Dez vezes mais ideias, o mesmo filtro

Há dois dias, no palco do Febraban Tech 2026, o historiador econômico da Northwestern Joel Mokyr — que dividiu o Nobel de Ciências Econômicas de 2025 com Philippe Aghion e Peter Howitt “por ter identificado os pré-requisitos para o crescimento sustentado através do progresso tecnológico” — foi direto: se o público tivesse que levar uma única frase para casa, ela deveria ser “You ain’t seen nothing yet.” Isso porque, na avaliação dele, a IA é “o melhor assistente de pesquisa já concebido” e pode acelerar a ciência mais do que qualquer ferramenta anterior.

É a leitura dominante. A maioria das discussões sobre IA e inovação trata a tecnologia como uniformemente eficaz na remoção de atritos, e presume que ela alcançará esse objetivo substituindo o papel dos inovadores humanos: mais ideias, testes mais rápidos, pesquisa mais barata, aprendizado mais ágil.

Mas isso é apenas um aspecto da questão.

CADASTRE-SE GRÁTIS PARA ACESSAR 5 CONTEÚDOS MENSAIS

Já recebe a newsletter? Ative seu acesso

Ao cadastrar-se você declara que está de acordo
com nossos Termos de Uso e Privacidade.

Cadastrar

Um paper publicado este mês contesta essa premissa. Seus autores rastreiam gargalos em quatro estágios do processo de inovação: ideação, triagem, insights do consumidor e aprendizado de mercado. Em quase todos, segundo eles, o efeito padrão da IA — usada “ingenuamente”, sem reformulação deliberada — é agravar o gargalo em vez de reduzi-lo.

Na avaliação deles, gargalos de inovação são, em sua maioria, problemas humanos, não tecnológicos. São questões relacionadas à forma como as pessoas se apegam a ideias familiares, como os comitês desenvolvem instintos tribais sobre o que é considerado “promissor” e como os consumidores não conseguem dizer o que querem até verem o produto ou serviço. A IA generativa, treinada com base no conjunto da produção humana existente, tende a reproduzir exatamente as tendências que causaram o gargalo — só que mais rápido e em maior escala.

Os dois diagnósticos parecem incompatíveis. Não são — e o que os concilia estava na lista de slides que Mokyr projetou. Sua tese de carreira é que as ondas de avanço científico não vêm de gente mais inteligente ou mais bem formada. Vêm de instrumentos melhores, quase sempre construídos por artesãos e engenheiros, como o telescópio que Galileu apontou para as luas de Júpiter. O microscópio de Hooke. O barômetro de Torricelli. A cristalografia de raios X que produziu a Foto 51 e a estrutura do DNA.

Há uma propriedade que todos esses instrumentos compartilham, e que não foi dita no palco: são instrumentos de verificação, não de geração. O telescópio não formulou hipóteses sobre Júpiter; permitiu adjudicá-las. Torricelli não propôs a pressão atmosférica de forma mais persuasiva; provou-a. A Foto 51 não opinou sobre o DNA; mostrou.

Quatro séculos de história econômica dizem a mesma coisa: o crescimento vem de ampliar a capacidade de descobrir que se está errado. É o teste que os quatro gargalos de Harvard aplicam, um a um.

1. Ideação — o modelo puxa para o típico, e a pessoa vai junto

O modelo tende à resposta estatisticamente mais provável. Quem lê essa resposta fixa-se nela e deixa de gerar as ideias incomuns que teria produzido sozinho. O estreitamento acontece duas vezes: na máquina e na cabeça de quem lê.

No agregado, é pior. Times de empresas diferentes, usando modelos treinados sobre dados parecidos, convergem para as mesmas direções de design. A produtividade individual sobe e a diversidade do mercado cai.

Correção: atacar o prompt, não a pessoa. Pedir ao modelo que rascunhe e depois revise em direção a território mais distinto funciona bem com a máquina. Mandar um humano “pensar mais amplamente” depois que ele já leu a sugestão da IA costuma agravar a fixação.

2. Triagem — fluência confundida com qualidade

Comitês sempre penalizaram ideias muito novas, que parecem arriscadas e difíceis de classificar. A IA adiciona um viés: propostas geradas por modelo são bem escritas por construção, e texto fluente ganha nota melhor independentemente do mérito. Treinar um modelo com o histórico de aprovações e rejeições do próprio comitê não remove esse viés — codifica-o, em escala, com aparência de objetividade.

O achado mais contraintuitivo veio de um experimento de campo de Jacqueline Lane, Léonard Boussioux, Charles Ayoubi e colegas, com 228 avaliadores analisando 48 submissões reais do Global Health Equity Challenge, do MIT Solve, em 3.002 decisões de triagem. Três braços: avaliação só humana, recomendação de IA sem explicação e recomendação acompanhada de justificativa escrita.

A justificativa não melhorou nada. A recomendação “caixa-preta” elevou a qualidade das decisões em 4,3 pontos percentuais sobre o controle humano; a versão com narrativa teve efeito estatisticamente nulo. E quando a IA recomendava rejeitar, a narrativa aumentou os falsos negativos em 14,9 pontos percentuais, contra 8,4 da caixa-preta. A explicação do modelo substituiu o julgamento em vez de apoiá-lo.

Correção: padronizar as propostas antes da avaliação, ocultar a autoria — e cortar as justificativas do modelo.

3. Insights do consumidor — clientes simulados escolhem bem demais

Peça a um modelo que simule mil segmentos reagindo a uma mudança de preço e você recebe uma curva suave que erra de um jeito específico. O modelo não trata a variação de preço como experimento; trata como pista de contexto. Preço maior é lido como “premium”, e a curva de demanda pode sair plana ou até ascendente.

Gêmeos digitais construídos sobre perfis comportamentais reais vão melhor, mas escolhem racionalmente com frequência muito maior que humanos. Subestimam custo afundado, custo de troca e efeito de enquadramento — exatamente os atritos que decidem se algo novo é adotado.

Correção: usar como filtro rápido, jamais como base de decisão que dependa desses atritos. Para essas, painel de usuários-líderes e campo etnográfico.

4. Aprendizado de mercado — o único gargalo que a IA realmente reduz

Este é o único estágio em que a IA reduz o gargalo de fato, e o motivo importa: o problema aqui é informacional e de volume, o tipo de coisa que se processa em escala. Depois do lançamento, o produto gera mais feedback do que qualquer time absorve: avaliações, redes sociais, chamados, devoluções, fóruns. A IA ingere, agrupa e sintetiza esse volume com qualidade próxima à de analistas profissionais. Aqui o gargalo diminui de fato.

O problema seguinte nasce do alívio. Entre centenas de temas por semana, quais merecem atenção? Os sinais que mais importam — um caso de uso emergente, um segmento que silenciosamente não adota — são os que um resumo ponderado por frequência foi desenhado para esconder. E a mesma síntese fluente facilita a citação seletiva por quem já tinha uma posição a defender.

Olhando os quatro juntos, o que decide se a IA ajuda ou atrapalha é a natureza do gargalo que ela se propõe a resolver. Gargalos informacionais, de volume ou processuais — submissões demais para revisar, texto demais para ler, um formato rígido que esconde a qualidade — são exatamente o tipo de problema que a IA generativa foi construída para resolver. Gargalos enraizados em experiência vivida, comportamento irracional ou interesse organizacional são outra história.

Existe uma forma prática de fazer essa distinção: saber se o processo de inovação tem um verificador barato, rápido e desinteressado.

Veja o Google DeepMind. Ao apresentar o AlphaEvolve, em maio de 2025 — sistema que recuperou 0,7% da capacidade computacional global da empresa, acelerou em 23% um kernel crítico de multiplicação de matrizes e superou um algoritmo de Strassen que resistia desde 1969 —, a empresa declarou a condição de funcionamento: serve para problemas “cuja solução pode ser descrita como um algoritmo e verificada automaticamente”.

A farmacêutica confirma a divisão com dinheiro. Um levantamento publicado em 2024 no Drug Discovery Today acompanhou 67 moléculas em desenvolvimento clínico originadas de biotechs nativas de IA: elas passam na fase I em 80% a 90% dos casos, contra 40% a 65% da média histórica. Na fase II, a taxa cai para cerca de 40% — igual à indústria. A fase I testa segurança, propriedade da molécula, verificável em bancada. A fase II testa eficácia em corpo humano, verdade que só a realidade entrega. A IA acelerou o lado da equação que já era barato. (Os autores ressalvam que a amostra é pequena: essas moléculas representam cerca de 1% das 6.147 em desenvolvimento clínico.)

E quando o verificador é retirado, o resultado aparece rápido. Em novembro de 2023, o A-Lab, laboratório autônomo do Berkeley Lab operando com o modelo GNoME do DeepMind, anunciou na Nature 41 compostos inorgânicos inéditos em 17 dias. Robert Palgrave (University College London) e Leslie Schoop (Princeton) reanalisaram: cerca de dois terços eram versões ordenadas de compostos já conhecidos. O paper foi corrigido em janeiro de 2026. O detalhe estrutural: a checagem de novidade era feita contra a mesma base que gerara as predições — o verificador havia sido trocado por outro modelo.

O detalhe estrutural vale mais que os 41 compostos: a checagem de novidade era feita contra a mesma base de dados que gerara as predições. O verificador havia sido trocado por outro modelo. Não houve alucinação — houve fechamento epistemológico. Quando geração e verificação bebem da mesma fonte, o sistema fica muito bom em produzir respostas que parecem novas, e perde a capacidade de provar que são.

É a descrição exata do risco que a maioria das empresas está construindo agora, ao alimentar modelos de triagem com o próprio histórico de decisões.

O padrão se repete nos três casos. A IA gera demais exatamente onde ainda não sabemos verificar.

O que isso cobra da organização

Mokyr terminou sua fala com uma preocupação que fecha o circuito, e que soa como o contraponto ao seu próprio otimismo. Perguntou se, no mercado de ideias, as boas ainda expulsam as ruins. Observou que ficou mais difícil descartar teorias sem fundamento. E disse que “a perda de confiança pode ser o maior inimigo que a ciência enfrenta”. Fechou citando o velho gracejo: “o inimigo não é a tecnologia, somos nós.”

O paper de Harvard chega à mesma porta por outro caminho. À medida que a IA absorve ideação, triagem e simulação de consumidor, os profissionais juniores que formavam discernimento fazendo esse trabalho deixam de fazê-lo. O resultado são usuários sofisticados de outputs de IA que nunca desenvolveram o instinto de reconhecer quando o output está errado.

À medida que a IA absorve ideação, triagem e simulação de consumidor, o profissional júnior que formava discernimento fazendo esse trabalho deixa de fazê-lo. O risco não está em a IA produzir ideias medianas. Está em ela retirar das pessoas justamente a tarefa pela qual se aprendia a distinguir uma ideia boa de uma ideia plausível. O resultado são usuários sofisticados de outputs de IA que nunca desenvolveram o instinto de reconhecer quando o output está errado.

Multiplicado por uma função inteira, isso tem nome em sucessão, formação de quadros e custo de dependência de fornecedor. Uma empresa pode chegar a 2030 com um funil de inovação dez vezes mais produtivo e sem ninguém, na mesa, com autoridade técnica para dizer que a máquina errou.

A tecnologia continuará mudando. Os gargalos — fixação cognitiva, avaliação por status, a distância entre o que o cliente diz e o que faz — têm se mantido estáveis por décadas. Apostar a estratégia de inovação no mecanismo, e não no modelo da vez, tende a envelhecer melhor.

A IA pode ser o melhor instrumento de descoberta já criado. Mas descoberta sem verificação é produção industrial de hipóteses.

Três perguntas antes de aplicar IA a qualquer etapa da inovação

Quem, neste processo, é capaz de me dizer que estou errado — e quanto custa ouvi-lo? Se a resposta for “ninguém” ou “caro demais”, a IA vai acelerar a produção de plausibilidade. Onde o verificador existe e é barato, escale a ferramenta sem cerimônia. Onde ele é caro, o investimento que rende mais está em baratear a verificação, não em aumentar a geração.

O que está travando aqui? Um problema de informação, um problema de julgamento humano ou um problema de incentivo organizacional. A IA tende a resolver o primeiro, pode agravar o segundo e não resolve o terceiro. Confundir os três é o erro que custa caro, porque a ferramenta parece estar funcionando nos três casos.

Que contato direto com a realidade eu preservo? Imersão de usuário-líder, campo etnográfico, um humano que assina a decisão e responde por ela. São os pontos em que o sistema automatizado ainda toca o chão. Cortá-los é o movimento que parece eficiente por dois trimestres e cobra a conta no terceiro.