Se você acompanhou as notícias dos últimos dois anos, deve ter visto a IA na saúde mental sendo anunciada das duas formas mais inúteis possíveis, ora como a tecnologia que vai resolver a fila do SUS e democratizar a terapia, ora como a ameaça que vai esvaziar o consultório e trocar a escuta por um chatbot. As duas manchetes vendem bem e descrevem mal, porque nenhuma delas se parece com o que de fato chega à mesa de uma psicóloga quando ela termina uma sessão e vai registrar o que aconteceu.

A distância entre o que se fala e o que se faz é o assunto deste artigo. Quero deixar o noticiário de lado e olhar o que a literatura recente documenta sobre o uso de IA na saúde mental, separando o que já tem respaldo do que ainda é promessa, e fechar com o recorte que mais interessa a quem atende aqui, que é o que existe e o que falta no contexto brasileiro. Se você quiser o enquadramento mais amplo da categoria antes dos casos de uso, vale começar pelo guia sobre inteligência clínica e IA na saúde mental, que define os termos. Aqui o foco é prático, no que essa camada já consegue fazer hoje.

O que a IA realmente faz hoje, sem o noticiário

Vale começar tirando da frente a imagem que a palavra "IA" costuma puxar, a de um sistema que conversa com o paciente, interpreta o que ele sente e devolve uma conduta. Essa imagem existe em alguns produtos voltados ao consumidor final, mas a pesquisa documenta um uso clínico bem diferente, e confundir os dois faz a conversa toda travar.

No consultório, a IA que tem respaldo opera num registro bem menos espetacular. Ela trabalha sobre dados que já existem, como instrumentos validados aplicados ao longo do tempo e séries de pontuação do acompanhamento, e devolve uma leitura organizada desse material para que a profissional decida com mais informação. A diferença de função importa, porque desloca a IA do lugar de quem opina sobre o caso para o lugar de quem organiza o que se sabe sobre ele.

Quando se olha a literatura com esse filtro, o retrato é mais modesto e mais aplicável do que o anúncio. A IA cruza dados, sinaliza padrão, recupera contexto longitudinal e apoia a leitura da evolução, sempre com a decisão clínica do outro lado. Ser menos dramático não torna isso menos relevante, só mais honesto sobre o que essas ferramentas de fato fazem.

Os três domínios da literatura

Uma forma de mapear o campo sem cair no hype é olhar como a própria pesquisa o organiza. Uma revisão sistemática de Cruz-Gonzalez e colegas, publicada em 2025, fez exatamente isso: reuniu 85 estudos de IA em saúde mental e distribuiu as aplicações em três domínios, diagnóstico, monitoramento e intervenção (Cruz-Gonzalez et al., 2025).

A revisão registra que os métodos mais usados variam por domínio, com técnicas de classificação como support vector machine e random forest aparecendo mais no diagnóstico, machine learning no monitoramento e chatbot de IA na intervenção (Cruz-Gonzalez et al., 2025). Para a prática clínica, o que importa nessa divisão é menos o nome de cada técnica e mais o que ela revela: a IA na saúde mental não é uma coisa só. São frentes diferentes, com graus de maturidade e de risco bem distintos, e tratá-las como bloco único é parte do problema.

Vale guardar também a direção que os próprios autores apontam para o campo, porque ela conversa direto com o que separa uma ferramenta séria de uma promessa. A revisão conclui que o futuro passa por datasets mais diversos e robustos e por mais transparência e interpretabilidade dos modelos, justamente para que eles sirvam à prática clínica em vez de funcionarem como caixa fechada (Cruz-Gonzalez et al., 2025). Em outras palavras, a literatura mais recente não pede modelos mais espertos, pede modelos mais legíveis, um critério que volta quando se discute como avaliar se uma IA clínica é confiável.

As cinco fases mapeadas por Ni e Jia (2025)

Se a revisão de Cruz-Gonzalez ajuda a organizar o campo por domínio técnico, uma outra síntese de 2025, a scoping review de Ni e Jia, ajuda a organizar pela jornada do cuidado. Revisando 36 estudos empíricos, os autores mapearam o uso de IA em cinco fases (Ni & Jia, 2025):

• triagem, antes do tratamento;

• apoio terapêutico, durante;

• monitoramento, depois;

• educação clínica;

• prevenção em escala populacional.

Essa leitura por fase é útil porque mostra que a IA entra em momentos diferentes do cuidado, com funções diferentes. Ela ajuda a encaminhar na triagem, apoia o monitoramento de sintomas no acompanhamento, entra como recurso na educação clínica e aparece em estratégias de prevenção e ampliação de acesso na ponta populacional, que é onde os exemplos de redução de fila costumam surgir.

Olhar o campo por essas cinco fases também desinfla a pergunta binária de "a IA serve ou não serve para a clínica", porque a resposta muda conforme a fase. Há fases em que o uso já está mais consolidado, como o monitoramento, e outras muito mais incipientes e que exigem cautela, como a intervenção autônoma. Misturar tudo numa avaliação só é o que produz tanto o entusiasmo ingênuo quanto a rejeição em bloco.

O uso predominante: apoio e monitoramento, não tratamento isolado

Quando se junta o que essas duas revisões mostram, aparece um padrão que vale guardar, porque ele contraria diretamente a manchete do chatbot que substitui a terapia. A scoping review de Ni e Jia é explícita ao dizer que, nos 36 estudos revisados, essas tecnologias foram usadas predominantemente para apoio, monitoramento e automanejo, e não como tratamento isolado (Ni & Jia, 2025).

Esse achado importa porque vem da própria literatura empírica, não de uma posição de cautela da nossa parte. O que a pesquisa documenta como uso real é a IA operando como camada de apoio ao trabalho clínico, com benefícios concretos relatados, que segundo os autores incluem redução de tempo de espera, mais engajamento e melhor rastreamento de sintomas (Ni & Jia, 2025). São ganhos de processo e de acompanhamento, não de substituição da escuta.

E os mesmos autores não param no benefício. Eles registram desafios recorrentes como viés algorítmico, risco de privacidade de dados e barreiras de integração ao fluxo, e concluem que tudo isso aponta para a necessidade de design ético e supervisão humana (Ni & Jia, 2025). Supervisão humana aqui não é gentileza para acalmar o leitor. É uma condição que a evidência coloca para que o uso seja responsável, o que reforça que a decisão segue sendo de quem atende.

O que tem respaldo vs. o que ainda é promessa

Com esse panorama na mão, dá para fazer a separação que mais ajuda na prática: distinguir o que já tem lastro do que ainda é expectativa. Do lado do que tem respaldo está o uso da IA como apoio ao monitoramento e à leitura de dados ao longo do tempo. Na prática, isso significa cruzar instrumentos diferentes, sinalizar inconsistência e padrão, recuperar o contexto longitudinal de um caso e apoiar o rastreamento de sintomas, tarefas que aparecem na literatura com benefício documentado e com a profissional no centro da decisão.

Do lado da promessa está quase tudo que envolve a IA decidindo no lugar do profissional, como diagnóstico fechado por algoritmo, conduta automatizada e leitura de caso que dispensa o clínico. Isso não tem respaldo que sustente uso na prática, e em boa parte esbarra antes na regulação do que na evidência, porque o diagnóstico psicológico é ato do profissional, com escopo definido pelo CFP, assunto detalhado no artigo sobre se psicólogos podem dar diagnóstico.

Existe ainda uma terceira categoria que merece atenção, a do uso plausível mas arriscado, e o exemplo mais comum é pedir a uma IA generalista que ajude numa busca de literatura. Em 2023, McGowan e colegas testaram isso em psiquiatria e relataram que o ChatGPT gerou 35 citações, das quais apenas 2 eram reais (McGowan et al., 2023).

Em 2025, Linardon e colegas examinaram o fenômeno de forma controlada em saúde mental e encontraram que, entre as 141 citações geradas que de fato existiam, 64 (45,4%) continham erro bibliográfico, com DOI incorreto à frente, e que a fabricação cresceu nos temas menos visíveis, em torno de 6% em depressão e perto de 28% e 29% em quadros mais específicos (Linardon et al., 2025). O recado prático é que parecer útil não garante ser confiável, diferença desenvolvida no artigo sobre IA generalista versus IA clínica especializada.

Em resumo, dá pra separar o campo em três:

O recorte brasileiro

Tudo o que apareceu até aqui vem de literatura internacional, e é justo perguntar o que disso já é realidade no consultório brasileiro. A resposta honesta é que o que falta aqui não é tecnologia de ponta. É infraestrutura de base e validação local, e essas duas lacunas explicam por que o uso prático no Brasil ainda é mais restrito do que o noticiário sugere.

A primeira lacuna é de infraestrutura. A leitura de dados que a IA apoia só funciona se os dados existirem de forma estruturada, coletados ao longo do tempo, com instrumentos aplicados e organizados em série. Na prática clínica brasileira essa estrutura ainda é exceção, e sem ela não há o que ler. Esse é, aliás, o terreno do Cuidado Baseado em Mensuração, a fonte do dado que a IA depois interpreta, recorte aprofundado no artigo sobre leitura de dados longitudinais com apoio de IA.

A segunda lacuna é de validação local. Boa parte dos parâmetros de referência usados na pesquisa internacional não tem norma populacional brasileira, e ler um dado contra a referência de outra população distorce a interpretação. Construir benchmark com população local sustenta uma leitura confiável, e foi nesse sentido que a HumanTrack lançou a maior base de referência clínica de instrumentos psicológicos do Brasil. Sem esse lastro, a IA mais sofisticada ainda estaria lendo o dado contra a referência errada.

Onde começar com critério

Se a leitura até aqui deixou a sensação de que o campo é mais modesto e mais útil do que o anúncio, é porque ele é mesmo. A IA na saúde mental que tem respaldo hoje não é a que decide pela psicóloga. Ela organiza o que a profissional já sabe e devolve isso de um jeito que a atenção dividida da rotina não consegue montar sozinha. É exatamente essa camada de apoio que a Artemi, a inteligência clínica da HumanTrack, opera na prática, sempre como copiloto.

O ponto de partida sensato, então, não é escolher a ferramenta mais impressionante, e sim saber avaliar qualquer ferramenta antes de colocar dado de paciente nela. Isso passa por critérios concretos, como ver a fonte do que a IA devolveu, exigir que ela admita quando não tem base para afirmar algo e garantir que o dado sensível esteja protegido, desenvolvidos no artigo sobre como avaliar se uma IA clínica é confiável.

E, se você quiser entender de onde vem esse debate, a história da IA na saúde mental mostra que essa conversa é mais antiga e mais sólida do que o ciclo de notícias faz parecer.

A inteligência clínica na prática: a HumanTrack e a Artemi

O uso que tem respaldo neste panorama, apoio e monitoramento com a decisão clínica no centro, é o que a HumanTrack opera na prática.

A plataforma automatiza a coleta e a organização longitudinal de instrumentos validados, com base de referência de população brasileira, e a Artemi, a inteligência clínica da HumanTrack, lê esse material com a fonte rastreável, sempre como copiloto. Sem diagnóstico fechado, sem conduta automatizada, com o dado protegido por desenho, dentro do que o CFP e a LGPD pedem.

É a parte modesta e útil da IA na saúde mental funcionando de verdade, com a psicóloga decidindo. Pra ver isso com um caso seu, comece um teste gratuito na HumanTrack e experimente a Artemi como sua assistente clínica especializada em te apoiar.

Perguntas frequentes

A IA já consegue substituir o psicólogo no consultório?

Não, e não é o que a literatura documenta como uso real. As revisões recentes mostram a IA usada predominantemente para apoio, monitoramento e automanejo, e não como tratamento isolado, sempre com necessidade de supervisão humana (Ni & Jia, 2025). A decisão clínica e a responsabilidade seguem com a profissional.

Quais usos de IA na saúde mental já têm respaldo de evidência?

Os usos de apoio e monitoramento, como cruzar instrumentos, sinalizar padrão, recuperar contexto longitudinal e apoiar o rastreamento de sintomas, aparecem na literatura com benefício documentado (Cruz-Gonzalez et al., 2025; Ni & Jia, 2025). Usar a IA para decidir no lugar do profissional, como diagnóstico fechado ou conduta automatizada, não tem esse respaldo.

Posso usar uma IA generalista, como o ChatGPT, no meu trabalho clínico?

Com muita cautela, e nunca para tarefas que exijam fonte confiável ou que envolvam dado sensível de paciente. Modelos generalistas fabricam e erram referências com frequência, mais ainda em temas especializados (McGowan et al., 2023; Linardon et al., 2025), e há ainda o risco de privacidade ao inserir dado de paciente em ferramenta de uso geral.

Referências

Cruz-Gonzalez, P., He, A. W.-J., Lam, E. P., Ng, I. M. C., Li, M. W., Hou, R., Chan, J. N.-M., Sahni, Y., Vinas Guasch, N., Miller, T., Lau, B. W.-M., & Sánchez Vidaña, D. I. (2025). Artificial intelligence in mental health care: A systematic review of diagnosis, monitoring, and intervention applications. Psychological Medicine, 55, e18. https://doi.org/10.1017/S0033291724003295

Linardon, J., Liu, C., Messer, M., Jarman, H. K., Anderson, C., McClure, Z., & Fuller-Tyszkiewicz, M. (2025). Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study. JMIR Mental Health, 12, e80371. https://doi.org/10.2196/80371

McGowan, A., Gui, Y., Dobbs, M., Shuster, S., Cotter, M., Selloni, A., Goodman, M., Srivastava, A., Cecchi, G. A., & Corcoran, C. M. (2023). ChatGPT and Bard exhibit spontaneous citation fabrication during psychiatry literature search. Psychiatry Research, 326, 115334. https://doi.org/10.1016/j.psychres.2023.115334

Ni, Y., & Jia, F. (2025). A scoping review of AI-driven digital interventions in mental health care: Mapping applications across screening, support, monitoring, prevention, and clinical education. Healthcare, 13(10), 1205. https://doi.org/10.3390/healthcare13101205