Não parece uma pergunta capaz de alterar os rumos da humanidade.

Provavelmente não alterou.

Alguém atrás de um balcão respondeu alcatra, contrafilé, coxão mole, patinho ou alguma combinação dessas possibilidades, dependendo do açougue, do preço, da disponibilidade, da receita da sogra e da disposição do freguês para discutir culinária às dez e vinte da manhã.

O problema é que depois veio outra pessoa.

Nós não sabemos quem concebeu a placa que encontrei reproduzida nas redes sociais. Também não sabemos por que ela nasceu. Mas é razoável imaginar alguém diante de uma rotina muito humana: clientes diferentes formulando, dia após dia, versões ligeiramente diferentes da mesma pergunta.

Até que, em algum momento, uma pessoa provavelmente cansou.

Ainda bem.

A placa é de uma simplicidade quase ofensiva. De um lado: QUERO FAZER. Do outro: CARNE.

Bife grelhado? Veja estas carnes. Estrogonofe? Estas. Carne de panela? Aquelas. Churrasco? Aqui estão as possibilidades.

Pronto.

Se tivesse sido concebida numa empresa de tecnologia, provavelmente haveria três reuniões, dois post-its, um café intragável e alguém dizendo que a equipe precisava “redesenhar a jornada do usuário”. Talvez surgisse um PowerPoint explicando o framework. Depois alguém proporia uma squad.

No açougue, fizeram uma tabela.

E funcionou.

O momento em que uma pergunta vira um problema

A inteligência do cartaz não está propriamente nas carnes indicadas. Está na percepção de que as perguntas não eram tão diferentes quanto pareciam.

“Que carne compro para estrogonofe?”, “que carne compro para assar?” e “que carne compro para ensopar?” são, na superfície, perguntas distintas. Estruturalmente, porém, descrevem a mesma operação:

Foi preciso alguém abandonar cada pergunta individual e perceber a classe de problemas à qual todas pertenciam.

Esse movimento é fundamental para qualquer algoritmo.

Algoritmo não precisa morar num computador, ter fundo preto, letras verdes nem fazer um programador parecer perigosamente importante enquanto digita coisas incompreensíveis. Em sentido amplo, estamos diante de uma sequência organizada de operações para transformar uma entrada em um resultado.

A placa faz justamente isso.

Temos um algoritmo.

Só que plastificado.

Louvados sejam os preguiçosos certos

Em abril de 2026, em Entre o esforço e a escolha , eu já havia defendido uma ideia que continua soando péssima em entrevistas de emprego: o homem só chegou até aqui porque, em algum momento, desconfiou de que nem todo esforço merecia continuar existindo.

Naquele texto, a roda aparecia não como monumento ao trabalho, mas como uma recusa ao desperdício. A ideia terminava numa formulação que vale trazer novamente para o açougue:

Existe a preguiça que abandona o problema e existe a preguiça que olha para o problema pela quadragésima sétima vez e pergunta:

precisa mesmo ser assim?

A segunda é perigosíssima.

Foi provavelmente esse tipo de gente que olhou para cargas pesadas e imaginou mecanismos para movê-las, cansou de fazer contas manualmente, criou planilhas para não repetir cálculos, programou macros para não clicar cinquenta vezes, montou formulários para não receber informação por WhatsApp em dezessete formatos diferentes e inventou o controle remoto porque, francamente, levantar do sofá para trocar de canal também já era exigir demais da civilização.

Claro que a história da tecnologia é infinitamente mais complexa do que uma epopeia da preguiça. Há necessidade, curiosidade, ciência, competição, guerra, lucro, desejo e poder. Mas existe um impulso recorrente por baixo de muitas soluções:

O sujeito eficiente não pergunta apenas como executar uma tarefa.

Pergunta por que continua executando-a daquele jeito.

O cérebro também faz contas

A Psicologia oferece uma explicação menos debochada para essa tendência.

O esforço cognitivo tem custo. Kurzban, Duckworth, Kable e Myers propuseram um modelo em que a experiência subjetiva de esforço pode ser compreendida também em termos de custo de oportunidade: dedicar recursos cognitivos a uma tarefa significa não utilizá-los, naquele momento, em outras possibilidades.¹

Isso não significa que exista uma pequena calculadora dentro da cabeça cobrando tarifa por raciocínio. Significa que atenção, controle e outros recursos mentais são limitados e precisam ser distribuídos.

Griffiths, Lieder e Goodman avançaram numa direção particularmente interessante ao propor a chamada resource-rational analysis: para compreender uma estratégia cognitiva, não basta perguntar qual seria a solução ideal em abstrato. É preciso considerar também os recursos necessários para produzi-la — memória, tempo e custo computacional.²

Um sistema pode ser racional justamente porque não desperdiça recursos tentando atingir perfeição onde uma solução suficientemente boa resolve o problema.

Talvez, portanto, uma parcela daquilo que moralmente chamamos de preguiça seja, em determinados contextos, algo muito menos escandaloso:

O cérebro não recebe uma medalha por gastar dez unidades de esforço onde duas seriam suficientes.

Infelizmente, algumas instituições parecem não ter sido avisadas.

Uma cartolina como extensão do cérebro

Há ainda um conceito particularmente adequado à placa: cognitive offloading, ou descarregamento cognitivo.

Risko e Gilbert usam o termo para descrever situações em que uma ação externa modifica as exigências de processamento de uma tarefa e reduz a demanda interna.³ Anotar um compromisso, programar um alarme ou escrever uma lista de compras são exemplos corriqueiros.

A tabela do açougue faz isso em escala coletiva.

Antes dela, a informação estava principalmente na cabeça dos funcionários. O cliente perguntava, alguém interrompia o que estava fazendo, recuperava o conhecimento e produzia a resposta.

Depois dela, uma parte desse conhecimento passa para o ambiente.

A parede começa a trabalhar.

Isso é maravilhoso.

O funcionário continua sabendo sobre carnes. O que desaparece não é o conhecimento, mas a obrigação de mobilizá-lo toda vez que alguém deseja um estrogonofe.

Uma revisão de Richmond e Taylor, publicada em 2025 na Nature Reviews Psychology, mostra como o descarregamento cognitivo pode melhorar o desempenho em tarefas de memória ao reduzir demandas internas, embora também possa apresentar custos dependendo daquilo que transferimos ao ambiente e da maneira como fazemos essa transferência.⁴

E aqui aparece uma diferença que me interessa particularmente:

Parece apenas uma troca de palavras.

Não é.

A preguiça eficiente dá trabalho

Para produzir aquela tabela, alguém teve de trabalhar intelectualmente.

Foi preciso perceber recorrências, agrupar perguntas, conhecer cortes, estabelecer relações, escolher categorias, eliminar detalhes desnecessários, organizar espacialmente a informação e imaginar o que um cliente conseguiria compreender sem precisar convocar novamente o funcionário.

A pessoa gastou mais esforço uma vez para gastar menos esforço centenas de vezes depois.

Essa é a matemática secreta da preguiça eficiente:

Quanto maior a repetição, mais vantajosa se torna a segunda solução.

Eis por que uma pessoa genuinamente eficiente pode parecer preguiçosa para quem mede trabalho pela quantidade de sofrimento visível.

Há ambientes profissionais em que alguém resolver uma tarefa em vinte minutos ainda causa suspeita. O ideal parece ser resolvê-la em três horas, abrir onze abas, suspirar algumas vezes e, se possível, sair tarde. O cansaço continua sendo tratado como certificado de autenticidade laboral.

Resolver rápido demais é quase falta de educação.

A cartolina amarela chegou ao ChatGPT

É impossível olhar para esse problema em 2026 sem chegar à inteligência artificial.

Em experimento publicado na Science, Noy e Zhang observaram que, em tarefas profissionais de escrita estudadas, o acesso ao ChatGPT reduziu o tempo médio de execução em aproximadamente 40% e elevou a qualidade avaliada dos resultados em 18%.⁵

Pesquisas posteriores reforçam que ganhos de produtividade existem, mas dependem fortemente da tarefa, da tecnologia e de como ela é incorporada ao trabalho. Dell’Acqua e colaboradores analisaram esse terreno irregular da capacidade da IA em trabalho do conhecimento,⁶ enquanto Cui e colegas, em três experimentos de campo com 4.867 desenvolvedores, encontraram aumento agregado de 26,08% no número de tarefas concluídas entre participantes com acesso a um assistente de programação baseado em IA.⁷

Seria tentador concluir:

então terceirizemos tudo.

Calma.

É aqui que a preguiça inteligente precisa se separar definitivamente da preguiça intelectual.

Em julho de 2026, Zhu e colaboradores propuseram distinguir dois modos de descarregamento cognitivo no uso de inteligência artificial generativa: dependente e autônomo. No primeiro, a pessoa delega à IA operações centrais do próprio pensamento e tende a aceitar seus produtos com pouca avaliação. No segundo, usa a tecnologia como apoio, preservando agência, julgamento e participação cognitiva.⁸

Os autores encontraram associações diferentes entre esses padrões de uso e variáveis ligadas à motivação e ao funcionamento cognitivo, mas é importante não transformar correlação em profecia: o trabalho não demonstra que uma conversa com uma IA derrete automaticamente o cérebro de ninguém.

A distinção, porém, é preciosa.

Ela também atravessa uma discussão que já aparece no Laboratório do Logosgrafia, dedicado justamente a observar o que acontece quando uma ferramenta acelera ou amplia uma operação sem que o autor lhe entregue o comando da experiência.

O funcionário que cria a tabela não deixou de compreender carnes.

Precisou compreender o problema melhor para poder automatizá-lo.

Esse é o ponto.

Uma constrói ferramentas.

A outra entrega as chaves.

A tensão já apareceu por aqui em reflexões como O trabalhador que treinou o próprio substituto e A mão que ainda segura a caneta : eficiência e substituição não são sinônimos, assim como assistência e renúncia ao pensamento também não são.

O verdadeiro luxo é não repetir burrice