O erro que faz fracassar quase todas as estratégias de IA

Imagine uma sala de reuniões onde, durante meses, uma organização bem financiada implementa inteligência artificial com entusiasmo: licenças compradas, equipas formadas, projetos-piloto em marcha. E, ao fim do ano, ninguém sabe dizer o que mudou. Os modelos funcionaram, o orçamento chegou, o talento estava lá; no entanto, o retorno não aparece em parte nenhuma. Essa cena não é excecional, e provavelmente o leitor já a viu na sua própria instituição ou numa próxima. Segundo o relatório do MIT NANDA Project, publicado em julho de 2025 a partir de cento e cinquenta entrevistas a dirigentes, um inquérito a trezentos e cinquenta colaboradores e a análise de trezentas implementações públicas de inteligência artificial generativa, noventa e cinco por cento das iniciativas não produz um retorno mensurável identificável.

O dado não é marginal: é um dos factos mais significativos sobre o estado real da adoção institucional de inteligência artificial. E abre a pergunta que organiza este capítulo: por que razão a enorme maioria dos projetos empresariais e das iniciativas universitárias não produz retorno mensurável, e o que têm em comum esses fracassos? A resposta importante não está na história particular de cada projeto que falhou, porque cada um tem a sua. Está no padrão estrutural que partilham. Os três achados centrais do relatório, que examino mais adiante, apontam todos na mesma direção: a causa principal do fracasso não é técnica, não é orçamental, e não é de capacidades dos modelos. É organizacional.

Defendo que a causa estrutural desses fracassos, tanto empresariais como universitários, é de natureza categorial. As instituições que implementam inteligência artificial sem modelo confundem a iniciativa com a estratégia, a ferramenta com o dispositivo, a capacitação com a incorporação, e a diretriz com a governança. Quando as categorias estão confundidas, as decisões operativas tomam-se em planos errados e produzem exatamente os resultados que o MIT documentou. SinergIA opera, antes de qualquer outra coisa, como um dispositivo de distinção categorial: separa o que há que separar para que cada coisa se decida no plano que lhe corresponde.

2.1O aviso da bandeira vermelha

Há um episódio histórico que vale a pena ter presente, porque condensa com precisão inquietante o que está em jogo. Em 1865, o Reino Unido aprovou a Locomotive Act, recordada pela posteridade como a Lei da Bandeira Vermelha. A norma exigia que todo o veículo automóvel circulasse a não mais de seis quilómetros por hora nas zonas rurais e três nas urbanas, e que o fizesse com três pessoas a bordo: um condutor, um foguista e uma terceira que devia caminhar cinquenta e cinco metros à frente do veículo agitando uma bandeira vermelha para avisar do perigo. A justificação era a segurança pública: os cavalos espantavam-se, os peões podiam morrer. Eram preocupações legítimas, ancoradas em factos verificáveis. A lei esteve em vigor trinta e um anos. Quando foi revogada, em 1896, a Alemanha e a França já tinham indústria automóvel, ao passo que o Reino Unido tinha dedicado três décadas a construir um quadro regulador que protegia o passado de um futuro que chegou de qualquer maneira, só que sem participação britânica.

O paralelo com as diretrizes universitárias atuais sobre inteligência artificial é estruturalmente análogo, e por isso resulta incómodo. Muitas universidades formulam diretrizes que proíbem, restringem ou abrandam a incorporação, e fazem-no sob justificações igualmente legítimas: a integridade académica, a proteção de dados, a equidade entre estudantes. As preocupações são reais; ninguém sensato as descartaria. Mas essas diretrizes estão escritas como bandeiras vermelhas: protegem o passado de um futuro que chega de qualquer forma, só que sem participação universitária governada. A diferença entre a Lei da Bandeira Vermelha e uma diretriz universitária bem concebida não está nas preocupações, que são as mesmas, mas em algo mais subtil e decisivo: em se o dispositivo regulador bloqueia o desenvolvimento ou o governa. O capítulo seis retomará este caso para mostrar como SinergIA governa sem proibir, e o capítulo dezanove fechará o livro com a pergunta de que dispõe cada universidade para não repetir 1865 no seu próprio terreno.

2.2O vazio de aprendizagem que o MIT documentou

Vale a pena voltar ao relatório do MIT NANDA Project com mais detenimento, porque o seu segundo achado é mais revelador do que o primeiro. O estudo combinou cento e cinquenta entrevistas a dirigentes, um inquérito a trezentos e cinquenta colaboradores e a análise de trezentas implementações públicas de inteligência artificial generativa. O achado central já foi mencionado. O segundo achado, e o que de facto importa, é que a causa principal do fracasso não é a qualidade dos modelos —excelente e verificável nos benchmarks que os próprios fornecedores documentam—, nem o orçamento —os projetos analisados estavam bem financiados—, nem a disponibilidade de talento técnico. A causa principal é aquilo a que o relatório chama learning gap, um fosso de aprendizagem organizacional: a organização não aprende com a sua própria implementação. Implementa, mede de forma superficial, não incorpora ciclos de revisão, e os projetos acabam convertidos em ilhas operativas sem retroalimentação institucional.

A tradução para a linguagem do modelo SinergIA é direta: essas organizações implementaram ferramentas sem um dispositivo iteractivo governado. O AIA-i resolve precisamente aquilo que o relatório identificou como ausente, a saber, os ciclos de revisão, ajuste e verificação institucionalizados, que constituem o quinto princípio operativo do AIA-i, a iteracção governada. O capítulo onze desenvolverá o AIA-i em detalhe e introduzirá um critério de discriminação entre um AIA-i autêntico e um wrapper trivial, cuja métrica concreta o capítulo quinze desdobrará dentro da família de métricas relacionais do modelo. Aqui basta extrair a conclusão que de tudo isto decorre: esse padrão de fracassos não é um destino tecnológico inevitável, mas a consequência da ausência de um modelo institucional articulado. A sua universidade tem diante de si dois caminhos. Pode repetir o padrão —e muitos pilotos universitários atuais repetem-no sem o notar— ou pode adotar um dispositivo iteractivo desde o início.

2.3Cinco respostas que não bastam

O campo da incorporação universitária de inteligência artificial está dominado por cinco respostas que operam como substitutos de um modelo e que partilham um mesmo defeito estrutural: cada uma atua sobre um único plano —normativo, formativo, técnico ou experimental— e deixa os restantes por tocar. Proibir opera apenas no plano normativo, e o seu efeito mais constante é produzir Shadow AI institucional, isto é, um uso real que ocorre fora das diretrizes formais e que a instituição prefere negar que existe. Regular funciona melhor do que proibir, mas sem um modelo que a oriente acaba por regular aquilo que entende e por deixar sem regular aquilo que lhe escapa. Capacitar opera no plano formativo, mas sem um dispositivo institucional que recolha a competência adquirida produz docentes capazes dentro de instituições que não sabem aproveitá-los. Comprar ferramentas de IA opera no plano técnico, mas sem um diagnóstico do uso real otimiza para problemas que não são os críticos. Cabe aqui uma precisão que o modelo sustenta de forma estável, porque evita uma confusão dispendiosa: uma ferramenta de IA é um produto comercial —como o Khanmigo ou o MagicSchool, construídos sobre modelos de fronteira da OpenAI, da Anthropic, da Google ou de outros— que usa subjacentemente um modelo de IA, em que o utilizador final acede à ferramenta, não ao modelo. Comprar uma ferramenta de IA é legítimo e por vezes necessário, mas é distinto de construir um AIA-i próprio: na ferramenta comprada, a universidade não controla o modelo subjacente nem a política de dados, que são do fornecedor; no AIA-i próprio, a universidade governa ambos. O modelo SinergIA não proíbe comprar ferramentas de IA; o que sustenta é que comprá-las não equivale a construir capacidade institucional, e que a sexta via —construir AIA-i próprios— é a que produz a autonomia que as cinco respostas reativas não produzem. E pilotar opera no plano experimental, mas sem modelo os pilotos ficam como ilhas que nem se replicam nem se aprendem.

Cada uma das cinco respostas faz algo; nenhuma é um modelo. O defeito que partilham é, uma vez mais, categorial: confundem a iniciativa com a estratégia. O fecho deste capítulo mostrará o que resolve um modelo institucional que as cinco respostas não resolvem em separado, e o capítulo sete definirá operativamente o que é SinergIA precisando, uma a uma, as quatro coisas que o modelo não é.

2.4A confusão categorial como causa de fracasso

Aquilo que acontece quando uma universidade confunde um modelo com outra coisa é observável e repete-se com uma regularidade quase mecânica. Quando confunde o modelo com uma metodologia, espera que lhe entregue passos; ao não os receber, conclui que o modelo é abstrato e abandona-o. Quando o confunde com um plano, espera datas, indicadores e orçamentos atribuídos; ao receber, em vez disso, categorias para pensar, conclui que o modelo não é operativo. Quando o confunde com uma arquitetura tecnológica, espera a especificação de umas ferramentas; ao receber princípios independentes do fornecedor, conclui que o modelo não é implementável. E quando o confunde com uma política normativa, espera regras claras do permitido e do proibido; ao receber distinções categoriais, conclui que o modelo não responde àquilo de que precisa.

Nos quatro casos, a instituição descarta o que o modelo de facto entrega —categorias para organizar o pensamento— porque não lhe entrega o que esperava, que eram instruções para não ter de pensar. A confusão categorial não é uma falha intelectual de quem a comete; é o sintoma de instituições que precisam de respostas operativas imediatas e que, por essa mesma urgência, leem toda a proposta conceptual como uma demora. O capítulo sete desenvolverá esta confusão com cinco secções dedicadas a mostrar o que SinergIA não é, e por que cada uma dessas confusões produz o tipo de fracasso que o relatório do MIT documentou empiricamente.

2.5O que um modelo institucional pode fazer

Perante essas cinco respostas insuficientes, um modelo institucional resolve três coisas que nenhuma delas resolve por si só. Resolve, em primeiro lugar, a articulação dos quatro planos numa coerência interna: o que se proíbe relaciona-se com o que se ensina, o que se compra com o que se pilota, e o que se pilota com o que se diagnostica, de modo que as decisões deixam de se tomar em compartimentos estanques. Resolve, em segundo lugar, a possibilidade de uma linguagem partilhada: fornece categorias comuns para que atores institucionais heterogéneos possam pensar em conjunto, de maneira que um dirigente universitário, o vice-reitor académico, a direção de tecnologia, um diretor de faculdade e um representante dos estudantes conversem com um vocabulário comum sem que nenhum reduza os demais à linguagem da sua própria especialidade. E resolve, em terceiro lugar, a permanência: os modelos sobrevivem à renovação dos cargos dirigentes, ao passo que as respostas pontuais partem com quem as formulou.

SinergIA opera especificamente sobre estas três funções. É um modelo institucional e não uma metodologia; fornece categorias partilhadas para pensar em comum sem dissolver as diferenças; e está concebido para se rever de forma periódica sem perder a sua identidade, uma propriedade que o capítulo quinze desenvolverá sob a ideia de diretrizes vivas e aprendizagem do próprio modelo. O resto do livro desdobra, capítulo a capítulo, como o faz.

A Lei da Bandeira Vermelha não fracassou por falta de boas intenções; fracassou porque confundiu o perigo com a tecnologia que o produzia, e regulou a segunda julgando conter o primeiro. As cinco respostas que hoje dominam o campo cometem uma variante do mesmo erro: confundem a iniciativa com a estratégia, e atuam julgando que atuar é o mesmo que ter um modelo.