Inteligência coletiva e enxames nas empresas: conceitos e avaliação
Imagem gerada pela Equipa Editorial da Inferama
01

Quatro abordagens distintas que não devem ser confundidas

A expressão «inteligência de enxame» pode se referir a atividades muito diferentes. Um grupo de pessoas que coordena respostas em tempo real não funciona como um algoritmo que movimenta soluções candidatas por um espaço de busca. Também não equivale a um sistema de IA generativa que produz texto, imagens ou outros conteúdos. O mecanismo e o objetivo determinam qual abordagem está sendo descrita.

A inteligência coletiva estuda como um grupo de pessoas, computadores ou ambos pode agir em conjunto para alcançar um objetivo. Em uma empresa, isso pode incluir compartilhar conhecimentos, coordenar o trabalho e usar ferramentas que ajudam a reunir ou processar contribuições. Não é necessário que todos respondam ao mesmo tempo nem que exista um algoritmo inspirado em animais.

Um enxame humano é um grupo conectado que contribui com respostas ou decisões de forma coordenada, muitas vezes simultânea. Em 2015, a Unanimous AI descreveu um serviço chamado UNU como um aplicativo para formar esses grupos on-line e em tempo real. Esse anúncio histórico ilustra uma modalidade de interação; não confirma que o serviço esteja disponível atualmente nem demonstra, por si só, que o método seja eficaz.

A otimização por enxame de partículas, ou PSO, é uma técnica computacional de busca. Cada «partícula» representa uma solução candidata e se desloca com base em informações sobre seu próprio percurso e sobre o de outras soluções. A metáfora de um grupo em busca de um tesouro ajuda a imaginar o mecanismo, mas as partículas são valores ou configurações em um cálculo, não pessoas.

A IA generativa é outra categoria: modelos que imitam a estrutura e as características dos dados de entrada para produzir conteúdo sintético derivado. Ela pode ser integrada a um processo colaborativo para sugerir ideias, mas gerar opções não equivale a deliberar, chegar a um consenso, verificar fatos ou encontrar uma solução ótima. Gerar conteúdo e coordenar inteligência coletiva são funções distintas, embora um produto possa combinar as duas.

O que cada abordagem faz

AbordagemO que coordena ou transformaResultado pretendido
Inteligência coletivaContribuições de pessoas, computadores ou ambosAção conjunta orientada a um objetivo
Enxame humanoRespostas ou decisões de participantes conectadosUma resposta ou decisão coletiva por meio de coordenação
PSOSoluções candidatas em um espaço de buscaUma solução que otimiza uma função definida
IA generativaPadrões aprendidos a partir de dados de entradaConteúdo sintético, como texto ou imagens
02

Inteligência coletiva: organizar contribuições em torno de um objetivo

Uma definição prática de inteligência é a capacidade de alcançar um objetivo. Aplicada a grupos, a inteligência coletiva se refere à ação conjunta de pessoas, computadores ou ambos de uma forma que parece inteligente. A unidade de análise é o sistema formado pelos participantes e pelas regras, ferramentas e canais que organizam suas contribuições.

Em uma organização, esse sistema pode ser tão simples quanto uma equipe que combina perspectivas para resolver um problema ou tão estruturado quanto uma plataforma que distribui tarefas e agrega resultados. **A tecnologia pode facilitar a coordenação, mas não transforma automaticamente qualquer interação em inteligência coletiva eficaz.** Importam a qualidade das contribuições, a tarefa, a maneira de combinar respostas e os incentivos.

Um processo em grupo também pode falhar de maneiras que não se aplicam a uma resposta individual. As pessoas podem compartilhar as mesmas informações incompletas, dar peso excessivo à opinião da maioria ou deixar de contribuir com dados próprios quando o grupo parece já ter decidido. Por isso, o número de participantes não basta para avaliar o método: é importante saber se as contribuições acrescentam informações relevantes e como influenciam umas às outras.

Os projetos do MIT Center for Collective Intelligence abrangem modelos científicos, estudos empíricos e o desenvolvimento de sistemas de inteligência coletiva. Essa agenda mostra que o conceito abrange tanto o estudo do comportamento dos grupos quanto a criação de ferramentas. Isso não significa que uma solução específica tenha demonstrado melhorar resultados em todas as empresas.

Para analisar uma aplicação empresarial, convém definir o objetivo antes de escolher a técnica. Se o problema é reunir conhecimentos distribuídos, pode-se testar um processo para obter e combinar contribuições. Se é preciso buscar parâmetros sob determinadas restrições, pode ser adequado usar otimização. Se são necessárias propostas iniciais, a IA generativa pode fornecer opções para avaliação posterior por pessoas.

Do objetivo ao método

  1. 01Descreva a decisão ou tarefa a resolver, não apenas a ferramenta que se pretende testar.
  2. 02Identifique quais informações as pessoas têm, quais dados o sistema fornece e o que está faltando.
  3. 03Defina como as contribuições serão combinadas e quem revisará o resultado.
  4. 04Escolha uma medida que corresponda ao objetivo, como precisão em relação a um valor de referência, tempo, custo ou qualidade das opções.
  5. 05Compare o processo com uma alternativa pertinente antes de atribuir a ele uma melhoria.
03

Enxames humanos e coordenação simultânea

Em um enxame humano, várias pessoas conectadas podem responder a uma pergunta enquanto um sistema coordena a interação. Em vez de simplesmente coletar votos independentes e somá-los ao final, um projeto de enxame pode permitir que o grupo ajuste a resposta durante o processo. Os detalhes dependem do sistema específico; o rótulo, por si só, não explica como as opiniões são ponderadas nem quais controles existem.

Um exemplo histórico é o UNU, aplicativo descrito pela Unanimous AI em uma publicação de 2015. A empresa apresentou sessões on-line e em tempo real para que grupos respondessem a perguntas, resolvessem divergências ou fizessem previsões. A publicação mencionava uma versão beta limitada e o envio de convites. Esse dado descreve a oferta anunciada na época, não a disponibilidade atual.

A descrição do fornecedor ajuda a entender o tipo de interação proposta, mas não substitui uma avaliação independente. A afirmação de que um grupo pode «aproveitar sua sabedoria coletiva» é uma explicação do produto, não uma medição comparativa de precisão, qualidade ou impacto empresarial.

A coordenação simultânea pode ser útil quando uma organização precisa de uma resposta coletiva em pouco tempo e os participantes têm informações ou julgamentos relevantes. Também pode ser inadequada quando é necessária uma deliberação extensa, uma auditoria individual de cada argumento ou uma explicação detalhada do motivo de uma decisão.

Antes de um teste, é preciso especificar quem participa, quais informações cada pessoa vê, se as respostas são anônimas, como o consenso é comunicado e o que acontece se a divergência persistir. Uma interação rápida não garante que o grupo tenha conhecimentos suficientes, que os participantes sejam independentes ou que o resultado esteja correto.

04

Otimização por enxame de partículas

A otimização por enxame de partículas (PSO) é um método algorítmico para buscar soluções para um problema definido por uma função objetivo. O usuário especifica o que deseja minimizar ou maximizar e, quando necessário, as restrições que as soluções devem respeitar. O algoritmo inicializa um conjunto de candidatas e atualiza suas posições com base na experiência associada a cada uma e nas informações compartilhadas pelo grupo ou por suas vizinhas.

A documentação do PySwarms descreve cada partícula como uma candidata que percorre o espaço de busca; seu movimento depende de uma tendência individual e da influência coletiva. Nesse contexto, «enxame» é uma metáfora computacional. Não há pessoas trocando opiniões, a menos que outro sistema inclua pessoas no processo.

A PSO pode ser interessante quando se busca uma solução para um problema cuja função não precisa ser diferenciável. No entanto, a busca não garante que o ótimo global será encontrado. O resultado depende da formulação do problema, das restrições, dos parâmetros e do comportamento da busca; um resultado plausível ainda precisa ser verificado.

Em um exemplo empresarial hipotético, uma empresa poderia definir um plano de alocação de recursos como uma combinação de variáveis e avaliar cada candidata com uma função que penaliza atrasos e custos. Antes de usar o resultado, teria de verificar se as variáveis representam decisões reais, se as restrições refletem a operação e se a função não favorece soluções indesejáveis.

A função objetivo é uma escolha de modelagem, não uma medida neutra do que é «melhor». Se custos, limites de jornada ou níveis de serviço forem omitidos, o algoritmo poderá otimizar uma representação incompleta do problema. A revisão humana e os testes com casos conhecidos ajudam a identificar erros de formulação, mas não transformam o método em uma garantia.

Perguntas para formular um problema de otimização

ElementoPergunta de avaliaçãoRisco de omissão
VariáveisQuais decisões a solução pode alterar?Candidatas que não correspondem a ações possíveis
ObjetivoQual valor será minimizado ou maximizado e por quê?Otimizar uma medida que não representa a necessidade real
RestriçõesQuais condições todas as soluções aceitáveis devem cumprir?Propostas inviáveis ou contrárias a limites operacionais
ValidaçãoComo a solução será verificada fora da busca?Confundir uma pontuação do modelo com um resultado operacional
05

IA generativa: apoio à criação, não árbitro da verdade

A IA generativa inclui modelos que imitam a estrutura e as características dos dados de entrada para produzir conteúdo sintético derivado. Esse conteúdo pode incluir texto, imagens, áudio, vídeo e outros formatos digitais. A definição descreve uma classe de modelos e sua função de geração; não determina que suas saídas sejam verdadeiras, legalmente originais ou adequadas para uma decisão.

Em uma atividade coletiva, uma ferramenta generativa pode sugerir alternativas que as pessoas discutem, modificam ou descartam. Essa combinação altera o processo: o grupo deixa de compartilhar apenas conhecimentos próprios e passa também a reagir às sugestões do modelo. Convém registrar quais conteúdos vieram do sistema e como as pessoas os revisaram.

O MIT Center for Collective Intelligence descreve o Supermind Ideator como um sistema que combina um grande modelo de linguagem com instruções, ajuste e uma interface voltada a técnicas de resolução criativa de problemas. O centro informa que fez uma avaliação preliminar das primeiras experiências de uso e que continuava avaliações empíricas mais abrangentes. Esse escopo não equivale a uma demonstração de eficácia comercial geral.

Outro exemplo é o DesignAID, descrito como uma ferramenta que gera conceitos visuais a partir de ideias expressas em palavras. A página do centro resume um estudo com designers participantes e compara a geração automática de imagens com uma condição de busca de imagens. O resultado informado diz respeito às dimensões e condições avaliadas, não à qualidade de todo design produzido por IA nem de qualquer equipe criativa.

A IA generativa também pode reproduzir vieses presentes nos dados ou introduzidos na forma de formular uma solicitação. Em contextos empresariais, uma resposta convincente pode receber mais confiança do que merece. A revisão deve considerar o conteúdo e o uso previsto: uma lista de ideias não exige o mesmo controle que uma recomendação com impacto sobre pessoas, segurança ou recursos.

06

O que os estudos sobre humanos e IA mostram — e o que não permitem concluir

Os resultados da colaboração entre pessoas e IA dependem da tarefa e de como ela é organizada. Uma metanálise publicada em 2024, resumida pelo MIT Center for Collective Intelligence, constatou que, em média, as combinações de pessoas e IA tiveram desempenho inferior ao melhor dos dois componentes isoladamente. O resumo também aponta diferenças por tipo de tarefa: as combinações tiveram desempenho significativamente melhor em tarefas de criação do que em tarefas de decisão.

Esse resultado põe em questão a suposição de que acrescentar uma ferramenta de IA a uma equipe sempre melhora seu desempenho. Ele não demonstra que toda colaboração entre humanos e IA terá desempenho inferior, nem prevê de antemão o resultado em uma empresa específica. A média da análise reúne estudos e condições diferentes; cada organização precisa avaliar sua própria tarefa e configuração.

A página do MIT também apresenta projetos que examinam como a IA generativa pode apoiar grupos humanos e sistemas mistos. Por exemplo, o Supermind Ideator se concentra na geração criativa de ideias e relata uma avaliação preliminar da experiência de uso, além de avaliações mais abrangentes em andamento. As afirmações sobre esse sistema devem permanecer dentro desse contexto.

Uma avaliação útil diferencia o desempenho da equipe com IA do desempenho das pessoas sem IA e do sistema sem intervenção humana, quando essas comparações forem pertinentes. O critério pode ser a qualidade avaliada por uma rubrica, a precisão em relação a uma referência, o tempo gasto ou o custo total. Medir apenas a velocidade pode ocultar erros ou o trabalho de correção.

Também importa quem faz a avaliação e o que é considerado sucesso. Se as pessoas que testam uma ferramenta conhecem as respostas esperadas, se o conjunto de casos favorece um método ou se apenas uma dimensão é medida, o resultado talvez não represente o trabalho cotidiano. Um projeto-piloto pequeno pode orientar uma decisão local, mas não comprova, por si só, um efeito sustentado ou geral.

Comparações que ajudam a interpretar um projeto-piloto

ComparaçãoO que permite observarO que não demonstra por si só
Pessoas com IA versus as mesmas pessoas sem IAA mudança associada ao uso da ferramenta naquela configuraçãoQue a mudança se mantenha em outras tarefas ou equipes
IA com pessoas versus IA sozinhaA contribuição ou o custo da intervenção humana no caso avaliadoQue um componente seja superior em qualquer contexto
Novo processo versus prática habitualA diferença em relação a uma alternativa operacional realQue a diferença tenha sido causada apenas pela IA se o processo também mudou
Resultado versus critério de qualidadeSe a saída cumpre os requisitos definidos para a tarefaQue todos os custos, riscos ou efeitos posteriores tenham sido medidos
07

Como avaliar um projeto-piloto com critérios verificáveis

Um projeto-piloto começa com uma tarefa delimitada e uma comparação justa, não com uma promessa de retorno. Antes de ativar uma ferramenta, defina a população ou os casos a avaliar, o resultado esperado, o período de observação e os critérios para interromper ou ampliar o teste. Se o objetivo for melhorar uma decisão, especifique como a qualidade será medida e quem poderá avaliá-la.

Estabeleça uma linha de base com o processo atual e mantenha as condições necessárias para uma comparação razoável. Se a equipe, o fluxo de trabalho e o sistema mudarem ao mesmo tempo, será difícil atribuir o resultado a um único componente. Quando não for possível fazer uma comparação controlada, descreva claramente o que mudou e limite as conclusões.

Meça mais de uma dimensão quando o uso puder deslocar custos ou riscos. Uma ferramenta que economiza tempo de produção pode aumentar o tempo de revisão; um sistema que sugere mais ideias pode elevar o trabalho de seleção. Registre a qualidade, o tempo total, os custos de operação e revisão, os erros relevantes e as consequências das decisões.

Evite escolher um indicador apenas por ser fácil de obter. Em uma tarefa criativa, o número de propostas não demonstra sua utilidade. Em uma busca algorítmica, uma pontuação alta da função não prova que a solução seja viável. Em um sistema de coordenação, o consenso não substitui a comparação da resposta com um critério independente.

Ao final, separe o que foi observado do que é inferido. Se uma equipe melhorar uma medida em um teste breve, pode-se afirmar que essa medida mudou nas condições do projeto-piloto, desde que o desenho permita essa interpretação. Não se deve transformar esse resultado em promessa de desempenho futuro, garantia de retorno ou conclusão geral para toda a organização.

Etapas de avaliação

  1. 01Delimite o problema e descreva o resultado que será considerado valioso.
  2. 02Registre a prática habitual como linha de base e defina uma alternativa adequada para comparação.
  3. 03Determine quais casos entram no teste e quem avaliará os resultados.
  4. 04Meça a qualidade e os efeitos secundários, além do tempo e dos custos de revisão.
  5. 05Documente erros, casos não resolvidos e condições que limitaram o teste.
  6. 06Decida se o projeto-piloto será ampliado, alterado ou interrompido segundo critérios definidos antes da interpretação dos resultados.
08

Dados, vieses, privacidade e custos de adoção

A escolha de um método não substitui a revisão dos dados que ele utiliza. Um enxame humano pode revelar informações pessoais se as respostas forem identificadas ou compartilhadas sem controles adequados. Um sistema generativo pode receber dados em suas instruções, e um algoritmo de otimização pode usar registros operacionais que contenham informações sensíveis. Antes do teste, determine quais dados são necessários e quem terá acesso a eles.

O anonimato pode reduzir a identificação direta, mas não demonstra que uma atividade seja completamente privada nem que a identidade não possa ser inferida a partir de outros elementos. Em 2015, a Unanimous AI descreveu o UNU como anônimo em seu anúncio da versão beta; essa declaração sobre o produto naquele momento não deve ser interpretada como uma garantia válida para outra configuração ou data.

Os vieses podem surgir dos participantes, dos exemplos usados para desenvolver um sistema, dos dados operacionais, da função objetivo ou dos critérios de avaliação. Uma revisão prática pergunta quem está representado, quais grupos podem ficar de fora e se o sistema produz resultados diferentes em condições comparáveis. Um teste pequeno pode identificar problemas, mas não certifica a ausência de viés.

Os custos de adoção incluem mais do que uma possível tarifa de software: tempo de preparação, integração, treinamento, revisão humana, gestão de erros e manutenção. As fontes descritas aqui não fornecem uma estimativa geral de custos empresariais nem um retorno sobre investimento aplicável a uma organização específica. O custo total deve ser calculado com os dados e o fluxo de trabalho da própria organização.

A supervisão deve ser proporcional ao impacto da tarefa. Em uma sessão de geração de ideias, uma pessoa pode filtrar as propostas antes de compartilhá-las. Em uma decisão sobre recursos ou pessoas, pode ser necessária uma revisão mais rigorosa dos critérios, dos dados e das consequências. A supervisão não torna automaticamente o resultado correto: é uma parte do processo de controle e responsabilização.

Revisão prévia conforme a abordagem

AbordagemO que convém revisarControle útil para o projeto-piloto
Enxame humanoParticipação, anonimato declarado, dinâmica de influência e gestão de divergênciasExplicar como as respostas são combinadas e manter um registro que possa ser avaliado
PSODados, função objetivo, restrições e definição de uma solução aceitávelTestar candidatas com casos conhecidos e verificar a viabilidade fora do algoritmo
IA generativaDados inseridos, qualidade das respostas, vieses e uso previstoRevisar as respostas segundo critérios explícitos antes de utilizá-las
Sistema humano-computadorInteração, responsabilidades, custos e comparação com o processo habitualRegistrar qual componente produziu cada contribuição e como foi tomada a decisão final
09

Perguntas práticas antes de escolher ou implementar

Uma decisão informada começa pela especificação do problema e da evidência que seria suficiente para mudar a prática. Se o objetivo for gerar mais ideias, o critério pode se concentrar na qualidade e na diversidade útil, não apenas no volume. Se a meta for obter uma estimativa coletiva, é necessário ter um valor de referência. Se o objetivo for otimizar uma operação, as restrições e o custo de uma solução inviável devem estar explícitos.

Pergunte se o método precisa de participantes conectados, soluções candidatas ou um modelo que gere conteúdo. Descubra quais dados recebe, que resultado conserva, quem revisa as saídas e o que acontece quando não há acordo ou a solução viola uma restrição. As respostas devem descrever o produto e a configuração específicos, não apenas a categoria tecnológica.

Solicite uma comparação adequada ao seu caso de uso, que meça resultados relevantes. Uma média de estudos pode ajudar a formular uma hipótese, mas não substitui um projeto-piloto local. Da mesma forma, uma demonstração isolada não prova que o resultado se repetirá em outras condições.

Defina antecipadamente como serão tratados erros, casos duvidosos, informações sensíveis e resultados prejudiciais. Esclareça quem pode interromper o processo e quem responde pela decisão final. Um sistema que facilita a criação de ideias ou cálculos não elimina a responsabilidade das pessoas que os aplicam.

A conclusão útil não é que uma técnica seja universalmente melhor, mas que cada uma resolve uma classe de tarefas por meio de um mecanismo distinto. **Escolha o método de acordo com o problema, avalie o resultado em relação a uma alternativa e respeite os limites do que o teste permite afirmar.**

Lista de verificação para uma decisão

  1. 01O objetivo está definido como um resultado mensurável e pertinente?
  2. 02O mecanismo é colaboração humana, busca algorítmica, geração de conteúdo ou uma combinação?
  3. 03Os dados e as restrições correspondem ao uso real?
  4. 04Existe uma comparação adequada com a prática habitual ou outra alternativa?
  5. 05Serão medidos a qualidade, os custos totais, a revisão humana e os possíveis efeitos adversos?
  6. 06Estão claras a supervisão, a gestão de erros e a autoridade para interromper o processo?
  7. 07As conclusões previstas se limitam às condições efetivamente avaliadas?
10

Continue a explorar

Fontes consultadas

03

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.

Propor uma correção