A próxima fronteira da IA não é prever o futuro, é ensaiá-lo

Por Gui Rangel, embaixador IA4FIN

Meu trabalho é rastrear mudanças enquanto elas ainda são pequenas. Na prática, isso significa passar boa parte do tempo nas fronteiras menos visíveis da tecnologia, onde as coisas ainda não têm nome de mercado nem case de sucesso para exibir. Foi ali que uma expressão começou a aparecer com uma frequência que eu não conseguia ignorar: World Models, ou modelos de mundo.

À primeira vista, parecia mais um dos termos técnicos que surgiram desde a IA generativa. Mas quanto mais eu investigava, mais ficava claro que não se tratava de uma nova geração de modelos. Era uma mudança na forma como organizações podem se relacionar com o futuro.

O que me prendeu foi uma pergunta: o que aconteceria se um banco pudesse ensaiar suas decisões antes de tomá-las no mundo real?

Imagine uma instituição financeira que atravessa milhares de crises antes que a próxima aconteça. Em uma delas, uma notícia falsa provoca uma corrida bancária. Em outra, agentes de IA sacam depósitos em segundos.

Há ataques cibernéticos, rupturas climáticas, viradas regulatórias, concorrentes que ninguém viu chegar. Em cada ambiente, o banco decide diferente, observa como clientes, mercados e reguladores reagem, e aprende. Tudo isso sem colocar capital, reputação e pessoas em risco.

Nenhuma dessas crises aconteceu. Todas foram ensaiadas.

Ainda não chegamos nesse grau de sofisticação. Mas o caminho já está desenhado.

Uma IA que não responde: experimenta

Boa parte da IA que conhecemos foi treinada para reconhecer padrões e gerar respostas. Simplificando bastante: um modelo de linguagem calcula qual palavra provavelmente vem depois.

Um World Model tem outra ambição. Ele constrói uma representação interna de um ambiente, entende como esse ambiente se transforma ao longo do tempo e estima o que acontece depois de cada ação. Em vez de responder "o que aconteceria se...", ele cria um espaço onde alguém pode agir e descobrir.

A diferença ficou concreta para mim quando conheci o Genie 3, apresentado pela Google DeepMind em 2025. A partir de um texto ou de uma imagem, ele gera ambientes interativos, exploráveis em tempo real. Ainda existem limites sérios de duração, precisão e consistência. Mas não são vídeos. São mundos que reagem a quem entra neles.

Hoje a pesquisa está concentrada em robótica. Um robô pratica milhares de situações em ambientes virtuais antes de pisar numa fábrica, numa casa ou numa rua. A Nature já trata os modelos de mundo como uma das frentes mais promissoras para ampliar a capacidade da IA de entender e agir no mundo físico.

Foi lendo sobre robôs aprendendo em mundos simulados que eu fiz a conexão que me interessa de verdade. Mercados também são ambientes dinâmicos. São sistemas povoados por agentes que decidem, reagem uns aos outros e transformam o contexto em que estão inseridos. É esse o tipo de movimento que eu procuro no meu trabalho: uma tecnologia sendo construída para um domínio, com tudo para desembarcar em outro antes que esse outro perceba.

Do stress test ao ensaio de futuros

O sistema financeiro já trabalha com cenários, simulações e stress tests. Não estamos começando do zero. A diferença é que boa parte desses instrumentos opera com premissas relativamente estáticas: juros, câmbio, inadimplência, liquidez, preço de ativo.

Nenhuma delas explica o Silicon Valley Bank. Em 9 de março de 2023, clientes tentaram sacar US$ 42 bilhões em um único dia, com o pânico correndo por grupos de investidores e redes sociais mais rápido do que qualquer mesa conseguiria reagir. O gatilho não estava em nenhuma linha da planilha: era uma narrativa se propagando por uma rede.

Ao imaginar como os World Models evoluem, comecei a enxergar outra coisa. Cenários virando ambientes, com clientes, concorrentes, fraudadores, reguladores e outros agentes de IA respondendo às decisões da instituição e uns aos outros, e cada ação mudando o contexto da decisão seguinte.

Em vez de calcular a perda esperada numa recessão, o banco exploraria como as narrativas sobre a crise se espalham, como os clientes reagem e quais decisões ampliam ou reduzem a instabilidade. Uma nova política de crédito seria avaliada não só pelo resultado imediato, mas pelo efeito sobre consumo, endividamento e reputação. Um produto seria testado com populações sintéticas antes de chegar ao mercado. Agentes de tesouraria, antifraude ou atendimento treinariam em milhares de situações raras, inclusive as que a instituição nunca viveu.

No limite, teríamos digital twins – gêmeos digitais – não de máquinas e processos, mas de bancos, mercados e ecossistemas econômicos inteiros.

O que me interessa nisso não é prever melhor. É poder errar sem pagar, no mundo real, o preço inteiro do erro. World Models não seriam bolas de cristal. Seriam ambientes de ensaio.

A sedução dos futuros sintéticos

Quanto mais eu explorava essas possibilidades, mais uma segunda inquietação se impunha. A mesma capacidade que amplia nossa exploração de futuros cria uma forma nova de cegueira.

Todo mundo sintético nasce de dados, escolhas, simplificações e ausências. Um ambiente pode ser convincente, coerente em cada detalhe, e ainda assim estar profundamente errado sobre a realidade que pretende representar. Um banco pode atravessar mil crises simuladas e seguir despreparado para a milésima primeira: a que não estava nos dados, nem nas premissas, nem na imaginação de quem construiu o modelo.

Como futurista, aprendi a desconfiar de futuros nítidos demais. Quanto mais convincente a representação, mais fácil esquecer que ela continua sendo uma representação.

Nas finanças existe um agravante: reflexividade. O mercado não reage só ao que acontece, reage às expectativas sobre o que vai acontecer. Quando uma simulação passa a orientar decisões de crédito, investimento ou liquidez, ela deixa de representar o sistema e começa a modificá-lo.

E se várias instituições usarem modelos parecidos, alimentados por dados parecidos e otimizados para objetivos parecidos, vão convergir para as mesmas leituras e agir sincronizadas. O Bank of England já alertou para isso: participantes movidos a IA tendem a assumir posições cada vez mais correlacionadas, o que amplifica o impacto de vendas forçadas em momentos de estresse.

O paradoxo se fecha aí. Uma tecnologia criada para navegar a incerteza pode produzir uma confiança perigosa em futuros sintéticos.

O gargalo não vai ser tecnológico

Outra conclusão a que cheguei é que os World Models vão criar uma assimetria nova no setor financeiro. De um lado, instituições usando IA para cortar custo e automatizar tarefa. De outro, instituições usando IA para desafiar premissas, ensaiar decisões e construir capacidades antes de precisar delas.

Mas ter o modelo mais sofisticado não basta. Dá para criar dezenas de futuros sintéticos e usar todos eles para confirmar uma decisão já tomada. Dá para simular cenários divergentes e continuar promovendo quem defende uma única visão de futuro. Dá para enxergar uma ruptura e esperar até que a evidência fique tão clara que todos os concorrentes vejam a mesma coisa ao mesmo tempo.

O gargalo vai ser cognitivo, cultural e estratégico. A vantagem estará na qualidade das perguntas feitas ao modelo, na diversidade dos cenários construídos, na coragem de reconhecer premissas frágeis e, principalmente, na disposição de mudar diante do que o ensaio revelar.

Foi nesse ponto da investigação que encontrei a conexão mais relevante com o futureproofing, que é a lente com que eu trabalho. Preparar-se para o futuro nunca foi descobrir antes qual cenário vai acontecer. É explorar futuros diferentes, ler sinais de mudança, testar premissas e desenvolver capacidades que continuem valendo em mais de um deles.

E um modelo só trabalha com aquilo que consegue representar. É por isso que o meu trabalho, e o das lideranças que levam isso a sério, continua sendo procurar o que ficou de fora: comportamentos emergentes, mudanças culturais, efeitos de segunda e terceira ordem, rupturas que ainda não geraram dados suficientes para entrar em modelo nenhum.

Um World Model consegue te mostrar o futuro acidental, aquele que simplesmente acontece com você. O futuro intencional, aquele que você escolheu construir, continua sendo decisão humana.

Por isso não faz sentido esperar réplicas digitais perfeitas de bancos e mercados para começar. Tornar premissas explícitas, confrontar modelos com perspectivas divergentes, combinar sinal quantitativo e qualitativo, criar experimentos que ensinem antes de escalar uma decisão. Isso começa agora, e é o que vai determinar se a tecnologia vira instrumento de aprendizagem ou máquina sofisticada de confirmação.

No início dessa investigação, minha pergunta era quando os World Models conseguiriam prever o futuro. Provavelmente nunca, porque o futuro não é um destino pronto esperando para ser descoberto.

A pergunta que ficou é outra: o que a sua instituição vai fazer quando puder ensaiar decisões em futuros sintéticos antes de vivê-las? Quem tratar isso como mais uma aplicação de IA vai ganhar eficiência. Quem usar para questionar as próprias certezas ganha a única coisa que não se compra depois: tempo para agir antes de ser obrigado a reagir.