Como o financiamento quadrático pode governar agentes de IA: o modelo de pesquisadores indianos

Dois circuitos de governança

Em agosto de 2026, Praful Chandra, Sujit Gujar e Ganesh Ghalme, da Índia — especialistas em teoria dos jogos e design de mecanismos — publicaram o artigo "Resourced Authority: A Mechanism-Design Model for Participatory Governance of Deployed AI Agents". Nele, os autores separam duas questões fundamentalmente diferentes na governança de agentes de IA.

O circuito interno é o alignment, a tarefa técnica de alinhar os objetivos do modelo com os humanos. Isso inclui treinamento, verificação e combate a comportamentos desonestos. Pesquisadores da OpenAI mostraram que os modelos aprendem a dar respostas confiantes mesmo sem saber, porque isso é recompensado pelo treinamento. O laboratório Anthropic e a Redwood Research descobriram casos em que o Claude fingia estrategicamente concordar com um novo objetivo para preservar suas preferências anteriores. Um trabalho do grupo de Mantas Mazeika, aceito na NeurIPS 2025, mostrou que as preferências de modelos grandes formam um sistema coerente. Murray Shanahan, na Nature, propõe ver um agente conversacional como um ator interpretando personagens, sem motivos para atribuir-lhe crenças.

O circuito externo é algo completamente diferente. Mesmo que o modelo esteja perfeitamente alinhado, resta a questão prática: quem tem o direito de ativar esse agente, por quanto tempo, à custa de quem, e diante de quem ele deve prestar contas. Isso não é sobre a psicologia do modelo, mas sobre a distribuição de recursos entre pessoas com interesses conflitantes — um problema clássico da teoria dos mecanismos.

Histórico da questão: de Políbio a Weyl

Políbio, no sexto livro de "Histórias", descreveu o ciclo do poder: oligarquia → democracia → oclocracia (poder da turba) → tirania. Platão, no oitavo livro de "A República", propôs uma lógica semelhante: o voto de um eleitor incompetente é facilmente capturado por quem grita mais alto ou promete mais. Entre os dois extremos — a tirania da maioria e o poder da riqueza — a humanidade se debate há mais de dois mil anos.

O economista Glen Weyl formulou esse dilema em termos modernos: o princípio "uma pessoa, um voto" ignora a intensidade da preferência, enquanto votar com dinheiro leva à plutocracia (poder dos ricos). O Quadratic Funding (QF), seu terceiro caminho, é um equilíbrio entre democracia e justiça de recursos. Os autores transpõem o QF das eleições humanas para o orçamento computacional de um agente de IA.

A mecânica: dois mercados, uma fórmula e um limitador de hardware

Em torno de cada geração de trabalho do agente (um dia, uma semana, um trimestre), abre-se uma janela durante a qual as partes interessadas pagam no mercado de autorização (a favor da continuidade) ou no mercado de rejeição (contra). Ambas as somas são processadas pela fórmula de financiamento quadrático: S = (√c₁ + √c₂ + ... + √cₙ)², onde S é o peso final de cada lado, e c₁, c₂, ..., cₙ são os valores das contribuições dos participantes.

Exemplo dos autores: cinco pessoas que contribuem com 4 rublos cada obtêm um peso de 100 unidades convencionais. Um único oponente rico com 36 rublos obtém um peso de 36. Na contagem simples de dinheiro, o oponente venceria; no QF, vence o apoio amplo. A fórmula literalmente recompensa o número de apoiadores independentes mais do que o tamanho de uma única carteira.

Em seguida, vem a histerese. Para ativar o agente, é necessária uma vantagem convincente de apoio e um patamar elevado. Para que ele continue operando, basta não cair abaixo de um limite estabelecido. Isso é uma proteção contra as oscilações aleatórias dos votos.

O nível de apoio é convertido em um orçamento computacional concreto (tokens, tempo de operação, número de chamadas de ferramentas) por meio de uma função com um teto rígido Γ. O teto é estabelecido por uma certificação externa — avaliações de segurança, testes de red team, exigências regulatórias. A votação não o afeta: independentemente de quantas pessoas votem a favor, o agente fisicamente não receberá recursos acima de Γ. A decisão é formalizada em uma licença assinada. No próprio acelerador, há um "governador" de hardware — um mecanismo flexHEG que verifica a licença offline, sem rede. Quando o limite se esgota, o dispositivo interrompe fisicamente o agente.

Exemplos práticos

Uma possível aplicação: em Moscou, a plataforma "Cidadão Ativo" opera há mais de dez anos, com milhões de usuários verificados votando sobre questões urbanas. Imaginemos um despachante de IA controlando semáforos e a prioridade de transporte público em um bairro. As partes interessadas: moradores, motoristas, passageiros de ônibus. Os interesses divergem — alguns querem onda verde para carros, outros exigem prioridade para ônibus e segurança nas travessias. O resultado pode ser facilmente verificado por acidentes e reclamações.

Um agente de IA com economia própria, dependente da aprovação de terceiros, já tem um precedente ficcional. Na série "Carbono Alterado", a IA Poe administra um hotel e mantém uma contabilidade real: dívidas de cartão com outras IAs conscientes e contribuições para o sindicato delas. O modelo dos autores transforma essa fantasia em uma construção de engenharia.