Movimento da montadora reforça discussões promovidas no 18º Encontro Estatístico do CONRE-3 sobre qualidade dos dados, modelos estatísticos e a importância dos profissionais especializados para o uso responsável da Inteligência Artificial.
A recente notícia de que a Ford decidiu reforçar suas equipes com a contratação de engenheiros experientes chamou a atenção do mercado ao evidenciar que, mesmo em um cenário de rápida evolução da Inteligência Artificial (IA), conhecimento técnico, experiência e pensamento crítico continuam sendo indispensáveis para o sucesso das organizações.
Embora a reportagem não detalhe exatamente quais sistemas de IA estavam sendo utilizados pela montadora, especialistas avaliam que o episódio reforça uma realidade cada vez mais presente nas empresas: a IA é uma ferramenta poderosa para acelerar processos e apoiar decisões, mas seus resultados dependem diretamente da qualidade dos dados, dos modelos empregados e da atuação de profissionais capacitados para interpretar, validar e aperfeiçoar essas soluções.
Esse debate dialoga diretamente com um dos principais temas do 18º Encontro Estatístico do CONRE-3, que colocou em evidência a importância da Estatística, da governança dos dados e da formação técnica como pilares para uma Inteligência Artificial confiável e responsável.
IA aprende padrões, mas ainda depende da inteligência humana
Para o estatístico Afonso Yamaguchi, da Lexyia, um dos palestrantes do evento e conselheiro do CONRE-3, a experiência e conhecimento do operador é essencial para refinar a resposta da IA para algo melhor de usar ou simplesmente de descartar uma alucinação.
“Os engenheiros recontratados seriam justamente os responsáveis por calibrar esses modelos em um processo contínuo entre conhecimento humano e Inteligência Artificial.”, explica
A estaticista e Presidente do CONRE-3, Tamara Mármore, acrescenta que essa limitação está diretamente ligada ao próprio funcionamento da tecnologia.
“Como qualquer ferramenta, a Inteligência Artificial tem como limite a ausência dos processos mentais que diferenciam os seres humanos das máquinas. Ela depende das associações e conhecimentos que lhe são fornecidos. Se não for alimentada adequadamente, não desenvolverá essas capacidades”, diz.
Para a também conselheira do CONRE-3, Doris Fontes, o problema começa quando empresas acreditam que apenas implementar uma IA é suficiente para obter bons resultados.
“É fato que muitas empresas têm adotado a IA atraídas pela possibilidade de ganhar velocidade na produção e economia de recursos humanos. Mas essa adoção muitas vezes ocorre sem critérios claros, sem planejamento profundo e, principalmente, sem profissionais capazes de dar sentido aos recursos utilizados.”
Ainda segundo Doris, pesquisas internacionais mostram que muitos projetos fracassam justamente pela escolha inadequada de modelos, pela ausência de governança e pela falta de especialistas envolvidos desde o início.
“Um relatório recente da MIT, The GenAI Divide: State of AI in Business 2025, mostra que 95% das empresas falharam no uso de AI por motivos variados: modelos errados, políticas equivocadas, falta de engajamento dos executivos, entre outros. Acredito muito que a IA só será realmente útil quando houver alguém humano por perto fazendo um bom uso dele, mas esse humano deverá ser um profissional super capacitado, culto e versátil”.
Quanto maior a automação, maior a necessidade de especialistas
A crescente automação também aumenta a importância de profissionais capazes de compreender sistemas complexos. Segundo Afonso Yamaguchi, isso acontece porque poucos conhecem, de fato, toda a estrutura por trás das tecnologias.
“Imagine o simples ato de acender uma lâmpada. Para que isso aconteça existe uma enorme infraestrutura composta por sistemas automáticos, redes de transmissão e equipamentos que a maioria das pessoas sequer imagina. Com a Inteligência Artificial ocorre algo semelhante. Há a necessidade de profissionais que conheçam extensamente o complexo sistema”.
Tamara Mármore observa que os modelos conseguem reconhecer padrões com enorme eficiência, mas apresentam dificuldades diante do inesperado.
“Eles compreendem os padrões, mas não aquilo que foge deles, como os ruídos. É justamente nesse espaço que entram a experimentação, o monitoramento, o treinamento contínuo e a capacidade humana de interpretar situações inéditas”.
Doris Fontes reforça essa visão. “Devemos olhar para a IA como um equipamento bem-intencionado, mas que precisa de supervisão e treinamento de um profissional qualificado. Ela pode acessar praticamente todo o conhecimento disponível em bases digitais, mas ainda depende das pessoas para avaliar se os resultados realmente fazem sentido”.
Estatística na Inteligência Artificial
Apesar da percepção de que IA e Estatística pertencem a áreas distintas, os especialistas lembram que os principais algoritmos de Inteligência Artificial são construídos sobre fundamentos estatísticos.
Para Doris Fontes, muitos problemas surgem justamente pela ausência desse conhecimento.
“A maioria dos modelos utilizados pelas IAs é baseada em Estatística. Essa área possui regras, pressupostos e teorias que orientam sua construção. Muitas vezes, porém, modelos inadequados são utilizados pela ausência de senso crítico estatístico”.
Segundo Afonso Yamaguchi, isso muda completamente a forma de controlar esses sistemas.
“Quando incorporamos Inteligência Artificial, o comportamento deixa de ser determinístico e passa a ser probabilístico. Isso exige novos indicadores, métricas estatísticas e monitoramento permanente da assertividade das respostas”.
Tamara Mármore destaca que um dos maiores diferenciais da Estatística é justamente trabalhar com a variabilidade.
“A Estatística não entrega apenas um resultado. Ela permite compreender a variabilidade em torno desse resultado, as diferentes relações entre as variáveis e os riscos envolvidos. O risco nunca desaparece, mas passa a ser conhecido, monitorado e mitigado”.
Dados de qualidade continuam sendo o principal ativo
Um dos principais consensos entre os especialistas é que nenhuma Inteligência Artificial supera a qualidade das informações utilizadas em seu treinamento. Durante o 18º Encontro Estatístico do CONRE-3, esse foi um dos temas das discussões.
Para Doris Fontes, permanece atual o princípio conhecido como Garbage In, Garbage Out.
“A principal matéria prima dos modelos de decisão são os dados. Mas os dados têm sido captados de maneiras diversas, com qualidade duvidosa (repetições ou duplicações, inverdades, imprecisões, dados faltantes). Sem dados bons, bons modelos não surgirão”.
Tamara observa que muitas organizações tentam alcançar soluções sofisticadas sem resolver problemas básicos.
“O mercado quer chegar rapidamente às análises mais complexas, mas frequentemente negligencia a estruturação dos dados. Essa etapa ainda costuma ser tratada de forma paliativa, quando deveria ser preventiva. Quem não cuida do dado dificilmente compreenderá a importância da qualidade da informação”, explica.
Na mesma linha, Afonso Yamaguchi ressalta que qualidade começa muito antes da análise.
“O cenário ideal é aquele em que toda a jornada da informação — coleta, armazenamento e utilização — foi planejada antes mesmo do primeiro dado ser registrado”, afirma.
Como exemplo, ele lembra a descoberta da radiação cósmica de fundo pelos engenheiros Penzias e Wilson, que, durante testes em uma antena de comunicação, identificaram um ruído persistente que não conseguiam eliminar mesmo tendo preparado tudo para não ter interferências externas e internas. Eles perceberam que tinham se deparado com a ‘radiação de fundo’: a prova do modelo físico do Big Bang, que lhes rendeu o Prêmio Nobel de Física.
O papel estratégico do estatístico
Na avaliação dos três especialistas, um dos maiores equívocos das empresas é imaginar que projetos de IA são apenas projetos de tecnologia.
“O grande erro é não considerar que se está num problema de estatística/probabilidade: e imaginar que é simplesmente a criação de um sistema determinístico “, resume Yamaguchi. Segundo ele, o estatístico atua desde o planejamento da coleta de dados até a avaliação da qualidade das bases utilizadas, passando pela definição de indicadores de desempenho e monitoramento dos modelos.
Para Tamara, o diferencial desse profissional está justamente na capacidade de interpretar a variabilidade dos dados.
“O estatístico possui um olhar técnico, mas também flexível, porque sua formação considera a variabilidade dos fenômenos. A ciência produz resultados poderosos, desde que suas pressuposições sejam respeitadas. Subestimar a profundidade das metodologias estatísticas acaba sendo uma das maiores falhas em projetos de IA”, revela.
Doris Fontes reforça que a Inteligência Artificial continuará dependendo da inteligência humana.
“As IAs utilizam modelos estatísticos o tempo todo. Quanto maior o conhecimento técnico do profissional que conduz esses sistemas, melhores tendem a ser os resultados”, conclui.
Uma discussão que o CONRE-3 antecipou
Ao promover, durante o 18º Encontro Estatístico, um amplo debate sobre Inteligência Artificial, qualidade dos dados e Estatística, o CONRE-3 antecipou uma discussão que hoje ganha espaço no mercado.
A decisão da Ford demonstra que o avanço da IA não reduz a importância dos especialistas. Pelo contrário: quanto mais sofisticadas se tornam as tecnologias, maior é a necessidade de profissionais capazes de compreender a variabilidade dos dados, validar modelos, interpretar resultados e transformar informação em decisões estratégicas.
Nesse cenário, a Estatística reafirma seu importante papel para uma Inteligência Artificial responsável, mostrando que inovação tecnológica e inteligência humana não competem entre si — elas se complementam.
Para saber mais sobre o 18º Encontro Estatístico