A natureza é complexa e caótica

Antes, a teoria da complexidade já cobria o básico; agora precisamos somar a teoria do caos

A natureza sempre foi complexa (Bak and Paczuski 1993). Agora está caótica (Bernardini et al. 2025, Rockström 2009, Sakschewski 2025).

"Mais de três quartos dos sistemas de sustentação da Terra não estão na zona segura. A humanidade está indo além dos limites de um espaço operacional seguro, aumentando cada vez mais o risco de desestabilizar o planeta." — Johan Rockström, 2025

Agora estamos em território de ‘cisne negro’ (Sornette 2009), com eventos climáticos caóticos cada vez mais prováveis (IPCC 2021).

A IA amplia nosso horizonte cognitivo. Essa é uma ferramenta real para lidar com esse problema, mas ela não vai nos salvar nos. Ela não vai resolver o problema para nós.

Aprendizado de máquina (ML) é IA de reconhecimento de padrões. Isso significa que ele é especialmente sujeito a erros neste contexto, pelas mesmas razões descritas no trabalho premiado com o Nobel que é a base do livro Thinking Fast and Slow sobre por que a intuição humana falha em alguns problemas estruturados (Tversky & Kahneman 1974). ML reconhece padrões, o que significa que ele não funciona quando o padrão se quebra.

Previsões de longo prazo feitas com IA podem falhar de forma catastrófica independentemente dos dados disponíveis (Fan et al. 2020). Neste mundo, em nossas vidas, na sua vida se você está lendo isto, previsões baseadas no passado, não importa quão caras ou detalhadas, estão cada vez menos confiáveis.

Figura J. Teoria do caos e da complexidade produzindo erros nos dados de sistemas naturais e na análise estatística

Quando os dados são lineares, os pontos caem direitinho em uma linha. Assim.

Com dados não lineares, nossas estatísticas começam a falhar. A linha passa pelo meio. Mas erra as duas pontas. Os dados não são lineares.

Às vezes, os modelos lineares funcionam perto do zero. A cauda é onde a realidade vive. E a realidade é maior que a linha.

A natureza nem finge seguir essas regras. Estes são dados reais, de um sistema real. HÁ um padrão. Só que ele é mais inteligente que nós.

Amplie a imagem e o caos tem ordem dentro dele. Amplie essa ordem e há mais caos. Até o fundo.

Alguns fundamentos dos sistemas complexos

Sistemas complexos não são apenas difíceis de medir — eles são impossíveis de quantificar por completo (Anderson 1972). Isso é uma propriedade da própria complexidade, não um problema da ferramenta.

• Emergência — propriedades no nível do sistema não existem no nível dos componentes; o todo tem comportamentos que as partes não têm (Anderson 1972).
• Não linearidade — as saídas não são proporcionais às entradas; pequenas perturbações podem gerar efeito cascata, grandes podem se dissipar (Strogatz 2015).
• Ciclos de retroalimentação — os componentes moldam uns aos outros; causa e efeito acontecem em ciclos, não em linhas (Meadows 2008).
• Sensibilidade às condições iniciais — pequenas diferenças no estado inicial divergem exponencialmente ao longo do tempo; esta é a definição formal de caos (Lorenz 1963).
• Pontos de virada — os sistemas ficam em regimes estáveis até que um limite seja ultrapassado, e então mudam abruptamente para outro (Scheffer et al. 2009).

A grande maioria dos cientistas indígenas com quem falamos zombou da visão reducionista sobre a Natureza. Isso não é falta de entendimento do reducionismo; é uma rejeição clara dessa abordagem como a ferramenta errada para o trabalho.

"Com devido respeito, mas sem bagagem, expressamos que entendemos, mas lamentamos a lógica de que aqueles que detêm o poder tecnológico e o poder econômico exerçam controle sobre o mundo; porque, por esse caminho, o poder se tornou uma obsessão de nações poderosas que cegaram sua essência como filhos da terra e se tornaram senhores do planeta. Nessa lógica utilitária, eles objetificaram o mundo e transformaram tudo o que existe em mercadoria, e isso agora é a espinha dorsal do sistema que os Estados adotaram hoje." - Miguel Chindoy, A voz dos Povos Indígenas do mundo sobre a emergência ambiental planetária

Alguns fundamentos dos sistemas caóticos

A distinção simples entre complexo e caótico é que sistemas complexos podem ser estáveis. Os caóticos não podem. Complexidade é estrutura; caos é o que acontece quando essa estrutura cai na instabilidade.

• Determinístico, mas imprevisível — as regras são totalmente conhecidas, mas o futuro ainda não é (Lorenz 1963).
• Dependência sensível das condições iniciais — o efeito borboleta; causas pequenas, consequências vastas (Lorenz 1963).
• Limitado, mas nunca se repete — as trajetórias caóticas não vão para o infinito, mas também nunca refazem exatamente seu caminho. Elas traçam um "atrator estranho" — uma forma no espaço de possibilidades em torno da qual o sistema orbita para sempre sem repetir (Ruelle & Takens 1971).
• Os horizontes de previsão são finitos por necessidade matemática — depois de certo ponto, nenhuma precisão de medição nem poder de processamento ajuda. O erro se acumula mais rápido do que os dados informam (Palmer 2000).
• As estatísticas sobrevivem; as trajetórias, não — você pode caracterizar a forma do caos (médias, intervalos, frequências de regimes), mesmo quando você não consegue prever nenhum caminho específico (Eckmann & Ruelle 1985).

É por isso que ML falha especificamente em sistemas caóticos: ML aprende com trajetórias, mas, no caos, a trajetória é a parte que não pode ser generalizada. Só a faixa estatística pode.

Como trabalhar em sistemas complexos e caóticos

O objetivo de trabalhar nesses sistemas é trabalhar com mais inteligência, não com mais esforço. Em outras palavras, precisamos ouvir os melhores cientistas do mundo (acima) e trabalhar dentro dos limites.

• Não tente medir tudo (mesmo com IA, especialmente com IA!). Escolha dimensões que sejam ortogonais e tangíveis; amostre, não enumere. A completude é impossível. O objetivo é um sinal que não possa ser manipulado.
• Não tente prever o futuro com muita antecedência. Os horizontes de previsão são matemáticos, não técnicos — nenhuma quantidade de dados fecha a lacuna depois de certo ponto. Use ciclos curtos de retroalimentação em vez de previsões longas.
• Otimize para efeitos borboleta. Em um sistema caótico, a alavanca está nos pontos de virada — pequenas entradas no lugar certo produzem resultados desproporcionais. A estrutura de pagamento do #SexyTrees ($1 por plantio / $0.50 por árvore viva aos 6mo / $0.50 por árvore viva aos 12mo) é uma borboleta: um pagamento pequeno por árvore que muda o comportamento do agricultor em escala.
• Não assuma que você sabe o que vai acontecer. Veja o que de fato aconteceu. Só medição ex post. Modelos são mapas; quando entram em conflito com o território, confie no território.