A inteligência artificial encontra respostas exatas para problemas bem definidos. A gestão, porém, raramente oferece perguntas perfeitas: exige que os líderes interpretem cenários ambíguos, questionem pressupostos e saibam distinguir uma boa decisão de um resultado fortuito.
A ascensão da inteligência artificial (IA) trouxe consigo uma pergunta inevitável para as empresas: se as máquinas já conseguem resolver problemas matemáticos complexos, será possível entregar-lhes os números e libertar os gestores para outras funções?
A resposta é negativa. Pelo menos segundo um artigo publicado na Harvard Business Review, da autoria de Harsha V. Misra, fundador de uma sociedade de investimento privada e especialista nas áreas do capital de risco, consultoria de gestão e análise de dados. O autor defende que a matemática continua a ser a linguagem central dos negócios — e que dominá-la se tornou ainda mais importante na era da IA.
A tese apresentada não exige que os líderes sejam matemáticos ou saibam resolver equações particularmente complexas. Exige, sim, que sejam capazes de estruturar problemas, estimar resultados, identificar incoerências e tomar decisões num contexto de incerteza.
A matemática dos negócios não oferece perguntas perfeitas
A IA destaca-se na resolução de problemas claramente formulados, mas a gestão lida frequentemente com informação incompleta, mercados em mudança e variáveis difíceis de antecipar. As soluções empresariais têm, por isso, de ser práticas e adaptáveis.
Para utilizar bem a tecnologia, os gestores precisam primeiro de compreender o problema; caso contrário, poderão obter uma resposta sofisticada para uma pergunta mal formulada.
Modelos complexos também podem estar errados
A história empresarial mostra que modelos rigorosos podem falhar quando assentam em pressupostos frágeis. Aconteceu durante a bolha das empresas dot-com, quando as métricas de audiência se sobrepuseram à importância dos fluxos de caixa, e antes do colapso do Lehman Brothers, apesar das avaliações favoráveis dos analistas. Em 2014, Bill Gurley alertou também que as estimativas sobre a Uber estavam desajustadas por um fator de 25. A conclusão é comum aos três casos: a complexidade de um modelo não garante a qualidade do resultado.
TRY: pensar antes de aceitar
O princípio TRY — Think and Reason for Yourself defende que folhas de cálculo, modelos financeiros e ferramentas de IA não substituem o raciocínio de quem decide. Os gestores devem estimar resultados, testar hipóteses simples e aplicar cálculos aproximados para verificar se as conclusões fazem sentido. O objetivo não é abandonar os modelos detalhados, mas submetê-los ao escrutínio de quem conhece o negócio.
DO: uma boa decisão não garante um bom resultado
O princípio DO — Decisions versus Outcomes distingue a qualidade de uma decisão do resultado obtido. Numa simulação realizada durante um MBA, apenas cerca de 20% dos participantes tomaram sempre a decisão matematicamente correta. Embora este grupo tenha ficado entre os 10% e 15% com maior riqueza, alguns participantes que apostaram ao acaso obtiveram resultados superiores.
A experiência mostra que uma escolha robusta pode produzir um mau resultado, enquanto uma decisão deficiente pode ser favorecida pela sorte. Por isso, a liderança deve ser avaliada não apenas pelos resultados, mas também pela qualidade da informação, do raciocínio e da gestão do risco.
O pensamento probabilístico reduz o peso do acaso
A informação empresarial nunca é perfeita e os gestores não controlam todas as variáveis. Ainda assim, as árvores de decisão e a lógica probabilística permitem escolher com base nos melhores dados disponíveis. Esta abordagem ajuda a evitar que casos de sucesso fortuitos sejam confundidos com estratégias replicáveis.
WIN: reconhecer os problemas não lineares
O princípio WIN — When It’s Non-Linear alerta para os riscos de aplicar um raciocínio linear a processos multiplicativos. O artigo apresenta o exemplo de um jogo em que uma moeda pode aumentar a riqueza em 50% ou reduzi-la em 40%. Apesar de o cálculo aritmético indicar um ganho esperado de 5%, um participante que repita continuamente o jogo aproxima-se da falência com uma probabilidade próxima de 100%.
A explicação está na acumulação das perdas: em processos multiplicativos, cada resultado altera a base da ronda seguinte. Esta dinâmica é relevante para decisões de investimento, financiamento, fusões e aquisições, distribuição de recursos e orçamentos de marketing.
O Critério de Kelly ajuda a dimensionar o risco
O Critério de Kelly procura maximizar o crescimento no longo prazo através do dimensionamento adequado das apostas. A abordagem pretende evitar perdas capazes de comprometer a continuidade, sem impedir o aproveitamento de oportunidades favoráveis. Assim, uma decisão não deve avaliar apenas se existe uma vantagem, mas também quanto se pode arriscar.
Pensar com números é uma competência de liderança
A capacidade de cálculo da IA não reduz a importância da matemática na gestão. Os líderes continuam responsáveis por formular as perguntas certas, avaliar os resultados e identificar pressupostos frágeis. A proposta de Harsha V. Misra resume-se a três capacidades: pensar autonomamente, distinguir decisões de resultados e reconhecer problemas não lineares. Dominar a matemática na era da IA não significa competir com a tecnologia, mas saber orientá-la.
