A ideia em resumo O problema As previsões de IA geralmente melhoram a qualidade de decisões específicas, mas podem gerar um efeito disruptivo nos sistemas gerais de tomada de decisões. Por que isso acontece As decisões geralmente são uma combinação de previsão e julgamento. Quando as previsões são extremamente precisas, como pode ser o caso da IA, os direitos de decisão fluirão para onde o julgamento ainda é necessário, alterando potencialmente quem toma decisões e onde, quando e como. E previsões mais precisas em uma parte de um sistema terão efeitos em cascata em outras partes. A solução Na ausência de uma comunicação perfeita e instantânea, as organizações e as cadeias de valor inteiras precisam criar sistemas que equilibrem a modularidade no design com a coordenação. A modularidade permite que muitas decisões sejam tomadas com base em fatores observáveis localmente, enquanto a coordenação permite que as decisões sejam otimizadas em uma rede mais ampla. Investidor: "O que a inteligência artificial do senhor fará pelas empresas?" Fundador da start-up: "A TI lhes dará insights". Gostaríamos de ter um centavo para cada vez que um empresário desse essa resposta aos mentores e investidores do Creative Destruction Lab, um programa global de start-up em estágio inicial que criamos na Universidade de Toronto. Embora seja a resposta padrão, "insights" é exatamente a maneira errada de pensar sobre como um avanço na TI criará valor. Na verdade, achamos que "insights" geralmente é um código para "Não sabemos o que fazer com as previsões da nossa IA". Uma resposta muito melhor seria descrever as decisões que as previsões melhorarão, porque a TI só tem valor se levar a uma melhor tomada de decisão. A boa notícia para os empreendedores é que as oportunidades para a IA fazer isso são inúmeras. O número de decisões que as empresas tomam tem aumentado, e a necessidade de tomar as decisões certas - em todas as áreas de operações - nunca foi tão grande. Considere que, em 1960, apenas 6% dos empregos exigiam habilidades essenciais para a tomada de decisões, como resolução de problemas, diagnóstico, elaboração de estratégias e priorização, de acordo com a pesquisa de David Deming, da Harvard Kennedy School. Em 2018, esse número chegou a 34%. Mas, como mostraremos nas próximas páginas, a implementação da IA não se resume a melhorar decisões específicas. As decisões em uma área de uma organização geralmente têm impacto sobre as decisões tomadas em outras, portanto, a introdução da IA geralmente implica revisitar e reprojetar sistemas inteiros de tomada de decisões. Vamos começar analisando um exemplo específico de uma iniciativa em que esse foi o caso e como a IA acabou mudando completamente a forma como o sistema envolvido criava valor. Como a Nova Zelândia ganhou a America's Cup Os fabricantes de barcos a vela e os marinheiros vêm aperfeiçoando suas técnicas há 5.000 anos. Embora a navegação comercial não dependa mais do vento para propulsão, as inovações na vela nunca pararam. O prêmio máximo da vela (e o troféu mais antigo dos esportes internacionais) é a America's Cup. Hoje em dia, a corrida tem tanto a ver com tecnologia quanto com as habilidades da tripulação. Milhões de dólares são investidos no design dos barcos. Como a física do vento, da água e dos barcos é bem compreendida, os competidores usam simuladores para identificar os projetos mais eficazes e para testar os barcos sem realmente construí-los. A equipe com o melhor simulador ganha uma grande vantagem, como a Emirates Team New Zealand descobriu em 2017, quando venceu a copa. Duas décadas após Edison ter acendido a lâmpada, apenas 3% das empresas dos EUA usavam eletricidade. Enquanto os membros da equipe planejavam a corrida de 2021, eles se perguntaram se poderiam acelerar o processo de design. Em parceria com a McKinsey, a consultoria global, eles identificaram o principal gargalo para a inovação: marinheiros humanos. Leva tempo para uma tripulação humana navegar um barco no simulador; não há como aumentar o ritmo em que seus membros reagem às condições e manobram o barco em resposta. Os marinheiros trabalham em uma escala de tempo humana, e isso não é rápido o suficiente. Usando tecnologia semelhante à IA que derrotou os melhores jogadores do mundo do popular jogo de tabuleiro de estratégia Go, a equipe ensinou um programa de IA a navegar. O robô não precisava dormir nem comer, e podia executar milhares de simulações no mesmo tempo que a tripulação humana levava para executar apenas algumas. Após oito semanas, a IA começou a vencer os marinheiros no simulador. Foi aí que as coisas ficaram interessantes. A IA começou a ensinar novos truques aos marinheiros humanos. Como disse um membro da equipe de desenvolvimento à revista Wired , "o bot estava fazendo coisas que pareciam contraintuitivas para os marinheiros, mas eles as experimentavam na água e elas realmente funcionavam". Anteriormente, os projetistas de barcos precisavam de humanos para testar qualquer inovação. Descobrir a melhor maneira de usar um barco recém-projetado poderia levar semanas. A IA, por outro lado, poderia fazer experiências com diversas variações do barco simultaneamente, 24 horas por dia. A TI poderia tentar diferentes táticas de corrida. A TI acelerou o ciclo de iteração do projeto e o desenvolvimento de novas manobras. Quando a TI descobria uma solução superior, os marinheiros humanos podiam copiá-la. Como disse um membro da equipe: "Acelerar o processo de aprendizagem é extremamente valioso, tanto em termos de permitir que a equipe de design explore o máximo possível do espaço de design quanto de permitir que os velejadores maximizem o desempenho de um determinado design." Naquele ano, a Emirates Team New Zealand conquistou o troféu, vencendo sete regatas contra três. Por que esse uso da IA foi tão inovador? Deixando de lado a impressionante tecnologia que permitiu simulações em ambientes complexos, o principal impacto foi no nível do sistema. A IA não estava fornecendo alguns insights à Emirates Team New Zealand. Em vez disso, ela estava sendo incorporada a um sistema de tomada de decisões. Inspirado por seu trabalho profissional em software de modelagem óptica e estudos de aberrações ópticas, Ralf Jacobs combina cianótipos do século XIX, harmonografias digitais e projeções a laser guiadas por software em sua arte para criar uma variedade infinita de intrincados desenhos de linhas elípticas. A preparação para a corrida envolve dois tipos de decisões: aquelas sobre o design do barco e aquelas sobre as manobras de navegação. Embora os simuladores tenham sido usados há muito tempo para o projeto do barco, as manobras sempre foram elaboradas por humanos. A TI não pilotou de fato o barco na corrida - as regras ainda exigem que os barcos reais sejam pilotados por pessoas reais -, mas acelerou o processo de inovação e permitiu uma melhor coordenação entre o projeto do barco e as manobras de navegação. O sistema completo do barco simulado e do marinheiro com IA possibilitou melhorias em ambos os tipos de decisões. Por que a mudança no sistema leva tempo Pode levar algum tempo para que o impacto sistêmico de uma nova tecnologia se torne aparente. Quando uma tecnologia surge, as pessoas inicialmente a aplicam de forma restrita. Quando a energia elétrica foi inventada como substituta da energia a vapor, por exemplo, as empresas a utilizavam onde era difícil obter a água necessária para o vapor. Duas décadas depois de Edison ter acendido a lâmpada, apenas 3% das empresas americanas usavam eletricidade. Da mesma forma, em 1987, décadas após a introdução dos computadores nas empresas, o economista Robert Solow observou: "O senhor pode ver a era dos computadores em todos os lugares, menos nas estatísticas de produtividade". O potencial da computação era claro, mas o impacto permaneceu silencioso. A mesma coisa aconteceu com a IA. Apesar de algumas marcas alternativas, as novas tecnologias de IA são basicamente avanços em estatística. Elas possibilitam a previsão de resultados mais multifacetados e, ao fazê-lo, aproveitam dados que, de outra forma, poderiam não ser explorados. E suas aplicações iniciais se concentraram no que poderiam oferecer imediatamente: previsões melhores e mais baratas do que as feitas por humanos. O software de tradução, uma das primeiras aplicações da IA, é um bom exemplo. A TI prevê como as pessoas traduziriam um determinado texto de um idioma para outro com base na forma como humanos reais traduziram textos anteriores. A classificação de imagens médicas por IA, outra aplicação inicial, previa o que os radiologistas especializados diriam que os exames mostravam. Ambos os aplicativos aproveitam a sabedoria da multidão, que muitas vezes pode fazer previsões muito mais precisas do que uma pessoa. Aplicativos como esses podem ter um enorme valor comercial. Veja o exemplo da empresa canadense Verafin, que foi adquirida pela Nasdaq por US$ 2,75 bilhões. Por quê? Porque suas tecnologias baseadas em TI para identificar fraudes financeiras estavam sendo usadas por centenas de instituições financeiras como substitutas das equipes de segurança que costumavam desempenhar essa função. Esses novos aplicativos podem gerar alguns avanços importantes, mas dificilmente são transformadores. Eles se encaixam nos negócios existentes sem muito esforço, substituindo com precisão os seres humanos que tradicionalmente faziam previsões. Em todos os outros aspectos, os negócios permanecem inalterados. A introdução da IA na tomada de decisões da sua empresa não afeta apenas o senhor. Ela também afeta seus parceiros na cadeia de valor e o ecossistema em que o senhor opera. Mas quando consideramos o impacto da eletricidade e da informatização, não pensamos em aplicações restritas; pensamos em transformação. Graças à eletricidade, as fábricas não precisavam mais estar localizadas perto da água e ter vários andares para otimizar o uso do vapor. Elas podiam estar localizadas a centenas de quilômetros de distância de uma fonte de água e espalhadas no mesmo andar, viabilizando um novo tipo de sistema de produção em massa. Os computadores tiveram o mesmo impacto. Eles evoluíram de máquinas de calcular glorificadas para o que Steve Jobs descreveu como "bicicletas para a mente" - e não substitutos para ela. E essa é a verdadeira lição da America's Cup. A Emirates Team New Zealand não tirou as pessoas do processo. Sim, é possível imaginar uma solução totalmente automatizada que tome todas as decisões. Mas essa abordagem é certamente uma raridade. A previsão de IA fornece informações que melhoram as decisões, que são tomadas por pessoas. É interessante notar que, com a IA, a diferença não é tanto se as máquinas fazem mais, mas quem são as melhores pessoas para tomar decisões. Como a IA está mudando a tomada de decisões Quando a Apple lançou a revolução dos smartphones, ninguém pensou que o setor de táxis seria uma ameaça. Mas o compartilhamento de caronas só foi possível porque os telefones celulares conectados à Internet permitiram que as pessoas pedissem caronas por meio de um aplicativo e obtivessem informações de navegação de forma barata. Em Londres, por exemplo, são necessários de três a quatro anos para que os taxistas aprendam todas as ruas da cidade e as melhores rotas através delas. Hoje, a IA nos smartphones permite que qualquer pessoa preveja as melhores rotas, levando em conta as condições do trânsito. Se os smartphones não existissem, o negócio de táxi ainda poderia estar prosperando. A maioria das decisões exige duas coisas do tomador de decisões: a capacidade de prever os possíveis resultados de uma decisão e o julgamento. A previsão é amplamente baseada em dados. (Considerando as rotas disponíveis e as condições de tráfego, quanto tempo a viagem provavelmente levará?) O julgamento é basicamente uma avaliação subjetiva de fatores contextuais que não são facilmente reduzidos a dados. (Esse cliente prefere uma viagem rápida ou uma rota panorâmica?) Os motoristas de táxi têm ambas as habilidades. Os motoristas comuns são mais limitados; eles podem avaliar as preferências dos passageiros (julgamento), mas são menos hábeis em navegação (previsão). Mas se os motoristas comuns forem combinados com um software de navegação, eles se equiparam aos motoristas de táxi. Acrescente uma plataforma que elimine a necessidade de um medidor de quilometragem, um método de recebimento de pagamento e um despachante central que designe motoristas para atender às solicitações de coleta, e qualquer motorista com acesso à plataforma poderá oferecer caronas. As plataformas e sua IA tiveram dois efeitos importantes. Primeiro, um número muito maior de pessoas passou a poder participar da tomada de decisões sobre as caronas e, segundo, o controle dos motoristas sobre as decisões diminuiu. Como a plataforma de carona compartilhada podia combinar motoristas e passageiros e identificar as melhores rotas, tudo o que os motoristas precisavam fazer era se concentrar em oferecer caronas confortáveis e agradáveis que satisfizessem os clientes designados a eles. Esses dois efeitos enfraqueceram o poder dos motoristas de táxi tradicionais e transformaram o setor. Em alguns casos, a IA simplesmente concentra a tomada de decisões sem alterar quem tem o controle. Veja o processo de contratação, que na maioria das grandes organizações é gerenciado pelo departamento de recursos humanos. Tradicionalmente, a contratação envolve um grande número de pessoas do RH que tomam muitas decisões pequenas, especialmente sobre a triagem de candidatos, o que pode exigir equipes de pessoas que examinam centenas de currículos para identificar candidatos promissores para entrevista. Graças à IA, um executivo de RH pode decidir quais critérios usar para decidir quem será entrevistado. O processo básico e o principal tomador de decisões permanecem os mesmos, mas são necessárias menos pessoas. Em outros casos, a TI centraliza radicalmente a tomada de decisões, mudando completamente como e onde ela acontece. A verificação do cartão de crédito é um exemplo disso. Antes do lançamento de dispositivos conectados que validam automaticamente os cartões, os comerciantes tomavam suas próprias decisões sobre a aceitação do cartão de alguém. Eles podiam rejeitá-lo se suspeitassem de fraude - por exemplo, se a assinatura de alguém não correspondesse à do cartão ou se o cliente não tivesse uma TI de apoio. E poderiam aceitar prontamente cartões de clientes regulares. Mas os sistemas impulsionados primeiro por verificações grosseiras de banco de dados e agora por previsão de IA automatizaram o processo. As compras com cartão de crédito são aprovadas de acordo com regras definidas por um pequeno grupo de pessoas, provavelmente um comitê, que cria os parâmetros de risco incorporados nos programas que executam os dispositivos de verificação. Ralf Jacobs Em outros casos ainda, a introdução da IA não apenas deixa as decisões nas mãos dos tomadores de decisão existentes, mas torna seu julgamento (mais descentralizado) mais importante. O uso da IA em imagens médicas é um exemplo disso. As decisões de tratamento decorrentes de um diagnóstico são e sempre foram tomadas pelo médico do paciente. Porém, antes do advento da previsão por IA, o médico geralmente chamava um radiologista especializado, que realizava um procedimento de imagem médica, como ressonância magnética, ultrassom ou raio X, e usava seu julgamento para fazer um diagnóstico. Na verdade, as decisões dos radiologistas eram necessárias para que os médicos tomassem suas decisões. Com o diagnóstico habilitado por IA substituindo o julgamento do radiologista, o único julgamento agora envolvido nas decisões de tratamento é o do médico do paciente. Consequentemente, isso torna o médico mais importante e poderoso e o radiologista menos. Em todos esses casos, a aplicação da IA mudou como e por quem as decisões são tomadas. Mas a introdução da IA na tomada de decisões da sua empresa não afeta apenas o senhor. Ela também afeta seus parceiros na cadeia de valor e o ecossistema em que o senhor opera. O que funciona para o senhor pode criar problemas para eles. Vamos ver agora como isso pode acontecer. Como a IA muda a incerteza Imagine que o senhor administra um restaurante. Os clientes chegam e pedem as refeições. Os cozinheiros as preparam. A qualquer momento, há restrições quanto aos pratos que podem ser feitos, que são determinadas pela habilidade dos chefs, pelo número total de pedidos e pela disponibilidade de ingredientes e equipamentos. Se o senhor permitir que seus clientes peçam qualquer prato que desejarem, haverá problemas. O que o senhor faz, portanto, é definir um cardápio. O senhor limita as opções dos clientes para que possa realmente preparar o que eles pedirem. Do ponto de vista da cozinha, o cardápio cria confiabilidade e evita surpresas inesperadas. Toda semana o senhor precisa pedir ingredientes, que são baseados no cardápio. Se guacamole está no cardápio, o senhor precisa de abacates. O senhor pede 100 libras toda semana. Às vezes é muito, e o senhor joga fora o excesso. Em outras ocasiões, 100 libras é muito pouco e o senhor perde as vendas. Digamos que o senhor adote a TI para previsão de demanda (o que os clientes escolherão) e descubra que ela funciona. Agora, em algumas semanas, o senhor faz um pedido de apenas 30 libras. Em outras semanas, o senhor precisa de 300 libras. O senhor desperdiça menos e vende mais. A lucratividade aumenta. A adoção da IA geralmente envolve um sistema que encontra um equilíbrio ideal entre modularidade e coordenação. Mas o seu fornecedor local está acostumado a comprar 100 libras para o senhor a cada semana. Agora ele enfrenta mais imprevisibilidade por causa do senhor. Seus outros clientes também estão usando TI para previsão de demanda, e a demanda começa a flutuar descontroladamente. Assim, o fornecedor decide adotar a IA para sua própria previsão de demanda. A TI costumava pedir 25.000 libras de abacates por semana. Agora, o pedido varia de 5.000 libras a 50.000 libras. A fonte de frutas do seu fornecedor, por sua vez, precisa desenvolver a TI, e seus pedidos também começam a flutuar. E assim vai até os produtores que precisam tomar decisões sobre o tamanho da safra com um ano ou mais de antecedência. O que isso mostra é que, embora a IA possa ser usada para resolver a incerteza de uma pessoa, esse efeito não se espalha para as decisões em todo o sistema. O problema fundamental - que a demanda precisa estar alinhada com a oferta - não foi realmente resolvido. Como uma pedra jogada em um lago, sua própria solução de IA tem efeitos em cascata sobre outras decisões no sistema. Isso nos deixa com uma espécie de paradoxo. O valor da IA vem do fato de melhorar as decisões ao prever o que acontecerá com fatores que, de outra forma, poderiam ser incertos. Mas a consequência é que suas próprias decisões se tornam menos confiáveis para os outros. Introduzir a TI na cadeia de valor significa que seus parceiros nela terão que se coordenar muito mais para absorver essa incerteza. Sistemas de coordenação para alinhar esforços e recursos O gerente do restaurante tem que tomar várias outras decisões além de prever a demanda - por exemplo, o que oferecer no cardápio. Se o efeito cascata da IA significar que o produtor não pode fornecer abacates suficientes, o restaurante precisará alterar o cardápio. A TI provavelmente não fará isso a menos que saiba que os abacates não estão disponíveis, o que requer coordenação entre os tomadores de decisão. Essa coordenação tem dois aspectos: Sincronizar o trabalho. Considere a operação de uma equipe de oito remadores. Duas coisas determinam o desempenho da equipe em uma corrida: se seus membros estão remando em uníssono e como eles ajustam a velocidade do remo à medida que a corrida avança para garantir que ninguém da equipe fique sem energia antes da chegada. O timoneiro, que se senta na parte de trás do barco, é essencial para a segunda função, mas não para a primeira. Isso pode parecer surpreendente, pois o timoneiro coordena os remadores para que mantenham o mesmo tempo, gritando: "Stroke! Remem! Remem!". Mas essa tarefa não requer uma pessoa separada; um dos remadores poderia fazê-la e, de fato, isso ocorre em regatas em que os barcos da tripulação não têm timoneiros. Mas quando se trata de monitorar a estratégia em uma regata e obter dicas sobre o status de cada remador - ou seja, coletar informações e agregá-las - o timoneiro é fundamental. O timoneiro pode avaliar a necessidade de mudanças no ritmo da equipe e ajustar a mensagem aos remadores de acordo. O timoneiro está lá porque a equipe precisa garantir que a adaptação seja feita de forma sincronizada. Atribuição de recursos. O desafio da coordenação também envolve uma classe de problemas que Paul Milgrom e John Roberts chamam de problemas de atribuição -situações em que o senhor precisa atribuir recursos a uma atividade, mas sabe que apenas uma certa quantidade deles será usada. Qualquer quantidade a mais seria desperdiçada; qualquer quantidade a menos seria insuficiente. Considere o despacho de ambulâncias. Se todas as ambulâncias de uma rede recebessem uma mensagem de emergência e, em seguida, escolhessem individualmente se responderiam ou não, o senhor acabaria, muitas vezes, sem nenhum respondente ou com um número excessivo. Para garantir que apenas uma responda, o senhor precisa de um despachante central, humano ou de software, que receba chamadas (ou seja, informações) sobre uma emergência e, em seguida, designe uma ambulância para responder. Nesse caso, enviar a ambulância "errada" (uma que talvez esteja muito longe ou que não tenha o equipamento certo) é muito menos problemático do que não enviar nenhuma ou enviar muitas. Tanto os timoneiros quanto os despachantes são sistemas de comunicação que garantem que não ocorram os resultados ruins que poderiam advir da falta de sincronização ou da má alocação de recursos. Da mesma forma, quando a IA causa problemas de coordenação, podem ser necessários novos sistemas de comunicação para superá-los. É por meio de um investimento inteligente em coordenação que as organizações poderão realizar plenamente a promessa da TI. Então, o que significa "inteligente" nesse contexto? Combinando coordenação com modularidade Idealmente, um sistema seria capaz de se coordenar inteiramente por meio da comunicação, como fazem os timoneiros da tripulação e os despachantes de ambulância. Mas a comunicação nem sempre é suficiente. Um restaurante não pode criar alinhamento ao longo da cadeia de suprimentos somente por meio da comunicação, pois sua cadeia se estende por milhares de quilômetros e muitos meses. O investimento seria proibitivamente caro e demorado. Qual é a solução? Vamos considerar as operações da Amazon. A TI fornece milhões de produtos em todo o mundo. Isso envolve aquisições, armazenamento em depósitos, captura de pedidos de clientes e envio de itens para esses clientes. Mas também envolve ajudar os clientes a decidir o que comprar em primeiro lugar, ou seja, fornecer-lhes recomendações. A Amazon enfrenta o mesmo problema que o nosso restaurante. A TI quer fornecer aos clientes o que eles querem, quando eles querem, mas os produtos não aparecem magicamente, porque suas cadeias de suprimentos são complexas. Digamos que o mecanismo de recomendação baseado em IA da Amazon preveja que o melhor produto a ser sugerido a um cliente provavelmente não está disponível. O que a Amazon deve fazer? É tentador pensar que, se o senhor não tem um produto disponível, não deve recomendá-lo a um cliente. O problema é: como o senhor sabe se a previsão da TI estava correta e se o cliente realmente queria o produto? Se o senhor recomendar apenas o que tem, perderá oportunidades de aprender e crescer. É exatamente por isso que a Amazon inclui recomendações de produtos que estão fora de estoque e que levarão mais tempo para chegar aos seus clientes. As decisões são coordenadas no sentido de que a Amazon comunica o provável atraso aos clientes. Os clientes podem muito bem escolher produtos que estão disponíveis, mas ocasionalmente não o farão. A Amazon então descobre quanto esforço precisa fazer para manter o estoque dos itens que estão fora de estoque. Alcançar esse equilíbrio requer um projeto cuidadoso. A Amazon tem uma organização modular que lhe permitiu encaixar melhores previsões de TI em recomendações que minimizam o impacto no restante da organização. No entanto, as decisões de estoque e de pedidos tomadas pela empresa não podem ser totalmente independentes do sistema de recomendação de IA, justamente porque as escolhas e reações dos clientes geram informações que precisam ser utilizadas pelo departamento de logística. A adoção da IA geralmente envolve um sistema que encontra um equilíbrio ideal entre modularidade e coordenação. A modularidade isola as decisões em uma parte da organização da variabilidade - os efeitos em cascata - que a IA cria em outras. A TI reduz a necessidade de confiabilidade. A coordenação, por outro lado, combate a falta de confiabilidade que acompanha a adoção da IA. Os sistemas de IA bem-sucedidos permitem a coordenação sempre que possível e a modularidade sempre que necessário. . . . Como esperamos que já tenha ficado claro, a promessa da tecnologia de previsão da IA é semelhante à da eletricidade e da computação pessoal. Assim como eles, a IA começou resolvendo alguns problemas imediatos, criando valor em aplicativos isolados e bem delimitados. Mas à medida que as pessoas se envolverem com a IA, elas perceberão novas oportunidades para criar soluções ou melhorar a eficiência e a produtividade. Os restaurantes, por exemplo, provavelmente se tornarão mais profundamente incorporados em suas próprias cadeias de suprimentos e talvez mais flexíveis em suas ofertas de cardápio. À medida que essas oportunidades forem concretizadas, elas criarão novos desafios que, por sua vez, proporcionarão mais oportunidades. Assim, à medida que a TI se espalha pelas cadeias de suprimentos e ecossistemas, descobriremos que todos os processos e práticas que considerávamos garantidos estão sendo transformados - não pela tecnologia em si, mas pela criatividade das pessoas que a utilizam. Ajay Agrawal, Joshua Gans e Avi Goldfarb são os autores de Power and Prediction: The Disruptive Economics of Artificial Intelligence (Harvard Business Review Press, 2022), do qual este artigo foi adaptado. Comprar o livro aqui
