Durante boa parte da evolução recente da inteligência artificial, o valor esteve associado à capacidade de produzir uma resposta: resumir informações, analisar documentos, gerar recomendações ou executar tarefas. Mas uma nova fronteira começa a ganhar força: usar IA não apenas para responder ao que sabemos, mas para explorar o que poderia acontecer se alguma coisa mudasse. É nesse território que surgem iniciativas como a Simile, que trabalha com modelos capazes de simular comportamentos humanos e testar cenários antes que uma decisão seja colocada em prática.

Essa ambição já possui evidências relevantes. Em LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals, pesquisadores construíram agentes a partir de entrevistas com 1.052 pessoas e conseguiram reproduzir suas respostas no General Social Survey com desempenho equivalente a cerca de 85% da consistência que os próprios participantes apresentaram quando responderam novamente às mesmas perguntas duas semanas depois. Outro trabalho, Finetuning LLMs for Human Behavior Prediction in Social Science Experiments, publicado no EMNLP 2025, reuniu 2,9 milhões de respostas de mais de 400 mil participantes em 210 experimentos e mostrou que modelos treinados sobre comportamento humano real conseguiam generalizar melhor para estudos e condições ainda não vistos. 

A Simile leva essa lógica adiante com a proposta da What-If Machine: combinar comportamento observado – como transações, uso de aplicativos e clickstreams – com surveys, entrevistas e experimentos para construir modelos capazes de explorar como pessoas poderiam reagir a mudanças de preço, produtos, políticas ou mensagens. A proposta é poderosa porque transforma parte do risco da decisão em experimentação antecipada: errar primeiro em uma simulação pode ser muito menos custoso do que descobrir uma hipótese equivocada somente depois de colocá-la em prática. 

Mas nem toda boa decisão depende de prever corretamente o futuro

O problema é que decisões organizacionais raramente acontecem em ambientes suficientemente estáveis para que o futuro possa ser simplesmente calculado. Uma empresa pode querer saber o impacto de aumentar um preço, entrar em um mercado ou automatizar determinada decisão, mas os dados disponíveis normalmente convivem com mudanças de comportamento, movimentos de concorrentes, restrições internas, interesses conflitantes e acontecimentos que ainda não existem. Quanto mais estratégica a decisão, maior tende a ser essa incerteza.

Isso não diminui o valor da simulação. Pelo contrário: mostra a importância de saber qual compromisso podemos assumir a partir dela. A própria Simile desenvolveu um modelo separado para estimar o erro esperado das simulações. Em aproximadamente 8.600 questões mantidas fora do treinamento, o sistema procura antecipar quando uma determinada simulação tende a ser mais ou menos confiável. O trabalho está descrito em Building confidence in Simile.

É justamente aqui que surge a hipótese do DecisionMind para a Inferência Contrafactual Situada. A plataforma procura estruturar o espaço decisório real da organização e tornar explícitos padrões recorrentes de julgamento que normalmente permanecem dispersos na experiência das pessoas: critérios utilizados, heurísticas, prioridades, tensões, exceções e formas distintas de interpretar uma mesma situação. A Engenharia Cognitiva transforma esses padrões em referências operáveis – inclusive associadas aos papéis que participam de uma decisão – que podem ser combinadas ao contexto concreto para explorar cenários futuros.

Em vez de perguntar genericamente “o que provavelmente acontecerá?”, o sistema pode investigar como diferentes lógicas de julgamento interpretariam uma mudança, que consequências antecipariam, quais pressupostos sustentariam essas leituras e que evidências poderiam confirmá-las ou refutá-las. É dessa combinação entre padrões cognitivos mapeados e realidade situada que nasce a hipótese de produzir contrafactuais mais relevantes para a deliberação, sem tratá-los automaticamente como previsões do futuro. 

Do contrafactual genérico ao contrafactual situado

Na prática, essa diferença aparece quando os padrões de julgamento mapeados no espaço de decisão deixam de servir apenas para contextualizar uma resposta e passam a funcionar como lentes para explorar futuros possíveis. Ao combinar essas referências com a situação concreta de uma decisão, o DecisionMind pode investigar não apenas o que poderia acontecer, mas como diferentes critérios, prioridades e formas de interpretar o problema alterariam as consequências consideradas relevantes.

Imagine uma empresa avaliando um reajuste de preço. Uma IA convencional pode produzir rapidamente uma projeção plausível: haverá alguma perda de clientes, compensada pelo aumento da receita por cliente. O problema é que essa resposta pode parecer muito mais segura do que realmente é. Ela ainda não sabe, necessariamente, quais clientes possuem alternativas próximas, quanto custa trocar de fornecedor, quais contratos estão próximos da renovação ou que segmento é mais sensível ao preço.

No DecisionMind, essa mesma pergunta pode ser tratada como um contrafactual situado. O sistema parte do contexto real daquela decisão – critérios, alternativas, evidências disponíveis, lacunas, trade-offs, papéis envolvidos e condições que podem alterar uma escolha. Esses elementos já fazem parte do Espaço de Decisão concebido pela plataforma. A partir deles, a IA pode explorar não apenas um futuro, mas diferentes mecanismos: e se a conversão cair? Por quê? Em quais segmentos? E se o custo de mudança for mais importante que a sensibilidade ao preço? Que evidência permitiria diferenciar essas duas hipóteses?

Essa é a ideia que podemos chamar de Inferência Contrafactual Situada. O propósito não é fazer a IA afirmar qual futuro acontecerá, mas construir futuros suficientemente fundamentados para revelar premissas escondidas, consequências possíveis, condições de validade e informações capazes de mudar a decisão. O contrafactual deixa de ser uma história plausível produzida pelo modelo e passa a funcionar como instrumento de investigação.

O valor está no que o contrafactual faz com a decisão

Essa diferença pode parecer sutil, mas altera profundamente o papel da IA. Quando pedimos que o sistema escolha o cenário mais provável, existe sempre o risco de transformar plausibilidade em autoridade. Quando pedimos que explore cenários concorrentes e explicite o que faria cada um deles ser verdadeiro, a IA passa a ajudar o decisor a pensar melhor sobre o problema, e não simplesmente a terceirizar o julgamento.

É justamente nesse ponto que o DecisionMind procura agregar valor ao processo decisório. Em vez de usar a IA apenas para produzir uma recomendação, a plataforma estrutura a deliberação para tornar visíveis hipóteses concorrentes, informações ainda ausentes, critérios em tensão e consequências que merecem ser consideradas antes de assumir um compromisso. O objetivo não é prolongar indefinidamente a análise, mas direcionar a investigação para aquilo que realmente pode mudar a decisão.

O valor, portanto, não está em produzir mais cenários. Está em saber quando um cenário merece ser considerado, que pressupostos o sustentam e qual nova evidência teria capacidade de alterar a escolha. Em vez de inferir indefinidamente porque a IA consegue fazê-lo, o DecisionMind procura aprofundar a deliberação somente quando a incerteza remanescente é material e pode ser reduzida.

A decisão de hoje pode melhorar os contrafactuais de amanhã

Há ainda uma diferença importante entre simular uma decisão e acompanhar o que aconteceu depois dela. Uma empresa pode considerar três cenários, escolher um caminho e, meses depois, descobrir quais premissas estavam corretas, quais sinais foram ignorados e quais consequências jamais se materializaram. Normalmente, boa parte desse aprendizado desaparece em apresentações, conversas e na memória das pessoas.

O DecisionMind já parte da tese de que seu ativo mais defensável não deveria ser simplesmente aquilo que a organização sabe, mas como ela decide: critérios, exceções, autoridade, lastro, estado e precedentes produzidos ao longo de decisões reais. A Inferência Contrafactual Situada pode adicionar uma nova dimensão a esse patrimônio. Os cenários considerados antes da decisão podem ser comparados posteriormente aos resultados observados: quais mecanismos realmente se manifestaram, quais premissas falharam, quais sinais foram relevantes e quais padrões voltaram a aparecer em outras decisões.

Isso cria um ciclo particularmente interessante: contrafactual > decisão > resultado > aprendizado > próximo contrafactual. O DecisionMind não precisaria neste caso estruturar um grande foundation model comportamental, mas poderia começar estruturando melhor a deliberação e, com o tempo, tornar cumulativa a evidência sobre como aquela organização interpreta situações, antecipa consequências e revisa seus próprios julgamentos. 

Uma IA que não precisa conhecer o futuro para ajudar a decidir sobre ele

Os avanços da Simile apontam para uma direção importante: a simulação contrafactual tende a se tornar uma capacidade cada vez mais relevante nos sistemas de IA voltados à decisão. Sua linha de pesquisa procura aumentar a capacidade de antecipar comportamentos a partir de evidências empíricas, combinando observação do que as pessoas fazem com mecanismos capazes de explicar por que determinados comportamentos ocorrem. 

O DecisionMind pretende avançar em uma linha paralela: investigar como contrafactuais podem ser produzidos a partir do contexto situado de uma decisão para ampliar a qualidade da deliberação, mesmo quando não existe base suficiente para transformar esses futuros em previsões probabilísticas.

Essa convergência abre um campo particularmente promissor. De um lado, modelos comportamentais podem aumentar nossa capacidade de estimar como pessoas, mercados ou grupos podem reagir a determinadas intervenções. De outro, uma arquitetura cognitiva pode ajudar a identificar quais futuros precisam ser considerados, quais mecanismos poderiam produzi-los, que pressupostos os sustentam e quais evidências permitiriam diferenciá-los antes de assumir um compromisso. São caminhos diferentes para enfrentar o mesmo problema fundamental: reduzir a cegueira diante das consequências possíveis de uma decisão.