As novas tecnologias exigem novas abordagens, e isso é especialmente evidente quando surge uma tecnologia de uso geral (General-Purpose Technology ou GPT), como a inteligência artificial generativa. O que define uma GPT e quais são as implicações da inteligência artificial generativa para a inovação de processos? Como a tomada de decisões deve evoluir no contexto da inovação impulsionada pela inteligência artificial generativa?

O surgimento de uma GPT é um acontecimento raro e transformador. A máquina a vapor impulsionou a Revolução Industrial e serviu como fonte de energia centralizada nas fábricas. Depois veio a eletricidade, que tornou a energia omnipresente e permitiu novos métodos de produção e projetos de fábricas. A invenção do semicondutor revolucionou os fluxos de trabalho e as estruturas organizacionais e possibilitou a informática eletrónica e as comunicações modernas através da Internet.

A IA generativa tornou‑se amplamente acessível para as empresas após o lançamento do ChatGPT em novembro de 2022, quando os fornecedores de serviços em nuvem integraram grandes modelos de linguagem e ferramentas relacionadas nas suas plataformas. O que podemos aprender com as GPT anteriores para nos orientar na adoção da IA generativa?

Conclusões que podem ser tiradas da adoção de GPTs anteriores

Os estudiosos da tecnologia identificam três características que definem uma GPT:¹

• Está presente em todas as aplicações.
• É capaz de alcançar uma melhoria técnica contínua.
• Impulsiona a co‑inovação no âmbito das aplicações.

A adoção da GPT desenvolve‑se ao longo do tempo. À medida que a IA generativa avança, as seguradoras continuarão a inovar, ampliarão a sua utilização e gerarão receitas para o seu desenvolvimento posterior, o que se traduz num ciclo de inovação e reinvestimento. A máquina a vapor levou dois séculos a evoluir e a ampliar as suas aplicações. A eletricidade avançou graças a inovações como a corrente alternada e o motor elétrico, e a tecnologia das baterias continua a evoluir atualmente. A informática eletrónica progrediu graças a marcos como a invenção das unidades de processamento gráfico pela NVIDIA. Em menos de dois anos desde o lançamento do ChatGPT, surgiram modelos de raciocínio que permitem à IA gerar novos dados² e resolver problemas matemáticos complexos³.

Três dimensões da inovação de processos

A inovação de processos impulsionada pela IA generativa ocorre em três dimensões, conforme ilustrado abaixo: melhoria ao nível das tarefas, redesenho dos fluxos de trabalho e redesenho organizacional. Estas dimensões diferem em termos do esforço de cocriação necessário e do valor económico agregado. À medida que a tecnologia amadurece, a adoção passará de melhorar as tarefas já existentes para habilitar novas tarefas dentro de fluxos de trabalho redesenhados, alguns dos quais serão coordenados e executados por agentes de IA em estruturas organizacionais inovadoras.

Dinâmica da inovação de processos da IA generativa

Tomada de decisões e opções reais

Esta interação dinâmica entre o progresso tecnológico e a co‑inovação influencia a forma como as decisões são tomadas. A adoção da IA generativa é iterativa e envolve uma aprendizagem contínua, bem como a implementação em novos fluxos de trabalho e modelos organizacionais. O ritmo desse ciclo de feedback acelerou desde a máquina a vapor até a eletricidade e os semicondutores, e espera‑se que seja ainda mais rápido com a IA generativa, o que colocará o setor de seguros em um caminho de aprendizagem rápida e inovação contínua.

Cada decisão de adoção acarreta um risco, a saber: um erro por omissão (não realizar um projeto valioso) ou um erro de ação (realizar um projeto que deveria ter sido evitado). Não realizar um projeto é algo totalmente irreversível, enquanto que executá‑lo acarreta frequentemente custos irrecuperáveis, ou seja, despesas que não podem ser recuperadas se o projeto for abandonado ou modificado.

Isto gera valor durante a espera. Adiar uma decisão permite conservar a opção de agir mais tarde com base em informações melhores. Este valor de opção reduz o valor atual líquido (VAN) tradicional de um projeto. No entanto, a espera também tem um custo, como oportunidades perdidas e menor flexibilidade no futuro. Este custo da espera aumenta o valor do projeto.⁴

A teoria das opções reais enfatiza a aprendizagem e a reversibilidade. Ela favorece tecnologias que permitem tomar decisões reversíveis e ampliar as opções futuras. Esses dois fatores apoiam a inovação complementar de baixo custo e a adoção precoce. Embora as opções reais sejam difíceis de quantificar em ambientes complexos, o seu valor prático reside em orientar a tomada de decisões, priorizando tecnologias que permitem a reversibilidade e ampliam as oportunidades futuras.

A curva em J na produtividade medida

A adoção de uma GPT requer investimentos complementares. No caso da IA generativa, os principais investimentos são a infraestrutura em nuvem, a arquitetura de dados e as capacidades organizacionais em engenharia de dados e IA. Ao nível dos fluxos de trabalho, a co‑inovação implica o desenvolvimento de competências na colaboração entre humanos e IA, bem como na coordenação de fluxos de trabalho com agentes de IA.

Esses investimentos geram ativos intangíveis que inicialmente se convertem em resultados, ou seja, em produtos dos esforços da organização. Com o tempo, eles se convertem em insumos para a produção. As métricas tradicionais de produtividade muitas vezes são incapazes de captar esses ativos, subestimando a produtividade durante a sua formação e superestimando‑a uma vez implementados.⁵

Para as seguradoras, uma medida aproximada da produtividade é o índice de despesas. Durante o desenvolvimento dos ativos intangíveis, as despesas aumentam sem contribuir para a produção. Uma vez implementados, melhoram a produção sem aumentar as despesas. Esta dinâmica pode resultar numa curva em J na produtividade medida, ou seja, numa diminuição inicial seguida de ganhos a longo prazo, conforme ilustrado abaixo. Reconhecer este efeito é essencial para avaliar com precisão o impacto da IA generativa na produtividade, tanto a curto como a longo prazo.

A curva em J na produtividade medida

Notas finais

1. Cfr. F. Bresnahan e Manuel Trajtenberg, «General Purpose Technologies: ‘Engines of Growth’?», Journal of Econometrics 65 (1), 83‑108, 1995, https://www.sciencedirect.com/science/article/pii/030440769401598T. Documento de trabalho (agosto de 1992) em https://www.nber.org/system/files/working_papers/w4148/w4148.pdf.
2. Um exemplo de sistema de IA capaz de gerar novos dados é o AlphaGo, da Google Deep Mind, que inventou novos movimentos no jogo Go. Cf. Google Deep Mind, AlphaGo, https://deepmind.google/research/projects/alphago/.
3. Cf., por exemplo, Ben Cohen, «The High‑Schoolers Who Just Beat the World’s Smartest AI Models», The Wall Street Journal, 27 de julho de 2025, https://www.wsj.com/tech/ai/imo-gold-math-olympiad-google-deepmind-openai-2450095e.
4. Cf., por exemplo, Keith J. Leslie e Max P. Michaels, «The real power of real options», The McKinsey Quarterly, 1997, número 3, 97‑108, https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/the-real-power-of-real-options#/.
5. Cf. Erik Brynjolfsson, Daniel Rock e Chad Syverson, «The Productivity J‑Curve: How Intangibles Complement General Purpose Technologies», American Economic Journal: Macroeconomics 13(1), 333-372, 2021, documento de trabalho (janeiro de 2020) em https://www.nber.org/papers/w25148.

Notas finais consultadas pela última vez em 22 de agosto de  2025.