O que a IA revela sobre a adoção de novas tecnologias
Algumas pesquisas confiáveis que tratam do engajamento de diferentes grupos populacionais ao redor do mundo em temas que tenham complexidade técnica, mas superfície atraente aos olhos do leigo, nos ajudam a compreender um pouco sobre adesões intensas a tecnologias como a IA.
Uma pesquisa conduzida pela universidade australiana de Melbourne e a empresa KPMG, com mais de 48 mil pessoas em 47 países, entre novembro de 2024 e janeiro de 2025, trouxe achados interessantes. O ponto comum, que ocorreu em países desenvolvidos e em desenvolvimento, é a afirmação de usar acreditando em benefícios futuros, mesmo não confiando na tecnologia.
Mais provocador, o estudo mostrou que nas economias emergentes aproximadamente 60% dos entrevistados confiam na IA, enquanto esse número cai para aproximadamente 40% em países desenvolvidos. Os pesquisadores acreditam em uma hipótese sociológica comum: países emergentes veem tecnologia como atalho de mobilidade econômica.
Pesquisadores do Pew Research Center mostram uma diferença recorrente entre exposição à tecnologia e compreensão técnica. No estudo Public Awareness of Artificial Intelligence in Everyday Activities (2023), apenas cerca de 30% dos adultos conseguiram identificar corretamente todos os usos de IA apresentados nas perguntas, embora mais da metade relate interagir com a tecnologia com frequência. O resultado sugere um descompasso entre uso e compreensão, no qual indivíduos participam do fenômeno tecnológico antes de compreendê-lo plenamente.
A adoção não depende de compreensão nem de confiança plena. Ela pode ocorrer por expectativa de ganho, pressão social ou narrativa de inovação.
Um artigo científico feito por integrantes do Google identificou 4 grupos de sentimentos relativos à IA: excitante, útil, preocupante e futurístico. O estudo tratou de percepção pública, não de conhecimento sobre a ferramenta, mas podemos fazer algumas inferências.
Finalmente, essas pesquisas sugerem três padrões robustos: o público conhece o fenômeno antes de compreendê-lo, as pessoas usam ou investem mesmo sem confiança, e a narrativa social (riqueza, futuro, inovação) pesa mais que o domínio técnico.
Padrões de difusão tecnológica
Ocorre o mesmo com tecnologias de uma forma mais ampliada.
Everett Rogers, influente pesquisador americano em comunicação, trata da difusão da inovação, quando os “early adopters” não têm profundo conhecimento técnico. Eles adotam a tecnologia baseados em sinais de boa história, status e expectativa de vantagem. O trabalho de Rogers, “Diffusion of Innovations”, que busca explicar como ideias e tecnologias se espalham nas sociedades, segue sendo um dos mais citados livros na área de ciências sociais.
Na sociologia das expectativas, Nik Brown, sociólogo britânico conhecido por suas pesquisas sobre biotecnologia e políticas de inovação, argumenta, em trabalhos com Mike Michael, que expectativas sobre o futuro ajudam a moldar o desenvolvimento tecnológico.
No mesmo campo, Harro van Lente, sociólogo holandês especializado em estudos de ciência, tecnologia e inovação, demonstrou como essas expectativas funcionam como forças estruturantes nos processos de inovação.
A ideia central é que as narrativas sobre o futuro mobilizam investimentos, talento e atenção política. Nessa abordagem, o hype não é uma falha, mas um mecanismo dos sistemas de inovação.
Para Herbert Simon, economista, cientista cognitivo e laureado com o Prêmio Nobel de Economia em 1978, pioneiro no estudo da racionalidade limitada e da chamada economia da atenção, tecnologias com narrativas simples, mas mecanismos técnicos complexos, tendem a ganhar atenção pública mais rapidamente.
O insight clássico de Simon, no contexto da “Attention Economy”, é que a riqueza de informação cria uma pobreza de atenção. Em ambientes saturados de informação, ideias que conseguem ser comunicadas por meio de narrativas simples, mesmo quando apoiadas por sistemas altamente complexos, capturam atenção com maior facilidade.
A empresa de pesquisas Gartner fez uma definição interessante, o Gartner Hype Cycle. O ciclo conta com 5 estágios: o gatilho de inovação, o pico de expectativas infladas, o vale de desilusão, a rampa de esclarecimento e o platô de produtividade.
Na história das tecnologias podemos repetidamente observar os mesmos padrões. O telégrafo na década de 1840, o rádio na década de 1920, a energia nuclear na década de 1950, a internet na década de 1990, as criptomoedas em 2017 e a IA generativa em 2023 produziram, nessa ordem, ondas de narrativas utópicas, especulação em massa, desapontamento parcial e eventual normalização.
Esse padrão foi observado por historiadores da tecnologia e por autores como Carlota Perez, em seu livro Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages, que estudaram as relações entre revoluções tecnológicas e ciclos financeiros.
Quando a inovação vira moda gerencial
Eric Abrahamson, em sua Teoria da Moda de Gestão (tradução livre do autor), descreve como ideias gerenciais se difundem como modas: consultores promovem o conceito, a mídia amplifica a narrativa, executivos imitam seus pares e a adoção se espalha mesmo sem evidências robustas de eficácia. À luz dessa abordagem, diversos autores interpretam a inovação como uma das modas gerenciais mais difundidas nas organizações desde os anos 1990.
Para Steve Blank, empreendedor do Vale do Silício e professor de inovação, o chamado “teatro da inovação” descreve iniciativas que parecem inovadoras, mas geram pouco progresso tecnológico real. Hackathons, aceleradoras corporativas, competições de ideias e laboratórios internos de inovação frequentemente operam mais como instrumentos de sinalização organizacional simbólica do que como estruturas capazes de produzir inovação efetiva.
Mais importante, diversos pesquisadores argumentam que a dominância das narrativas de inovação tende a suprimir outras dimensões igualmente relevantes do progresso tecnológico.
Entre as críticas mais recorrentes estão a ideia de que nem todo progresso requer inovação, que atividades como manutenção e otimização costumam ser subvalorizadas, que melhorias incrementais recebem pouca atenção, e que avaliações de risco e desigualdades de acesso frequentemente ficam em segundo plano.
Nesse contexto, o processo decisório pode se tornar enviesado em direção à busca por novidade, em detrimento da confiabilidade e da estabilidade dos sistemas.
Esse argumento aparece de forma particularmente clara nos trabalhos de Lee Vinsel e Andrew Russell, especialmente no livro The Innovation Delusion, que defende que grande parte do progresso tecnológico depende menos de inovação radical e mais de padronização, infraestrutura, manutenção e engenharia incremental, atividades que raramente recebem o mesmo prestígio simbólico associado à “inovação”.
Da narrativa ao método
Convém ancorar a argumentação em conceitos pacificados de inovação. Em artigos científicos consolidados, invenção é a geração de uma nova ideia ou artefato. Inovação é sua implementação bem-sucedida em contexto econômico ou organizacional. Difusão é o processo pelo qual essa inovação se espalha e é adotada.
Inovar significa alterar padrões existentes ou substituí-los por novos. É disso que tratamos quando falamos de inovação. A primeira é incremental, a segunda é disruptiva.
Se o objetivo do inovador é influenciar padrões, observá-los é o primeiro passo. E é nesse ponto que surge o primeiro obstáculo real, desde que as demais premissas existam: o orçamento.
Observar padrões exige três ingredientes essenciais: tempo, condições adequadas de experimentação e recursos financeiros. O terceiro, evidentemente, compra os dois primeiros. Na prática, porém, as organizações fazem o contrário. O inovador é colocado em ambientes inadequados para observação, sem tempo protegido, sem equipe dedicada e sem orçamento consistente, e ainda assim se espera que produza resultados.
Muitas empresas tratam inovação como se fosse um ativo circulante do balanço anual, algo que deve gerar retorno imediato. Na realidade, ela se comporta mais como investimento em infraestrutura cognitiva. Essas despesas são tipicamente classificadas como não recuperáveis na perspectiva contábil, e assim permanecem por algum tempo, começando a devolver caixa em um futuro não exatamente definível.
Se existem dados fiáveis, estruturados ou não, provenientes de fontes críveis e disponíveis para processamento, o inovador já está alguns passos à frente na linha do tempo e reduz uma parte relevante do custo do projeto. Dados confiáveis comprimem o tempo de observação e diminuem drasticamente a necessidade de produzir informação primária.
Quando esses dados não existem, o que ocorre com frequência em inovação disruptiva, é preciso produzi-los. Para fins deste artigo, consideremos que o leitor tenha acesso a dados fiáveis e esteja lidando com inovação incremental. Pense em dados de receita da empresa, desempenho do setor, comportamento de consumidores diante de variáveis experimentais, uso de estruturas hospitalares, padrões de mobilidade em transporte público ou métricas operacionais internas.
Aqui vale trazer um ponto à luz. Na era das automações, desde o advento dos aplicativos móveis, automatizamos setores já existentes da sociedade. Agora começamos também a automatizar a própria organização do pensamento, com modelos de linguagem.
Nesse contexto, muitas empresas passaram a considerar suas áreas de TI como o centro natural da inovação, em grande parte pela cultura de automação de processos existentes. Na prática, raramente são. Inovação real nasce da observação de fenômenos específicos de cada domínio, fenômenos que pertencem aos especialistas desses domínios.
Há campos em que a inovação continua profundamente dependente de experimentação material e científica, não de narrativas. É o caso da biotecnologia, com pesquisas sobre dobramento de proteínas e terapias gênicas; dos novos materiais, como semicondutores avançados ou compósitos aeronáuticos; da energia, com reatores nucleares de nova geração ou tecnologias de armazenamento em baterias; da farmacologia, com o desenvolvimento de novas classes de medicamentos; e da agricultura de precisão, com genética vegetal e manejo de solos. Em todos esses casos, inovação não é slogan. É observação rigorosa, experimentação e capital paciente.
Por isso, a construção de inovação dentro de uma organização depende de múltiplas áreas. Cada setor é curador e advogado dos seus próprios dados. A árvore da inovação é coletiva.
Com os dados em mãos, o próximo passo é modelar padrões. Regressões estatísticas são um caminho clássico, mas não o único. Dependendo do problema entram modelos de séries temporais, análise de sobrevivência, clusterização, redes bayesianas, modelos de otimização, simulações Monte Carlo ou algoritmos de aprendizado de máquina. O objetivo é sempre o mesmo: organizar padrões observados em estruturas formais capazes de revelar relações entre variáveis.
A partir dessa modelagem surgem hipóteses. Em termos simples, o que se espera que ocorra no futuro ao alterar uma variável presente nos padrões do passado. E hipóteses não nascem no vácuo. Para testar uma nova variável é preciso saber quais tecnologias já dominamos, quais processos já existem, quais dados já coletamos e qual infraestrutura está instalada. É nesse ponto que tocamos o núcleo da inovação.
Criar hipóteses também exige modelagem. Estimam-se intervalos de confiança para ganhos marginais esperados e para os custos associados à mudança. Em termos estatísticos trata-se de verificar se há evidência suficiente para rejeitar a hipótese nula H0. Caso não se consiga rejeitá-la, a mudança proposta provavelmente não gera efeito relevante.
E novamente surge o desafio orçamentário. Alterar variáveis custa dinheiro. Pense no caso de um hospital ou plano de saúde que decide alterar o padrão de atendimento do seu sistema de filas. Pode reorganizar o fluxo separando grupos, como idosos, pacientes agendados ou atendimentos emergenciais. Pode também introduzir agendamento por aplicativo para redistribuir a demanda ao longo do dia. Cada mudança exige investimento em tecnologia, treinamento e reorganização operacional.
Quando a evidência é suficiente, avança-se para o próximo estágio: o protótipo mínimo. Protótipo não é produto. É um experimento controlado, implementado em pequena escala para testar elasticidade real, medir impactos operacionais, observar comportamento humano e reduzir incertezas.
Observa-se, a partir do protótipo, o comportamento do sistema e, sobretudo, o engajamento dos usuários. Muitas inovações seguem curvas logísticas de adoção. Há crescimento inicial lento, aceleração após um ponto de inflexão e posterior estabilização em um platô.
Esse platô é fundamental, pois a partir dele se estimam os fluxos de caixa associados à inovação. Se o ganho marginal da nova configuração de padrões for consistentemente maior que o gasto marginal necessário para sustentá-la, estamos diante de uma inovação economicamente viável.
Platôs, contudo, não são permanentes. Ao longo da vida útil de uma inovação novos deslocamentos podem ocorrer. Concorrentes podem replicar o padrão estabelecido e reduzir o diferencial competitivo. Mudanças macroeconômicas podem alterar custos ou demanda. Alterações regulatórias podem redefinir as regras do jogo. Há ainda riscos operacionais, tecnológicos, reputacionais e financeiros que acompanham toda a jornada de inovação.
O platô observado em determinado momento é apenas uma fotografia de equilíbrio temporário. Vista de forma sistêmica, a inovação exige observação contínua desses riscos e das possíveis alterações de padrão que provocam.
Nesse ponto a inovação deixa de ser experimento e passa a ser pipeline organizacional. Não pertence mais a um departamento isolado, mas à empresa inteira. Deixa de ser evento e passa a ser governança contínua de padrões.
Vale ainda um alerta aos entusiastas tecnológicos. A chamada Verifier’s Law lembra um risco recorrente. Em muitos sistemas complexos o custo de verificar ou manter uma solução cresce mais rápido do que o ganho marginal que ela produz. Inovar pode ser barato. Sustentar a inovação pode não ser.
Por fim, falamos aqui de inovação sob uma perspectiva empresarial profissional, na qual recursos são escassos e precisam gerar retorno mensurável. Pequenas empresas, pesquisadores independentes, e indivíduos, frequentemente iteram com o mundo sem a obrigação imediata de recuperar capital. Organizações estabelecidas não podem lançar mão desse expediente.
E é por isso que vale lembrar. Inovação, em seu sentido mais concreto, é a alteração deliberada de padrões observáveis, testada por hipóteses e sustentada por retorno marginal positivo.
É assim que inovação se torna método. O restante é narrativa.
Automatic translation by Google Translate. It may contain inaccuracies; refer to the original text. This translation was not authored by Rodrigo Magnago.
What AI reveals about the adoption of new technologies
Some reliable research that deals with the engagement of different population groups around the world on topics that have technical complexity, but are attractive to the layman's eye, help us understand a little about intense adherence to technologies such as AI.
A survey conducted by the Australian University of Melbourne and the company KPMG, with more than 48 thousand people in 47 countries, between November 2024 and January 2025, brought interesting findings. The common point, which occurred in developed and developing countries, is the statement of using believing in future benefits, even not trusting the technology.
More provocatively, the study showed that in emerging economies approximately 60% of respondents trust AI, while that number drops to approximately 40% in developed countries. Researchers believe in a common sociological hypothesis: emerging countries see technology as a shortcut to economic mobility.
Researchers at the Pew Research Center show a recurring difference between exposure to technology and technical understanding. In the study Public Awareness of Artificial Intelligence in Everyday Activities (2023), only about 30% of adults were able to correctly identify all uses of AI presented in the questions, although more than half report interacting with the technology frequently. The result suggests a mismatch between use and understanding, in which individuals participate in the technological phenomenon before fully understanding it.
Adoption does not depend on understanding or full trust. It can occur due to expectation of gain, social pressure or narrative of innovation.
A scientific article written by members of Google identified 4 groups of feelings related to AI: exciting, useful, worrying and futuristic. The study dealt with public perception, not knowledge about the tool, but we can make some inferences.
Finally, this research suggests three robust patterns: the public knows the phenomenon before understanding it, people use or invest even without confidence, and the social narrative (wealth, future, innovation) weighs more than the technical domain.
Technology diffusion patterns
The same thing happens with technologies in a more expanded form.
Everett Rogers, influential American communications researcher, deals with the diffusion of innovation when “early adopters” do not have in-depth technical knowledge. They adopt technology based on signals of good history, status and expectation of advantage. Rogers' work, “Diffusion of Innovations”, which seeks to explain how ideas and technologies spread in societies, continues to be one of the most cited books in the area of social sciences.
In the sociology of expectations, Nik Brown, a British sociologist known for his research on biotechnology and innovation policies, argues, in work with Mike Michael, that expectations about the future help shape technological development.
In the same field, Harro van Lente, a Dutch sociologist specializing in science, technology and innovation studies, demonstrated how these expectations function as structuring forces in innovation processes.
The central idea is that narratives about the future mobilize investment, talent and political attention. In this approach, hype is not a flaw, but a mechanism of innovation systems.
For Herbert Simon, economist, cognitive scientist and winner of the Nobel Prize in Economics in 1978, pioneer in the study of bounded rationality and the so-called attention economy, technologies with simple narratives, but complex technical mechanisms, tend to gain public attention more quickly.
Simon's classic insight, in the context of the “Attention Economy”, is that a wealth of information creates a poverty of attention. In environments saturated with information, ideas that can be communicated through simple narratives, even when supported by highly complex systems, capture attention more easily.
The research company Gartner made an interesting definition, the Gartner Hype Cycle. The cycle has 5 stages: the innovation trigger, the peak of inflated expectations, the valley of disillusionment, the ramp of enlightenment and the productivity plateau.
In the history of technologies we can repeatedly observe the same patterns. The telegraph in the 1840s, radio in the 1920s, nuclear power in the 1950s, the internet in the 1990s, cryptocurrencies in 2017, and generative AI in 2023 have produced, in that order, waves of utopian narratives, mass speculation, partial disappointment, and eventual normalization.
This pattern has been observed by technology historians and authors such as Carlota Perez, in her book Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages, who studied the relationships between technological revolutions and financial cycles.
When innovation becomes management fashion
Eric Abrahamson, in his Fashion Theory of Management (free translation by the author), describes how management ideas spread like fads: consultants promote the concept, the media amplifies the narrative, executives imitate their peers and adoption spreads even without robust evidence of effectiveness. In light of this approach, several authors interpret innovation as one of the most widespread management trends in organizations since the 1990s.
For Silicon Valley entrepreneur and innovation professor Steve Blank, the so-called “innovation theater” describes initiatives that appear innovative but generate little real technological progress. Hackathons, corporate accelerators, idea competitions and internal innovation labs often operate more as instruments of symbolic organizational signaling than as structures capable of producing effective innovation.
More importantly, several researchers argue that the dominance of innovation narratives tends to suppress other equally relevant dimensions of technological progress.
Among the most recurring criticisms are the idea that not all progress requires innovation, that activities such as maintenance and optimization are often undervalued, that incremental improvements receive little attention, and that risk assessments and inequalities in access often take a backseat.
In this context, the decision-making process can become biased towards the search for novelty, to the detriment of the reliability and stability of the systems.
This argument appears particularly clearly in the work of Lee Vinsel and Andrew Russell, especially in the book The Innovation Delusion, which argues that much of technological progress depends less on radical innovation and more on standardization, infrastructure, maintenance and incremental engineering, activities that rarely receive the same symbolic prestige associated with “innovation”.
From narrative to method
It is worth anchoring the argument in pacified concepts of innovation. In consolidated scientific articles, invention is the generation of a new idea or artifact. Innovation is its successful implementation in an economic or organizational context. Diffusion is the process by which this innovation spreads and is adopted.
Innovating means changing existing patterns or replacing them with new ones. This is what we are talking about when we talk about innovation. The first is incremental, the second is disruptive.
If the innovator's goal is to influence patterns, observing them is the first step. And it is at this point that the first real obstacle arises, provided the other premises exist: the budget.
Observing patterns requires three essential ingredients: time, adequate experimentation conditions, and financial resources. The third, obviously, buys the first two. In practice, however, organizations do the opposite. The innovator is placed in environments unsuitable for observation, without protected time, without a dedicated team, and without a consistent budget, and yet is expected to produce results.
Many companies treat innovation as if it were a current asset on the annual balance sheet, something that should generate immediate returns. In reality, it behaves more like an investment in cognitive infrastructure. These expenses are typically classified as non-recoverable from an accounting perspective, and remain so for some time, beginning to return cash in a future that is not exactly definable.
If there is reliable data, structured or not, from credible sources and available for processing, the innovator is already a few steps ahead on the timeline and reduces a relevant part of the project cost. Reliable data compresses observation time and drastically reduces the need to produce primary information.
When this data does not exist, which often occurs in disruptive innovation, it is necessary to produce it. For the purposes of this article, let us assume that the reader has access to reliable data and is dealing with incremental innovation. Think about company revenue data, sector performance, consumer behavior in the face of experimental variables, use of hospital structures, mobility patterns in public transport or internal operational metrics.
Here it is worth bringing a point to light. In the era of automation, since the advent of mobile applications, we have automated existing sectors of society. Now we are also starting to automate the organization of thought itself, with language models.
In this context, many companies began to consider their IT areas as the natural center of innovation, largely due to the culture of automation of existing processes. In practice, they rarely are. Real innovation comes from observing domain-specific phenomena, phenomena that belong to the experts in those domains.
There are fields in which innovation remains deeply dependent on material and scientific experimentation, not narratives. This is the case of biotechnology, with research on protein folding and gene therapies; new materials, such as advanced semiconductors or aeronautical composites; energy, with new generation nuclear reactors or battery storage technologies; pharmacology, with the development of new classes of medicines; and precision agriculture, with plant genetics and soil management. In all these cases, innovation is not a slogan. It's rigorous observation, experimentation and patient capital.
Therefore, building innovation within an organization depends on multiple areas. Each sector is a curator and advocate for its own data. The innovation tree is collective.
With the data in hand, the next step is to model patterns. Statistical regressions are a classic path, but not the only one. Depending on the problem, time series models, survival analysis, clustering, Bayesian networks, optimization models, Monte Carlo simulations or machine learning algorithms can be used. The objective is always the same: to organize observed patterns into formal structures capable of revealing relationships between variables.
From this modeling hypotheses emerge. In simple terms, what is expected to happen in the future when changing a variable present in past patterns. And hypotheses are not born in a vacuum. To test a new variable, we need to know which technologies we have already mastered, which processes already exist, which data we have already collected and which infrastructure is in place. This is where we touch the core of innovation.
Creating hypotheses also requires modeling. Confidence intervals are estimated for expected marginal gains and costs associated with the change. In statistical terms, it is about checking whether there is enough evidence to reject the null hypothesis H0. If it is not possible to reject it, the proposed change will probably not have a relevant effect.
And again the budgetary challenge arises. Changing variables costs money. Think about the case of a hospital or health plan that decides to change the standard of care in its queuing system. You can reorganize the flow by separating groups, such as the elderly, scheduled patients or emergency care. You can also introduce app scheduling to redistribute demand throughout the day. Each change requires investment in technology, training and operational reorganization.
When the evidence is sufficient, we move on to the next stage: the minimum prototype. Prototype is not product. It is a controlled experiment, implemented on a small scale to test real elasticity, measure operational impacts, observe human behavior and reduce uncertainty.
From the prototype, the behavior of the system and, above all, user engagement are observed. Many innovations follow logistical adoption curves. There is slow initial growth, acceleration after an inflection point and subsequent stabilization at a plateau.
This plateau is fundamental, as the cash flows associated with innovation can be estimated from it. If the marginal gain from the new standard setting is consistently greater than the marginal expenditure required to sustain it, we are faced with an economically viable innovation.
Plateaus, however, are not permanent. Throughout the useful life of an innovation, new shifts may occur. Competitors can replicate the established standard and reduce the competitive advantage. Macroeconomic changes can alter costs or demand. Regulatory changes can redefine the rules of the game. There are also operational, technological, reputational and financial risks that accompany the entire innovation journey.
The plateau observed at a given moment is just a snapshot of temporary equilibrium. Viewed systemically, innovation requires continuous observation of these risks and the possible changes in standards they cause.
At this point, innovation stops being an experiment and becomes an organizational pipeline. It no longer belongs to an isolated department, but to the entire company. It stops being an event and becomes continuous governance of standards.
It's also worth a warning to technology enthusiasts. The so-called Verifier’s Law recalls a recurring risk. In many complex systems the cost of verifying or maintaining a solution grows faster than the marginal gain it produces. Innovating can be cheap. Sustaining innovation may not be.
Finally, we talk here about innovation from a professional business perspective, in which resources are scarce and need to generate measurable returns. Small businesses, independent researchers, and individuals often iterate on the world without an immediate obligation to recover capital. Established organizations cannot use this method.
And that's why it's worth remembering. Innovation, in its most concrete sense, is the deliberate alteration of observable patterns, tested by hypotheses and supported by positive marginal returns.
This is how innovation becomes method. The rest is narrative.
