©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Enterprise World Models: a próxima vantagem competitiva da IA pode estar na simulação

À medida que agentes de inteligência artificial ganham autonomia, cresce a importância de compreender como suas decisões alteram o funcionamento das empresas. A convergência entre modelos de mundo, simulação e conhecimento empresarial pode transformar a capacidade de ensaiar decisões e aprender com seus resultados em um diferencial competitivo.

Vinicius Caridá

27 de outubro de 2026

23 min de leitura

Imagine uma rede varejista preparando uma campanha promocional. Seus modelos de previsão indicam que uma redução de 8% nos preços de determinada categoria deverá aumentar significativamente as vendas. Um agente de inteligência artificial analisa os resultados, recomenda a promoção e prepara sua execução. A previsão pode estar correta. Ainda assim, a decisão pode produzir um resultado inferior ao esperado.

O aumento da demanda poderá pressionar estoques, sobrecarregar centros de distribuição, ampliar prazos de entrega e elevar cancelamentos. Produtos substitutos poderão perder vendas. O crescimento da receita poderá vir acompanhado de deterioração das margens e da experiência dos clientes.

O problema não está necessariamente na qualidade da previsão inicial, mas na representação incompleta das consequências da decisão. A questão relevante vai além de prever uma variável. Envolve avaliar como diferentes decisões podem alterar um conjunto de recursos, processos, restrições e comportamentos interdependentes.

Os modelos fundacionais ampliaram a capacidade de reutilizar representações entre tarefas.^[1] Essa flexibilidade, entretanto, não assegura que uma aplicação disponha de uma representação atualizada da organização sobre a qual atua. Interpretar informações e acompanhar como um sistema muda são capacidades diferentes.

É nessa lacuna que se situa a hipótese dos Enterprise World Models, entendidos aqui como representações computacionais dinâmicas de partes relevantes de uma organização. A proposta é combinar dados observados, regras explícitas e relações aprendidas para simular como diferentes decisões podem modificar seu funcionamento.

A ambição não é construir uma réplica perfeita da empresa ou prever seu futuro com certeza. É desenvolver ambientes nos quais decisões possam ser ensaiadas, suas possíveis repercussões examinadas e as hipóteses utilizadas continuamente confrontadas com a realidade.

Quando executar corretamente não é suficiente

Uma decisão pode ser adequada para uma função e prejudicial para o conjunto. O aumento da utilização de equipamentos, por exemplo, pode elevar a produtividade imediata e ampliar a pressão sobre manutenção e disponibilidade futura. É a intuição por trás da máxima de que um ótimo local não assegura um ótimo global.

Quando agentes passam a executar decisões, a avaliação precisa acompanhar essa interdependência. Verificar apenas se uma tarefa foi concluída deixa de responder a uma parte importante do problema.

O Vending-Bench 2 ^[2], da Andon Labs, aproxima essa discussão da gestão de um pequeno negócio. Nele, agentes administram uma operação simulada de máquinas de venda automática por até um ano, com saldo inicial de US$ 500. Precisam negociar com fornecedores, comprar produtos, definir preços e enfrentar atrasos e pedidos de reembolso. A pontuação corresponde ao saldo bancário final, não a uma apuração completa do lucro contábil.

Os resultados mostram diferenças expressivas entre modelos. Segundo a Andon Labs, os melhores mantêm atividade consistente ao longo da simulação e obtêm produtos em condições favoráveis. O desempenho envolve coordenar decisões ao longo do tempo, não apenas resolver tarefas isoladas.

O experimento, porém, avalia agentes dentro de um simulador. Não isola a contribuição de um modelo de mundo nem demonstra que um resultado elevado se transfira para uma empresa real. Para a discussão empresarial, sua contribuição é colocar em evidência a sequência de decisões que produz o resultado.

Outro estudo, World of Workflows ^[3], investigou um problema complementar. Seu ambiente, baseado em ServiceNow, reúne mais de 4 mil regras, 55 fluxos de trabalho e 234 tarefas. Os autores observaram dificuldades dos modelos avaliados para antecipar mudanças de estado e efeitos em cascata, incluindo violações de restrições que não eram evidentes na resposta imediata das ferramentas.

Esses estudos ajudam a distinguir a execução de uma ação da representação das mudanças que ela desencadeia. Seus resultados estão limitados aos ambientes avaliados, mas a questão que levantam é relevante para a delegação de decisões a agentes.

O que os modelos de mundo ajudam a compreender

Em A Path Towards Autonomous Machine Intelligence ^[4], Yann LeCun propõe uma arquitetura para sistemas capazes de aprender representações do ambiente, antecipar consequências de ações e planejar comportamentos orientados por objetivos. O modelo de mundo ocupa uma posição central nessa proposta, ao permitir estimar estados futuros possíveis e comparar alternativas antes da execução. Trata-se de um documento conceitual, não de uma arquitetura empresarial já validada.

Essa agenda também envolve uma mudança na forma de aprender representações. Na família Joint-Embedding Predictive Architecture (JEPA) ^[5], a previsão ocorre em um espaço de representações aprendidas, sem exigir necessariamente a reconstrução detalhada das observações originais. O I-JEPA demonstrou esse princípio em imagens, prevendo representações de regiões em vez de reconstruir seus pixels.

Em 2025, o trabalho V-JEPA 2 ^[6] mostrou como representações aprendidas de vídeos poderiam servir de base para um modelo condicionado a ações. Após treinamento adicional com dados de ações robóticas, sua variante V-JEPA 2-AC foi utilizada para planejar tarefas delimitadas de manipulação.

Outras linhas de pesquisa exploram princípios relacionados por arquiteturas diferentes. A terceira geração do Dreamer, publicada na Nature ^[7] em 2025, aprende um modelo do ambiente e utiliza trajetórias imaginadas para melhorar o comportamento do agente. O trabalho foi avaliado em mais de 150 tarefas experimentais.

Esses resultados sustentam a utilidade de representações dinâmicas aprendidas para planejamento e controle nos ambientes estudados. Não demonstram sua transferência automática para a gestão de organizações. A questão empresarial é investigar como essas representações podem capturar as relações relevantes para cada decisão.

Um modelo de linguagem pode interpretar documentos, relacionar informações e participar da formulação de alternativas. Essas capacidades não asseguram, por si só, um estado empresarial persistente, regras atualizadas ou previsões multietapas validadas. A distinção, portanto, não opõe modelos de linguagem e modelos de mundo. Ela explicita o que precisa existir ao redor ou dentro dos sistemas para que suas projeções mereçam confiança.

Conhecer informações sobre um sistema é diferente de representar como ele pode mudar quando uma ação é executada.

A empresa como um sistema dinâmico

Para construir essa representação, é necessário começar pelo estado. Isso significa identificar o que está acontecendo, quais recursos estão disponíveis, quais compromissos já foram assumidos e quais condições permanecem incertas.

O estado não é apenas uma fotografia de indicadores. Deve preservar informações que influenciam o que pode acontecer depois, como atividades em andamento, prazos, recursos comprometidos e efeitos de decisões anteriores. Na hipótese discutida aqui, essas informações alimentariam uma dinâmica que pode ser expressa, de maneira simplificada, pela seguinte relação.

Estado futuro = f(estado atual, ações, condições externas, incerteza).

Essa relação deve admitir diferentes trajetórias possíveis, não um único futuro. Em cada trajetória, o resultado estimado de uma etapa torna-se a condição inicial da seguinte, permitindo examinar efeitos que se acumulam.

Isso não exige reproduzir todos os detalhes da empresa. A representação adequada depende da decisão e do horizonte. Avaliar uma mudança de turno em uma fábrica demanda informações diferentes daquelas necessárias para decidir onde instalar uma nova unidade. O desafio é preservar as relações relevantes, sem confundir maior detalhamento com maior utilidade.

No ambiente empresarial, parte dessas relações já está explicitada em sistemas, contratos, políticas e configurações. Outras precisam ser estimadas. Uma regra de aprovação pode ser consultada; a reação de um consumidor ou concorrente permanece incerta.

O artigo Do Enterprise Systems Need Learned World Models? ^[8], examina essa diferença. Nos ambientes avaliados, modelos treinados sobre determinadas configurações perderam desempenho quando as regras mudaram. Mecanismos que consultavam a configuração vigente mostraram maior robustez em diversas condições. O resultado depende, entre outros fatores, de as regras serem acessíveis e de o agente conseguir utilizar adequadamente as ferramentas de consulta.

Essa característica sugere um princípio para a arquitetura empresarial.

Codificar ou consultar o que é conhecido. Aprender o que é incerto. Simular a interação entre ambos.

Um Enterprise World Model, portanto, não deveria ser entendido simplesmente como uma grande rede neural. Poderia combinar modelos aprendidos, simulação, regras explícitas e métodos de otimização, preservando a origem e a validade temporal das informações utilizadas.

Essa combinação exige conhecimento organizado. Não basta reunir dados e disponibilizá-los ao modelo. É necessário estabelecer o significado das entidades, suas relações e quais fontes têm autoridade para definir cada informação. A BCG ^[9] destaca essa necessidade ao discutir ontologias, estruturas que definem conceitos de negócio e suas relações para criar uma linguagem compartilhada entre sistemas.

Considere um hospital hipotético. Um leito fisicamente vazio não estaria necessariamente disponível para receber um paciente, pois poderiam faltar equipe, equipamentos ou condições operacionais. O valor registrado precisa estar ligado ao seu significado e às regras que determinam seu uso.

Parte desse conhecimento, porém, ainda não está registrada nos sistemas. Em artigo na Harvard Business Review^[19], os autores argumentam que decisões entre áreas dependem da integração de informações distribuídas, incluindo restrições recentes e conhecimentos que permanecem com as pessoas. A orquestração proposta pelos autores busca incorporar e compartilhar essas contribuições para apoiar a decisão, preservando a responsabilidade humana.

Para um Enterprise World Model, isso acrescenta uma exigência. Além de conectar dados e regras, é necessário incorporar esse conhecimento, verificar sua origem e distinguir informações confirmadas de hipóteses. Uma mudança identificada por uma equipe precisaria chegar às simulações que dependem dela. A representação deve acompanhar as relações relevantes para a decisão, mesmo quando atravessam fronteiras funcionais.

Uma nova convergência, não a invenção da simulação

Empresas já dispõem de métodos para examinar sistemas interdependentes. Gêmeos digitais, ou digital twins, por exemplo, podem conectar dados operacionais, simulação e otimização. A McKinsey ^[10] descreve aplicações que abrangem fábricas e cadeias de suprimentos, incluindo análises de cenários e impactos de decisões em diferentes etapas da operação.

Portanto, simular decisões empresariais não é uma invenção dos modelos de mundo. Tampouco existe uma fronteira rígida entre Enterprise World Models e gêmeos digitais. Um gêmeo digital sofisticado pode incorporar várias das capacidades discutidas aqui.

A hipótese de evolução está na convergência. Representações aprendidas podem ajudar a capturar relações difíceis de especificar manualmente. Agentes e otimizadores podem propor intervenções. Regras explícitas delimitam transições conhecidas. Simuladores permitem comparar trajetórias, enquanto mecanismos de validação verificam onde essas representações continuam úteis.

Uma formulação próxima já aparece no estudo Business World Model ^[11], que propõe integrar estados empresariais, regras, modelos aprendidos e ações em um simulador interno.

O que merece investigação é se essa combinação pode tornar as capacidades de simulação mais reutilizáveis e integradas, especialmente em decisões que atravessam diferentes partes da organização. Essa é uma possibilidade arquitetural, não uma superioridade já estabelecida sobre métodos existentes.

O tema também entrou na agenda executiva. A Gartner publicou análises específicas ^[12,13] sobre modelos de mundo em 2025 e 2026, associando-os à evolução de agentes, simulação e tomada de decisão. Seus resumos públicos sinalizam interesse em uma tecnologia emergente, sem demonstrar maturidade operacional ou retorno econômico generalizado.

No Brasil, o Itaú Unibanco anunciou ^[14], por meio do Itaú Ventures, um investimento na Simile em setembro de 2026. A startup desenvolve IA voltada à simulação de comportamento humano e tem entre seus cofundadores Michael Bernstein ^[15], professor e pesquisador vinculado ao Stanford HAI. A relação com os fundadores teve origem em iniciativas de pesquisa conduzidas pelo Instituto de Ciência e Tecnologia Itaú (ICTi) em parceria com o Stanford HAI.

Esse tipo de iniciativa aproxima a simulação de questões empresariais concretas. A modelagem de respostas comportamentais, porém, cobre uma dimensão específica do problema e não equivale a representar toda a dinâmica de uma organização.

Simular não significa conhecer o futuro

O maior risco de uma arquitetura desse tipo é confundir sofisticação computacional com confiabilidade. Um sistema pode produzir trajetórias detalhadas e representar incorretamente as relações que determinam seus resultados.

Uma intervenção costuma ocorrer em condições específicas. Se uma empresa modifica sua operação justamente quando enfrenta dificuldades, a associação entre essa mudança e os resultados posteriores não revela, sozinha, o efeito da decisão. É necessário distinguir o que decorreu da intervenção daquilo que teria acontecido de qualquer maneira.

Por isso, modelos de mundo e modelos causais não são equivalentes. Alterar uma variável dentro de um simulador mostra o que acontece sob suas hipóteses e não estabelece automaticamente o efeito de alterá-la na realidade. Dependendo da decisão, será necessário combinar conhecimento estrutural, experimentação e métodos de inferência causal.^[16]

Também há limites na dinâmica aprendida. Uma política pode funcionar no ambiente simulado porque explora uma imperfeição do modelo, não porque representa uma boa estratégia no ambiente de referência. Esse problema já aparece na pesquisa World Models. ^[17]

A avaliação deve examinar diferentes trajetórias, condições de estresse e sensibilidade às premissas. Produzir mais cenários não garante que sejam plausíveis ou que suas probabilidades estejam corretamente estimadas.

Objetivos que admitem compensações devem ser distinguidos de restrições obrigatórias. Rentabilidade, produtividade e nível de serviço podem exigir escolhas entre resultados conflitantes. Uma alternativa que desrespeita uma condição obrigatória, porém, não deveria se tornar aceitável apenas porque apresenta uma projeção econômica favorável.

Na arquitetura proposta, verificar essas condições e autorizar uma execução seriam responsabilidades distintas da simulação. Um cenário favorável pode apoiar uma decisão, mas não constitui autorização para implementá-la.

A vantagem pode estar no ciclo de aprendizado

É nesse ponto que a discussão sobre Enterprise World Models se torna estratégica. Imagine duas empresas com acesso a modelos fundacionais comparáveis, fornecedores de tecnologia semelhantes e agentes capazes de executar tarefas equivalentes.

Uma utiliza esses recursos para gerar análises e recomendações pontuais. A outra desenvolve uma disciplina para reconstruir o estado em que decisões foram tomadas, tornar regras relevantes legíveis por máquina, simular alternativas, registrar previsões, observar resultados e atualizar as representações utilizadas.

A diferença entre elas não está necessariamente no modelo de IA. Está no ciclo de aprendizado que existe ao redor dele.

A segunda organização pode aprender quais relações permanecem relativamente estáveis, quais mudam sob determinadas condições, em que horizontes suas previsões se deterioram e quais efeitos indiretos são frequentemente ignorados. Pode também identificar situações nas quais a simulação não oferece evidência suficiente e outras formas de investigação são necessárias.

Esse conhecimento não se resume a dados brutos nem ao que um modelo aprendeu em seu treinamento. Um registro informa que um evento ocorreu. Para aprender com ele, é necessário relacioná-lo às condições da operação, às regras vigentes, à decisão tomada e ao resultado que se esperava. Acumular informações sem preservar essas relações não produz, por si só, uma compreensão melhor do negócio.

A validação precisa fazer parte do funcionamento do sistema, e não apenas da avaliação que antecede sua implantação. Essa disciplina tem respaldo nas orientações do National Institute of Standards and Technology (NIST) ^[18] sobre credibilidade de gêmeos digitais, que associam verificação, validação e quantificação de incerteza ao ciclo de vida dessas representações.

Antes de uma decisão, a organização deve preservar o que sabia, as regras vigentes, as hipóteses utilizadas e as trajetórias estimadas, incluindo suas incertezas. Depois da execução, precisa confrontar essas estimativas com o que efetivamente aconteceu. Sem esse registro prévio, uma explicação construída depois dos fatos pode ser confundida com capacidade de antecipação.

A comparação também precisa ir além do indicador final. Um resultado próximo ao previsto pode esconder desvios importantes ao longo da operação. Erros em componentes diferentes podem se compensar e produzir uma aparência de acerto. Examinar as mudanças de estado e as restrições encontradas ajuda a entender se o modelo representou adequadamente a trajetória ou apenas chegou a um resultado semelhante.

As divergências, portanto, precisam desencadear investigação. Podem indicar dados desatualizados, mudanças nas regras, uma execução diferente da planejada ou relações comportamentais que perderam validade. Nem toda diferença exige um novo treinamento. Às vezes, a resposta correta será atualizar uma fonte, corrigir uma definição, revisar uma regra ou restringir o uso do modelo.

Aprender continuamente não significa retreinar automaticamente a cada novo evento. Significa manter um processo verificável de observação, diagnóstico, atualização e nova validação.

É nesse ciclo que pode surgir uma vantagem competitiva. Um concorrente pode contratar acesso ao mesmo modelo fundacional. Reproduzir imediatamente a experiência acumulada de outra organização sobre como suas decisões interagem com processos, restrições e comportamentos é uma tarefa diferente. O ativo potencial está nessa combinação de conhecimento empresarial organizado e evidência sobre os próprios acertos e erros.

Para testar essa hipótese, a liderança pode escolher uma classe relevante de decisões recorrentes, nomear um responsável pelo ciclo e estabelecer como seu benefício será medido. O recorte deve permitir reconstruir o que se sabia antes de cada decisão e observar resultados depois dela. Não é necessário começar pela tentativa de simular toda a empresa.

O responsável por esse ciclo deve definir como restrições identificadas em uma área chegam às demais, quem confirma sua validade e quando uma mudança exige rever as simulações. Precisa também criar condições para que as equipes exponham limitações antes da decisão, e não apenas quando o resultado se mostrar inadequado. Seu compromisso será manter a representação útil ao longo do tempo, garantindo que o conhecimento adquirido em uma decisão possa informar as seguintes.

O primeiro ambiente pode combinar métodos convencionais e modelos aprendidos, operando inicialmente em paralelo à prática atual. Seu desempenho deve ser confrontado com essa prática e com alternativas mais simples, considerando qualidade das previsões, respeito às restrições, benefício decisório e custo de manutenção. Operar em paralelo ajuda a avaliar estimativas observáveis, mas não valida, sozinho, recomendações sobre ações que nunca foram executadas.^[16]

A sofisticação da simulação só se justifica se melhorar decisões de maneira mensurável, considerando os custos e riscos envolvidos. Maior autonomia deveria vir depois de evidências de maior confiabilidade, não antes.

A preparação para modelos de mundo não começa comprando uma nova categoria tecnológica. Começa construindo a capacidade de tornar estados, regras, decisões, hipóteses e resultados comparáveis ao longo do tempo e de transformar as diferenças encontradas em mudanças verificáveis na forma de decidir.

Enterprise World Models continuam sendo uma hipótese sobre como diferentes capacidades podem convergir para apoiar decisões em ambientes complexos. Seu valor potencial está em tornar a incerteza mais explícita, testável e sujeita a aprendizado, não em eliminá-la.

Quando a inteligência artificial amplia a capacidade de agir, conhecer a empresa deixa de ser suficiente. Torna-se necessário representar como ela pode mudar e reconhecer quando essa representação deixou de merecer confiança.

A próxima vantagem competitiva poderá estar na capacidade de ensaiar decisões antes de executá-las e aprender sistematicamente, depois, com a distância entre o que foi previsto e o que realmente aconteceu.