Discutindo um caso recente com um colega mais novo em formação, encantado com os benefícios da inteligência artificial (IA), fiz uma pergunta banal: “antes de abrir a ferramenta, qual era a sua hipótese?”. O silêncio que veio depois me incomodou mais do que qualquer erro de conduta teria incomodado. Não havia hipótese anterior, raciocínio clínico, tampouco uma suspeita. Havia uma resposta — tecnicamente correta, porém — que ele não sabia nem defender, nem contestar.
Passei mais de uma década quase integralmente na assistência, com uma rotina de milhares de consultas e centenas de cirurgias por ano. Migrei para o ensino e a gestão convencido de que ali o benefício se multiplica sem que eu precise estar no centro dele. Foi dessa mudança de lugar que nasceu a inquietação que trago aqui — e ela não é somente acadêmica. É também operacional e financeira.
Estamos incorporando tecnologia do século XXI a um modelo de formação que ainda premia o que o século XX valorizava: memorização, autonomia individual e reprodução de condutas. Genômica, biomarcadores, inteligência artificial, cirurgia robótica e grandes bases de dados já entram na decisão clínica todos os dias, enquanto o mundo real exige interpretar probabilidade, trabalhar em equipe, comunicar incerteza e avaliar valor. Em 2010, a Comissão Lancet sobre educação dos profissionais de saúde já apontava currículos fragmentados e desconectados das necessidades dos sistemas. A provocação segue de pé e a solução não está em acrescentar uma disciplina de IA à grade.
Em 2026, Ke e colaboradores, na Nature Medicine, chamaram atenção para o “never-skilling”: o profissional pode não apenas perder uma habilidade, mas nunca chegar a desenvolvê-la, porque a máquina entrega a resposta antes que o raciocínio tenha sido construído. É diferente de perder o traquejo. É nunca ter tido.
O debate, portanto, não é tecnológico; é civilizatório. Sempre que uma inovação reduz o esforço cognitivo humano, a educação precisa decidir quais capacidades passam a ser ainda mais importantes. A calculadora não eliminou a necessidade de compreender matemática. O GPS não tornou dispensável a noção de espaço. Da mesma forma, a inteligência artificial não elimina o julgamento clínico; ela aumenta o valor de quem consegue interpretar seus limites. Se deixarmos que a formação médica substitua o raciocínio pela consulta automática ao algoritmo, nós produziremos profissionais mais rápidos para responder, mas menos preparados para decidir. E, na medicina, decisões continuam sendo responsabilidade humana, independentemente de quem tenha sugerido a resposta.
Isso nos obriga a ensinar uma competência que parecia secundária: auditar, contestar e, quando necessário, rejeitar a recomendação algorítmica. Discordar bem não é teimosia, mas sim habilidade técnica, treinável e auditável. Envolve formular hipótese antes de consultar a ferramenta, reconhecer quando o modelo está fora do contexto para o qual foi validado, identificar vieses e assumir a responsabilidade final pela decisão.
Para o executivo, isso muda a tese de valor da IA. O retorno deixa de ser medido apenas em produtividade e volume e passa a incluir segurança, qualidade da decisão e tempo devolvido à relação médico-paciente. Um profissional despreparado para a medicina de precisão custa caro de um jeito difícil de rastrear: pede exames a mais, abre cascatas diagnósticas, trata em excesso, reproduz vieses e amplia a variação injustificada. Um profissional bem formado faz o inverso, reduzindo eventos adversos, desperdício e decisões sem benefício clínico. Michael Porter e Elizabeth Teisberg definiram valor em saúde como o desfecho obtido em relação ao custo de produzi-lo. Formação médica é, nessa equação, uma alavanca de numerador e de denominador ao mesmo tempo.
Por isso, educação não deveria figurar no orçamento como atividade acessória. Ela é infraestrutura clínica, estratégia de qualidade e mecanismo de gestão de risco. Neste sentido, proponho uma regra simples de governança: nenhuma aquisição de IA, plataforma genômica ou tecnologia de decisão deveria ser aprovada sem uma linha correspondente, no mesmo business case, para treinamento, simulação, validação local e monitoramento pós-implantação. Se o projeto não couber no orçamento com essa linha, ele não cabia no orçamento.
E o sucesso não deveria ser medido pelo número de médicos “capacitados”, indicador que afere presença em sala, não competência. Quatro medidas dizem mais: adequação na solicitação de exames; taxa de discordância justificada da recomendação algorítmica (nem zero, o que indica submissão, nem alta demais, o que indica ferramenta ruim); desfechos relatados pelos pacientes; e custo total da jornada, não o custo por procedimento.
Leroy Hood descreveu a medicina P4: preditiva, preventiva, personalizada e participativa. As organizações se encantam com os três primeiros, porque eles viram teste, plataforma e linha de receita. O quarto é o difícil, porque exige letramento em saúde, confiança e decisão compartilhada — e não tem código de faturamento.
Um painel genômico pode ser tecnicamente impecável e gerar valor quase nulo se o médico não souber explicar penetrância, risco absoluto, falso-positivo e implicações familiares. Medicina personalizada sem participação do paciente é apenas medicina estratificada: mais sofisticada, mais cara e não necessariamente melhor. Dois pacientes com a mesma mutação, o mesmo tumor e a mesma probabilidade de resposta escolherão caminhos diferentes, porque têm medos, responsabilidades e projetos de vida distintos. A medicina de que precisamos é molecularmente precisa e biograficamente sensível.
Vale lembrar o que Atul Gawande, médico e jornalista norte-americano demonstrou: a complexidade da medicina moderna não é vencida pelo médico-herói, e sim por sistemas confiáveis e equipes coordenadas. Na era da IA, isso significa formar médicos capazes de trabalhar com geneticistas, bioinformatas, enfermeiros, farmacêuticos, engenheiros e gestores.
Algoritmo se compra, inclusive pelo concorrente, na semana seguinte, pelo mesmo preço. A vantagem competitiva sustentável está em ter profissionais capazes de converter algoritmo em decisão melhor. O médico do futuro não é o que sabe tudo, nem o que aceita tudo o que a tecnologia sugere. É o que sabe perguntar, interpretar, duvidar, explicar e responder pelo resultado.
A pergunta aos CEOs e líderes de saúde é direta: estamos formando médicos para o cuidado que queremos entregar ou comprando tecnologia para compensar um modelo educacional que não tivemos coragem de transformar?
Antes do próximo algoritmo, talvez o investimento mais estratégico seja no profissional que terá de responder pelas consequências dele.
