Este artigo parte de uma reflexão publicada por Rachael Bedard, geriatra e médica de cuidados paliativos, na seção de Opinião do The New York Times em 25 de setembro de 2026: "A.I. Has Made Me a Better Doctor. It's Made Med Students Worse." O texto a seguir é uma análise independente de O Tecido, com fontes adicionais e contexto brasileiro. Não se trata de tradução nem de reprodução do original.
Caderno Educação · Formação médica
Uma geriatra americana com duas décadas de profissão fez nesta semana uma confissão pública que resume o dilema de toda uma geração de escolas médicas: a inteligência artificial a tornou uma clínica melhor, e ela teme que a mesma tecnologia esteja formando residentes piores.1 A contradição não é retórica. Ela descreve, com precisão incômoda, a assimetria entre quem aprendeu medicina antes das máquinas e quem está aprendendo com elas desde o primeiro plantão.
No relato publicado pelo The New York Times, Rachael Bedard conta que recorre várias vezes ao dia ao OpenEvidence, plataforma de IA restrita a profissionais de saúde e treinada em literatura revisada por pares, para escolher antibióticos, interpretar exames laboratoriais atípicos ou revisar hipóteses que não havia considerado.1 Segundo a própria empresa, citada no artigo, mais da metade dos médicos americanos usa o aplicativo com regularidade. A autora afirma confiar no que chama de núcleo do ofício, isto é, colher a história do paciente, raciocinar e comunicar, e reconhece que é o volume crescente de fatos que escapa à memória de qualquer clínico generalista.
O problema aparece quando ela olha para os alunos. Todos usam a mesma ferramenta, mas a relação é outra: memorizam menos e parecem passivos diante das respostas. Quando Bedard lê uma sugestão da máquina sobre dor lombar, ela a confronta, quase sem perceber, com um modelo mental construído em anos de prática. A pergunta que o artigo deixa em aberto é se esse modelo teria se formado caso um assistente tivesse conduzido seu raciocínio desde o início.
Deskilling, never-skilling e mis-skilling: três riscos com nomes próprios
A pergunta da médica americana já tem nome na literatura. Adam Rodman, médico e pesquisador de IA na Harvard Medical School ouvido por Bedard, distingue dois efeitos: no profissional experiente, o apoio à decisão pode provocar uma pequena perda de habilidade, de impacto limitado; no aprendiz, a transferência do esforço cognitivo para a máquina pode fazer com que a habilidade simplesmente nunca se forme.1 Rodman vinha usando o termo never-skilling desde 2025.
Em junho de 2026, uma Perspective publicada na Nature Medicine por pesquisadores de instituições como Duke, UCL e King's College London deu contorno formal ao conceito.2 Os autores separam três fenômenos. O deskilling é a erosão de uma competência já adquirida. O never-skilling é a falha em adquiri-la, porque a IA fez o trabalho justamente na janela em que o aprendizado deveria acontecer. O mis-skilling é a aceitação acrítica de erros do sistema, que passam a ser internalizados como conhecimento clínico.
O ponto mais sensível do texto é a ideia de falsa proficiência: com a IA ligada, o desempenho do estudante supera o limiar de competência e mascara a ausência de raciocínio independente. Só quando o apoio é retirado a lacuna aparece. Os próprios autores admitem que ainda não há evidência direta desse efeito na formação médica. A preocupação se apoia em teoria da aprendizagem e em sinais observados fora da clínica, e por isso é apresentada como agenda de pesquisa, não como fato consumado.2
O que a colonoscopia ensinou sobre a perda de habilidade
A evidência empírica mais citada no debate vem da gastroenterologia. Um estudo multicêntrico observacional publicado em 2025 na Lancet Gastroenterology & Hepatology acompanhou endoscopistas experientes na Polônia antes e depois da adoção de um sistema de IA para detectar pólipos.3 Nos exames feitos sem o auxílio da máquina, a taxa de detecção de adenomas, principal indicador de qualidade da colonoscopia, caiu de 28,4% para 22,4% após três meses de exposição à ferramenta. É uma redução absoluta de seis pontos percentuais e relativa de cerca de 20%, em uma amostra de 1.443 pacientes.
O dado é relevante justamente porque envolve profissionais já formados. Se três meses de convivência com um assistente foram suficientes para alterar o desempenho de especialistas, a pergunta sobre o que acontece com quem ainda não consolidou a habilidade deixa de ser especulativa. Ao mesmo tempo, o estudo tem limites reconhecidos pelos autores: é observacional, restrito a poucos centros e não estabelece causalidade. Uma metanálise de 44 ensaios randomizados, publicada nos Annals of Internal Medicine, havia apontado ganho absoluto de cerca de oito pontos na detecção de adenomas quando a IA está presente.4 A tecnologia ajuda no exame; a dúvida é o que ela faz com o examinador.
O risco não é o estudante que consulta a máquina. É o estudante que nunca aprendeu a discordar dela.
O Brasil entre a regulação da prática e a fragilidade da formação
No Brasil, o debate chega em um momento particular. Em fevereiro de 2026, o Conselho Federal de Medicina aprovou a Resolução CFM nº 2.454/2026, primeiro marco nacional sobre o uso de IA na medicina, que entrou em vigor em 26 de agosto.7 O texto estabelece que a IA deve ser empregada exclusivamente como ferramenta de apoio, que o médico permanece responsável final por decisões diagnósticas e terapêuticas e que tem o dever de exercer julgamento crítico sobre as recomendações do sistema, além de se manter atualizado sobre suas limitações. A norma também proíbe delegar à máquina a comunicação de diagnósticos e prognósticos.
A resolução, porém, parte de uma premissa que o artigo de Bedard coloca em xeque: a de que existe, do outro lado da tela, um profissional capaz de julgar criticamente o que a IA propõe. O dever de avaliar a coerência de uma sugestão com o quadro clínico pressupõe um repertório que só se constrói na formação, e a formação é regulada pelo MEC, não pelo CFM.
E esse repertório já estava sob pressão antes da IA. Na primeira edição do Enamed, exame nacional que avalia concluintes de medicina, cerca de 39,3 mil estudantes de 351 cursos fizeram a prova, e apenas 67% atingiram o nível considerado proficiente.8 Mais de 100 cursos ficaram nas faixas 1 e 2, abaixo do mínimo aceitável, e 13.871 formandos estavam matriculados nessas instituições. O desempenho se concentrou nas universidades públicas federais e estaduais; entre as privadas com fins lucrativos, a maioria ficou nas faixas inferiores. Em março, o MEC publicou sanções contra mais de 50 cursos, com suspensão de ingressos e redução de vagas.
É sobre essa base que a IA entra nas faculdades brasileiras. Um estudo com 267 alunos de uma universidade privada, publicado em 2025, encontrou adesão praticamente universal (99,25%) a ferramentas de IA, com predomínio de chatbots.9 E os futuros calouros chegarão habituados: segundo o PISA 2025, divulgado pela OCDE em setembro, 48% dos estudantes brasileiros de 15 anos já usam chatbots para estudar ao menos uma vez por semana.10 Em um sistema onde parte relevante dos cursos já não garante o básico, a IA tende a funcionar como amplificador: melhora o aluno que tem fundamento e esconde a falta dele no aluno que não tem.
Atrito produtivo: o que as escolas médicas podem fazer
Nenhuma das fontes consultadas defende banir a tecnologia. A própria Bedard considera impraticável formar médicos em 2026 sem exposição à IA, e argumenta que a medicina, por ser um serviço, deve adotar qualquer recurso que melhore o cuidado.1 A questão é de sequência e de desenho pedagógico.
A Perspective da Nature Medicine propõe três fases: primeiro, estabelecer competências de base sem IA; depois, treinar a calibragem crítica, ensinando o estudante a identificar quando a máquina erra; por fim, integrar a ferramenta sob supervisão.2 Em 2025, o New England Journal of Medicine publicou estratégias para que preceptores passem a supervisionar o uso de IA pelos residentes, tratando a consulta ao sistema como parte do raciocínio a ser discutido, e não como resposta final.5 Rodman, no artigo do Times, sugere sessões de raciocínio clínico sem IA e formação específica em letramento sobre a tecnologia.1
Para o Brasil, isso abre perguntas práticas. As Diretrizes Curriculares Nacionais preveem algo sobre o uso crítico de IA? O Enamed, que já mede conhecimento, conseguiria medir a capacidade de raciocinar sem apoio? E os programas de residência, onde a supervisão é mais próxima, estão preparados para distinguir o residente que usa a ferramenta do residente que depende dela? A resolução do CFM responsabiliza o médico; falta uma política equivalente que responsabilize a escola pela formação do julgamento que a norma exige.
O que permanece difícil
O artigo do Times termina com a aposta de que as partes mais difíceis da medicina seguirão difíceis: distinguir o paciente grave do que não está, priorizar queixas concorrentes, perceber o que o paciente não diz. São competências que não se resumem a consultar fatos, e por isso a IA as complementa sem substituí-las. O risco descrito por pesquisadores e professores é que elas deixem de ser treinadas porque, durante a formação, a máquina parecia suficiente.
Para um país que ainda discute se seus cursos de medicina garantem o mínimo, a pergunta não é se estudantes devem usar IA. É se as escolas estão criando, deliberadamente, os momentos em que eles precisam pensar sem ela.
Perguntas frequentes
O que é never-skilling na educação médica?
É o risco de um estudante ou residente nunca desenvolver uma habilidade clínica fundamental, como o raciocínio diagnóstico, porque a IA executou a tarefa no período em que essa habilidade deveria ter sido formada. O conceito foi sistematizado em uma Perspective publicada na Nature Medicine em junho de 2026.
Qual a diferença entre deskilling, never-skilling e mis-skilling?
Deskilling é a perda de uma habilidade que o profissional já tinha. Never-skilling é a falha em adquiri-la. Mis-skilling é a incorporação de erros da IA como se fossem conhecimento clínico correto.
O que diz a Resolução CFM 2.454/2026?
Em vigor desde 26 de agosto de 2026, determina que a IA seja apenas ferramenta de apoio, mantém o médico como responsável final pelas decisões, exige julgamento crítico sobre as recomendações do sistema e proíbe delegar à IA a comunicação de diagnósticos, prognósticos ou decisões terapêuticas.
Existe evidência de que a IA reduz a habilidade de médicos?
O principal indício é um estudo observacional de 2025 na Lancet Gastroenterology & Hepatology: após três meses de uso de IA, a taxa de detecção de adenomas em colonoscopias feitas sem a ferramenta caiu de 28,4% para 22,4%. Os autores ressaltam que o desenho não permite afirmar causalidade.
Estudantes de medicina devem deixar de usar IA?
Não é essa a proposta dos especialistas. A recomendação predominante é construir primeiro competências sem IA, depois treinar o uso crítico da ferramenta e, por fim, integrá-la sob supervisão, com momentos deliberados de raciocínio clínico sem apoio da máquina.
Ewerton Lopes — Curador Editorial · O Tecido · Caderno Educação