Do sinal fraco à decisão informada.

Previsões lineares, que tratam o futuro como extrapolação do passado, falham justamente quando mais importam: nas rupturas. Tecnologias, mercados e comportamentos mudam de regime de forma abrupta, e os sinais que antecedem essas mudanças costumam ser fracos, ambíguos e dispersos.

Há também um problema de excesso: quanto mais dados disponíveis, pior a relação entre sinal e ruído. E o mesmo sinal pode ser lido de formas opostas conforme o modelo mental de quem observa. Um método serve para disciplinar essa leitura: declarar a pergunta antes de olhar os dados, buscar explicações alternativas e separar o que foi observado do que é hipótese.

O método do think tank não foi inventado do zero. Ele combina seis décadas de pesquisa em prospectiva, sistemas complexos e previsão, e incorpora o que mudou recentemente: dados públicos acessíveis por API e modelos de linguagem capazes de ler grandes volumes de texto.

Nenhuma técnica isolada detecta rupturas com segurança. Técnicas quantitativas encontram padrões nos dados; técnicas qualitativas explicam por que esses padrões importam e para quem. O método combina as duas, e a escolha depende da pergunta, não de uma receita fixa.

Quando um sistema (um mercado, uma rede elétrica, um ecossistema) se aproxima de um ponto de virada, sua força de recuperação enfraquece. Choques comuns passam a empurrá-lo mais longe e por mais tempo. Esse fenômeno, o abrandamento crítico, deixa duas marcas medíveis em séries temporais: a variância cresce e a autocorrelação se aproxima de 1. A Figura 4 ilustra o mecanismo com uma série simulada.

O ciclo de hype é útil para comunicar expectativas, mas sua consistência empírica foi questionada na literatura acadêmica e em análises que acompanharam tecnologias ao longo do tempo: só uma minoria percorre as cinco fases previstas, e muitas nunca saem do vale da desilusão. Por isso o think tank prefere medir a difusão real, com curvas estimadas sobre dados de adoção, e tratar narrativas de mercado como sinal a investigar, não como conclusão.

Modelos de linguagem mudaram o custo de ler. Um LLM pode percorrer milhares de artigos, patentes e documentos, agrupar temas e apontar onde um assunto marginal começou a ganhar citações em áreas sem relação aparente. A literatura recente mostra que a IA não elimina o julgamento humano: redistribui o esforço, filtrando o ruído para que a análise humana se concentre na relevância estratégica.

É esse o uso adotado. A IA amplia a capacidade de busca, organização, análise e contestação. A responsabilidade pela interpretação e pela publicação permanece com o autor.

Não promete prever o futuro, não transforma correlação em causalidade e não exige que toda pesquisa termine em oportunidade de negócio. Quando a evidência é insuficiente, a recomendação é acompanhar indicadores definidos. O método é uma versão 1 em teste: os registros e controles serão revisados à medida que novas pesquisas o colocarem à prova, antes de qualquer automação por agentes.