Quando você discorda de uma recomendação da IA

Resumo rápido: "Me conte sobre uma vez que você discordou de uma recomendação da IA" é uma pergunta de entrevista que está se espalhando rápido em 2026 e testa se você aceita a saída da IA de olhos fechados ou realmente checa antes de agir. As respostas mais fortes separam uma recomendação obviamente errada de uma sutilmente errada que parecia plausível, nomeiam o contexto específico que a IA não tinha, e terminam dizendo o que mudou em como você usa aquela ferramenta depois. Evite completamente o tom de "eu não confio na IA" — a pergunta avalia hábito de verificação, não ceticismo.

Um gestor de contratação compartilhou no LinkedIn, no início de 2026, o relato de uma candidata que respondeu assim: "o modelo de previsão dizia demanda estável para o próximo trimestre. Eu sabia que tínhamos um calendário de promoções que o modelo nunca tinha visto, então sinalizei isso antes de o plano ser fechado." Segundo ele, foram os quinze segundos mais limpos de toda a entrevista — sem rodeio, sem falar mal da IA, só uma lacuna específica que a candidata percebeu e fechou.

A maioria dos candidatos não tem essa resposta pronta. Ou nunca pensaram sobre isso, ou puxam algo genérico do tipo "eu discordei do meu gestor uma vez" na esperança de que o entrevistador não perceba que aquilo não tem nada a ver com IA.

Por que os entrevistadores estão perguntando isso agora

A lógica fica óbvia quando você olha do outro lado da mesa. Sistemas de recomendação com IA já estão embutidos em triagem de candidatos, previsão de vendas, triagem de incidentes, revisão de código e escalas de trabalho — tomando decisões, em silêncio, que antes exigiam uma pessoa pensando. O Global AI Jobs Barometer 2026 da PwC documenta essa mudança do lado das empresas: à medida que a IA absorve mais trabalho de execução, as habilidades que valem prêmio salarial migram para julgamento e pensamento crítico, não fluência bruta em IA.

Existe um erro específico por trás disso. Pesquisa revisada por pares sobre viés de automação em seleção de pessoal com IA mostra que, assim que as pessoas passam a confiar em uma recomendação algorítmica, elas tendem a segui-la mesmo quando o próprio julgamento teria pego o erro — a comodidade do "o sistema disse" corrói, em silêncio, o hábito de checar. Reguladores levaram isso a sério o bastante para colocar em política: a orientação da UE sobre supervisão humana de decisões automatizadas exige explicitamente uma revisão humana de verdade, não um carimbo automático, exatamente porque carimbar sem olhar é o que acontece por padrão.

Juntando tudo, os entrevistadores perguntam isso porque aprenderam que "estar confortável usando ferramentas de IA" e "estar disposto a contrariar a IA quando importa" são duas habilidades diferentes, e só uma delas protege a empresa de uma decisão ruim influenciada por IA.

A habilidade real que essa pergunta está testando

Grande parte dos conselhos por aí trata isso como uma pergunta padrão de "conte sobre um desentendimento" trocando o gestor pela IA. Isso ignora a parte mais difícil e mais relevante para a entrevista: distinguir entre uma recomendação da IA obviamente errada e uma sutilmente errada.

Obviamente errado é o caso fácil: a IA inventa uma fonte, cita um número que contradiz algo que você já sabia, ou produz uma saída que não passa nem no teste de sanidade mais básico. Quem está prestando atenção acaba pegando isso.

Sutilmente errado é o caso que os entrevistadores realmente querem ouvir: a recomendação parece internamente consistente, encaixa no padrão de tudo que a ferramenta já disse antes, e passaria batido se você por acaso não tivesse um contexto que o modelo não tinha. Essa é a habilidade mais difícil e mais valiosa, porque exige perceber que algo soa estranho antes de você ter prova, e ir verificar em vez de deixar passar. Se o seu exemplo cobre só o caso óbvio, é uma história boa, mas não é a resposta mais forte possível para essa pergunta.

Como estruturar sua resposta

Use o STAR, mas carregue o passo de "ação" com a decisão de julgamento em si, não só "eu discordei":

1. Situação — Qual era a ferramenta de IA, e em qual decisão a saída dela entrava? Seja específico sobre a função da ferramenta (modelo de previsão, revisor de código, triagem de currículo, assistente de resposta a incidentes), mesmo sem citar a marca.
2. Tarefa — O que te fez parar? Nomeie o contexto exato que a IA não tinha acesso. É essa parte que prova que a discordância foi julgamento, não achismo.
3. Ação — O que você de fato fez para verificar, e para quem você avisou? "Eu checei a fonte primária" ou "eu cruzei com o calendário de promoções" é concreto. "Eu senti que estava errado" não é.
4. Resultado — O que aconteceu, incluindo se depois você foi provado certo ou errado. Feche dizendo o que mudou em como você usa aquela ferramenta daqui para frente. Essa última frase é o que separa "eu peguei um erro uma vez" de "eu tenho um hábito consistente".

Quatro cenários, se você estiver sem material

Escolha o mais próximo do seu trabalho real e reconstrua com seus detalhes verdadeiros:

• Resposta a incidentes. Uma análise de causa raiz gerada por IA apontava para uma dependência de serviço que parecia plausível. Sua própria revisão de logs encontrou a causa real: uma condição de corrida no timing do deploy que o reconhecimento de padrões não pegou.
• Previsão de vendas ou demanda. Um modelo de previsão treinado em dados históricos previu demanda estável. Você sabia de uma promoção ou evento de mercado chegando que o modelo não tinha como enxergar, e sinalizou a lacuna antes de o plano ser fechado.
• Revisão de código ou refatoração. Um assistente de código com IA propôs uma refatoração "mais limpa" que passou nos testes locais, mas introduziu um bug sutil de concorrência, visível só se você rastreasse à mão os caminhos de acesso simultâneo.
• Contratação ou triagem de currículo. Uma ferramenta de triagem com IA rebaixou um candidato com uma trajetória de carreira não linear — um hiato, uma virada de área, uma formação fora do padrão. Você reconheceu o viés de reconhecimento de padrões e avançou o candidato manualmente, que depois foi bem na entrevista.

Nenhum desses precisa ser dramático. Uma lacuna de previsão que você pegou em dez minutos é tão utilizável quanto um incidente de produção, desde que você consiga explicar o que de fato checou.

A armadilha: não pareça contra a IA

O jeito mais comum de os candidatos estragarem essa pergunta é transformá-la num julgamento sobre os defeitos da IA. Uma explicação longa sobre por que acontece alucinação, ou por que modelos de previsão têm dificuldade com eventos inéditos, responde a uma pergunta diferente da que foi feita. O entrevistador quer ouvir sobre seu comportamento, não sobre seu entendimento da tecnologia por trás.

O enquadramento que funciona é "confiança seletiva com verificação", não "ceticismo saudável em relação à IA". Algo que você usa todo dia e em que geralmente confia, mas que você sabe quando e como checar, soa como um julgamento muito mais forte do que algo que você trata como amplamente não confiável. Se a sua história dá a entender que você checa duas vezes tudo que a IA já te disse, independente do risco envolvido, isso também não é julgamento — é só lentidão. As respostas mais fortes deixam claro que você sabia que aquela recomendação específica, naquele contexto específico valia uma segunda olhada, e a maioria das outras não vale.

Essa é uma pergunta mais estreita e mais pessoal do que "como você usa IA no seu trabalho?", que testa principalmente fluência, ou "como você trabalha com agentes de IA?", que testa julgamento de delegação em tarefas semiautônomas. Também é um ângulo diferente de "me conte sobre uma vez que uma ferramenta de IA cometeu um erro", que é sobre perceber um erro depois do fato, não discordar de uma recomendação antes de agir com base nela. Se você está se preparando para uma dessas, prepare-se para as outras também — os entrevistadores estão cada vez mais perguntando mais de uma desse grupo na mesma rodada.

O mesmo instinto importa ao vivo, não só ao contar depois

O hábito que essa pergunta testa — parar numa sugestão que soa plausível tempo suficiente para checar se ela realmente se encaixa na sua situação — não serve só para a história que você conta sobre o último emprego. É o mesmo instinto que você precisa ao vivo, inclusive durante a própria entrevista, se estiver usando qualquer tipo de ajuda em tempo real para resolver uma pergunta difícil. Uma sugestão que está 80% certa para uma versão genérica da pergunta, mas erra um detalhe específico da sua experiência real, é exatamente o tipo de recomendação "sutilmente errada" que essa pergunta testa.

O AceRound foi construído em torno dessa distinção. Ele mostra um ponto de partida estruturado durante uma entrevista ao vivo, não um roteiro para repetir ao pé da letra, justamente porque uma sugestão que você não checou contra a sua própria experiência é o mesmo tipo de falha que essa pergunta de entrevista existe para pegar. Vale dizer sem rodeios: isso inclui as próprias sugestões do AceRound. Tratar qualquer saída de IA — inclusive a nossa — como um rascunho inicial a verificar contra o que você realmente sabe, em vez de uma resposta final para repetir, é exatamente o músculo que essa pergunta está checando.

FAQ

Essa já é uma pergunta comum de entrevista, ou ainda é rara? Está se espalhando, mas de forma desigual. Aparece mais em funções onde uma ferramenta de IA já faz uma recomendação real que alguém precisa colocar em prática: previsão de vendas, resposta a incidentes, triagem de candidatos, revisão de código, escalas. Se o seu trabalho toca em qualquer saída gerada por IA que alimenta uma decisão, prepare uma resposta. Funções puramente de execução, sem essa camada de decisão assistida por IA, ainda veem isso com menos frequência.

E se a recomendação da IA com a qual eu discordei acabou se mostrando certa? Essa também é uma história utilizável, e honestamente mais interessante se você contar bem. A pergunta não testa se você está sempre certo, testa se você checa antes de agir. Descreva por que a recomendação pareceu errada para você, o que você fez para verificar, e o que aprendeu quando a verificação mostrou que a IA estava certa. Terminar com "eu ajustei o quanto confio nessa ferramenta específica, nesse contexto específico" é um fechamento forte.

Discordar da IA não vai me fazer parecer contra a IA ou difícil de trabalhar junto? Só se você contar errado. O erro não está em discordar, está em como você enquadra isso. Centre a história em evidência e processo, não em desconfiança da IA como categoria. "Eu checei porque o risco era alto o suficiente para checar" soa completamente diferente de "eu não confio muito nas respostas da IA". A primeira é julgamento. A segunda é um sinal de alerta.

Eu nunca realmente contrariei uma recomendação da IA. O que eu faço? Procure com mais atenção antes de assumir que isso é verdade. A maioria das pessoas que usa qualquer ferramenta com IA regularmente já corrigiu, ignorou ou checou de novo uma resposta em algum momento, mesmo algo pequeno como não enviar um e-mail escrito pela IA do jeito que veio. Se você realmente não encontrar nenhum exemplo, vale reparar nisso antes da entrevista, não durante ela — geralmente significa que você tem tratado a saída da IA como definitiva, e não como um rascunho.

Qual a diferença entre isso e "me conte sobre uma vez que uma ferramenta de IA cometeu um erro"? Relacionadas, mas não são a mesma coisa. Aquela pergunta é sobre perceber um erro depois que ele aconteceu. Esta é sobre discordar de uma recomendação antes de agir com base nela, às vezes quando você nem consegue provar que está errada ainda, só sente que não bate com um contexto que a IA não tinha. Ela testa julgamento sob incerteza, não só detecção de erro.

Devo citar o nome de uma ferramenta de IA específica na minha resposta? Só se for verdade e relevante. Nomear a ferramenta real (um sistema de pontuação de currículos, um modelo de previsão, um assistente de código) torna a história mais crível do que um vago "uma IA me disse". Se nomear a ferramenta correr o risco de soar como você falando mal da tecnologia do seu antigo empregador, descreva a função da ferramenta em vez da marca.

---

Autor: Alex Chen. Consultor de carreira e ex-recrutador de tecnologia. Passou 5 anos do lado da contratação antes de trocar para ajudar candidatos. Escreve sobre a dinâmica real das entrevistas, não sobre teoria de livro.