Anatomia de um Argumento
Anthony Weston
“Dar um argumento não significa apenas afirmar certas opiniões, nem é só uma questão de discutir. Argumentos são tentativas de sustentar certas opiniões com razões.”
Argumentar, no sentido filosófico, não é brigar. É a habilidade de sustentar uma afirmação com razões e de avaliar se as razões dos outros se sustentam. Esta é, provavelmente, a competência mais transferível que você leva desta disciplina: serve para defender um projeto, escrever um TCC, negociar um salário, ler uma notícia e revisar o que uma IA te entregou.
1. O que é um argumento? 🧱
Definição
Um argumento é um conjunto de afirmações onde uma delas (a conclusão) é sustentada pelas outras (as premissas).
A estrutura mínima:
Premissa 1: Todo software sem testes acumula dívida técnica.
Premissa 2: Este sistema não tem testes.
─────────────────────────────────────────────────────────
Conclusão: Logo, este sistema acumula dívida técnica.
Como achar a conclusão
A conclusão é o ponto que a pessoa quer que você aceite. Palavras como “logo”, “portanto”, “então”, “conclui-se” sinalizam a conclusão. Palavras como “porque”, “já que”, “pois”, “dado que” sinalizam premissas. Treine o olho para isso e metade do trabalho está feito.
2. A distinção que separa amadores de profissionais: validade ≠ verdade ✅
Esta é a ideia mais importante da aula. Leia duas vezes.
Três conceitos diferentes
- Verdade é uma propriedade das premissas isoladas: a afirmação corresponde à realidade?
- Validade é uma propriedade da estrutura: se as premissas fossem verdadeiras, a conclusão seria forçada?
- Solidez é ter as duas coisas juntas: estrutura válida e premissas verdadeiras.
Um argumento pode ser válido e falso ao mesmo tempo:
Válido, mas não sólido
- Premissa 1: Todo pássaro fala português.
- Premissa 2: O pinguim é um pássaro.
- Conclusão: Logo, o pinguim fala português.
A estrutura é perfeita (a conclusão segue logicamente). Mas a Premissa 1 é falsa, então o argumento não prova nada. Ele é válido, mas não é sólido.
E pode ser inválido com premissas verdadeiras:
Tudo verdade, mas inválido
- Premissa 1: Alguns engenheiros sabem programar. (verdade)
- Premissa 2: Maria sabe programar. (verdade)
- Conclusão: Logo, Maria é engenheira. (não segue!)
Maria pode ser médica que aprendeu Python. As premissas são verdadeiras, mas a conclusão não está garantida por elas.
quadrantChart title Qualidade de um argumento x-axis "Estrutura inválida" --> "Estrutura válida" y-axis "Premissas falsas" --> "Premissas verdadeiras" quadrant-1 "SÓLIDO (o objetivo)" quadrant-2 "Verdade sem lógica" quadrant-3 "Lixo total" quadrant-4 "Lógica sem verdade" "Pinguim fala português": [0.85, 0.15] "Maria é engenheira": [0.2, 0.85] "Software sem teste": [0.85, 0.85]
Por que isso importa na era da IA
Um LLM é uma máquina de produzir texto estruturalmente convincente. Ele encadeia frases que soam como um bom argumento. Seu trabalho é checar as duas camadas separadamente: a estrutura fecha? E cada premissa é verdadeira? Fluência engana na primeira camada e esconde furos na segunda.
3. Dois tipos de argumento: dedução e indução 🔬
| Dedução | Indução | |
|---|---|---|
| Promessa | Se as premissas são verdadeiras, a conclusão é garantida | As premissas tornam a conclusão provável |
| Exemplo | Matemática, lógica formal | Ciência, estatística, “testei 100 casos e funcionou” |
| Como falha | Estrutura inválida | Amostra pequena ou enviesada |
| Força | Certeza | Alcance (fala do mundo real) |
IA é raciocínio indutivo turbinado
Modelos de linguagem aprendem padrões de muitos exemplos e generalizam: isso é indução em escala industrial. Por isso eles são ótimos no provável e no típico, e perigosos no caso raro, no novo e na exceção. Reconhecer que a IA “pensa por indução” explica de imediato onde ela costuma errar.
4. Falácias: os erros que parecem certos ⚠️
Definição
Uma falácia é um argumento que parece convincente mas tem um defeito lógico. Saber nomeá-las é como ter um detector de fumaça mental.
As mais comuns (com exemplo atual)
| Falácia | O truque | Exemplo |
|---|---|---|
| Ad hominem | Atacar a pessoa em vez do argumento | ”Você não pode falar de IA, nem formado você é.” |
| Espantalho (straw man) | Distorcer a posição do outro para derrubá-la fácil | ”Quem pede ética na IA quer proibir todo computador.” |
| Falsa dicotomia | Fingir que só há duas opções | ”Ou você confia 100% na IA, ou é tecnofóbico.” |
| Apelo à autoridade | ”É verdade porque um famoso disse" | "Um CEO de tech disse que AGI chega em 2027, então chega.” |
| Apelo à popularidade | ”Todo mundo usa, então é bom" | "Milhões usam esse chatbot, logo as respostas são confiáveis.” |
| Petição de princípio | Usar a conclusão como premissa | ”A IA é confiável porque ela mesma diz que verificou.” |
| Correlação ≠ causa | Confundir “veio junto” com “causou" | "Notas caíram quando liberaram o ChatGPT, logo o ChatGPT emburrece.” |
| Apelo à novidade | ”É novo, logo é melhor" | "Esse modelo é de 2026, então supera tudo de antes.” |
Falácia escondida num texto de IA
Peça a um LLM para defender uma posição polêmica. Quase sempre aparece um apelo à autoridade vago (“especialistas concordam que…”) sem dizer quais especialistas, ou uma falsa dicotomia que simplifica o problema. A IA reproduz as falácias que existem nos textos com que foi treinada.
5. Mapear um argumento (a técnica que destrava tudo) 🗺️
Quando um argumento é longo, desenhe. Separe a conclusão principal, as premissas que a sustentam e as sub-premissas que sustentam cada premissa.
flowchart BT P1["Premissa: o sistema lida com dados sensíveis"] --> C["CONCLUSÃO:<br/>este sistema precisa de revisão de segurança humana"] P2["Premissa: código gerado por IA falha em segurança com frequência"] --> C SP1["Sub-premissa: estudos mostram alta taxa de vulnerabilidade"] --> P2 SP2["Sub-premissa: a IA otimiza por 'funciona', não por 'é seguro'"] --> P2
O poder do mapa
Ao desenhar, você descobre onde o argumento é forte e onde é frágil. Em vez de discordar de tudo (“não concordo”), você aponta o ponto exato: “aceito as premissas, mas elas não sustentam essa conclusão tão forte” ou “a estrutura fecha, mas a premissa 2 é duvidosa”. É assim que se discorda com elegância e se vence um debate.
6. Por que isto é competência profissional 💼
- Revisar IA: você passa a ler o output de uma IA como leria um argumento: estrutura fecha? Premissas são verdadeiras? Tem falácia escondida?
- Defender decisões: “escolhi esta arquitetura” vira um argumento explícito com premissas, que convence chefe e banca.
- Imunidade a manipulação: propaganda, fake news e discurso de venda são feitos de falácias. Quem as nomeia não morde a isca.
- Escrever melhor: TCC, relatório e e-mail ficam mais fortes quando a conclusão é sustentada por razões claras, e não apenas afirmada.
7. Atividade Mão na Massa 🧪
🧪 Atividade 1: Disseca um argumento real
- Pegue um texto curto de opinião (post, editorial, thread) sobre tecnologia ou IA.
- Identifique e escreva separadamente: a conclusão principal e as premissas.
- Avalie: a estrutura é válida? Cada premissa é verdadeira? O argumento é sólido?
- Cace pelo menos uma falácia da tabela da Seção 4.
Resultado observável: uma página com o argumento mapeado e o diagnóstico (válido/sólido, falácia encontrada).
🧪 Atividade 2: Vire o juiz da IA
- Peça a um LLM um argumento a favor de algo (ex.: “argumente que toda escola deveria proibir celular”).
- Mapeie o argumento que a IA produziu (use o estilo da Seção 5).
- Encontre o elo mais fraco: uma premissa duvidosa ou uma falácia.
- Devolva à IA: “a premissa X é falsa porque…” e veja se ela conserta ou inventa uma defesa nova.
Conexão com o tema: você está fazendo revisão crítica de output, a habilidade número um de quem trabalha com IA de forma profissional.
8. Síntese 🧭
As três perguntas que você leva pra vida
Diante de qualquer afirmação, sua ou dos outros, pergunte:
- Qual é a conclusão e quais são as premissas? (achar a estrutura)
- A conclusão segue das premissas? (validade)
- As premissas são verdadeiras? (verdade)
Quem faz essas três perguntas com naturalidade pensa melhor que a maioria. E pensa melhor que muita IA.
➡️ Próxima aula sugerida: O Teste de Turing e o Quarto Chinês, para aplicar o pensamento crítico à pergunta “máquinas pensam?“.
📚 Fontes
- Weston, A. A Rulebook for Arguments (em português: A Arte de Argumentar). Livro curto e direto, a base desta aula. (Tier S, canônico)
- Walton, D. Informal Logic: A Pragmatic Approach. Cambridge University Press. Tratamento aprofundado de falácias. (Tier A)
- Hansen, H. Fallacies. Stanford Encyclopedia of Philosophy: plato.stanford.edu/entries/fallacies (Tier A, autoritativo)
- Aristóteles. Refutações Sofísticas e Retórica. A origem do estudo das falácias e da argumentação. (Tier S, clássico)