O que um pesquisador de Cambridge aprendeu sobre IA que toda empresa deveria ouvir

A maior parte da conversa sobre IA voltada para donos de empresas gira em torno do mesmo punhado de ferramentas e casos de uso: chatbots, assistentes de escrita, geradores de imagens. Isso é útil, mas conta apenas uma parte da história. Para entender onde a IA é genuinamente poderosa, onde ela ainda falha e o que isso significa para o resto de nós, às vezes é preciso olhar para os lugares onde os riscos são mais altos.

Por isso, conversamos com alguém que trabalha com sistemas de IA de ponta que podem, um dia, mudar a forma como diagnosticamos a demência.

Dr Henry Musto

O Dr Henry Musto é pesquisador de pós-doutorado na Universidade de Cambridge, dividindo seu tempo entre dois departamentos. Em Neurociência Clínica, ele trabalha aplicando IA para prever a progressão da demência, usando dados de imagens cerebrais, resultados de testes clínicos e dados demográficos de pacientes. Seu foco não é apenas saber se alguém pode desenvolver demência, mas quando, dando a médicos e desenhistas de ensaios clínicos uma linha do tempo de risco em vez de um simples sim ou não.

Em Psiquiatria, ele usa IA para acompanhar a resiliência entre profissionais da linha de frente da saúde e da assistência social, analisando dados de redes sociais para entender como esses trabalhadores lidam com a adversidade. Ele também assessora uma startup fundada em Cambridge que trabalha para levar ferramentas de diagnóstico com IA ao NHS.

Antes da vida acadêmica, Henry passou 11 anos como cientista de dados profissional, trabalhando para startups de tecnologia e para empresas como Visa, BBC, WPP e Omnicom. Essa combinação de experiência comercial e pesquisa acadêmica prática lhe dá uma perspectiva incomumente completa sobre a tecnologia, uma perspectiva que atravessa tanto o hype quanto o cinismo.

Como a IA é realmente usada na pesquisa de ponta

Quando a maioria de nós pensa em IA, pensamos nas ferramentas que podemos acessar: ChatGPT, Claude, Gemini. Na pesquisa acadêmica, o cenário costuma ser bem diferente.

O dia a dia de Henry envolve revisar artigos científicos publicados, entender sua metodologia e depois recriar modelos do zero. Às vezes existe um repositório no GitHub que ele pode adaptar, mas na maioria das vezes ele está construindo sistemas de IA personalizados, projetados para conjuntos de dados muito específicos que nenhum produto comercial consegue processar.

"A academia costuma desenvolver muita coisa internamente", diz ele. "O trabalho que eu faço é essencialmente pesquisa de fronteira."

Por que isso importa se você administra uma pequena empresa? Porque as ferramentas que você vê anunciadas, aquelas com páginas de venda impecáveis e testes gratuitos, são a camada de consumo sobre uma pilha de tecnologia que ainda está sendo construída. A distância entre o que o marketing de IA promete e o que a tecnologia consegue realmente entregar com confiabilidade é maior do que a maioria das pessoas imagina. Saber que essa distância existe é o primeiro passo para usar ferramentas de IA com as expectativas certas.

Mas mesmo em Cambridge, as ferramentas de IA do dia a dia mudaram o fluxo de trabalho. Para a revisão de literatura, o processo de encontrar, ler e sintetizar artigos publicados, ferramentas como o Connected Papers, o NotebookLM do Google, o Gemini e o ChatGPT tornaram tudo consideravelmente mais rápido.

Henry não está sozinho nisso. Um estudo de 2025 da Wiley, que entrevistou mais de 2.400 pesquisadores em todo o mundo, descobriu que o uso de ferramentas de IA entre acadêmicos saltou de 57% para 84% em um único ano, com 85% relatando que a IA melhorou sua eficiência. Mas o mesmo estudo encontrou outra coisa: à medida que os pesquisadores ganhavam experiência prática, eles reduziam significativamente suas expectativas sobre o que a IA realmente conseguia fazer. No ano passado, os pesquisadores acreditavam que a IA já superava os humanos em mais da metade dos casos de uso. Este ano, esse número caiu para menos de um terço.

A experiência de Henry reflete exatamente esse padrão. Essas ferramentas são genuinamente úteis como ponto de partida, diz ele, mas "ainda é necessário um trabalho significativo para verificar o resultado e garantir que você termine com um corpo de conhecimento confiável".

Na pesquisa em saúde, especificamente, não se trata apenas de eficiência. Uma referência alucinada ou um resumo impreciso de um estudo clínico poderia comprometer meses de trabalho ou embasar uma decisão clínica equivocada.

Para donos de empresas, o princípio é o mesmo, ainda que os riscos pareçam diferentes. A IA é mais forte no meio de um fluxo de trabalho: redigir, resumir, gerar opções. Ela continua mais fraca nas duas pontas: formular a pergunta certa e verificar se a resposta está de fato correta.

Por que algumas pessoas inteligentes não adotam a IA

Uma suposição comum sobre a IA em instituições mais tradicionais é que as pessoas resistem a ela. São conservadoras. Não confiam em tecnologia. Estão presas aos seus hábitos.

Henry vê algo diferente.

"Não estou vendo muita aversão", diz ele. "O desafio é que acadêmicos sérios estão intensamente focados na própria especialidade. Eles simplesmente não têm capacidade para aprender uma disciplina inteiramente nova além daquela que já passaram décadas dominando."

Ele está descrevendo cientistas de nível mundial que têm dificuldade para compartilhar a tela em uma videochamada no Teams. Não porque tenham fobia de tecnologia, mas porque cada hora que gastam com tecnologia é uma hora que não gastam na pesquisa que estão realizando.

Isso vai soar familiar para muitos donos de empresas. A barreira para a adoção de IA raramente é uma questão de atitude, é realmente uma questão de tempo e capacidade. Quando você já está sobrecarregado administrando seu negócio, o "preciso dar uma olhada nas ferramentas de IA" fica permanentemente na lista de tarefas do mês que vem. O estudo da Wiley confirma isso: 57% dos pesquisadores citaram a falta de diretrizes e treinamento como sua principal barreira para usar mais IA. Não é resistência. É uma lacuna de orientação.

O problema da confiança: por que os erros da IA são tratados de forma diferente

Perguntamos a Henry sobre um contra-argumento que ouvimos com frequência: humanos também erram: médicos às vezes erram diagnósticos, advogados deixam passar cláusulas... Se a IA é pelo menos tão boa quanto um humano, isso não deveria bastar?

Ele apontou um exemplo revelador. Quando um carro autônomo da Tesla se envolveu em uma fatalidade alguns anos atrás, o caso recebeu enorme atenção global. Enquanto isso, dezenas de milhares de pessoas morrem em acidentes de carro convencionais todos os anos com uma fração dessa cobertura.

"Estamos muito atrás de onde deveríamos estar em termos de construir confiança e compreensão pública sobre a IA", diz Henry. "Um erro da IA sempre será percebido como algo muito mais grave do que um erro humano."

Isso ressoa muito além da área da saúde. Uma pesquisa publicada no BJR Open explorou se a IA deveria ser avaliada com taxas de erro mais tolerantes que as humanas, e a resposta do público é consistentemente não: as pessoas esperam que a tecnologia seja melhor, não apenas equivalente. Se você usa IA em qualquer parte do seu negócio voltada ao cliente, isso importa. O padrão que seus clientes exigem do resultado da IA não é "tão bom quanto uma pessoa". É mais alto.

Henry levanta outra dimensão que vale a pena considerar. Os sistemas de IA entregam todas as respostas com o mesmo nível de confiança, independentemente de estarem certos. "Um bom colega júnior avisa quando está em dúvida", diz ele. "Ele qualifica a resposta ou reconhece os limites do próprio conhecimento. Os sistemas de IA atuais não fazem isso."

Se você usa IA para comunicações com clientes, propostas ou conteúdo, isso é algo para observar com cuidado. Uma entrega confiante não significa uma entrega precisa. E seu cliente provavelmente não vai conseguir notar a diferença até que algo dê errado.

Universidade de Cambridge

O Reino Unido está apostando alto na IA na saúde. A realidade é mais complicada.

O trabalho de Henry se insere em um esforço mais amplo para levar a IA ao NHS, o serviço público de saúde do Reino Unido. O plano de saúde de 10 anos do governo britânico, publicado em 2025, tem o objetivo explícito de tornar o NHS "o sistema de saúde mais habilitado por IA do mundo". Há institutos de IA sendo lançados em Cambridge e além, parcerias público-privadas se multiplicando e um senso crescente de urgência em torno de doenças como a demência, para as quais os tratamentos atuais continuam limitados.

Henry viu isso de perto. Ele participou de um evento na Câmara dos Lordes para o lançamento de um relatório sobre dados sintéticos, uma das várias iniciativas apoiadas pelo governo para acelerar a adoção de IA na saúde. "Tem havido um esforço bastante coordenado de colegas meus para realmente colocar o Reino Unido em dia na geração de dados sintéticos usando métodos de IA", diz ele.

Mas ambição e implementação são coisas diferentes. Um estudo liderado pela UCL e publicado no The Lancet descobriu que um programa do NHS para introduzir diagnósticos assistidos por IA em 66 fundações hospitalares levou de 4 a 10 meses a mais do que o esperado, com um terço das fundações ainda sem usar as ferramentas 18 meses após a data-alvo. Os principais problemas não eram técnicos. Eram práticos: equipes clínicas sobrecarregadas, sistemas de TI envelhecidos e uma falta generalizada de compreensão sobre como realmente trabalhar com IA.

Vale a pena prestar atenção nisso mesmo que você não tenha nada a ver com a área da saúde. Se o NHS, com financiamento governamental e uma liderança de programa dedicada, tem dificuldade para implementar IA no prazo, isso diz algo honesto sobre o quão difícil a adoção realmente é. Para uma pequena empresa sem uma equipe de tecnologia dedicada, o desafio é ainda maior, e é exatamente por isso que uma orientação clara e prática importa tanto.

A lacuna dos idiomas: um problema estrutural que o mercado não vai resolver sozinho

Na AgentAya, nós nos concentramos especificamente em empresas de mercados que não falam inglês. Então perguntamos a Henry sobre a dimensão do idioma.

"O inglês é a língua da ciência", diz ele. "A vasta maioria dos artigos e conferências é em inglês."

O mesmo vale para os grandes modelos de linguagem que alimentam a maioria das ferramentas de IA hoje. Quando você interage com o ChatGPT ou o Claude em espanhol ou árabe, o sistema normalmente processa sua solicitação internamente por meio do inglês. Um white paper do Stanford HAI descreve isso como uma "divisão digital" no desenvolvimento de LLMs, em que a maioria dos grandes modelos tem desempenho inferior em idiomas que não o inglês, não está sintonizada com os contextos culturais relevantes e não está acessível em partes do Sul Global.

Os dados de pesquisa são contundentes. Um estudo que avaliou o GPT-4o em línguas africanas encontrou uma diferença absoluta de desempenho de 12% a 20% entre o inglês e a média de 11 línguas africanas testadas, com a diferença ultrapassando 50% em línguas específicas como o bambara. Mesmo para uma língua com relativamente muitos recursos, como o chinês, uma pesquisa publicada no JMIR descobriu que o ChatGPT teve desempenho inferior em comparação com modelos treinados especificamente com dados em chinês, não por causa de barreiras de tradução, mas pela representação limitada nos conjuntos de dados de treinamento.

Henry encontrou isso diretamente em seu trabalho na psiquiatria, onde muitos profissionais da linha de frente do cuidado vêm de origens linguisticamente diversas. "Estima-se que existam 6.000 línguas só na África", ele aponta. "Muitas faladas por populações de algumas centenas de milhares de pessoas. O incentivo comercial para construir modelos de IA para essas línguas simplesmente não existe."

Ele tem razão em dizer que o setor privado não vai resolver isso sozinho. Universidades e governos precisarão intervir, e em alguns casos já estão intervindo. Mas Henry também observa que a economia muda substancialmente para populações maiores: "A Índia tem centenas de línguas, e o retorno sobre o investimento é bem diferente quando estamos falando de populações de 50 milhões de pessoas."

Tecnologia útil, limites reais

Perguntamos a Henry para onde ele acha que tudo isso está caminhando. Sua resposta se apoiou em seus anos na indústria de ciência de dados.

"Quando a ciência de dados atingiu seu primeiro auge como disciplina, havia três tipos de empregador", diz ele. "Os que acreditavam que cientistas de dados podiam resolver qualquer problema. Os que descartavam o campo inteiro como hype. E os que simplesmente nos viam como mais um colega com um conjunto de habilidades específico, com pontos fortes e limitações como qualquer outro."

O primeiro grupo, ele acrescenta, tendia a virar o segundo grupo bem rápido quando falhava em fornecer os dados, as ferramentas ou as expectativas certas para que o trabalho desse certo.

Ele vê o mesmo padrão com a IA agora, se desenrolando em uma escala muito maior. "Provavelmente estamos nos aproximando do limite do que os grandes modelos de linguagem atuais podem oferecer", diz Henry. "Isso não significa que eles não sejam valiosos. Eles são, sem dúvida, valiosos. Mas acho que o ritmo de melhorias dramáticas vai desacelerar, e o próximo grande salto exigirá uma abordagem fundamentalmente diferente."

Para donos de empresas, isso é, na verdade, tranquilizador. As ferramentas disponíveis hoje merecem seu investimento de tempo. Elas não vão ficar obsoletas em seis meses. Mas isso também significa que esperar a IA ficar perfeita antes de começar a usá-la é uma estratégia que vai deixar você para trás.

O que isso significa para as empresas

Perto do fim da nossa conversa, descrevemos um cenário que está no coração do que a AgentAya faz: uma pequena agência de viagens no Peru competindo contra uma empresa como a Expedia, que já usou IA para cortar custos e melhorar margens. O que acontece com o concorrente menor que não se adapta?

"As empresas precisam embarcar", diz Henry. "Existe um risco genuíno de que pequenas empresas sejam superadas por concorrentes maiores que implementam IA com mais eficiência. Acho isso extremamente provável, e em muitos setores provavelmente já está acontecendo."

Os números confirmam. De acordo com um relatório do Federal Reserve de St. Louis, a adoção de IA generativa nos Estados Unidos alcançou 54,6% dos adultos até meados de 2025, superando a taxa de adoção tanto dos computadores pessoais quanto da internet no mesmo ponto de seu desenvolvimento. Enquanto isso, os dados globais de adoção da Microsoft mostram que as taxas de adoção têm média de 24,7% no Norte Global, mas de apenas 14,1% no Sul Global, uma lacuna que corre o risco de aumentar à medida que a IA se torna mais central na forma como as empresas competem.

As ferramentas de IA são imperfeitas. Elas ainda alucinam, funcionam melhor em inglês do que em outros idiomas. E, ainda assim, o custo de não usá-las, de ficar parado enquanto concorrentes maiores automatizam, é quase certamente maior do que o custo de adotá-las de forma imperfeita.

A resposta não é a adoção cega. É a adoção informada: saber o que as ferramentas podem e não podem fazer, quais merecem seu tempo e quais são só marketing. E isso significa ter acesso a essa informação no seu próprio idioma, escrita para empresas do seu tamanho.

É isso que estamos construindo na AgentAya.

O Dr Henry Musto é pesquisador de pós-doutorado na Universidade de Cambridge, atuando no Departamento de Neurociência Clínica (Rittman Lab) e no Departamento de Psiquiatria (PHAB Lab). Sua pesquisa se concentra em IA translacional para previsão de demência e no acompanhamento da resiliência de profissionais da linha de frente da saúde e da assistência social. Antes da vida acadêmica, passou 11 anos como cientista de dados, trabalhando com empresas como Visa, BBC, WPP e Omnicom.

Navegue por nossas análises de ferramentas de pesquisa com IA para encontrar ferramentas que podem apoiar o seu próprio trabalho.