O que a IA revela sobre a adoção de novas tecnologias
Algumas pesquisas confiáveis que tratam do engajamento de diferentes grupos populacionais ao redor do mundo em temas que tenham complexidade técnica, mas superfície atraente aos olhos do leigo, nos ajudam a compreender um pouco sobre adesões intensas a tecnologias como a IA.
Uma pesquisa conduzida pela universidade australiana de Melbourne e a empresa KPMG, com mais de 48 mil pessoas em 47 países, entre novembro de 2024 e janeiro de 2025, trouxe achados interessantes. O ponto comum, que ocorreu em países desenvolvidos e em desenvolvimento, é a afirmação de usar acreditando em benefícios futuros, mesmo não confiando na tecnologia.
Mais provocador, o estudo mostrou que nas economias emergentes aproximadamente 60% dos entrevistados confiam na IA, enquanto esse número cai para aproximadamente 40% em países desenvolvidos. Os pesquisadores acreditam em uma hipótese sociológica comum: países emergentes veem tecnologia como atalho de mobilidade econômica.
Pesquisadores do Pew Research Center mostram uma diferença recorrente entre exposição à tecnologia e compreensão técnica. No estudo Public Awareness of Artificial Intelligence in Everyday Activities (2023), apenas cerca de 30% dos adultos conseguiram identificar corretamente todos os usos de IA apresentados nas perguntas, embora mais da metade relate interagir com a tecnologia com frequência. O resultado sugere um descompasso entre uso e compreensão, no qual indivíduos participam do fenômeno tecnológico antes de compreendê-lo plenamente.
A adoção não depende de compreensão nem de confiança plena. Ela pode ocorrer por expectativa de ganho, pressão social ou narrativa de inovação.
Um artigo científico feito por integrantes do Google identificou 4 grupos de sentimentos relativos à IA: excitante, útil, preocupante e futurístico. O estudo tratou de percepção pública, não de conhecimento sobre a ferramenta, mas podemos fazer algumas inferências.
Finalmente, essas pesquisas sugerem três padrões robustos: o público conhece o fenômeno antes de compreendê-lo, as pessoas usam ou investem mesmo sem confiança, e a narrativa social (riqueza, futuro, inovação) pesa mais que o domínio técnico.
Padrões de difusão tecnológica
Ocorre o mesmo com tecnologias de uma forma mais ampliada.
Everett Rogers, influente pesquisador americano em comunicação, trata da difusão da inovação, quando os “early adopters” não têm profundo conhecimento técnico. Eles adotam a tecnologia baseados em sinais de boa história, status e expectativa de vantagem. O trabalho de Rogers, “Diffusion of Innovations”, que busca explicar como ideias e tecnologias se espalham nas sociedades, segue sendo um dos mais citados livros na área de ciências sociais.
Na sociologia das expectativas, Nik Brown, sociólogo britânico conhecido por suas pesquisas sobre biotecnologia e políticas de inovação, argumenta, em trabalhos com Mike Michael, que expectativas sobre o futuro ajudam a moldar o desenvolvimento tecnológico.
No mesmo campo, Harro van Lente, sociólogo holandês especializado em estudos de ciência, tecnologia e inovação, demonstrou como essas expectativas funcionam como forças estruturantes nos processos de inovação.
A ideia central é que as narrativas sobre o futuro mobilizam investimentos, talento e atenção política. Nessa abordagem, o hype não é uma falha, mas um mecanismo dos sistemas de inovação.
Para Herbert Simon, economista, cientista cognitivo e laureado com o Prêmio Nobel de Economia em 1978, pioneiro no estudo da racionalidade limitada e da chamada economia da atenção, tecnologias com narrativas simples, mas mecanismos técnicos complexos, tendem a ganhar atenção pública mais rapidamente.
O insight clássico de Simon, no contexto da “Attention Economy”, é que a riqueza de informação cria uma pobreza de atenção. Em ambientes saturados de informação, ideias que conseguem ser comunicadas por meio de narrativas simples, mesmo quando apoiadas por sistemas altamente complexos, capturam atenção com maior facilidade.
A empresa de pesquisas Gartner fez uma definição interessante, o Gartner Hype Cycle. O ciclo conta com 5 estágios: o gatilho de inovação, o pico de expectativas infladas, o vale de desilusão, a rampa de esclarecimento e o platô de produtividade.
Na história das tecnologias podemos repetidamente observar os mesmos padrões. O telégrafo na década de 1840, o rádio na década de 1920, a energia nuclear na década de 1950, a internet na década de 1990, as criptomoedas em 2017 e a IA generativa em 2023 produziram, nessa ordem, ondas de narrativas utópicas, especulação em massa, desapontamento parcial e eventual normalização.
Esse padrão foi observado por historiadores da tecnologia e por autores como Carlota Perez, em seu livro Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages, que estudaram as relações entre revoluções tecnológicas e ciclos financeiros.
Quando a inovação vira moda gerencial
Eric Abrahamson, em sua Teoria da Moda de Gestão (tradução livre do autor), descreve como ideias gerenciais se difundem como modas: consultores promovem o conceito, a mídia amplifica a narrativa, executivos imitam seus pares e a adoção se espalha mesmo sem evidências robustas de eficácia. À luz dessa abordagem, diversos autores interpretam a inovação como uma das modas gerenciais mais difundidas nas organizações desde os anos 1990.
Para Steve Blank, empreendedor do Vale do Silício e professor de inovação, o chamado “teatro da inovação” descreve iniciativas que parecem inovadoras, mas geram pouco progresso tecnológico real. Hackathons, aceleradoras corporativas, competições de ideias e laboratórios internos de inovação frequentemente operam mais como instrumentos de sinalização organizacional simbólica do que como estruturas capazes de produzir inovação efetiva.
Mais importante, diversos pesquisadores argumentam que a dominância das narrativas de inovação tende a suprimir outras dimensões igualmente relevantes do progresso tecnológico.
Entre as críticas mais recorrentes estão a ideia de que nem todo progresso requer inovação, que atividades como manutenção e otimização costumam ser subvalorizadas, que melhorias incrementais recebem pouca atenção, e que avaliações de risco e desigualdades de acesso frequentemente ficam em segundo plano.
Nesse contexto, o processo decisório pode se tornar enviesado em direção à busca por novidade, em detrimento da confiabilidade e da estabilidade dos sistemas.
Esse argumento aparece de forma particularmente clara nos trabalhos de Lee Vinsel e Andrew Russell, especialmente no livro The Innovation Delusion, que defende que grande parte do progresso tecnológico depende menos de inovação radical e mais de padronização, infraestrutura, manutenção e engenharia incremental, atividades que raramente recebem o mesmo prestígio simbólico associado à “inovação”.
Da narrativa ao método
Convém ancorar a argumentação em conceitos pacificados de inovação. Em artigos científicos consolidados, invenção é a geração de uma nova ideia ou artefato. Inovação é sua implementação bem-sucedida em contexto econômico ou organizacional. Difusão é o processo pelo qual essa inovação se espalha e é adotada.
Inovar significa alterar padrões existentes ou substituí-los por novos. É disso que tratamos quando falamos de inovação. A primeira é incremental, a segunda é disruptiva.
Se o objetivo do inovador é influenciar padrões, observá-los é o primeiro passo. E é nesse ponto que surge o primeiro obstáculo real, desde que as demais premissas existam: o orçamento.
Observar padrões exige três ingredientes essenciais: tempo, condições adequadas de experimentação e recursos financeiros. O terceiro, evidentemente, compra os dois primeiros. Na prática, porém, as organizações fazem o contrário. O inovador é colocado em ambientes inadequados para observação, sem tempo protegido, sem equipe dedicada e sem orçamento consistente, e ainda assim se espera que produza resultados.
Muitas empresas tratam inovação como se fosse um ativo circulante do balanço anual, algo que deve gerar retorno imediato. Na realidade, ela se comporta mais como investimento em infraestrutura cognitiva. Essas despesas são tipicamente classificadas como não recuperáveis na perspectiva contábil, e assim permanecem por algum tempo, começando a devolver caixa em um futuro não exatamente definível.
Se existem dados fiáveis, estruturados ou não, provenientes de fontes críveis e disponíveis para processamento, o inovador já está alguns passos à frente na linha do tempo e reduz uma parte relevante do custo do projeto. Dados confiáveis comprimem o tempo de observação e diminuem drasticamente a necessidade de produzir informação primária.
Quando esses dados não existem, o que ocorre com frequência em inovação disruptiva, é preciso produzi-los. Para fins deste artigo, consideremos que o leitor tenha acesso a dados fiáveis e esteja lidando com inovação incremental. Pense em dados de receita da empresa, desempenho do setor, comportamento de consumidores diante de variáveis experimentais, uso de estruturas hospitalares, padrões de mobilidade em transporte público ou métricas operacionais internas.
Aqui vale trazer um ponto à luz. Na era das automações, desde o advento dos aplicativos móveis, automatizamos setores já existentes da sociedade. Agora começamos também a automatizar a própria organização do pensamento, com modelos de linguagem.
Nesse contexto, muitas empresas passaram a considerar suas áreas de TI como o centro natural da inovação, em grande parte pela cultura de automação de processos existentes. Na prática, raramente são. Inovação real nasce da observação de fenômenos específicos de cada domínio, fenômenos que pertencem aos especialistas desses domínios.
Há campos em que a inovação continua profundamente dependente de experimentação material e científica, não de narrativas. É o caso da biotecnologia, com pesquisas sobre dobramento de proteínas e terapias gênicas; dos novos materiais, como semicondutores avançados ou compósitos aeronáuticos; da energia, com reatores nucleares de nova geração ou tecnologias de armazenamento em baterias; da farmacologia, com o desenvolvimento de novas classes de medicamentos; e da agricultura de precisão, com genética vegetal e manejo de solos. Em todos esses casos, inovação não é slogan. É observação rigorosa, experimentação e capital paciente.
Por isso, a construção de inovação dentro de uma organização depende de múltiplas áreas. Cada setor é curador e advogado dos seus próprios dados. A árvore da inovação é coletiva.
Com os dados em mãos, o próximo passo é modelar padrões. Regressões estatísticas são um caminho clássico, mas não o único. Dependendo do problema entram modelos de séries temporais, análise de sobrevivência, clusterização, redes bayesianas, modelos de otimização, simulações Monte Carlo ou algoritmos de aprendizado de máquina. O objetivo é sempre o mesmo: organizar padrões observados em estruturas formais capazes de revelar relações entre variáveis.
A partir dessa modelagem surgem hipóteses. Em termos simples, o que se espera que ocorra no futuro ao alterar uma variável presente nos padrões do passado. E hipóteses não nascem no vácuo. Para testar uma nova variável é preciso saber quais tecnologias já dominamos, quais processos já existem, quais dados já coletamos e qual infraestrutura está instalada. É nesse ponto que tocamos o núcleo da inovação.
Criar hipóteses também exige modelagem. Estimam-se intervalos de confiança para ganhos marginais esperados e para os custos associados à mudança. Em termos estatísticos trata-se de verificar se há evidência suficiente para rejeitar a hipótese nula H0. Caso não se consiga rejeitá-la, a mudança proposta provavelmente não gera efeito relevante.
E novamente surge o desafio orçamentário. Alterar variáveis custa dinheiro. Pense no caso de um hospital ou plano de saúde que decide alterar o padrão de atendimento do seu sistema de filas. Pode reorganizar o fluxo separando grupos, como idosos, pacientes agendados ou atendimentos emergenciais. Pode também introduzir agendamento por aplicativo para redistribuir a demanda ao longo do dia. Cada mudança exige investimento em tecnologia, treinamento e reorganização operacional.
Quando a evidência é suficiente, avança-se para o próximo estágio: o protótipo mínimo. Protótipo não é produto. É um experimento controlado, implementado em pequena escala para testar elasticidade real, medir impactos operacionais, observar comportamento humano e reduzir incertezas.
Observa-se, a partir do protótipo, o comportamento do sistema e, sobretudo, o engajamento dos usuários. Muitas inovações seguem curvas logísticas de adoção. Há crescimento inicial lento, aceleração após um ponto de inflexão e posterior estabilização em um platô.
Esse platô é fundamental, pois a partir dele se estimam os fluxos de caixa associados à inovação. Se o ganho marginal da nova configuração de padrões for consistentemente maior que o gasto marginal necessário para sustentá-la, estamos diante de uma inovação economicamente viável.
Platôs, contudo, não são permanentes. Ao longo da vida útil de uma inovação novos deslocamentos podem ocorrer. Concorrentes podem replicar o padrão estabelecido e reduzir o diferencial competitivo. Mudanças macroeconômicas podem alterar custos ou demanda. Alterações regulatórias podem redefinir as regras do jogo. Há ainda riscos operacionais, tecnológicos, reputacionais e financeiros que acompanham toda a jornada de inovação.
O platô observado em determinado momento é apenas uma fotografia de equilíbrio temporário. Vista de forma sistêmica, a inovação exige observação contínua desses riscos e das possíveis alterações de padrão que provocam.
Nesse ponto a inovação deixa de ser experimento e passa a ser pipeline organizacional. Não pertence mais a um departamento isolado, mas à empresa inteira. Deixa de ser evento e passa a ser governança contínua de padrões.
Vale ainda um alerta aos entusiastas tecnológicos. A chamada Verifier’s Law lembra um risco recorrente. Em muitos sistemas complexos o custo de verificar ou manter uma solução cresce mais rápido do que o ganho marginal que ela produz. Inovar pode ser barato. Sustentar a inovação pode não ser.
Por fim, falamos aqui de inovação sob uma perspectiva empresarial profissional, na qual recursos são escassos e precisam gerar retorno mensurável. Pequenas empresas, pesquisadores independentes, e indivíduos, frequentemente iteram com o mundo sem a obrigação imediata de recuperar capital. Organizações estabelecidas não podem lançar mão desse expediente.
E é por isso que vale lembrar. Inovação, em seu sentido mais concreto, é a alteração deliberada de padrões observáveis, testada por hipóteses e sustentada por retorno marginal positivo.
É assim que inovação se torna método. O restante é narrativa.
