Repertório, criatividade e inteligência artificial para transformar perguntas em soluções

Quem trabalha em laboratório conhece uma situação aparentemente contraditória: uma equipe pode reunir experiência, bons equipamentos e acesso a muita informação e, ainda assim, chegar sempre às mesmas respostas.

Isso acontece porque conhecimento e inovação não são a mesma coisa. O conhecimento fornece a base técnica, ajuda a reconhecer riscos e evita que erros conhecidos se repitam. Inovar exige um passo além: olhar para um problema real, reorganizar o que já se sabe e construir uma hipótese que possa ser testada.

Ao longo da minha trajetória na indústria química, percebi que muitos avanços não começaram com uma matéria-prima inédita nem com um equipamento novo. O ponto de partida foi alguém decidir formular a solução do problema de outra maneira.

A inteligência artificial tornou essa diferença ainda mais visível. Hoje, é possível reunir referências, comparar alternativas e levantar hipóteses em poucos minutos. O acesso à informação deixou de ser a principal barreira. O que passa a fazer diferença é a capacidade de formular boas perguntas, perceber relações que não são óbvias e decidir o que merece chegar à bancada.

No fim, uma resposta bem escrita não substitui uma evidência. No laboratório, é o experimento que separa uma possibilidade interessante de uma solução tecnicamente válida.

Conhecimento técnico é indispensável, mas não resolve tudo

Inteligência e criatividade se relacionam, embora cumpram funções diferentes. A inteligência nos ajuda a aprender, compreender um mecanismo, comparar informações e escolher uma resposta coerente. A criatividade entra em cena quando precisamos estabelecer novas conexões e imaginar caminhos que ainda não foram testados.

Uma meta-análise que reuniu 112 estudos encontrou uma associação positiva, porém moderada, entre inteligência e pensamento divergente. Em termos práticos, dominar um assunto melhora as condições para criar, mas não garante que o profissional consiga sair dos caminhos conhecidos.

Na química, essa diferença aparece o tempo todo. Um formulador experiente conhece resinas, pigmentos, cargas, aditivos, mecanismos de cura e métodos de caracterização. Esse repertório permite antecipar incompatibilidades e descartar rapidamente alternativas inviáveis. Ao mesmo tempo, a experiência pode criar uma armadilha: diante de um problema novo, nossa primeira tendência é procurar a resposta entre as soluções que funcionaram no passado.

Isso não diminui o valor da experiência. O cuidado é não deixar que ela limite a busca por alternativas.

A criatividade técnica costuma exigir dois movimentos. Primeiro, é necessário mergulhar no problema: compreender mecanismos, restrições de processo, custos, requisitos de segurança e regulação, além dos critérios de desempenho. Depois, convém criar alguma distância. É nesse intervalo que outras associações podem surgir.

A literatura sobre criatividade chama esse período de incubação. Uma revisão de estudos sobre o tema identificou um efeito positivo das pausas na resolução de problemas, especialmente em tarefas que exigem pensamento divergente. Não se trata de esperar passivamente por uma boa ideia. A pausa tende a funcionar melhor quando é precedida por uma imersão consistente e seguida de um retorno disciplinado ao problema.

O que o xadrez e o Go ensinam sobre explorar possibilidades

A evolução dos sistemas computacionais que jogam xadrez e Go ajuda a entender como a tecnologia pode ampliar o trabalho humano.

Em 1997, o Deep Blue, da IBM, derrotou Garry Kasparov combinando capacidade de busca, avaliação de posições e conhecimento especializado. Quase vinte anos depois, o AlphaGo protagonizou um episódio que chamou a atenção até dos maiores especialistas em Go. Na segunda partida contra Lee Sedol, a jogada 37 parecia improvável segundo os padrões do jogo profissional, mas abriu um caminho decisivo para a vitória.

Esses episódios não resolvem a discussão filosófica sobre a criatividade das máquinas. Para quem trabalha em P&D, porém, deixam uma lição prática: sistemas computacionais conseguem percorrer possibilidades em uma escala que desafia nossa intuição.

Em formulação, essa capacidade pode ser muito útil. A IA pode ajudar a organizar dados históricos, localizar referências, comparar mecanismos, sugerir combinações e apoiar o planejamento de experimentos. Seu melhor uso não está em entregar uma fórmula pronta, mas em ampliar o conjunto de alternativas que a equipe consegue avaliar.

O cuidado começa quando confundimos fluência com confiabilidade. Uma hipótese pode soar convincente e, ainda assim, ser quimicamente inconsistente, desconsiderar uma restrição de processo ou ter como base uma fonte frágil. Segurança, conformidade regulatória, julgamento técnico e validação experimental continuam sob responsabilidade humana.

Por isso, a pergunta mais útil não é “A IA consegue resolver este problema?”, mas “Como podemos usá-la para investigar melhor o problema e decidir com mais informação?”

Um exemplo conhecido: reduzir TiO₂ sem repetir a fórmula anterior.

Considere um desafio recorrente na indústria de tintas: reduzir o custo de uma formulação diminuindo o teor de dióxido de titânio, sem comprometer cobertura e desempenho.

Uma pergunta estreita seria: qual carga pode substituir parte do TiO₂? O problema é que essa pergunta já pressupõe a resposta. Ela direciona a equipe para uma substituição simples e reduz o campo de investigação antes mesmo de o trabalho começar.

Uma formulação mais aberta seria: quais combinações de composição, dispersão, arquitetura do ligante e processo podem proporcionar a opacidade necessária com menor custo total?

A mudança parece pequena, mas altera todo o raciocínio. A investigação deixa de se concentrar apenas na troca de uma matéria-prima e passa a considerar PVC e CPVC, distribuição e espaçamento de partículas, eficiência de dispersão, reologia, aplicação, formação de filme e histórico de formulações.

Nesse contexto, a IA pode apoiar o levantamento de mecanismos, organizar aprendizados de projetos anteriores e ajudar a selecionar combinações para uma primeira triagem. Mas é o conhecimento do formulador que define as restrições, identifica incoerências e transforma possibilidades em um plano de experimentos comparáveis.

No ambiente industrial, uma ideia só se transforma em inovação quando combina desempenho, reprodutibilidade, segurança e viabilidade econômica.

A inovação, nesse caso, não aparece como uma resposta isolada. Ela surge da qualidade do problema formulado, da diversidade das hipóteses consideradas e da rapidez com que o laboratório consegue eliminar caminhos que não funcionam.

O químico que conecta áreas

Nesse ponto, o conceito de nexialismo se torna interessante. O termo surgiu na ficção científica de A. E. van Vogt e pode ser usado como uma boa metáfora profissional: o nexialista é alguém capaz de relacionar conhecimentos de diferentes áreas para compreender problemas complexos.

Na indústria química, essa capacidade ganha importância porque os desafios raramente são apenas químicos. Uma mudança de formulação pode envolver disponibilidade de matéria-prima, custo, escala produtiva, segurança, regulação, impacto ambiental, aplicação e percepção do consumidor. A solução tecnicamente mais elegante nem sempre é a melhor para a indústria.

O químico preparado para esse ambiente combina profundidade e amplitude. Precisa conhecer química, mecanismos, formulação, processo e interpretação de resultados. Ao mesmo tempo, deve saber dialogar com dados, inteligência artificial, sustentabilidade, regulação, cadeia de suprimentos e negócios.

Ninguém precisa ser especialista em tudo. O ponto é saber quando o problema exige outra competência, quem deve participar da discussão e como transformar contribuições diferentes em uma hipótese que o laboratório possa testar.

Esse perfil se aproxima do conhecido profissional em T: profundidade em uma área e capacidade de dialogar com outras. O nexialismo acrescenta a conexão orientada à solução. Não basta acumular referências. Elas precisam mudar a pergunta, o experimento ou a decisão.

Da ideia à evidência: uma forma prática de organizar o trabalho

Na W2S Education, podemos organizar esse raciocínio em um ciclo simples: Imersão, Incubação e Ação Experimental — o ciclo I²A.

Na imersão, a equipe delimita o problema, explicita as restrições, revisa o que já foi tentado e amplia o repertório. É o momento de reunir dados de laboratório, processo, fornecedores, mercado e literatura. A IA pode acelerar a pesquisa e a organização dessas informações, desde que as fontes sejam verificadas.

Na incubação, o objetivo é criar distância suficiente para que outras conexões apareçam. Isso pode acontecer em uma conversa com profissionais de outra área, na análise de um caso de outro setor ou simplesmente durante uma pausa planejada. O importante é registrar perguntas e ideias para que o afastamento não se transforme em perda de continuidade.

Na ação experimental, as hipóteses voltam ao mundo físico. Os testes devem ser simples o bastante para permitir comparações e informativos o suficiente para orientar a próxima decisão. Um resultado negativo bem planejado pode economizar semanas de trabalho; um resultado positivo sem controle adequado pode criar uma falsa sensação de avanço.

O ciclo não termina quando um experimento funciona. O resultado alimenta uma nova rodada de perguntas, ajustes e validações. É assim que uma ideia se transforma, pouco a pouco, em conhecimento confiável e, quando há valor técnico e econômico, em inovação.

Quem vai liderar a próxima inovação química?

A próxima inovação relevante pode surgir de uma nova molécula, de um processo mais eficiente ou de uma combinação que sempre esteve disponível, mas nunca havia sido considerada daquela forma.

Quem irá liderá-la provavelmente não será o profissional que conhece o maior número de respostas, mas aquele que compreende profundamente o problema, faz perguntas melhores, conecta conhecimentos e sabe transformar uma hipótese em evidência.

A inteligência artificial terá um papel importante nesse percurso. Ela pode ampliar o repertório, acelerar buscas e revelar alternativas pouco intuitivas. Mas a direção continua dependendo de pessoas capazes de escolher o problema certo, avaliar riscos e reconhecer o nível de evidência necessário para avançar.

Para a indústria química, essa talvez seja a principal mudança: o valor do profissional não está apenas no que ele sabe, mas no que consegue fazer com esse conhecimento diante de um novo desafio.

Se você leu até aqui e se identificou com o tema, vale levar esta reflexão para a realidade da sua empresa:

Na sua empresa, a inteligência artificial já está ajudando a formular novas hipóteses ou ainda é utilizada principalmente para encontrar respostas mais rápidas?

Compartilhe sua experiência e acompanhe a W2S em nossos canais de comunicação para não perder nenhum conteúdo sobre inovação, governança e tecnologia. Até a próxima!

Referências

1 – Gerwig, A. et al. “The Relationship between Intelligence and Divergent Thinking: A Meta-Analytic Update.” Journal of Intelligence, 2021.

2 – Sio, U. N.; Ormerod, T. C. “Does Incubation Enhance Problem Solving? A Meta-Analytic Review.” Psychological Bulletin, 2009.

3 – IBM. “Deep Blue.” IBM History; Google DeepMind. “AlphaGo”; van Vogt, A. E. The Voyage of the Space Beagle. 1950.

4 – Jean Alessandro. “Pessoas Criativas Estão Dominando o Mundo Moderno” e “Esse é o Cérebro de Pessoas com Altas Habilidades”. YouTube.