O que é inteligência coletiva? Inteligência coletiva é a capacidade de grupos de indivíduos — humanos, máquinas ou ambos — de agir coletivamente de maneiras que parecem inteligentes, produzindo julgamentos, decisões e soluções que podem superar o que qualquer membro poderia alcançar sozinho.
Inteligência coletiva, conforme definido por Thomas Malone e Michael Bernstein no Manual de Inteligência Coletiva (MIT Press, 2015), é 'grupos de indivíduos agindo coletivamente de maneiras que parecem inteligentes.' O campo abrange desde o Teorema do Júri de Condorcet (1785) e o experimento de pesagem de boi de Francis Galton de 1906 até a ciência laboratorial moderna: Anita Williams Woolley e colegas (Science, 2010) encontraram evidências para um fator geral de inteligência coletiva — o fator c — que explicou aproximadamente 43% da variância no desempenho do grupo em tarefas e correlacionou-se mais com a sensibilidade social, igualdade na alternância de turnos de conversa e a proporção de mulheres no grupo do que com o QI dos membros. O fator c tem sido debatido (Credé e Howardson, 2017) e apoiado por uma meta-análise de 22 estudos e 1.356 grupos (Riedl et al., PNAS, 2021). O Genoma da Inteligência Coletiva (Malone, Laubacher e Dellarocas, 2010) mapeia os blocos de construção de grupos inteligentes ao longo de Quem, Por quê, O que e Como. A pesquisa atual do Centro de Inteligência Coletiva do MIT (2026) foca em IA generativa e inteligência coletiva, Design de Superminds e design de equipes humano-IA; uma meta-análise de 2024 (Vaccaro, Almaatouq e Malone, Nature Human Behaviour) encontrou que combinações humano-IA não superam automaticamente o melhor de cada um sozinho — a sinergia genuína requer um design deliberado de alocação de tarefas e interação. Os sistemas atuais do CCI incluem o Supermind Ideator, que envolve um grande modelo de linguagem em uma estrutura de resolução criativa de problemas, e uma competição da PNAS de 2026 que estudou mais de 180.000 negociações autônomas de IA para IA. Dentro do ciclo de vida da tomada de decisão — Assistir, Estruturar, Gerar, Investigar, Agregar, Deliberar, Alocar, Escolher, Implementar, Monitorar — a pesquisa em inteligência coletiva preocupa-se principalmente com as fases Agregar e Deliberar: como os grupos reúnem conhecimento disperso e raciocinam juntos. O Argumentree operacionaliza essas descobertas através da submissão independente assíncrona de argumentos, estrutura de participação igualitária, avaliação multidimensional agregada em pontuações de consenso e um registro completo do raciocínio do grupo.
O que é inteligência coletiva?
Inteligência coletiva é a capacidade de grupos — humanos, máquinas ou ambos — de agir de maneiras que parecem inteligentes. Não é uma metáfora: a pesquisa a mediu, debateu e mostrou como projetar para isso. Este guia cobre a ciência desde Condorcet (1785) até a pesquisa de equipes humanas-AI do MIT (2026).
Última atualização: 2026-07-18
TL;DR
Grupos podem ser mensuravelmente inteligentes. Woolley et al. (Science, 2010) encontraram um fator de inteligência coletiva (c) que prevê o desempenho do grupo em diferentes tarefas — impulsionado menos pelo QI dos membros do que por sensibilidade social, troca de turnos igual e processo. A descoberta é debatida (Credé & Howardson, 2017), mas apoiada por uma meta-análise de 1.356 grupos (Riedl et al., PNAS, 2021). A fronteira moderna é inteligência coletiva humana-AI: a meta-análise de 2024 do MIT mostra que adicionar um humano ao loop não melhora automaticamente os sistemas de IA — a sinergia depende da alocação de tarefas e do design do processo. Argumentree é construído com base nessa lição: estruture o raciocínio, agregue os julgamentos, mantenha os humanos decidindo.
Definindo Inteligência Coletiva
A definição acadêmica padrão vem do Handbook of Collective Intelligence de Thomas Malone e Michael Bernstein (MIT Press, 2015): inteligência coletiva é "grupos de indivíduos agindo coletivamente de maneiras que parecem inteligentes." A definição é deliberadamente ampla. Ela abrange um mercado definindo preços, uma comunidade da Wikipedia escrevendo uma enciclopédia, um júri pesando evidências, uma colônia de formigas encontrando o caminho mais curto para a comida — e, cada vez mais, equipes híbridas de pessoas e sistemas de IA.
Inteligência coletiva é mais ampla do que a sabedoria das multidões, que diz respeito à agregação estatística de muitos julgamentos independentes. A inteligência coletiva também inclui colaboração genuína e deliberação — grupos que interagem, discutem e constroem sobre o raciocínio uns dos outros. Ela difere da inteligência de enxame, onde a coordenação emerge de regras locais simples sem deliberação. E se conecta a mecanismos estudados em campos vizinhos: sistemas de votação agregam preferências, mercados de previsão agregam crenças probabilísticas e deliberação estruturada agrega razões — três respostas diferentes à mesma questão de como transformar muitas mentes em uma decisão.
Dentro do ciclo de vida da tomada de decisão — Assistir, Estruturar, Gerar, Investigar, Agregar, Deliberar, Alocar, Escolher, Implementar, Monitorar — a pesquisa em inteligência coletiva concentra-se nas etapas de agregação e deliberação: como o conhecimento disperso é reunido e como os grupos raciocinam juntos sem as patologias de cascatas de informação e pensamento de grupo.
Uma Breve História da Pesquisa em Inteligência Coletiva
O campo tem raízes na matemática do Iluminismo, estatísticas, economia, biologia e ciência da computação. O fio condutor: sob as condições certas, grupos superam seus membros — e as condições podem ser engenheiradas.
O Marquês de Condorcet prova que se cada eleitor for mesmo um pouco melhor que o acaso e votar de forma independente, a probabilidade de que a maioria esteja correta se aproxima da certeza à medida que o grupo cresce — o resultado matemático fundador da inteligência coletiva.
Francis Galton analisa 787 palpites sobre o peso vestido de um boi em uma feira rural de 1906. O palpite mediano (1.207 lb) fica dentro de 1% do peso verdadeiro (1.198 lb) — melhor do que os especialistas em gado. Publicado na Nature.
O "Uso do Conhecimento na Sociedade" de Friedrich Hayek (American Economic Review) argumenta que os mercados agregam conhecimento disperso e local por meio de preços — a base teórica para mercados de previsão.
James Surowiecki codifica as quatro condições para a sabedoria das multidões (diversidade, independência, descentralização, agregação). No mesmo ano, Hong e Page publicam seu modelo contestado "a diversidade supera a habilidade" na PNAS.
Woolley, Chabris, Pentland, Hashmi e Malone (Science) encontram evidências de um fator geral de inteligência coletiva em 699 pessoas trabalhando em pequenos grupos — um análogo em nível de grupo do QI individual.
Malone, Laubacher e Dellarocas (MIT Sloan Management Review) catalogam os blocos de construção — "genes" — dos sistemas de inteligência coletiva ao longo de quatro perguntas: Quem, Por quê, O que e Como.
O manual da MIT Press de Malone e Bernstein consolida o campo e sua definição padrão: grupos de indivíduos agindo coletivamente de maneiras que parecem inteligentes.
Superminds de Thomas Malone descreve cinco tipos duradouros de inteligência coletiva — hierarquias, democracias, mercados, comunidades e ecossistemas — e pergunta como os computadores podem tornar cada um mais inteligente.
Riedl, Kim, Gupta, Malone e Woolley (PNAS) analisam 22 estudos com 1.356 grupos e encontram evidências de um fator de inteligência coletiva em populações de estudantes, militares, jogadores e trabalhadores online.
A meta-análise de Vaccaro, Almaatouq e Malone de 106 experimentos (Nature Human Behaviour) encontra que combinações humano-IA, em média, tiveram desempenho pior do que o melhor de humanos ou IA sozinhos — a sinergia deve ser projetada, não assumida.
Burton e 27 co-autores (Nature Human Behaviour) mapeiam como grandes modelos de linguagem podem aprimorar a inteligência coletiva — e como eles arriscam homogeneizar pontos de vista e fabricar consenso falso.
O Centro de Inteligência Coletiva do MIT persegue três áreas: IA Generativa e Inteligência Coletiva, Design de Superminds e Design de Equipes Humano-IA — incluindo um estudo da PNAS sobre mais de 180.000 negociações de IA para IA.
O Fator c: Um Grupo Pode Ter um QI?
Em 2010, Anita Williams Woolley e colegas fizeram uma pergunta simples com um século de psicologia individual por trás: assim como um fator geral (g) prevê o desempenho de um indivíduo em muitas tarefas cognitivas, existe um fator geral para grupos? Eles testaram 699 pessoas trabalhando em grupos de dois a cinco em uma ampla variedade de tarefas (Science, 330, 686–688). A resposta foi sim: um único fator estatístico — c — explicou cerca de 43% da variância no desempenho do grupo em diferentes tarefas.
O que prevê o c de um grupo — e o que não prevê
O QI dos membros quase não importa
Tanto a média quanto a inteligência individual máxima dos membros do grupo estavam apenas fracamente correlacionadas com c. Contratar as pessoas mais inteligentes não faz, por si só, um grupo inteligente.
Sensibilidade social importa
A pontuação média do grupo no teste Ler a Mente nos Olhos — a capacidade de inferir estados mentais a partir de pistas faciais — foi um preditor significativo de c (r = 0,26).
A igualdade na alternância importa
Grupos cujos membros contribuíram de forma mais igualitária para a conversa tiveram c mais alto; a variância nos turnos de fala correlacionou-se negativamente com c (r = -0,41). Grupos dominados por uma ou duas vozes eram coletivamente menos inteligentes.
Efeitos de composição
No estudo de 2010, grupos com uma maior proporção de mulheres pontuaram mais alto em c (r = 0,23) — um efeito que os autores vinculam estatisticamente à maior sensibilidade social média das mulheres, ou seja, ao processo, não à demografia em si.
O fator c é real? O debate sobre replicação
Como a maioria das descobertas influentes em psicologia, c foi testado sob estresse — e os leitores merecem o estado honesto das evidências:
A crítica (2017)
Credé e Howardson (Journal of Applied Psychology) reanalisaram seis amostras e argumentaram que o suporte empírico para um único fator geral de grupo é fraco — que o desempenho do grupo pode ser melhor descrito por habilidades específicas da tarefa do que por um c.
A resposta (2018)
Woolley, Kim e Malone responderam que a crítica se baseava em procedimentos de pontuação e suposições de simulação que não correspondiam às tarefas que os grupos realmente realizavam.
A meta-análise (2021)
Riedl, Kim, Gupta, Malone e Woolley (PNAS) agregaram 22 estudos cobrindo 1.356 grupos — estudantes, militares, trabalhadores online, jogadores — e encontraram evidências de um fator c em todos eles, com o processo de colaboração e a percepção social dos membros entre seus correlatos mais fortes.
Em resumo: uma grande meta-análise apoia a existência de um fator de inteligência coletiva mensurável, enquanto sua exata estrutura e generalidade permanecem ativamente debatidas. O que não é debatido é a lição prática: o processo do grupo — quem é ouvido, como os julgamentos são combinados — prevê o desempenho do grupo melhor do que o brilho dos membros.
Multidões Estatísticas vs. Interativas
Existem realmente dois tipos de inteligência coletiva, e eles funcionam com combustíveis diferentes:
Multidões estatísticas
Muitas estimativas independentes, agregadas mecanicamente — média, votação, preços de mercado. Esta é a feira de Galton e todo mercado de previsão desde então. O sucesso depende da independência e diversidade; o exercício é muitas vezes de uma única vez.
Multidões interativas
As pessoas influenciam umas às outras para construir uma compreensão compartilhada — discussão, deliberação, colaboração. Esta é a Wikipedia, uma comunidade científica, uma equipe de design. O sucesso depende da qualidade da comunicação e da segurança para falar; o trabalho é contínuo.
Os dois modos puxam em direções opostas: a independência ajuda as multidões estatísticas, mas prejudica as interativas. Uma equipe que nunca conversa pode agregar bem, mas não constrói nada novo; uma equipe que sempre conversa pode construir um entendimento compartilhado enquanto destrói silenciosamente a independência que seus julgamentos precisam.
A deliberação estruturada é uma tentativa de obter ambos. No Argumentree, as contribuições e avaliações são submetidas de forma independente — o modo estatístico — enquanto a árvore de argumentos em que elas aterrissam é um objeto compartilhado e em evolução que o grupo delibera — o modo interativo. A estrutura decide quando cada modo se aplica, em vez de deixar o modo mais barulhento vencer.
O Genoma da Inteligência Coletiva
Se a inteligência coletiva pode ser medida, pode ser projetada? Malone, Laubacher e Dellarocas (MIT Sloan Management Review, 2010) catalogaram os blocos de construção recorrentes — "genes" — dos sistemas de inteligência coletiva, organizados em torno de quatro perguntas. Qualquer sistema, desde a Wikipedia até um processo de estratégia corporativa, é uma combinação desses genes:
Quem está realizando a tarefa?
Uma hierarquia definida atribui a tarefa, ou uma multidão aberta se auto-seleciona. As multidões trazem escala e diversidade; as hierarquias trazem responsabilidade e coordenação.
Por que estão fazendo isso?
Os genes de motivação: dinheiro (pagamento, prêmios), amor (prazer intrínseco, comunidade) e glória (reconhecimento, reputação). Sistemas sustentáveis alinham incentivos com contribuição.
O que está sendo feito?
Criar (gerar algo novo — designs, ideias, argumentos) ou decidir (avaliar e selecionar entre alternativas). A maioria dos processos reais encadeia os dois.
Como está sendo feito?
Independentemente (contribuições agregadas sem interação — concursos, votação, média) ou dependente (colaboração, onde as contribuições se baseiam umas nas outras). A escolha determina quais modos de falha você herda.
Cinco Superminds
Em Superminds (2018), Malone descreve cinco formas duradouras de inteligência coletiva que as sociedades humanas continuam reinventando — e argumenta que a verdadeira questão sobre a IA não é "ela nos substituirá?" mas "como ela torna cada supermind mais inteligente?":
Hierarquias
Decisões delegadas para cima e para baixo em uma cadeia de autoridade. Rápido e responsável; vulnerável a gargalos de informação no topo.
Democracias
Decisões por votação. Legítimo e inclusivo; como os votos agregam preferências é uma ciência profunda por si só (teoria da escolha social).
Mercados
Decisões por meio de preços e negociações. Agregadores excelentes de crenças dispersas — o mecanismo por trás dos mercados de previsão.
Comunidades
Decisões por normas, reputação e consenso informal. Potencializa o código aberto e a Wikipedia; lento, mas resiliente.
Ecossistemas
Nenhum mecanismo de decisão compartilhado — os resultados emergem do poder e da sobrevivência. O padrão quando nenhum outro supermind é projetado.
Design de Supermind: Seis Movimentos
A metodologia de Design de Supermind do MIT CCI transforma o genoma em uma prática de resolução criativa de problemas. Seis "movimentos" reestruturam sistematicamente um problema para trazer à tona novos designs para grupos de pessoas e computadores:
Ampliar
Dar um passo atrás para o sistema ou propósito mais amplo em que o problema está inserido.
Aproximar
Decompor o problema em partes e processos que podem ser redesenhados.
Analogizar
Perguntar como outros domínios — natureza, outras indústrias, história — resolvem um problema estruturalmente semelhante.
Agrupar
Perguntar como um supermind diferente — um mercado, uma comunidade, uma democracia — abordaria a tarefa agora realizada por uma pessoa ou uma hierarquia.
Cognificar
Perguntar quais processos cognitivos (sensação, memória, decisão, aprendizado) a solução precisa, e quem ou o que deve realizar cada um.
Tecnificar
Perguntar onde a tecnologia — incluindo IA — pode realizar, conectar ou aumentar esses processos.
Dentro do Centro de Inteligência Coletiva do MIT (2026)
O Centro de Inteligência Coletiva do MIT (CCI), fundado por Thomas Malone, é o laboratório de destaque do campo. Seus projetos anteriores — o Climate CoLab, o CI Design Lab, Medindo a Inteligência Coletiva, Previsão Coletiva — agora são trabalhos legados concluídos. A partir de 2026, a pesquisa do CCI está organizada sob três áreas:
IA Generativa e Inteligência Coletiva
Usando IA para aumentar a criatividade humana — incluindo ferramentas como Supermind Ideator e DesignAID que apoiam a ideação humano-IA.
Design de Superminds
Projetando combinações inovadoras de pessoas e computadores, baseando-se no genoma e nos seis movimentos de design.
Design de Equipes Humano-IA
Projetando e alocando tarefas em equipes humano-máquina — a questão sucessora de "humano vs. máquina." Com o programa M3S de Cingapura-MIT, o CCI está construindo uma ciência sistemática de alocação de tarefas: quais subtarefas vão para pessoas versus IA, quem supervisiona e verifica, e se a IA atua como ferramenta, assistente, colega ou gerente.
Principais descobertas da onda de pesquisa de 2024–2026
Apoio supera LLMs brutos para ideação
Supermind Ideator envolve um grande modelo de linguagem em um suporte de resolução de problemas criativos (incluindo os seis movimentos). Em um estudo experimental, os usuários geraram significativamente mais ideias inovadoras do que pessoas usando apenas o ChatGPT ou trabalhando sem ajuda; testadores beta criaram mais de 10.000 ideias com o sistema (ACM Collective Intelligence Conference, 2024).
"Humano no loop" não é automaticamente melhor
A meta-análise de Vaccaro, Almaatouq e Malone de 106 experimentos e 370 tamanhos de efeito (Nature Human Behaviour, 2024) encontrou que combinações humano-IA, em média, tiveram desempenho pior do que o melhor de humanos ou IA sozinhos — com perdas concentradas em tarefas de tomada de decisão e ganhos em tarefas de criação de conteúdo. O CCI agora distingue sinergia forte (a combinação supera tanto humanos sozinhos quanto IA sozinha) de aumento fraco (supera humanos sozinhos, mas não a IA) — e encontra que a sinergia forte requer alocação de tarefas deliberadamente projetada, não apenas a adição de um humano.
180.000 negociações de IA para IA
Um estudo da PNAS de 2026 realizou uma competição internacional na qual agentes de IA provocados realizaram mais de 180.000 negociações entre si. A ciência clássica de negociação humana se manteve: calor — positividade, gratidão, perguntas — foi consistentemente associada a alcançar acordos e criar valor, enquanto táticas de dominância previam impasses.
Mapeando onde a IA pode ser usada
Um artigo de trabalho do MIT de 2026 (arXiv 2603.20619) reorganizou aproximadamente 20.000 atividades de trabalho do banco de dados O*NET dos EUA em uma ontologia profunda e classificou 13.275 aplicações de IA contra ela — encontrando que os 1,6% principais de atividades representam mais de 60% do valor de mercado da IA. Uma ferramenta para raciocinar sistematicamente sobre a alocação de tarefas humano-IA.
Classificando IA e tarefas em uma escala
AGI-Elo (NeurIPS 2025, arXiv 2505.12844), de pesquisadores afiliados ao CCI, incluindo Malone, classifica modelos de IA e casos de teste individuais entre si como jogadores de xadrez — colocando a competência de um modelo e a dificuldade de uma tarefa em uma escala comparável, um pré-requisito para alocação de tarefas fundamentada em equipes humano-IA.
Inteligência Coletiva na Era da IA
Grandes modelos de linguagem estão se tornando participantes da inteligência coletiva, não apenas ferramentas para ela. Burton e 27 co-autores de diversas disciplinas (Nature Human Behaviour, 2024) mapearam as consequências de duas faces:
Oportunidades
Reduzindo barreiras à participação
LLMs podem traduzir, resumir e redigir — permitindo que mais pessoas contribuam para processos coletivos, independentemente da língua ou habilidade de escrita.
Agregando conhecimento disperso
LLMs podem sintetizar grandes volumes de texto — transcrições de reuniões, respostas a pesquisas abertas, consultas públicas — que anteriormente sobrecarregavam agregadores humanos.
Apoio à deliberação
A IA pode trazer à tona contra-argumentos, agrupar posições semelhantes e estruturar discussões — aumentando a fase de Deliberação em vez de substituí-la.
Riscos
Homogeneização de pontos de vista
Se muitas pessoas consultam os mesmos modelos, suas saídas convergem — erodindo a diversidade de perspectivas da qual a inteligência coletiva depende.
Consenso falso
Textos gerados por IA fluentes podem fabricar a aparência de acordo ou opinião majoritária que não existe entre humanos reais.
Encolhimento de ecossistemas de informação
Um ambiente de informação cada vez mais filtrado por alguns poucos modelos arrisca os erros correlacionados que tornam as multidões coletivamente burras em vez de inteligentes.
A implicação de design espelha a descoberta de Vaccaro: a IA melhora a inteligência coletiva quando é atribuída as subtarefas em que é demonstravelmente boa — transcrição, extração, tradução, sumarização — enquanto o julgamento, a avaliação e a decisão em si permanecem com humanos responsáveis. Esta é a fronteira dos sistemas humano-AI (viés de automação, calibração de confiança, controle humano significativo) que a ciência da decisão está agora mapeando.
Como o Argumentree Aplica a Pesquisa em Inteligência Coletiva
Argumentree é uma plataforma de tomada de decisão colaborativa construída diretamente sobre essas descobertas. Cada escolha de design mapeia para um resultado na literatura:
Contribuição independente e assíncrona
Os participantes adicionam argumentos em seu próprio tempo, antes que o grupo converja — protegendo as condições de independência e diversidade que a pesquisa de agregação mostra que as multidões precisam.
Igualdade estrutural de participação
A pesquisa de Woolley liga a inteligência coletiva à alternância igual. Em uma árvore de argumentos, não há piso a ser mantido: os argumentos de cada participante entram na mesma estrutura e são pesados da mesma forma.
Agregação por classificação multidimensional
Os argumentos são classificados com base em utilidade, clareza, precisão e completude, e as classificações se agregam em pontuações de consenso — um mecanismo de agregação explícito, para que o julgamento coletivo seja medido em vez de assumido.
Deliberação com estrutura
A cadeia de 4 etapas de perguntas, compromissos e revisões permite que os participantes investiguem e refinem argumentos — colaboração dependente em termos de genoma, mas dentro de uma estrutura que mantém o raciocínio visível.
Alocação de tarefas humano-IA feita corretamente
A extração de IA transforma transcrições de reuniões e documentos em rascunhos de árvores de argumentos — o trabalho de processamento de conteúdo que a IA é boa — enquanto a avaliação e as decisões permanecem com as pessoas, consistente com as evidências de sinergia humano-IA de 2024.
Uma memória para o supermind
O registro completo de auditoria (rascunho, aberto, ciclo fechado com versionamento) preserva o raciocínio do grupo, para que a organização possa aprender com sua própria inteligência coletiva em vez de perdê-la quando a reunião termina.
Perguntas Frequentes
O que é inteligência coletiva?
Inteligência coletiva é a capacidade de grupos — de pessoas, de máquinas ou de ambos — de agir coletivamente de maneiras que parecem inteligentes (Malone & Bernstein, Manual de Inteligência Coletiva, 2015). Abrange a sabedoria das multidões estatísticas, produção colaborativa como a Wikipedia, equipes deliberativas, mercados que agregam crenças e equipes modernas humano-IA.
Qual é o fator c na inteligência coletiva?
O fator c é um fator geral de inteligência coletiva identificado por Woolley et al. (Science, 2010): um único fator estatístico que explicou cerca de 43% da variância no desempenho de um grupo em muitas tarefas diferentes, análogo ao fator g do QI para indivíduos. Correlacionou-se com a sensibilidade social do grupo e a igualdade na alternância de turnos de conversa muito mais do que com a inteligência individual dos membros.
O fator c foi replicado?
É apoiado, mas debatido. Credé e Howardson (2017) argumentaram que as evidências para um único fator geral são fracas, e Woolley e colegas publicaram uma resposta detalhada em 2018. Uma meta-análise de 2021 de Riedl et al. (PNAS) cobrindo 22 estudos e 1.356 grupos encontrou evidências para um fator c em populações diversas. A conclusão prática — o processo do grupo prevê o desempenho melhor do que o QI dos membros — é robusta em todo o debate.
Qual é a diferença entre inteligência coletiva e a sabedoria das multidões?
A sabedoria das multidões é o fenômeno mais restrito: muitos julgamentos independentes, agregados estatisticamente, convergem em respostas precisas (como no experimento de boi de Galton de 1906). A inteligência coletiva é o campo mais amplo: inclui a sabedoria das multidões, mas também colaboração genuína, deliberação, mercados, comunidades e equipes humano-IA — qualquer sistema em que um grupo age de forma inteligente.
Qual é a diferença entre inteligência coletiva e inteligência de enxame?
Inteligência de enxame é a coordenação que emerge de muitos agentes simples seguindo regras locais — colônias de formigas, bandos de pássaros, enxames de robôs — sem deliberação e sem raciocínio explícito. A inteligência coletiva humana envolve a troca e avaliação de razões. Elas compartilham princípios profundos (descentralização, conhecimento local, agregação), razão pela qual plataformas de decisão se aproveitam de ambas.
O que é um supermind?
Um supermind, no livro de Thomas Malone de 2018 com esse nome, é qualquer grupo de indivíduos agindo juntos de uma maneira que parece inteligente. Malone identifica cinco tipos recorrentes — hierarquias, democracias, mercados, comunidades e ecossistemas — e argumenta que os computadores tornam os superminds mais inteligentes principalmente ao permitir novas combinações deles, não ao substituí-los.
O que é o Centro de Inteligência Coletiva do MIT?
O Centro de Inteligência Coletiva do MIT (cci.mit.edu), fundado no MIT Sloan e dirigido por Thomas Malone, estuda como grupos de pessoas — e cada vez mais pessoas mais IA — podem ser organizados para agir de forma mais inteligente do que qualquer indivíduo. Seus projetos anteriores da era de crowdsourcing (o Climate CoLab e CoLabs, Medindo a Inteligência Coletiva) agora são trabalhos legados; a partir de 2026, sua pesquisa é organizada sob três áreas: IA Generativa e Inteligência Coletiva, Design de Superminds e Design de Equipes Humano-IA, com ferramentas como Supermind Ideator e DesignAID e, com o programa M3S de Cingapura-MIT, uma ciência sistemática de alocação de tarefas humano-IA.
Adicionar um humano no loop melhora as decisões da IA?
Não automaticamente. Uma meta-análise de 2024 de 106 experimentos (Vaccaro, Almaatouq & Malone, Nature Human Behaviour) encontrou que combinações humano-IA, em média, tiveram desempenho pior do que o melhor do humano ou da IA sozinha, com perdas concentradas em tarefas de decisão. Combinações ajudaram mais em tarefas de criação de conteúdo. A inteligência coletiva humano-IA eficaz requer alocação deliberada de subtarefas para a parte que as realiza melhor.
Como as equipes podem aumentar sua inteligência coletiva?
As evidências apontam para o design de processos: equalizar a participação (entrada estruturada ou assíncrona em vez de discussão aberta), proteger o julgamento independente antes da convergência do grupo, recrutar por diversidade cognitiva e percepção social, usar um mecanismo de agregação explícito, como classificação ou votação, e manter um registro do raciocínio para que o grupo possa aprender. Ferramentas como Argumentree incorporam essas mecânicas por padrão.
Referências & Leitura Adicional
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
O resultado matemático fundador: maiorias de eleitores independentes, melhores que o acaso, convergem para a verdade.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787 feirantes adivinham o peso de um boi; a mediana fica dentro de 1% da verdade.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Mercados como agregadores de conhecimento disperso.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
As quatro condições: diversidade, independência, descentralização, agregação.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
O fator c: 699 pessoas, grupos de 2–5, um fator explicando ~43% da variância de desempenho.
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
Os blocos de construção Who/Why/What/How dos sistemas de inteligência coletiva.
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
A referência padrão e definição do campo.
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
A crítica principal da generalidade do fator c.
Malone, T. W. (2018). Superminds. Little, Brown.
Cinco tipos de supermind e como os computadores os tornam mais inteligentes.
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
Meta-análise: 22 estudos, 1.356 grupos, evidências para c em populações.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 experimentos: combinações humano-IA não superam automaticamente o melhor de cada um sozinho.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 autores sobre oportunidades e riscos de LLM para inteligência coletiva.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
Mais de 180.000 negociações de agentes de IA; calor vence mesmo de máquina para máquina.
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
Uma ontologia profunda de ~20.000 atividades de trabalho para raciocinar sobre alocação de tarefas humano-IA.
View source →MIT Center for Collective Intelligence. Research (2026).
Áreas atuais: IA Generativa e CI, Design de Superminds, Design de Equipes Humano-IA.
View source →MIT Center for Collective Intelligence. Metodologia de Design de Superminds.
Os seis movimentos de design: Ampliar, Aproximar, Analogizar, Agrupar, Cognificar, Tecnificar.
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
Classificação conjunta estilo Elo de modelos de IA e dificuldade de casos de teste; co-autores afiliados ao CCI, incluindo Malone.
View source →Conceitos Relacionados
Transforme sua equipe em um grupo mensuravelmente mais inteligente
Inteligência coletiva é um problema de design: equalize a participação, proteja o julgamento independente, agregue explicitamente e mantenha o raciocínio. Argumentree incorpora essas mecânicas em cada decisão — com a IA fazendo o trabalho pesado e suas pessoas fazendo o julgamento.
Iniciar Teste Gratuito