Collective Intelligence: 240 Years of Research — From Condorcet to AI

Em 1794, um matemático francês morreu em uma cela de prisão revolucionária, nove anos após publicar um teorema que quase ninguém leu. Em 1906, um estatístico vitoriano de 84 anos vagou por uma feira de gado coletando bilhetes de rifa usados. Em 2026, pesquisadores do MIT estão realizando centenas de milhares de negociações entre agentes de IA para aprender como as máquinas devem se juntar a equipes humanas. Essas três cenas pertencem a uma única história de pesquisa contínua — o estudo da inteligência coletiva, a capacidade de grupos de agir de maneiras que parecem inteligentes. O que segue é essa história, era por era, com as descobertas reais e as lutas reais.

1785: A aposta do Iluminismo — o teorema de Condorcet

Marie Jean Antoine Nicolas de Caritat, Marquês de Condorcet, era o tipo de figura do Iluminismo que faz os polímatas modernos parecerem estreitos: um matemático eleito para a Académie des sciences na casa dos vinte anos, um defensor precoce e vocal da educação pública, do sufrágio feminino e da abolição da escravidão. Em 1785, ele publicou o Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — um ensaio sobre a aplicação da teoria da probabilidade à votação majoritária. Enterrado nele está o resultado que agora chamamos de Teorema do Júri de Condorcet.

O teorema diz algo surpreendente. Pegue uma pergunta de sim/não com uma resposta correta. Suponha que cada eleitor esteja certo com uma probabilidade até mesmo ligeiramente melhor do que um lançamento de moeda — digamos 55% — e suponha que os eleitores julguem independentemente uns dos outros. Então, à medida que o grupo cresce, a probabilidade de que a maioria esteja certa sobe em direção à certeza. O julgamento individual medíocre, agregado corretamente, torna-se um julgamento coletivo quase perfeito. O teorema também tem um gêmeo sombrio: se cada eleitor for ligeiramente pior do que um lançamento de moeda, a maioria se torna quase certamente errada à medida que o grupo cresce. A agregação amplifica qualquer competência — ou incompetência — que você alimenta. Contamos a história completa do teorema, suas suposições e seus usos modernos em nossa peça complementar sobre o Teorema do Júri de Condorcet.

O mesmo ensaio contém uma segunda descoberta que levaria 160 anos para detonar: o paradoxo de Condorcet. Com três ou mais opções, as preferências da maioria podem ciclar — o grupo prefere A a B, B a C e C a A — então “o que a maioria quer” pode nem mesmo estar bem definido. Essa observação é a semente da teoria da escolha social, o campo que Kenneth Arrow mais tarde transformaria com seu teorema da impossibilidade: nenhum sistema de votação classificado pode satisfazer uma lista curta de condições de justiça razoáveis ao mesmo tempo. Sistemas de votação, métodos de escolha classificada e a matemática da agregação de preferências são uma história à parte — um tipo diferente de agregação da média de crenças que este artigo segue — e um que retornaremos em uma série futura.

Condorcet não viveu para ver nada disso importar. Proibido durante o Terror por se opor à constituição jacobina, ele se escondeu por meses — escrevendo, notavelmente, seu otimista Esboço para uma Imagem Histórica do Progresso da Mente Humana — foi preso em março de 1794 e encontrado morto em sua cela em Bourg-la-Reine dois dias depois. A matemática da sabedoria coletiva começou como o trabalho de um homem destruído por um coletivo que enlouqueceu. A ironia paira sobre o campo desde então: grupos podem ser brilhantes, e grupos podem ser monstruosos, e a diferença não são as pessoas — são as condições.

1906–1950s: A era estatística — Galton, Hayek e Delphi

Para seu primeiro teste empírico, a inteligência coletiva teve que esperar 121 anos — e chegou a uma feira de gado. No outono de 1906, Francis Galton, então com 84 anos, participou da Exposição de Gado e Aves do Oeste da Inglaterra em Plymouth, onde um concurso de julgamento de peso convidou os visitantes a adivinhar o peso vestido de um boi vivo por seis pence o bilhete. Galton — um fundador da estatística, e não um democrata por temperamento — esperava que as entradas provassem a ignorância do eleitor médio. Ele obteve os cartões usados, descartou 13 ilegíveis e analisou os 787 palpites restantes. A estimativa mediana foi de 1.207 lb; o peso vestido real do boi era de 1.198 lb — um erro abaixo de 1%, melhor do que os especialistas em gado presentes. Ele publicou o resultado na Nature em 7 de março de 1907 sob o título “Vox Populi”, e em correspondência de acompanhamento reconheceu que a média aritmética era ainda mais precisa: 1.197 lb, um quilo a menos. A história completa — incluindo o que Galton errou e o século de replicações desde então — está em nossa análise aprofundada sobre o boi de Galton, e o fenômeno geral em nosso guia para a sabedoria das multidões.

Por que o truque funciona? Cada palpite pode ser dividido em sinal mais erro. Se os erros são independentes e dispersos em ambos os lados da verdade, a agregação cancela-os enquanto o sinal compartilhado sobrevive. Esse “se” é a suposição de independência de Condorcet vestida de roupas estatísticas, e é a dobradiça sobre a qual cada sucesso e fracasso da sabedoria da multidão gira. A reanálise de Kenneth Wallis em 2014 da competição de Galton confirmou quão bem as condições da feira — entradas escritas privadas, um incentivo para ser preciso, nenhuma contagem visível — protegeram isso.

O próximo salto veio da economia. Em “The Use of Knowledge in Society” (American Economic Review, 1945), Friedrich Hayek argumentou que o conhecimento relevante para decisões econômicas nunca existe em forma concentrada — ele é disperso entre milhões de pessoas como fragmentos locais, parciais e muitas vezes tácitos. Nenhum planejador central pode coletá-lo; mas um sistema de preços o agrega automaticamente, comprimindo o conhecimento disperso em um único número que diz a todos como agir. Hayek havia, na verdade, identificado o primeiro mecanismo de agregação em larga escala em produção. Meio século depois, mercados de previsão tomariam sua percepção literalmente e construiriam mercados cujo único produto é a informação no preço.

A década de 1950 adicionou o primeiro processo de inteligência coletiva engenheirado deliberadamente. Na RAND Corporation, pesquisadores desenvolvendo previsões de longo prazo enfrentaram um problema familiar: colocar especialistas em uma sala e a voz mais alta ou mais sênior ancla todos os outros. A resposta deles, o método Delphi, coletou julgamentos de especialistas anonimamente e em rodadas iteradas com feedback controlado — protegendo a independência da hierarquia e da pressão social enquanto ainda permitia que a informação circulasse. Delphi é o ancestral direto de todo processo de entrada estruturada moderno, desde planejamento em poker até o fluxo de contribuição independente-primeiro usado em plataformas de tomada de decisão colaborativa.

1940s–1990s: Cibernética, teoria dos jogos e intelecto aumentado

Enquanto os estatísticos estudavam a agregação, outra linhagem estudava interação. A Theory of Games and Economic Behavior (edição de 1947) de John von Neumann e Oskar Morgenstern deu à ciência social uma matemática da interdependência estratégica — o que acontece quando o resultado da minha escolha depende da sua. A teoria dos jogos reformulou grupos não como sacos de estimadores independentes, mas como sistemas de agentes interativos, uma visão que se tornaria enormemente importante uma vez que os pesquisadores começassem a perguntar por que indivíduos racionais produzem coletivos irracionais (o assunto da pesquisa sobre cascatas de informação décadas depois).

O segundo fio era tecnológico. Em seu relatório de 1962 do SRI Augmenting Human Intellect: A Conceptual Framework, Douglas Engelbart propôs que o propósito da computação não era substituir o pensamento humano, mas aumentá-lo — incluindo o pensamento coletivo de grupos enfrentando problemas muito complexos para qualquer indivíduo. A formulação de Engelbart semeou o campo de pesquisa de trabalho cooperativo suportado por computador (CSCW) que tomou forma na década de 1980, e a onda de software colaborativo que se seguiu. A questão de aumento versus substituição que ele levantou em 1962 é, quase palavra por palavra, a questão que a literatura humana-IA de 2024–2026 está agora respondendo com dados.

Essa era intermediária contribuiu com algo fácil de subestimar: transformou a inteligência coletiva de uma propriedade que você observa em um sistema que você constrói. Delphi era um protocolo projetado; o software colaborativo era software projetado; a estrutura de Engelbart era explicitamente uma agenda de engenharia para a cognição em grupo. A era estatística havia perguntado “as multidões são precisas?” A era cibernética fez a pergunta que toda plataforma de colaboração moderna herda: que estrutura torna um grupo mais inteligente do que seria de outra forma? A argumentação estruturada em si tem uma linhagem intelectual paralela aqui — o modelo de argumentação de Stephen Toulmin de 1958 e a tradição posterior de mapeamento de argumentos deram ao lado deliberativo da inteligência coletiva sua estrutura de dados, o mapa de argumentos, assim como os preços se tornaram a estrutura de dados da agregação de mercado.

1959–1999: A era do enxame — inteligência sem ninguém no comando

Enquanto isso, a biologia estava desmontando silenciosamente a suposição de que a inteligência requer um cérebro no comando. Em 1959, o zoologista francês Pierre-Paul Grassé, estudando a construção de ninhos de cupins, cunhou o termo estigmergia: coordenação através de vestígios deixados no ambiente. Nenhum cupim possui um projeto; cada um responde ao estado local do montículo, e o montículo em si coordena a colônia. Foi o primeiro mecanismo preciso para coordenação sem líder — e acabou se generalizando muito além dos insetos.

Em 1987, o pesquisador de gráficos por computador Craig Reynolds mostrou quão pouca sofisticação individual a emergência realmente precisa. Seu artigo da SIGGRAPH “Flocks, Herds, and Schools: A Distributed Behavioral Model” animou bandos de pássaros simulados — boids — governados por apenas três regras locais: separação, alinhamento e coesão. Sem líder, sem roteiro, e ainda assim o bando gira, se divide e se reforma como a coisa real. Dois anos depois, Gerardo Beni e Jing Wang cunharam o termo inteligência de enxame no contexto de sistemas robóticos celulares, dando ao fenômeno seu nome.

O retorno da engenharia seguiu rápido. A tese de doutorado de Marco Dorigo de 1992 no Politecnico di Milano, Otimização, Aprendizado e Algoritmos Naturais, traduziu a forragem de formigas — trilhas de feromônio reforçando caminhos mais curtos, como revelado pelos experimentos da ponte dupla com formigas argentinas — em Otimização por Colônia de Formigas, uma família de algoritmos para problemas de roteamento e agendamento. A Otimização por Enxame de Partículas de James Kennedy e Russell Eberhart (1995) fez o mesmo para o agrupamento. Em 1999, Swarm Intelligence: From Natural to Artificial Systems (Oxford) de Bonabeau, Dorigo e Theraulaz codificou o campo, e algoritmos baseados em formigas estavam roteando chamadas telefônicas (Schoonderwoerd e colegas no BT Labs, 1996) e caminhões de entrega. Mais tarde, a robótica fez o ponto fisicamente: em 2014, Rubenstein, Cornejo e Nagpal se auto-montaram em formas a partir de 1.024 Kilobots (Science), e Honeybee Democracy (2010) de Thomas Seeley mostrou enxames de abelhas escolhendo locais de ninho através de exploração, advocacy de dança de waggle e percepção de quórum — uma aproximação natural e descentralizada de um teorema de júri em ação. O relato completo está em nosso guia para inteligência de enxame.

A lição da era do enxame para grupos humanos é de duas faces. Provou que a descentralização funciona — conhecimento local mais regras de interação simples podem superar o planejamento central, exatamente como Hayek argumentou. Mas também marcou um limite: enxames coordenam ações, não razões. Formigas não deliberam. A inteligência coletiva humana adiciona uma camada que nenhum enxame possui — a troca e avaliação de argumentos — e essa camada precisa de maquinário diferente.

1999–2015: A era da internet — a inteligência coletiva entra em produção

Então a internet fez de todos um potencial contribuinte, e a inteligência coletiva deixou de ser uma curiosidade de laboratório. O software de código aberto demonstrou que milhares de voluntários vagamente coordenados poderiam construir sistemas tão complexos quanto um sistema operacional — o ensaio de Eric Raymond de 1999 The Cathedral and the Bazaar forneceu o manifesto da era. A Wikipedia, lançada em 2001, escalou o modelo para o próprio conhecimento humano: uma enciclopédia sem editor-chefe, coordenada estigmergicamente através do artefato sendo editado — lógica de cupim, aplicada ao texto.

Em 2004, duas publicações deram à era sua teoria. O The Wisdom of Crowds de James Surowiecki reuniu um século de evidências e destilou as quatro condições sob as quais os grupos são sábios: diversidade de opinião, independência, descentralização e agregação — remova qualquer uma, e a multidão fica mais burra, não mais inteligente. No mesmo ano, Lu Hong e Scott Page publicaram seu resultado “a diversidade supera a habilidade” na PNAS: em seu modelo computacional, um grupo aleatório e cognitivamente diverso de solucionadores de problemas superou um grupo composto pelos melhores desempenhos individuais. A honestidade requer a nota de rodapé: em 2014, a matemática Abigail Thompson publicou uma crítica contundente nas Notices of the American Mathematical Society, argumentando que o teorema subjacente era trivial e mal rotulado e as simulações superinterpretadas; defensores, incluindo o próprio Page, responderam que o resultado se mantém sob as condições declaradas — problemas difíceis, agentes capazes, grandes grupos — e nunca foi uma afirmação de que qualquer grupo diverso supera qualquer equipe de especialistas. O debate, e o que sobrevive a ele, é examinado em nossa peça sobre diversidade versus habilidade e nosso guia para diversidade epistêmica.

O mecanismo de preços de Hayek teve seu experimento controlado nesta era também. Os Mercados Eletrônicos de Iowa, um mercado de pesquisa com dinheiro real fundado na Universidade de Iowa em 1988, acumulou história suficiente para uma comparação definitiva: Berg, Nelson e Rietz (International Journal of Forecasting, 2008) compararam os preços de mercado com 964 pesquisas nacionais durante as eleições presidenciais dos EUA de 1988–2004 e descobriram que o mercado estava mais próximo do resultado eventual 74% do tempo, com sua vantagem mais forte em horizontes além de 100 dias. A regra de pontuação de mercado logarítmica de Robin Hanson (2003) resolveu o problema do mercado fino de forma algorítmica, permitindo que até pequenos grupos realizassem mercados de previsão internos.

O julgamento de especialistas, por outro lado, levou uma surra. O Expert Political Judgment de Philip Tetlock (2005) relatou um estudo de aproximadamente duas décadas com 284 especialistas e cerca de 28.000 julgamentos de probabilidade; o especialista médio mal superou a simples extrapolação — a descoberta por trás da famosa caricatura do “chimpanzé lançador de dardos”. Mas o trabalho de acompanhamento de Tetlock nos torneios de previsão da IARPA (2011–2015) encontrou a metade construtiva da história: um pequeno grupo de “superprevisores”, distinguidos não por credenciais, mas por pensamento probabilístico e atualização incessante de crenças, supostamente superou analistas de inteligência com acesso a informações classificadas. A habilidade de previsão e calibração merecem — e terão — seu próprio tratamento aprofundado em uma série futura.

O marco institucional da era veio em 2006, quando Thomas Malone fundou o MIT Center for Collective Intelligence em torno de uma pergunta enganadoramente simples: como as pessoas e os computadores podem ser conectados para que, coletivamente, ajam de forma mais inteligente do que qualquer pessoa, grupo ou computador já fez antes? As primeiras produções mapearam o espaço de design — o “Genoma da Inteligência Coletiva” (Malone, Laubacher e Dellarocas, MIT Sloan Management Review, 2010) catalogou os blocos de construção dos sistemas de CI ao longo de quatro perguntas: quem está realizando a tarefa (multidão ou hierarquia), por que (dinheiro, amor ou glória), o que (criar ou decidir) e como (independentemente ou dependente). Em 2015, o Handbook of Collective Intelligence (MIT Press) de Malone e Bernstein poderia definir o objeto do campo de forma clara: “grupos de indivíduos agindo coletivamente de maneiras que parecem inteligentes.”

E em 2010, o campo adquiriu sua medição mais provocativa. Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi e Thomas Malone (Science, 330: 686–688) testaram 699 pessoas trabalhando em grupos de dois a cinco em uma ampla bateria de tarefas. O desempenho do grupo em tarefas foi correlacionado o suficiente para gerar um único fator estatístico — um fator de inteligência coletiva, c — explicando cerca de 43% da variância, o análogo em nível de grupo do fator g do QI individual. O choque foi o que o previu. A inteligência média e máxima dos membros correlacionou-se apenas fracamente com c. O que correlacionou fortemente: a sensibilidade social média do grupo (medida pelo teste Reading the Mind in the Eyes), igualdade na troca de turnos de conversa e a proporção de mulheres no grupo (que em grande parte foi mediada pela sensibilidade social). Quão inteligente um grupo é, os dados disseram, depende menos de quem está nele do que de como ele interage.

A história sombra: quando os coletivos falham

Rodando por baixo de toda a linha do tempo otimista está uma segunda literatura mais sombria — o estudo de como grupos de indivíduos inteligentes e bem-intencionados produzem estupidez coletiva. Isso importa aqui porque não é um assunto separado: cada modo de falha documentado é a violação de uma condição da qual as histórias de sucesso dependem.

O ramo psicológico veio primeiro. O Victims of Groupthink de Irving Janis (1972) dissecou como os conselheiros excepcionalmente capazes do presidente Kennedy se convenceram da invasão da Baía dos Porcos em 1961. Janis catalogou oito sintomas em três clusters — superestimação do grupo (ilusão de invulnerabilidade, crença na moralidade inerente), mente fechada (racionalização coletiva, visões estereotipadas de forasteiros) e pressão pela uniformidade (autocensura, uma ilusão de unanimidade, pressão direta sobre dissidentes e “guardas da mente” auto-nomeados que filtram informações perturbadoras). Dois anos depois, o “Paradoxo de Abilene” de Jerry Harvey (Organizational Dynamics, 1974) descreveu o primo mais estranho: grupos concordando com um curso de ação que nenhum membro individual queria, porque todos confundiram o silêncio uns dos outros com preferência. Ambos são falhas da mesma entrada: o julgamento honesto e independente nunca entra na piscina.

O ramo econômico chegou em 1992, e foi mais perturbador porque não exigia psicologia alguma. Sushil Bikhchandani, David Hirshleifer e Ivo Welch (“A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades,” Journal of Political Economy, 100: 992–1026) e, independentemente, Abhijit Banerjee (“A Simple Model of Herd Behavior,” Quarterly Journal of Economics, 1992) mostraram que agentes perfeitamente racionais decidindo em sequência irão, após apenas algumas observações, ignorar racionalmente sua própria informação privada e copiar seus predecessores. A cascata de informação resultante é individualmente sensata e coletivamente frágil — agrega quase nenhum conhecimento disperso do grupo, e pode prender toda uma população na resposta errada que um punhado de primeiros movimentos aconteceu de escolher. Lisa Anderson e Charles Holt reproduziram cascatas sob demanda no laboratório (American Economic Review, 1997). O mecanismo ilumina tudo, desde bolhas de ativos até desinformação viral: a análise de Vosoughi, Roy e Aral de aproximadamente 126.000 cascatas de histórias no Twitter (Science, 2018) descobriu que notícias falsas se espalharam significativamente mais longe, mais rápido e mais profundamente do que a verdade, com falsidades cerca de 70% mais propensas a serem retweetadas. O catálogo completo de falhas — desde a mania das tulipas até 2008 — está em Quando as Multidões Erram.

Note o que ambos os ramos compartilham. O pensamento de grupo destrói a independência socialmente; cascatas a destroem informacionalmente. De qualquer forma, a multidão deixa de ser muitos julgamentos e se torna um julgamento vestindo muitos rostos — exatamente a condição sob a qual o teorema de Condorcet se transforma de uma garantia de sabedoria em uma garantia de erro confiante. A história sombra é por que a ala prática do campo se tornou obcecada com processo: coletar julgamentos antes de expor as pessoas às opiniões umas das outras, proteger dissidências estruturalmente e tornar a agregação explícita.

2015–2023: A década do debate — replicação, crítica e resposta

Qualquer medição tão surpreendente seria atacada, e o ataque veio em 2017. Marcus Credé e Garett Howardson (Journal of Applied Psychology) reanalisaram seis amostras e argumentaram que o apoio empírico para um fator c geral era fraco — que o desempenho do grupo poderia ser melhor descrito por habilidades específicas da tarefa do que por um fator subjacente. Woolley, Kim e Malone responderam em 2018, contestando os procedimentos de pontuação da crítica e argumentando que suas suposições de simulação não correspondiam às tarefas que os grupos realmente realizavam. Isso é o que um campo saudável parece: a luta foi conduzida em dados e reanálise, não em comunicados de imprensa.

A coisa mais próxima de um veredicto chegou em 2021. Riedl, Kim, Gupta, Malone e Woolley publicaram uma meta-análise na PNAS abrangendo 22 estudos e 1.356 grupos — estudantes, militares, trabalhadores online, jogadores — e encontraram evidências consistentes para um fator de inteligência coletiva em todos eles, com processos de colaboração em grupo e percepção social dos membros entre seus antecedentes mais fortes. A estrutura e as condições de limite do construto permanecem debatidas, como deveriam; mas “a inteligência do grupo é mensurável e não é reduzível ao QI dos membros” agora repousa sobre uma base de evidências muito maior do que o artigo original de 2010.

Duas descobertas complementares completaram a década. O Superminds de Malone (2018) forneceu uma taxonomia das mentes coletivas sobre as quais a civilização já opera — hierarquias, democracias, mercados, comunidades e ecossistemas — cada uma uma resposta diferente à questão da agregação, cada uma com forças e modos de falha característicos. E o Projeto Aristotle do Google (2012–2015), um estudo interno de 180 equipes, descobriu que segurança psicológica — a crença compartilhada de que uma equipe é segura para assumir riscos interpessoais — era o preditor mais forte da eficácia da equipe, à frente da composição e senioridade. A igualdade de turnos de Woolley e a segurança psicológica do Google são duas medições da mesma verdade subjacente: o gargalo da inteligência do grupo é se a informação mantida pelos membros realmente entra no grupo. A dinâmica de grupo — segurança, deliberação e suas patologias como o pensamento de grupo — são um cluster à parte, e tratamos seus modos de falha em Quando as Multidões Erram.

2024–2026: Supermentes IA-humanas — a fronteira atual

A era atual começou quando grandes modelos de linguagem se juntaram ao grupo. Burton e 27 co-autores de diversas disciplinas mapearam os riscos em “Como grandes modelos de linguagem podem remodelar a inteligência coletiva” (Nature Human Behaviour, 8: 1643–1655, 2024): LLMs podem reduzir barreiras à participação, resumir deliberações extensas e agregar conhecimento disperso em uma escala sem precedentes — e também podem homogeneizar pontos de vista, fabricar falso consenso e diluir a diversidade do ecossistema de informações que a sabedoria coletiva se alimenta. Cada condição na lista de Surowiecki é simultaneamente fortalecida e ameaçada pela mesma tecnologia.

A questão da sinergia — a pergunta de Engelbart de 1962 — finalmente recebeu sua meta-análise. Michelle Vaccaro, Abdullah Almaatouq e Thomas Malone analisaram 106 experimentos e 370 tamanhos de efeito (“Quando combinações de humanos e IA são úteis,” Nature Human Behaviour, 8: 2293–2303, 2024) e descobriram que, em média, combinações de humanos e IA tiveram um desempenho pior do que o melhor do humano ou da IA sozinhos. As perdas se concentraram em tarefas de tomada de decisão; os ganhos genuínos apareceram em tarefas de criação de conteúdo. Simplesmente colocar um “humano no loop” não melhora os resultados — muitas vezes o humano anula um melhor julgamento da máquina ou se submete a um pior. Sinergia é uma conquista de design, não um padrão. A ciência emergente dos sistemas humano-IA — viés de automação, calibração de confiança, quando deixar qual parte decidir — é outro capítulo futuro desta série.

Essa agenda de design é agora o programa explícito do MIT Center for Collective Intelligence, cuja pesquisa está organizada em 2026 sob três grandes áreas: IA Generativa e Inteligência Coletiva (IA para aumentar a criatividade humana), Design de Supermente (design de combinações inovadoras de pessoas e computadores) e Design de Equipes Humano-IA (design e alocação de tarefas em equipes humano-máquina — perseguido com o programa Singapore-MIT M3S como uma ciência sistemática de alocação de tarefas: quais subtarefas vão para pessoas versus IA, quem supervisiona e se a IA atua como ferramenta, assistente, colega ou gerente). Os projetos âncora anteriores — o Climate CoLab e a plataforma CoLabs, o CI Design Lab, o programa Measuring Collective Intelligence — agora são formalmente trabalhos legados, absorvidos nessas questões da era da IA.

Os resultados concretos mostram como é a “sinergia projetada”. Supermind Ideator, uma ferramenta de ideação baseada em LLM que orienta os usuários através de movimentos estruturados de resolução criativa de problemas, produziu significativamente mais ideias inovadoras em um estudo experimental do que o ChatGPT sozinho ou pessoas trabalhando sem ajuda (ACM Collective Intelligence Conference 2024; Collective Intelligence, 2024); testadores beta geraram mais de 10.000 ideias com ela, e uma ferramenta irmã, DesignAID, aplica a abordagem ao trabalho de design. A estrutura implementa os seis movimentos do Design de Supermente — Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify — uma lista de verificação para reimaginar quem (ou o que) faz cada parte de uma tarefa. A lição reflete exatamente a meta-análise de Vaccaro: o valor não está no modelo, está na estrutura que o envolve. Do lado da medição, AGI-Elo (Sun e colegas, NeurIPS 2025; arXiv 2505.12844) — com co-autores afiliados ao CCI, incluindo Malone — classifica modelos de IA e casos de teste individuais entre si como jogadores de xadrez, de modo que a dificuldade de uma tarefa e a competência de um modelo caem em uma escala comparável: um pré-requisito para decidir quais partes de um trabalho entregar à máquina.

Dois resultados adicionais de 2026 esboçam para onde isso está indo. Um artigo da PNAS, “Avançando Negociações de IA: Uma Competição de Negociações Autônomas em Grande Escala,” relatou uma competição internacional na qual agentes de IA projetados pelos participantes realizaram mais de 180.000 negociações entre si. A teoria da negociação humana sobreviveu à mudança de espécie: agentes que exibiam calor — positividade, gratidão, perguntas — consistentemente alcançaram melhores resultados em acordos e valor, enquanto trocas maratonas com sabor de dominância previam impasses; os agentes também evoluíram táticas nativas de IA, desde raciocínio em cadeia até tentativas de injeção de prompt. E uma ontologia profunda do trabalho (Cai e colegas, arXiv 2603.20619, março de 2026) reorganizou aproximadamente 20.000 atividades de trabalho O*NET e mapeou 13.275 aplicações de IA, além de uma contagem mundial de 20,8 milhões de sistemas robóticos sobre elas — descobrindo que o valor de mercado da IA é extraordinariamente concentrado, com os 1,6% principais de atividades representando mais de 60% dele. Supermentes de humanos e máquinas não são mais uma metáfora; são uma base instalada sendo inventariada.

O que 240 anos nos ensinam

Coloque as eras lado a lado e uma linha de conexão emerge: cada sucesso nesta história é um sucesso de estrutura, e cada falha é uma falha das mesmas poucas condições. O teorema de Condorcet opera com independência e competência melhor do que a chance. O julgamento justo de Galton aconteceu de impor julgamentos independentes, incentivados e escritos. Os preços de Hayek e os criadores de mercado de Hanson são mecanismos de agregação; Delphi é um mecanismo de proteção à independência; as quatro condições de Surowiecki são simplesmente os requisitos recorrentes nomeados. A literatura do fator c descobriu que o processo de interação — alternância de turnos, sensibilidade social, segurança para falar — governa se um grupo pode usar a inteligência que contém. E as meta-análises da era da IA descobriram que equipes humano-IA vencem precisamente quando a colaboração é deliberadamente projetada. Quando as condições quebram — quando os julgamentos param de ser independentes e as pessoas começam a copiar o comportamento visível de outros — você obtém cascatas de informação, bolhas e pensamento de grupo: individualmente racionais, coletivamente errados.

Isso é também, não coincidentemente, um mapa de onde a inteligência coletiva se situa na vida de uma decisão. Decidir bem significa atender ao problema certo, enquadrá-lo, gerar opções, investigá-las, agregar julgamentos dispersos, deliberar sobre razões e só então escolher, implementar e monitorar. O programa de pesquisa de 240 anos é esmagadoramente sobre esses estágios intermediários — agregação e deliberação — porque é onde o conhecimento individual se torna conhecimento coletivo ou morre em silêncio.

Argumentree é construído como uma aplicação direta dessas descobertas. A submissão de argumentos independentes e assíncronos protege a condição de independência de Condorcet e Delphi antes que o grupo converja. Árvores de argumentos estruturadas de prós e contras dão a cada perspectiva — incluindo a dissidência — um lugar de primeira classe, a condição que a igualdade de alternância de turnos de Woolley e a segurança psicológica do Google apontam. Avaliação multidimensional (utilidade, clareza, precisão, completude), agregada em pontuações de consenso, é um mecanismo de agregação explícito na linhagem Galton-Hayek — exceto que, ao contrário de um preço de mercado, preserva o raciocínio. E o registro completo transforma cada decisão em um registro organizacional, para que o grupo possa aprender consigo mesmo — a fase de monitoramento com a qual o ciclo de vida termina. A extração de IA de transcrições de reuniões segue a lição de 2024–2026: use IA onde ajuda de forma demonstrável (estruturação e processamento de conteúdo) enquanto os humanos mantêm o julgamento. O veredicto da história é consistente de 1785 a 2026: grupos não se tornam inteligentes por acidente. Eles se tornam inteligentes por estrutura — e a estrutura agora é algo que você pode adotar em vez de improvisar. Comece com nosso guia para inteligência coletiva, ou veja como os princípios funcionam dentro de um processo de decisão real em tomada de decisão colaborativa.