Além da fluência:
o que as LLMs e a IA generativa não substituem

No ensaio Velocidade não é estratégia argumentamos que agentes de IA aumentam eficiência operacional, mas não têm acesso automático à eficácia. Eles otimizam dentro dos critérios que recebem — e amplificam os filtros existentes da organização. A distinção é simples e decisiva: eficiência é fazer mais rápido o que já se fazia; eficácia é fazer o que vale ser feito.

A pergunta seguinte é inevitável: se LLMs e IA generativa são tão capazes, por que não substituem as técnicas que dominam os campos mais críticos? A resposta não está nos modelos — está no tipo de garantia que cada domínio exige. E fluência não é garantia.

O deslocamento de atenção não é acidental. Ele segue o padrão clássico do Gartner Hype Cycle: uma curva de expectativas que sobe rápido, colapsa e depois se estabiliza em valor real.

Em agosto de 2026, a fotografia é clara:

Uma ressalva honesta: o posicionamento das LLMs no "Vale da Desilusão" é uma leitura interpretativa, não um dado objetivo. A adoção corporativa de IA generativa continua crescendo em termos absolutos. O que o ciclo captura é a deflação de uma expectativa específica — a de transformação total e automática. LLMs estão saindo do lugar de "solução de tudo" para ocupar um espaço próprio, mais delimitado e mais real. Isso é maturidade, não fracasso.

Enquanto isso, os agentes de IA ocupam agora o lugar do hype máximo. A expectativa de autonomia, de "IA que age sozinha", está no auge — exatamente o padrão que a GenAI viveu dois anos antes.

LLMs e modelos generativos capturaram o imaginário porque são fáceis de demonstrar, possuem interface universal e geram a ilusão de generalidade. Qualquer pessoa pode interagir com eles sem conhecer os fundamentos. Técnicas clássicas exigem especialização, modelagem explícita e validação rigorosa — qualidades menos virais, mas mais confiáveis quando o erro tem consequência.

O resultado foi uma confusão entre fluência e competência. Um modelo que escreve bem sobre termodinâmica não resolve equações de termodinâmica. Um modelo que descreve uma estratégia de hedge não garante a ausência de arbitragem. Fluência é a capacidade de produzir texto plausível — não de garantir que o texto corresponde ao real.

Em domínios que exigem garantia — não apenas plausibilidade — as abordagens clássicas permanecem insubstituíveis. A estrutura mais útil não é por área de aplicação, mas por tipo de garantia exigida. Três categorias organizam o panorama.

Há domínios onde "parece correto" não é suficiente — é necessário provar. Um sistema de controle de voo não pode falhar por variância estatística. Um protocolo criptográfico não admite exceções. Uma solução de roteamento logístico precisa de prova de otimalidade, não de uma boa aproximação. Nesses casos, a exigência é demonstrável sob qualquer condição — não apenas plausível na maioria delas.

Há domínios onde a incerteza precisa ser quantificada — não apenas reconhecida. Modelos generativos podem dizer "não tenho certeza", mas não conseguem construir intervalos de confiança calibrados, separar correlação de causalidade ou respeitar relações matemáticas rígidas como a ausência de arbitragem. Para decisões sob risco com consequências — em finanças, em saúde pública, em avaliação de políticas — isso é estruturalmente insuficiente.

Há domínios governados por leis que não negociam. Energia se conserva. Sinais têm limites teóricos estabelecidos pela teoria da informação de Shannon. Modelos climáticos respeitam equações de Navier-Stokes. IA generativa pode imitar o output dessas simulações — mas não resolve as equações. A diferença entre imitar e calcular é a diferença entre parecer e garantir.

Um domínio especialmente ilustrativo é a biologia estrutural e a descoberta de medicamentos. Textos de divulgação frequentemente apresentam a IA generativa (e o AlphaFold) como se tivessem tornado obsoletas a física molecular e a química medicinal clássica. A realidade é mais sóbria e mais interessante.

O que a IA generativa realmente faz nesse campo

O processo atual de descoberta assistida por IA atua em três frentes principais:

1. Mapeamento de proteínas

Quase toda doença envolve alguma proteína defeituosa, mal dobrada ou com interação alterada. Saber a forma tridimensional da proteína é fundamental. O AlphaFold (especialmente as versões 2 e 3) resolveu em grande parte o problema de prever a estrutura 3D a partir da sequência de aminoácidos — tarefa que antes demorava anos e custava milhões de dólares por proteína. Hoje isso é feito em minutos ou horas para a maioria dos casos. O banco de dados público já contém mais de 200 milhões de estruturas previstas.

Limite honesto: o modelo prevê principalmente a conformação dominante. Proteínas são dinâmicas. Ainda há dificuldade com regiões desordenadas, grandes mudanças conformacionais e alguns tipos de complexos. Saber a forma não significa saber a função nem como intervir nela.

2. Desenho de "chaves" moleculares (de novo design)

Sabendo o formato da proteína-alvo (a "fechadura"), modelos generativos tentam criar do zero moléculas (as "chaves") que se encaixem nela de forma específica — para bloquear, ativar ou degradar a proteína. Isso inclui tanto moléculas pequenas clássicas quanto proteínas, anticorpos e minibinders projetados.

Limite honesto: gerar uma molécula que "encaixa no computador" é relativamente fácil. Fazer ela ser estável, sintetizável, segura, absorvida pelo corpo e sem efeitos colaterais graves é muito mais difícil. A maioria dos candidatos gerados por IA ainda falha nas etapas seguintes — exatamente como os candidatos tradicionais. A taxa de sucesso clínica continua baixa.

3. Triagem virtual

Em vez de testar fisicamente milhões de compostos, a IA simula bilhões de interações no computador e prioriza apenas as opções com maior chance aparente de sucesso. Métodos de docking clássico já existiam; os modelos atuais melhoraram a capacidade de prever ligação e pose.

Limite honesto: a simulação ainda erra bastante, especialmente com moléculas muito diferentes das vistas no treinamento. O score do computador não é garantia de atividade biológica real. Sempre é necessária validação experimental.

Por que IA generativa — e não apenas a teoria anterior?

A física molecular, a dinâmica molecular, o free energy perturbation (FEP), o docking baseado em campos de força e a química medicinal clássica não foram abandonados. Nos melhores grupos e empresas, a IA generativa convive com esses métodos — e frequentemente depende deles para filtrar e refinar o que gera.

O que mudou foi a ênfase e a escala. Quatro razões principais explicam o protagonismo da abordagem generativa:

1. O espaço químico é absurdamente grande. Estimativas apontam para cerca de 10⁶⁰ moléculas drug-like possíveis. Métodos físicos clássicos são excelentes para avaliar poucas moléculas com precisão, mas lentos demais para explorar esse espaço de forma ampla. A IA generativa aprende a distribuição estatística de moléculas que "funcionam" e propõe milhares ou milhões de candidatas novas rapidamente. Ela é boa em gerar hipóteses em escala.

2. O AlphaFold mostrou que aprendizado de dados pode superar física pura em certos problemas. Antes, prever estrutura dependia fortemente de física + homologias. O AlphaFold demonstrou que, com dados suficientes, um modelo treinado pode acertar estruturas com precisão experimental em muitos casos — e de forma muito mais rápida. Isso legitimou a abordagem data-driven e abriu caminho para modelos generativos de moléculas e proteínas.

3. A geração de novidade é o ponto fraco dos métodos clássicos. Física e regras de química medicinal são ótimas em otimizar o que já existe ou em avaliar candidatos. São piores em inventar estruturas radicalmente novas que ainda assim sejam razoáveis. Modelos generativos foram treinados precisamente para isso.

4. Velocidade e custo na fase inicial. A combinação de geração + filtragem computacional permite reduzir drasticamente o número de moléculas que precisam ser sintetizadas e testadas experimentalmente.

Onde a teoria anterior continua indispensável

Na prática, os pipelines mais sérios hoje são híbridos: a IA generativa propõe candidatos; métodos físicos e de machine learning clássico ranqueiam e refinam; a química medicinal e o experimento validam e corrigem.

Em todos esses domínios — do controle de aviões à descoberta de fármacos — a exigência é a mesma: garantia (formal ou estatística forte), previsibilidade sob condições extremas, auditabilidade, eficiência computacional em escala e respeito a restrições físicas ou matemáticas rígidas.

LLMs e modelos generativos brilham em interface, exploração, geração de hipóteses e tarefas de linguagem ou de padrão. Nos núcleos que precisam das propriedades acima, as técnicas clássicas — estatística probabilística, algoritmos determinísticos, sistemas dinâmicos, física molecular, otimização matemática — continuam sendo as mais eficazes. E continuarão por muito tempo.

O fato de estarmos, em agosto de 2026, no Vale da Desilusão das LLMs e no Pico das Expectativas Infladas dos agentes de IA apenas confirma o padrão: a velocidade de adoção e o volume de capital seguem a curva de expectativas, não necessariamente a curva de valor entregue.

Sair do Vale da Desilusão — organizacionalmente — não é abandonar a IA generativa. É desenvolver a capacidade de distinguir onde ela entrega valor real e onde ela apenas fluencia: produz output convincente sem garantia de nada. "Fluencia" não é pouco — interface, exploração, síntese de linguagem e geração de hipóteses são contribuições genuínas. Mas fluência sem garantia, usada onde garantia é exigida, não é eficiência. É risco disfarçado de agilidade.

As organizações que saem do ciclo de hype fazem uma pergunta diferente. Deixam de perguntar "como usar IA para isso?" e passam a perguntar "que tipo de garantia esse problema exige?". A partir daí, a escolha entre abordagem generativa, método clássico ou híbrido deixa de ser ideológica e passa a ser criteriosa. A ferramenta segue o problema — não o contrário.

É esse padrão de pensamento que o SPE — Sistema de Pensamento Estratégico da Confluência formaliza: não uma metodologia de uso de IA, mas uma arquitetura de julgamento que antecede qualquer escolha de ferramenta. O SPE define o que deve ser acelerado, o que deve ser interrogado e o que não pode ser delegado a nenhum modelo — generativo ou não. A fluência da IA revela, com precisão inesperada, a qualidade dos filtros de quem a opera.