IDR: Da Complementaridade Monótona à Zona de Complementaridade Máxima
O artigo «A Razão Algorítmica em Julgamento», em diálogo com a crítica de Daniel Innerarity à razão algorítmica, propôs o Índice de Défice Relacional (IDR) e uma previsão testável: o ganho de complementaridade humano-máquina cresceria monotonamente com o IDR de um domínio.
Este artigo documenta, de forma completa e reprodutível, o teste dessa previsão, condições do modelo, dados gerados, resultados estatísticos e o código-fonte exato que os produziu.
O resultado é claro e negativo para a formulação original (Pearson r = −0,399, p = 7,25×10⁻¹³, N = 300), mas revela em seu lugar um padrão robusto em U invertido (ajuste quadrático R² médio = 0,601 contra 0,201 do linear, em 10 sementes independentes; vértice R* = 0,410 ± 0,009), motivando a reformulação do constructo como Zona de Complementaridade Máxima (ZCM).
O IDR mantém-se como medida de exigência relacional não coberta, mas deixa de ser usado como preditor direto do ganho; a ZCM passa a definir a região onde esse ganho é máximo.
Palavras-chave: complementaridade humano-máquina, Índice de Défice Relacional, Zona de Complementaridade Máxima, modelo computacional sintético, Daniel Innerarity, razão algorítmica.
I. CONDIÇÕES DO TESTE – MODELO FORMAL
O teste opera sobre domínios de decisão sintéticos.
Cada domínio i é caracterizado por um único parâmetro gerador, R_i ∈, amostrado de uma distribuição uniforme, que representa a proporção da tarefa cuja resolução depende do termo relacional (R) da HEIC (estrutura teórico-operacional que decompõe tarefas em componente estrutural e relacional); o complemento w_i = 1 − R_i representa o peso da componente estrutural (padrão, cálculo, regra fixa).
A cada domínio atribuem-se, com ruído gaussiano independente, quatro capacidades: a_S (IA na componente estrutural, N(μ = 0,95, σ = 0,03)), a_R (IA na componente relacional, N(μ = 0,30, σ = 0,05), deliberadamente insensível a mais dados ou mais capacidade de integração, por construção do Axioma da Insuficiência Estrutural do IDR), h_S (humano na componente estrutural, N(μ = 0,75, σ = 0,05)) e h_R (humano na componente relacional, N(μ = 0,90, σ = 0,05)).
Um quinto parâmetro, o custo de integração c ~ N(μ = 0,04, σ = 0,01), penaliza a formação da equipa, representando o atrito de coordenação entre agentes heterogéneos.
As variáveis de desempenho definem-se como:
- IA_só = w·a_S + (1−w)·a_R
- Humano_só = w·h_S + (1−w)·h_R
- Equipa = w·máx(a_S,h_S) + (1−w)·máx(a_R,h_R) − c
O ganho de complementaridade é Ganho = Equipa − máx(IA_só, Humano_só).
O IDR de cada domínio calcula-se como IDR_i = R_i · (1 − a_R,i), operacionalizando a definição do artigo original: a exigência relacional que permanece por preencher, dada a capacidade relacional efetiva da IA nesse domínio específico.
O desenho completo, geração de N = 300 domínios, cálculo de todas as variáveis, ajustes estatísticos, foi replicado com dez sementes aleatórias independentes (1, 2, 3, 4, 5, 42, 99, 123, 2024, 777), reportando-se os resultados da semente 42 como referência principal e a média ± desvio-padrão das dez sementes como verificação de robustez.
II. DADOS DE TESTE
A tabela seguinte apresenta os primeiros dez domínios gerados sob a semente de referência (42), ilustrando a variação de R, do IDR resultante, e dos três desempenhos calculados:
Nota: Valores arredondados a três casas decimais para clareza; cálculos internos com precisão completa.
Note-se, por exemplo, o domínio 1 (R = 0,439, próximo do vértice R* ≈ 0,41): o ganho de complementaridade (+0,1165) é o maior de toda a amostra apresentada, a equipa (0,881) supera claramente tanto a IA isolada (0,698) como o humano isolado (0,765).
Em contraste, o domínio 2 (R = 0,859, próximo do extremo relacional) mostra um ganho quase nulo e ligeiramente negativo (−0,0007): a equipa (0,938) não consegue sequer igualar o humano isolado (0,939), que já satura o desempenho possível nessa zona.
III. RESULTADOS
A correlação direta entre IDR e ganho de complementaridade, tal como a previsão original a formulava, é negativa e fortemente significativa (Pearson r = −0,399, p = 7,25×10⁻¹³; Spearman ρ = −0,398, p = 7,85×10⁻¹³; N = 300, semente 42), o oposto do que a formulação monótona previa.
O exame da forma funcional mostra, no entanto, que a relação entre R (e, portanto, o IDR, que lhe é monótono) e o ganho não é linear: um ajuste quadrático explica substancialmente mais variância do que o linear, e de forma estável entre sementes.
A comparação por tercis de IDR confirma o padrão em U: no tercil de IDR mais baixo, o ganho médio é positivo; no tercil de IDR mais alto, o ganho médio aproxima-se de zero e é ligeiramente negativo.
Reportam-se aqui tanto o R médio como o IDR médio de cada tercil, para evitar a ambiguidade entre as duas grandezas:
Comparação entre tercis: t = −9,178; p = 4,01×10⁻¹⁶; d de Cohen = −1,298 (N = 100 domínios por tercil, semente 42).
A tabela seguinte documenta a verificação de robustez completa: o vértice da parábola ajustada (R*) e a qualidade dos dois ajustes, semente a semente.
IV. DISCUSSÃO – AVALIAÇÃO TRIPARTIDA DO RESULTADO
REJEITA a formulação original do IDR: a previsão de uma relação monótona crescente entre IDR e ganho de complementaridade humano-máquina não se sustenta, a relação observada é não-monótona, e uma leitura puramente linear sugere até o sinal oposto.
Um escalar único de défice relacional, definido apenas a partir da exigência do domínio, é insuficiente para capturar o fenómeno: o que determina o ganho não é a distância a um dos polos, mas a posição do domínio numa curva com um interior ótimo.
CONFIRMA o núcleo qualitativo dos Axiomas 1 e 3 do artigo original, ainda que não a sua forma quantitativa monótona: nos domínios de R próximo de zero, a equipa não acrescenta valor sobre a IA isolada, confirmando que, quando o défice relacional é nulo, mais dados e mais integração computacional bastam (Axioma da Suficiência D·I).
Nos domínios de R próximo de um, o ganho também se aproxima de zero, mas porque é o humano isolado que satura o desempenho, o Axioma da Externalização Oculta permanece pertinente nestes domínios: delegar numa IA com capacidade relacional residual não fecha o défice, apenas desloca o risco.
COMPLEMENTA reformulando o constructo: em vez de tratar o IDR como preditor monótono do ganho, propõe-se a Zona de Complementaridade Máxima (ZCM) — a região de composição de um domínio onde a heterogeneidade de competências entre IA e humano é suficiente para gerar uma combinação superior a qualquer agente isolado, mas não tão extrema que um dos agentes já domine sozinho toda a tarefa.
V. REFORMULAÇÃO – A ZONA DE COMPLEMENTARIDADE MÁXIMA (ZCM)
Define-se R* como o valor de R que maximiza o ganho esperado de complementaridade num dado par de agentes e numa dada estrutura de custo de integração. A ZCM é a vizinhança de R* dentro da qual o ganho permanece positivo e substancial.
Três axiomas revistos
- Axioma da Não-Monotonicidade: o ganho de complementaridade não é função monótona de nenhuma medida escalar de défice relacional definida unilateralmente a partir da exigência do domínio; é função da distância |R − R*| entre a composição do domínio e o ponto de equilíbrio determinado conjuntamente pelas capacidades dos dois agentes e pelo custo de integração.
- Axioma da Saturação Bilateral nos Extremos: em qualquer domínio onde um dos agentes já satura isoladamente o desempenho possível (R→0 para a IA, R→1 para o humano, dadas as capacidades em jogo), o ganho de complementaridade tende para zero ou para valores negativos, sendo absorvido inteiramente pelo custo de integração.
- Axioma da Deslocação do Vértice pelo Custo: a localização de R* desloca-se em função da razão entre o custo de integração e a amplitude das diferenças de capacidade entre os agentes: custos de coordenação mais baixos alargam e achatam a ZCM; diferenças de capacidade mais acentuadas estreitam-na e deslocam R* na direção do agente estruturalmente mais forte.
VI. NOVA PREVISÃO TESTÁVEL
Se o Axioma da Deslocação do Vértice está correto, a redução experimental do custo de integração (c), mantendo fixas as restantes capacidades, deve deslocar R* e alargar a largura da ZCM, numa relação previsível e mensurável entre (c) e essa largura.
Esta previsão é diretamente testável no mesmo modelo computacional, variando c sistematicamente, e constitui o próximo passo natural deste programa de teste.
Espera-se que R* se desloque para valores mais baixos de R à medida que c diminui, e que a largura da ZCM aumente aproximadamente de forma monótona em 1/c.
VII. LIMITAÇÕES
Este é um exercício formal de prova de conceito, não um estudo empírico sobre equipas humano-máquina reais.
As funções de capacidade, a distribuição uniforme de R, a regra de composição da equipa (máximo por componente menos um custo fixo) e a decomposição de qualquer tarefa em exatamente duas componentes são simplificações estipuladas para tornar o modelo tratável, não medições de sistemas reais.
O valor R* = 0,410 é uma propriedade deste modelo particular, sob estes parâmetros particulares, e não uma constante universal a projetar sobre domínios reais de decisão.
O que este teste estabelece com confiança é a estrutura lógica do fenómeno, que a complementaridade tem um interior ótimo e não uma orla ótima e não o valor numérico desse ótimo em contextos reais, que exigiria dados empíricos de desempenho humano-máquina classificados independentemente por exigência relacional.
VIII. CONCLUSÃO
O teste computacional do Índice de Défice Relacional produz um resultado informativo precisamente por refutar a formulação inicial: a relação entre défice relacional e ganho de complementaridade humano-máquina não é monótona, mas segue um padrão em U invertido, robusto a variação de semente aleatória, com um interior ótimo situado, neste modelo, perto de R* ≈ 0,41.
A Zona de Complementaridade Máxima substitui o IDR como preditor bruto e desloca o programa de investigação para uma questão mais precisa: não «quanto maior o défice relacional, maior o valor da parceria», mas «onde, exatamente, a heterogeneidade entre agentes deixa de ser desperdiçada e passa a ser produtiva», ecoando, formalmente, o mesmo padrão de equilíbrio estrutura-dinâmica encontrado no programa de teste da HEIC 3.0 (RGD/PEED, ρ* ≈ 0,50), onde ρ* representa um ponto ótimo análogo noutro eixo do modelo.
NOTAS
- HEIC: estrutura teórico-operacional que decompõe tarefas em componente estrutural (S) e relacional (R), permitindo modelar o contributo diferencial de agentes humanos e artificiais.
- Daniel Innerarity: filósofo político espanhol, autor de Una teoría crítica de la inteligencia artificial (2025) e investigador sobre governação algorítmica e justiça algorítmica. A sua crítica à razão algorítmica informa o enquadramento conceptual deste trabalho.
- HEIC 3.0 (RGD/PEED, ρ* ≈ 0,50): programa de teste paralelo que identifica um ponto ótimo de equilíbrio noutro eixo do modelo conceptual; ρ* ≈ 0,50 representa a proporção ótima de outro parâmetro estrutural, análoga a R* ≈ 0,41 neste eixo relacional.
REFERÊNCIAS BIBLIOGRÁFICAS
- Innerarity, D. (2025). Una teoría crítica de la inteligencia artificial. Galaxia Gutenberg.
- Innerarity, D. (2023). Justicia algorítmica y autodeterminación deliberativa. Globernance Working Papers.
- Lima, V. (2026). A Razão Algorítmica em Julgamento. Crivosoft Research Corpus Informacional.
NOTA DO AUTOR
Este artigo foi desenvolvido no quadro do Corpus Informacional, teoria original do autor, e não recebeu financiamento externo. A análise das implicações teóricas é da responsabilidade exclusiva do autor.
Correspondência: vitor.lima@crivosoft.pt
