Quando a equipe cresce, a questão "como compartilhamos conhecimento" quase sempre é resolvida de forma espontânea: alguém escreve no chat geral, alguém mantém anotações, alguém prefere conversas individuais. Os regulamentos formais, nesse caso, ou não são criados de forma alguma, ou são copiados do local de trabalho anterior. Um novo trabalho no arXiv sugere que o design manual dessas regras pode não ser o caminho mais eficaz — pelo menos quando se trata de busca coletiva de soluções.
Do que se trata, afinal
A inteligência coletiva — seja um grupo científico, uma equipe de engenharia ou uma comunidade de desenvolvedores — depende em grande parte dos processos de transferência de conhecimento. Quem exatamente compartilha informação, o quê exatamente, com quem e em que momento — tudo isso determina a rapidez com que o grupo chega a uma solução. Esses processos se formam parcialmente por conta própria, a partir de hábitos individuais e características cognitivas dos participantes, mas também podem ser definidos deliberadamente de cima para baixo.
Até agora, as pesquisas sobre a influência da transferência de conhecimento nos resultados grupais seguiam predominantemente pela ótica da estrutura de rede: mudava-se quem está conectado a quem e com que frequência ocorre a troca. Essa abordagem é conveniente, mas tem uma limitação fundamental.
O problema dos modelos de rede
A rede, por mais complexa que seja, não conhece o estado dos participantes. Ela não pode decidir "transmitir isto exatamente agora, porque o colega acabou de esbarrar na subtarefa necessária" ou "segurar a informação até que o grupo tenha acumulado contexto suficiente". A topologia descreve os canais, mas não o conteúdo nem o momento.
Em outras palavras, os modelos clássicos respondem à pergunta "quem com quem", mas ignoram a pergunta "o quê e quando". E é justamente da segunda que muitas vezes depende se a troca será útil ou se transformará em ruído.
Protocolos que levam em conta o estado
Os autores do trabalho "Discovering Adaptive Transmission Programs for Collective Innovation" propõem formalizar as regras de troca como programas sensíveis ao estado (state-aware programs). Esse programa roteia informações e recursos com base na situação atual — o que um agente específico sabe, em que estado se encontra o coletivo como um todo.
Isso desloca o foco: em vez de "desenhar um grafo de conexões", obtemos "escrever um algoritmo que, a cada momento, decide o que transmitir a quem". Naturalmente, esse algoritmo não pode ser projetado manualmente — o espaço de regras possíveis é enorme, e a intuição é uma péssima conselheira nesse caso.
Como buscaram as regras adequadas
Para a tarefa de descoberta coletiva, os pesquisadores aplicaram busca evolutiva, na qual a direção do movimento é sugerida por um modelo de linguagem. Na prática, o LLM atua como gerador de hipóteses: propõe variantes de protocolos, e o mecanismo evolutivo seleciona aqueles que realmente melhoram o resultado grupal e gera as gerações seguintes com base neles.
Essa simbiose não é rara em trabalhos modernos, mas aqui o resultado importa: os protocolos encontrados durante a busca superaram as linhas de base padrão da literatura, com um ganho de produtividade coletiva que chegou a 37%. Não é uma melhoria cosmética, mas a diferença entre "a equipe trabalha normalmente" e "a equipe trabalha visivelmente melhor" — com a mesma composição e a mesma tarefa.
Verificação de honestidade
Uma cifra bonita é fácil de obter por acaso, por isso os autores realizaram ablações — ou seja, removeram alternadamente elementos individuais dos protocolos encontrados. O resultado mais revelador: se mantivermos a topologia da rede e o timing das trocas, mas removermos a dependência do conteúdo e do estado, a vantagem desaparece completamente.
É exatamente esse o principal argumento do artigo. O ganho não vem de um esquema de conexões astuciosamente elaborado nem de um cronograma bem-sucedido, mas da sensibilidade ao que acontece dentro dos participantes e do grupo. A ablação elimina a explicação alternativa e deixa apenas uma.
Isso funciona fora de uma única tarefa
O segundo resultado importante é a transferibilidade. Os protocolos evoluídos mantiveram a eficácia ao variar o domínio e ao substituir a população de agentes. Em outras palavras, a regra encontrada não está ajustada a um cenário específico e restrito, mas reflete algo mais geral sobre como convém distribuir informação em um grupo.
O que isso significa para equipes reais
A conclusão dos autores é a seguinte: protocolos eficazes e generalizáveis de transferência de conhecimento podem ser encontrados in silico, ou seja, em simulação, antes mesmo de surgirem em uma equipe real. Isso abre caminho para o design assistido por IA de infraestrutura de coordenação — regras, rituais e ferramentas que aumentam a inteligência coletiva das pessoas, em vez de substituí-la.
Na prática, isso pode se parecer com o seguinte:
- As regras de troca deixam de ser universais. Em vez de um único regulamento "todos escrevem relatórios às sextas-feiras", surgem cenários que dependem da fase em que o trabalho se encontra e do que os participantes já sabem.
- Surge uma demanda por estado. Para que o protocolo funcione, o sistema precisa entender quem sabe o quê e onde está travado. Isso já é uma questão de ferramentas — rastreadores de tarefas, bases de conhecimento, sistemas de documentação.
- O design de regras torna-se uma tarefa separada. Não "copiar dos vizinhos", mas "testar várias variantes no modelo e ver qual dá o melhor resultado".
Vale ressalvar: o artigo foi publicado na seção cs.AI do arXiv, apresentado na CogSci 2026, e a versão estendida, segundo os autores, ainda está sendo preparada. Trata-se de uma pesquisa em simulações, não de um produto pronto que possa ser implementado amanhã em um departamento de vinte pessoas. A transferência dos resultados para organizações reais é uma tarefa separada e não das mais simples.
Em resumo
Os protocolos de troca de conhecimento não precisam ser inventados manualmente nem copiados de outros. Eles podem ser buscados automaticamente, se avaliarmos as regras não pela beleza do esquema de conexões, mas por quão sensíveis são ao estado dos participantes. No experimento, essa busca proporcionou um ganho de produtividade coletiva de até 37%, e as ablações confirmaram que o ponto está justamente na consideração do estado, e não na topologia ou no timing. Por enquanto, é um resultado em simulação — mas a direção parece promissora.
