Avançando a ciência comportamental aplicada: a estrutura GAP

Por que Nossas Escolhas Importam Mais do Que Pensamos

De assinar um plano de aposentadoria a clicar em “aceitar” online, nossas escolhas diárias são silenciosamente moldadas por decisões sutis de design e por poderosas novas tecnologias. Este artigo apresenta a estrutura GAP, um roteiro para governos, empresas e organizações sem fins lucrativos que querem usar de forma responsável e eficaz conhecimentos sobre o comportamento humano. Mostra como ideias clássicas sobre hábitos e vieses podem ser combinadas com inteligência artificial e restrições do mundo real para ir além dos simples “nudges”, em direção a maneiras mais inteligentes, justas e transparentes de influenciar o comportamento.

Olhando para o Comportamento com Novos Olhos

A primeira parte da estrutura GAP, Ferramentas Gerais, foca no que a ciência comportamental já sabe sobre como as pessoas pensam e agem. Os autores agrupam muitos achados famosos em uma lente simples chamada SHELL: somos guiados pela influência social, hábitos, emoções, capacidade mental limitada e autocontrole restrito. Essa lente ajuda organizações a superar as suposições habituais de que as pessoas só precisam de mais informação ou incentivos maiores. Em vez disso, incentiva a pergunta: as pessoas estão copiando outras? Agindo no piloto automático? Sobrecarregadas por opções complexas? Cansadas ou estressadas? Ver problemas por meio da SHELL deve ser um passo diagnóstico antes de qualquer solução ser desenhada.

Encontrando Obstáculos Ocultos Dentro dos Sistemas

Uma vez suspeitados os principais impulsionadores do comportamento, a estrutura destaca as auditorias comportamentais como forma de descobrir o que realmente está dando errado dentro de uma organização. Auditorias de atrito (sludge) procuram obstáculos desnecessários — formulários, etapas e atrasos que desperdiçam tempo e energia. Auditorias de viés buscam padrões injustos em decisões como contratação ou concessão de crédito, enquanto auditorias de ruído identificam inconsistências aleatórias entre pessoas que deveriam avaliar casos de maneira semelhante. Juntas, essas auditorias revelam quando sistemas são confusos, injustos ou pouco confiáveis. Só depois desse trabalho diagnóstico entra em cena a ideia conhecida de “arquitetura de escolha”: pequenas mudanças na forma como as opções são apresentadas, como padrões predefinidos, lembretes ou layouts simplificados, projetadas para tornar escolhas melhores mais fáceis sem restringir a liberdade.

Trazer Máquinas Inteligentes para o Quadro

O segundo pilar do GAP, Algoritmos, explica como novas ferramentas de dados — especialmente a inteligência artificial — podem potencializar a ciência comportamental se usadas corretamente. A IA pode abrir novas formas de coleta de dados, desde escanear milhões de mensagens para captar humor e opinião até realizar megaestudos que comparam dezenas de intervenções ao mesmo tempo. Também pode identificar padrões em conjuntos de dados enormes que humanos deixariam escapar, como quanto tempo realmente leva para um hábito se formar ou quais fatores mais fortemente preveem hesitação vacinal. Além disso, sistemas de IA podem entregar prompts ou recomendações personalizadas no momento certo e em escala maciça. Ao mesmo tempo, os autores alertam que essas mesmas ferramentas podem ser mal utilizadas para manipular pessoas ou invadir privacidade, tornando salvaguardas éticas e supervisão fundamentais.

Fazer a Ciência do Comportamento Funcionar em Organizações Reais

O terceiro pilar, Considerações Práticas, reconhece que mesmo as melhores ideias falham sem as pessoas, regras e métodos certos. Usando o mnemônico TEAM, os autores discutem como construir equipes de insights comportamentais, decidir entre centralizá-las ou distribuí-las pelos departamentos e combinar habilidades de psicologia, economia, ciência de dados, direito e mais. Enfatizam a necessidade de papéis claros, diretrizes éticas e respeito a leis de privacidade como as normas europeias de proteção de dados. Custos também importam: alguns nudges são baratos e altamente custo-efetivos, enquanto sistemas avançados de IA exigem investimentos pesados e análise cuidadosa de custo–benefício. Finalmente, a estrutura sublinha a importância de testes rigorosos — por meio de experimentos, testes de campo e outros métodos de pesquisa — para que as organizações aprendam não apenas “o que funciona”, mas para quem, em quais contextos e a que preço.

Encaixando Peças Antigas e Novas

Em vez de substituir modelos populares como COM-B, MINDSPACE ou EAST, a estrutura GAP foi concebida para ficar acima deles e conectar os pontos. SHELL e as auditorias afinam o diagnóstico, modelos existentes de mudança de comportamento ajudam a desenhar intervenções, algoritmos ampliam o que pode ser visto e escalado, e TEAM mantém tudo ancorado em estruturas, ética e orçamentos do mundo real. Os autores são francos sobre os limites da proposta: o GAP não cataloga todas as técnicas possíveis, e há o risco de qualquer estrutura estreitar o debate ou negligenciar mudanças sistêmicas mais profundas que possam ser necessárias. Eles pedem mais estudos comparativos de diferentes estratégias e atualizações do GAP à medida que a tecnologia e a regulação evoluem.

O Que Isso Significa para a Vida Cotidiana

Em termos simples, a estrutura GAP é um guia para usar o conhecimento sobre o comportamento humano de maneiras mais inteligentes e ponderadas. Incentiva os praticantes a diagnosticar problemas com cuidado antes de pular para soluções, a combinar o julgamento humano com o poder dos algoritmos de identificar padrões e a formar equipes e regras que mantenham a influência transparente e justa. À medida que órgãos públicos e empresas moldam cada vez mais nossas escolhas — tanto offline quanto online — o GAP oferece uma forma de aproveitar essas ferramentas para melhorar saúde, finanças e resultados sociais, respeitando ainda a autonomia e a diversidade das pessoas.

Citação: Costa, S., Mills, S., Duyck, W. et al. Advancing applied behavioral science: the GAP framework. Humanit Soc Sci Commun 13, 261 (2026). https://doi.org/10.1057/s41599-026-06542-3

Palavras-chave: ciência comportamental aplicada, nudges e arquitetura de escolha, inteligência artificial em políticas públicas, auditorias comportamentais, tomada de decisão organizacional