier: field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, v. 37, n. 2, p. 403-423, 2026. DOI: https://doi.org/10.1287/orsc.2025.21838.

DIMOV, D. Beyond the single-person, single-insight attribution in understanding entrepreneurial opportunities. Entrepreneurship Theory and Practice, v. 31, n. 5, p. 713-731, 2007. DOI: https://doi.org/10.1111/j.1540-6520.2007.00196.x.

DORST, K. The core of 'design thinking' and its application. Design Studies, v. 32, n. 6, p. 521-532, 2011. DOI: https://doi.org/10.1016/j.destud.2011.07.006.

DOSHI, A. R.; HAUSER, O. P. Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, v. 10, n. 28, eadn5290, 2024. DOI: https://doi.org/10.1126/sciadv.adn5290.

ELOUNDOU, T. et al. GPTs are GPTs: labor market impact potential of LLMs. Science, v. 384, n. 6702, p. 1306-1308, 2024. DOI: https://doi.org/10.1126/science.adj0998.

FELIN, T. et al. Lean startup and the business model: experimentation revisited. Long Range Planning, v. 53, n. 4, 101889, 2020. DOI: https://doi.org/10.1016/j.lrp.2019.06.002.

GANS, J. S.; STERN, S.; WU, J. Foundations of entrepreneurial strategy. Strategic Management Journal, v. 40, n. 5, p. 736-756, 2019. DOI: https://doi.org/10.1002/smj.3010.

GETZELS, J. W.; CSIKSZENTMIHALYI, M. The creative vision: a longitudinal study of problem finding in art. New York: Wiley, 1976.

GODDARD, K.; ROUDSARI, A.; WYATT, J. C. Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, v. 19, n. 1, p. 121-127, 2012. DOI: https://doi.org/10.1136/amiajnl-2011-000089.

GREENBERG, D.; McKONE-SWEET, K.; WILSON, H. J. (ed.). The new entrepreneurial leader: developing leaders who shape social and economic opportunity. San Francisco: Berrett-Koehler, 2011.

LEE, H.-P. et al. The impact of generative AI on critical thinking: self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In: CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 2025, Yokohama. Proceedings [...]. New York: Association for Computing Machinery, 2025. p. 1-22. DOI: https://doi.org/10.1145/3706598.3713778.

LOCKE, E. A.; LATHAM, G. P. A theory of goal setting and task performance. Englewood Cliffs: Prentice-Hall, 1990.

LOCKE, E. A.; LATHAM, G. P. Building a practically useful theory of goal setting and task motivation: a 35-year odyssey. American Psychologist, v. 57, n. 9, p. 705-717, 2002. DOI: https://doi.org/10.1037/0003-066X.57.9.705.

LOCKE, E. A.; LATHAM, G. P. New directions in goal-setting theory. Current Directions in Psychological Science, v. 15, n. 5, p. 265-268, 2006. DOI: https://doi.org/10.1111/j.1467-8721.2006.00449.x.

LOCKE, E. A.; LATHAM, G. P. Has goal setting gone wild, or have its attackers abandoned good scholarship? Academy of Management Perspectives, v. 23, n. 1, p. 17-23, 2009. DOI: https://doi.org/10.5465/amp.2009.37008000.

MITROFF, I. I.; FEATHERINGHAM, T. R. On systemic problem solving and the error of the third kind. Behavioral Science, v. 19, n. 6, p. 383-393, 1974. DOI: https://doi.org/10.1002/bs.3830190605.

MOLLICK, E. Co-intelligence: living and working with AI. New York: Portfolio, 2024.

NICKERSON, J.; YEN, C. J.; MAHONEY, J. T. Exploring the problem-finding and problem-solving approach for designing organizations. Academy of Management Perspectives, v. 26, n. 1, p. 52-72, 2012. DOI: https://doi.org/10.5465/amp.2011.0106.

NOY, S.; ZHANG, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science, v. 381, n. 6654, p. 187-192, 2023. DOI: https://doi.org/10.1126/science.adh2586.

NUSEIBEH, B.; EASTERBROOK, S. Requirements engineering: a roadmap. In: CONFERENCE ON THE FUTURE OF SOFTWARE ENGINEERING, 2000, Limerick. Proceedings [...]. New York: Association for Computing Machinery, 2000. p. 35-46. DOI: https://doi.org/10.1145/336512.336523.

ORDÓÑEZ, L. D. et al. Goals gone wild: the systematic side effects of overprescribing goal setting. Academy of Management Perspectives, v. 23, n. 1, p. 6-16, 2009. DOI: https://doi.org/10.5465/amp.2009.37007999.

OTIS, N. G. et al. The uneven impact of generative artificial intelligence on entrepreneurial performance: evidence from a field experiment in Kenya. Management Science, 2026. Publicação online antecipada. DOI: https://doi.org/10.1287/mnsc.2024.06909.

PARASURAMAN, R.; MANZEY, D. H. Complacency and bias in human use of automation: an attentional integration. Human Factors, v. 52, n. 3, p. 381-410, 2010. DOI: https://doi.org/10.1177/0018720810376055.

PARASURAMAN, R.; RILEY, V. Humans and automation: use, misuse, disuse, abuse. Human Factors, v. 39, n. 2, p. 230-253, 1997. DOI: https://doi.org/10.1518/001872097778543886.

PENG, S. et al. The impact of AI on developer productivity: evidence from GitHub Copilot. [S. l.]: arXiv, 2023. (arXiv:2302.06590). DOI: https://doi.org/10.48550/arXiv.2302.06590.

REITER-PALMON, R. et al. Problem construction and creativity: the role of ability, cue consistency, and active processing. Creativity Research Journal, v. 10, n. 1, p. 9-23, 1997. DOI: https://doi.org/10.1207/s15326934crj1001_2.

REITER-PALMON, R.; ROBINSON, E. J. Problem identification and construction: what do we know, what is the future? Psychology of Aesthetics, Creativity, and the Arts, v. 3, n. 1, p. 43-47, 2009. DOI: https://doi.org/10.1037/a0014629.

RIES, E. The lean startup: how today's entrepreneurs use continuous innovation to create radically successful businesses. New York: Crown Business, 2011.

RITTEL, H. W. J.; WEBBER, M. M. Dilemmas in a general theory of planning. Policy Sciences, v. 4, n. 2, p. 155-169, 1973. DOI: https://doi.org/10.1007/BF01405730.

SARASVATHY, S. D. Causation and effectuation: toward a theoretical shift from economic inevitability to entrepreneurial contingency. Academy of Management Review, v. 26, n. 2, p. 243-263, 2001. DOI: https://doi.org/10.2307/259121.

SARASVATHY, S. D. Effectuation: elements of entrepreneurial expertise. Cheltenham: Edward Elgar, 2008. DOI: https://doi.org/10.4337/9781848440197.

SCHLESINGER, L. A.; KIEFER, C. F.; BROWN, P. B. Just start: take action, embrace uncertainty, create the future. Boston: Harvard Business Review Press, 2012.

SCHULHOFF, S. et al. The prompt report: a systematic survey of prompt engineering techniques. [S. l.]: arXiv, 2024. (arXiv:2406.06608). DOI: https://doi.org/10.48550/arXiv.2406.06608.

SEIJTS, G. H.; LATHAM, G. P. The effect of distal learning, outcome, and proximal goals on a moderately complex task. Journal of Organizational Behavior, v. 22, n. 3, p. 291-307, 2001. DOI: https://doi.org/10.1002/job.70.

SHANE, S.; VENKATARAMAN, S. The promise of entrepreneurship as a field of research. Academy of Management Review, v. 25, n. 1, p. 217-226, 2000. DOI: https://doi.org/10.5465/amr.2000.2791611.

SIMON, H. A. The structure of ill structured problems. Artificial Intelligence, v. 4, n. 3-4, p. 181-201, 1973. DOI: https://doi.org/10.1016/0004-3702(73)90011-8.

SMITH, G. F. Towards a heuristic theory of problem structuring. Management Science, v. 34, n. 12, p. 1489-1506, 1988. DOI: https://doi.org/10.1287/mnsc.34.12.1489.

SMITH, G. F. Defining managerial problems: a framework for prescriptive theorizing. Management Science, v. 35, n. 8, p. 963-981, 1989. DOI: https://doi.org/10.1287/mnsc.35.8.963.

SUBRAMONYAM, H. et al. Bridging the gulf of envisioning: cognitive challenges in prompt based interactions with LLMs. In: CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 2024, Honolulu. Proceedings [...]. New York: Association for Computing Machinery, 2024. p. 1-19. DOI: https://doi.org/10.1145/3613904.3642754.

TANKELEVITCH, L. et al. The metacognitive demands and opportunities of generative AI. In: CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 2024, Honolulu. Proceedings [...]. New York: Association for Computing Machinery, 2024. p. 1-24. DOI: https://doi.org/10.1145/3613904.3642902.

VACCARO, M.; ALMAATOUQ, A.; MALONE, T. When combinations of humans and AI are useful: a systematic review and meta-analysis. Nature Human Behaviour, v. 8, n. 12, p. 2293-2303, 2024. DOI: https://doi.org/10.1038/s41562-024-02024-1.

VOLKEMA, R. J. Problem formulation in planning and design. Management Science, v. 29, n. 6, p. 639-652, 1983. DOI: https://doi.org/10.1287/mnsc.29.6.639.

WEDELL-WEDELLSBORG, T. Are you solving the right problems? Harvard Business Review, v. 95, n. 1, p. 76-83, 2017. Disponível em: https://hbr.org/2017/01/are-you-solving-the-right-problems. Acesso em: 22 out. 2026.

WEI, J. et al. Chain-of-thought prompting elicits reasoning in large language models. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 2022, New Orleans. Advances in Neural Information Processing Systems 35. Red Hook: Curran Associates, 2022. p. 24824-24837. DOI: https://doi.org/10.52202/068431-1800.

WHITE, J. et al. A prompt pattern catalog to enhance prompt engineering with ChatGPT. [S. l.]: arXiv, 2023. (arXiv:2302.11382). DOI: https://doi.org/10.48550/arXiv.2302.11382.

WINTERS, D.; LATHAM, G. P. The effect of learning versus outcome goals on a simple versus a complex task. Group & Organization Management, v. 21, n. 2, p. 236-250, 1996. DOI: https://doi.org/10.1177/1059601196212007.

ZAMFIRESCU-PEREIRA, J. D. et al. Why Johnny can't prompt: how non-AI experts try (and fail) to design LLM prompts. In: CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 2023, Hamburg. Proceedings [...]. New York: Association for Computing Machinery, 2023. p. 1-21. DOI: https://doi.org/10.1145/3544548.3581388.

ZAVE, P.; JACKSON, M. Four dark corners of requirements engineering. ACM Transactions on Software Engineering and Methodology, v. 6, n. 1, p. 1-30, 1997. DOI: https://doi.org/10.1145/237432.237434.

1. Pesquisadora independente. São José do Rio Preto – SP – Brasil. E-mail: dani@danihayoshi.com. ↑