A IA acelera as respostas; quem assume as decisões?

Coluna

Gestão De Projetos

25 de setembro de 2026

A IA acelera as respostas; quem assume as decisões?

Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados

Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou os resultados, quais informações sustentam as conclusões e quanto tempo será necessário para utilizá-las com segurança. Se a produção acelera e a avaliação permanece limitada, parte do trabalho apenas mudou de lugar.

Uma das questões mais importantes da adoção de IA é o que acontece quando a capacidade de produzir respostas cresce mais rapidamente do que a capacidade de verificá-las. Para os gestores, essa diferença pode aparecer em relatórios, projetos, previsões e recomendações. O documento fica pronto, mas a decisão ainda exige alguém capaz de responder por ele.

Um debate recente sobre as equações de Navier-Stokes ajuda a compreender essa situação. Em setembro, a OpenAI anunciou uma proposta de solução para um problema matemático relacionado às equações que descrevem o movimento dos fluidos. Segundo a empresa, aproximadamente 10 mil agentes de IA participaram do esforço que produziu a demonstração em 88 horas. O anúncio indicou uma capacidade relevante de pesquisa computacional, mas também gerou questionamentos sobre a origem das contribuições e o seu reconhecimento (OpenAI, 2026).

Para as organizações, o ponto mais útil desse episódio está na distância entre obter um resultado e transformá-lo em conhecimento confiável. Essa distância precisa entrar na avaliação da produtividade. Uma equipe pode produzir mais e, ainda assim, acumular conclusões que ninguém teve condições de examinar adequadamente. O ganho só se completa quando o resultado pode orientar uma decisão.

A produtividade precisa incluir a verificação

Na gestão, costuma ser mais fácil medir o tempo de execução do que a qualidade do julgamento. É possível registrar quantos relatórios foram entregues e quantas horas foram economizadas. Avaliar se a equipe identificou uma hipótese inadequada, evitou uma interpretação precipitada ou percebeu que faltavam dados exige acompanhamento mais cuidadoso. Com a IA, é importante dar mais visibilidade a esse segundo trabalho.

Pense em uma análise de demanda que recomende reduzir o estoque de determinado produto. O sistema pode organizar os dados e apresentar uma justificativa convincente. Antes de agir, porém, alguém precisa verificar se o histórico inclui uma ruptura de abastecimento: vendas baixas podem refletir falta de mercadoria, e não falta de clientes. A decisão depende de conhecer o negócio e examinar o significado dos números.

Esse exemplo mostra por que o responsável pela validação deve participar desde a definição da tarefa. Ele precisa saber o que será avaliado, quais dados estão disponíveis e que evidência justificaria aceitar a conclusão. Deixar essa responsabilidade para o final favorece uma revisão apressada, especialmente quando a apresentação já parece completa e o prazo foi consumido pela expectativa de entrega.

O esforço de verificação também deve acompanhar a consequência da decisão. Um rascunho de comunicação interna pode passar por uma revisão simples. Uma recomendação que altera um projeto de engenharia ou compromete recursos exige testes, documentação e avaliação especializada. Aplicar o mesmo procedimento a tudo desperdiça tempo em algumas situações e deixa outras insuficientemente examinadas.

Terence Tao oferece uma contribuição útil a essa discussão ao distinguir a produção das demonstrações de sua verificação, explicação e incorporação ao conhecimento coletivo. Seu argumento ajuda a perceber que acelerar uma etapa pode aumentar a demanda sobre as etapas seguintes (Tao, 2026). Nas empresas, essa reflexão recomenda avaliar o processo completo: tempo até a decisão, retrabalho, erros identificados e capacidade de explicar a conclusão.

É nesse sentido que se entende como necessária uma adoção exigente da IA. A ferramenta pode assumir tarefas extensas, explorar alternativas e ajudar a conferir resultados. Cabe à organização criar condições para aproveitar essa capacidade, incluindo tempo e pessoas para avaliar o que foi produzido. A verificação precisa estar prevista no projeto e no orçamento.

O conhecimento também está no caminho percorrido

O caso Navier-Stokes acrescenta outra dimensão. O matemático Tristan Buckmaster, que trabalhava em problemas relacionados com Levent Alpöge, relatou ter utilizado ferramentas de IA e inserido rascunhos no Codex. Ele questionou uma possível influência dessas interações sobre o resultado da OpenAI, embora tenha declarado não saber se seus dados haviam sido utilizados (Buckmaster, 2026).

A empresa respondeu que uma investigação interna excluíra a influência dos prompts de Buckmaster dos dois meses anteriores, inclusive pelo treinamento. Essa resposta deve acompanhar a apresentação da suspeita, preservando a diferença entre uma alegação e a conclusão divulgada pela organização envolvida (OpenAI, 2026).

Independentemente do desfecho dessa controvérsia, vejo uma questão prática para a gestão do conhecimento. Uma pesquisa ou um projeto contém valor antes da entrega final. Hipóteses, testes malsucedidos, critérios de escolha e soluções descartadas revelam o que a equipe aprendeu. Quando esse material passa por ferramentas externas, a organização precisa decidir quais informações podem ser utilizadas, em quais condições e como o percurso será registrado.

A autoria também deve acompanhar esse percurso. Em um projeto auxiliado por IA, alguém formula o problema, seleciona informações, estabelece restrições e interpreta resultados. Essas contribuições precisam permanecer visíveis. Registrar apenas quem solicitou a última resposta pode apagar parte importante do trabalho da equipe e dificultar a identificação de responsabilidades.

Considere um sistema desenvolvido com apoio de IA que funciona durante a apresentação, mas apresenta falhas depois da implantação. Para corrigi-lo, a equipe precisa conhecer as decisões de projeto, as condições dos testes e os limites conhecidos. Um histórico de instruções pode ajudar, mas precisa ser acompanhado de documentação que permita a outro profissional compreender e continuar o trabalho.

Por isso, uma entrega deve incluir a explicação necessária à sua continuidade. Essa prática protege o investimento da organização e reduz a dependência de uma pessoa ou ferramenta. A economia de tempo na execução perde parte de seu valor se a manutenção exigir reconstruir tudo o que foi feito.

Formar pessoas para assumir responsabilidade

Como professor de Engenharia de Computação, considero especialmente importante a relação entre resultado e aprendizagem. Uma atividade pode estar concluída sem que quem a entregou consiga explicar as escolhas realizadas. A formação precisa criar oportunidades para identificar essa diferença, porque o profissional será chamado a decidir diante de situações que não estavam previstas no exercício.

Isso exige rever o que se pede e o que se avalia. Além de apresentar uma solução, o estudante pode ser solicitado a justificar suas hipóteses, comparar alternativas e explicar em que condições mudaria de decisão. O uso de IA pode integrar esse processo, desde que sua participação seja explícita e o trabalho permita avaliar o raciocínio desenvolvido.

Nas empresas, a mesma preocupação deve orientar a formação de profissionais iniciantes. Se todas as tarefas de análise forem delegadas à ferramenta, será necessário preservar outras oportunidades para aprender a reconhecer problemas. A capacidade de revisão depende de conhecimento técnico e contato com as consequências das escolhas. Não basta nomear um revisor sem oferecer condições para que ele desenvolva esse julgamento.

Para universidades e empresas brasileiras, há espaço para cooperação em projetos que combinem uso de IA e validação em situações reais. Trabalhar com um problema delimitado, definir previamente os critérios de sucesso e comparar os resultados com dados observados pode produzir ganhos mais úteis do que adotar ferramentas apenas pela repercussão de seus anúncios. Também permite discutir confidencialidade, crédito e responsabilidade antes que surjam conflitos.

O potencial da tecnologia é significativo, e aproveitá-lo exige mudanças na organização do trabalho. Profissionais capazes de formular boas perguntas, reconhecer limites e explicar decisões terão papel central nesse processo. Sua contribuição precisa ser valorizada mesmo quando se manifesta como uma conclusão menos otimista, uma revisão de prazo ou a decisão de realizar mais um teste.

O caso Navier-Stokes ajuda a colocar essa escolha em perspectiva. A capacidade de produzir resultados está avançando, e as instituições precisam desenvolver formas de incorporá-los com confiança. Para um gestor, uma pergunta deveria acompanhar toda promessa de aceleração: quem tem condições de explicar e assumir a decisão que virá depois? A resposta indica quanto da tecnologia contratada está se transformando em capacidade da organização.

Para ter acesso às referências desse texto clique aqui

Quem publicou esta coluna

Maurício Acconcia Dias

Possui graduação em Ciência da Computação pela Universidade Federal de Lavras, mestrado e doutorado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo e MBA em Data Science Analytics pela USP/Esalq. Atua com desenvolvimento de hardware para sistemas inteligentes aplicados à robótica. É consultor em Data Science & Analytics e Desenvolvimento de sistemas embarcados e orientador do MBA USP/Esalq.

Você também pode gostar

06 de novembro de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

O consumo de suplementos proteicos e alimentos com adição de proteína tem crescido significativamente nos últimos anos, com conteúdos digitais relacionados à saúde, estética e desempenho físico tornando-se parte relevante da rotina de brasileiros que buscam um estilo de vida disciplinado. O presente estudo teve como objetivo analisar o comportamento de consumo de suplementos e alimentos proteicos, bem como a influência das redes sociais e dos influenciadores digitais nas decisões de compra dos consumidores. Realizou-se uma pesquisa exploratória, que utilizou um questionário online aplicado a 62 participantes via Google Forms, disseminado no Instagram, e uma entrevista semiestruturada com o CEO de uma marca de suplementos. A análise dos dados foi quali-quantitativa. Os resultados indicaram que as redes sociais, especialmente o Instagram, desempenharam papel central no contato inicial dos consumidores com as marcas. A maioria dos entrevistados associou o consumo de produtos proteicos a um estilo de vida saudável e fitness, e considerou a influência de criadores de conteúdo digital no estímulo à experimentação e à compra. Identificou-se o impacto significativo do marketing digital e das narrativas aspiracionais no comportamento de consumo, reforçando a relação entre alimentação funcional, identidade social e pertencimento no ambiente digital no contexto da suplementação e alimentação proteica.

Palavras-chave: Alimentos com adição de proteína; Comportamento do consumidor; Consumo de suplementos proteicos; Influenciadores digitais; Marketing digital.

06 de novembro de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

A aplicação da ciência de dados na gestão operacional da distribuição de energia elétrica foi investigada com o objetivo de otimizar processos e a tomada de decisão estratégica. O estudo analisou como algoritmos preditivos e painéis de Business Intelligence podem potencializar a gestão operacional, visando otimizar o despacho de equipes, prever demandas e monitorar indicadores em tempo real para decisões mais ágeis e sustentáveis. A pesquisa teve caráter aplicado e considerou dados históricos, geográficos e operacionais da EDP São Paulo em São José dos Campos, abrangendo o período de janeiro de 2018 a dezembro de 2024. Os dados foram tratados em ambiente de Business Intelligence e submetidos a algoritmos de machine learning, como regressão linear múltipla e redes neurais recorrentes, para previsão de demanda e identificação de padrões de falhas. Adicionalmente, utilizou-se clustering para identificar áreas críticas. Os resultados indicaram que a integração de modelos de previsão com indicadores operacionais em tempo real reduziu o tempo de resposta a ocorrências, aumentou a eficiência na alocação de recursos e promoveu a melhoria contínua da operação. As redes neurais recorrentes demonstraram maior precisão na previsão de demanda, e a análise de correlação apontou a precipitação como fator relevante para o aumento de interrupções. A identificação de áreas críticas por clustering permitiu priorizar ações de manutenção. Concluiu-se que a adoção de métodos de ciência de dados moderniza o setor, reduz custos, aumenta a confiabilidade e promove maior sustentabilidade, oferecendo subsídios para decisões mais ágeis e sustentáveis na gestão energética.

Palavras-chave: Algoritmos preditivos; Business Intelligence; Ciência de dados; Distribuição de energia; Gestão operacional.

06 de novembro de 2026

Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

O incremento das energias renováveis no Brasil, em especial da energia fotovoltaica, evidenciou a necessidade de aprimorar a previsão da produção das usinas, em função da elevada dependência de fatores climáticos e da consequente variabilidade da geração elétrica. Desenvolveu-se e avaliou-se modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica no Nordeste do Brasil, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais, derivadas e defasadas. Utilizaram-se dados horários de geração de energia e variáveis meteorológicas provenientes de bases oficiais e públicas. Implementaram-se três algoritmos de regressão baseados em árvores (Árvore de Decisão, Random Forest e XGBoost) em uma modelagem estruturada em três fases: variáveis meteorológicas, temporais e cíclicas e de defasagens. Os resultados indicaram forte correlação entre a radiação solar e a geração de energia. Observou-se desempenho preditivo moderado nas fases iniciais da modelagem, com melhora expressiva na terceira fase, onde o XGBoost se destacou com um R² de 0,898. Concluiu-se que a inclusão de variáveis temporais e técnicas de engenharia de atributos foi determinante para o aprimoramento da capacidade preditiva dos três modelos, configurando-se como uma estratégia para aplicações práticas no setor fotovoltaico.

Palavras-chave: Algoritmo baseado em árvores; Dados meteorológicos; Dependência temporal; Engenharia de atributos; Parque solar.

06 de novembro de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

06 de novembro de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

A demanda por estratégias quantitativas em mercados de capitais impulsionou o desenvolvimento de modelos de machine learning. O presente estudo implementou um pipeline de aprendizado de máquina para a classificação ternária de retornos de ações brasileiras, visando diagnosticar sobreajuste, avaliar o uso de meta-rotulagem e Hierarchical Risk Parity (HRP) para gerar alpha positivo, e documentar modos de falha. Reuniu-se 276 ativos da B3 entre 2000 e 2026, totalizando 257.970 amostras rotuladas pelo esquema triple-barrier sobre eventos CUSUM. Um classificador primário XGBoost agrupado foi treinado com pesos de amostra corrigidos por concorrência e unicidade. A validação empregou PurgedKFold e validação cruzada combinatória purgada (CPCV), com diagnóstico de sobreajuste via PBO e DSR. A decisão de lado seguiu a softmax bruta do modelo primário, e a magnitude da aposta foi delegada a um meta-rotulador binário. A construção de carteira adotou Hierarchical Risk Parity e foi avaliada por comparação honesta A/B/C. Os resultados out-of-sample indicaram acurácia de 0,52 e aprovação nos três gates estatísticos. Contudo, no nível de carteira, o Sharpe da estratégia com timing foi de +0,23 contra +0,87 do buy-and-hold HRP, resultando em alpha de -0,63. Concluiu-se que a seleção do universo explicou substancialmente o desempenho observado, e não o timing do classificador, apesar da aprovação nos testes estatísticos de nível de operação. A contribuição metodológica foi um pipeline reprodutível, auditável e leakage-safe, com modos de falha documentados de forma transparente, e o diagnóstico do colapso do argmax sob calibração isotônica em rótulos ternários desbalanceados.

Palavras-chave: Deflated Sharpe Ratio; Diferenciação fracional; Finanças quantitativas; Meta-rotulagem; Sobreajuste em backtests.

06 de novembro de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

A seleção de fornecedores em contratações públicas demandou instrumentos para ampliar a transparência e fortalecer a conformidade diante de riscos legais e reputacionais. O objetivo foi aplicar o método AHP-Gaussiano na seleção de fornecedores, com base em critérios quantitativos de integridade e capacidade operacional. A investigação, de natureza aplicada, documental e quantitativa, utilizou dados secundários do Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS), disponíveis no Portal da Transparência. Avaliaram-se dez fornecedores do segmento de limpeza e conservação, segundo seis critérios: recursos recebidos, sanções vigentes, contratos firmados, emendas parlamentares, serviços e participação em licitações. O método AHP-Gaussiano processou os dados, calculou os pesos dos critérios, agregou os desempenhos e gerou o ranking final das alternativas. Os resultados indicaram que o critério emendas parlamentares apresentou o maior peso relativo no modelo, seguido por participação em licitações e contratos firmados. A alternativa A4 foi a mais bem posicionada no ranking final, seguida por A5 e A6. Um teste de sensibilidade confirmou a coerência e robustez do modelo. Concluiu-se que o AHP-Gaussiano constituiu uma ferramenta adequada para apoiar a seleção de fornecedores no setor público, contribuindo para decisões mais consistentes, rastreáveis e alinhadas aos princípios de integridade e governança.

Palavras-chave: AHP-Gaussiano; Apoio multicritério à decisão; Conformidade; Contratações públicas; Fornecedores.

06 de novembro de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

A expansão de mercados globais impôs às marcas o desafio de superar a padronização digital e evitar a desconexão com consumidores de diferentes contextos culturais. O estudo analisou o posicionamento estratégico e a percepção das marcas McDonald’s, Starbucks e KFC no Brasil, França e Japão, buscando compreender como o tom de voz, a estética visual e os canais de comunicação foram moldados às preferências locais. A metodologia empregou um estudo de caso múltiplo com abordagem mista, que integrou a análise de conteúdo em perfis de Instagram e TikTok à aplicação de um formulário estruturado com 63 respondentes. Os resultados demonstraram contrastes significativos no posicionamento digital: no Brasil, a comunicação priorizou a expressividade e a proximidade emocional por meio de influenciadores; na França, o individualismo estético e o humor irônico predominaram como vetores de engajamento; e no Japão, a estratégia revelou uma comunicação de alto contexto, guiada pelo requinte visual, sazonalidade e uso de canais regionais como o aplicativo LINE. A pesquisa ratificou que 88,9% dos consumidores exigiram campanhas adaptadas, evidenciando a ressonância cultural como variável determinante para a sustentação do capital de marca. Concluiu-se que a eficácia do posicionamento digital dependeu do equilíbrio entre a identidade global e a localização profunda, tornando o consumo culturalmente relevante e autêntico.

Palavras-chave: Branding; Comportamento do Consumidor; Localização da Marca; Marketing Intercultural; Redes Sociais.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade