💰 quantitative finance

Using Large Language Models for Idea Generation in Innovation

Este estudo demonstra que, embora as ideias de produtos geradas por IA exibam menor novidade e diversidade em comparação com as geradas por humanos, elas superam significativamente as ideias humanas na intenção média de compra e são sete vezes mais propensas a figurar entre os 10% de conceitos de alta qualidade.

Autores originais: Lennart Meincke, Karan Girotra, Gideon Nave, Christian Terwiesch, Karl T. Ulrich

Publicado 2026-07-31

📖 5 min de leitura🧠 Leitura aprofundada

CC0 1.0

Autores originais: Lennart Meincke, Karan Girotra, Gideon Nave, Christian Terwiesch, Karl T. Ulrich

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está parado em um vasto campo nebuloso chamado "A Paisagem das Ideias". Seu objetivo é encontrar o tesouro mais valioso escondido em algum lugar deste campo. Neste mundo de negócios e inovação, esse tesouro é uma ideia de produto brilhante que as pessoas vão amar comprar. Por muito tempo, a única maneira de encontrar esses tesouros era enviar equipes de exploradores humanos. Esses humanos vagavam por aí, desenterrando ideias uma a uma. A regra do jogo sempre foi que você não precisa que todas as ideias sejam perfeitas; você só precisa encontrar algumas joias absolutas. Se você desenterrar 100 ideias e 99 forem pedras, mas uma for um diamante, você venceu. Mas e se você pudesse contratar um robô mágico e superveloz que pudesse desenterrar 1.000 ideias no tempo que um humano leva para desenterrar dez? Essa é a pergunta que os cientistas estão fazendo sobre a Inteligência Artificial (IA). Especificamente, eles estão testando os "Modelos de Linguagem de Grande Escala" (LLMs) — programas de computador superinteligentes treinados em quase tudo o que já foi escrito na internet. Esses programas são ótimos em escrever histórias e responder perguntas, mas será que podem ser tão criativos quanto os humanos quando o assunto é inventar coisas novas? Este artigo visa verificar se esses sonhadores digitais podem, de fato, superar a capacidade de inventar de pessoas reais.

Os pesquisadores de universidades de elite decidiram colocar isso à prova com um desafio específico: inventar um novo produto físico para estudantes universitários que custe 50 dólares ou menos. Eles reuniram três grupos diferentes de "geradores de ideias". O primeiro grupo era uma equipe de estudantes universitários que haviam feito uma aula de design de produto antes das ferramentas de IA como o ChatGPT estarem amplamente disponíveis. O segundo grupo era um programa de computador (GPT-4 da OpenAI) ao qual foi dada uma instrução simples, como uma tela em branco (isso é chamado de prompting "zero-shot"). O terceiro grupo era o mesmo programa de computador, mas desta vez ele recebeu alguns exemplos de boas ideias primeiro para ajudá-lo a entrar no clima (isso é chamado de prompting "few-shot").

Para ver quem se saiu melhor, os pesquisadores não perguntaram apenas aos especialistas; eles perguntaram a pessoas comuns. Eles mostraram centenas dessas ideias de produtos para um grande grupo de jovens universitários e perguntaram: "Qual a probabilidade de você comprar isso?". Eles transformaram essas respostas em uma "pontuação de compra" para medir a qualidade. Eles também usaram ferramentas de computador para verificar o quão semelhantes as ideias eram entre si e pediram às pessoas que avaliassem o quão "novo" ou "original" as ideias pareciam ser.

Aqui está o que eles descobriram, e é um pouco surpreendente. Primeiro, a IA foi, na verdade, melhor na tarefa principal: criar ideias que as pessoas quisessem comprar. Em média, as ideias geradas pelo computador foram classificadas com pontuações mais altas do que as ideias feitas pelos estudantes. O computador que recebeu alguns exemplos para começar (few-shot) teve o melhor desempenho de todos. É como se o robô tivesse um "ouvido" melhor para o que os clientes desejam.

No entanto, havia uma ressalva. Embora a IA fosse melhor em criar ideias boas, ela não era tão boa em criar ideias diferentes. As ideias do computador tendiam a parecer e soar muito semelhantes entre si. Se você imaginar os estudantes humanos explorando todo o campo nebuloso, a IA parecia permanecer em um ou dois pontos específicos, desenterrando muitas variações dos mesmos poucos tesouros. As ideias do computador também foram classificadas como ligeiramente menos "originais" ou únicas pelas pessoas que as leram. É como se o robô fosse muito bom em polir conceitos existentes, mas tivesse dificuldade em pensar fora da caixa da maneira que os humanos às vezes fazem.

Mas aqui está a parte mais emocionante. Na inovação, a ideia média não importa tanto quanto a melhor ideia. Os pesquisadores analisaram os 10% superiores de todas as ideias coletadas — as absolutamente melhores. Eles descobriram que a IA tinha sete vezes mais probabilidade de produzir uma ideia que entrasse nesse top 10% em comparação aos humanos. Para cada ideia excelente que os estudantes criaram, o computador criou sete.

Os autores sugerem que esta é, na verdade, uma estimativa conservadora. Eles nem sequer contaram o quão mais rápida a IA era. Um humano pode levar 15 minutos para criar cinco ideias, enquanto o computador poderia gerar 200 ideias no mesmo tempo. Portanto, o computador não é apenas melhor em qualidade; é um monstro de produtividade.

O artigo conclui que, embora a IA possa não ser tão selvagem ou diversa quanto uma sessão de brainstorming humana, ela é uma potência para encontrar ideias de alta qualidade e comercializáveis. Sugere que, no futuro, as empresas podem não precisar gastar tanto tempo tentando criar ideias do zero. Em vez disso, elas poderiam deixar a IA gerar centenas de opções de alta qualidade rapidamente, e então ter humanos focados em escolher as melhores e torná-las ainda melhores. O robô não está substituindo o sonhador humano, mas está dando a ele uma pá superpoderosa para desenterrar diamantes muito mais rápido.

Resumo Técnico: O Uso de Grandes Modelos de Linguagem para Geração de Ideias em Inovação

Definição do Problema
O artigo aborda uma questão fundamental na gestão da inovação: podem os Grandes Modelos de Linguagem (LLMs), especificamente o GPT-4 da OpenAI, gerar novas ideias de produtos que compitam com ou superem as ideias geradas por humanos? Embora os LLMs sejam conhecidos por produzir textos coerentes, eles são frequentemente criticados pelas "alucinações" e inconsistências. Os autores propõem que, no domínio da criatividade, onde o valor de um processo é determinado pela qualidade da melhor ideia, e não pela consistência média de todos os resultados, a natureza estocástica dos LLMs pode ser uma força, em vez de uma fraqueza. O estudo busca testar empiricamente a hipótesagem de que os LLMs podem servir como ideadores superiores aos humanos, especificamente no contexto de geração de ideias de produtos físicos para estudantes universitários com preço de até US$ 50.

Metodologia
A pesquisa emprega um design experimental comparativo envolvendo três pools distintos de ideias de produtos:

Pool Gerado por Humanos: 200 ideias coletadas de estudantes universitários de um curso de design de produto (realizado em 2021, antes da disponibilidade generalizada de LLMs).
Pool de IA Zero-Shot: 100 ideias geradas pelo GPT-4 (modelo gpt-4-0314) usando um prompt padrão sem exemplos.
Pool de IA Few-Shot: 100 ideias geradas pelo GPT-4 usando o mesmo prompt, mas aumentado com seis exemplos de ideias de estudantes bem avaliadas para facilitar o aprendizado em contexto (in-context learning).

A configuração experimental utilizou um parâmetro de "temperatura" de 0,7 para manter a aleatoriedade. Para superar as limitações da janela de contexto, os autores implementaram uma estratégia de sumarização para comprimir as ideias geradas anteriormente, permitindo que o modelo gerasse um fluxo contínuo de 100 ideias sem se repetir devido às restrições de memória.

A avaliação dessas ideias envolveu três estudos distintos:

Estudo 1 (Avaliação de Qualidade): 400 ideias foram avaliadas por respondentes humanos (indivíduos em idade universitária recrutados via Prolific) usando uma pesquisa padrão de intenção de compra de cinco caixas. As respostas foram ponderadas para calcular uma "probabilidade de intenção de compra", servindo como a métia principal de qualidade da ideia.
Estudo 2 (Diversidade e Novidade):
- Flexibilidade/Sobreposição: A mineração de texto foi utilizada para calcular a similaridade de cosseno das incorporações de texto (text embeddings, utilizando o Universal Sentence Encoder do Google) entre todos os pares de ideias. Ideias com um escore de similaridade acima de um limiar de $\theta = 0,8$ foram classificadas como sobrepostas. Um modelo de captura-recaptura foi aplicado para estimar o número total de ideias únicas e descobríveis no espaço de soluções para cada pool.
- Originalidade: Avaliadores humanos avaliaram a novidade percebida das ideias em uma escala de 0 a 1.
Estudo 3 (Desempenho de Alto Nível): Os autores analisaram a distribuição da qualidade das ideias, focando especificamente nas 10% melhores ideias (o percentil 90) para determinar qual fonte produziu os outliers de maior qualidade. A regressão quantílica foi usada para examinar a relação entre a fonte da ideia e a qualidade através de diferentes percentis.

Principais Resultados
O estudo apresenta três descobertas primárias:

Qualidade Média Superior: As ideias geradas por IA demonstraram uma intenção de compra média significativamente maior do que as ideias geradas por humanos. A intenção de compra média foi de 0,40 para humanos, 0,46 para IA zero-shot e 0,49 para IA few-shot. A análise estatística confirmou que ambas as condições de IA superaram os humanos, com o prompting few-shot gerando a maior qualidade média.
Redução de Novidade e Diversidade: Apesar da maior qualidade média, as ideias geradas por IA foram percebidas como menos novas (Humano: 0,41; IA Zero-shot: 0,37; IA Few-shot: 0,36). Além disso, a mineração de texto revelou que as ideias geradas por IA exibiram maior similaridade entre pares. A fração de ideias sobrepostas foi de 0% para humanos, 5% para IA zero-shot e 7% para IA few-shot. O modelo de captura-recaptura estimou que o processo humano poderia descobrir aproximadamente 966 ideias únicas (zero-shot) e 680 (few-shot), enquanto o pool humano continha apenas ideias únicas dentro da amostra, sugerindo um cenário de soluções mais amplo para a ideação humana.
Dominância nas Ideias de Alto Nível: A descoberta mais significativa refere-se à qualidade das melhores ideias. Entre as 10% melhores ideias de todos os tipos (as 40 melhores de 400), 35 (87,5%) foram geradas pelo GPT-4. Especificamente, as ideias geradas por IA foram sete vezes mais propensas a aparecer no decil superior em comparação com as ideias geradas por humanos. A regressão quantílica confirmou que a vantagem do GPT-4 é mais pronunciada na cauda superior da distribuição de qualidade.

Principais Contribuições
O artigo contribui para a literatura de inovação ao:

Fornecer evidências empíricas de que os LLMs podem superar os humanos na geração de ideias de produtos de alta qualidade, desafiando a noção de que a IA é meramente uma ferramenta para consistência, e não para criatividade.
Demonstrar que, embora a IA possa reduzir a diversidade e a novidade do pool de ideias (levando a um cenário de soluções menos explorado), ela aumenta significativamente a probabilidade de gerar ideias "excepcionais".
Estabelecer uma razão de vantagem de 7:1 para a IA na geração de ideias de alto nível, sugerindo que o valor da IA na inovação reside em sua capacidade de produzir outliers de alta qualidade, em vez de um alto volume de ideias médias.

Significância e Alegações
Os autores alegam que suas descobertas fornecem uma "estimativa conservadora" do potencial da IA, pois o estudo não contabilizou a enorme vantagem de produtividade dos LLMs (gerando centenas de ideias em minutos versus horas para humanos). O artigo argumenta que o modelo tradicional de inovação, que valoriza a "melhor" ideia em vez da "média" ideia, alinha-se perfeitamente com as forças dos LLMs.

A significância do trabalho reside na sugestão de que o papel dos ideadores humanos pode mudar da geração para a avaliação e o refinamento. Se os LLMs podem gerar confiavelmente um alto volume de ideias de alta qualidade a uma fração do custo, as organizações podem precisar realocar recursos para classificar, ordenar e priorizar essas ideias, em vez de focar exclusivamente na fase inicial de ideação. Os autores concluem que, embora o envolvimento humano permaneça crucial para garantir a novidade e direcionar a trajetória da ideação, a IA representa um benefício substancial e transformador para o desenvolvimento de novos produtos.

Mais como este