Quem acredita demais na IA já começou errando
Por Jhonata Emerick, CEO da Datarisk
Salvador, 14/07/2026 – Vivemos cercados de previsões. Bancos estimam o comportamento da economia; empresas projetam vendas; algoritmos calculam o que vamos consumir; casas de apostas atualizam probabilidades em tempo real; e a inteligência artificial promete antecipar desde tendências de mercado até comportamentos humanos. Nunca houve tanta capacidade de cálculo à disposição de quem quer reduzir a incerteza. E, no entanto, eis o paradoxo: talvez nunca tenhamos sido tão vulneráveis ao excesso de confiança. Quanto mais poderosas as ferramentas de previsão, mais convictos ficamos de que finalmente aprendemos a ler o futuro. Convém desconfiar dessa convicção.
Um experimento recente envolvendo a Copa do Mundo ajuda a iluminar o dilema. Um modelo estatístico desenvolvido com dados de todas as edições do torneio, calibrado rodada a rodada e construído especificamente para prever placares, foi posto à prova contra um concorrente improvável: milhares de torcedores apostando dinheiro em plataformas de apostas esportivas.
O resultado surpreendeu. Após quinze partidas, o desempenho do modelo foi praticamente igual ao consenso formado pelo mercado de apostas. Em outras palavras, um algoritmo desenhado para fazer previsões sofisticadas empatou tecnicamente com a inteligência coletiva de milhares de pessoas comuns. À primeira vista, a conclusão parece frustrante — todo aquele aparato para chegar onde a multidão já chegara sozinha. Mas talvez seja justamente aí, na aparente frustração, que se esconde uma das lições mais importantes sobre previsão, inteligência artificial e tomada de decisão.
Durante muito tempo cultivou-se a ideia de que o especialista sempre enxerga mais do que a multidão. E há boas razões para pensar assim: ele possui conhecimento técnico, acesso à informação qualificada, ferramentas analíticas mais refinadas. O problema é que o mercado também aprende. Quando milhares de pessoas se debruçam sobre o mesmo evento, cada uma acrescenta uma pequena peça ao quebra-cabeça — uma lesão anunciada poucas horas antes do jogo, uma mudança de escalação, uma condição climática, uma informação local, ou simplesmente a experiência acumulada de quem acompanha determinado time há anos. Nenhum desses fragmentos, isoladamente, explica grande coisa. Juntos, contudo, produzem uma inteligência coletiva de eficiência desconcertante.
O fenômeno não é novo. Há décadas os economistas estudam o que se convencionou chamar de “sabedoria das multidões”: a observação, à primeira vista contraintuitiva, de que decisões independentes tomadas por muita gente frequentemente produzem estimativas mais precisas do que as de indivíduos isolados, mesmo especialistas. É essa lógica, no fundo, que sustenta os mercados financeiros, as plataformas de previsão e, em boa medida, o próprio funcionamento das bolsas de valores.
Nada disso significa que modelos estatísticos ou inteligência artificial sejam dispensáveis. Muito pelo contrário. O que o experimento sugere é mais sutil: bons modelos não começam ignorando o consenso; começam tentando compreendê-lo. O algoritmo que despreza a multidão desperdiça a única fonte de informação que já incorporou aquilo que ele ainda vai tentar descobrir.
Talvez o equívoco de fundo esteja na maneira como interpretamos a confiança. Há uma tendência quase automática de associar o discurso seguro à competência: quanto maior a convicção de quem fala, maior a nossa disposição de acreditar. A estatística, entretanto, ensina o oposto. A confiança excessiva costuma ser um dos maiores inimigos da boa previsão e, o que é mais desconfortável, ela raramente se anuncia como tal. Veste-se a rigor.
No futebol, isso aparece quando o favorito absoluto termina empatando a partida que parecia ganha. No mercado financeiro, quando a ação é tida como “imperdível” decepciona o investidor. Nas empresas, quando o projeto classificado como certo fracassa poucos meses depois do lançamento. Em todos esses casos, a falha costuma ser a mesma: confundir alta probabilidade com certeza.
Uma equipe pode ter oitenta por cento de chance de vencer um jogo. Isso significa, dito de outro modo, que ela perderá ou empatará uma vez a cada cinco. E, no entanto, quando esse desfecho previsível acontece, a reação costuma ser tratá-lo como uma surpresa absoluta. A estatística nunca prometeu certezas. Somos nós que insistimos em arrancá-las dela.
Há ainda uma segunda armadilha, mais silenciosa: a de acreditar que grandes resultados anunciam um futuro igualmente extraordinário. Uma empresa apresenta crescimento recorde; um gestor supera todos os concorrentes ao longo de um ano; um vídeo viraliza nas redes. A tendência natural é imaginar que aquele desempenho se prolongará indefinidamente, como se o excepcional fosse a nova regra.
Mas o excepcional quase sempre carrega, em proporções que nunca sabemos ao certo, uma mistura de competência, contexto e acaso. É o princípio conhecido como regressão à média: resultados extraordinários tendem, com o tempo, a se reaproximar do comportamento normal. Ignorar esse mecanismo faz com que empresas superestimem tendências, investidores paguem caro demais por ativos da moda e gestores ergam estratégias fundadas muito mais na empolgação do momento do que em evidência consistente. O acaso, quando favorável, tem o dom de se disfarçar de talento.
É exatamente aqui que a inteligência artificial oferece sua contribuição maior e ela não é a que costumam anunciar. Não está em prever o futuro com perfeição, coisa que nenhum modelo faz, mas em obrigar seus modelos a aprender continuamente com os próprios erros. Enquanto as pessoas costumam defender suas convicções, o modelo estatístico descarta sem cerimônia as hipóteses que deixam de funcionar. Não há apego emocional ao resultado anterior; há apenas calibração permanente. O modelo não tem uma reputação a preservar e essa ausência, que à primeira vista o empobrece, é justamente o que o mantém honesto.
Talvez seja essa a diferença de fundo entre previsão e narrativa. A narrativa serve para convencer; o modelo, para ser testado. Toda previsão séria deveria vir acompanhada de uma pergunta singela: quanto ela errou nas últimas vezes? São poucas as organizações que fazem esse exercício com disciplina. Elaboram planejamentos estratégicos, fixam metas ambiciosas, constroem projeções detalhadas para os anos seguintes e, quando a realidade se mostra diferente do previsto, produzem novas explicações, mas raramente voltam para medir, de forma sistemática, a qualidade das previsões anteriores.
Sem esse retorno, a organização deixa aos poucos de produzir inteligência e passa a produzir apenas justificativas. E talvez resida aí o maior ensinamento da inteligência artificial que, no fim das contas, não é tecnológico, mas cultural. A IA não elimina a incerteza; tampouco funciona como oráculo capaz de revelar o que acontecerá amanhã. Sua contribuição é mais modesta e mais valiosa: organizar melhor as probabilidades, reduzir vieses e permitir a correção constante de rota.
Numa época marcada pelo excesso de opiniões e pela velocidade das informações, essa talvez seja a habilidade mais rara: reconhecer que prever o futuro nunca foi acertar exatamente o resultado, mas compreender os limites do próprio conhecimento. No fim, a diferença entre quem apenas opina e quem de fato prevê não está na firmeza com que fala. Está na disposição de medir os próprios erros, abandonar as hipóteses que não funcionam e aceitar que, em qualquer decisão que importe, a incerteza não é um defeito do método, mas sim parte dele. O que nos devolve, por um caminho inesperado, à pergunta do início: se nem o melhor modelo supera a multidão, e se a multidão erra tanto quanto ele, talvez a questão nunca tenha sido quem prevê melhor, mas quem está disposto a descobrir o quanto errou.
