MIT SMR BR
Harvard BPE
CKGSB Knowledge Brasil

Centro de formação executiva focado em liderança, inovação e curadoria de conteúdos para líderes e gestores do futuro.

Conheça mais

O portal brasileiro da faculdade de gestão do MIT, trazendo conteúdo de qualidade e confiável sobre o tema.

Você está aqui

Acesso a estudos exclusivos e materiais de ensino produzidos pela faculdade de negócios de Harvard.

Versão brasileira do portal referência em negócios na China, endossado pela universidade de negócios Cheung Kong.

Conheça mais

O CNEX faz parte do ecossistema Atitus. Conhecimento, tecnologia e inovação. Conectadas com o mesmo propósito: o seu futuro.

Buscar

Status de leitura

Faça login para usar este recurso

Crie uma playlist

Faça login para salvar este conteúdo em suas playlists

Não lido

XTENDED

Antes de implantar IA, construa ambientes de inteligência

Os insights filosóficos do físico e empresário Stephen Wolfram sobre computação oferecem princípios úteis para projetar ambientes de inteligência que extraem o melhor da IA

Michael Schrage e David Kiron

6 de outubro de 2025 e atualizado em 29 de outubro de 2025

21 min de leitura

Se a forma de pensar dos líderes determina a arquitetura de escolha da IA, como esse pensamento pode ser colocado em ação? O artigo detalha como projetos de ambientes de inteligência alimentados por IA conectam essa filosofia com a tomada de decisão sobre a adoção das ferramentas de IA em situações da vida real. Os líderes devem aprender a pensar como arquitetos de sistemas, não como gestores de processos, para que possam desenvolver uma infraestrutura de IA que se ajuste à transformação organizacional.

O trabalho pioneiro do físico Stephen Wolfram na ciência da computação reformulou nossa compreensão da complexidade. Suas descobertas teóricas levaram a produtos de sucesso comercial e ele virou um bem-sucedido empresário, à frente da Wolfram Research.

Apesar disso, o mundo dos negócios, em geral, vem ignorando as ideias de Wolfram. Mas seus insights sobre computação têm utilidade clara para líderes sobrecarregados por recursos de IA que estão desapontados com seus retornos.

Filho de uma professora de filosofia em Oxford, ele jamais cogitou seguir essa carreira. Matemático de coração, via a filosofia como improdutiva, que “tentava formalizar algo confuso”.

A visão de mundo de Wolfram evoluiu: o trabalho de sua vida agora oferece estruturas essenciais para entender e aplicar a IA no mundo real. Suas ideias não são floreios acadêmicos inteligentes – são cruciais para a construção de ambientes de inteligência que funcionam efetivamente em escala.

Com Wolfram, exploramos a ideia de que a liderança em IA deve mudar. Em vez de buscar melhor adoção e integração de ferramentas, deve projetar ambientes de inteligência, arquiteturas organizacionais em que agentes humanos e artificiais interagem de maneira lúcida.

A abordagem filosófica da computação é fundamental para esse desafio de design. Ela oferece uma nova perspectiva sobre por que os métodos para a adoção da IA falham e o que deve substituí-los.

O que são ambientes de inteligência?

Ambientes de inteligência são um sistema corporativo em que humanos e máquinas não apenas tomam decisões, mas também aprendem, raciocinam, adaptam e melhoram a forma de gerar e compartilhar conhecimento. Esses ambientes conectam a epistemologia, ramo filosófico que estuda os limites do conhecimento, com a execução.

O princípio da irredutibilidade computacional de Wolfram diz que não é possível prever o desempenho de sistemas complexos sem executá-los. Isso torna o planejamento estratégico tradicional impossível, matematicamente falando, em ambientes ricos em IA.

Em segundo lugar, o projeto de décadas de Wolfram (“ tornar o conhecimento do mundo computável”) demonstra que o próprio raciocínio organizacional pode se tornar programável. Ou seja, conceitos de negócio definidos com precisão suficiente para computação humana e de máquina.

Em terceiro lugar, seu conceito de espaço rulial mostra que diversos agentes inteligentes operam sob conjuntos de regras diferentes, exigindo o que Wolfram chama de “mecanismos de tradução”. Como ele colocou, não são apenas perspectivas diferentes sobre a realidade – elas representam processos computacionais diferentes, que geram realidades diferentes.

Juntos, esses princípios transformam o design do ambiente de inteligência. Em vez da reestruturação organizacional, a “engenharia epistêmica” – a formalização computacional de como as empresas pensam e estruturam seu próprio significado.

Por que o planejamento estratégico é matematicamente impossível

A irredutibilidade computacional de Wolfram não é só mais uma recomendação para gestão ágil. É uma prova matemática de que os resultados de certos sistemas altamente complexos são impossíveis de prever.

As ideias de Wolfram demonstram que, nesses ambientes complexos, nenhum método computacional pode prever o comportamento do sistema sem que ele execute uma simulação completa. Em um contexto de negócios, isso significa que, para ambientes ricos em IA, o ciclo tradicional de planejamento estratégico (prever, planejar, executar e medir) não é apenas ineficiente. É matematicamente impossível.

O teorema da impossibilidade de Arrow significa que nenhuma função de bem-estar social pode representar com precisão as preferências individuais. Da mesma forma, a irredutibilidade computacional de Wolfram ensina que nenhum plano estratégico pode representar a complexa gama de comportamentos de humanos, de máquinas e entre humanos e máquinas dos quais depende seu sucesso.

NAVEGANDO PELA IRREDUTIBILIDADE COMPUTACIONAL

Desafio: Uma empresa farmacêutica global luta para priorizar compostos em um pipeline complexo de oncologia em estágio inicial. Vários grandes modelos de linguagem (LLM) auxiliam as equipes de pesquisa e desenvolvimento (P&D), mas os debates internos sobre como ponderar sinais biológicos, probabilidades de testes e comercialização estão empacando as decisões.

Solução de Wolfram: Aceite a irredutibilidade. Use o design para observar a inteligência emergente.

Em vez de forçar uma classificação prematura, a liderança institui um ambiente de observatório computacional. Para cada composto, executa simultaneamente vários modelos de agentes (como plausibilidade biológica, prontidão para o mercado e viabilidade sintética). Camadas de visualização formalizadas, e não reuniões, apresentam as interações e compensações.

Resultado: As decisões se baseiam em padrões observáveis, não nos atalhos mentais de heurísticas gerenciais. Um composto com falhas aciona o consenso entre modelos para que se reinvestigue uma anomalia compartilhada. A liderança não controla o processo, ela arquiteta sua orquestração.

A implicação radical para o negócio: os líderes devem arquitetar as empresas como experimentos computacionais, em vez de máquinas de execução. Isso significa construir “inteligência de execução” – sistemas que geram insights estrategicamente acionáveis por meio de operações, em vez de análise.

Diferentemente das “organizações de aprendizagem” ou das “culturas adaptativas”, isso requer infraestrutura computacional específica: sistemas de observabilidade em tempo real que capturam padrões emergentes, estruturas experimentais que podem executar várias estratégias simultaneamente e ciclos de feedback que codificam o aprendizado no comportamento organizacional. A agilidade cede lugar à computabilidade organizacional, a ambientes de inteligência mais adaptativos.

Formalização semântica: o código oculto dos ambientes de inteligência

A noção de formalização semântica de Wolfram vai muito além da governança de dados ou da gestão do conhecimento. Ela torna o próprio raciocínio organizacional programável.

As abordagens tradicionais enfatizam a organização das informações. Já a formalização semântica trata o significado como um código executável. Cada conceito de negócio – do valor do cliente ao risco operacional – deve ser definido com precisão suficiente para que agentes humanos e de IA possam computá-lo.

Não se trata de uma documentação melhor, mas de criar o que podemos chamar de APIs semânticas entre diferentes sistemas de raciocínio. Na computação, APIs são conjuntos de regras e protocolos que permitem que programas diferentes se comuniquem entre si.

As organizações se beneficiam quando podem reconfigurar rapidamente sua infraestrutura de raciocínio. A formalização semântica de conceitos como qualidade ou urgência, por exemplo, permite que os sistemas de IA adaptem seu comportamento quando as prioridades de negócios mudam.

As equipes humanas podem operar com definições consistentes em todas as funções. Isso cria uma nova forma de alavancagem organizacional: em vez de escalar por meio da padronização de processos, as empresas escalam por meio da padronização de raciocínio.

O resultado não é apenas eficiência operacional, mas eficiência epistêmica. Ou seja, a capacidade de pensar e aprender mais rápido do que os concorrentes.

Espaço rulial: tradução entre visões de mundo computacionais

Inteligências diferentes computam realidades diferentes. Cada departamento, sistema de IA e tomador de decisão opera de acordo com regras distintas de atualização, gerando novas realidades a partir dos mesmos inputs.

As finanças veem o risco por meio de simulações de Monte Carlo, um tipo de método estatístico. A área de operações trata isso por meio da análise do modo de falha, enquanto os sistemas de IA o veem sob o prisma de correlações estatísticas. Essas não são perspectivas diferentes sobre a mesma realidade, são processos computacionais diferentes gerando ontologias diferentes.

Segundo as abordagens tradicionais de diversidade e inclusão, o alinhamento é possível por meio de uma melhor comunicação. Mas o conceito de espaço rulial mostra que isso é ingênuo, do ponto de vista computacional.

HABILITANDO A FORMALIZAÇÃO SEMÂNTICA

Desafio: Um grande varejista implanta LLMs de suporte ao cliente, mas os ciclos de feedback apresentam ruídos, são inconsistentes e opacos. Os gestores regionais descrevem as necessidades do cliente de maneiras diferentes, e a conversão entre a compreensão humana e os modelos de IA não ocorre de maneira sistemática.

Solução de Wolfram: Formalizar a semântica da experiência do cliente (CX).

A empresa cria um kernel semântico – modelo construído sobre a estrutura de reclamações, caminhos de resolução, clusters de sentimento e métricas de CX. Ele define todos os ajustes finos do modelo, treinamento de agentes e integração humana. Com isso, os LLMs são treinados não apenas com texto, mas com representações computáveis da experiência.

Resultado: O sistema CX deixa de fornecer meras respostas orientadas por script e passam a ser agentes de raciocínio interoperáveis. Quando o sentimento do cliente cai em uma geografia, o kernel revela que diferenças linguísticas sutis nos fluxos de trabalho de escalonamento – e não no desempenho do agente – foram a verdadeira causa. Os líderes agora entendem o CX como um sistema semântico, não um script de serviço.

A solução requer a construção do que podemos chamar de compiladores cognitivos – sistemas de tradução que podem converter entre diferentes conjuntos de regras sem perder a precisão computacional. Isso vai além de equipes multifuncionais ou painéis compartilhados.

As organizações que dominam a engenharia rulial podem coordenar várias formas de inteligência – intuição humana, reconhecimento de padrões de IA, otimização algorítmica – sem forçá-las a um consenso artificial. O resultado não é a gestão da diversidade, mas a orquestração da inteligência. A aplicação do conceito de espaço rulial revela que o desalinhamento é um problema de arquitetura computacional, e não uma questão de cultura.

RESOLVENDO CONFLITOS RULIAIS NA COLABORAÇÃO ENTRE ESPECIALISTAS E IA

Desafio: Uma empresa aeroespacial implanta LLMs para automação de revisão de projetos, mas se vê diante de um atrito crescente entre os engenheiros e as sugestões da IA. Os engenheiros descartam os outputs (são “tolos”), enquanto a IA aponta a resistência deles como não cooperativa.

Solução de Wolfram: Interpretar a discordância como divergência rulial.

Em vez de treinar novamente a IA ou repreender as equipes, a liderança instala uma estrutura mediadora regular, mapeando e tornando acessível o sistema de regras internas de cada parte. Uma camada de reconciliação rulial permite a negociação explícita de suposições e regras de design antes do início da colaboração.

Resultado: A tensão diminui à medida que as equipes veem o desalinhamento não como erro, mas como divergência epistêmica. Assim, cada lado trabalha esse embate filosófico para chegar a um acordo.

Os engenheiros usam uma interface de usuário compartilhada para “treinar” a IA em ajustes específicos do domínio (como tolerâncias para estresse do material). Já a IA apresenta cenários que a intuição humana não chegou a ver. A produtividade melhora não pela conformidade, mas pela compreensão.

Por que ferramentas mais inteligentes não salvarão empresas estagnadas

Os investimentos em IA estão explodindo, mas os retornos corporativos permanecem medíocres. Por quê?

Porque a liderança trabalha a inteligência como se fosse automação. Mas não dá simplesmente para inserir a inteligência, seja ela humana ou artificial, nos fluxos de trabalho. Ela deve ser arquitetada em ambientes. Não basta investir em IA, é preciso arquitetar ambientes de inteligência

A maioria dos projetos organizacionais administra os esforços e impõe o alinhamento – eles não orquestram o raciocínio nem o aprendizado. Esse é o ponto cego estratégico da IA.

No entanto, é aqui que a filosofia computacional de Wolfram oferece clareza: desbloquear o valor da IA exige que os líderes perguntem não o que as ferramentas podem fazer, mas quais arquiteturas e infraestruturas permitem que a inteligência surja, evolua e floresça.

As organizações que tratam a inteligência como uma infraestrutura projetável, e não como uma ferramenta na moda, provavelmente obterão decisões mais rápidas e de maior qualidade. Assim, elas reduzem o risco sistêmico reduzido e aprimoram a capacidade adaptativa.

APLICANDO OS PRINCÍPIOS DE WOLFRAM

Princípio de Wolfram	Mudança no papel da liderança	Norma cultural	Prática Organizacional
Irredutibilidade Computacional	Previsão –-> Instrumentação e observação	Experimentalismo sobre controle	Gestão por depuração, painéis de feedback em primeiro lugar
Formalização semântica	Delegação –-> Design da arquitetura epistêmica	Clareza de significado como valor central	Auditorias semânticas, ferramentas de design epistêmico, modelagem causal
Espaço Rulial	Imposição de regras –-> Mediação entre regras	Tradução sobre alinhamento	Funções de interoperabilidade, alfabetização de conjuntos de regras, APIs cognitivas

Projetando ambientes de inteligência

Projetar um ambiente de inteligência exige que os líderes pensem como arquitetos de sistemas, em vez de gestores de processos. O processo de design começa com o mapeamento da topologia de inteligência atual da organização – identificar onde se cria conhecimento, como o raciocínio flui entre agentes humanos e de IA e onde o significado se quebra ou se perde na tradução.

Os líderes, portanto, devem fazer escolhas explícitas sobre três elementos fundamentais. Em primeiro lugar, é preciso definir a infraestrutura semântica, que explica como os conceitos-chave serão formalmente definidos e “computabilizados”. Além disso, é necessário estabelecer os protocolos de raciocínio, pois eles determinam como diferentes tipos de inteligência interagem e influenciam uns aos outros. Por fim, deve-se projetar a arquitetura de aprendizagem, que mostra como capturar insights, validá-los e propagá-los por todo o sistema.

Ao contrário do design organizacional…

Ao contrário do design organizacional tradicional, que se concentra em funções e estruturas de subordinação, o design do ambiente de inteligência foca em fluxos de informações, caminhos de decisão e padrões de evolução do conhecimento. Para isso, ele requer novas ferramentas de design (modelagem semântica, mapeamento de caminhos de raciocínio e estruturas de experimentação computacional) que os executivos ainda não adotaram.

É uma missão e tanto. Arquitetar inteligência é uma tarefa completamente diferente de adquiri-la e adotá-la.

Uma arquitetura brilhante sem infraestrutura é impossível de implementar. A infraestrutura sem arquitetura é um zoológico caro e caótico de ferramentas.

Por isso, os líderes devem ser coproprietários de ambos. Dessa forma, os sistemas inteligentes tornam-se confiáveis, escaláveis e transformacionais.

1. Arquitetura de inteligência: design para significado e comportamento

Definição: Estruturação, distribuição e coordenação da inteligência em uma empresa. É um projeto epistêmico, ou seja, focado no conhecimento e nos modelos, regras e relacionamentos que o governam.

Raiz de Wolfram: Isso se alinha com o espaço rulial e a formalização semântica, em que diferentes conjuntos de regras (sistemas de raciocínio) devem ser reconciliados de maneira coerente. A arquitetura é onde se projeta a interoperabilidade cognitiva.

Papel dos executivos: Os líderes governam a arquitetura quando decidem:

Como a IA e as decisões humanas interagem.
Onde incorporar feedback.
Quais semânticas, quadros ou ontologias devem ser formalizados e padronizados.
O que constitui conhecimento “válido” em domínios-chave.

Analogia: Pense na arquitetura como planejamento urbano para inteligência. Ela define o zoneamento, as regras, a lógica cultural e os fluxos permitidos de tráfego (raciocínio) e comércio (tomada de decisão).

2. Infraestrutura de inteligência: capacidade de execução e escala

Definição: A infraestrutura de inteligência é a base técnica e operacional que permite que a empresa mantenha e dimensione as arquiteturas de inteligência. Inclui ferramentas, sistemas, APIs, plataformas, armazenamentos de dados e ambientes de computação.

Raiz de Wolfram: É aqui que mora a irredutibilidade computacional. Você executa o sistema e observa o comportamento. A infraestrutura é o que permite que você execute seu conjunto humano-IA e obtenha indícios auditáveis de seu raciocínio.

Função dos executivos: Os líderes supervisionam a infraestrutura quando:

Financiam plataformas de observabilidade e experimentação.
Investem na interoperabilidade de dados e na transparência do modelo.
Integram logs de raciocínio de IA à gestão de riscos corporativos.
Garantem o alinhamento entre os sistemas de back-end e os agentes de decisão da linha de frente.

Analogia: Se a arquitetura é planejamento urbano, a infraestrutura corresponde a estradas, esgotos, redes elétricas e redes de dados. É a capacidade literal de fazer o plano funcionar em escala.

Resumo das diferenças

Arquitetura	Infraestrutura
Design epistêmico: como funcionam o conhecimento e o raciocínio	Sistemas operacionais: como executar o raciocínio
Molda significado, comportamento e coordenação	Permite confiabilidade, escalabilidade e capacidade de resposta
Projetos cognitivos e modelos semânticos	Dados, computação, observabilidade e integração de sistemas
Requer liderança, imaginação e perspicácia de design	Requer investimento de liderança e responsabilidade

O novo papel da liderança: arquitetos da inteligência

As lições de Wolfram vão além da otimização do investimento em IA. Elas incentivam os líderes a criarem arquiteturas de inteligência que façam com que as empresas raciocinem melhor, aprendam mais rápido e se adaptem antes do que os concorrentes.

As organizações que extraem o máximo da IA terão líderes arquitetando ambientes de inteligência, e não implantando as tecnologias mais recentes. Eles vão projetar como as equipes colaboram com sistemas de IA, vão estruturar a tomada de decisões aproveitando a visão humana e o processamento da máquina e vão criar ciclos de feedback que aprimoram o desempenho coletivo.

Não é a implementação da tecnologia que determina o sucesso da IA em uma empresa. É o design organizacional.

A escolha é binária: desenvolver ambientes de inteligência ou aceitar os limites da cognição puramente humana. Abraçar o design epistêmico ou deixar seu futuro à deriva.

As organizações que compreendem essa realidade vão se sobressair na busca interminável por softwares cada vez mais inteligentes. Somente a clareza conceitual transforma a inteligência de complexidade cara em vantagens competitivas. A filosofia não traz apenas base para a estratégia de IA, ela dá significado à estratégia, propósito e alinhamento mensurável.

Leia mais sobre liderança na editoria liderança e cultura.

Você leu o post? Então faça login e tenha acesso ao recurso de “Marcar como lido”.

Michael Schrage e David Kiron

Michael Schrage é pesquisador da Initiative on the Digital Economy da MIT Sloan School of Management. Seu trabalho de pesquisa, publicação e consultoria se concentra na economia comportamental de mídia digital, modelos e métricas como recursos estratégicos para gerenciar oportunidades e riscos de inovação. David Kiron é o diretor editorial de pesquisa da MIT Sloan Management Review e líder do programa  Big Ideas Research Initiatives.