Como a indústria pode se preparar para futuros incertos

A inteligência artificial está avançando em uma área até então dominada por especialistas humanos: a previsão de eventos futuros. Sistemas experimentais já conseguem estimar a probabilidade de eventos econômicos, tecnológicos, políticos e sociais, alcançando posições de destaque em competições internacionais de previsão.

Em julho de 2026, o Forecasting Research Institute informou que os sistemas mais bem colocados em seu benchmark apresentavam resultados estatisticamente indistinguíveis dos obtidos por superprevisores humanos — pessoas que demonstram desempenho excepcional e consistente em previsões probabilísticas. Pouco tempo antes, os melhores modelos ainda estavam atrás desses especialistas, o que evidencia a velocidade da evolução tecnológica.

Para a indústria, entretanto, o aspecto mais relevante desse avanço não é a possibilidade de encontrar uma “bola de cristal” digital. O verdadeiro potencial está em combinar a velocidade e a capacidade analítica da IA com métodos de futures thinking — ou pensamento de futuros — e com o conhecimento de profissionais qualificados.

Essa combinação pode ajudar as organizações a reconhecer sinais de mudança, avaliar riscos interligados, construir cenários e tomar decisões mais robustas. O objetivo não é eliminar a incerteza, algo impossível em ambientes complexos, mas desenvolver a capacidade de agir diante dela.

Forecasting e futures thinking não são a mesma coisa

Forecasting e futures thinking são abordagens complementares, mas respondem a perguntas diferentes. O forecasting procura estimar a probabilidade de um acontecimento específico. Uma empresa pode perguntar, por exemplo, qual é a chance de o preço de determinada matéria-prima ultrapassar um certo valor nos próximos 12 meses, de um concorrente lançar uma nova tecnologia ou de uma regulamentação entrar em vigor até uma data específica.

Para responder, previsores qualificados estabelecem taxas históricas de referência, pesquisam evidências, identificam variáveis relevantes e atualizam suas estimativas à medida que surgem novas informações. Em vez de afirmar categoricamente que algo acontecerá, atribuem probabilidades e explicitam o grau de incerteza.

Já o futures thinking não busca determinar um único futuro mais provável. Seu propósito é explorar diferentes futuros possíveis, plausíveis, prováveis e desejáveis, examinando o que cada um significaria para as decisões do presente.

A prospectiva estratégica, uma das principais aplicações dessa abordagem, emprega métodos sistemáticos e colaborativos para questionar pressupostos, observar transformações e construir cenários. A Organização para a Cooperação e Desenvolvimento Econômico define a prospectiva como a capacidade de explorar e se preparar para múltiplos futuros plausíveis, bem como para as oportunidades e os desafios que eles trazem. A Comissão Europeia também ressalta que o foresight não é uma ferramenta para prever o futuro, mas sim um conjunto de métodos para compreender as mudanças e lidar melhor com a incerteza.

Na prática, as duas abordagens podem atuar juntas. O forecasting ajuda a acompanhar eventos delimitados e mensuráveis. O futures thinking amplia a perspectiva, investiga as relações entre diferentes forças de mudança e permite avaliar as consequências de cenários alternativos. O planejamento estratégico, por sua vez, converte essas análises em escolhas, prioridades e ações.

Onde a inteligência artificial pode contribuir

A IA oferece uma nova escala para atividades que antes exigiam muito tempo de pesquisa e organização. Sistemas bem configurados podem acompanhar milhares de fontes, encontrar relações entre informações dispersas, produzir sínteses e revisar estimativas continuamente.

Uma das aplicações mais promissoras é o horizon scanning, ou monitoramento de horizontes. A organização observa pesquisas científicas, patentes, investimentos, alterações regulatórias, notícias, movimentos de concorrentes e transformações no comportamento dos consumidores. A finalidade é identificar tendências, riscos emergentes e sinais fracos — indícios ainda pequenos ou dispersos de mudanças que podem se tornar relevantes.

Na indústria, esse monitoramento pode abranger temas como:

• disponibilidade e preço de matérias-primas;
• vulnerabilidades na cadeia de suprimentos;
• tecnologias de produção e automação;
• transição energética e descarbonização;
• eventos climáticos extremos;
• mudanças comerciais e geopolíticas;
• novas exigências regulatórias;
• transformações na demanda;
• disponibilidade de profissionais qualificados;
• surgimento de materiais, produtos e modelos de negócio.

A IA pode classificar e relacionar essas informações, mas seu valor aumenta quando os resultados alimentam um processo estruturado. Um sinal isolado raramente justifica uma mudança estratégica. Um conjunto coerente de sinais, validado por especialistas e relacionado a fatores críticos do negócio, pode indicar a necessidade de investigar um novo risco ou uma nova oportunidade.

A tecnologia também pode apoiar a construção de cenários. Depois que a organização identifica tendências e incertezas críticas, modelos de IA podem ajudar a explorar diferentes combinações entre elas, a levantar consequências e a identificar contradições. Podem, por exemplo, analisar como uma empresa seria afetada pela combinação de energia mais cara, restrições de carbono, instabilidade logística e rápida adoção de uma tecnologia substituta.

Isso não significa delegar à máquina a definição dos cenários. A qualidade do exercício depende da diversidade de perspectivas, da experiência prática e da capacidade de questionar premissas. A IA funciona melhor como instrumento de pesquisa, exploração e contestação — não como autora incontestável do futuro.

Do cenário à preparação estratégica

Cenários só geram valor quando ajudam a melhorar decisões reais. Depois de construir futuros plausíveis, a empresa pode submeter sua estratégia a testes de resistência. Esse exercício, por vezes chamado de wind tunneling, busca avaliar como uma decisão se comportaria em diferentes cenários. Um investimento pode parecer adequado no cenário considerado mais provável, mas revelar fragilidades quando se alteram os custos energéticos, a disponibilidade de insumos, as exigências ambientais ou as preferências dos clientes.

A análise permite distinguir três tipos de decisão:

• ações robustas, que produzem benefícios em quase todos os cenários;
• decisões condicionais, que devem ser executadas apenas quando determinados sinais surgirem;
• apostas estratégicas, que oferecem grande retorno potencial, mas exigem controle de exposição e critérios claros de revisão.

Outro método útil é o backcasting. A organização define um futuro desejado — como atingir a neutralidade de carbono, digitalizar uma linha de produção ou reduzir determinada dependência externa — e trabalha de trás para frente, identificando os passos necessários para alcançá-lo. A IA pode auxiliar na comparação de trajetórias, tecnologias e restrições, enquanto especialistas avaliam a viabilidade operacional, econômica e social dessas trajetórias.

O processo também deve produzir indicadores antecipatórios. Em vez de esperar que uma ruptura se concretize, a empresa acompanha as evidências que indiquem qual cenário está ganhando força. Esses indicadores podem incluir pedidos de patentes, investimentos de capital de risco, mudanças regulatórias, preços, capacidade instalada, formação de profissionais ou decisões de grandes compradores.
Assim, a estratégia deixa de ser um plano estático. Ela passa a incorporar hipóteses explícitas, sinais de acompanhamento e pontos de decisão.

Pessoas qualificadas continuam no centro

O avanço dos sistemas de previsão não reduz a importância das pessoas. Ao contrário, torna algumas competências humanas ainda mais valiosas. Uma IA pode examinar uma enorme quantidade de informação, mas não conhece automaticamente os objetivos, as limitações operacionais e os valores de uma organização. Também não determina sozinha quais perguntas merecem ser feitas, quais consequências são aceitáveis ou quem deve responder por uma decisão.

Profissionais qualificados precisam definir o problema, selecionar fontes, avaliar a qualidade dos dados e questionar as respostas. Precisam ainda reconhecer quando uma correlação foi confundida com causalidade, quando um cenário ignora um ator importante ou quando uma recomendação aparentemente eficiente gera impactos humanos, ambientais ou reputacionais inaceitáveis.

O trabalho exige equipes multidisciplinares. Especialistas em dados e IA devem atuar ao lado de profissionais de estratégia, operações, engenharia, mercado, sustentabilidade, segurança, regulação e gestão de riscos. Trabalhadores próximos aos processos produtivos também podem identificar restrições e sinais que não aparecem nos bancos de dados corporativos.
A participação humana não deve funcionar como uma assinatura formal ao final do processo. Para ser efetiva, precisa permitir que as pessoas compreendam, contestem e, quando necessário, rejeitem as conclusões do sistema.

Esse cuidado é especialmente importante porque as previsões podem influenciar o próprio fenômeno analisado. A expectativa de escassez, por exemplo, pode estimular compras antecipadas e agravar a falta de um insumo. A previsão de queda de mercado pode provocar retração dos investimentos e contribuir para que o resultado se concretize. Na gestão de pessoas, uma estimativa algorítmica pode limitar oportunidades e reproduzir desigualdades existentes. Consequentemente, previsões não são neutras. Elas integram o ambiente sobre o qual pretendem informar.

Rigor antes da velocidade

A capacidade de gerar análises rapidamente pode criar uma falsa sensação de precisão. Respostas bem escritas, cenários detalhados e percentuais específicos não constituem, por si só, evidência de qualidade.

Um processo rigoroso deve registrar as fontes, as hipóteses, os critérios e as limitações. As previsões precisam ter um horizonte temporal e condições de verificação claramente definidos. Também devem ser avaliadas ao longo do tempo, permitindo comparar as probabilidades estimadas com os resultados observados.

A governança deve estabelecer quem pode criar, aprovar, utilizar e revisar as análises. Dados sensíveis necessitam de controles de segurança, e informações produzidas por modelos precisam ser rastreáveis. Sempre que possível, as equipes devem confrontar os resultados da IA com métodos alternativos, com especialistas humanos e com evidências independentes.

O AI Risk Management Framework, desenvolvido pelo Instituto Nacional de Padrões e Tecnologia dos Estados Unidos, recomenda que as organizações incorporem governança, medição e gestão de riscos ao longo de todo o ciclo de vida dos sistemas de IA. O documento também destaca a necessidade de papéis e responsabilidades claramente definidos para diferentes configurações de interação entre pessoas e máquinas.

Na prática, uma empresa pode estruturar o uso estratégico da IA em um ciclo contínuo:

• definir uma decisão ou vulnerabilidade relevante;
• formular perguntas claras e verificáveis;
• monitorar tendências, sinais e incertezas;
• combinar análise automatizada e conhecimento especializado;
• construir cenários diferentes, e não apenas um futuro preferido;
• testar a estratégia em cada cenário;
• definir indicadores, limites e planos de contingência;
• acompanhar os resultados e recalibrar as análises.

O método impede que a tecnologia se transforme em um gerador de narrativas convincentes sem conexão com decisões concretas.

Resiliência não é apenas resistir

No contexto industrial, a resiliência costuma ser associada à capacidade de suportar crises e de restabelecer as operações. Essa definição, embora importante, é incompleta. Uma organização resiliente não apenas retorna ao estado anterior. Ela percebe mudanças, aprende, adapta processos e, quando necessário, transforma seu modelo de atuação. Pode diversificar fornecedores, redesenhar produtos, formar novas competências, desenvolver alternativas tecnológicas ou alterar o ritmo de seus investimentos.

A prospectiva estratégica contribui para esse processo ao revelar dependências e escolhas que normalmente permanecem implícitas. Os cenários permitem ensaiar crises antes que aconteçam, mas também ajudam a reconhecer oportunidades que poderiam passar despercebidas.

Essa preparação não elimina surpresas. Eventos raros, interações inesperadas e mudanças de comportamento continuarão a desafiar até mesmo os modelos mais avançados. O benefício está em reduzir a rigidez da organização e ampliar seu repertório de respostas.

A Unesco associa a alfabetização de futuros à capacidade de pessoas e instituições utilizarem diferentes imagens do futuro para compreender melhor o presente. Essa competência favorece a criatividade, a inovação e o maior conforto diante da incerteza. Para a indústria, isso significa não tratar as tendências atuais como destinos inevitáveis nem confundir uma projeção com uma ordem a ser seguida.

Preparar-se é mais importante do que acertar

A evolução das IAs previsoras é relevante, mas a corrida pelo sistema mais preciso não deveria obscurecer a finalidade da previsão. Uma pequena diferença na taxa de acerto tem pouco valor se a organização não souber como responder ao resultado.

O futuro da estratégia industrial provavelmente não será conduzido apenas por executivos experientes nem exclusivamente por modelos automatizados. Será construído por organizações capazes de integrar evidências, imaginação, conhecimento técnico, participação e aprendizado contínuo.

Nesse ambiente, a IA pode funcionar como uma parceira analítica: pesquisa, compara, calcula, sugere e questiona. Aos seres humanos cabe estabelecer objetivos, interpretar as implicações, fazer escolhas e assumir a responsabilidade por elas.

A organização mais preparada não será necessariamente aquela que afirma prever o futuro com maior exatidão. Será aquela que reconhece a existência de vários futuros possíveis, identifica antecipadamente os sinais de mudança e age com responsabilidade quando as condições se alteram.

Mais do que buscar certezas, a combinação entre IA, futures thinking e profissionais qualificados oferece à indústria algo mais realista e valioso: capacidade de preparação, adaptação e construção de resiliência.

Referências

• GALLAGHER, Nick. AI forecasters are catching up to humans. It’s a new opportunity for businesses—if they hire the humans too. IBM Think, 28 set. 2026. Disponível em: IBM Think.
• FORECASTING RESEARCH INSTITUTE. AI models have likely reached parity with superforecasters on ForecastBench. 2026. Disponível em: Forecasting Research Institute.
• KARGER, Ezra et al. ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities. 2024. Disponível em: arXiv.
• OECD — Organisation for Economic Co-operation and Development. Strategic Foresight. Disponível em: OECD.
• OECD — Organisation for Economic Co-operation and Development. Strategic Foresight Toolkit for Resilient Public Policy. Paris: OECD Publishing, 2025. Disponível em: OECD.
• EUROPEAN COMMISSION — Joint Research Centre. Strategic Foresight in the EU. Disponível em: Comissão Europeia.
• UNESCO — United Nations Educational, Scientific and Cultural Organization. Futures Literacy and Foresight. Disponível em: UNESCO.
• NIST — National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework — AI RMF 1.0. Gaithersburg, 2023. Disponível em: NIST AI Resource Center.
• TETLOCK, Philip E.; GARDNER, Dan. Superforecasting: The Art and Science of Prediction. New York: Crown, 2015.