A era da verificação por IA: além da narrativa atual sobre a IA

O Dr. Patrick Lucey é cientista-chefe da Stats Perform, onde lidera a estratégia de pesquisa e inovação em IA da empresa. Neste seu artigo mais recente, ele explora como o debate em torno da IA está mudando: de um foco no que os sistemas podem gerar para o que as organizações podem confiar, verificar e colocar em prática de forma confiável em grande escala — e por que o esporte está se tornando um campo de testes para essa próxima era.

Nos últimos meses, tenho percorrido todo o ecossistema de IA – desde os palcos cheios de energia da NVIDIA GTC e da MIT Sports Summit até o foco estratégico da Wisconsin AI for Business Summit, o nosso próprio Fórum Optae uma sala de aula do EMBA.

Deixando de lado as cúpulas e conferências, fica claro que chegamos a um ponto de inflexão. O debate passou da “novidade” do que os atuais modelos de IA autônomapoderiamfazer para a necessidade do que elesdeveriamfazer. Estamos deixando de tratar a IA como um chatbot reativo e passando a tratá-la como um sistema de produção proativo – uma “Fábrica de IA”. No entanto, antes de implementar essas fábricas, precisamos garantir que a verificação e a supervisão necessárias estejam em vigor. Enquanto o mundo dos negócios se concentra na implantação desses sistemas no âmbito digital, o “burburinho” em torno da pesquisa e da inovação está firmemente centrado na IA Física.   

Mas como isso se relaciona com o que estamos fazendo no mundo do esporte? 

O esporte é único porque se situa na interseção perfeita entre os mundos físico e digital. Enquanto muitos setores operam inteiramente no mundo digital de textos, códigos e imagens, o esporte trata fundamentalmente do que os seres humanos fazem com seus corpos em tempo real. É um dos ativos mais valiosos do planeta – não apenas economicamente, mas também socialmente – e faz parte do nosso tecido social global, conectando comunidades além das fronteiras por meio de uma linguagem universal. Como nos importamos profundamente com esses momentos humanos, a criação dos dados e a utilização desses dados por meio da IA devem ser irrepreensíveis. Minha motivação para este artigo é dupla: 

1. Conectando os ecossistemas:Para garantir que o mundo do esporte esteja plenamente ciente das rápidas mudanças no panorama mais amplo da IA — especificamente a tendência em direção a fluxos de trabalho autônomos e às “fábricas de IA” — e de como essas tendências globais estão agora se conectando diretamente ao campo de jogo. 
2. O esporte como o campo de provas definitivo:para mostrar às pessoas de fora do mundo do esporte que o trabalho que estamos realizando na área de IA aplicada ao esporte está entre os mais sofisticados que existem. Como precisamos lidar com a realidade física em tempo real e em grande escala, o esporte é o “teste de estresse” definitivo para a confiabilidade da IA e para a próxima geração de IA, que gira em torno da verificabilidade, da confiança e da confiabilidade. 

A seguir, apresento um resumo das principais tendências que identifiquei ao longo deste período e como elas se relacionam com o que estamos fazendo na Stats Perform.

1. Utilizar tokens com sabedoria 

Na GTC da NVIDIA, o CEO Jensen Huang destacou que já superamos a era do data center tradicional. Durante décadas, esses centros foram meros centros de custo passivos — armazéns digitais projetados para o armazenamento e a recuperação de informações. Hoje, estamos construindo “fábricas de IA”: instalações onde o trabalho de fato é realizado. Nesse novo paradigma, a IA Agente é o motor que executa esse trabalho. 

Na prática, esses sistemas Agentic funcionam como funcionários digitais – sistemas capazes de planejar, utilizar softwares e concluir fluxos de trabalho com várias etapas de forma autônoma. Ferramentas como Claude Code ou OpenClaw dão uma ideia desse novo “trabalho automatizado”.

Do ponto de vista das operações comerciais, o debate passou de “Como usamos a IA?” para “Como podemos usar a IAda melhor maneira possível?”, sob a ótica do valor e da eficiência. Embora a IA tenha tornado a criação de código ou a geração de conteúdo incrivelmente fácil, ela também traz um novo desafio: a necessidade de manter e verificar novas bases de código e resultados. 

Precisamos ser pragmáticos quanto ao uso dessas estruturas. Os tokens não são gratuitos. Utilizar um agente de alto raciocínio para uma simples consulta em uma planilha é como usar um motor a jato para ir ao supermercado. É por isso que estamos vendo empresas de IA mudarem rapidamente seus modelos de preços para refletir ocusto real da utilização de sistemas de IA agentiva. Se as empresas não tomarem cuidado, podemesgotar seu orçamento de computação em um piscar de olhos.  Além disso, cada ação automatizada também representa um novo risco à segurança – algo queo modelo Mythos da Anthropic demonstrou recentementeao expor, em segundos, vulnerabilidades que haviam sobrevivido a décadas de revisão humana. 

De muitas maneiras, isso reflete um princípio fundamental do aprendizado de máquina clássico: às vezes, um modelo linear é superior a uma rede neural profunda porque é mais fácil de regularizar, mais fácil de interpretar e mais resistente a erros. 

A mensagem para 2026 é clara:

Se você não entende como o sistema de IA funciona e não consegue verificá-lo, provavelmente não deveria estar criando-o. A desculpa da “caixa preta” já não vale mais. À medida que regulamentações como aLei de IA da UEentram em pleno vigor e as leis estaduais dos EUA introduzem uma responsabilidade civil rigorosa, as organizações passam a ser legal e eticamente responsáveis por cada “alucinação” autônoma. Não dá para se esconder atrás de um sistema que você não entende.

Para ter sucesso na era da IA, as organizações precisam de especialistas capazes de supervisionar os sistemas de IA, identificar casos extremos e intervir quando necessário. 

2. A era do especialista em contexto

Em todas as conferências e salas de aula que visitei, uma pergunta pairava sobre todas as conversas:“Qual é o futuro do meu emprego?” Tanto para recém-formados quanto para trabalhadores que perderam seus empregos, o surgimento da IA Agente – sistemas capazes de navegar de forma autônoma pelo mundo digital e escrever seu próprio software –gerou um medo palpável.

Por que essa queda? Na minha opinião, é porque a “Era do Programador” está sendo substituída pela “Era do Especialista em Contexto”. O conhecimento geral em programação está se tornando algo comum. O que faz a diferença é a profunda especialização no domínio — especialmente na “etapa final”, onde casos extremos, restrições e a variabilidade do mundo real precisam ser compreendidos e verificados. À medida que a IA lida com os casos comuns, a expertise humana torna-se fundamental para garantir que os sistemas se comportem corretamente nos cenários que mais importam. 

Em áreas regulamentadas como medicina, direito e finanças, o valor está mudando da “suposição” generativa para a auditoria determinística. Isso é o Paradoxo de Jevons em ação: à medida que a IA torna as tarefas cognitivas básicas mais baratas e rápidas, não fazemos menos — produzimos exponencialmente mais. Já vimos isso antes na contabilidade com a introdução da planilha eletrônica — muitos esperavam que ela reduzisse a necessidade de contadores, mas,no fim das contas, elaexpandiu o campo.  À medida que a produção aumenta, o risco também aumenta. O resultado não é menos trabalho, mas uma demanda crescente por especialização de alto nível para verificar, validar e, em última instância, endossar esse trabalho. A IA auxiliará nesse processo, mas a responsabilização não pode ser automatizada – especialistas humanos continuam sendo essenciais para a verificação e aprovação. 

No entanto, não acredito que a programação vá deixar de ser uma competência essencial. Pelo contrário, a vantagem competitiva virá da combinação de uma sólida capacidade de programação com um profundo conhecimento da área de atuação. Cada vez mais, a programação e a IA se tornarão fundamentais em todas as disciplinas — não como especialidades isoladas, mas como competências essenciais. 

No esporte, não dá para fingir que se entende do assunto.

O que está em jogo é muito importante, e o contexto é muito específico. A nova barreira à entrada não é apenas a proficiência técnica — é o conhecimento da área necessário para verificar os resultados da IA e atuar em níveis mais avançados da cadeia de valor, passando da análise descritiva para a inovação prescritiva que gera impacto real para as equipes e os torcedores.

Um exemplo claro dessa mudança ficou evidente no nosso Fórum Opta.

Historicamente, analistas e cientistas de dados viam-se limitados pela manutenção de painéis de controle e pela elaboração de relatórios de rotina. Com a Agentic AI, essa dinâmica está mudando. O painel de controle está evoluindo para uma camada de verificação — não mais um destino para a descoberta de insights, mas uma interface para auditar e validar o trabalho elaborado pelos sistemas de IA. Em conversas com clubes de ponta em todo o mundo, surgiu um tema recorrente: analistas e cientistas de dados estão finalmente conseguindo se concentrar nos problemas que sempre quiseram resolver. 

Essa mudança permite que os analistas deixem de se limitar a gerar resultados para assumir a responsabilidade pela integridade desses resultados, criando espaço para lidar com o acúmulo de problemas de alto valor e grande impacto que antes estavam fora de seu alcance. 

3. IA física e o custo crescente de se cometer erros

Quando a maioria das pessoas pensa em IA Física, imagina robôs humanóides. Embora a robótica esteja emergindo rapidamente como a próxima grande fronteira, um avanço fundamental para isso é o desenvolvimento demodelos do mundo– sistemas de IA capazes de compreender e simular a física e as interações do mundo real com precisão cada vez maior. Ao contrário dos LLMs e VLMs tradicionais, que raciocinam principalmente sobre textos e imagens, os modelos de mundo aprendem representações conjuntas de objetos, ambientes, movimento e dinâmicas de interação em um espaço de incorporação compartilhado. Esses modelos são fundamentais para possibilitar a percepção, o raciocínio, o planejamento e a tomada de decisões em ambientes físicos. 

Durante anos, atuamos em um ambiente digital isolado, onde os erros resultam em links quebrados ou resultados incorretos. No mundo real, os erros acarretam consequências reais. O custo de se cometer um erro aumenta drasticamente. É por isso que a verificação se torna fundamental. 

Um dos principais fatores que possibilitam essa mudança é o uso de gêmeos digitais de alta fidelidade – ambientes sintéticos onde os sistemas podem ser treinados e testados com segurança antes de interagirem com o mundo real. Mas a qualidade desses sistemas depende inteiramente dos dados e das premissas em que se baseiam. Um excelente exemplo disso é comoa Waymo está utilizando o modelo Genie 3 do Googlepara simular cenários realistas, que são muito difíceis de capturar na vida real. Eles podem não ter ocorrido antes, mas poderiam ocorrer; portanto, ter um sistema que saiba o que fazer nessas situações é fundamental para a segurança e a confiabilidade.

Isso cria um novo tipo de vantagem competitiva baseada em dados: não apenas escala, mas também precisão e fundamentação. Isso reforça a necessidade de profundo conhecimento especializado na área – cientistas e engenheiros que garantam que os sistemas de IA reflitam as realidades nas quais devem operar. 

À medida que a IA se aproxima do mundo físico, o papel da experiência humana não diminui — pelo contrário, torna-se ainda mais crucial. Pois, quando os sistemas atuam no mundo real, a confiança não é mais opcional —é essencial. 

4. O esporte como o problema de verificação definitivo

O esporte situa-se na intersecção entre os mundos físico e digital.

Durante décadas, a IA no esporte foi usada para divulgar informações – gráficos, resumos, estatísticas simples. Hoje, torcedores e equipes querem interagir com os dados. É nesse ponto que a IA de uso geral encontra dificuldades e a IA específica para cada domínio se torna essencial. Desenvolver IA para o esporte não se resume simplesmente a aplicar modelos de uso geral (por exemplo, LLMs ou modelos do mundo) – isso requer um profundo conhecimento dos dados, da física e da linguagem do jogo.

A vantagem da Stats Perform reside na profunda especialização em três áreas fundamentais exclusivas do esporte: 

• O livro-razão do esporte:uma IA confiávelpara o esporte depende de uma cobertura de dados exclusiva, abrangente e continuamente atualizada, que não existe na internet pública. A construção de sistemas confiáveis requer representações completas e profundamente estruturadas do jogo – desde transmissões de eventos segundo a segundo até metadados contextuais. Sem esse “registro” fundamentado do esporte, mesmo assistentes de IA avançados de uso geral frequentemente distorcem fatos básicos e não conseguem fornecer insights táticos confiáveis. É aqui que a Stats Perform se destaca: combinando ampla cobertura de dados, conhecimento especializado no setor e sistemas de IA fundamentados, desenvolvidos especificamente para o esporte.
• O modelo físico do mundo do esporte:compreender o esporte requer uma base no espaço e no tempo. Na Stats Perform, construímos um modelo físico do campo – alinhando o vídeo às coordenadas do mundo real com precisão. Mas o desafio não é apenas rastrear os jogadores – é modelar como eles interagem. O jogo tem sua própria “física”, impulsionada por movimento, espaço e táticas. Isso nos permite levar em conta oclusões, movimentos sem a bola e contextos ocultos – produzindo dados completos, fundamentados e verificáveis. 
• A linguagem do jogo: osdados brutos, por si só, não são suficientes. O esporte tem sua própria linguagem — que combina métricas descritivas (gols esperados, ameaça esperada), modelos preditivos e contexto tático. Criamos o vocabulário que permite que a IA descreva o jogo com rigor de nível profissional — em grande escala e acessível a qualquer pessoa.

Essa base permite o funcionamento do nosso sistema de três camadas: 

1. Detecção– capturar com precisão o “o quê”, “onde” e “quem”.
2. Linguagem– traduzir eventos para a linguagem estruturada do esporte.
3. Raciocínio– permite que os usuários explorem, questionem e compreendam o jogo dentro do seu contexto. Essa camada oferece interatividade real – impulsionada tanto por modelos gerais de IA que operam com a linguagem específica do nosso domínio quanto por modelos especializados, projetados para análises mais aprofundadas e previsões.

São essas camadas que tornam os sistemas de IA confiáveis.

Sem uma percepção e uma linguagem fundamentadas, o raciocínio entra em colapso. Ao transformar o painel de controle em uma camada de verificação, os analistas avançam na cadeia de processos — passando da produção de resultados para a sua validação —, o que lhes permite concentrar-se em modelagem mais aprofundada e em inovação.

Não se trata de criar ferramentas mais rápidas. Trata-se de construir uma “camada de verdade” para um dos domínios mais importantes do mundo. 

Para quem estiver interessado em aprofundar o assunto, incluí abaixo os links para as minhas sessões específicas na NVIDIA GTC e no Opta Forum.