💰 quantitative finance

AI Innovation and Firm Performance in the Medical Device Industry

Este artigo utiliza registros de liberação da FDA no setor de dispositivos médicos para demonstrar que a colaboração externa em pesquisa de IA impulsiona a introdução de dispositivos habilitados por IA, o que subsequentemente aumenta a produtividade do trabalho das empresas, particularmente para empresas menores, embora os ganhos de margem de lucro sejam menos consistentes devido às pressões competitivas.

Autores originais: Fazliddin Shermatov, Stephane Robin, Aldo Geuna

Publicado 2026-09-09

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Fazliddin Shermatov, Stephane Robin, Aldo Geuna

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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

No mundo da medicina, o caminho de uma ideia brilhante até um dispositivo que salva uma vida é pavimentado com regras rigorosas. Ao contrário de um novo aplicativo ou de um software que pode ser baixado no momento em que é finalizado, um dispositivo médico que utiliza inteligência artificial deve passar por um teste rigoroso antes de poder tocar um paciente. Nos Estados Unidos, uma agência federal conhecida como Food and Drug Administration atua como o porteiro. Uma empresa deve provar que sua invenção é segura e eficaz e, só então, o governo concede uma autorização formal. Esse processo deixa para trás um registro claro e datado: uma empresa específica, em um momento específico, trouxe com sucesso uma ferramenta específica movida a IA para o mercado. Esse registro é raro no mundo da pesquisa de negócios. Geralmente, quando economistas tentam estudar como a inteligência artificial ajuda as empresas, eles têm que adivinhar. Eles podem observar anúncios de emprego para ver se uma empresa está contratando especialistas em IA, ou contar patentes para ver se uma empresa está solicitando proteção. Mas estes são apenas sinais de intenção; eles não provam que a empresa realmente construiu um produto que funciona ou que lucrou com ele. A indústria de dispositivos médicos oferece uma janela única onde os pesquisadores podem ver o resultado real, não apenas a promessa.

Uma equipe de pesquisadores decidiu usar essa janela única para responder a duas perguntas simples, mas difíceis. Primeiro, como as empresas de tecnologia médica constroem, de fato, a capacidade de criar esses dispositivos de IA? Segundo, trazer com sucesso tal dispositivo ao mercado realmente melhora o desempenho da empresa? Para encontrar as respostas, eles construíram um mapa massivo e detalhado da indústria. Eles vincularam quatro fontes diferentes de informação: a lista oficial de todos os dispositivos médicos de IA autorizados pelo governo, registros de patentes mostrando quais tecnologias as empresas possuem, artigos científicos mostrando qual pesquisa as empresas publicaram e registros financeiros mostrando quanto dinheiro as empresas ganham e gastam. Eles se concentraram em três áreas da medicina onde a IA é mais ativa: radiologia (imagem), doenças cardíacas e neurologia. Ao rastrear a jornada desde as parcerias de pesquisa de uma empresa até seu produto final e, depois, para sua conta bancária, eles puderam ver a história completa da inovação.

Os pesquisadores descobriram que o segredo para construir esses dispositivos reside frequentemente em saber com quem você se relaciona. Empresas que trabalham de perto com especialistas externos têm muito mais chances de sucesso no lançamento de um dispositivo de IA. Isso é especialmente verdadeiro para empresas menores. Grandes empresas costumam ter suas próprias equipes internas de cientistas e engenheiros, mas empresas menores geralmente não têm. Para elas, buscar universidades, hospitais e outras empresas não é apenas algo desejável; é um substituto para seus próprios recursos ausentes. O estudo descobriu que, quando uma pequena empresa faz parcerias com pesquisadores externos, suas chances de introduzir um novo dispositivo de IA aumentam significamente. No entanto, nem todas as parcerias são iguais. As colaborações mais eficazes são com outras empresas e com parceiros clínicos, como hospitais. Esses grupos estão mais próximos da realidade prática e complexa de obter a aprovação e vender um dispositivo. Parcerias com universidades, embora comuns, tiveram o menor impacto no lançamento de um dispositivo no mercado. Isso sugere que, embora as universidades forneçam a ciência básica, o caminho para um dispositivo médico autorizado requer o conhecimento específico e prático detido por parceiros industriais e clínicos.

Uma vez que uma empresa traz com sucesso um dispositivo de IA para o mercado, os resultados financeiros são mistos, mas reveladores. O estudo encontrou um impulso claro e forte na produtividade do trabalho. Isso significa que, para cada trabalhador, a empresa produz mais valor. Esse ganho é real e duradouro; acontece independentemente de a empresa ser pequena ou grande, e torna-se mais forte à medida que a empresa introduz mais dispositivos ao longo do tempo. Os pesquisadores acreditam que isso acontece porque a IA é tecida no processo de produção da empresa, tornando o próprio trabalho mais eficiente. No entanto, a história é diferente quando observamos as margens de lucro. Embora a produtividade aumente, o lucro extra por venda não se sustenta tão bem. Os dados sugerem que, à medida que mais empresas entram no campo com dispositivos de IA semelhantes, a competição aumenta. Essa competição corrói o poder de cobrar preços altos, de modo que o dinheiro extra ganho com a eficiência é consumido pela necessidade de competir. O resultado é uma empresa que é mais produtiva e eficiente, mas não necessariamente mais lucrativa no curto prazo, porque o mercado se torna saturado.

O estudo também observou quem está inovando. Empresas jovens, ou startups, são surpreendentemente ativas neste espaço. Elas têm maior probabilidade de introduzir um dispositivo de IA do que empresas mais antigas e estabelecidas, desde que possuam as conexões externas corretas. Isso faz sentido, pois novas empresas são frequentemente construídas em torno de uma tecnologia específica e enfrentam menos sistemas antigos que as prendem. No entanto, apesar de seu entusiasmo e sucesso no lançamento de produtos, essas startups não mostraram os mesmos ganhos de produtividade de longo prazo que as empresas maiores e mais estabelecidas na fase final da análise. Isso sugere que, embora as startups possam ser ágeis e rápidas para chegar ao mercado, as melhorias de eficiência profundas e duradouras podem exigir a escala e a estabilidade de uma organização maior.

Em última análise, esta pesquisa pinta um quadro de uma indústria em transição. A inteligência artificial não é uma varinha mágica que torna instantaneamente cada empresa mais rica. Em vez disso, é uma ferramenta que recompensa aqueles que sabem se conectar com as pessoas certas. Para empresas menores, a chave é construir pontes com especialistas externos, particularmente aqueles em hospitais e outras empresas que compreendem os obstáculos regulatórios. Para todos, a recompensa é real em termos de eficiência e produção, mas o ganho financeiro é temperado pela realidade de um mercado competitivo. O estudo confirma que a inovação é uma cadeia: começa com o conhecimento, move-se através da colaboração, resulta em um produto regulamentado e, finalmente, estabelece-se nas operações diárias da empresa. No mundo dos dispositivos médicos, onde as regras são rígidas e os riscos são altos, a capacidade de navegar nesta cadeia é o que separa aqueles que simplesmente tentam usar a IA daqueles que conseguem trazê-la com sucesso para os pacientes que precisam dela.

Resumo Técnico: Inovação em IA e Desempenho Empresarial na Indústria de Dispositivos Médicos

Problema e Motivação
Estabelecer se a inteligência artificial (IA) gera retornos econômicos para as empresas é empiricamente desafiador porque a inovação em IA é difícil de ser observada diretamente. Estudos de nível empresarial existentes dependem tipicamente de proxies como anúncios de vagas, medidas de contratação baseadas em currículos ou contagem de patentes. Essas medidas capturam intenção ou input, em vez da comercialização bem-sucedida de um produto. O setor de tecnologia médica (medtech) oferece um cenário empírico único para abordar este problema de identificação. Neste setor, um dispositivo habilitado por IA deve obter autorização de uma autoridade de saúde nacional (especificamente o FDA nos EUA) antes de chegar ao paciente. Este requisito regulatório cria um registro datado e atribuível à empresa da produção de inovação em IA que pode ser observado diretamente, em vez de ser estimado por proxy. Este cenário permite que os pesquisadores observem não apenas que uma empresa investe em IA, mas que ela conseguiu trazer um produto regulamentado e aprimorado por IA ao mercado.

Dados e Construção da Amostra
Os autores constroem um novo conjunto de dados em nível de empresa vinculando quatro fontes distintas:

Autorizações Pré-comercialização do FDA: Registros tanto para dispositivos médicos convencionais quanto habilitados por IA, recuperados até dezembro de 2025. A amostra foca em três especialidades que representam mais de 90% das aprovações de IA: Radiologia, Patologias Cardiovasculares e Neurologia.
Dados Financeiros: Dados da Orbis (Bureau van Dijk) fornecendo balanços patrimoniais, demonstrações de resultados e dados de propriedade para as empresas solicitantes correspondentes (2000–2025).
Dados de Publicação: Registros da Scopus cruzados com o corpus de IA de Bianchini et al. (2026) para identificar publicações relacionadas à IA e medir a intensidade de colaboração.
Dados de Patentes: Registros do USPTO via PatentsView, incluindo uma medida específica de fluxos de patentes de IA derivada do Artificial Intelligence Patent Dataset (AIPD).

O conjunto de dados final cobre empresas ativas nas três especialidades alvo, vinculando inputs de construção de capacidade (publicações, colaboração) a outputs de inovação (aprovações de dispositivos) e resultados de mercado (produtividade do trabalho, margens de lucro).

Metodologia
O estudo emprega um modelo econométrico recursivo de três estágios, adaptado do framework CDM (Crepon et al., 1998), para rastrear a cadeia de inovação enquanto aborda a endogeneidade. O sistema é estruturado da seguinte forma:

Estágio 1 (Construção de Capacidade): Modela a intensidade da colaboração externa em pesquisa de IA ( $y_{1it}$ $y_{1 i t}$ ).
- Variável Endógena: Média do número de colaborações externas relacionadas à IA por empresa-ano.
- Instrumentos: (i) A contagem logarítmica de publicações científicas relacionadas à IA da empresa; (ii) A distância geodésica até o centro de pesquisa de IA mais próximo. Argumenta-se que estes instrumentos deslocam a intensidade de colaboração sem afetar diretamente o registro de dispositivos ou o desempenho da empresa.
Estágio 2 (Produção de Inovação): Modela a introdução de dispositivos aprimorados por IA ( $y_{2it}$ $y_{2 i t}$ ).
- Especificação: Estimada como um resultado binário (introdução de $\ge$ 1 dispositivo) usando tanto Modelos de Probabilidade Linear (LPM) quanto modelos Probit, e como uma variável de contagem (dispositivos cumulativos) usando um modelo Tobit.
- Instrumento: O fluxo defasado de patentes específicas de IA ( $PAF_{it}$ ), que captura a capacidade tecnológica, mas opera no desempenho apenas através do canal de inovação.
Estágio 3 (Desempenho da Empresa): Vincula a introdução prevista de dispositivos de IA ao desempenho da empresa ( $y_{3it}$ $y_{3 i t}$ ).
- Resultados: Produtividade do trabalho (valor agregado por funcionário) e margens de lucro.
- Estimação: Os valores previstos do Estágio 2 são usados como regressores em uma equação OLS para o Estágio 3, com erros padrão via bootstrap para contabilizar o viés do regressor gerado. Os autores também empregam a Máxima Verossimilhança de Informação Total (FIML) via Processo Misto Condicional (CMP) para estimar o sistema conjuntamente, contabilizando as correlações de erro entre equações.

Principais Resultados

A Colaboração Impulsiona a Inovação: A colaboração externa em pesquisa de IA é um impulsionador robusto da introdução de dispositivos de IA. O efeito é significativamente maior para pequenas empresas do que para grandes empresas, sugerindo que os vínculos de conhecimento externo substituem a limitada capacidade interna de P&D.
Heterogeneidade do Tipo de Parceiro: A decomposição da colaboração por tipo de parceiro revela que o efeito marginal é maior para parceiros da indústria e clínicos e menor para laços acadêmicos. Isso corrobora a hipótese de que os parceiros industriais e clínicos estão mais próximos dos processos de validação regulatória e comercialização necessários para a liberação do dispositivo.
Ganhos de Produtividade: Empresas que introduzem com sucesso dispositivos de IA exibem maior produtividade do trabalho. Este efeito é robusto entre as abordagens de estimação (2SLS sequencial e FIML conjunto) e mantém-se para pequenas empresas e para a amostra total. O prêmio de produtividade acumula-se com as introduções sucessivas de dispositivos dentro desses grupos.
Efeitos na Margem de Lucro: Embora a introdução de dispositivos de IA mostre uma associação positiva com as margens de lucro, esses efeitos são mais fracos e não sobrevivem a todas as especificações. Os autores interpretam esse padrão como evidência de que a entrada competitiva erode o poder de precificação conforme os dispositivos de IA se difundem pelo setor, enquanto os ganhos de produtividade permanecem incorporados no processo de produção.
Dinâmica de Start-ups: As start-ups têm maior probabilidade de introduzir dispositivos de IA condicionadas à intensidade de colaboração, mas essa maior propensão não se traduz em um prêmio de produtividade no terceiro estágio, diferentemente dos resultados para empresas estabelecidas.

Significância e Contribuição
A principal contribuição do artigo é metodológica: ele supera os desafios de identificação inerentes ao estudo do impacto econômico da IA ao aproveitar a transparência regulatória do setor de dispositivos médicos. Ao conectar diretamente os inputs de IA (colaboração) aos outputs de inovação regulados (autorizações do FDA) e, em seguida, ao desempenho, o estudo evita as armadilhas de depender de dados autorrelatados ou proxies indiretos.

As descobertas desafiam a suposição de que a adoção de IA beneficia uniformemente todos os tipos de empresas ou todas as métricas de desempenho. Em vez disso, os resultados destacam que:

A colaboração externa é crítica, particularmente para empresas menores que carecem de capacidade interna.
A natureza do parceiro importa, com laços comerciais e clínicos sendo mais eficazes para a entrada no mercado do que os puramente acadêmicos.
O retorno econômico da IA é matizado, manifestando-se claramente como ganhos de produtividade, mas potencialmente sendo erodido nas margens de lucro devido às dinâmicas competitivas.

Este trabalho fornece uma compreensão causal granular de como as empresas de tecnologia médica constroem capacidades de IA e os resultados comerciais específicos de fazê-lo, preenchendo uma lacuna na literatura sobre a "caixa preta" da inovação em IA e seus retornos econômicos tangíveis.

Mais como este