Quando iA Generativa Não Basta
O espetáculo distrai. Em 2022, Paul McCartney dividiu o palco com uma reconstrução audiovisual de John Lennon; meses depois, o ChatGPT inaugurou uma era de conversas sintéticas. O mundo se encantou com máquinas que geram textos e imagens aparentemente do nada. Margaret Mitchell, cientista-chefe de ética na Hugging Face, observa no MIT Technology Review: esse deslumbramento obscurece avanços em inteligência artificial com impacto mais concreto.
A distinção que Mitchell propõe é metodológica, não valorativa. iA generativa opera em espaços amplos de possibilidades, costurando fragmentos para criar artefatos que não existiam antes. iA preditiva trabalha com conjuntos mais delimitados, identificando qual resposta corresponde à realidade ou qual caminho é mais promissor. Uma aponta a câmera para uma planta e classifica: samambaia-espada ocidental. A outra fabrica a imagem de uma samambaia inexistente. A primeira responde sobre o real; a segunda cria possibilidades. Na prática, muitos sistemas combinam ambas abordagens. A questão relevante não é qual é superior em abstrato, mas qual é adequada para cada contexto.
Modelos generativos têm aplicações legítimas. Em fases iniciais de brainstorming, quando o objetivo é expandir o espaço de ideias, a capacidade de gerar possibilidades inexploradas é valiosa. O problema surge quando essas abordagens são aplicadas em contextos que exigem rastreabilidade, verificação e fundamentação factual. Um texto gerado pode parecer coerente sem ser verificável; uma análise fabricada pode impressionar sem corresponder à realidade.
Os custos dessa confusão são documentados. Modelos generativos de linguagem já produziram textos alucinados que forçaram retratações judiciais e científicas. Enquanto isso, sistemas preditivos avançam em aplicações de alta consequência: diagnóstico médico, previsão climática, detecção sísmica. A diferença não é apenas técnica; é sobre o tipo de pergunta que cada abordagem responde adequadamente.
Em consultoria estratégica, essa distinção ganha contornos específicos. Decisões de entrada em mercado, priorização de portfólio ou aquisições envolvem consequências materiais significativas. Stakeholders precisam entender como se chegou a uma recomendação. Alternativas precisam ser exploradas de forma sistemática. Inconsistências internas destroem execução. Essas condições invalidam o uso de iA generativa como fundamento final de decisões de alta consequência.
A arquitetura Davi da MBi propõe uma abordagem que prioriza rastreabilidade e exploração sistemática. Três sistemas compõem a proposta, cada um com fundamentação metodológica verificável.
Strategos estrutura problemas através de protocolo de raciocínio sequencial. O mecanismo exige explicitação de cada passo: conteúdo de cada etapa é registrado; posição na sequência é marcada; estimativa de completude é mantida; continuidade é declarada explicitamente. Não é possível saltar de premissa a conclusão sem cadeia intermediária verificável.
O protocolo suporta raciocínio não-linear sem perder rastreabilidade. Revisões de passos anteriores são marcadas e referenciadas; bifurcações exploratórias indicam ponto de origem e identificam ramo. Cada ramificação é registrada separadamente. A análise pode ser estendida se a estimativa inicial for insuficiente.
Isso é iA preditiva no sentido epistêmico: dado o passo anterior e o contexto, qual é o próximo passo lógico? O conjunto de possibilidades é finito: afirmar novo passo, revisar passo anterior, criar bifurcação, ou concluir. Um modelo generativo pode afirmar conclusão diretamente, sem cadeia explícita. O protocolo força a cadeia a existir e ser registrada.
Pathfinder explora alternativas através de motor de busca probabilística que implementa algoritmos complementares. Beam Search mantém múltiplos caminhos promissores em paralelo, com largura de feixe calibrada por complexidade do problema. Em vez de comprometer-se prematuramente com um único caminho, o sistema avalia alternativas simultaneamente e descarta as menos promissoras à medida que avança. Isso é fundamentalmente diferente de geração: não cria caminhos fictícios, mas seleciona entre alternativas conhecidas.
Monte Carlo Tree Search opera sob incerteza através de simulações iterativas, com volume ajustado dinamicamente por contexto. Cada simulação explora um ramo da árvore de decisão até estado terminal, propaga o resultado para os nós ancestrais, e atualiza estimativas de valor. Após múltiplas simulações, o sistema identifica quais ramos têm maior valor esperado. O algoritmo não inventa cenários; simula consequências de escolhas dentro de espaço definido.
Ambos são algoritmos de busca, não de geração. Beam Search responde: dado espaço de alternativas, quais são as mais promissoras? MCTS responde: dado incerteza sobre resultados, qual escolha maximiza valor esperado? Perguntas com respostas identificáveis, não fabricáveis.
Sentinel opera sobre fundamento teórico distinto: Tensor Logic, framework desenvolvido por Pedro Domingos na Universidade de Washington, documentado em arXiv:2510.12269v3. A descoberta central é que regras lógicas são equações tensoriais. Uma regra como “ancestral de ancestral é ancestral” traduz-se em operação matricial com função de booleanização aplicada ao produto.
O mecanismo funciona por forward chaining: partindo de fatos conhecidos, o sistema aplica regras até alcançar fixpoint, derivando todas as conclusões logicamente implicadas. Cada conclusão carrega proof trace: a sequência exata de fatos e regras que a derivaram. Em temperatura zero, Tensor Logic oferece soundness garantido: todas as conclusões derivadas são logicamente válidas dado os fatos e regras de entrada. Zero alucinações no sentido técnico.
O contraste com modelos generativos é estrutural. Quando um LLM afirma que “a estratégia X é consistente com objetivo Y”, essa afirmação é gerada por padrões estatísticos de linguagem. Quando Tensor Logic deriva a mesma conclusão, existe proof trace verificável: fato A implica B por regra R1; B combinado com C implica D por regra R2; D é compatível com Y por definição. A segunda afirmação pode estar errada se os fatos de entrada estiverem incorretos. Mas o erro é rastreável e corrigível. A primeira é opaca por construção.
A integração desses sistemas na MBi se manifesta em fluxos configuráveis por tipo de análise. Strategos estrutura o problema registrando cadeia de raciocínio; Pathfinder explora cenários através de busca probabilística; Sentinel valida consistência através de inferência lógica formal. O output inclui não apenas recomendação, mas trace de raciocínio, alternativas consideradas, e verificação de consistência.
Os sistemas não resolvem todos os problemas. O protocolo sequencial pode estruturar raciocínio errado se as premissas forem falsas. Beam Search pode reter caminhos subótimos se a largura de feixe for insuficiente para o problema. Tensor Logic pode validar estratégia internamente consistente mas externamente inadequada. A proposta não é de infalibilidade, mas de rastreabilidade verificável.
Mitchell conclui seu artigo defendendo que o futuro da iA benéfica será definido pelo progresso rigoroso, não pelos demos chamativos. A MBi tenta incorporar essa visão: protocolo sequencial para estruturar, busca probabilística para explorar, lógica tensorial para deduzir. Frameworks com propriedades conhecidas, algoritmos com fundamentos públicos, rastreabilidade como princípio arquitetural. Estrutura que fundamenta, não espetáculo que distrai.
Não é conteúdo sobre tecnologia. É tecnologia repensando conteúdo. – por MBi