Durante décadas, tanto na medicina quanto na gestão empresarial, antecipar um cenário ou um diagnóstico era um processo caro e demorado. Era preciso reunir equipes, acumular anos de pesquisa e lidar com volumes de dados difíceis de organizar. Quando as informações disponíveis não eram suficientes, entrava em cena a intuição, e quem conseguia prever um risco antes dos concorrentes levava vantagem competitiva. Esse cenário, no entanto, vem se transformando rapidamente com o avanço da inteligência artificial.
Hoje, gerar previsões em larga escala, com rapidez e baixo custo, tornou-se algo acessível. E, assim como ocorre com qualquer recurso que deixa de ser escasso, o valor estratégico migra para outro ponto da cadeia. Nesse novo contexto, cabe perguntar: se a máquina é capaz de prever cada vez mais coisas, o que diferencia uma organização de excelência de uma organização comum? A resposta está na qualidade das decisões que as pessoas tomam a partir dessas previsões — e é justamente aí que reside o conceito de IA preditiva aplicada com responsabilidade.
O caso do AlphaGenome Atlas e os limites da previsão
Um exemplo recente, divulgado pelo Google DeepMind, ilustra bem essa mudança de eixo. Em setembro, a empresa apresentou o AlphaGenome Atlas, um catálogo que estima os efeitos de cerca de 9 bilhões de alterações possíveis no DNA humano. A ferramenta permite investigar, em larga escala, como pequenas mudanças no código genético podem afetar o funcionamento das células.
O Atlas reúne mais de 1 petabyte de dados e estima os efeitos dessas alterações em diferentes tipos de células e tecidos. Reproduzir essa investigação de forma experimental, alteração por alteração, demandaria recursos e tempo praticamente inviáveis para qualquer equipe de pesquisa.
Mais relevante do que o volume de dados processados, porém, é o tipo de problema que a ferramenta ajuda a resolver. Boa parte do DNA está envolvida na regulação de quando, onde e em que intensidade os genes são ativados. Alterações nessas regiões podem estar ligadas a doenças, mas identificar quais delas realmente merecem investigação sempre foi um obstáculo para a pesquisa genética. O Atlas amplia essa capacidade de busca, mas existe uma diferença essencial entre apontar uma alteração potencialmente relevante e comprovar que ela de fato explica uma doença. É exatamente nessa lacuna que o julgamento humano ganha protagonismo.
Da previsão à comprovação: o papel da investigação científica
Pesquisadores do Broad Institute, centro de pesquisa biomédica ligado ao MIT e à Universidade Harvard, nos Estados Unidos, atuaram em conjunto com o GREGoR Consortium, rede voltada à investigação das causas genéticas de doenças raras. Juntos, eles usaram as previsões da ferramenta para reavaliar casos que permaneciam sem diagnóstico definido.
Em um desses casos, a análise identificou uma alteração no gene DNM1, associado a quadros de encefalopatia epiléptica, que não havia sido reconhecida como potencialmente patogênica em avaliações anteriores. A ferramenta indicou que essa alteração poderia interferir no processamento das instruções genéticas responsáveis pela produção de uma proteína, resultando em uma versão anormal dela.
A partir dessa pista, os pesquisadores formularam hipóteses, planejaram experimentos e investigaram se o efeito previsto se confirmava na prática. Ou seja, a tecnologia ajudou a apontar um caminho promissor em meio a um universo imenso de possibilidades, enquanto a investigação científica forneceu as evidências necessárias para reclassificar a alteração como provavelmente patogênica.
O que isso significa para a gestão e a governança
Essa distinção entre prever e comprovar tem implicações que vão muito além da genética e alcançam diretamente o universo da gestão. Um modelo de inteligência artificial pode identificar padrões, estimar riscos e sinalizar situações que exigem atenção. Ainda assim, uma previsão, por mais sofisticada que seja, não equivale automaticamente a uma conclusão confiável, e muito menos a uma decisão pronta para ser colocada em prática.
Na prática da gestão, isso significa que a pergunta central não deve ser apenas se a organização tem acesso a uma ferramenta capaz de prever melhor. É preciso saber como as recomendações geradas serão verificadas, quem será responsável por avaliar os resultados e quais evidências precisarão ser reunidas antes de qualquer ação. Vale notar que a própria equipe do Google DeepMind reforça que a ferramenta não foi validada nem aprovada para uso clínico — o que reforça tanto o potencial quanto os limites da tecnologia.
O diferencial estará nas organizações que souberem fazer as perguntas certas aos algoritmos, mantiverem viva a cultura de testar hipóteses e formarem líderes e profissionais capazes de dizer “não concordo” com base em evidências.
Por isso, adotar inteligência artificial não pode ser tratado como uma decisão puramente tecnológica. Trata-se também de uma decisão sobre processos, competências e governança. As equipes precisam saber interpretar resultados, questionar recomendações e reconhecer o momento em que é necessário buscar evidências adicionais. Sem esse repertório, a previsão corre o risco de virar apenas mais uma camada de informação aceita sem crítica — e o problema deixa de ser a máquina errar, passando a ser a equipe não perceber que ela errou.
Três implicações práticas para quem lidera organizações
Se a capacidade de prever está se tornando cada vez mais acessível, o desafio das organizações muda de lugar: o diferencial deixa de ser apenas produzir ou adquirir previsões e passa a ser criar condições para que elas efetivamente melhorem as decisões. Para quem lidera hospitais, operadoras de saúde e instituições de ensino, três implicações práticas se destacam:
- Revisar os processos de decisão — definir quais previsões exigem validação adicional, quem tem autoridade para agir e como os resultados serão acompanhados, evitando acumular ferramentas sofisticadas sem melhorar a qualidade das decisões.
- Desenvolver novas competências nas equipes — a inteligência artificial não reduz a importância do conhecimento especializado, mas muda a forma como ele é aplicado; os profissionais precisam entender o que uma previsão representa, suas limitações e quando questioná-la.
- Manter clara a responsabilidade pelas decisões — um modelo pode indicar um risco elevado, mas cabe à organização definir como responder, considerando evidências, contexto e consequências de cada escolha, seja investigando um possível diagnóstico, revendo uma linha de cuidado ou redistribuindo recursos.
Esses princípios ajudam a evitar dois erros comuns: confiar demais na tecnologia, como se seus resultados fossem verdades definitivas, ou rejeitá-la por receio de que substitua a experiência humana. O caminho mais produtivo é reconhecer o que a ferramenta faz bem e estruturar processos para que suas contribuições sejam avaliadas de forma criteriosa, dentro de uma lógica de IA preditiva responsável.
Há quem já enxergue a previsão como um insumo cada vez mais parecido com a energia elétrica: indispensável, acessível e, por isso mesmo, insuficiente para diferenciar alguém no mercado. O AlphaGenome Atlas mostra até onde a tecnologia já avançou, mas a descoberta só se concretizou porque, no fim do processo, havia pessoas preparadas para investigar, confirmar e decidir com base em evidências.
Com informações de mitsloanreview.com.br.
