A IA já entrou na avaliação psicológica. A pergunta agora é como usar.

Eu uso inteligência artificial no meu trabalho e sou favorável ao uso dessas ferramentas na Psicologia. Digo isso logo no começo porque essa discussão ainda costuma aparecer dividida em dois extremos: de um lado, a ideia de que a IA vai dar conta de quase tudo o que fazemos hoje; do outro, a defesa de que certas atividades deveriam ficar longe dela por princípio.

Nenhuma das duas posições me ajuda na prática. Quanto mais essas ferramentas avançam, menos sentido faz perguntar apenas se psicólogos podem ou não usar IA. A pergunta mais difícil, e para mim mais importante, é para quais tarefas ela pode ser usada, com qual nível de evidência, sob quais condições, e o que continua sendo responsabilidade do profissional.

Essa discussão ganhou um marco em 2026, quando o Committee on Psychological Tests and Assessment (CPTA) da American Psychological Association publicou o Responsible Use of AI in Assessment: A Practical Overview, dedicado ao uso de IA em avaliação psicológica e educacional. O documento cobre aplicações que vão da seleção de ferramentas e administração até pontuação, interpretação e elaboração de relatórios, e organiza a discussão em oito áreas: transparência e responsabilidade, viés e justiça, privacidade e confidencialidade, consentimento informado, competência e formação, supervisão humana, impacto no trabalho clínico e aplicado, e melhoria contínua.

Apesar de publicado pela APA, esse material foi elaborado pelo CPTA como guia prático, sem criar norma obrigatória nova e sem constituir orientação jurídica. Uma leitura apressada poderia concluir que "a APA liberou o uso de IA em avaliação psicológica", e o documento não sustenta essa conclusão. O que ele mostra, e isso me parece o ponto mais relevante, é que a discussão institucional saiu do "pode ou não pode" e passou para o "como avaliar tecnicamente cada uso".

E "usar IA" pode significar coisas muito diferentes. Usar uma ferramenta para organizar a estrutura de um documento tem pouco a ver com pedir que um modelo decida se uma pessoa preenche critérios para um transtorno. Conferir uma operação matemática carrega, em princípio, um risco diferente do de gerar uma interpretação neuropsicológica. Pedir que a IA levante uma hipótese alternativa para estudo também difere de incorporar essa hipótese a um laudo sem validação independente. Tudo isso pode ser chamado genericamente de "uso de IA", mas tecnicamente são problemas distintos.

Por isso gosto de uma das ideias que atravessam o documento: precisamos avaliar o propósito da ferramenta, as evidências disponíveis para aquele uso específico, os possíveis vieses, as características da população, a consequência de um erro e a existência de alternativas mais seguras. Essa forma de pensar é familiar para quem trabalha com avaliação psicológica. A gente já sabe que perguntar se um teste "é bom" resolve pouco. Perguntamos para que construto foi desenvolvido, em qual população, com quais evidências de validade, quais são as limitações e se aquela interpretação é defensável naquele contexto. Com IA, precisamos aprender a fazer perguntas parecidas, porque existe hoje uma quantidade grande de pesquisa sobre IA em saúde mental e avaliação, e a qualidade dessa validação ainda varia muito de estudo para estudo. Reconhecer limitações da evidência é diferente de negar o potencial da tecnologia.

A decisão e a responsabilidade seguem com quem assina, e a tecnologia entra como instrumento.

Na minha prática, eu procuro separar o que estou delegando para a ferramenta daquilo que considero parte do meu julgamento profissional. Um dos usos é ajudar na estrutura e na organização de laudos. Uma parcela desse trabalho é operacional, e eu não vejo vantagem clínica em gastar tempo com tarefas que podem ser agilizadas com segurança, se esse tempo puder ir para a análise dos dados, a integração das informações e a elaboração das conclusões.

Também uso IA como ferramenta de estudo e discussão de caso. Posso pedir que organize hipóteses, procure explicações alternativas ou confronte um raciocínio com referências que eu já conheço, sempre com uma regra que considero central: o modelo não vira fonte científica porque produziu uma resposta convincente. Referências precisam ser conferidas, artigos precisam ser lidos, e afirmações clinicamente relevantes precisam voltar para a literatura original. Ferramentas generativas conseguem produzir explicações muito plausíveis mesmo quando a sustentação é fraca ou incorreta, e a própria orientação ética da APA para a prática de health service psychology pede que o psicólogo assuma responsabilidade pela qualidade da informação que utiliza, interrompendo o uso de uma ferramenta se surgirem preocupações com desinformação.

Outro uso é a segunda conferência de cálculos e transcrições de escores. Já vi um erro de digitação alterar uma classificação, então considero útil ter uma camada adicional de verificação. Nesse uso, porém, retirar o nome do paciente resolve só uma parte do problema de confidencialidade. Dados psicológicos podem continuar sensíveis mesmo sem nome, CPF ou e-mail. Dependendo da combinação de informações fornecidas, uma pessoa pode continuar potencialmente identificável. Além disso, respostas a testes, protocolos e certos materiais envolvem, além da privacidade, a segurança dos próprios instrumentos. O guia do CFP publicado em dezembro de 2025 é direto nesse ponto: recomenda evitar inserir prontuários, nomes e itens identificáveis em ferramentas abertas, registrar o consentimento da pessoa atendida e, quando o uso for necessário, preferir soluções com contratos de confidencialidade e bases privadas, com anonimização rigorosa.

Então "eu não coloco dados identificáveis" continua sendo uma regra importante, mas hoje eu acrescentaria outras perguntas: que informação está sendo enviada, ela é realmente necessária, em que ambiente será processada, o que acontece com esses dados depois, e esse uso preserva a segurança do instrumento?

Uma das recomendações mais importantes do documento do CPTA é a manutenção da supervisão humana. Em aplicações de maior consequência, o psicólogo deve continuar participando da interpretação, revisar os resultados e ter autoridade para rejeitar ou modificar o que o sistema produziu. A orientação ética da APA segue a mesma direção: a IA deve ampliar o julgamento profissional, e a responsabilidade pela decisão final permanece com o psicólogo. O CFP vem adotando posição semelhante no Brasil. Em sua nota de posicionamento de julho de 2025, reconhece que ferramentas baseadas em IA já vêm sendo incorporadas ao cotidiano de psicólogas e psicólogos em múltiplos contextos, e ressalta que as atividades mais complexas devem ocorrer sempre sob supervisão crítica e com discernimento ético da profissional responsável. A decisão e a responsabilidade seguem com quem assina, e a tecnologia entra como instrumento.

Até aqui, o desenho parece simples: a IA produz, o psicólogo revisa. Só que revisar bem exige dominar aquilo que está sendo revisado. Pense numa IA que produza uma formulação clínica muito bem escrita. Ela conecta história de desenvolvimento, sintomas, mecanismos cognitivos, hipóteses diagnósticas e fatores de manutenção. O texto sai coerente, técnico, convincente, e ainda assim pode conter uma inferência que os dados não permitem, usar mal um resultado psicométrico ou apresentar uma hipótese sem sustentação suficiente. Um profissional com boa formação naquela área tem mais recursos para perceber esses problemas. Um profissional que ainda não domina o conteúdo pode confundir fluência com qualidade. Para mim, essa é uma das discussões mais importantes sobre formação em IA: supervisão humana exige mais do que colocar um ser humano depois da máquina. Exige que esse ser humano tenha competência suficiente para contrariá-la.

A literatura de outras áreas da saúde dá motivos para levar essa preocupação a sério. Uma revisão sistemática publicada em 2026 sobre IA generativa em saúde encontrou ganhos consistentes de acurácia diagnóstica, eficiência e qualidade de decisão, e, ao mesmo tempo, identificou automation bias como tema recorrente nos estudos, ou seja, situações em que profissionais dão peso excessivo às recomendações automatizadas, inclusive quando estão erradas. A mesma revisão registrou preocupações com desabituação de habilidades clínicas e com impactos no raciocínio diagnóstico. Essa evidência, porém, é predominantemente observacional, experimental ou baseada em simulação, e vem sobretudo da medicina. Ainda não temos base para afirmar que o uso de IA esteja produzindo perda de competência entre psicólogos, e essa distinção evita transformar uma preocupação razoável numa certeza que a evidência ainda não permite.

Supervisão humana exige mais do que colocar um ser humano depois da máquina.

Essa preocupação cresce quando eu penso na formação de novos profissionais. Eu não acho correto afirmar que estudantes que usam IA vão deixar de aprender. Não temos evidência para isso, e provavelmente existem maneiras muito produtivas de incorporar essas ferramentas ao ensino. O próprio documento do CPTA inclui estudantes de Psicologia entre seu público. Mas existe uma possibilidade que precisamos estudar com seriedade: o efeito da automação pode ser diferente quando uma habilidade já está consolidada e quando ela ainda está sendo adquirida.

Uma psicóloga experiente em formulação de caso pode usar a IA para perguntar se existe uma hipótese alternativa que ela deixou de considerar, e a ferramenta pode ampliar a análise, porque a profissional tem um modelo clínico próprio contra o qual comparar a sugestão. Para um estudante que ainda está aprendendo a formular casos, a situação pode ser outra. Se ele recebe de imediato uma formulação pronta, sofisticada e aparentemente coerente, existe o risco de usar o produto sem executar as operações cognitivas necessárias para construí-lo. Isso pode não acontecer, mas significa que a formação precisa preservar, de forma deliberada, oportunidades de raciocínio independente.

Há sinais parecidos em algumas áreas médicas. Uma revisão de escopo publicada em 2026 sobre o risco de deskilling entre médicos identificou estudos em que o desempenho pode cair quando a IA é retirada, e outros em que profissionais alteraram decisões inicialmente corretas diante de sugestões erradas do sistema. Essa literatura ainda se concentra em poucas especialidades, principalmente radiologia, patologia e endoscopia, e os próprios autores tratam o fenômeno como risco a ser monitorado. É uma hipótese que merece investigação, e ainda não uma conclusão pronta para ser importada para a Psicologia.

Talvez, então, a discussão educacional mais interessante fique além do "permitir ou proibir". Precisamos descobrir quais competências devem ser demonstradas de forma independente, em quais etapas a IA pode funcionar como apoio e como ensinar o estudante a avaliar criticamente o que ela produz. Isso me parece muito mais produtivo do que fingir que essas ferramentas ficarão de fora da formação dos próximos psicólogos.

Outro acerto do documento do CPTA é tratar competência em IA de maneira ampla, colocando competência e formação entre seus eixos. Psicólogos não precisam virar cientistas de dados, mas usar uma tecnologia profissionalmente exige compreender o suficiente sobre suas limitações para avaliar quando ela é inadequada. Eu iria além: talvez a competência mais importante seja aprender a auditar as respostas, antes mesmo de aprender a obter respostas melhores. Isso inclui perguntar qual evidência sustenta aquela aplicação, se o sistema foi avaliado na população relevante, qual é o padrão de comparação, que tipos de erro produz, como o desempenho varia entre grupos e o que acontece quando recebe informações incompletas ou ambíguas.

Essa lógica conversa com a própria avaliação psicológica. Nós já trabalhamos com a ideia de que validade depende de contexto, e de que o que se avalia são as evidências que sustentam determinadas interpretações e usos dos resultados. Com IA acontece algo parecido. Um sistema pode ser muito bom em uma tarefa e ruim em outra, pode ter excelente desempenho médio e falhar justamente nos casos que mais importam para determinada população, e pode resumir informações de forma adequada e, ao mesmo tempo, fazer inferências clínicas pouco confiáveis.

Estudos muito recentes ilustram como o desempenho pode ser específico da tarefa. Um trabalho publicado em 2026 na npj Digital Medicine avaliou dez grandes modelos de linguagem em avaliação psicopatológica estruturada, usando os 100 itens do sistema AMDP aplicados a três entrevistas psiquiátricas simuladas, e comparou os resultados com 108 clínicos em atividade, em sua maioria em início de carreira. Os modelos trabalharam apenas com transcrições, enquanto os clínicos tiveram acesso a áudio e vídeo. Os melhores modelos alcançaram acurácia próxima da média da distribuição dos clínicos, com perfis de erro distintos e desempenho variando bastante conforme o quadro avaliado. É uma prova de conceito, com apenas três entrevistas simuladas, e está muito longe de demonstrar que LLMs podem substituir avaliação psicopatológica clínica. Mostra, porém, por que afirmar que "a IA não consegue avaliar" também começa a ficar cientificamente impreciso.

Quando alguém me pergunta se a inteligência artificial pode interpretar testes psicológicos, minha vontade é responder com outras perguntas. Qual sistema? Qual instrumento? Que tipo de interpretação? Ele está descrevendo resultados ou inferindo algo sobre funcionamento psicológico? Para qual população esse uso foi testado? Houve validação externa? Quais foram os erros? Como os vieses foram investigados? E, principalmente, como aquela saída vai entrar na decisão final?

Pode parecer uma resposta complexa demais, mas é o tipo de complexidade que esperamos quando avaliamos qualquer tecnologia destinada a influenciar decisões sobre pessoas. O próprio campo científico ainda está aprendendo a responder essas perguntas, e boa parte dos estudos disponíveis segue no estágio de prova de conceito, com validação externa escassa e pouca atenção a diferenças populacionais e culturais. Por isso eu me sinto desconfortável tanto com o entusiasmo de que os modelos atuais já conseguem assumir o raciocínio avaliativo quanto com a ideia de que qualquer participação da IA compromete a avaliação. As evidências disponíveis deixam os dois extremos sem sustentação. A discussão sobre viés mostra bem como esse tema pode ficar simplificado demais. É verdade que sistemas de IA podem reproduzir ou ampliar vieses presentes nos dados usados em seu desenvolvimento, ter desempenhos diferentes entre grupos e gerar novas formas de desigualdade quando implantados fora das condições em que foram avaliados. Viés e justiça formam, inclusive, um dos oito eixos do documento do CPTA. Ao mesmo tempo, quem avalia sem IA também erra. Julgamento clínico, entrevistas, instrumentos e decisões humanas carregam seus próprios vieses. A pergunta empiricamente interessante, então, passa a ser comparativa: determinado sistema humano com IA produz resultados melhores, equivalentes ou piores do que a alternativa disponível, naquela tarefa e naquele contexto? Essa comparação precisa ser feita com dados. Dependendo da aplicação, a tecnologia pode aumentar consistência ou detectar erros que passariam despercebidos; em outras, pode introduzir um padrão de erro novo ou amplificar desigualdades existentes. "IA é enviesada" e "IA é mais objetiva" acabam sendo afirmações igualmente pobres quando aparecem sem especificar a aplicação.

A supervisão humana é outro eixo do documento, e a literatura de governança de IA oferece uma distinção útil para pensá-la: human-in-the-loop e human-on-the-loop. No primeiro modelo, o profissional participa diretamente dos pontos relevantes de decisão, revisando e podendo modificar ou rejeitar resultados da IA antes que sejam usados. No segundo, mais adequado a tarefas padronizadas e de menor risco, a supervisão ocorre de maneira mais sistêmica, por meio de monitoramento e intervenção quando necessário. A distinção ajuda a abandonar a ideia de que toda automação exige o mesmo nível de controle humano, porque uma rotina administrativa e uma formulação diagnóstica apresentam riscos diferentes. Ainda assim, eu faria uma ressalva. A expressão "supervisão humana" pode transmitir uma segurança maior do que oferece. Se a pessoa encarregada de supervisionar tende a aceitar automaticamente o resultado, compreende pouco a tarefa ou tem informações insuficientes para avaliar a saída, a presença dela acrescenta pouco. Por isso eu prefiro pensar em supervisão humana como capacidade real de revisão independente, com condições concretas para discordar do sistema.

A discussão sobre privacidade também precisa amadurecer. Em avaliação psicológica, lidamos com informações particularmente sensíveis: história de vida, sintomas, relações familiares, funcionamento cognitivo, resultados de instrumentos e, eventualmente, hipóteses diagnósticas. A facilidade de copiar esse material para um chatbot pode produzir uma falsa sensação de informalidade. Do ponto de vista profissional, porém, o fato de a ferramenta ter uma caixa de texto simples deixa o dado igualmente sensível. Privacidade e confidencialidade estão entre os eixos centrais do documento do CPTA, e a orientação ética da APA coloca a proteção de dados e o consentimento informado como obrigações de quem integra IA ao trabalho clínico, incluindo a comunicação clara sobre propósito, aplicação, benefícios e riscos das ferramentas utilizadas. No Brasil, o CFP vai na mesma direção. O guia Inteligência Artificial na Psicologia, publicado em dezembro de 2025, orienta cuidados redobrados com dados sensíveis, registro de consentimento, anonimização rigorosa e atenção às condições de privacidade das ferramentas, em consonância com o Código de Ética e a legislação brasileira. Uma análise jurídica mereceria um texto próprio, então por ora deixo registrado o essencial: um documento americano não autoriza nem regulamenta a prática no Brasil, e aqui o profissional continua sujeito às normas e à legislação brasileiras.

Eu considero o documento do CPTA um avanço, e ao mesmo tempo vejo dificuldades que ele apresenta sem resolver. A primeira é transparência. Em um sistema tradicional, pode ser possível documentar com clareza quais variáveis entram em determinada equação e qual peso cada uma recebe. Em modelos complexos, principalmente grandes modelos de linguagem, conhecer a arquitetura geral, os dados disponíveis e a lógica conceitual pode ser insuficiente para explicar por que determinado output foi produzido daquela maneira. Que nível de explicabilidade deveria ser exigido de modelos com graus tão diferentes de complexidade? Eu ainda não vejo resposta simples para essa pergunta, nem no documento, nem na literatura. Outra limitação está nas referências, que misturam orientações institucionais e profissionais com artigos científicos e fontes comerciais. Isso mantém as recomendações válidas como guia prático, já que estamos longe de uma revisão sistemática, mas significa que cada afirmação do documento carrega um nível diferente de evidência, e deveríamos ler o texto com essa graduação em mente. Por fim, considero acertada a inclusão de melhoria contínua entre os eixos. Um instrumento psicológico permanece relativamente estável entre revisões; sistemas de IA podem mudar rápido. Modelos são atualizados, interfaces mudam, políticas de dados são alteradas, e o desempenho pode variar conforme o contexto e a maneira de uso. A avaliação de uma tecnologia dessas funciona melhor como processo do que como decisão feita uma única vez.

A discussão sobre privacidade também precisa amadurecer.

Então eu sou a favor? Sou, mas talvez "ser a favor da IA" descreva pouco da minha posição. Sou a favor de usar tecnologia quando ela reduz trabalho operacional, acrescenta uma camada útil de verificação, amplia possibilidades de estudo ou melhora uma tarefa sem comprometer a qualidade e a responsabilidade profissional. Também acho possível que, conforme as evidências avancem, sistemas específicos assumam funções bem mais complexas do que as que hoje considero apropriado delegar. O que me parece pouco razoável é decidir isso com base apenas no fato de uma ferramenta produzir um resultado convincente. Uma resposta convincente pode carregar uma inferência inválida, um texto sofisticado pode esconder um raciocínio clínico fraco, e a possibilidade de revisar um resultado depois continua dependendo da competência para entender o que está sendo revisado.

Talvez por isso a discussão que mais me interessa fique menos no quanto a IA será capaz de fazer nos próximos anos e mais no que os psicólogos precisarão saber para usá-la sem perder a capacidade de pensar independentemente dela. Isso muda inclusive a forma de ensinar. A saída dificilmente será formar profissionais com medo da tecnologia, e também dificilmente será ensinar uma coleção de ferramentas e prompts. Precisamos formar psicólogos capazes de compreender evidência, reconhecer limites, proteger dados, identificar inferências que não se sustentam e decidir conscientemente quando aceitar, modificar ou rejeitar uma sugestão automatizada. A IA pode participar de cada vez mais etapas do nosso trabalho, e a responsabilidade profissional segue no mesmo lugar. Se alguma coisa estiver errada no documento final, explicar que "foi a ferramenta que escreveu" resolve pouco. Se uma interpretação cair, o modelo se defende menos ainda, porque quem assina continua sendo você.

Um abraço,

Tammy Marchiori

Neuropsicóloga · CRP 06/135198

Confira as fontes

A lista completa de documentos e estudos citados está na página de referências.