Propostas Geradas por IA Estão Enfraquecendo os Sinais Tradicionais nas Aquisições Federais

O Google News trouxe à tona um alerta contundente sobre aquisições impulsionadas por IA: uma linguagem melhor nas propostas pode agora tornar mais difícil identificar a capacidade real de entrega. O comentário da Federal News Network enquadra esse conflito como o “paradoxo da proposta perfeita” e o relaciona à “lei de Garcia”. Os rótulos são provocativos, mas o problema subjacente é prático. Contratadas podem produzir respostas refinadas e em conformidade mais rapidamente, enquanto as agências ainda precisam determinar quem é capaz de executar o trabalho.

Isso muda a natureza de uma competição federal. A qualidade da proposta antes refletia várias capacidades escassas, incluindo conhecimento institucional, planejamento disciplinado, julgamento técnico e a capacidade de coordenar especialistas sob pressão. A IA generativa agora consegue imitar muitos sinais externos dessas capacidades. Ela pode organizar requisitos, padronizar terminologia, reescrever trechos fracos e identificar seções ausentes em minutos.

O resultado não é apenas um aumento na redação automatizada. É um colapso no valor do refinamento como sinal. Quando todos os licitantes podem produzir textos claros e formatação perfeita, os avaliadores precisam buscar evidências de compreensão em outros lugares. A principal disputa está se tornando a apresentação assistida por IA versus o desempenho demonstrado de forma independente.

O Google News é apenas o canal de descoberta neste caso, não a fonte do argumento. A história importante diz respeito aos compradores federais, contratadas, avaliadores e às missões públicas afetadas por suas decisões. O governo precisa obter a velocidade da IA sem permitir que textos persuasivos se tornem substitutos para evidências, responsabilização ou julgamento humano.

O Que a História do Google News Realmente Muda

A proposta perfeita está se tornando mais fácil de produzir, portanto a perfeição da proposta transmite menos informação do que antes.

A IA generativa já se encaixa naturalmente no trabalho de elaboração de propostas. Um modelo pode resumir uma solicitação, extrair requisitos, redigir matrizes de conformidade, sugerir temas e comparar seções com os critérios de avaliação. Sistemas de recuperação também podem fundamentar os resultados nos registros aprovados de projetos, currículos e descrições de desempenho anterior de uma contratada.

Essas funções reduzem o trabalho repetitivo. Elas ajudam as equipes a encontrar omissões antes do envio e fornecem aos especialistas no assunto um rascunho mais limpo para revisão. Contratadas menores também podem usá-las para competir com organizações que mantêm grandes departamentos de propostas.

A tensão começa quando a assistência se transforma em substituição. Um sistema pode produzir uma narrativa técnica crível sem saber se a equipe proposta, o cronograma, a arquitetura ou os controles de gestão funcionarão. Ele prevê uma linguagem convincente com base no contexto disponível. Não assume responsabilidade contratual pelas alegações que gera.

Essa distinção importa porque a seleção federal de fontes não é um concurso de redação. Sob FAR 15.305, a avaliação de propostas examina tanto a submissão quanto a capacidade do ofertante de executar com sucesso o contrato prospectivo. Uma resposta bem escrita só tem valor quando representa com precisão recursos, decisões, dependências e riscos.

O paradoxo surge quando a otimização enfraquece essa conexão. Quanto mais a IA aproxima cada resposta de uma forma retórica ideal, menos os avaliadores podem inferir a partir da própria forma. Uma organização sólida deixa de provar que uma equipe organizou o trabalho. Uma linguagem detalhada sobre riscos deixa de provar que alguém identificou os riscos reais do projeto.

Pesquisas apresentadas por meio do simpósio de aquisições da Naval Postgraduate School descrevem um cenário relacionado. A indústria pode usar IA para redigir propostas, enquanto sistemas governamentais usam IA para avaliá-las. O resultante problema de agência humana envolve responsabilização, equidade, julgamento ético e conhecimento institucional.

É nesse ponto que o segundo rótulo do comentário se torna útil. A “lei de Garcia” não deve ser confundida com uma lei, regulamentação ou doutrina vinculante de compras públicas. Ela funciona como um princípio editorial dentro do argumento reportado. À medida que o custo de gerar conteúdo plausível para propostas se aproxima de zero, o custo de verificar esse conteúdo aumenta.

Esse ônus de verificação não desaparece porque uma resposta é gramaticalmente correta. Ele se transfere para avaliadores, agentes de contratação, equipes técnicas, revisores de segurança e, por fim, gestores de programa. Eles precisam testar se a experiência citada é relevante, se o pessoal proposto está disponível, se as premissas são realistas e se os compromissos são rastreáveis.

A história, portanto, marca uma mudança no valor probatório. A redação continua necessária, mas uma redação refinada está se tornando um indicador mais fraco de competência operacional. Agências que continuarem a pontuá-la como um indicador forte correm o risco de premiar o licitante com o melhor fluxo de geração.

Redação Mais Rápida Cria um Problema de Verificação Mais Lento

A IA economiza tempo antes da submissão, mas resultados não verificados podem transferir mais trabalho e risco para o governo depois da submissão.

O argumento mais forte a favor da IA nas aquisições é a velocidade. As compras federais incluem pesquisa de mercado, desenvolvimento de requisitos, elaboração de solicitações, gestão de perguntas, análise de propostas, documentação e administração de contratos. Muitas dessas atividades envolvem localizar e reconciliar texto em grandes conjuntos de documentos.

Pesquisas do Government Accountability Office confirmam que as agências já estão adquirindo IA por meio de diferentes abordagens contratuais. Sua revisão de abril de 2026 constatou que o uso federal de IA reportado mais do que dobrou de 2023 para 2024. A revisão de aquisições também identificou dificuldades para obter especialistas técnicos que avaliem propostas e para compreender custos relacionados à IA. Separadamente, o memorando M-25-22 sobre aquisições federais de IA, do Office of Management and Budget, orienta as agências a adquirir IA eficaz e confiável, ao mesmo tempo que aborda concorrência, portabilidade de dados, dependência de fornecedores e monitoramento de desempenho.

Essas conclusões expõem o descompasso de capacidade por trás do paradoxo. A IA permite que os licitantes criem submissões mais completas e sofisticadas. No entanto, uma agência pode não dispor de cientistas de dados, especialistas em aquisições ou especialistas da missão em número suficiente para validar de modo eficiente cada afirmação técnica.

Respostas mais longas podem intensificar o problema. Um modelo pode produzir extensos detalhes de implementação para cada requisito, mesmo quando o licitante tem pouca experiência direta. Os avaliadores então enfrentam centenas de alegações que parecem específicas, mas podem se apoiar em padrões genéricos, registros desatualizados ou premissas sem respaldo.

Alucinação é apenas um risco. Uma proposta não precisa conter uma falsidade espetacular para induzir um avaliador ao erro. Distorções menores podem se acumular por meio de desempenho anterior embelezado, compromissos de equipe incompatíveis, planos de transição otimistas ou controles de segurança copiados de outro ambiente.

A geração aumentada por recuperação reduz alguns erros ao fornecer a um modelo material-fonte aprovado. Ela não elimina a necessidade de revisão. Um documento recuperado pode estar desatualizado, ser irrelevante para a solicitação ou ter sido despojado de ressalvas que alteram seu significado.

O perigo aumenta quando a saída da IA se torna recursiva. Um modelo redige uma abordagem técnica a partir de uma biblioteca interna. Outro avalia essa abordagem em relação à solicitação. Um terceiro redige as conclusões do avaliador. Se os três sistemas compartilham padrões linguísticos ou famílias de modelos semelhantes, a aparente concordância pode refletir comportamento correlacionado, e não confirmação independente.

O viés de automação acrescenta outra camada. As pessoas tendem a confiar em uma saída estruturada quando ela chega com confiança, detalhes e pontuação numérica. Um revisor ocupado pode examinar a conclusão do modelo em vez de reconstruir as evidências que a sustentam.

A American Bar Association explorou como esses riscos podem alcançar a integridade das compras públicas. Sua análise sobre risco de compras automatizadas discute envenenamento de dados, evasão, injeção de prompt e viés de automação. Um cenário envolve texto oculto instruindo um sistema de avaliação a classificar favoravelmente uma proposta.

Esse exemplo mostra por que a revisão convencional de documentos é insuficiente. Uma proposta pode conter conteúdo invisível para uma pessoa, mas legível por uma máquina. Por outro lado, um extrator automatizado pode omitir gráficos, ressalvas ou formatação que um avaliador humano consideraria importantes.

Por isso, as agências precisam de controles em ambas as fronteiras. Documentos recebidos exigem higienização e inspeção antes do processamento automatizado. As saídas dos modelos exigem citações, registros, critérios de avaliação reproduzíveis e responsáveis humanos identificados.

O governo também precisa distinguir assistência administrativa de julgamento substantivo. A IA pode ajudar a localizar um requisito ou identificar terminologia inconsistente. Decidir se uma abordagem cria um risco inaceitável para a missão é uma função diferente. Essa decisão deve permanecer atribuível a uma autoridade autorizada.

Nada disso elimina a economia de tempo. Isso muda onde os líderes devem medi-la. Horas removidas da redação não representam um benefício líquido se produzirem filas de revisão maiores, registros mais fracos ou disputas de desempenho posteriormente.

Propostas Assistidas por IA Colocam os Avaliadores Sob Pressão

Os avaliadores federais precisam substituir sinais estilísticos por evidências difíceis de gerar e fáceis de verificar.

A pressão imediata recai sobre as equipes de aquisição. Elas dispõem de períodos de avaliação limitados, acesso desigual a especialistas técnicos e o dever de tratar os concorrentes de forma justa. Também precisam de um registro claro que explique por que o governo selecionou um ofertante em vez de outro.

Esse registro importa além da adjudicação inicial. Ele sustenta reuniões de esclarecimento, revisões internas, auditorias e litígios de contestação de licitações. Se uma agência usar um modelo opaco para chegar a uma conclusão material, reconstruir a decisão se torna difícil.

As compras federais já oferecem uma estrutura de responsabilização humana. Comissões de avaliação analisam propostas, agentes de contratação gerenciam a aquisição e autoridades de seleção de fontes tomam decisões documentadas. A IA não se encaixa automaticamente nesses papéis porque um modelo não pode deter autoridade delegada nem explicar seu raciocínio como uma autoridade responsável.

Uma linha divisória útil é verificar se uma ferramenta altera o conteúdo de uma avaliação. Busca, indexação, formatação e rastreamento de requisitos podem apoiar revisores. Atribuir pontos fortes, pontos fracos, riscos ou valor comparativo afeta a decisão de adjudicação e, portanto, exige controle mais rigoroso.

A mesma distinção se aplica às contratadas. Usar IA para formatar um plano de pessoal aprovado é diferente de pedir que ela invente um. Resumir desempenho anterior verificado é diferente de gerar um histórico de projetos idealizado. Líderes de propostas precisam de etapas de aprovação que reflitam essas diferenças.

As agências também podem reformular o que pedem aos licitantes que enviem. Seções narrativas longas são altamente compatíveis com a geração de texto. Amostras de trabalho, desafios técnicos, dados estruturados, apresentações orais e respostas a cenários podem revelar mais sobre as pessoas que se espera que executem o trabalho.

Demonstrações ao vivo não são imunes a treinamento ou automação. Elas, porém, permitem que os avaliadores testem premissas e façam perguntas de acompanhamento. Uma equipe que entende seu projeto deve explicar concessões, modos de falha, dependências e alternativas sem depender de uma resposta previamente redigida.

O desempenho anterior também se torna mais valioso quando é verificado cuidadosamente. Em vez de aceitar alegações amplas, os avaliadores podem examinar se o trabalho citado envolveu uma missão, ambiente operacional, perímetro de segurança e nível de complexidade comparáveis. As referências devem confirmar o papel efetivo do contratado.

As evidências de equipe exigem escrutínio semelhante. A IA pode criar uma narrativa de gestão impressionante em torno de currículos que não a sustentam. As agências podem testar disponibilidade, alinhamento às categorias de trabalho, compromissos de pessoal-chave e a relação entre o pessoal proposto e a abordagem técnica.

O realismo de custos continua essencial. Um plano gerado de forma impecável pode prometer cronogramas agressivos, testes extensivos e supervisão contínua sem incluir a mão de obra necessária para entregá-los. Comparar os compromissos narrativos com a equipe e os preços pode revelar contradições.

A pressão também se estende às agências menores. Grandes departamentos podem criar ambientes seguros de avaliação e reunir equipes multidisciplinares de revisão. Compradores menores podem depender de ferramentas comerciais sem suporte jurídico, técnico e de segurança equivalente.

Serviços compartilhados de aquisição podem ajudar, mas a padronização introduz outra preocupação. Se muitas agências usarem o mesmo modelo de pontuação, os contratados aprenderão suas preferências. A otimização das propostas poderá então visar o avaliador, e não a missão.

Esta é a versão das aquisições da otimização para mecanismos de busca. O Google News classifica e organiza informações para descoberta, enquanto os editores se adaptam aos seus sinais. Um avaliador automatizado cria um ciclo de retroalimentação de maior risco. Os contratados adaptarão redação, estrutura e evidências ao que o sistema recompensar.

A solução não é apenas o sigilo. Um processo de pontuação oculto pode comprometer a equidade e tornar os erros mais difíceis de contestar. As agências precisam de critérios transparentes, ao mesmo tempo que protegem as instruções do sistema e monitoram manipulações.

Um bom projeto de avaliação torna a exploração do sistema menos vantajosa. Ele recompensa fatos corroborados, compromissos mensuráveis, experiência relevante e concessões coerentes. Também utiliza múltiplas formas de evidência, em vez de permitir que uma única pontuação narrativa determine o resultado.

A Verdadeira Disputa É Persuasão Versus Prova

A IA pode melhorar a persuasão em ambos os lados de uma competição, mas não pode substituir a evidência de que um contratado consegue executar.

Esta é a inversão central do artigo. A IA generativa parece tornar a qualidade da proposta mais importante, porque cada submissão pode ficar mais clara e responsiva. Na prática, ela torna o refinamento convencional das propostas menos decisivo.

Os sinais antigos não desaparecem de uma vez. Uma proposta confusa ainda pode indicar má coordenação, e uma resposta incompleta ainda pode deixar de atender aos requisitos da solicitação. O patamar para uma apresentação aceitável simplesmente sobe, enquanto a diferenciação se desloca para outro lugar.

A prova começa com rastreabilidade. Toda alegação significativa deve estar ligada a uma fonte aprovada, responsável identificado, compromisso mensurável ou premissa documentada. Os contratados precisam saber quais afirmações vieram de um modelo e quem as validou antes da submissão.

Um registro interno prático pode associar cada alegação ao requisito da solicitação, documento-fonte, revisor especialista e aprovação final. Isso se assemelha a uma base de conhecimento pesquisável, mas seu objetivo é a disciplina contratual, e não a conveniência.

A rastreabilidade também ajuda após a adjudicação. As equipes de programa podem ver quais compromissos da proposta se tornaram obrigações contratuais e quais premissas exigem confirmação. Sem essa continuidade, a proposta permanece um artefato persuasivo desconectado da entrega.

As agências devem solicitar evidências em formatos reutilizáveis. Dados estruturados de equipe, definições de marcos, critérios de teste, responsabilidades de segurança e listas de dependências são mais fáceis de comparar do que textos sem restrições. A narrativa continua útil para explicar julgamentos, mas não deve obscurecer os compromissos subjacentes.

Demonstrações técnicas fornecem outra camada de prova. Um proponente pode mostrar como sua arquitetura proposta responde a uma falha, protege dados governamentais ou oferece suporte à portabilidade. Os avaliadores podem então comparar o comportamento observado com as alegações escritas.

Para sistemas de IA, os testes devem incluir dados imperfeitos, entradas adversariais, deriva e restrições operacionais. Um modelo que apresenta bom desempenho em uma demonstração cuidadosamente selecionada pode falhar quando usuários introduzem solicitações ambíguas ou informações sensíveis.

A regra proposta pela GSA para sistemas de modelos de linguagem de grande porte ilustra o foco crescente em salvaguardas operacionais. A cláusula preliminar sobre LLM de junho de 2026 aborda dados governamentais, propriedade intelectual, privacidade, portabilidade, notificação de mudanças, avaliação e correção.

O rascunho também mostra por que controles rígidos podem criar seus próprios problemas. Requisitos que divergem fortemente das práticas comerciais podem desestimular fornecedores ou se tornar difíceis de repassar por provedores de modelos e subcontratados. As agências precisam proteger os interesses do governo sem especificar obrigações que nenhum fornecedor confiável possa aceitar.

Isso é uma concessão, mas deve permanecer como contexto de apoio. O conflito principal ainda é persuasão versus prova. Salvaguardas de divulgação e de dados importam porque determinam se as agências podem confiar nos sistemas envolvidos e verificá-los.

A revisão independente é outro mecanismo de prova. Uma pessoa que não redigiu a resposta deve testar as principais alegações contra os registros-fonte. Seções de alto risco, incluindo segurança, equipe, custos, transição e desempenho anterior, merecem revisão mais rigorosa do que a formatação de baixo risco.

A IA pode apoiar essa função de contestação, mas não deve avaliar seu próprio trabalho. Um corpus de recuperação, modelo, prompt ou equipe de revisão separados podem reduzir erros correlacionados. Especialistas humanos devem resolver conflitos materiais.

Os contratados também precisam de regras claras sobre informações confidenciais e controladas. Carregar dados da solicitação, preços, currículos ou projetos técnicos em um serviço não aprovado pode gerar exposição de privacidade, segurança e propriedade intelectual.

Os avaliadores das agências enfrentam um dever equivalente. As informações das propostas são sensíveis, e inseri-las em um modelo público pode comprometer a integridade da aquisição. Ambientes aprovados devem definir retenção, uso para treinamento, controle de acesso, registro e resposta a incidentes.

A organização vencedora não será necessariamente aquela que evita a IA. Será aquela que usa automação enquanto preserva uma cadeia confiável entre a evidência de origem e o compromisso final.

O Que a Lei de Garcia Ainda Não Pode Nos Dizer

O alerta é crível, mas nem o paradoxo da proposta perfeita nem a lei de Garcia foram estabelecidos como uma regra formal de aquisições.

A terminologia exige cautela. O item subjacente do Google News aponta para comentários da Federal News Network, e não para um regulamento, decisão judicial ou política válida para todo o governo. Os leitores devem tratar seus conceitos nomeados como abreviações analíticas.

Não há evidência pública de que toda proposta assistida por IA seja pouco confiável. Muitos contratados já usam fluxos de trabalho controlados que limitam os modelos a conteúdo aprovado e exigem revisão especializada. A IA pode melhorar a precisão ao identificar omissões, números inconsistentes ou afirmações sem suporte.

Também não há base para supor que propostas escritas por humanos sejam inerentemente confiáveis. Equipes tradicionais de propostas podem exagerar capacidades, reutilizar conteúdo irrelevante ou fazer promessas que as equipes de entrega não conseguem cumprir. O problema de integridade antecede a IA generativa.

A IA altera escala, velocidade e detectabilidade. Ela permite que equipes criem material mais plausível com menos esforço. Também pode dificultar a reconstrução da origem de uma afirmação, a menos que a organização mantenha registros e citações.

Mandatos de divulgação não são uma solução automática. Uma simples caixa de seleção perguntando se a IA foi usada revela pouco, porque o termo abrange verificação ortográfica, recuperação, redação, pontuação e geração autônoma. Uma divulgação excessivamente ampla também pode punir usos benignos sem expor práticas arriscadas.

Uma abordagem melhor concentra-se na materialidade. As agências devem se importar se a IA influenciou alegações sobre custo, desempenho, segurança, equipe, cronogramas ou capacidade técnica. Também devem perguntar qual validação e aprovação ocorreram.

É improvável que a detecção de modelos ofereça uma fiscalização confiável. Detectores de texto produzem falsos positivos e podem ser derrotados por edição. Os avaliadores devem examinar evidências e consistência, em vez de tentar adivinhar quem digitou cada frase.

O viés continua sendo outra preocupação não resolvida. Dados históricos de aquisições podem refletir preferências passadas, acesso desigual ou pontuação inconsistente. Treinar um sistema de avaliação nesse histórico pode reproduzir esses padrões, apresentando-os como objetivos.

A transparência também tem limites. Publicar todas as instruções do modelo pode ajudar os contratados a manipular o sistema. Manter o processo inteiramente secreto poderia negar aos proponentes uma compreensão significativa de como a agência os julgou. As agências precisam de divulgação suficiente para sustentar a equidade sem expor detalhes exploráveis.

A qualidade dos dados pode ser a restrição mais difícil. Um avaliador não consegue comparar desempenho de forma confiável se os registros anteriores forem incompletos, inconsistentes ou desconectados entre sistemas. Modelos melhores não corrigem, por si só, dados fracos de aquisição.

O apelo do GAO para que as agências coletem e apliquem lições aprendidas é relevante aqui. Compradores federais precisam de registros sobre quais métodos de aquisição de IA funcionaram, o que falhou durante a execução e como as conclusões da avaliação previram os resultados reais.

Isso cria um teste mensurável para o paradoxo. Se propostas cada vez mais refinadas se correlacionarem menos fortemente com o desempenho contratual, as agências deverão reduzir o peso dado à apresentação narrativa. Se evidências estruturadas e demonstrações preverem melhor os resultados, os planos de avaliação devem favorecê-las.

Até que essas evidências se acumulem, as agências devem evitar duas alegações excessivas. Não devem apresentar a avaliação por IA como neutra simplesmente porque usa software. Não devem supor que todo julgamento humano é superior simplesmente porque foi feito por uma pessoa.

A posição defensável é mais restrita. Decisões materiais exigem responsáveis que prestem contas, evidências revisáveis e um processo capaz de detectar erro ou manipulação. A IA pode ajudar nesse processo, mas não satisfaz essas condições automaticamente.

Três Sinais Que Testarão o Paradoxo

A próxima fase será determinada pelo projeto de aquisições, registros de contestações e evidências do desempenho contratual.

O primeiro sinal é uma mudança na estrutura das solicitações. Observe se as agências reduzem exigências de longas narrativas e adicionam desafios técnicos, apresentações orais, compromissos estruturados ou demonstrações. Essa mudança reforçaria o argumento de que a prosa convencional perdeu valor como diferencial.

Os detalhes importarão. Substituir uma redação escrita por uma apresentação roteirizada muda pouco. Um teste significativo pede que o pessoal proposto explique decisões, responda a novos fatos ou demonstre uma capacidade sob restrições realistas.

O segundo sinal é a primeira disputa visível sobre uso material de IA na avaliação de propostas. Uma contestação, auditoria ou revisão por um inspetor-geral poderia revelar se uma agência se baseou em conclusões automatizadas e se seus responsáveis humanos exerceram julgamento independente.

As questões centrais dizem respeito ao registro. A ferramenta gerou uma avaliação ou apenas organizou evidências? Os avaliadores conseguiriam reproduzir sua saída? Examinaram informações contrárias? Quem assumiu a responsabilidade pelo julgamento final?

Um caso bem documentado fortaleceria a confiança em uma assistência de IA com limites claros. Um processo opaco, incapaz de explicar uma avaliação relevante, reforçaria o paradoxo e aumentaria a pressão por controles em todo o governo.

O terceiro sinal são os dados de desempenho. As agências devem comparar as alegações das propostas com a estabilidade do quadro de pessoal, os marcos de entrega, o aumento de custos, os incidentes de segurança e os resultados para os usuários após a adjudicação. Essas evidências podem mostrar quais sinais de avaliação realmente preveem o sucesso.

A medição de desempenho também testará os controles internos dos contratados. Organizações que conectam conteúdo gerado a registros verificados devem enfrentar menos contradições durante a entrega. Aquelas que otimizam apenas para a submissão podem ter dificuldades quando as equipes do programa assumirem compromissos irrealistas.

O Google News continuará destacando debates sobre política de IA, contratos federais e trabalho automatizado. Os leitores devem ir além do rótulo de agregação e perguntar se as agências estão mudando aquilo que recompensam.

A melhor resposta não é nem uma proibição da IA nem a automação sem controle. Os compradores federais devem tratar uma linguagem bem elaborada como ponto de partida, não como ponto final. Devem exigir evidências, testar alegações-chave, proteger dados sensíveis e documentar decisões humanas responsáveis.

Para os contratados, o mesmo princípio se aplica antes da submissão. Construa uma cadeia revisável dos registros de origem às alegações da proposta e, em seguida, preserve-a para a entrega. Equipes que gerenciam grandes coleções de evidências podem usar combinação de conhecimento para organizar o contexto, mas especialistas responsáveis ainda devem aprovar cada promessa relevante.

O que provaria que essa abordagem está funcionando? Observe narrativas mais curtas, demonstrações mais rigorosas, trilhas de auditoria mais claras e melhores conexões entre as conclusões da avaliação e os resultados dos contratos. Se esses sinais surgirem, o paradoxo da proposta perfeita terá imposto uma correção útil. Caso contrário, a IA poderá tornar as propostas federais mais fáceis de produzir, enquanto a aquisição bem-sucedida continuará sendo igualmente difícil de alcançar.