Há quase uma década, profissionais de estratégia convivem com a previsão de que parte do seu trabalho poderia ser substituída por inteligência artificial. Já em 2017, um artigo publicado na Harvard Business Review imaginava um futuro em que executivos deixariam de recorrer a consultores para responder perguntas como quais clientes deveriam priorizar, onde alocar seu orçamento ou quem representava a maior ameaça em determinado mercado. Na época, os autores sugeriam que essas perguntas talvez fossem feitas à Alexa, assistente virtual da Amazon.
De lá para cá, a previsão deixou de parecer tão futurista. Modelos de inteligência artificial passaram a lidar com essas perguntas e tantas outras. Hoje são largamente usados para processar grandes volumes de informação, produzindo análises e recomendações de toda sorte em poucos minutos. A tal ponto de isso virar um produto com ares de commodity nas consultorias de estratégia.
Em 2026, por exemplo, a consultoria West Monroe lançou seis agentes de IA capazes de produzir gratuitamente relatórios sobre temas como estratégia competitiva e riscos de modelos de negócio. Segundo seu próprio diretor de IA, trata-se de uma primeira camada de análise que, em certas circunstâncias, poderia ter custado milhões de dólares no modelo tradicional. Paralelamente, o investidor Kevin O’Leary afirmou que empresas de seu portfólio estão pulando consultores e indo direto na inteligência artificial. Muitas companhias, segundo ele, primeiro consultam a IA para depois decidir se ainda precisam contratar uma consultoria.
Os efeitos dessa transformação já começam a aparecer concretamente no mercado de trabalho. A McKinsey reduziu seu quadro global em mais de 10% entre o fim de 2023 e meados de 2025, passando de mais de 45 mil para cerca de 40 mil profissionais. Em 2026, a PwC demitiu cerca de 600 profissionais de suporte nos Estados Unidos, enquanto a KPMG cortou aproximadamente 400 pessoas apenas em sua área de advisory no país. Nem todos esses movimentos podem ser atribuídos diretamente à inteligência artificial, mas a tecnologia aparece cada vez mais como parte dessa reorganização.
Nesse contexto, a pressão maior recai sobre os profissionais em início de carreira. Em uma pesquisa da Oliver Wyman, a parcela de CEOs que esperava reduzir posições juniores nos dois anos seguintes saltou de 17% em 2025 para 43% em 2026. São justamente esses profissionais que tradicionalmente concentram boa parte das atividades de pesquisa, análise e produção de relatórios que a IA começa a absorver.
Ainda assim, boa parte das análises defende que nada disso representa a “morte” de consultores ou profissionais de estratégia. O professor do MIT Jeffrey Saviano, por exemplo, argumenta que a tecnologia deve alterar a estrutura do trabalho, com equipes menores e mais concentradas em atividades que envolvam discernimento, interpretação, relacionamento e implementação.
Mas essa previsão depende de uma premissa importante: que humanos consigam fazer melhor justamente a parte do trabalho que exige pensamento estratégico.
Recentemente, escrevemos sobre um experimento conduzido pela professora Natalia Levina, da NYU, com Llewellyn D.W. Thomas e Angelo Romasanta, que ajuda a colocar essa premissa à prova. Ao submeter diferentes LLMs a milhares de decisões estratégicas, os pesquisadores encontraram preferências bastante rígidas por caminhos como diferenciação, longo prazo, descentralização e complementação humana, mesmo quando mudanças no contexto poderiam justificar escolhas diferentes. Eles chamaram esse comportamento de Strategy Trendslop: a tendência de reproduzir aquilo que soa como boa estratégia no discurso de negócios, ainda que não seja necessariamente a melhor resposta para aquele problema.
Naquele artigo, exploramos as implicações desse fenômeno para quem pretende usar inteligência artificial em decisões estratégicas. Aqui, o que nos interessa é tentar imaginar por quê isso acontece em primeiro momento.
Afinal, os modelos não inventaram essas preferências. Eles aprenderam a partir de uma quantidade colossal de linguagem produzida por seres humanos. Se colaboração aparece como uma resposta mais desejável do que competição, ou descentralização parece naturalmente superior à centralização, existe uma boa chance de que essa hierarquia já estivesse presente no material usado para treiná-los.
Tomemos como exemplo a preferência quase incontornável da IA pela diferenciação sobre a liderança em custos. Faz todo sentido que ela “pense” assim. Afinal, os cases mais celebrados e os artigos mais inspiradores contam exatamente essa história. Quantas canções já foram entoadas sobre quem construiu uma empresa lucrativa a partir de uma operação eficiente que é capaz de cobrar menos para entregar algo próximo da média do mercado? Poucas. Porque as grandes histórias costumam ser sobre quem criou muita diferenciação, reinventou um modelo de negócio ou transformou uma categoria inteira.
Isso não significa que haja algo errado com esses casos. Muitos deles merecem fazer parte do cânone da estratégia de negócios e são essenciais para entendermos o poder dessa disciplina. A questão é o que acontece quando um determinado tipo de história aparece com muito mais frequência do que outros na produção de conhecimento de uma área. Então, de que forma ensinaríamos a AI que ser líder em custos é uma estratégia absolutamente legítima? Como ela aprenderia que essa é uma forma de competir como qualquer outra, que pode funcionar muito bem diante de certas circunstâncias?
Nesse sentido, talvez o Strategy Trendslop revele algo mais interessante do que uma limitação dos LLMs. Se as máquinas aprenderam conosco, vale perguntar antes o que exatamente nós ensinamos a elas. E, para responder, precisamos olhar para a maneira como esse conhecimento é selecionado, produzido e transformado naquilo que aprendemos a reconhecer como boa estratégia.
Como estratégia forma seu cânone
Antes de tudo, precisamos reconhecer que todo conhecimento parte de algum recorte da realidade. Parece uma constatação banal, mas ela tem consequências importantes. Como não conseguimos estudar todas as empresas ou acompanhar todas as decisões tomadas ao longo do tempo, naturalmente temos que fazer uma edição. E, de alguma forma, isso condiciona nossa visão de mundo.
Já escrevemos sobre uma das manifestações mais conhecidas desse problema ao tratar do viés do sobrevivente. Durante a Segunda Guerra Mundial, quando aviões avariados voltavam para as bases, a primeira intuição dos militares era reforçar as regiões com mais marcas de tiros. Mas o físico Abraham Wald percebeu que havia um problema nesse raciocínio. Se aqueles eram os aviões que haviam conseguido voltar, as áreas muito atingidas mostravam lugares em que uma aeronave podia receber disparos e ainda sobreviver. O episódio se tornou uma das ilustrações mais conhecidas dos vieses de seleção, ou seja, de como a nossa interpretação é moldada de alguma forma apenas pelo que conseguimos enxergar.
Algo semelhante acontece com boa parte dos cases que formam nosso repertório de estratégia. Estudamos startups que viraram gigantes, marcas que fizeram reposicionamentos históricos e executivos cujas decisões mudaram mercados inteiros. Como dissemos, apesar de serem histórias ricas em aprendizados, suas características criam uma espécie de lente pela qual passamos a enxergar a disciplina.
A pesquisa empírica ajudou enormemente a corrigir esse problema, mas de alguma forma também contribui para acirrá-lo. De um lado, grandes bases de dados permitiram trocar parte das conclusões extraídas de histórias individuais pela busca de padrões mais regulares. Por outro, elas também tem seus próprios vieses de seleção.
Por exemplo, já exploramos por aqui também como a área de marketing tem incorporado cada vez mais conhecimento científico na sua atuação prática nas empresas. O que é particularmente valoroso para uma área que não é tão acostumada com isso. Porém, é fato que existem muito mais informações disponíveis sobre algumas categorias, empresas e mercados do que sobre outros.
Por exemplo, compras recorrentes de bens de consumo tem bases de dados bem mais longas e organizadas do que o de moda. Grandes anunciantes produzem dados que pequenas empresas dificilmente conseguem gerar. Ou campanhas inscritas em prêmios de efetividade formam uma amostra bem diferente diferente da média de toda a publicidade produzida no mundo. Então, trabalhos como os do Ehrenberg-Bass Institute ou o IPA são fundamentais para produzir conhecimento novo ao mesmo tempo que enviesam muito as suas conclusões.
E isso em si não é tanto um problema. Na verdade, é bastante natural. Mas se torna um problema quando essa realidade sai do nosso radar (ou as vezes nem entra). Porque um padrão encontrado repetidamente em determinada circunstância, ainda que muito robusto, com certeza falha em diversos outros contextos. Será que as regras que valem para marcas globais de sabão em pó também se replicam em marcas locais que prestam serviços B2B? Portanto, quando a conclusão é replicada sem as características da amostra que a produziu, o que era uma descoberta em um contexto começa a ganhar aparência de regra sobre todos eles. E assim o nosso repertório vai se formando e o nosso critério vai se perdendo.
Mas, como se não fosse o suficiente, em estratégia temos um problema adicional, que é o formato das teorias. Essa é uma disciplina que se constrói majoritariamente por meio de modelos e frameworks. Funil de vendas, Matriz SWOT, 4Ps, matriz BCG e tantos outros modelos ajudam a transformar problemas complexos em estruturas mais fáceis de compreender e aplicar. Eles organizam variáveis para facilitar o desenvolvimento de raciocínios complexos, que possam ser mais melhor assimilados e replicados. E quando esquecemos disso, passamos a tentar encaixar o pé em um sapato que não o comporta.
Por exemplo, uma coisa é olhar para determinado mercado e concluir que as Cinco Forças Competitivas são uma boa maneira de organizar parte da análise. Outra é começar pelas Cinco Forças e procurar no mercado aquilo que precisamos para preencher cada uma das cinco caixas. No primeiro caso, escolhemos uma ferramenta a partir do problema. No segundo, a ferramenta já começou a decidir o que merece nossa atenção.
E esse risco cresce porque aprendemos estratégia usando justamente essas estruturas. Estudamos frameworks, praticamos sua aplicação e depois encontramos os mesmos formatos nas empresas e consultorias. Fora os novos que vão surgindo e que vamos sendo “forçados” a incorporar pelo hype.
É dessa maneira que forma e conteúdo acabam se retroalimentando. Aprendemos estratégia a partir de uma parcela da realidade que conseguiu produzir conhecimento. Depois, organizamos esse conhecimento em teorias, modelos e frameworks que facilitam sua transmissão, mas reduzem sua complexidade. E nesse processo vamos sufocando nossa capacidade de pensar estrategicamente de verdade.
Estratégia e o trendslop dos humanos
Agora podemos voltar ao ponto de partida para perceber como o Strategy Trendslop encontrado por Natalia Levina e seus colegas nas IAs não surgiu do nada. Os modelos aprenderam a reconhecer como “boa estratégia” aquilo que aparece repetidamente no enorme volume de linguagem produzido por seres humanos. Nesse caso de estratégia, moldada por vieses de seleção e formatos simplificados.
O problema é que estratégia deveria funcionar quase no sentido inverso. Não existe uma resposta intrinsecamente mais “estratégica” entre diferenciação e liderança de custos, centralização e descentralização, competição e colaboração ou curto e longo prazo. Existem circunstâncias em que cada uma dessas escolhas pode e vai fazer mais sentido. Poruqe estratégia é uma disciplina radicalmente contextual. Seu valor está justamente em compreender as condições particulares de um jogo e encontrar uma maneira de vencer dentro delas. Quanto mais esquecemos disso, mais nos aproximamos do comportamento que observamos nos LLMs.
E existe ainda um ingrediente que torna esse mecanismo particularmente difícil de perceber em estratégia, que é a linguagem. Com alguma experiência, passamos a manipulá-la com enorme naturalidade e ficamos fluentes em estrategiquês. Conseguimos combinar todo esse léxico da disciplina em frases perfeitamente plausíveis, que soam como estratégia mesmo quando ainda dizem muito pouco.
É assim que produzimos nossa própria versão do entulho corporativo da IA, como um Human Strategy Trendslop. Afinal, quantas vezes não observamos trabalhos analíticos longos e pretensamente profundos que ao seu final acrescentam pouco ao que já se sabia? Ou raciocínios aparentemente sofisticados que desembocam em recomendações bastante previsíveis? Muitas vezes o resultado nem chega a ser ruim. É apenas mediano, porque reproduz aquilo que aprendemos a reconhecer como uma resposta plausível.
E talvez esse seja justamente o maior perigo. Uma estratégia absurda chama atenção e provavelmente será questionada. Uma estratégia genérica, bem apresentada, sustentada por conceitos reconhecidos e embalada na linguagem certa pode atravessar uma organização inteira sem provocar o mesmo incômodo.
Só que, por definição, não deveríamos considerar isso aceitável. Se essa disciplina trata de encontrar formas de vencer um jogo, é difícil construir vantagem reproduzindo os mesmos raciocínios que todos os outros jogadores aprenderam. Quanto mais nosso pensamento converge para a média, maior a nossa chance de, na melhor das hipóteses, empatar e não vencer. E se a mediocridade se torna tão aceitável, aí realmente faz mais sentido econômico deixar a IA fazer estratégia.
Só que, fora o tempo muito maior que levamos para produzir as nossas próprias strategy trendslops, há uma diferença fundamental nessa comparação entre neurônios e bytes. IA é programada para fazer exatamente isso que a professora Levina encontrou em seu experimento. Responder com textos que nos parecem fazer sentido é sua missão primordial. Mas não é a nossa. E se ambos não conseguimos distinguir uma estratégia real do seu simulacro, quem tem um problema grave somos apenas nós.
Mas a boa notícia é que ele é solucionável. Acreditamos que é possível reprogramar nosso cérebro para que tenhamos uma capacidade muito maior de gerar valor com estratégia do que qualquer máquina. Isso não é necessariamente simples, mas temos confiança de que com estudo, treinamento e intencionalidade é super possível. O simples fato de você ter chegado até o fim desse texto e incorporado suas ideias com certeza já te deixa um passo mais perto disso.
