A notificação chega às 19h40.
Não às 19h30, quando você ainda está no trânsito, nem às 20h, quando já sentou para jantar. Chega no minuto em que você deixaria o celular na mesa, e por isso você não deixa. Faz a lição de três minutos. Vai dormir com a sensação de que o aplicativo te conhece.
O aplicativo não conhece ninguém. Fui ler como aquilo funciona, e a resposta é menos lisonjeira e mais interessante.
O Duolingo publicou o algoritmo que escolhe qual lembrete mandar e quando (Yancey e Settles, KDD 2020). O sistema não tem teoria nenhuma sobre você. Os dados liberados com o artigo trazem duzentos milhões de lembretes enviados em trinta e cinco dias e uma só pergunta para cada um: a pessoa fez uma lição nas duas horas seguintes?
Com isso ele aprende que uma mensagem cansa quando se repete, que outra recupera o efeito depois de alguns dias de descanso, que certos lembretes só valem em certos dias. O ganho medido foi de 0,5% nos usuários ativos por dia e de 2% na retenção de quem estava começando.
Meio por cento. Um sistema que sabe a hora em que você cede, e que com esse saber move meio por cento.
Fiquei com essa cena porque ela junta uma pergunta antiga e uma constatação de trabalho. A pergunta: dá para prever o que uma pessoa vai fazer? A constatação: passo os dias montando sistemas que se comportam como se desse, entre automação, CRM e anúncio pago.
Houve uma terceira coisa, e foi ela que me prendeu ao tema. Uma dor das confecções: consolidar a coleção apostando em tendência, meses antes de saber o que vai vender. Ali a pergunta perde o ar de filosofia. Errar a previsão vira tecido parado, grade cortada no tamanho errado, peça na arara da liquidação. Acertar teria valor prático imediato, e medir o quanto se erra é mais difícil do que parece.
Deixei anotada, quando comecei, a pergunta que guia este texto. Eu sei que não dá para escrever o futuro. Qual o mais perto disso que a gente consegue chegar?
Duas palavras para probabilidade
Ludwig von Mises chamou de praxeologia o estudo da ação humana: alguém que escolhe meios para chegar a fins sem saber o que vem depois. Para ele, a incerteza vem embutida na própria ação. "Que o homem age e que o futuro é incerto não são, de modo algum, duas questões independentes", escreveu no capítulo VI de Ação Humana (seção 1; as traduções são minhas).
No mesmo capítulo, ele separa duas coisas que a nossa língua mistura na palavra "probabilidade".
A primeira é a probabilidade de classe. Sei tudo sobre a classe e nada sobre o indivíduo. Não sei qual bola sairá da urna, mas conheço a urna. É o mundo da tabela atuarial e do seguro de vida, onde a estatística trabalha bem.
A segunda é a probabilidade de caso. Sobre um acontecimento singular, conheço alguns dos fatores que decidem o resultado e desconheço outros. "Aqui qualquer referência à frequência é inadequada", diz Mises, "pois as nossas afirmações sempre tratam de acontecimentos únicos" (seção 4). Uma eleição, uma partida de futebol, esta pessoa diante desta escolha hoje.
O exemplo do médico mostra onde mora a confusão. Se 70% dos doentes de uma moléstia se recuperam, o médico pode dizer que a chance de recuperação é de 0,7. Diante de um paciente jovem e forte, pode afinar para nove contra um. Mises insiste que a lógica continua a mesma: o médico trocou a classe por uma classe menor, a dos jovens fortes com aquela doença. Nenhuma das duas frases diz o que vai acontecer com este paciente.
Diante do caso, o que resta é compreender, e "a compreensão sempre se baseia em conhecimento incompleto". Daí a frase mais seca do capítulo: "Toda ação é especulação."
Carl Jung acrescenta um problema de dentro. Ele chamou de complexos os pedaços da psique que têm vida própria (uma memória com carga afetiva, um medo antigo, uma vergonha) e que, quando tocados, decidem antes que a consciência chegue (A Review of the Complex Theory, 1934).
A consciência chega depois, encontra a decisão tomada e escreve para ela uma justificativa razoável. Quando alguém diz que desistiu da compra porque o frete estava caro, pode ser verdade. Pode também ser a versão que a razão redigiu depois. E é essa versão que entra no banco de dados.
Edward Lorenz, meteorologista, mostrou em 1963 que um sistema de três equações simples, sensível às condições iniciais, fica imprevisível a partir de certo ponto (Deterministic Nonperiodic Flow). Mais dados ajudam pouco, porque cada casa decimal de precisão compra só um pouco mais de tempo.
Tratar uma pessoa como o tempo é analogia, e digo isso porque a diferença importa. A intuição, porém, resiste: o comentário de um colega, uma noite mal dormida, a tela que demora a carregar desviam a trajetória, e nenhum cadastro registra nada disso.
Tudo isso é argumento. Bom argumento, ainda assim argumento. Antes de ir atrás de quem tentou medir, quero mostrar onde a distinção de Mises deixa de ser abstrata.
A coleção é um caso
O dono de uma confecção é o especulador de Mises em estado puro. Decide hoje, com o próprio dinheiro, o que vai estar na arara daqui a meses: modelagem, tecido, cor, grade de tamanhos, quantidade por loja. Quando a cliente entra na loja, o tecido já foi comprado e cortado.
Perguntar quanto se vai vender de vestido no verão é quase uma pergunta de classe. Há muitos verões, muitos vestidos, muita repetição para aprender. Perguntar quanto se vai vender deste vestido, nesta estampa, no tamanho M, nesta loja, é um caso. A estampa é nova e a combinação nunca aconteceu. Cada recorte mais fino é o médico de Mises trocando a classe por uma menor, até não sobrar classe nenhuma.
- Categoria
Quanto vamos vender de vestidos neste verão?
Muitos verões e muitos vestidos para comparar. A pergunta lembra a urna de Mises. - Modelo
Quanto vamos vender deste modelo?
O modelo é novo, mas parecido com outros. A comparação já pede julgamento. - Estampa e cor
E nesta estampa, nesta cor?
A estampa nunca foi vendida. Restam analogias e o olho de quem decide. - Tamanho
E no tamanho M?
A grade divide o mesmo palpite em pedaços menores, e cada pedaço erra por conta própria. - Loja
E nesta loja, nesta semana?
Acontece uma vez só. Frequência não se aplica: é o caso de Mises.
Em 1997, Marshall Fisher, professor de operações da Wharton, separou os produtos em dois tipos pela previsibilidade da demanda (Fisher, Harvard Business Review, 1997). Os funcionais atendem necessidades que mudam pouco, como papel-toalha e lâmpada. Os inovadores dependem de novidade, e ele cita a roupa de moda como exemplo. A tabela dele dá a diferença em faixas que ele apresenta como típicas, a partir do que encontrou nas empresas, sem amostra declarada.
A linha que interessa é a primeira. Na roupa de moda, o erro da previsão feita na hora de comprometer a produção vai de 40% a 100%. A margem alta paga esse erro enquanto ele cabe nela.
E há um motivo para essa dor ser difícil de medir, além do tamanho do erro. A venda perdida não deixa rastro. Se faltou o tamanho M na terceira semana, a cliente que queria o M foi embora e o sistema registra só o que vendeu; a literatura de operações chama isso de demanda censurada.
A sobra também engana. A peça que foi para a liquidação pode ter sido a aposta errada, o preço errado ou a loja errada, e o relatório mostra só a remarcação.
Fisher conta de uma rede de lojas de departamento que vivia remarcando o que sobrava e descobriu, em entrevistas na saída, que um quarto dos clientes ia embora de mãos vazias porque a peça que queria tinha acabado. Os dois erros mais caros da coleção, no mesmo lugar, e nenhum deles com nome no relatório.
Procurei o tamanho disso no Brasil, nos polos de confecção de Minas e do Agreste, e não encontrei um número nacional de sobra ou de liquidação das pequenas e médias confecções. A dor é conhecida de quem trabalha no setor. O número dela, até onde consegui procurar, não está publicado.
Alguém tentou medir
Para a pergunta sobre pessoas, alguém tentou medir de frente. Em 2017, um grupo organizado por Matthew Salganik, de Princeton, fez a coisa mais próxima de um teste direto que eu conheço (Salganik e colegas, PNAS 2020).
Eles pegaram o Fragile Families, um estudo que acompanhou 4.242 famílias americanas desde o nascimento de uma criança até os quinze anos, com 12.942 variáveis sobre cada uma: renda, saúde, escola, vizinhança, entrevistas com a mãe, com o pai, com a própria criança. Abriram os dados até os nove anos e desafiaram quem quisesse a prever seis coisas aos quinze, entre elas a nota da criança na escola, o despejo da família e a perda de emprego da mãe.
Cento e sessenta equipes participaram. Muitas usaram aprendizado de máquina no estado da arte, otimizado só para acertar.
O melhor resultado explicou cerca de 20% da variação nos dois desfechos mais fáceis, a nota e a dificuldade material, e cerca de 5% nos outros quatro. O modelo de referência, uma regressão comum com quatro variáveis escolhidas à mão por alguém que entendia do assunto, ficou perto disso. Nove anos de acompanhamento e milhares de variáveis renderam pouco mais do que quatro colunas.
O achado que eu não consigo esquecer vem depois. Os pesquisadores olharam onde os modelos erravam e viram que o erro dependia da família muito mais do que da técnica. Certas crianças foram bem previstas por todas as equipes. Certas famílias foram mal previstas por todas. O que sobrava era a vida daquela família, que não estava nas 12.942 colunas.
Um estudo, um país, seis desfechos, métodos de 2017: isso não prova que prever é impossível. Mostra o tamanho do que sobra quando se tenta com tudo.
Oito mundos
Anos antes, o mesmo Salganik tinha feito outro experimento, e esse fala direto com a coleção. Em 2006, com Peter Dodds e Duncan Watts, ele montou um mercado de música na internet: 14.341 participantes e 48 músicas de bandas desconhecidas, que podiam ser ouvidas e baixadas (Salganik, Dodds e Watts, Science 2006).
Uma parte dos participantes escolhia sem saber o que os outros tinham baixado. O resto foi dividido em oito "mundos" independentes, e em cada um a pessoa via quantas vezes cada música já tinha sido baixada ali dentro. As mesmas músicas, o mesmo tipo de público, oito histórias paralelas.
Nas palavras dos autores, aumentar a força da influência social aumentou a desigualdade e a imprevisibilidade do sucesso. E o sucesso foi só em parte determinado pela qualidade: "as melhores músicas raramente foram mal, as piores raramente foram bem, mas qualquer outro resultado era possível".
Nesta figura, um programa simula oito mercados com as mesmas doze músicas, da A (a melhor) à L (a pior). Na regra "cada um por si", cada ouvinte escolhe só pela qualidade, e os oito pódios saem parecidos. Na regra "vendo os outros", a chance de escolher uma música cresce com os downloads que ela já tem, e os pódios se separam. A simulação precisa de JavaScript para rodar.
Moda é mercado cultural com influência social em toda parte: vitrine, rede social, a amiga que comprou, quem aparece vestindo. O MusicLab sugere que, num mercado assim, a qualidade da peça delimita o resultado sem decidi-lo. A mesma estampa pode ser o sucesso da estação num mundo e a sobra da liquidação em outro, e a confecção só vive em um deles.
Daí a força das agências de tendência. A sociologia da moda descreve há décadas o que Herbert Blumer chamou de seleção coletiva: compradores e estilistas, mergulhados nas mesmas referências, convergem para escolhas parecidas sem combinar entre si (Blumer, The Sociological Quarterly, 1969). Jenny Lantz, que estudou essas agências de perto, descreve o trabalho delas como pressentir o futuro a partir de noções de gosto que especialistas, jornalistas e profissionais de marketing compartilham (The Trendmakers, Bloomsbury, 2016; resenha no Journal of Economic Sociology).
Em 2020, quatro pesquisadores de Berkeley deram nome à situação em que a previsão influencia aquilo que ela prevê: predição performativa (Perdomo e colegas, ICML 2020). Junte as peças. Se boa parte do setor assina as mesmas previsões e produz o que elas anunciam, a tendência pode acertar em parte porque foi produzida. Seria uma profecia que se cumpre na escala de um setor inteiro.
Marco isso como hipótese, com ênfase. Procurei uma medição desse efeito na moda e não encontrei. A leitura é coerente com Blumer e com o MusicLab, e nenhum número a sustenta.
A distância entre a aposta e o ato
Se a previsão de caso rende tão pouco, o que sobra para quem monta coleção? A melhor resposta que encontrei vem de uma fabricante de roupa de esqui do Colorado, a partir de 1991.
A Sport Obermeyer, de Aspen, desenhava roupa de esqui de moda e vendia por 800 lojas especializadas nos Estados Unidos. Todo ano, 95% dos produtos eram desenhos novos, e as previsões chegavam a errar em 200%. A produção começava quase um ano antes da estação de venda. Troque a neve pelo verão e o retrato é o de qualquer coleção.
Fisher conta o que mudou, e conta de dentro: participou do projeto e assinou com o próprio Walter Obermeyer, em 1994, o artigo que o descreveu. A empresa passou a convidar os 25 maiores lojistas para ver a linha nova em Aspen, todo fevereiro. Os pedidos antecipados desse punhado de lojas permitiam prever a demanda nacional de todos os produtos com margem de erro de apenas 10%.
Fevereiro, porém, era tarde para boa parte da produção. A empresa encurtou prazos onde pôde (cada dia a menos economizava US$ 25 mil em frete aéreo no fim da estação) e conseguiu deixar metade da produção para depois dos pedidos de fevereiro. A outra metade ainda precisava ser decidida cedo, no escuro.
Qual metade? Aqui está o achado mais bonito da história. Obermeyer pedia a cada um dos seis membros de um comitê uma previsão para todos os produtos e usava a média. Depois de um ano, a empresa notou que, quando as seis previsões concordavam, a média acertava. Quando discordavam, a média errava.
- A média
- tende a acertar
- Decisão
- produzir cedo
Com o mesmo comitê e as mesmas previsões, a empresa ganhou uma medida do tamanho do que não sabia, peça por peça. As peças em que o comitê concordava iam para a produção cedo. As que dividiam o comitê esperavam fevereiro.
Fisher relata que essa forma de trabalhar, que ganhou o nome de accurate response (resposta precisa), cortou pela metade o custo de produzir demais e de produzir de menos, o bastante para aumentar o lucro em 60%, com mais de 99% de disponibilidade de produto para os lojistas. O modelo foi formalizado por Fisher e Ananth Raman em 1996 (Operations Research).
- Início da produçãoquase um ano antes da venda
- Fevereiropedidos dos 25 maiores lojistas
- Estação de vendaprodutos embarcados até setembro
antes do sinal: 50%depois do sinal: 50%
É um caso relatado por quem ajudou a construí-lo, sem grupo de controle, e os números são da empresa. Uso a história pelo mecanismo, que cabe numa frase: a previsão melhora conforme a decisão se aproxima do ato, e a saída é levar decisões para perto do ato.
O defensor da previsão tem uma resposta boa, e ela merece espaço. Modelos funcionam na moda, medidos com rigor. Até 2007, a Zara decidia a remarcação de liquidação de forma manual e informal. Felipe Caro e Jérémie Gallien construíram um modelo para isso e o testaram num experimento controlado em todas as lojas da Bélgica e da Irlanda, na temporada outono-inverno de 2008. O modelo rendeu cerca de 6% a mais de receita na liquidação (Caro e Gallien, Operations Research, 2012).
Concordo, e o exemplo reforça a tese. O modelo da Zara decide durante a estação, com as vendas da própria estação na mão. O de Fisher e Raman decide com os pedidos de fevereiro. A previsão rende onde a distância até o ato é curta. Encurtar essa distância é, até onde consegui ver, o mais perto de escrever o futuro que uma operação alcança.
A pergunta muda de lado
Com pessoas, a indústria encontrou outro jeito de encurtar a distância. Em vez de esperar o sinal, ela fabrica o momento.
Se prever uma pessoa rende tão pouco, por que as plataformas parecem tão precisas? A minha leitura é que elas trabalham menos prevendo e mais conduzindo. Um sistema que "prevê" que você vai clicar e, por isso, põe o botão onde o seu polegar já está descobriu pouco sobre você. Ele estreitou o corredor até que você coincidisse com a previsão. É a predição performativa em escala de tela: a precisão do relatório é real, e o que ela mede é a eficácia do corredor.
Isso é interpretação minha do mecanismo, e quero deixá-la marcada como tal. Ela explica coisas que qualquer pessoa que já configurou uma automação conhece por dentro: a opção pré-marcada, o lembrete na hora certa, a compra em um clique, o "só restam 2 unidades". Nada disso lê você. Tudo isso mobília o lugar onde você vai decidir.
Quanto conduzir rende, medido
Se a indústria conduz, a pergunta honesta é quanto. Os números de que mais gostei são pequenos e vêm de gente que tentou torná-los grandes. A figura 6 junta quatro casos, cada um com uma promessa publicada e a medição que veio depois.
| Mecanismo | Promessa | Medição |
|---|---|---|
| Anúncio casado com a personalidade inferida | +40% cliques · +50% compras3,5 milhões de pessoas no Facebook. Matz e colegas, 2017 | ≈ 0 de ponta a pontaRastros digitais preveem ~5% da personalidade; efeito da mensagem sob medida insignificante. 41 estudos. Perla e colegas, 2025 |
| Empurrões de arquitetura de escolha, na literatura | Efeito pequeno a médioMeta-análise de mais de 200 estudos. Mertens e colegas, 2022 | Sem evidênciaDepois de corrigir o viés de publicação. Maier e colegas, 2022 |
| Empurrões de arquitetura de escolha, em campo | +8,7 pontos percentuaisMédia dos artigos acadêmicos. | +1,4 ponto percentual126 experimentos de duas unidades de governo, 23 milhões de pessoas. DellaVigna e Linos, 2022 |
| Notificação otimizada por aprendizado | O melhor algoritmo publicadoDuzentos milhões de lembretes. | +0,5% usuários ativos por dia+2% na retenção de novos usuários. Yancey e Settles, 2020 |
O caso mais duro veio de fora da academia. Dois economistas juntaram os 126 experimentos de duas "unidades de nudge" do governo americano (nudge é o empurrão de arquitetura de escolha: a opção pré-marcada, o lembrete, a ordem das alternativas) e compararam com o que os artigos acadêmicos reportavam. Nos artigos, o empurrão médio movia 8,7 pontos percentuais. Na vida real, 1,4. Cerca de 70% da diferença vinha de publicação seletiva, agravada por experimentos pequenos demais: o que não funcionou não virou artigo (DellaVigna e Linos, Econometrica 2022).
O Duolingo, com o melhor algoritmo de notificação que eu conheço publicado: meio por cento.
E há o custo. Quando o corredor fica visível, ele deixa de funcionar e passa a cobrar. A psicologia chama isso de reatância: a pessoa que percebe que está sendo conduzida faz o contrário, para provar que ainda pode (Brehm e Brehm, 1981).
Um rastreamento de onze mil lojas virtuais encontrou 1.818 "padrões escuros", como contadores que reiniciam e o aviso "23 pessoas estão vendo este produto" gerado por um programa de terceiros. Achou também 183 sites francamente enganosos e 22 empresas vendendo isso como serviço (Mathur e colegas, CSCW 2019). Em maio de 2026, a Alta Corte da Inglaterra confirmou que uma marca de colchões infringiu a lei do consumidor com contadores regressivos e avisos de alta procura falsos (CMA, 2026).
O contador que reinicia é o ponto em que a condução vira processo, e em que o cérebro, que se acostuma a qualquer estímulo repetido, já tinha parado de olhar.
Os números são pequenos porque a pessoa reage ao instrumento. Lidar com alguém é exatamente isso.
O mais perto que dá
Eu sei que não dá para prever o futuro. A pergunta que me trouxe até aqui era qual o mais perto disso que a gente consegue chegar.
Depois de tudo o que li, a resposta tem uma forma comum: o futuro fica mais legível quanto mais perto da decisão se olha. O apoio para isso varia. Na operação há caso relatado e experimento controlado. Com uma pessoa, há argumento e o pouco que se mediu.
Com sistemas (multidões, mercados, filas, funis), o mais perto de escrever o futuro é mobiliar o presente. Organiza-se o que vai estar na frente da pessoa quando ela decidir. Funciona no agregado, no curto prazo, na margem de um ou dois pontos, e some quando a pessoa percebe. Quem promete mais do que isso vende o corredor como leitura de mente.
Numa operação como a confecção, o mais perto é decidir depois do primeiro sinal. Dá para medir o tamanho do que não se sabe, como o comitê da Obermeyer mediu, e guardar dinheiro e capacidade para a parte da coleção que divide as opiniões. A previsão continua útil, e rende na medida em que a distância até a venda encurta.
Com uma pessoa, o horizonte encolhe até virar o presente. O mais perto de prever alguém é estar por perto na hora em que ela decide, e perguntar em vez de inferir. Isso é posição minha, sem número que a meça. E mesmo perguntando é preciso aceitar que nem ela tinha acesso completo ao que ia fazer. Jung escreveu isso antes de existir banco de dados.
O que eu faço com isso
Eu monto essas máquinas. Configuro o lembrete, o campo obrigatório, a etapa do funil, o público do anúncio. Não vou parar, porque elas fazem coisas úteis: lembram, organizam, tiram atrito de onde ele só atrapalha. O que muda, para mim, é a honestidade do número. Um sistema desses rende um ou dois pontos e cobra caro quando é pego forçando.
Para quem monta coleção, a lição que eu levo da Obermeyer cabe numa linha: antes de perguntar o que vai vender, perguntar onde a gente discorda.
A parte que decide a venda (e a amizade, e o convite, e a conversa difícil) continua acontecendo onde sempre aconteceu: na presença de alguém que não sabe o que o outro vai dizer.
Ninguém lê ninguém. O que existe é estar por perto na hora em que a página vira.