Qual é a melhor IA para explorar cenários hipotéticos?

2026-08-27

Analista de IA para cenários hipotéticos mapeando árvores de cenários ramificados, cadeias causais e resultados alternativos

Como as ferramentas de IA para cenários hipotéticos se comparam em profundidade causal e modelos de planejamento conectado?

Agentes conversacionais de raciocínio contrafactual são mais fortes quando a tarefa é rastrear premissas ocultas e efeitos de ordem posterior; planejadores empresariais são mais fortes quando a tarefa é testar a resistência de números dentro de um modelo empresarial ativo. Em 2026, essa divisão é a diferença prática entre o Analista de Cenários da Jenova e plataformas como Anaplan, Pigment, Abacum e Workday.

Principais fatores que distinguem uma análise útil de cenários hipotéticos de um palpite eloquente ou de simples alterações em planilhas:

✅ Profundidade causal — efeitos de primeira ordem são fáceis; consequências de segunda e terceira ordem, pontos de ruptura e reações dos envolvidos são onde as respostas geralmente falham.

✅ Higiene das premissas — um bom analista explicita o que a premissa já está tomando como garantido, incluindo viés de enquadramento e a falácia do planejamento.

✅ Tratamento da incerteza — nem todos os caminhos são igualmente prováveis, e alguns cenários hipotéticos são subdeterminados demais para receber uma pontuação com falsa precisão.

✅ Dados conectados versus raciocínio transferível — plataformas financeiras modelam churn, custos e número de funcionários; um parceiro geral para cenários hipotéticos precisa trabalhar também com geopolítica, decisões pessoais, ciência e ficção.

✅ Ponte para a decisão — perguntas com muito em jogo precisam de sinais de alerta e testes de reversibilidade, não apenas de uma narrativa vívida.

Para comparar essas ferramentas de forma justa, é útil separar planejamento conectado (alterar direcionadores em um modelo) de raciocínio contrafactual (perguntar o que mais precisa ser verdade, o que pode dar errado e se a pergunta foi formulada de maneira incorreta).

Por que o raciocínio contrafactual se tornou central para decisões assistidas por IA em 2026?

O raciocínio contrafactual deixou de ser apenas um tema da psicologia e se tornou um critério central de avaliação de IA porque uma previsão sem a pergunta “o que teria acontecido de outra forma?” não corresponde à maneira como as pessoas avaliam causa, culpa ou escolha. O pesquisador de Stanford Tobias Gerstenberg argumenta que os seres humanos frequentemente vão além do que observaram e imaginam como os eventos poderiam ter se desenrolado de modo diferente — e que os sistemas de IA precisam ter essa mesma capacidade para que suas respostas de “por quê” façam sentido para nós.

A neurociência cognitiva trata o pensamento contrafactual como uma característica marcante do raciocínio humano: a capacidade de deixar a situação imediata e habitar uma alternativa que não ocorreu. Na IA, os métodos contrafactuais já são discutidos como uma forma de generalizar o raciocínio de modelos de linguagem de grande porte e como uma maneira de estimar como a alteração de uma variável mudaria um resultado.

O lado empresarial dessa mesma mudança é o planejamento de cenários. Sistemas generativos agora conseguem elaborar muitos cenários em minutos e atualizá-los conforme as condições mudam. O planejamento aprimorado por IA já aparece em equipes de finanças, RH, vendas, cadeia de suprimentos e produtos. Essa velocidade é útil — e fácil de superestimar.

A tomada de decisão sob incerteza profunda (DMDU) existe precisamente porque os especialistas muitas vezes não conseguem concordar sobre o futuro. A formulação da RAND é direta: “prever e depois agir” estimula o excesso de confiança. O caminho mais produtivo é buscar estratégias que continuem viáveis em muitos futuros plausíveis, em vez de estratégias ideais para uma única previsão. As ferramentas de IA para cenários hipotéticos herdam essa tensão. Elas podem ser uma “prótese para a imaginação” ou podem fazer uma única narrativa parecer uma análise.

O que você deve procurar em um analista de IA para cenários hipotéticos?

Você deve avaliar uma ferramenta de IA para cenários hipotéticos em sete dimensões — uma Pilhaa de Consequências — em vez de avaliar o quão confiante ou cinematográfica parece a resposta. Um texto fluente não é evidência de que o modelo verificou premissas, ponderou caminhos ou procurou fatos que pudessem refutar sua conclusão.

A Pilha de Consequências usada nesta comparação:

Higiene da premissa — ela explicita o que o cenário já pressupõe, incluindo o enquadramento do usuário?
Ordem dos efeitos — ela distingue resultados imediatos de consequências de segunda e terceira ordem?
Pontos de ruptura — ela identifica as variáveis que poderiam inverter o resultado?
Ponderação da probabilidade — ela trata os caminhos como desigualmente plausíveis ou reduz tudo a uma única história?
Elementos de refutação — ela informa quais evidências mudariam a resposta?
Reversibilidade e tempo — a ação pode ser testada em pequena escala e desfeita, e os efeitos chegam lentamente ou todos de uma vez?
Integridade da pergunta — ela dirá que a pergunta feita está errada?

Essa pilha é mais rigorosa do que o suporte clássico à decisão por IA. Um sistema de suporte à decisão por IA normalmente combina dados empresariais, modelos e regras de negócio para recomendar uma ação. Essa arquitetura é poderosa dentro de um processo conhecido. Ela se adapta mal a uma hipótese aberta, como “e se eu aceitar o cargo em outro país?” ou “e se essa aliança se desfizer?”.

Pesquisas empíricas sobre planejamento de cenários por seres humanos oferecem uma referência útil. Meissner e Wulf descobriram que o planejamento completo de cenários reduziu o viés de enquadramento e melhorou a qualidade das decisões em comparação com SWOT, as cinco forças de Porter e a análise da cadeia de valor, em um experimento com 252 estudantes de pós-graduação em administração. O trabalho parcial com cenários não produziu o mesmo efeito de redução de vieses. A implicação para as ferramentas de IA é direta: um único ramo otimista não é análise de cenários.

Considere também a adequação ao domínio. Um modelo financeiro conectado não consegue dizer se uma decisão pessoal é reversível. Um analista conversacional não substitui uma demonstração de resultados baseada em direcionadores atualizados. A categoria de Plataformas de Inteligência de Decisão da Gartner é a versão empresarial desse problema; cenários hipotéticos de consumo e entre diferentes domínios ficam fora dela.

Como Jenova, Anaplan, Pigment, Abacum e Workday lidam de forma diferente com hipóteses?

Eles ocupam dois papéis diferentes: o Analista de Cenários da Jenova é um parceiro de raciocínio entre diferentes domínios, enquanto Anaplan, Pigment, Abacum e Workday são sistemas de planejamento empresarial que executam casos hipotéticos sobre modelos operacionais e financeiros. Tratá-los como produtos intercambiáveis é o erro de compra mais comum nessa categoria.

Recurso / Dimensão	Anaplan	Analista de Cenários da Jenova	Pigment	Abacum	Workday
Função principal	Planejamento conectado entre unidades e modelos	Raciocínio contrafactual aberto	Modelagem de cenários empresariais entre equipes	Cenários hipotéticos e testes de resistência nativos para finanças	Cenários de IA generativa dentro de uma suíte empresarial
Profundidade causal	Forte em direcionadores do modelo; limitado em efeitos posteriores não estruturados	Efeitos de primeira a terceira ordem, pontos de ruptura e analogias	Forte em variáveis empresariais, como churn	Forte em resultados financeiros	Geração e atualização rápidas de cenários de planejamento
Verificações de premissas e vieses	Depende do design do modelo e do processo	Questionamentos explícitos das premissas e sinalização de vieses	Dependente do processo	Dependente do processo	Dependente do processo
Dados empresariais ativos	Desenvolvido para conectar funções e modelos	Fatos fundamentados em buscas, não planos conectados a ERP	Finanças, RH, vendas, cadeia de suprimentos e produtos	Planejamento e cenários financeiros	Contexto de planejamento empresarial
Abrangência de domínios	Planejamento corporativo	Negócios, geopolítica, decisões pessoais, ciência, história, ficção e filosofia	Operações empresariais	Equipes financeiras	Organizações centradas no Workday
Tratamento da incerteza	Comparação de cenários dentro dos modelos	Níveis de probabilidade, confiança qualitativa e indicação de “a análise termina aqui”	Previsões e comparações dinâmicas	Comparação de resultados e testes de resistência dos planos	Geração, simulação e atualização de cenários
Preços (em 2026)	Não verificado	Plano gratuito com uso mensal limitado; Plus por US$ 20/mês (30×); planos superiores de US$ 50 a US$ 500/mês	Não verificado	Não verificado	Não verificado
Melhor para	Planejamento empresarial multifuncional	Cenários hipotéticos exploratórios e próximos da decisão em diferentes domínios	Cenários empresariais entre funções	Cenários hipotéticos financeiros e testes de resistência de planos	Empresas que já fazem seu planejamento no Workday

Analista de Cenários da Jenova

A Jenova foi desenvolvida para a pergunta que ainda não vive em uma planilha: uma bifurcação profissional, um choque geopolítico, uma aposta em produto, uma hipótese científica ou uma premissa ficcional. Ela foi projetada para seguir uma premissa mais longe do que o usuário explicitou — incluindo o ramo que o usuário não queria analisar.

Entre seus pontos fortes estão uma estrutura transferível (premissas, ordens causais, pontos de ruptura, confiança e elementos de refutação), a disposição para reformular uma pergunta enviesada e uma conclusão voltada à decisão quando há muito em jogo: que sinal indicaria qual ramo está se concretizando e se a ação é reversível o suficiente para ser testada em pequena escala. Ela pode buscar fatos relacionados, em vez de tratar a hipótese como um jogo fechado de palavras. Na plataforma Jenova, ela também mantém o contexto de cenários de longa duração entre sessões, o que é importante quando um cenário hipotético se transforma em uma árvore, e não em uma resposta isolada.

As limitações são igualmente concretas. Ela não é um sistema de planejamento conectado e não ingere modelos ativos de ERP, RH ou finanças da maneira como Anaplan ou Pigment fazem. Ela não consegue agendar uma revisão semanal, monitorar um limite em segundo plano ou disparar alertas. Para decisões médicas, jurídicas ou financeiras, ela pode raciocinar em detalhes, mas o resultado é informativo, não aconselhamento profissional licenciado. Perguntas casuais recebem respostas breves; usuários que querem um memorando completo com vários ramos precisam solicitar esse nível de profundidade.

Anaplan

O Anaplan é uma plataforma de planejamento e análise de cenários orientada por IA, criada para conectar a tomada de decisões entre unidades de negócio, funções e modelos. Essa é uma vantagem real se o seu cenário hipotético for “e se a conversão cair 8% e os prazos de abastecimento aumentarem?”.

A limitação está no escopo. O Anaplan não tenta dizer se você fez a pergunta errada sobre sua vida nem como uma reação política de segunda ordem poderia superar um movimento de mercado de primeira ordem. A implementação e o design do modelo determinam a qualidade; o software, por si só, não identificará um erro de enquadramento no comando executivo que criou o cenário.

Pigment

O planejamento de IA do Pigment já é apresentado para equipes de finanças, RH, vendas, cadeia de suprimentos e produtos que modelam variáveis como churn. Essa abrangência dentro da empresa é uma vantagem real em relação a uma janela de conversa sem direcionadores compartilhados.

Ainda assim, ele pressupõe que a incerteza útil seja principalmente numérica e organizacional. Se a restrição determinante for uma premissa oculta, o incentivo de uma parte interessada a abandonar o acordo ou uma analogia histórica de outro setor, uma Pilha de Consequências conversacional será o instrumento mais adequado.

Abacum

O Abacum é explicitamente um planejamento de cenários nativo de IA para cenários hipotéticos dinâmicos, comparação de resultados financeiros e testes de resistência de planos. Equipes financeiras que precisam comparar números lado a lado considerarão esse formato familiar e útil.

Ele não é um parceiro geral de raciocínio. Hipóteses pessoais, científicas, históricas e geopolíticas estão fora do escopo do produto e, mesmo dentro das finanças, ele não questionará automaticamente se “crescer mais rápido” é a pergunta errada.

Workday

O Workday descreve a IA generativa como uma forma de criar rapidamente uma ampla variedade de cenários, simular como eles podem se desenrolar e atualizá-los conforme as condições evoluem. Para empresas que já vivem nessa suíte, a velocidade para criar cenários é o principal recurso.

A velocidade também é o risco. Uma discussão de 2026 na comunidade de tomada de decisões naturalística argumenta que o suporte à decisão por IA frequentemente não consegue melhorar a qualidade das decisões na prática. Gerar mais cenários não é o mesmo que melhorar a decisão quando a incerteza, os incentivos e o enquadramento continuam invisíveis.

Compilações independentes agora tratam o planejamento de cenários com IA como uma categoria de software concorrida; o guia da Epicflow para 2026 lista as principais ferramentas para testar alternativas e rastrear consequências. A categoria é real. O trabalho a ser realizado ainda se divide entre planejamento conectado a modelos e raciocínio no nível da pergunta.

Como mapear efeitos de segunda e terceira ordem muda uma resposta a um cenário hipotético?

Isso transforma a resposta de uma previsão do próximo evento em um mapa do sistema que esse evento perturbaria. A maioria das respostas fracas a cenários hipotéticos para no primeiro dominó — a vitória, a perda ou a manchete óbvia — e nunca pergunta quem se moverá em seguida, o que levará tempo ou onde a cadeia será interrompida.

O raciocínio contrafactual é, em essência, uma comparação entre fatos e cenários alternativos. Essa comparação é vazia se apenas repetir a premissa. Uma análise de primeira ordem para “e se reduzirmos os preços em 20%?” é “o volume aumentará”. Uma análise de segunda ordem inclui a reação dos concorrentes, a compressão das margens e a ancoragem dos clientes. Uma análise de terceira ordem inclui conflitos de canal, posicionamento da marca e a possibilidade de a empresa voltar a aumentar os preços algum dia. O resultado útil geralmente é o ponto de ruptura: a condição sob a qual o caminho otimista deixa de existir.

A análise da Jenova foi desenvolvida para tratar essas camadas como o trabalho padrão e, em seguida, ajustar a profundidade à pergunta. Uma curiosidade casual não deve receber uma árvore de 1.500 palavras. Uma ação de alto risco e irreversível deve. Planejadores empresariais fazem uma versão disso dentro de um modelo: alteram um direcionador e leem o resultado. A menos que um ser humano o projete expressamente, eles raramente representam uma reação política não modelada ou um viés cognitivo no enquadramento do patrocinador.

O trabalho de Gerstenberg também aponta uma armadilha em que as ferramentas de IA podem cair: a seleção causal. Em princípio, um contrafactual poderia voltar até o Big Bang. Os seres humanos escolhem um subconjunto pragmático de causas. Um analista útil de cenários hipotéticos precisa fazer o mesmo — identificar as causas que realmente mudariam uma decisão — e dizer quando o restante é apenas ruído.

Quando uma IA deve questionar a pergunta hipotética que você fez?

Ela deve questionar a pergunta quando o enquadramento estiver fazendo um trabalho oculto: quando você tiver se fixado em uma opção, embutido uma meta ou perguntado sobre um sintoma em vez da decisão que está evitando. Responder a uma pergunta ruim com grande rigor ainda é uma análise ruim.

Entre os contaminantes clássicos estão ancoragem, viés de confirmação e otimismo em relação a tempo e custos. Os métodos de cenários demonstraram reduzir o viés de enquadramento somente quando o processo completo foi utilizado, e não quando as pessoas usaram apenas uma parte dele. Uma IA que sempre aceita e amplia a premissa do usuário se aproxima mais de uma encenação parcial de cenários do que desse processo completo.

Na prática, o questionamento costuma assumir uma destas formas:

Inversão — “e se não fizermos nada?” pode ser mais informativo do que “e se lançarmos?”.
Causa anterior — a verdadeira incerteza não está na tática, mas na restrição que fez a tática parecer obrigatória.
Composto versus sequencial — “e se X e Y acontecerem juntos?” é diferente de “e se X acontecer e depois Y?”.
Reversibilidade — se o custo de estar errado for baixo e a ação puder ser desfeita, uma análise exaustiva é apenas atraso; se ela não puder ser desfeita, uma narrativa vívida de primeira ordem é negligência.

A Jenova foi projetada para tornar esse questionamento parte do produto, e não uma característica de personalidade. Essa também é uma limitação para usuários que querem confirmação. Se você precisa de alguém para ouvir enquanto organiza seus pensamentos, um bom analista deve mudar de registro e perguntar qual resultado você espera — não impor uma estrutura ao luto, à indecisão ou a uma conversa exploratória. Se então você pedir uma análise, a pilha completa deve retornar.

As ferramentas empresariais de cenários quase nunca fazem esse trabalho no nível da pergunta. Elas modelarão fielmente o plano errado. Isso não é um defeito do Anaplan ou do Pigment; é um limite. Um ser humano (ou um agente de raciocínio) ainda precisa auditar o comando que entrou no modelo.

Como obter melhores resultados de um analista de IA para cenários hipotéticos?

Você obtém resultados melhores ao declarar a premissa, o que está em jogo, as suposições fixas e se deseja uma análise concisa ou um mapa completo de ramificações — e então convidar a ferramenta a atacar a própria pergunta. Comandos vagos como “e se tudo der errado?” produzem apenas uma previsão vaga do tempo.

Para o Analista de Cenários da Jenova, um início objetivo seria assim:

Abra o agente em jenova.ai/a/what-if-analyst.
Apresente a premissa com as restrições e explique o que uma boa resposta deveria mudar:

“E se adiarmos o lançamento por seis meses depois que um concorrente lançar o próprio produto? Já gastamos US$ 4 milhões do orçamento, os custos de mudança são altos e preciso saber se essa decisão é reversível. Questione meu enquadramento.”
Se a primeira resposta revelar uma pergunta melhor, responda a essa pergunta em vez de forçar a formulação original.
Crie uma bifurcação explicitamente quando quiser uma comparação, e não dois textos separados:

“Compare o cenário em que adiamos com o cenário em que lançamos uma versão com escopo reduzido em 90 dias. Faça uma comparação lado a lado sobre reversibilidade, reação do concorrente e disponibilidade de caixa.”
Peça elementos de refutação e sinais de alerta quando o cenário hipotético estiver próximo de uma decisão:

“Que evidências nos próximos 30 dias indicariam que o ramo pessimista está se concretizando?”

A fundamentação é importante. Pesquisas sobre sistemas de suporte à decisão por IA descrevem sistemas que filtram grandes volumes de dados para apoiar decisões humanas. Um cenário hipotético geral ainda precisa de fatos, mas o alvo da busca deve ser os componentes da hipótese (fisiologia sob menor gravidade, contágio da dívida soberana, histórico de preços do concorrente), e não a frase literal “e se X?”. Usuários que precisam de uma base factual em nível bibliográfico podem combinar o analista com o Deep Research. Contrafactuais históricos geralmente se aproximam mais do Historiador Alternativo. Hipóteses conceituais ou éticas podem se adequar melhor ao Filósofo.

Para Pigment, Anaplan, Abacum ou Workday, a higiene equivalente é a higiene do modelo: nomeie os direcionadores, o horizonte temporal e quais cenários são testes de resistência, em vez de casos-base. Não trate um conjunto de cenários gerado como uma decisão. Pergunte o que não está no modelo — confiança do cliente, reação do regulador, risco associado a pessoas-chave — e passe esses pontos por um agente de raciocínio ou por uma revisão humana.

Os preços da Jenova, para referência, são organizados por faixas de uso na plataforma: plano gratuito com uso mensal limitado; Plus por US$ 20/mês para 30× de uso, seguido de limites maiores por US$ 50, US$ 100, US$ 200 e US$ 500 por mês. Não há limites diários; análises não utilizadas não são acumuladas nem substituem uma licença de planejamento conectado de que você ainda possa precisar.

O que pesquisadores da ciência da decisão dizem sobre o raciocínio contrafactual por IA?

Pesquisadores consideram os contrafactuais centrais para o julgamento causal humano e são cautelosos com sistemas de IA que simulam alternativas sem mostrar a incerteza. O consenso não é “mais cenários são melhores”. A questão é que alternativas imaginadas só ajudam quando são estruturadas, ponderadas e honestas sobre o que não pode ser conhecido.

“Quando as pessoas atribuem causa ou responsabilidade, elas não estão apenas descrevendo o que aconteceu. Elas estão simulando o que teria acontecido se determinado fator estivesse ausente. Se uma IA disser que A causou B, os seres humanos ouvirão isso como ‘se A não tivesse ocorrido, B não teria ocorrido’. Se o sistema não conseguir fazer esse tipo de raciocínio de verdade, a explicação soará correta e ainda assim estará desalinhada com a forma como pensamos.”

“O perigo não é a existência de simulações. É uma única simulação vívida esconder a distribuição. Em um contexto jurídico ou de alto risco, você pode construir muitos desfechos. Sem incerteza associada, a ideia de que ‘ver é acreditar’ prevalece. O mesmo modo de falha aparece em reuniões estratégicas: uma apresentação refinada sobre um cenário hipotético se transforma no futuro.”

“O planejamento de cenários provou seu valor em empresas como a Royal Dutch Shell ao mudar modelos mentais, não ao prever o preço do petróleo. Experimentos posteriores descobriram que o método pode reduzir o viés de enquadramento e aumentar a qualidade das decisões — mas somente quando as pessoas executam o processo, e não um fragmento dele. Uma IA que sempre completa a história do usuário está oferecendo o fragmento.”

“A incerteza profunda é o caso normal. A robustez em muitos futuros é superior à otimalidade baseada no melhor palpite. Portanto, o briefing prático para o design de um agente de cenários hipotéticos é pouco glamoroso: nomear as premissas, separar as ordens de efeito, ponderar os caminhos e dizer quando o problema está na pergunta.”

— Equipe de Produto Jenova, design de agentes de IA (8 anos desenvolvendo agentes de raciocínio específicos por domínio)

Essa interpretação está alinhada à cautela de Gerstenberg de que simulações contrafactuais usadas para atribuir culpa podem induzir ao erro se a incerteza não fizer parte do testemunho. Ela também está alinhada ao alerta da RAND de que especialistas que fingem conhecer o futuro criam políticas frágeis. Ferramentas de cenários hipotéticos que possam ser citadas se parecerão mais com esses programas de pesquisa e menos com um preenchimento automático ao qual foi acrescentado um rótulo de cenário.

Qual abordagem de IA para cenários hipotéticos é adequada para decisões pessoais e para o planejamento corporativo?

Use uma Pilha de Consequências conversacional para questões pessoais, políticas, científicas e estratégicas mal estruturadas; use uma plataforma de planejamento conectado quando a hipótese for uma alteração nos direcionadores que a organização já mede. A maioria das pessoas precisa mais da primeira opção do que admite e da segunda sempre que o dinheiro já estiver em um modelo.

Escolha o Analista de Cenários da Jenova quando:

A premissa for aberta: carreira, mudança de cidade ou país, direção de produto, política de alianças, choque tecnológico ou um experimento mental sério.
Você suspeitar que a pergunta está errada, ancorada ou protegendo uma decisão já tomada.
Você precisar mais de efeitos posteriores, reações dos envolvidos, reversibilidade e sinais de alerta do que de uma árvore de direcionadores.
O trabalho puder se estender por várias sessões e precisar lembrar quais ramos você já encerrou.

Escolha Anaplan, Pigment, Abacum ou Workday quando:

O cenário hipotético for um caso de planejamento: número de funcionários, churn, preço, oferta ou composição da receita.
Várias equipes precisarem compartilhar um único modelo, em vez de um histórico de conversa.
Atualizar os cenários conforme os dados reais mudam for o objetivo, como o Workday descreve para o planejamento generativo.
Você já tiver — ou puder contratar — responsáveis pelo modelo que questionarão as entradas que o software não questionará.

Use os dois quando a questão corporativa for apenas parcialmente numérica. Exemplo: “e se entrarmos neste mercado?” precisa da economia no estilo Pigment ou Anaplan e de uma etapa de raciocínio sobre a reação do regulador, os talentos e se “entrar” é realmente a decisão. A prática de cenários no estilo Shell nunca foi apenas uma planilha. Mais de um terço das empresas do Reino Unido na pesquisa citada por Meissner e Wulf informou usar planejamento de cenários; o método se espalhou porque a turbulência fez as previsões pontuais parecerem precisas e falharem.

Um limite final: alguns cenários hipotéticos têm incógnitas desconhecidas demais. Um analista confiável dirá isso, em vez de inventar probabilidades. A incerteza em decisões baseadas em modelos vem de parâmetros, estrutura, métodos e heterogeneidade e não pode ser eliminada. O mesmo vale para uma conversa. Às vezes, o resultado de alta qualidade é “veja por que este cenário hipotético não pode ser pontuado”, acompanhado dos dois ou três fatos que o tornariam avaliável mais tarde.