Por:  Antonio Gelis Filho

O presidente do Banco Central, Gabriel Galípolo, tem reiterado que a manutenção da taxa Selic em patamares elevados — hoje em 14,75% ao ano, a maior desde 2006 — responde a um cenário externo marcado por incertezas geopolíticas. A guerra tarifária liderada pelos Estados Unidos, apontada como principal fator na determinação dos preços de mercado, e os conflitos no Oriente Médio funcionariam como justificativas para uma política monetária contracionista prolongada. O argumento é tecnicamente honesto, mas incompleto. O que se denomina “fator externo” é, na sua essência, um fator interno — a disfuncionalidade institucional dos próprios Estados Unidos.

A taxa de juros do Fed sempre foi um indicador da política monetária dos EUA. Nos últimos anos, tornou-se também um termômetro da estabilidade institucional americana. Pela primeira vez em mais de trinta anos, dois membros do Conselho de Governadores do Fed votaram contra a decisão majoritária sobre a taxa de juros — ambos indicados por Donald Trump, em alinhamento com as pressões públicas da Casa Branca por cortes imediatos. Trump chegou a chamar o presidente do Fed de “estúpido” e “atrasado” por não ceder às suas demandas. O que antes era uma disputa técnica passou a ser uma disputa política aberta, transmitida ao mundo em tempo real.

Esse ruído institucional não é mais conjuntural. Ele é estrutural. Trump acentuou uma tendência que já existia. Mesmo o Prêmio Nobel da Paz, Barack Obama, presidiu durante o lançamento de dezenas de milhares de bombas americanas sobre o Oriente Médio. Além disso, todos sabemos como terminou a gestão da crise na Ucrânia por Biden. Trump trouxe um conceito de emergência econômica bastante alargado, misturando defesa militar e economia, falando em soberania — e, se essa interpretação for legitimada, a instabilidade que já se vive passa a ser a regra formalizada pela lei americana. A política tarifária imposta unilateralmente, sem autorização do Congresso, por meio de uma lei de 1977, e agora questionada perante a Suprema Corte, é menos um episódio comercial do que um teste sobre os limites do poder executivo. O que os mercados emergentes enfrentam não é a volatilidade do ciclo econômico americano, mas a volatilidade do seu arranjo democrático. Será que um próximo presidente reverterá essas decisões?

O dólar, ainda hegemônico, caiu ao menor nível de participação nas reservas internacionais em décadas, enquanto o ouro ultrapassou o euro como reserva global — sinal de que bancos centrais ao redor do mundo buscam proteção não contra choques econômicos, mas contra a imprevisibilidade de decisões políticas. A taxa de juros americana deixou de sinalizar apenas a trajetória da inflação; passou a sinalizar também o grau de confiança que os agentes depositam na governança dos Estados Unidos.

Nesse contexto, a afirmação de Galípolo de que o Brasil ganhou “gordura” ao ser conservador é compreensível. Mas a narrativa do “fator externo” merece revisão conceitual. Choques exógenos clássicos — pandemias, desastres naturais, choques de oferta de commodities — são imprevisíveis e não têm endereço. A atual instabilidade tem endereço certo: é produto de escolhas deliberadas de um governo que converteu a política comercial em instrumento de política interna, e que testa os limites das suas próprias instituições de freios e contrapesos.

Mesmo que a aventura no Golfo Pérsico cesse e que as tarifas trumpianas sejam reduzidas, a incerteza estrutural permanecerá enquanto persistir a disposição americana de extravasar tensões políticas domésticas em ações que afetam a ordem econômica global. E Trump já avisou que “Cuba será a próxima”.

Para o Brasil e demais economias emergentes, isso impõe uma conclusão desconfortável: não existe, no horizonte previsível, um ponto de normalização que dissolva esse prêmio de risco. A política monetária brasileira reagirá em seu fator externo, por tempo indeterminado, não ao mundo — mas às decisões de um único país consigo mesmo. E mudanças de governo não necessariamente trazem redução da disfuncionalidade política americana, que frequentemente transborda para aventuras militares globais.

A recomendação, portanto, é que o debate público sobre juros no Brasil incorpore essa distinção. Tratar o problema como “externo” adia a necessidade de construir respostas estruturais: diversificação de parcerias comerciais, redução da exposição cambial ao dólar e fortalecimento de mecanismos multilaterais de governança. O fator externo está lá. Mas ele tem passaporte.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post SELIC: O Fator Externo tem Passaporte Americano apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Por:  Antonio Gelis Filho

 Em 1950, o físico Enrico Fermi fez uma pergunta aparentemente simples durante um almoço com colegas: “onde estão todos?” Se o universo tem bilhões de estrelas e bilhões de anos de história, por que nunca identificamos qualquer sinal de civilização extraterrestre avançada? O silêncio do cosmos é ensurdecedor.

Em 2024, publiquei na revista acadêmica Futures um artigo propondo uma hipótese como resposta: existe um limite universal ao desenvolvimento tecnológico (Universal Limit to Technological Development, ou ULTD). Nenhuma civilização, em nosso universo, consegue cruzar esse limite. A sub-hipótese mais perturbadora — baseada no princípio da mediocridade — é que esse teto talvez esteja próximo do nível tecnológico em que nos encontramos hoje. O artigo chamou atenção além da academia: o Space.com, um dos maiores portais de divulgação científica do mundo, publicou uma entrevista sobre ele, trazendo o debate para um público muito mais amplo.

Vivemos sob uma crença profunda e raramente questionada: a tecnologia sempre encontrará uma saída. Problemas climáticos? A tecnologia resolverá. Esgotamento de recursos? A tecnologia encontrará substitutos ou traremos do espaço. Novos territórios? Marte está aí. Essa crença não é apenas ingênua. É estrategicamente perigosa.

O artigo argumenta que o desenvolvimento tecnológico segue uma curva em S — aceleração, maturidade, platô — e que esse platô é universal, determinado pelo custo crescente em energia de testar novas teorias científicas, pelos retornos decrescentes da complexidade societal e pelos custos de manutenção de infraestruturas cada vez mais sofisticadas. Os frutos mais acessíveis já foram colhidos. Os que restam pendem de galhos cada vez mais altos — e cada vez mais caros de alcançar. Os últimos grandes saltos na física fundamental — relatividade e mecânica quântica — têm quase cem anos, e todas as nossas tecnologias mais radicais derivam deles. Desde então, nenhuma teoria unificadora. O ritmo está, no mínimo, desacelerando.

Talvez tenhamos atingido um gap intransponível universal: os níveis de energia necessários para testar as teorias da física aumentam mais que proporcionalmente à disponibilidade de energia que as descobertas científicas disruptivas permitem obter, até um ponto em que o próximo nível demanda mais energia do que o nível existente permite obter. A limitação não é de engenhosidade — biológica ou de silício — é das próprias leis da física.

Um dos pilares do argumento traduz essa formulação para a existência concreta das civilizações. É o trabalho do arqueólogo Joseph Tainter, autor de The Collapse of Complex Societies. Para ele, a causa raiz do colapso de “sociedades complexas” não é guerra, seca, epidemia ou que tais. Esses são os golpes finais. A causa estrutural é sempre a mesma: complexidade crescente com retornos decrescentes. Sociedades resolvem problemas adicionando camadas de complexidade — até o ponto em que mantê-la consome mais recursos do que ela gera em valor. Organizações não estão imunes a essa dinâmica. Empresas que crescem por aquisições, por camadas de governança e por processos cada vez mais intrincados percorrem o mesmo caminho. A complexidade que um dia foi solução torna-se, progressivamente, o problema central. Se o teto tecnológico está próximo, a alocação responsável de recursos — naturais, humanos, financeiros — torna-se não apenas uma questão ética, mas de sobrevivência organizacional e civilizatória.

O artigo, porém, não é uma declaração de solidão cósmica. Pode haver muitas civilizações em nível tecnológico semelhante ao nosso, espalhadas pelo universo. O famoso sinal “Wow!”, captado em 1977 em Ohio e nunca explicado de forma definitiva, pode ter sido exatamente isso: alguém, em algum lugar, enviando uma mensagem para o vazio, sem a certeza de que seria recebida, sem possibilidade de aguardar resposta em escala compatível com a vida biológica. Uma mensagem em uma garrafa, lançada no oceano cósmico. Se a hipótese estiver correta, é isso o que nos aguarda: não contatos dramáticos de ficção científica, mas trocas fragmentadas e improváveis entre civilizações igualmente confinadas aos seus sistemas estelares.

Se não há para onde ir, este planeta não é uma entre muitas opções. É a única. Cuidar dele com seriedade, com a mesma engenhosidade que dedicamos ao crescimento, deixa de ser uma escolha virtuosa para tornar-se a única aposta racional disponível. O cosmos, em seu silêncio, já nos deu a resposta, ao menos até uma prova definitiva em contrário, que nunca chega. Cabe a nós ouvi-la.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Existe um limite universal para o desenvolvimento tecnológico? apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Por Gabriel Cogo

As organizações inovadoras do início deste século eram reconhecidas não apenas por seus avanços tecnológicos, mas por serem ambientes de trabalho desenhados para inspirar inovação, reduzir a burocracia e transformar a rotina laboral. O objetivo era converter o trabalho em um espaço onde todos se sentissem capazes de empreender e criar algo que mudaria o mundo. Esse ambiente agradável, que atraía talentos globais com a promessa de romper mercados arcaicos, foi a imagem vendida pelas grandes empresas de tecnologia (“Big Techs”) por mais de duas décadas. Contudo, essa não é definitivamente a realidade que observamos hoje na maioria das organizações.

O cenário atual é marcado por uma volatilidade alarmante na gestão de talentos, evidenciada pelos dados recentes do Layoff Tracker. Em 2025, o total de demissões na indústria tecnológica chegou a impressionantes 246 mil pessoas. E o ano de 2026 não sinaliza uma trégua: já contabilizamos mais de 39 mil profissionais desligados apenas nos primeiros meses. Esse movimento de “sanfona” na força de trabalho revela uma gestão indecisa e insegura, que tenta compensar a falta de planejamento de longo prazo com cortes de custos imediatistas, muitas vezes justificados pela adoção apressada de Inteligência Artificial.

A IA é, sem dúvida, uma ferramenta com potencial transformacional enorme. Entretanto, é crucial lembrar que ela é apenas isso: uma ferramenta. O ano de 2026 tem demonstrado que inúmeras iniciativas de adoção de IA nas empresas foram, para dizer o mínimo, precipitadas. Relatórios como o do Harvard Business Review (Ranganathan e Ye, 2026) já apontam que a IA não necessariamente reduz o trabalho, mas o intensifica, e casos de desastres no uso da tecnologia se acumulam. Mais alarmante ainda é o relatório do MIT de julho de 2025, indicando que 95% dos projetos de IA acabam sendo considerados fracassos. Ao olharmos mais de perto, notamos que a IA tem obtido retornos interessantes na automação de processos de back-office, mas resultados péssimos em áreas críticas como vendas e marketing.

É neste ponto que a falta de estratégia cobra seu preço mais alto. Um fenômeno recente que me chamou a atenção é o número significativo de profissionais de programação e engenharia de computação que foram recontratados para corrigir códigos gerados por IA — o chamado “vibe coding”. Muitas empresas tomaram a decisão simplista de substituir programadores experientes por IA, acreditando na eficiência imediata. Menos de um ano depois, após enfrentarem inúmeros problemas de arquitetura, segurança e escalabilidade, foram obrigadas a recontratar estes mesmos programadores — muitas vezes pagando salários 20% a 30% maiores.

Esse ciclo de demissão e recontratação é a definição clássica de dívida técnica aplicada à gestão. Ao demitir seniores para “economizar”, a empresa cria um passivo invisível: a perda de conhecimento tácito sobre o sistema, a quebra da cultura de engenharia e a introdução de código de baixa qualidade (gerado por IA ou juniores sem supervisão). Quando o sistema inevitavelmente falha, o “prejuízo” é pago na forma de recontratações inflacionadas e perda de produtividade, sem contar os inúmeros clientes insatisfeitos com estas mudanças. É o custo de tratar programadores como commodity e não como o núcleo intelectual do negócio.

Frequentemente, ouço de alunos em sala de aula a frase: “Professor, a gerência da empresa quer implementar projetos de IA no negócio”. Minha resposta invariavelmente é: “O que poderia ser feito melhor na sua empresa?”. A tecnologia deve servir para potencializar aquilo em que já somos bons. De nada adianta a tecnologia mais avançada se não temos ideia de para onde estamos indo. O que falta neste debate sobre a IA não é discutir a tecnologia em si, mas falar sobre gestão.

Um exemplo emblemático de gestão que foi na contramão dessa loucura é o da Dell. Em 2013, a empresa saiu do mercado de ações americano porque a gestão entendeu que era impossível competir em um ciclo de inovação que exigia o lançamento de uma nova linha de produtos a cada ano para satisfazer investidores. Muitos viram isso como um prelúdio do fracasso. Não foi o que aconteceu. A Dell se reestruturou longe dos holofotes de Wall Street, deu tempo ao seu R&D para trabalhar com calma e, em 2018, voltou à bolsa renovada. Nos últimos 5 anos, suas ações subiram quase 200%. Essas decisões mostram uma gestão que ouve as pessoas de dentro, pensa os passos com calma e acredita no futuro da própria companhia.

Infelizmente, estamos vendo cada vez menos disso. O padrão atual são grandes ondas de demissão, seguidas por investimentos e reinvestimentos em IA com planejamento mínimo. Executivos dessas empresas parecem mais preocupados em investir dinheiro em seus próprios bônus e em stock buybacks — que visam inflar artificialmente o preço das ações no curto prazo — do que na sustentabilidade do negócio. Em cerca de três anos, a IA saiu de uma ferramenta exploratória interessante para se tornar praticamente obrigatória nas estratégias corporativas. E uma grande maioria não a adotou como um investimento ligado aos planos reais da empresa, mas como uma resposta à pressão de mercado para mostrar ao mundo que estava “à frente” da concorrência.

Na minha visão, as empresas que irão não apenas sobreviver, mas evoluir e liderar nos próximos 5 anos, são aquelas dispostas a olhar para a tecnologia com sobriedade: como algo a se aprender e monitorar, identificando oportunidades onde ela possa facilitar objetivos claros e pré-existentes. Mas, e aqui faço minha previsão polêmica, os grandes vencedores serão aqueles que protegerão os talentos que têm. Serão as empresas que valorizam o conhecimento profundo da capacidade e resiliência de seu próprio negócio e que praticam uma gestão de longo prazo, rejeitando os ganhos cínicos e ilusórios do curto prazo. Que sigamos arrojados e curiosos, aprendendo sobre novas tecnologias, mas que façamos gestão “à moda antiga”: sem seguir o mercado por medo, mas guiados pela convicção de que sabemos exatamente que caminho tomar.

fontes

https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

https://gizmodo.com/after-ai-led-to-layoffs-coders-are-being-hired-to-fix-vibe-coded-screwups-2000657915

https://www.investopedia.com/articles/markets/110915/dell-stock-doesnt-exist-here-why.asp

https://www.cio.com/article/190888/5-famous-analytics-and-ai-disasters.html

https://www.schwab.com/learn/story/how-stock-buybacks-work-and-why-they-matter

https://www.trueup.io/layoffs

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post O Retorno da “Velha” Gestão: Por que as Techs estão pagando o preço da falta de visão de longo prazo apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Ricardo Maciel Gazoni é pesquisador da Reduti. Atuou como professor convidado de Business Analytics e Big Data da FGV. Mestre e Doutor pelo TIDD (Tecnologias da Inteligência e Design Digital) da PUC-SP, especialista em Semiótica aplicada à Computação.

Eduardo de Rezende Francisco é professor de GeoAnalytics e IA do Departamento de Tecnologia e Data Science da FGV EAESP, pesquisador principal do FGVanalytics, coordenador do MBA de IA e Analytics da FGV e fundador do GisBI, think tank de discussão da integração entre geoinformação e IA

Gustavo Corrêa Mirapalheta é professor de IA e Analytics do Departamento de Tecnologia e Data Science de diversos programas da FGV EAESP e de MBAs da FGV Educação Executiva. Especialista em Deep Learning  e Computação Quântica.

André Insardi é executivo especializado em IA, e transformação digital, mestre em Big Data pela ESPM e doutorando em Inteligência Artificial na UNICAMP. Atua como professor de IA e Arquitetura de Cloud na ESPM e FIAP e como membro do CJE da FIESP.

Este artigo encerra a trilogia publicada no Blog Impacto da FGV EAESP sobre uma das perguntas mais provocativas do nosso tempo: as máquinas pensam como os seres humanos? No primeiro texto (“Poderiam as máquinas pensar tal como os humanos?”), argumentamos que sistemas atuais de Inteligência Artificial, especialmente os Large Language Models (LLMs), já produzem comportamentos funcionalmente muito semelhantes aos humanos. No segundo (“Máquinas não pensam como seres humanos! (pelo menos não até este momento…)”), apresentamos diferenças profundas entre pessoas e máquinas defendendo que, pelo menos até agora, não há equivalência real entre pensamento humano e artificial.

Chegamos, então, ao terceiro movimento da trilogia. Ricardo Gazoni se junta ao time de colegas dos artigos anteriores e lidera a discussão trazendo uma proposta realista sobre o assunto. Grande parte desse debate nasce de uma tradição filosófica que separa mente e corpo, mundo interior e mundo exterior, herdada de Descartes há quase 400 anos e ainda muito presente no nosso modo de pensar. Nessa perspectiva, o pensamento é algo essencialmente humano, interno e inacessível, enquanto as máquinas seriam apenas mecanismos externos. Isso torna quase impossível comparar, de forma justa, o que acontece em um cérebro e o que acontece em um computador.

Alan Turing, já em meados do século XX, percebeu esse impasse e propôs uma mudança radical de abordagem. Em vez de perguntar o que é pensar, sugeriu observar se uma máquina é capaz de se comportar, em determinados contextos, de modo indistinguível de um ser humano. O foco deixa de ser a natureza interna do processo e passa a ser o desempenho observável.

Mas há ainda uma terceira via, menos conhecida fora dos círculos acadêmicos, e que pode ser particularmente útil para esse debate: a Semiótica de Charles Sanders Peirce. Para Peirce, o pensamento não é algo exclusivo da mente humana. Todo pensamento é, fundamentalmente, um processo de signos — isto é, um processo de mediação, no qual aquilo que se apresenta a uma mente ou quase-mente provoca nessa mente ou quase-mente um efeito que vai além do que foi apresentado a ela.

É o que ocorre, por exemplo, quando interpretamos uma palavra: a palavra apresentada tem um efeito que vai além dela própria – eu falo “praia” e surge em sua mente mar, areia, brisa e sol. O centro da análise não está no sujeito humano, mas no próprio signo e nas relações que ele estabelece. Isso permite estudar processos de significação em humanos, animais, sistemas sociais e, potencialmente, também em máquinas.

Ao deslocar a centralidade do humano para o signo, a Semiótica cria uma base conceitual para comparar diferentes formas de raciocínio sem precisar decidir, de antemão, se elas são “mentais” ou “mecânicas”. O que importa é como hipóteses são geradas, como consequências são derivadas e como interpretações são estabilizadas ou revisadas.

Peirce descreve três formas fundamentais de raciocínio: dedução, abdução e indução. É aqui que o segundo artigo da trilogia se conecta fortemente com a abordagem de Peirce. No caso humano, o processo indutivo — isto é, o teste de hipóteses — ocorre também por meio do corpo, das emoções, da interação social e da experiência sensível. Nosso “laboratório”, frequentemente, é o mundo vivido. As máquinas, por outro lado, aprendem em ambientes artificiais, a partir de grandes volumes de dados e métricas estatísticas. Mesmo quando incorporam aleatoriedade e mecanismos de exploração, seu processo de validação é radicalmente distinto do nosso.

Além disso, Peirce dá também importância a uma dimensão que raramente aparece nos debates sobre IA: a vontade. Para ele, o raciocínio não é apenas um processo lógico, mas também um movimento orientado por valores. Buscamos certas verdades porque as consideramos desejáveis, relevantes ou belas. A própria ciência, segundo Peirce, é guiada por ideais estéticos de simplicidade, elegância e harmonia, e por compromissos éticos com a busca da verdade. Vontade, Ética e Estética não são acessórios do pensamento; são parte estrutural dele.

Isso aparece de uma maneira muito incipiente, ao menos por enquanto, nos sistemas de IA. As máquinas, por si mesmas, não têm desejos, não possuem compromissos morais e não perseguem ideais estéticos, a não ser aqueles que nós explicitamente codificamos ou implicitamente induzimos por meio de dados e objetivos de otimização. E talvez seja bom que continue assim. Uma máquina com vontades próprias, valores autônomos e ideais estéticos independentes não seria exatamente o tipo de tecnologia que gostaríamos de colocar em operação em larga escala.

Isso nos leva a uma conclusão importante: exigir que as máquinas pensem exatamente como humanos talvez seja não apenas irrealista, mas também indesejável. Se pensassem como nós, poderiam se recusar a trabalhar, se entediar, se ofender, desenvolver preferências pessoais ou simplesmente decidir que têm planos melhores para a tarde. O que buscamos, na prática, é algo diferente: sistemas que ampliem nossas capacidades cognitivas, organizem informações, sugiram alternativas e apoiem decisões, mas cujos objetivos e critérios permaneçam sob controle humano.

Do ponto de vista teórico, isso também sugere um caminho promissor para a pesquisa em IA: em vez de buscar uma cópia do comportamento humano, talvez devamos investir em modelos que representem, manipulem e testem hipóteses de forma compatível com processos de raciocínio semelhantes aos propostos por Peirce. O objetivo não seria reproduzir a mente humana, mas construir sistemas capazes de racionar de uma maneira que nos seja familiar, dialogando conosco em ecossistemas cognitivos híbridos, nos quais humanos e máquinas aprendem e atuam em conjunto.

Talvez, então, a pergunta mais produtiva não seja se as máquinas pensam como nós, mas como podemos projetar máquinas que pensem conosco, dentro de molduras éticas, estéticas e sociais que façam sentido para a vida humana. A Semiótica não resolve o mistério da consciência, mas oferece algo talvez mais útil neste momento: um vocabulário comum para falar de sentido, interpretação e aprendizagem em diferentes tipos de sistemas.

E se chegamos a alguma conclusão nesta trilogia, talvez seja esta: a IA não precisa ser uma imitação imperfeita da mente humana para ser profundamente transformadora. Basta que seja uma boa parceira de raciocínio, desde que guiada por nossos valores, nossas escolhas e, quem sabe, também por nosso senso de humor. Afinal, se um dia uma IA responder “agora não, estou jogando videogame”, talvez tenhamos ido longe demais. Até lá, seguimos explorando, debatendo e provocando — porque, se há algo que humanos e máquinas já compartilham muito bem, é a capacidade de gerar boas perguntas. E, como sabemos, boas perguntas costumam ser o começo de conversas ainda melhores.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Fechando a trilogia: um outro jeito de dizer se as máquinas pensam ou não apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Por Alexandre Pignanelli, André Alves, Alexandre de Vicente Bittar: engenheiro; professor no Ibmec-SP e Luiz Carlos Di Serio.

Quando pensamos em indústria automotiva, logo imaginamos montadoras, inovações tecnológicas e novos modelos de carros elétricos. Mas existe um elo essencial, muitas vezes invisível, que sustenta toda essa engrenagem: as ferramentarias — empresas responsáveis por produzir moldes e ferramentas que dão forma às carrocerias, portas e componentes que saem das linhas de produção.

O problema é que esse elo está enfraquecido. O Brasil representa menos de 1% do mercado global de ferramental, importa metade das ferramentas que utiliza e 100% dos moldes de grandes peças e superfícies Classe A — justamente aquelas que definem o acabamento e a qualidade visual dos automóveis. Isso significa mais custos, prazos mais longos e perda de competitividade.

Se quisermos uma indústria automotiva forte, precisamos fortalecer quem está por trás dela. Foi com essa visão que nasceu o projeto Ferramentarias Brasileiras Mais Competitivas, dentro do Programa Rota 2030, coordenado pela Fundep e pelo IPT. A iniciativa reúne governo, universidades e empresas em uma grande rede de pesquisa aplicada, inovação e capacitação baseada em 4 fases.

Fase 1 — As forças competitivas em jogo

O primeiro diagnóstico envolveu 39 ferramentarias e revelou um cenário de desafios estruturais.
Falta investimento, atualização tecnológica e qualificação de mão de obra.
A concorrência com produtos importados é avassaladora e o poder de barganha dos clientes (montadoras e sistemistas) é altíssimo — poucas empresas concentram os pedidos, ditando preços e prazos.

Paradoxalmente, do lado dos fornecedores, o problema é o oposto: há poucas opções nacionais e uma forte dependência de insumos e tecnologias importadas, o que limita o poder de negociação das ferramentarias.

O estudo também acendeu um alerta: novas tecnologias como manufatura aditiva podem, em breve, substituir parte dos processos atuais. Ou seja,  é urgente investir em diferenciação, inovação e resiliência diante da competição global.

Fase 2 — O que os clientes pensam

Conduzida pela FGV EAESP, a segunda fase trouxe o olhar do mercado. Montadoras e sistemistas avaliaram 13 atributos-chave — como qualidade, custo, confiabilidade e prazo — em uma matriz Importância–Desempenho.

O resultado mostrou que algumas capacidades estão no nível esperado, mas outras exigem melhorias imediatas. O diagnóstico virou um mapa de prioridades, orientando onde o setor deve concentrar seus esforços para competir de igual para igual no mercado internacional. Veja os resultados da Fase 2 aqui.

Fase 3 — A visão das próprias ferramentarias

Sob as dimensões de prioridades competitivas, desempenho percebido e maturidade em supply chain, a terceira fase mostra um desalinhamento preocupante: muitas empresas acreditam ser mais competitivas do que seus clientes realmente percebem. Esse “autoengano estratégico” mascara fragilidades importantes — como a falta de gestão integrada de fornecedores, baixo controle de fluxo produtivo e pouca previsibilidade da demanda.

Mais do que tecnologia, o setor precisa de gestão moderna e mudança cultural, incorporando práticas colaborativas e foco em eficiência de processos. Confira os resultados da Fase 3.

Fase 4 — Dos diagnósticos à ação

Na última fase, os aprendizados se transformaram em prática com os projetos demonstradores. Esses pilotos mostraram na prática o “ciclo vicioso” que trava o setor:

• prazos de pagamento longos geram falta de caixa;
• isso limita investimentos em tecnologia;
• atrasos se acumulam e novos pedidos se perdem.

Para romper esse ciclo, surge o programa Demonstradores 2.0, que propõe um novo modelo colaborativo: em vez de cada empresa fazer tudo, cada uma se especializa em uma etapa do processo, conectadas por uma plataforma digital que integra padrões, comunicação e gestão de dados em tempo real.

Onze subprojetos estruturam essa nova fase. A conexão com o Conecta+ amplia o acesso de pequenas e médias empresas à formação gratuita e às jornadas de inovação. O futuro das ferramentarias brasileiras passa, portanto, por colaboração, digitalização e redes inteligentes de produção.

Colaboração, inovação e velocidade: a rota para 2030

O projeto mostra que o modelo atual está esgotado. A sobrevivência das ferramentarias — e, por consequência, da cadeia automotiva — depende de uma reinvenção coletiva, baseada em especialização colaborativa, plataformas digitais e gestão moderna.

Para as empresas, a escolha é clara: continuar presas ao ciclo da baixa competitividade ou adotar um novo modo de operar, mais aberto e integrado. Para os formuladores de políticas públicas, o desafio é manter instrumentos de incentivo e capacitação que deem fôlego à transformação. E para as montadoras, é hora de repensar modelos de contratação que pressionam custos, mas corroem a base produtiva do país.

A revitalização das ferramentarias brasileiras não virá de soluções isoladas, mas de uma transformação estrutural, sustentada por gestão, tecnologia e cooperação em rede. Essa é a rota necessária para recolocar o Brasil no mapa global da competitividade automotiva. Assista à apresentação dos Demonstradores 2.0.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Ferramentarias 2030: como virar o jogo da competitividade automotiva apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

André Insardi é executivo especializado em IA, e transformação digital, mestre em Big Data pela ESPM e doutorando em Inteligência Artificial na UNICAMP. Atua como professor de IA e Arquitetura de Cloud na ESPM e FIAP e como membro do CJE da FIESP.

 Eduardo de Rezende Francisco é professor de GeoAnalytics, Chefe do Departamento de Tecnologia e Data Science da FGV EAESP e fundador do GisBI, participa do desenvolvimento de plataformas de informação e de IA, com objetivos sociais, pesquisador do FGVanalytics

Gustavo Corrêa Mirapalhetaé professor de IA e Analytics do Departamento de Tecnologia e Data Science de diversos programas de graduação da FGV EAESP e de MBAs da FGV Educação Executiva. Especialista em Deep Learning  e Computação Quântica.

Desde Ada Lovelace, considerada a primeira programadora, até Alan Turing com sua famosa pergunta — “as máquinas podem pensar?” — carregamos a provocação do título deste artigo no imaginário. O debate voltou com força nos últimos anos, quando vimos os grandes modelos de linguagem, como o GPT-4, alcançarem resultados impressionantes. Alguns já sugerem que estamos diante de uma inteligência comparável à humana. Mas inteligência e aprendizagem não são a mesma coisa, e apesar de todo o fascínio, podemos defender: máquinas ainda não pensam como nós.

André Insardi se une neste artigo aos amigos Eduardo Francisco e Gustavo Mirapalheta, na busca de um contra-argumento a publicação anterior deste blog Impacto (“Poderiam as máquinas pensar tal como os humanos?”, disponível em https://www.impacto.blog.br/blog-impacto/poderiam-as-maquinas-pensar-tal-como-os-humanos/).

Quatro são os pontos que completam esse contra-argumento.

O primeiro ponto é o corpo. As máquinas vivem no mundo dos zeros e uns. São maravilhas do armazenamento e do processamento, mas exigem volumes gigantes de energia e dados para emular pensamento. O cérebro humano, por outro lado, é biológico e contínuo. Ele esquece com frequência, mas compensa com associações criativas, preenchendo lacunas e reconstruindo histórias. Mais do que isso, está embebido em um corpo que sente, sofre, se emociona. Como lembra Antonio Damasio em “Descartes’ Error: Emotion, Reason and the Human Brain” de 1994, não há cognição sem corpo. As máquinas, por mais sofisticadas, não têm essa dimensão – ainda!

O segundo ponto é o processo do pensamento. O aprendizado de máquina começa com pesos sorteados ao acaso, ajustados milhões de vezes até estabilizar. GPT-3 precisou de dezenas de terabytes e meses de treinamento para aprender a conversar. GPT-4 e GPT-5 estão ordens de grandeza à frente em armazenamento e tempo. Cada iteração — cada época — percorreu o conjunto inteiro de dados. É força bruta estatística. Já o pensamento humano permanece uma caixa-preta para a ciência. Miguel Nicolelis, em seu espetacular livro “O Verdadeiro Criador de Tudo: como o cérebro humano esculpiu o universo” de 2020, insiste que não sabemos explicar a consciência. E na filosofia, Chomsky nos lembra da “pobreza do estímulo”: como pode uma criança, com tão pouco exemplo, aprender a falar tão rápido? Talvez porque já traga predisposições inatas. Peirce, pensador clássico da semiótica, acrescenta que todo pensamento humano carrega ética e estética, atributos que não vêm de fora, mas fazem parte da própria experiência. Essa ética e estética inatas funcionam como uma espécie de orientação anterior, que retira a aleatoriedade inicial presente no aprendizado de máquina e dá ao pensamento humano um ponto de partida enviesado pela própria existência.

Em seguida vem a forma. Aqui mora a confusão. Turing propôs que, se uma máquina conversasse sem ser desmascarada, poderíamos chamá-la de inteligente. Pois bem: os LLMs (Large Language Models, ou grandes modelos de linguagem) já superam esse teste em vários contextos. Mas linguagem não é pensamento. Basta lembrar a cena icônica de “2001: Uma Odisseia no Espaço”: um primata descobre que pode usar um osso como ferramenta. Ali não havia palavras, mas havia um salto cognitivo, um ato simbólico. Pensar é mais do que falar. Como lembra novamente Damasio, envolve também imagens, emoções, corpo. As máquinas, embora eloquentes, não demonstram dar saltos criativos desse tipo. Estudos recentes publicados na Nature, como o trabalho de Schulze Buschoff e outros autores (“Visual cognition in multimodal large language models” em edição da Nature Machine Intelligence de 2025), reforçam esse ponto: mesmo quando os LLMs conseguem desempenhar bem tarefas de linguagem, continuam falhando em raciocínios simples de senso comum ou em inferências básicas que humanos executam com facilidade, revelando que ainda não existe equivalência entre forma linguística e pensamento humano.

Por fim, o efeito. É aqui que os defensores da GenAI se empolgam. O GPT-4 passou no exame da OAB americana com notas superiores à média dos estudantes. Brilha em programação, tradução e benchmarks acadêmicos. Mas ainda tropeça em tarefas simples de senso comum ou raciocínio físico. Não possui nada parecido com os dois sistemas de decisão que Kahneman descreveu: um rápido e intuitivo, outro lento e deliberativo. Claro, técnicas como fine-tuning, retrieval augmented generation (RAG) e equipes de agentes digitais deixam as respostas mais precisas. Mas tudo isso melhora apenas o efeito — a essência segue a mesma: máquinas que predizem tokens, palavra por palavra.

E a conclusão? Máquinas não pensam como nós. Nem corpo, nem processo, nem forma, nem efeito comprovam equivalência com o pensamento humano. Mas isso não significa que a IA seja falsa ou inútil. Talvez estejamos diante de algo novo: a primeira “calculadora de pensamentos”. Aristóteles já dizia que pensamos em forma de diálogo interno, a dialética. Os LLMs, nesse sentido, podem servir como ferramentas para expandir nossas capacidades de raciocínio, não como substitutos da mente humana. E se lembrarmos de Peirce, que via ética e estética como fundamentos prévios da lógica, fica ainda mais claro: o pensamento humano parte de orientações inatas que não podem ser reduzidas à aleatoriedade inicial das máquinas. Essa diferença estrutural é o que garante que nosso pensar não seja apenas cálculo, mas também sentido, valor e beleza.

Voltando à metáfora de “2001: Uma Odisseia no Espaço”, se o gesto do primata com o osso simbolizou o início da abstração e da técnica, a IA pode ser vista como um novo artefato: uma calculadora de pensamentos que amplia nossos horizontes sem, contudo, substituir a centelha criativa que nos torna humanos. Como lembrava Wittgenstein em “Lectures on the Foundations of Mathematics: Cambridge” de 1939, mesmo a matemática, com toda sua precisão formal, só ganha sentido dentro das práticas humanas que a sustentam — o que reforça que o pensamento não se reduz a mero cálculo, mas envolve contexto, valor e significado.

E aqui fazemos uma confissão: este texto foi escrito com ajuda de várias IAs. Elas ofereceram referências, poliram frases, sugeriram ideias, e ainda deram essa ilustração fantástica que acompanha o início do artigo. Mas somente os autores sentiram o prazer humano dessa jornada de descoberta. As máquinas participaram, mas o pensamento — esse privilégio, pelo menos por enquanto — continua sendo nosso.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Máquinas não pensam como seres humanos! (pelo menos não até este momento…) apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Luiz J. Nunes é consultor de Inteligência Artificial e Ética na Tecnologia na Harmona, matemático, mestre e doutorando em psicologia social pela USP.

Ianaira Neves é Professora e Coordenadora da linha Gestão de Pessoas do Mestrado Profissional em Gestão para a Competitividade (MPGC) da FGV EAESP.

O anúncio das demissões em massa no Itaú no início de setembro, envolvendo cerca de mil funcionários em regime de trabalho remoto, reaquece um conflito essencial sobre o futuro do trabalho: até que ponto tecnologias de monitoramento podem ou devem ser utilizadas como parâmetro para avaliar a produtividade humana?

Em nota à imprensa, o banco justificou que a medida fazia parte de um processo de gestão responsável, visando preservar a cultura organizacional baseada no valor da confiança entre clientes, colaboradores e a sociedade. Contudo, parte das demissões teria se baseado nos registros de inatividade feitos por ferramentas de vigilância nas máquinas corporativas, apontando períodos de quatro horas ou mais de suposta ociosidade.

O caso é ilustrativo de uma questão maior, que atravessa diferentes setores e empresas: qual o risco de se medir pessoas como máquinas? E como garantir que a tecnologia no acompanhamento do trabalho humano se faça de maneira crítica e responsável?

Ferramentas de monitoramento digital têm a capacidade de registrar tempo de conexão, número de cliques, uso de programas e até as movimentações do mouse. Em tese, esses indicadores oferecem uma visão objetiva da “atividade” de um funcionário. Porém, há uma distância considerável entre atividade mapeada digitalmente e produtividade. Estar conectado não significa gerar valor.

Um trabalhador pode estar conectado o dia inteiro sem entregar resultados de impacto; outro pode passar horas desconectado, refletindo ou estruturando soluções, e em seguida produzir algo de valor muito superior. Ou pode atuar em ambiente não totalmente rastreável, seja via celular, deslocamento e atendimento presencial, etc. O risco é reduzir o trabalho a um registro mecânico de movimentos, confundindo o velho fenômeno de “presencialismo” com performance e “silêncio digital” com inatividade.

Esse reducionismo nos coloca diante de um dilema estratégico. De um lado, as métricas digitais podem oferecer informações úteis e ajudar a gestão a identificar padrões de uso e gargalos operacionais. De outro, quando tomadas como sinônimo de produtividade, podem induzir a equívocos graves. O perigo maior surge quando a empresa deixa de usar a tecnologia como apoio e passa a delegar a ela decisões estratégicas que exigem interpretação, contexto e sensibilidade humana.

É preciso romper também com a crença de que a tecnologia é neutra. Nenhum algoritmo é infalível, e nenhum sistema é isento de pressupostos. As métricas carregam escolhas: o que medir, o que ignorar, como definir parâmetros. Essas escolhas refletem os modelos mentais de quem as constrói, sendo construídas a partir de pressupostos totalmente humanos (políticos e culturais). Quando se afirmar que uma tecnologia “mede produtividade humana”, ou “seleciona o melhor perfil” para uma posição de trabalho, ou “mensura engajamento ou o bem-estar” dos colaboradores, devemos nos perguntar “Qual modelo mental definiu o que é ‘produtividade’, ‘melhor perfil’ ou ‘engajamento’ para essa máquina?”.

É crucial questionar quais perspectivas ensinaram a avaliação. Afinal, uma máquina não compreende verdadeiramente os significados de quaisquer um desses conceitos e podem reforçar desigualdades. Quando os dados são utilizados de maneira acrítica, sem questionamento sobre o que representam, corremos o risco de legitimar injustiças sob a aparência de objetividade.

O risco não é exclusivamente ético, é estratégico. A curto prazo, pode parecer vantajoso simplificar o monitoramento para cortar custos ou acelerar decisões. Mas a médio e longo prazo, os efeitos podem ser corrosivos. Perdem-se talentos que não se sentem reconhecidos, abala-se a reputação da empresa perante a sociedade e investidores, fragiliza-se a capacidade de adaptação em ambientes complexos e, principalmente, mina-se a confiança, que é a base de qualquer cultura organizacional sustentável. Afinal, uma cultura de confiança não se sustenta sob vigilância constante ou métricas que desconsideram a realidade do trabalho.

Vale lembrar que a produtividade que realmente importa – para empresas, para trabalhadores e para a economia – não é mapeada e rastreável em relatórios automatizados. Ela está na capacidade de transformar conhecimento em valor, de inovar, de construir relações de confiança e de colaborar para objetivos comuns.

A tecnologia pode — e deve — ser usada para apoiar esse processo, mas não pode substituí-lo. Há dimensões do trabalho humano que não são traduzíveis em métricas. Medir performance exige olhar para além dos números. Exige compreender a cultura organizacional, escutar os trabalhadores, avaliar a qualidade das entregas, considerar os contextos, estabelecer comunicações claras e responsáveis, e não apenas mensurar pessoas como máquinas.

Se a gestão do futuro quiser ser sustentável, precisará abandonar a tentação de reduzir pessoas a dados brutos, aprender as potencialidades e limitações dessas novas ferramentas e, claro, desviar-se de simplificações rasas através da tecnologia. Caso contrário, arrisca não apenas cometer injustiças, mas a minar a própria base de sua longevidade: a criatividade, a confiança e a motivação das pessoas que a sustentam.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Quando a régua não cabe: o risco de se medir pessoas como máquinas apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Por :Gabriel Silva Cogo

Uma busca na internet por “failed AI projects” em 2025 nos retorna previsões de que, até 2027, 70% dos projetos de Analytics e IA vão ser considerados como tendo retornos abaixo do esperado ou simplesmente fracassos. Esses valores podem até assustar, mas para quem trabalha com desenvolvimento de software, eles estão bem parecidos com os valores históricos de outros projetos de implementação de tecnologia nas organizações. O PMI por exemplo, que existe desde 1969, sempre teve como objetivo reduzir estes índices de projetos fracassados. Por que, então, o número de projetos que não atingem seus objetivos teima em não diminuir?

Obviamente, existe o fator hype. As empresas tendem a seguir tendências tecnológicas em manada, mesmo sem ter o conhecimento da tecnologia em si ou a maturidade de processos internos necessária para que a adoção seja benéfica ao negócio. Inúmeros outros fatores ajudam a explicar estes números, como investimento ou tempo insuficiente para a implementação apropriada do projeto, cenários irrealistas de retorno rápido, treinamento dos usuários, entre outras. Neste cenário, existe um fator que é constantemente ranqueado entre um dos principais causadores de fracassos em projetos: a cultura da organização. Acompanhando diversos profissionais da área de tecnologia no Linkedin, pude notar que muitos deles buscam trazer o debate de cultura organizacional para as redes sociais. Isso demonstra uma mudança de mentalidade, em que empresas de tecnologia observam a cultura organizacional como fator relevante de sucesso. Entretanto, o discurso não traz cultura como ferramenta de debate aberto e, sim, como propaganda do sucesso da cultura de sua própria empresa.

Uma pesquisa acadêmica de alta relevância sobre o assunto de cultura em organizações de tecnologia trouxe, duas décadas atrás, uma frase que me marcou muito: “Cultura só é percebida quando há conflito”. É um debate que eu trouxe para a sala de aula durante muitos anos. Eu vejo o assunto cultura ser tratado por executivos como algo positivo e saudável. Mas somente com a intenção de aprender sobre cultura de maneira transparente podemos realmente descobrir como transformar de verdade nossa empresa, e com isso gerar um sucesso maior em nossos projetos. Para que isso aconteça, perguntas difíceis tem de ser feitas. Porque muitas empresas possuem dificuldade em manter projetos dentro do prazo e do custo? Porque muitas áreas não conseguem se comunicar dentro do projeto e resolver diferenças? Porque existe tanta resistência à mudança dentro da organização? Porque diversos projetos fracasssam quando a diretoria propõe expectativas de sucesso não baseadas na realidade atual da empresa?

Numa pesquisa com executivos de tecnologia liderada por um aluno sobre o assunto, eu especificamente pedi para que a pergunta “Como a gerência lida com CONFLITO dentro da empresa?” fosse realizada. Nos diversos casos pesquisados surgiram respostas interessantes. Uma em particular me marcou. Um executivo de alto nível de uma grande empresa de consultoria respondeu à pesquisa com a seguinte afirmação: “Aqui na nossa empresa não há conflito”.  Eu prefiro me abster de opinar sobre esta resposta além, obviamente, do meu sentimento de incredulidade. Deixo aberto aos leitores suas próprias considerações.

Mas eu volto aos posts do Linkedin sobre cultura. O debate nas redes profissionais sobre a cultura da empresa me parece ter algum nível de hipocrisia. Pois ele vem geralmente acompanhado de elogios a única e maravilhosa cultura que a empresa possui, sem que exista nada passível de melhora. Obviamente o ambiente de redes profissionais seria inadequado para um debate mais aprofundado, mas essa necessidade de mostrar uma cultura de excelência acaba por se passar como forçado. A literatura sobre cultura nos ensina a entender conflito como algo intrínseco a todas as organizações. Eu digo isto pois minha experiência em desenvolvimento de software e organizações em geral me leva a duas conclusões importantes.

• Falhas e conflitos vão acontecer. Fingir que eles não existem dentro da empresa não é saudável, porque eles vão acabar estourando mais cedo ou mais tarde;
• Como a empresa lida com falhas e conflitos diz muito sobre a capacidade da empresa de se comunicar e, principalmente, APRENDER.

Cultura é algo difícil de medir e, por consequência, de melhorar. Leva tempo, custa bastante e os resultados muitas vezes são quase imperceptíveis. Mas, para mim, existe um pequeno recorte observável da cultura da empresa que acaba nos dizendo bastante sobre a organização como um todo. Eu costumo dizer que o melhor dia para se observar uma empresa é quando algum incidente médio ou grave acontece, não importando o motivo (se foi alguma vulnerabilidade externa ou falha interna). O que importa é a maneira como a organização trata esse incidente. Claro que vão existir muitas formas, mas eu vou simplificar a discussão em três categorias.

Se a empresa busca bodes expiatórios, dá desculpas vazias, e trata os mensageiros da situação também como culpados, ela é tóxica.

Se a empresa cria burocracia e processos para responder aos incidentes, mas depois de resolvido eles se perdem e nunca resultam em nada além de promessas, até que aconteçam novamente, ela é burocrática.

Se os incidentes levam a perguntas, curiosidade sobre os motivos do incidente e, principalmente, sobre como utilizar esta oportunidade para melhoria e aprendizado, ela é generativa.

A pergunta que eu faço ao leitor, então, é: Observando como a sua empresa lida com incidentes, em qual das três categorias você acredita que ela se encaixaria?

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Os projetos fracassados e a cultura das empresas apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Gustavo Corrêa Mirapalheta é professor de IA e Analytics do Departamento de Tecnologia e Data Science de diversos programas de graduação da FGV EAESP e de MBAs da FGV Educação Executiva. Especialista em Machine Learning, Text Mining, IA Generativa e Computação Quântica.

 Eduardo de Rezende Francisco, Professor de GeoAnalytics, Chefe do Departamento de Tecnologia e Data Science da FGV EAESP e fundador do GisBI, participa do desenvolvimento de plataformas de informação e de IA, com objetivos sociais, pesquisador do FGVanalytics

O título provocativo certamente remete os caros leitores a cenas de filmes de ficção científica, no melhor estilo “Exterminador do Futuro”, contexto em que um cientista renomado (normalmente americano) acorda certo dia e tem um insight que o motiva a construir um “chip” que traz “consciência” (com a definição que a licença poética quiser) para as máquinas. Elas, “sabidas”, portanto, passam a subjugar e até escravizar a raça humana. E lá se vão filmes e filmes…

Pois bem, será que veremos o surgimento de máquinas que pensam?

Em toda boa pergunta, há um truque. Esta não foge à regra. Onde está o truque neste caso? Em dois pressupostos. Primeiro, a ideia de que as máquinas só podem pensar por meio de regras fixas de lógica, chamadas algoritmos. Segundo, a noção de que o pensamento humano não estaria limitado a tais regras e, portanto, seríamos, por princípio, capazes de feitos impossíveis às máquinas. Será? Como veremos, existem boas razões para duvidar de ambas as coisas.

A história recente da humanidade fez surgir um novo personagem que está em alta: a Inteligência Artificial. Existem inúmeras definições e interpretações para esse conceito (conversa para futuros artigos), mas certamente uma que salta aos olhos, e combina com o que estamos discutindo, é a definição clássica de Stuart Russell e Peter Norvig, autores de “Artificial Intelligence: A Modern Approach”, de 1995. Para eles, IA é a área da ciência da computação que se dedica ao desenvolvimento de sistemas capazes de realizar tarefas que, quando realizadas por seres humanos, exigiriam inteligência. Isso inclui o aprendizado, o raciocínio, a percepção, a compreensão da linguagem e a tomada de decisões complexas.

Algoritmos se sofisticam fortemente nos dias de hoje. Mas, será que aprendizado, percepção e raciocínio podem ser confundidos com inteligência? O que os seres humanos têm que as máquinas talvez não tenham?

A limitação na forma de pensar das máquinas decorre de teoremas matemáticos descobertos nas décadas de 1930 e 1940 por Kurt Gödel, Alan Turing e Alonzo Church. Juntos, esses pensadores forneceram os alicerces teóricos sobre os quais se constrói a teoria da computação e a inteligência artificial. Eles ajudaram a definir o que as máquinas podem e não podem fazer, delineando assim o escopo de possibilidades e limitações dentro do campo da IA.

O que nos fascina é que nós, humanos, aparentemente conseguimos fazer isso. Será que dentro de nossos cérebros acontece algo não algorítmico que nos permite enxergar coisas impenetráveis para os computadores? E se a forma como a questão foi colocada é que é o problema?

O que Turing provou é que não existe um caminho único e puramente algorítmico para encontrar todos os algoritmos que podem existir. Mas suponha que exista uma forma simples de tentar. Uma forma disponível tanto para humanos quanto para máquinas. Não estou buscando uma maneira genérica e algorítmica de encontrar soluções. Estou apenas considerando a possibilidade de testá-las depois que forem propostas.

Ainda assim, resta o problema de encontrar essas novas propostas. Essa maneira pode ser tão simples quanto uma busca aleatória. Basta tentar diferentes pontos de partida. Aumente-os com base em algum conhecimento prévio e a partir daí melhore os resultados. Uma vez que um algoritmo é “escolhido”, ele pode ser facilmente testado, até mesmo para ver se ele eventualmente irá parar.

Quando uma rede neural é treinada para resolver certos tipos de problemas, que à primeira vista parecem não ter solução algorítmica, o que fazemos é encontrar uma possível solução e depois aprimorá-la com o passar do tempo. Tanto nós quanto as máquinas não sabemos se a solução encontrada é a melhor. Mas podemos testar as soluções candidatas e escolher aquela mais adequada ao nosso problema imediato.

Ainda assim, nossa forma de pensar tem algo de especial. Mas o quê? Em vez de tentar encontrar um procedimento genérico, podemos fazer uma busca aleatória para “escolher” novas soluções — soluções que hoje não estão no nosso conhecimento, mas que estão lá fora no espaço de busca, esperando para serem encontradas — e com a capacidade de testar soluções específicas, o que impediria uma máquina de ser criativa?

Tal busca na natureza chama-se Seleção Natural. Nos computadores: Aprendizado de Máquina. Como se pode ver, após 70 anos de era digital, acabamos por replicar nas máquinas o método que a natureza utilizou para gerar nossa inteligência.

Os resultados estão aí para quem quiser ver, em especial nos LLMs (Large Language Models), como o ChatGPT e assemelhados, que tornaram os sistemas de diálogo indistinguíveis de um ser humano. Já encontramos o método — o Aprendizado de Máquina. O processo já produz resultados equivalentes aos de uma pessoa. Desta forma, sim, as máquinas não só podem, como já estão pensando tal e qual os humanos.

A Inteligência Artificial “Genérica” pode, portanto, estar mais próxima de nós do que sequer poderíamos imaginar.

E você, caro leitor, o que “pensa” sobre isso?

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Poderiam as máquinas pensar tal como os humanos? apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.

Por Rogiene Santos – rogiene.santos@fgv.br

 A evasão fiscal é um desafio enfrentado por diversos países, inclusive o Brasil, que em 2024 registrou uma perda de arrecadação estimada em até R$ 600 bilhões. A detecção dessas práticas tem se tornado cada vez mais complexa, à medida que os mecanismos utilizados para burlar o sistema tributário se tornam mais sofisticados. Além disso, o modelo de auditoria por amostragem limita a capacidade de fiscalização, dificultando ainda mais a identificação e o combate à evasão fiscal.

Contudo, muitos países têm utilizado a Inteligência Artificial (IA) combinada com as habilidades humanas para combater tal prática. Tendo em vista que a IA toma como base dados históricos, há o risco de o algoritmo estar enviesado, o que pode afetar a sua acurácia na detecção de evasão fiscal. Por este motivo, a IA não é suficiente em si. Esta combinação permite detectar padrões de evasão de maneira mais precisa e eficiente.

A seguir são apresentados os cinco principais desafios do combate à evasão e como a IA tem ajudado nesta tarefa:

1) Volume e complexidade dos dados: Os sistemas fiscais geram um grande volume de dados que vão da declaração de renda às operações internacionais. Assim, as ferramentas de IA têm alta capacidade de processar grandes quantidades de dados, identificar padrões e aprender com eles para lidar com essa complexidade;

2) Sofisticação dos evasores fiscais: Especialmente no Brasil, em que o sistema tributário é complexo, isso permite que indivíduos e empresas utilizem mecanismos mais sofisticados para evadir impostos. Por exemplo, empresas de fachada, contratos fictícios, entre outros. Neste sentido, as ferramentas de IA automatizam os dados para identificar discrepâncias, otimizar mapeamentos de códigos tributários e garantir a conformidade em tempo real;

3) Operações internacionais e paraísos fiscais: Sem dúvidas, a globalização trouxe inúmeros benefícios, entre eles, abertura dos mercados internacionais. Porém, ela facilitou a movimentação de recursos entre países com diferentes níveis de sigilo e tributação. Conforme a OCDE (2023), os países podem perder R$ 22,3 trilhões na próxima década para paraísos fiscais. A modelagem preditiva permite a identificação de indicadores de evasão fiscal ou inconsistências, com sistemas de IA baseados em nuvem capazes de analisar volumes colossais de dados;

4) Limitações legais e éticas: Cada vez mais há uma preocupação com os dados sensíveis, especialmente com o advento da LGPD, em 2020. Assim, as autoridades fiscais precisam respeitar a privacidade e os direitos dos contribuintes. As ferramentas de IA podem, por exemplo, anonimizar os dados durante as análises, garantindo que as informações pessoais não sejam expostas desnecessariamente. Além disso, a IA permite trabalhar com grandes volumes de dados públicos e cruzá-los com dados internos sem acesso direto às informações mais sensíveis;

5) Recursos humanos e tecnológicos limitados: Os órgãos fiscais muitas vezes precisam lidar com processos manuais ou sistemas desatualizados, o que dificulta a detecção de evasão fiscal. É importante destacar que a IA complementa, e não substitui, a expertise dos profissionais da área tributária. Ao automatizar tarefas rotineiras que normalmente consomem grandes quantidades de tempo e orçamento, a IA permite que os profissionais redirecionem seu foco para atividades de maior valor, como planejamento estratégico e navegação por requisitos regulatórios complexos.

Alguns estudos têm mostrado como a IA e o Machine Learnig têm afetado as práticas dos órgãos fiscais de alguns países ao redor do mundo. Na Letônia, o governo passou a utilizar ferramentas de IA para otimizar a administração tributária. Recentemente, passou-se a utilizar um novo sistema de classificação de contribuintes. Com os relatórios deste novo sistema, foi possível automatizar o alto volume de dados e segmentar os contribuintes, permitindo assim um trabalho mais eficiente.

Já na Europa, no ano de 2020, o governo passou a utilizar um assistente virtual que esclarecia as dúvidas dos contribuintes, permitindo assim, menor nível de erro na declaração de renda. Além disso, a Europa passou a utilizar um algoritmo de aprendizado de máquina que era capaz de identificar empresas que pagam salários em dinheiro com quase 90% de precisão.

Sem dúvidas, a IA tem sido uma ferramenta importante no combate à evasão fiscal. Porém, ela pode trazer alguns riscos. Desta forma, é importante que o seu uso seja norteado por alguns princípios, tais como: prudência; não discriminação; proporcionalidade; transferência; e governança de dados.

* Os artigos publicados na seção Coluna do Blog Impacto refletem exclusivamente a opinião de seus autores, não representando, necessariamente, a visão da instituição.

O post Como a Inteligência Artificial está transformando o combate à evasão fiscal apareceu primeiro em Blog Impacto - FGV EAESP Pesquisa.