Em agosto de 2025, a Gartner colocou os agentes de IA no ponto mais alto — e mais perigoso — da sua famosa curva: o pico das expectativas in...
No dia 8 de agosto de 2025, a consultoria Gartner publicou a edição anual do seu Hype Cycle para inteligência artificial e posicionou os agentes de IA — junto com a IA multimodal e os dados "prontos para IA" — no pico das expectativas infladas. Segundo a analista Haritha Khandabattu, o sucesso dependeria de "pilotos estreitamente alinhados ao negócio" e de coordenação entre equipes técnicas e áreas-fim, porque agentes "não podem ser usados em todos os casos" (GARTNER, 2025a). Um mês depois, a mesma consultoria listava os agentes entre as tecnologias emergentes que sustentariam o "negócio autônomo" da próxima década (GARTNER, 2025b).
Repare no aparente contrassenso: a tecnologia está no ponto mais superestimado da curva e é apontada como aposta estratégica. Não há contradição — há dois mapas diferentes sendo lidos ao mesmo tempo. Um mede expectativa; o outro, potencial. E é exatamente esse o problema de quem estuda (ou ensina, ou gerencia) tecnologia hoje: existe uma coleção de modelos consagrados — dilema do inovador, curva S, Hype Cycle, difusão de inovações, TRL, taxonomia de Pavitt, perfil em T — que costumam ser apresentados em slides separados, como se fossem sete verdades soltas. Não são. São sete instrumentos — modelos, escalas, uma taxonomia e uma metáfora — que iluminam dimensões diferentes do mesmo fenômeno, e só fazem sentido quando se sabe o que cada um descreve e onde um passa o bastão para o outro.
Este post organiza esses instrumentos em três perguntas: por que a tecnologia muda, como ela chega ao mundo e quem a faz chegar. Para cada pergunta, acrescentamos as peças que a lista original deixa de fora e que são justamente as que dão liga ao conjunto. Se você ainda não leu, vale começar pela postagem anterior, "Afinal, o que é inovação?", que define os termos de base — a diferença entre descoberta, invenção e inovação, as definições de Schumpeter, do Manual de Oslo e da lei brasileira, e a distinção entre inovação incremental, radical e disruptiva (AFINAL…, 2026). Aqui, partimos do ponto em que aquele texto parou: inovação é o novo colocado em uso; a dinâmica tecnológica é a história de como esse uso nasce, cresce e morre.
Um gráfico, cinco leituras
Antes de entrar nos conceitos, experimente o instrumento abaixo. A curva desenhada é sempre a mesma; o que muda é a lente. A sobreposição é esquemática: cada lente mede um fenômeno, uma população e uma unidade de análise diferentes, e formas parecidas não implicam equivalência matemática nem temporal. Clique em cada uma e observe o que ela acrescenta — voltaremos a este gráfico ao longo do texto.
A curva S relaciona o esforço investido em uma tecnologia ao desempenho que ela devolve: pouco no início, muito no meio, quase nada perto do limite físico (FOSTER, 1986).
Trajetória 01
Por que a tecnologia muda? Paradigma, trajetória e curva S
A lista original começa pela curva S e pelo dilema do inovador, mas ambos pressupõem algo que raramente é dito em voz alta: a ideia de que a tecnologia não avança em qualquer direção, e sim ao longo de caminhos com regras próprias. Quem deu nome a isso foi o economista italiano Giovanni Dosi, em 1982, emprestando de Thomas Kuhn a noção de paradigma. Um paradigma tecnológico é um "modelo e um padrão de solução de problemas tecnológicos selecionados", baseado em princípios científicos e em materiais específicos; a trajetória tecnológica é o "padrão de atividade normal de solução de problemas" dentro desse paradigma — a direção em que o progresso é buscado e reconhecido (DOSI, 1982). O motor a combustão interna foi um paradigma; "mais potência por litro, menos consumo, menos emissão" foi sua trajetória por um século.
Isso explica por que a curva S tem a forma que tem. Popularizada por Richard Foster, então diretor da McKinsey, ela plota o desempenho de uma tecnologia contra o esforço acumulado para desenvolvê-la. No início, a trajetória ainda está sendo descoberta e o retorno é lento; quando a comunidade técnica aprende onde estão os ganhos, o desempenho dispara; por fim, a tecnologia se aproxima do limite físico do seu paradigma e cada avanço custa cada vez mais (FOSTER, 1986). A tese de Foster, que dá título ao livro, é que esse achatamento é a hora do atacante: quem lidera uma tecnologia madura tende a defender a curva antiga enquanto o desafiante já está subindo a próxima — a "cascata" de curvas S que você pode acionar no gráfico acima.
Entre o paradigma de Dosi e a curva de Foster há um terceiro conceito, também ausente da lista, que os conecta ao mundo das fábricas: o design dominante, de William Abernathy e James Utterback. Toda indústria nascente atravessa uma fase fluida, com muitos projetos concorrentes e inovação concentrada no produto; em algum momento, o mercado converge para uma configuração que vira padrão — o design dominante — e a competição migra para a fase específica, em que a inovação passa a ser de processo, custo e escala (ABERNATHY; UTTERBACK, 1978). O surgimento do design dominante costuma acompanhar a região de aceleração da curva S — não é seu ponto matemático de inflexão, mas é quando a trajetória fica clara e o desempenho começa a subir rápido.
O dilema do inovador: por que os bons gestores erram
Com essas três peças no lugar, o dilema do inovador deixa de ser uma frase de efeito. Joseph Bower e Clayton Christensen estudaram a indústria de discos rígidos e notaram algo perturbador: a cada transição de formato — dos discos de 14 polegadas para os de 8, depois 5,25 e 3,5 — os líderes estabelecidos, com engenheiros excelentes e clientes fiéis, foram desbancados por novatos. Não por incompetência, mas por fazerem exatamente o que a boa gestão manda: ouvir os melhores clientes, investir onde a margem é maior e ignorar produtos inicialmente piores (BOWER; CHRISTENSEN, 1995).
A explicação de Christensen usa duas trajetórias, no sentido de Dosi. A primeira é a do desempenho que o mercado consegue absorver; a segunda, a do desempenho que a tecnologia oferece — e a segunda sobe mais rápido que a primeira. Quando a tecnologia estabelecida ultrapassa o que os clientes conseguem usar, abre-se espaço embaixo para uma alternativa mais simples e mais barata, que serve quem estava fora do mercado. É a inovação disruptiva; a melhoria contínua ao longo da trajetória existente é a inovação sustentadora (CHRISTENSEN, 2012). Em trabalho posterior, Christensen e Michael Raynor separaram duas rotas de disrupção: a de baixo mercado, que entra pelos clientes menos exigentes e superatendidos, e a de novo mercado, que começa por quem não consumia nada — e insistiram que disrupção é um processo, não um produto inicialmente pior (CHRISTENSEN; RAYNOR, 2003). O dilema é que a empresa líder não pode, racionalmente, abandonar seus clientes lucrativos para apostar em um produto pior — e é por isso que ela perde. O dilema do inovador é a curva S vista pela cadeira do gestor: a decisão certa para a curva atual é a decisão errada para a próxima.
Quadro 1 — Conceitos que explicam por que a tecnologia muda
| Conceito | Autor (ano) | O que explica | Pergunta que responde |
|---|---|---|---|
| Paradigma e trajetória | Dosi (1982) | A direção do progresso técnico | Para onde a tecnologia "quer" ir? |
| Curva S | Foster (1986) | Retorno decrescente do esforço em um paradigma | Quanto ainda dá para melhorar? |
| Design dominante | Abernathy e Utterback (1978) | Convergência do mercado para um padrão | Quando a trajetória se define? |
| Dilema do inovador | Bower e Christensen (1995) | Por que líderes perdem a troca de curva | Por que a decisão certa dá errado? |
Fonte: elaborado pelo autor com base em Dosi (1982), Foster (1986), Abernathy e Utterback (1978) e Bower e Christensen (1995).
Trajetória 02
Como a tecnologia chega ao mundo? TRL, difusão e Hype Cycle
A curva S conta a história do lado da oferta: quanto a tecnologia é capaz de entregar. Mas uma tecnologia capaz não é uma tecnologia adotada — e a distância entre as duas coisas é onde vivem os três instrumentos seguintes. O primeiro mede maturidade; o segundo, adoção; o terceiro, expectativa. Confundir os três é a fonte de boa parte das decisões erradas sobre tecnologia.
TRL: uma régua para o "quão pronto"
A escala de níveis de prontidão tecnológica (Technology Readiness Levels, TRL; na tradução oficial da ABNT, "níveis de maturidade da tecnologia") nasceu na NASA nos anos 1970, quando Stan Sadin propôs uma forma de responder a uma pergunta que os gerentes de missão faziam sem vocabulário comum: esta tecnologia está pronta para voar? A escala original tinha sete níveis; a versão de nove, hoje universal, foi consolidada por John Mankins em um white paper de 1995 (MANKINS, 1995). De lá, o TRL saiu do espaço por adoção, não por decreto: o Departamento de Defesa americano o incorporou às suas regras de aquisição a partir de 1999, depois de um relatório do órgão de controle do Congresso; a Comissão Europeia o levou aos editais do Horizonte 2020, em 2014, com definições genéricas próprias; e a indústria, de energia a saúde, foi esticando os níveis para caber fora da engenharia aeroespacial (OLECHOWSKI; EPPINGER; JOGLEKAR, 2015). A padronização internacional veio por outro caminho e continuou no setor de origem: a ISO 16290, de 2013, é uma norma de sistemas espaciais, que fixa os nove níveis para "elementos" desses sistemas e — esta é sua contribuição — define, para cada nível, o "marco alcançado pelo elemento" e o "trabalho realizado (documentado)" que permitem avaliá-lo de forma comparável (ISO, 2013).
No Brasil, a norma foi adotada pela ABNT como ABNT NBR ISO 16290:2015 e é a referência normativa nacional para a escala (ABNT, 2015). A mesma régua de nove níveis orienta, por exemplo, a EMBRAPII — a Empresa Brasileira de Pesquisa e Inovação Industrial —, cujo modelo ordinário concentra o financiamento entre os níveis 3 e 6 da escala — da prova de conceito ao modelo demonstrado em ambiente relevante —, embora programas e parcerias específicos alcancem faixas mais amplas (EMBRAPII IFSP, [s. d.]). Não é por acaso. É nessa vizinhança que mora o chamado vale da morte — sem delimitação universal, representado neste post entre os TRL 4 e 6, a faixa de verificação e demonstração anterior à operação: a tecnologia já não é pesquisa básica (que universidades e agências financiam) e ainda não é produto (que empresas financiam), e por isso morre de inanição entre um patrocinador e outro. O TRL não diz se uma tecnologia é boa; diz o quanto ela já foi testada — e onde o dinheiro costuma acabar.
O vale da morte, aqui representado nos TRL 4 a 6: pesquisa demais para as agências de fomento, produto de menos para as empresas. A travessia se constrói arco por arco — e programas-ponte como a EMBRAPII existem para levar o material até onde a obra parou.
Quadro 2 — Níveis de prontidão tecnológica (TRL) e etapa correspondente
| TRL | Descrição resumida | Etapa | Quem costuma financiar |
|---|---|---|---|
| 1 | Princípios de base observados e relatados | Pesquisa | Agências de fomento, universidades |
| 2 | Conceito e/ou aplicação da tecnologia formulados | ||
| 3 | Prova de conceito analítica e experimental da função crítica e/ou da característica | ||
| 4 | Verificação funcional, em ambiente laboratorial, do componente e/ou maquete (breadboard) | Desenvolvimento ("vale da morte") | Programas-ponte (ex.: EMBRAPII), capital de risco |
| 5 | Verificação, em ambiente relevante, da função crítica do componente e/ou maquete | ||
| 6 | Modelo demonstrando as funções críticas do elemento em um ambiente relevante | ||
| 7 | Modelo demonstrando o desempenho do elemento para o ambiente operacional (no solo ou, se necessário, no espaço) | Operação | Empresas, clientes, mercado |
| 8 | Sistema real completo e aceito para uso (na norma, "qualificado para voo") | ||
| 9 | Sistema real demonstrado em operação (na norma, "demonstrado em voo" em missão bem-sucedida) |
Fonte: elaborado pelo autor com base em ABNT (2015), Mankins (1995) e EMBRAPII IFSP ([s. d.]).Nota: as descrições dos TRL 1 a 7 seguem os títulos dos níveis na Tabela 1 da ABNT NBR ISO 16290:2015; nos TRL 8 e 9, a formulação espacial da norma ("voo", "missão") foi generalizada, com o original entre parênteses. A norma usa "elemento", "modelo", "maquete" e "verificação" (não "sistema", "protótipo" e "validação") e, no TRL 7, pede demonstração para o ambiente operacional — no solo, se possível —, não necessariamente nele. As colunas "Etapa" e "Quem costuma financiar" são agrupamentos didáticos do autor e não constam da norma; o intervalo do "vale da morte" varia conforme o setor.
Difusão de inovações: quem adota, quando e por quê
Se o TRL olha para a tecnologia, Everett Rogers olhou para as pessoas. Sociólogo rural, ele partiu de um estudo clássico de 1943 sobre a adoção do milho híbrido por agricultores de Iowa — alguns plantaram a nova semente logo, a maioria esperou anos para ver os vizinhos colherem — e generalizou o padrão em Diffusion of Innovations, publicado em 1962 e hoje na quinta edição. A adoção de muitas inovações, mostrou Rogers, pode ser aproximada por uma curva em forma de sino no tempo, que dividida por desvios-padrão produz cinco perfis de adotante: inovadores (2,5%), adotantes iniciais (13,5%), maioria inicial (34%), maioria tardia (34%) e retardatários (16%) (ROGERS, 2003). Acumule o sino e você tem — de novo — uma curva S, só que agora medindo adoção, e não desempenho.
Rogers também explicou por que algumas inovações se difundem depressa e outras nunca: cinco atributos percebidos decidem o jogo — a vantagem relativa sobre o que existe, a compatibilidade com valores e hábitos, a complexidade, a possibilidade de experimentar em pequena escala e a observabilidade dos resultados (ROGERS, 2003). O Pix, da postagem anterior, marca cinco de cinco; o carro elétrico, no Brasil de hoje, tropeça em compatibilidade (onde carregar?) e experimentabilidade (quem empresta um para testar?). Para quem gosta de números, o modelo de Frank Bass, de 1969, traduziu essa sociologia em uma equação com dois coeficientes — inovação (influência externa, como propaganda) e imitação (influência interna, o boca a boca) — que ainda hoje é usada para prever a curva de vendas de produtos novos (BASS, 1969).
A peça que falta entre Rogers e o Hype Cycle é o abismo (chasm) de Geoffrey Moore. Consultor do Vale do Silício, Moore observou que a curva de Rogers não é contínua para produtos de tecnologia: existe um fosso entre os adotantes iniciais — visionários que compram promessa — e a maioria inicial — pragmáticos que compram referência de outros pragmáticos. Muitas tecnologias atravessam com sucesso os 16% iniciais e morrem ali, porque o que convence um grupo é justamente o que afasta o outro (MOORE, 1991). Ative a lente "Rogers" no gráfico e veja onde o abismo cai: perto do trecho em que a curva de expectativa, da próxima seção, despenca — uma vizinhança sugestiva, não uma coincidência necessária entre dois modelos independentes.
Hype Cycle: a curva da expectativa
O Hype Cycle foi criado em 1995 por Jackie Fenn, analista da Gartner, e é hoje a mais divulgada — e a menos compreendida — das curvas. Ele não mede desempenho nem adoção: mede visibilidade e expectativa ao longo do tempo, em cinco fases que a própria consultoria define assim: o gatilho da inovação, quando um avanço potencial gera publicidade sem produtos utilizáveis; o pico das expectativas infladas, com "algumas histórias de sucesso, frequentemente acompanhadas de dezenas de fracassos"; o vale da desilusão, quando o interesse míngua e os fornecedores quebram ou se consolidam; a rampa da consolidação (slope of enlightenment), quando os usos reais se cristalizam; e o platô da produtividade, quando a adoção pela maioria decola (GARTNER, [s. d.]). Fenn e Mark Raskino, em 2008, argumentaram que a curva combina duas dinâmicas humanas independentes: a reação exagerada à novidade, que sobe e cai rápido, e a maturação real da tecnologia, que sobe devagar — a mesma curva S de Foster (FENN; RASKINO, 2008).
A justificativa intuitiva do Hype Cycle é a chamada Lei de Amara: "tendemos a superestimar o efeito de uma tecnologia no curto prazo e a subestimá-lo no longo prazo". Roy Amara, do Institute for the Future, popularizou a máxima a partir dos anos 1980 — mas, como mostra a pesquisa do Quote Investigator, versões anônimas dela já circulavam desde pelo menos 1965 (O'TOOLE, 2019). Convém ainda um alerta acadêmico: uma revisão crítica da literatura, acompanhada de teste empírico e publicada em 2016, concluiu que o modelo da Gartner tem pouca validação empírica, que muitas tecnologias pulam fases ou morrem no vale sem nunca chegar ao platô, e que a posição de cada tecnologia na curva é um julgamento de analistas, não uma medida (DEDEHAYIR; STEINERT, 2016). O Hype Cycle é um termômetro de conversa, não de tecnologia — útil justamente para separar o que se diz do que se entrega.
O Hype Cycle é uma montanha-russa de expectativas: o carrinho lotado no pico e o carrinho tranquilo no platô são a mesma tecnologia, em momentos diferentes da conversa sobre ela.
Quadro 3 — O que cada curva mede e onde cada uma erra
| Instrumento | Eixo vertical | Eixo horizontal | Ponto cego |
|---|---|---|---|
| Curva S (Foster) | Desempenho técnico | Esforço acumulado | Ignora se alguém quer o desempenho |
| TRL (NASA) | Maturidade (1 a 9) | Etapas de teste | Não mede mercado nem manufatura |
| Difusão (Rogers) | Adoção acumulada | Tempo | Descreve depois; prevê mal antes |
| Abismo (Moore) | Adoção por perfil | Tempo | Formulado para tecnologia B2B |
| Hype Cycle (Gartner) | Visibilidade/expectativa | Tempo | Posições são opinião de analistas |
Fonte: elaborado pelo autor com base em Foster (1986), Mankins (1995), Rogers (2003), Moore (1991), Gartner ([s. d.]) e Dedehayir e Steinert (2016).
Volte ao caso de abertura com esses quatro eixos na cabeça. Agentes de IA no pico das expectativas (Hype Cycle) não têm um TRL único: um agente destinado a uma tarefa estreita e bem definida pode estar em TRL 6 ou 7, enquanto agentes para tarefas abertas ainda patinam em TRL 3; entre os adotantes iniciais na curva de Rogers, com o abismo ainda pela frente; e no trecho de subida rápida de uma curva S cujo limite ninguém conhece. As duas notícias da Gartner não se contradizem: uma lia o termômetro da conversa, a outra lia o mapa do potencial.
Trajetória 03
Quem inova, e como? Pavitt, sistemas de inovação e perfil em T
Até aqui, falamos de "a tecnologia" como se toda tecnologia se comportasse igual. Não se comporta. A curva S de um remédio, com vinte anos de patente e testes clínicos, não tem a mesma forma da curva S de um aplicativo; o vale da morte de um satélite é mais fundo que o de uma planilha. Quem primeiro sistematizou essas diferenças foi Keith Pavitt, da Universidade de Sussex, analisando cerca de 2 mil inovações significativas introduzidas no Reino Unido entre 1945 e 1979. Sua conclusão: as fontes, a direção e a apropriação da inovação variam de forma previsível conforme o setor, e é possível agrupar as empresas em quatro padrões (PAVITT, 1984).
Quadro 4 — Padrões setoriais de inovação segundo a taxonomia de Pavitt
| Padrão | Setores típicos | De onde vem a inovação | Como se protege |
|---|---|---|---|
| Dominado por fornecedores | Agricultura, têxtil, construção, serviços tradicionais | Comprada embutida em máquinas e insumos | Marca, marketing, custo |
| Intensivo em escala | Automóveis, siderurgia, alimentos, bens duráveis | Engenharia de produção interna e fornecedores | Segredo industrial, escala, know-how de processo |
| Fornecedores especializados | Máquinas-ferramenta, instrumentos, equipamentos | Projeto e desenvolvimento sob medida, junto ao usuário | Know-how de projeto, relação com o cliente |
| Baseado em ciência | Eletrônica, química, farmacêutica | P&D interno e pesquisa acadêmica | Patentes, P&D, curva de aprendizado |
Fonte: elaborado pelo autor com base em Pavitt (1984).Nota: manuais posteriores, como o de Tidd e Bessant (2015), acrescentam um quinto padrão — "intensivo em informação" (bancos, varejo, software) — proposto pelo próprio Pavitt em trabalhos dos anos 1990.
A taxonomia é o elo entre as duas primeiras trajetórias deste post e a terceira. Cada padrão setorial tem uma curva S com inclinação própria, um TRL que pesa diferente e um ritmo de difusão específico: no setor baseado em ciência, uma parcela grande do esforço tende a se concentrar nos níveis iniciais do TRL, e é comum que empresas estabelecidas respondam ao dilema do inovador comprando startups; no setor dominado por fornecedores, a "inovação" é sobretudo adoção — a padaria com o QR Code —, e a curva de Rogers é o instrumento que importa. Em outras palavras, o setor decide qual dos mapas anteriores você deve consultar primeiro (TIDD; BESSANT, 2015).
Ninguém inova sozinho: sistemas de inovação
Pavitt também deixou uma lição implícita: a empresa não é uma unidade suficiente de análise. A inovação depende de universidades que formam gente, de fornecedores que trazem tecnologia embutida, de agências que financiam o vale da morte e de leis que definem quem é dono do quê. A literatura dos sistemas de inovação formalizou essa ideia: Christopher Freeman, ao estudar o Japão, e Bengt-Åke Lundvall cunharam a noção de sistema nacional de inovação — a rede de instituições cuja interação determina o desempenho inovador de um país (FREEMAN, 1987) (LUNDVALL, 1992) —, depois desdobrada em sistemas regionais e setoriais. Uma abordagem aparentada, e a metáfora mais difundida, é a da hélice tríplice de Henry Etzkowitz e Loet Leydesdorff: universidade, empresa e governo como três fios entrelaçados, em que cada um assume parte do papel do outro (a universidade empreende, a empresa pesquisa, o governo articula) (ETZKOWITZ; LEYDESDORFF, 2000). A Lei de Inovação brasileira, com seus Núcleos de Inovação Tecnológica, tratada na postagem anterior, é a tradução jurídica dessa hélice (AFINAL…, 2026).
O perfil em T: a pessoa dentro do sistema
Se o sistema é feito de instituições, a inovação continua sendo feita de pessoas — e aqui entra o último conceito da lista, que parece de outro assunto e não é. A expressão perfil em T (T-shaped) é mais antiga do que parece: já em 1978, D. L. Johnston a usava, em uma revista de gestão de engenharia, para descrever o cientista que vira gestor sem perder a especialidade (JOHNSTON, 1978). Quem a popularizou foi David Guest, em reportagem de 17 de setembro de 1991 no jornal britânico The Independent sobre a "caça ao homem renascentista da computação": o profissional com uma barra vertical — profundidade em uma disciplina — e uma barra horizontal — capacidade de dialogar com as demais (GUEST, 1991). Quem transformou a metáfora em política de contratação foi Tim Brown, presidente da consultoria de design IDEO. Em entrevista de 2010, ele explicou que a barra vertical é a expertise que permite contribuir para o processo criativo, mas a horizontal é a empatia pelas outras disciplinas — e que profissionais sem a barra horizontal, os "em I", não sobrevivem em equipes multidisciplinares (HANSEN, 2010). Variantes surgiram desde então: o perfil em π (duas profundidades), em pente (várias) e em M.
Perfil em T, em versão museu: na horizontal, os três reinos — o repertório amplo que permite conversar com qualquer área; na vertical, do reino à espécie, a especialização crescente que faz de alguém referência em uma só. Sem a coluna não há o que entregar; sem a barra não há com quem.
A ligação com tudo o que veio antes é direta. A inovação disruptiva de Christensen começa fora da trajetória dominante — o que exige alguém capaz de olhar para além da própria disciplina. O vale da morte do TRL é atravessado por quem fala a língua do laboratório e a do mercado. O abismo de Moore é vencido por quem entende o visionário e o pragmático. E a taxonomia de Pavitt diz qual barra vertical cada setor exige: química fina precisa de doutores; máquinas sob medida, de engenheiros que entendam o chão de fábrica do cliente. O perfil em T é o sistema de inovação em escala individual: a profundidade é o que você entrega; a horizontal é o que permite entregar junto.
As Diretrizes Curriculares Nacionais dos cursos de Engenharia, de 2019, não usam a expressão, mas descrevem um egresso perfeitamente compatível com ela. A Resolução CNE/CES nº 2 pede um egresso com "visão holística e humanista", "forte formação técnica", "apto a pesquisar, desenvolver, adaptar e utilizar novas tecnologias, com atuação inovadora e empreendedora", que adote "perspectivas multidisciplinares e transdisciplinares"; entre as competências gerais, lista "trabalhar e liderar equipes multidisciplinares" e "comunicar-se eficazmente nas formas escrita, oral e gráfica" ao lado de "conceber, projetar e analisar sistemas" (BRASIL, 2019). É a barra vertical e a barra horizontal, em linguagem de diário oficial. Sistemas de informação, design e administração têm diretrizes próprias, mas a mesma lógica tende a aparecer em qualquer área que se pretenda inovadora.
Encaixe
O mapa completo: onde cada peça se conecta
Chegamos ao quadro que faltava. Os sete termos da lista original, mais as seis peças que acrescentamos, formam três colunas — por quê, como, quem — ligadas por passagens de bastão. Clique em cada conceito para ver a definição em uma frase, o autor e com quem ele conversa. Os conceitos em destaque são os da lista original; os demais são as junções.
Por que muda
Como chega
Quem faz
Escolha um conceito
Clique em qualquer cartão acima para ver a definição, o autor e as conexões.
Aplicação prática
Perguntas para o seu contexto
Escolha uma tecnologia que esteja na sua mesa agora — uma ferramenta de IA para a sala de aula, um novo processo no trabalho, um produto do seu TCC — e passe-a pelos mapas:
Para quem ensina, a transposição é imediata: uma turma de engenharia, sistemas ou design que aprende a passar uma tecnologia por esses seis filtros está, na prática, exercitando o perfil que as DCNs de Engenharia de 2019 pedem, sem que ninguém precise pronunciar a palavra "competência".
Platô
Sete mapas, um território
Volte à sala da Gartner em agosto de 2025. Uma analista posiciona os agentes de IA no topo de uma curva de expectativa e, no mesmo relatório, recomenda pilotos estreitos alinhados ao negócio. Ela não está sendo incoerente: está lendo o Hype Cycle com uma mão e o TRL com a outra, sabendo que a curva S da tecnologia subjacente ainda sobe e que a maioria pragmática não atravessará o abismo por causa de uma demonstração. É essa leitura simultânea — e não a memorização de sete gráficos — que separa quem analisa tecnologia de quem apenas a comenta.
O que os sete conceitos da lista original tinham de comum, e que só aparece quando se colocam as peças que faltavam, é uma ideia simples: a tecnologia não é um evento, é um percurso — e cada mapa mostra um trecho dele. Dosi e Foster mostram a estrada; Christensen mostra por que os motoristas experientes erram a saída; TRL, Rogers e Gartner mostram, respectivamente, o quanto o carro foi testado, quantos passageiros já embarcaram e quanto barulho a viagem faz; Pavitt diz que a estrada muda de acordo com o terreno; e o perfil em T descreve quem consegue dirigir com um olho no motor e outro no mapa. E você — em qual trecho do percurso está a tecnologia que mais ocupa a sua cabeça hoje, e com qual mapa você a tem lido?
Nota do autor: os percentuais das categorias de Rogers (2,5%, 13,5%, 34%, 34% e 16%) derivam da divisão de uma curva normal por desvios-padrão e são convenções do modelo, não medições de uma inovação específica. As colunas "Etapa" e "Quem costuma financiar" do Quadro 2 são agrupamentos didáticos do autor; o intervalo do vale da morte não tem delimitação universal — aqui é representado nos TRL 4 a 6 e varia conforme a fonte, o programa de financiamento e o setor. As descrições dos níveis de TRL no Quadro 2 reproduzem os títulos dos níveis da Tabela 1 da ABNT NBR ISO 16290:2015 (norma paga, cujas colunas de marcos e trabalho realizado não são reproduzidas), cotejados com Mankins (1995) e com a tradução usada pela EMBRAPII; a norma é específica para sistemas espaciais, e os TRL 8 e 9 foram redigidos aqui em termos genéricos ("uso", "operação"), com a formulação original ("voo", "missão") indicada entre parênteses. O termo "prontidão tecnológica" é a tradução corrente de readiness; a ABNT adota "maturidade da tecnologia". As ilustrações setoriais que seguem o Quadro 4 (esforço concentrado nos TRL iniciais, compra de startups) são leituras do autor a partir da taxonomia, não achados de Pavitt (1984). O quinto padrão de Pavitt ("intensivo em informação") não consta do artigo de 1984 e é apresentado conforme Tidd e Bessant (2015). A posição dos agentes de IA nos exemplos de TRL e de Rogers é um exercício ilustrativo do autor, não uma avaliação da Gartner. Traduções dos nomes das fases do Hype Cycle e das citações em inglês são do autor.
Referências
- ABERNATHY, W. J.; UTTERBACK, J. M. Patterns of industrial innovation. Technology Review, Cambridge, MA, v. 80, n. 7, p. 40-47, jun./jul. 1978.
- AFINAL, o que é inovação? Brasil Acadêmico, [S. l.], 5 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/afinal-o-que-e-inovacao.html. Acesso em: 1 set. 2026.
- ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR ISO 16290: sistemas espaciais — definição dos níveis de maturidade da tecnologia (TRL) e de seus critérios de avaliação. Rio de Janeiro: ABNT, 2015.
- BASS, F. M. A new product growth for model consumer durables. Management Science, Providence, v. 15, n. 5, p. 215-227, jan. 1969. DOI: 10.1287/mnsc.15.5.215. Disponível em: https://doi.org/10.1287/mnsc.15.5.215. Acesso em: 1 set. 2026.
- BOWER, J. L.; CHRISTENSEN, C. M. Disruptive technologies: catching the wave. Harvard Business Review, Boston, v. 73, n. 1, p. 43-53, jan./fev. 1995. Disponível em: https://hbr.org/1995/01/disruptive-technologies-catching-the-wave. Acesso em: 1 set. 2026.
- BRASIL. Ministério da Educação. Conselho Nacional de Educação. Câmara de Educação Superior. Resolução nº 2, de 24 de abril de 2019. Institui as Diretrizes Curriculares Nacionais do Curso de Graduação em Engenharia. Diário Oficial da União: seção 1, Brasília, DF, 26 abr. 2019. Disponível em: https://www.gov.br/mec/pt-br/cne/pdf/normas-classificadas-por-assunto/diretrizes-curriculares-cursos-de-graduacao/rces002_19.pdf. Acesso em: 1 set. 2026.
- CHRISTENSEN, C. M. O dilema da inovação: quando as novas tecnologias levam empresas ao fracasso. São Paulo: M.Books, 2012.
- CHRISTENSEN, C. M.; RAYNOR, M. E. The innovator's solution: creating and sustaining successful growth. Boston: Harvard Business School Press, 2003.
- DEDEHAYIR, O.; STEINERT, M. The hype cycle model: a review and future directions. Technological Forecasting and Social Change, Amsterdam, v. 108, p. 28-41, jul. 2016. DOI: 10.1016/j.techfore.2016.04.005. Disponível em: https://doi.org/10.1016/j.techfore.2016.04.005. Acesso em: 1 set. 2026.
- DOSI, G. Technological paradigms and technological trajectories: a suggested interpretation of the determinants and directions of technical change. Research Policy, Amsterdam, v. 11, n. 3, p. 147-162, jun. 1982. DOI: 10.1016/0048-7333(82)90016-6. Disponível em: https://doi.org/10.1016/0048-7333(82)90016-6. Acesso em: 1 set. 2026.
- EMBRAPII IFSP. TRL – Escala de Maturidade Tecnológica. São Paulo: Unidade EMBRAPII do Instituto Federal de São Paulo, [s. d.]. Disponível em: https://embrapii.ifsp.edu.br/?page_id=3044. Acesso em: 1 set. 2026.
- ETZKOWITZ, H.; LEYDESDORFF, L. The dynamics of innovation: from National Systems and "Mode 2" to a Triple Helix of university-industry-government relations. Research Policy, Amsterdam, v. 29, n. 2, p. 109-123, fev. 2000. DOI: 10.1016/S0048-7333(99)00055-4. Disponível em: https://doi.org/10.1016/S0048-7333(99)00055-4. Acesso em: 1 set. 2026.
- FENN, J.; RASKINO, M. Mastering the hype cycle: how to choose the right innovation at the right time. Boston: Harvard Business Press, 2008.
- FOSTER, R. N. Innovation: the attacker's advantage. New York: Summit Books, 1986.
- FREEMAN, C. Technology policy and economic performance: lessons from Japan. London: Pinter, 1987.
- GARTNER. Gartner Hype Cycle research methodology. Stamford: Gartner, [s. d.]. Disponível em: https://www.gartner.com/en/research/methodologies/gartner-hype-cycle. Acesso em: 1 set. 2026.
- GARTNER. Gartner Hype Cycle identifies top AI innovations in 2025. Business Wire, Stamford, 8 ago. 2025a. Disponível em: https://www.businesswire.com/news/home/20250808070139/en/Gartner-Hype-Cycle-Identifies-Top-AI-Innovations-in-2025. Acesso em: 1 set. 2026.
- GARTNER. Gartner unveils top emerging technologies to support autonomous business. Gartner Newsroom, Stamford, 10 set. 2025b. Disponível em: https://www.gartner.com/en/newsroom/press-releases/2025-09-10-gartner-unveils-top-emerging-technologies-to-support-autonomous-business. Acesso em: 1 set. 2026.
- GUEST, D. The hunt is on for the Renaissance Man of computing. The Independent, London, 17 set. 1991.
- HANSEN, M. T. IDEO CEO Tim Brown: T-shaped stars: the backbone of IDEO's collaborative culture. Chief Executive, [S. l.], 21 jan. 2010. Disponível em: https://chiefexecutive.net/ideo-ceo-tim-brown-t-shaped-stars-the-backbone-of-ideoaes-collaborative-culture__trashed/. Acesso em: 1 set. 2026.
- INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 16290: space systems — definition of the Technology Readiness Levels (TRLs) and their criteria of assessment. Geneva: ISO, 2013. Disponível em: https://www.iso.org/standard/56064.html. Acesso em: 2 set. 2026.
- JOHNSTON, D. L. Scientists become managers: the "T"-shaped man. IEEE Engineering Management Review, New York, v. 6, n. 3, p. 67-68, set. 1978. DOI: 10.1109/EMR.1978.4306682. Disponível em: https://doi.org/10.1109/EMR.1978.4306682. Acesso em: 2 set. 2026.
- LUNDVALL, B.-Å. (ed.). National systems of innovation: towards a theory of innovation and interactive learning. London: Pinter, 1992.
- MANKINS, J. C. Technology readiness levels: a white paper. Washington, DC: NASA, Office of Space Access and Technology, 1995. Disponível em: https://procon.bg/article/technology-readiness-levels-white-paper. Acesso em: 1 set. 2026.
- MOORE, G. A. Crossing the chasm: marketing and selling technology products to mainstream customers. New York: HarperBusiness, 1991.
- OLECHOWSKI, A.; EPPINGER, S. D.; JOGLEKAR, N. Technology readiness levels at 40: a study of state-of-the-art use, challenges, and opportunities. In: PORTLAND INTERNATIONAL CONFERENCE ON MANAGEMENT OF ENGINEERING AND TECHNOLOGY (PICMET), 2015, Portland. Proceedings [...]. Portland: IEEE, 2015. p. 2084-2094. Disponível em: https://dspace.mit.edu/bitstreams/ab4a40ad-fdf2-4849-89a2-9b77a6614965/download. Acesso em: 1 set. 2026.
- O'TOOLE, G. People tend to overestimate what can be done in one year and to underestimate what can be done in five or ten years. Quote Investigator, [S. l.], 3 jan. 2019. Disponível em: https://quoteinvestigator.com/2019/01/03/estimate/. Acesso em: 1 set. 2026.
- PAVITT, K. Sectoral patterns of technical change: towards a taxonomy and a theory. Research Policy, Amsterdam, v. 13, n. 6, p. 343-373, dez. 1984. DOI: 10.1016/0048-7333(84)90018-0. Disponível em: https://doi.org/10.1016/0048-7333(84)90018-0. Acesso em: 1 set. 2026.
- ROGERS, E. M. Diffusion of innovations. 5. ed. New York: Free Press, 2003.
- TIDD, J.; BESSANT, J. Gestão da inovação. 5. ed. Porto Alegre: Bookman, 2015.
Comentários