Há uma hipótese desconfortável sobre a adoção de IA: talvez a receptividade aumente quando a compreensão diminui.

Não porque pessoas com menor alfabetização em IA sejam ingênuas por natureza.

Mas porque, quando o mecanismo desaparece, a saída parece mais impressionante.

Um sistema escreve, resume, detecta, prioriza, conversa, sugere e explica. Para quem não enxerga dados, treinamento, arquitetura, limiares, validação, incerteza e erro, parte disso pode parecer quase mágica.

Em medicina, esse ponto muda de importância.

No consumo comum, encantamento pode ser estratégia de adoção. Em radiologia, encantamento pode virar risco operacional.

O artigo de Stephanie Tully, Chiara Longoni e Gil Appel, publicado no *Journal of Marketing*, investigou a relação entre alfabetização em IA e receptividade à IA.

A intuição esperada seria simples: quem entende mais de IA deveria aceitar mais IA.

Mas os autores encontraram o contrário em vários estudos. Pessoas com menor alfabetização objetiva em IA tendiam a demonstrar maior receptividade ao uso de IA. A explicação proposta não foi que essas pessoas achavam a IA mais capaz, mais ética ou menos ameaçadora. O mecanismo central era outro: elas tinham maior tendência a perceber a IA como mágica e a sentir admiração diante de tarefas que pareciam exigir atributos humanos.

Esse achado nasceu em contexto de marketing e comportamento do consumidor.

Mas ele tem uma consequência direta para saúde.

Se menor entendimento aumenta receptividade, então aceitação não pode ser usada como sinal simples de maturidade.

Um hospital pode aceitar uma solução cedo demais.

Um gestor pode enxergar eficiência antes de enxergar risco.

Um médico pode confiar em uma saída plausível antes de entender seu limite.

Um paciente pode se impressionar com uma explicação fluida sem saber de onde ela veio.

Em todos esses casos, o problema não é gostar de tecnologia.

O problema é confundir fluidez com validade.

Radiologia é uma das áreas em que a IA parece mais convincente.

Há uma imagem.

Há um achado.

Há uma marcação.

Há um escore.

Há um texto.

Há uma fila que muda.

Do ponto de vista visual e operacional, o sistema parece estar fazendo algo muito próximo do que o radiologista faz: ver, selecionar, priorizar e descrever.

Isso aumenta a força psicológica da ferramenta.

Uma classificação binária pode parecer decisão clínica. Um heatmap pode parecer explicação. Um pré-laudo pode parecer interpretação. Um escore de urgência pode parecer prioridade objetiva. Um chatbot que reescreve um laudo para linguagem leiga pode parecer compreensão.

Mas cada uma dessas saídas esconde perguntas técnicas.

Qual foi o endpoint?

Qual foi o dataset?

A população era parecida?

O protocolo era parecido?

O limiar foi escolhido para sensibilidade, especificidade, workload ou custo?

O erro aparece mais em algum equipamento, faixa etária, subtipo de doença ou indicação clínica?

O modelo sabe quando deve se abster?

A interface permite verificar a sugestão ou apenas a torna visualmente convincente?

Essas perguntas não tiram valor da IA.

Elas tiram a IA do campo da magia.

Na prática médica, o radiologista não pode ocupar apenas o lugar de usuário impressionado pela ferramenta.

Ele precisa ocupar o lugar de intérprete do mecanismo.

Isso não significa que todo radiologista precise ser engenheiro de machine learning. Também não significa que todo serviço precise transformar médicos em cientistas de dados.

Significa algo mais concreto: o radiologista precisa ter alfabetização suficiente para saber que tipo de pergunta fazer antes de incorporar a saída da IA ao cuidado.

Em radiologia, alfabetização em IA deveria incluir pelo menos:

Essa alfabetização não é decorativa.

Ela muda comportamento.

O radiologista alfabetizado em IA não é necessariamente quem rejeita mais tecnologia.

É quem confia melhor.

O objetivo não é reduzir confiança em IA.

O objetivo é calibrar confiança.

Confiança baixa demais gera subuso. O sistema poderia ajudar, mas é ignorado por ceticismo automático, medo institucional ou experiência ruim com ferramentas anteriores.

Confiança alta demais gera sobreuso. A saída automatizada passa a ancorar a leitura, reduzir busca independente, encurtar raciocínio diferencial e deslocar responsabilidade para uma ferramenta que não assume responsabilidade clínica.

O ponto útil está entre esses extremos.

Confiar de modo calibrado significa perguntar:

Essa lista pode parecer burocrática, mas é clínica.

Um modelo que prioriza suspeita de hemorragia intracraniana não tem o mesmo contrato de risco de um modelo que mede nódulo pulmonar incidental. Um algoritmo de mamografia em rastreamento não tem a mesma consequência de um sumarizador de laudos. Um assistente de linguagem que melhora legibilidade não deveria ser tratado como leitor primário de imagem.

Chamar tudo de IA atrapalha.

Cada ferramenta tem um contrato clínico diferente.

Parte do risco não está apenas no modelo.

Está na forma como a saída aparece.

Um número grande em vermelho parece urgência.

Uma caixa sobre a imagem parece achado.

Um texto bem escrito parece raciocínio.

Uma explicação em linguagem natural parece entendimento.

Um heatmap colorido parece evidência.

Mas interface não é epistemologia.

A forma de apresentação pode aumentar ou reduzir a capacidade do usuário de verificar a sugestão. Estudos sobre colaboração humano-IA em imagem médica mostram que a interação com a sugestão algorítmica não é neutra: radiologistas podem ser influenciados por recomendações incorretas, e os efeitos da IA variam entre leitores, tarefas e padrões de erro.

Isso importa porque o radiologista não recebe a IA em abstrato.

Ele recebe um sinal dentro de uma tela, no meio de uma fila, sob pressão de tempo, com volume, interrupção, histórico incompleto e expectativa de produtividade.

Nesse ambiente, uma saída plausível pode virar atalho cognitivo.

E atalho cognitivo é exatamente onde a baixa alfabetização encontra a alta receptividade.

Uma saída de IA não precisa expor todo o funcionamento interno do modelo para ser útil.

Em muitos casos, isso seria impossível ou inútil.

O problema é outro: a ferramenta precisa permitir ação clínica responsável.

Para isso, o usuário precisa saber o suficiente sobre:

Essa é a diferença entre explicação cosmética e explicação operacional.

Explicação cosmética tenta deixar o usuário confortável.

Explicação operacional ajuda o usuário a decidir o que fazer.

Em radiologia, a segunda é muito mais importante.

O achado de que menor alfabetização pode aumentar receptividade também deve incomodar gestores.

Porque ele cria uma tentação comercial clara: vender IA para quem pergunta menos.

Em saúde, essa é a direção errada.

Quanto mais sensível for a decisão, maior deve ser a exigência de alfabetização institucional.

Antes de adotar uma ferramenta, um serviço de radiologia deveria conseguir responder perguntas básicas:

Se essas perguntas não aparecem, a instituição pode estar comprando encantamento.

Não governança.

Também há um alerta para radiologistas.

Rejeitar IA por reflexo não é sinal de sofisticação.

Às vezes é apenas outra forma de baixa alfabetização.

Existe um ceticismo fraco que diz: “não confio porque é IA”.

E existe um ceticismo forte que pergunta: “em que condições essa IA merece confiança?”

O segundo é o que importa.

A prática radiológica já convive com incerteza, protocolo imperfeito, artefato, variabilidade interobservador, limitação de dados clínicos e decisão sob pressão. IA não introduz a incerteza no sistema. Ela reorganiza a incerteza e, muitas vezes, a apresenta com aparência de certeza.

O radiologista precisa reconhecer essa aparência.

Não para bloquear a ferramenta.

Mas para impedir que uma saída bem embalada substitua julgamento clínico sem prestar contas.

Alfabetização em IA não deveria ser tratada como curso lateral.

Ela deveria entrar no cotidiano da radiologia como parte de qualidade, ensino, auditoria e governança.

Na residência, isso significa discutir erro algorítmico junto com erro diagnóstico.

No serviço, significa revisar discordâncias entre IA e radiologista.

Na gestão, significa exigir métricas locais, subgrupos e plano de monitoramento.

Na interface, significa mostrar a saída de modo verificável, não apenas persuasivo.

Na implantação, significa definir o papel da ferramenta antes de medir o ganho de produtividade.

Um bom programa de IA em radiologia não deveria perguntar apenas se os radiologistas aceitam a ferramenta.

Deveria perguntar se eles sabem quando não devem aceitá-la.

Se demistificar IA reduz parte do encanto, isso não é necessariamente um problema.

Em saúde, pode ser proteção.

O objetivo não é transformar a IA em objeto de suspeita permanente. É fazer a confiança deixar de depender da sensação de magia e passar a depender de mecanismo, evidência, escopo, validação e monitoramento.

Radiologia precisa de IA.

Mas precisa ainda mais de radiologistas capazes de não se impressionar rápido demais.

A pergunta prática não é se a ferramenta parece inteligente.

A pergunta é mais simples e mais difícil:

em que ponto do fluxo, com quais dados, para qual decisão e sob qual risco essa inteligência aparente continua merecendo confiança?