Como especialista em epistemologia, metodologia científica e filosofia da ciência, é imperativo iniciar esta análise estabelecendo as bases conceituais do termo *ad hoc* no contexto científico. Na filosofia da ciência, particularmente a partir do falsificacionismo de Karl Popper, uma hipótese *ad hoc* (do latim "para este fim") é convencionalmente vista de forma pejorativa: trata-se de um postulado introduzido em uma teoria com o único propósito de salvá-la de uma evidência falseadora, sem que essa nova hipótese gere previsões testáveis inéditas. Contudo, Imre Lakatos, com sua Metodologia dos Programas de Pesquisa Científica, ofereceu uma visão mais nuançada, argumentando que a adição de hipóteses auxiliares ao "cinturão protetor" de uma teoria é uma prática rotineira e aceitável, desde que conduza a um "deslocamento progressivo" (novas descobertas empíricas), em vez de um "deslocamento degenerativo" (remendos puramente teóricos para salvar as aparências). Paul Feyerabend, por sua vez, em seu anarquismo epistemológico, defendeu que o uso de hipóteses *ad hoc* muitas vezes foi essencial para o avanço da ciência, permitindo que novas teorias sobrevivessem antes de estarem plenamente desenvolvidas.
Com esse arcabouço em mente, a prevalência de abordagens *ad hoc* varia drasticamente entre as disciplinas, dependendo da complexidade do objeto de estudo, do grau de fechamento do sistema analisado e da urgência prática da área. A seguir, apresento uma análise exaustiva e ordenada em grau decrescente de predominância, dissecando os campos onde essas soluções são mais frequentes.
### 1. Ciências Econômicas (Macroeconomia e Modelagem Financeira)
A área de conhecimento que apresenta a maior predominância de abordagens *ad hoc* é a Economia, particularmente a Macroeconomia. A tentativa histórica de emular o rigor formal e dedutivo da Física Clássica colidiu com a natureza caótica, reflexiva e aberta dos sistemas sociais.
A principal razão para essa dependência profunda de soluções *ad hoc* reside na dissonância metodológica entre a axiomatização matemática e o comportamento humano. A Economia frequentemente constrói modelos baseados em premissas idealizadas, como a racionalidade perfeita (o *Homo economicus*) e o equilíbrio geral. Quando a realidade empírica diverge desses modelos, em vez de descartar o paradigma central, os economistas tendem a introduzir variáveis de ajuste e fricções artificiais para calibrar o modelo aos dados observados.
Exemplos concretos são vastos e evidentes na evolução dos Modelos Estocásticos Dinâmicos de Equilíbrio Geral (DSGE), que são a espinha dorsal dos bancos centrais contemporâneos. Antes da crise financeira de 2008, a maioria desses modelos não incluía um setor financeiro detalhado, pois assumia-se que a intermediação financeira era neutra. Após a crise, falhando espetacularmente em prever o colapso, a macroeconomia não abandonou os DSGE; em vez disso, introduziu *ad hoc* "fricções financeiras", "choques de preferência" não observáveis e parâmetros comportamentais para fazer o modelo reproduzir as flutuações passadas (um processo conhecido como *retrofitting*). Outro exemplo clássico é o uso irrestrito da cláusula *ceteris paribus* (tudo o mais constante), que atua como um escudo epistemológico *ad hoc* sempre que uma previsão falha no mundo real.
Historicamente e metodologicamente, isso ocorre porque a Economia lida com um sistema onde o objeto de estudo reage às próprias teorias (a "reflexividade" apontada por teóricos como George Soros). A falta de laboratórios fechados para isolar variáveis obriga o uso da econometria retrospectiva, transformando a disciplina em um exercício constante de ajuste de curvas a dados históricos.
As implicações epistemológicas são severas. Seguindo a métrica de Lakatos, grande parte do programa de pesquisa macroeconômico moderno corre o risco de ser classificado como degenerativo. As modificações *ad hoc* raramente antecipam fenômenos macroeconômicos inéditos; elas servem quase que exclusivamente para acomodar anomalias passadas.
Comparando a Economia com a Física, nota-se uma discrepância epistêmica abismal: enquanto na Física uma anomalia persistente (como a órbita de Mercúrio na mecânica newtoniana) leva, eventualmente, a uma revolução paradigmática (a Relatividade Geral), na Macroeconomia, a anomalia gera a criação de um "fator de correção" que mantém a estrutura teórica original intacta, evidenciando uma blindagem excessiva do núcleo firme do programa de pesquisa.
### 2. Cosmologia e Astrofísica
Paradoxalmente, a segunda área com maior utilização de hipóteses *ad hoc* é um dos ramos mais matematizados da ciência: a Cosmologia e a Física Teórica de altas energias. O grau de uso de artifícios *ad hoc* aqui rivaliza com a Economia, mas ocorre por razões ontológicas e de escala, não por comportamento de agentes.
A Cosmologia lida com o universo em sua totalidade, onde as energias e distâncias transcendem qualquer possibilidade de experimentação direta em laboratório. Quando os modelos fundamentais (como a Relatividade Geral de Einstein ou o Modelo Padrão da física de partículas) entram em choque com as observações astronômicas, os físicos encontram-se diante de um dilema epistemológico: ou as leis da física que funcionam perfeitamente no sistema solar estão erradas em escalas galácticas, ou o universo contém substâncias invisíveis que não interagem com a luz, mas possuem gravidade. A opção histórica tem sido a segunda, salvando a teoria através da postulação de entidades não observadas.
Os exemplos são os pilares da cosmologia moderna. A "Matéria Escura" foi introduzida *ad hoc* para explicar por que as galáxias giram mais rápido do que a matéria visível permitiria sem se despedaçar. A "Energia Escura" foi postulada no final dos anos 1990 para explicar a aceleração da expansão do universo, servindo funcionalmente como um resgate da Constante Cosmológica de Einstein. A "Inflação Cósmica", por sua vez, foi um mecanismo adicionado ao modelo do Big Bang para resolver os problemas do horizonte e da planura do universo. Na física teórica, a Teoria das Cordas originou o conceito de um "Multiverso" e o "Landscape" antrópico essencialmente para explicar de forma *ad hoc* por que as constantes fundamentais do nosso universo têm os valores que têm, visto que a teoria falhou em deduzi-las de primeiros princípios.
A justificativa metodológica para essas manobras é a extrema robustez empírica da Relatividade e da Mecânica Quântica em escalas menores. O custo de abandonar teorias tão bem-sucedidas é considerado epistemologicamente inaceitável. Historicamente, a postulação *ad hoc* de entidades invisíveis funcionou de maneira brilhante no passado (como a proposição do neutrino por Wolfgang Pauli em 1930 para salvar a conservação de energia, confirmada décadas depois).
A implicação epistemológica atual, no entanto, é o que muitos filósofos da ciência chamam de uma "crise de falseabilidade". Se a matéria escura continua eludindo detecção direta em colisores ou detectores subterrâneos, até que ponto a sua postulação é um deslocamento progressivo de Lakatos, e a partir de quando se torna um remendo degenerativo? A cosmologia caminha no fio da navalha entre a descoberta de novos reinos ontológicos e a construção de epiciclos ptolomaicos modernos.
Comparada à Química, que pode isolar seus elementos, manipular variáveis independentes e testar reações em condições de contorno rigidamente controladas, a Cosmologia atua como uma ciência histórica e observacional. A impossibilidade de replicação cósmica força o cosmólogo a inferir entidades *ad hoc* para preencher o vazio entre a matemática elegante e a observação astronômica teimosa.
### 3. Ciência da Computação (Inteligência Artificial e Aprendizado de Máquina)
O advento das redes neurais profundas (Deep Learning) transformou a Inteligência Artificial (IA) em um dos campos mais intensivos no uso de soluções *ad hoc* da era contemporânea, situando-se como a terceira área em nossa análise. Diferente das ciências naturais que buscam descobrir leis, a IA é uma ciência de síntese, focada em otimização de funções.
A predisposição ao *ad hoc* na IA atual decorre da ausência de uma teoria matemática unificadora e completa que explique por que as redes neurais generalizam tão bem sem sofrer de *overfitting* (sobreajuste), contrariando a teoria clássica do aprendizado estatístico. Consequentemente, o desenvolvimento de modelos de IA tornou-se uma disciplina quase alquímica, movida por intuição, empirismo de tentativa e erro, e heurísticas.
Exemplos concretos são abundantes em qualquer arquitetura de modelo de linguagem de grande escala (LLM) ou visão computacional. O ajuste de hiperparâmetros (como taxas de aprendizado e pesos de penalidade) é feito frequentemente de maneira exploratória. Técnicas como *dropout* (desligamento aleatório de neurônios durante o treinamento) foram introduzidas empiricamente porque "funcionavam", sendo a racionalização matemática e teórica construída apenas a posteriori. Mecanismos de *prompt engineering*, soluções para evitar alucinações (como *Reinforcement Learning from Human Feedback* - RLHF) e a injeção de camadas específicas para forçar o modelo a "esquecer" ou "lembrar" certos conceitos são, essencialmente, gambiarras matemáticas (soluções pontuais) inseridas para que o sistema produza o resultado desejado, sem derivarem de primeiros princípios.
As razões práticas para essa tendência são o imenso incentivo comercial e a cultura da Engenharia, que prioriza a utilidade sobre a compreensibilidade ("se funciona e resolve o problema, implementa-se"). Metodologicamente, a extrema não-linearidade e os bilhões de parâmetros tornam esses sistemas "caixas-pretas" (black boxes), bloqueando a análise dedutiva formal.
As implicações epistemológicas marcam uma ruptura significativa na filosofia da computação. O campo abandonou, em grande medida, o paradigma lógico-simbólico (onde cada etapa é explicável e não há espaço para o *ad hoc*) em favor do conexionismo empirista. Isso gerou um instrumentalismo radical: o valor de uma teoria ou ajuste não é se ele descreve a verdade, mas se ele diminui a função de perda (loss function). Estamos presenciando a ascensão de uma ciência preditiva que abriu mão da explicabilidade.
Ao comparar o Aprendizado de Máquina com a Engenharia de Software tradicional (como o desenvolvimento de sistemas operacionais ou criptografia), a divergência é cristalina. A computação clássica exige axiomas, provas formais e algoritmos determinísticos. A IA moderna substitui a prova lógica por empirismo massivo, lidando com anomalias não por correção de código, mas por ajustes *ad hoc* nos pesos e na arquitetura do modelo.
### 4. Psicologia e Ciências do Comportamento
Em quarto lugar, a Psicologia e campos correlatos (como a Economia Comportamental) apresentam uma incidência massiva de formulações *ad hoc*, especialmente frente à Crise de Replicabilidade das últimas duas décadas. O objeto de estudo — a cognição e o comportamento humano — é hipercontextual, sofrendo variações enormes com base em cultura, linguagem, idade e ambiente.
O uso de abordagens *ad hoc* nesta área ocorre principalmente quando os pesquisadores tentam universalizar achados de laboratório (geralmente envolvendo estudantes universitários ocidentais) para a população geral. Quando um experimento clássico falha em ser replicado, a resposta metodológica comum é a introdução retrospectiva de "variáveis moderadoras" ou "condicionantes de contorno".
Um exemplo paradigmático ocorreu com o conceito de "Esgotamento do Ego" (Ego Depletion), a ideia de que a força de vontade é um recurso finito. Quando grandes laboratórios tentaram e falharam em replicar o efeito, os defensores da teoria original propuseram que o efeito só se manifestava sob condições extremamente específicas de motivação subjetiva ou contexto de crença do participante. Outro exemplo claro da prática *ad hoc* na psicologia social metodológica é o *HARKing* (Hypothesizing After the Results are Known) e o *p-hacking*, onde pesquisadores torturam os dados estatísticos até encontrarem uma correlação, formulando então uma teoria *ad hoc* para explicar aquele achado espúrio como se fosse a hipótese original.
Historicamente, essa tendência justifica-se pela juventude da ciência psicológica comparada às ciências naturais e pela ausência de um paradigma unificador (o que Thomas Kuhn chamaria de fase pré-paradigmática ou de múltiplos paradigmas concorrentes). A pressão institucional por publicações (publish or perish) e a adoração metodológica ao valor-p (p < 0,05) criaram incentivos práticos para salvar teorias em vez de falsificá-las rigidamente.
A implicação epistemológica tem sido uma severa fragmentação do conhecimento empírico. A proliferação de hipóteses *ad hoc* gera o que os teóricos chamam de "teorias de brinquedo", que explicam um fenômeno altamente isolado, mas são incapazes de integração em um corpo coerente de leis gerais sobre o comportamento humano. A linha entre uma descoberta nuançada e uma desculpa teórica torna-se perigosamente turva.
Comparando a Psicologia com a Biologia Evolutiva, enquanto a biologia possui um núcleo duro coeso (a síntese moderna de Darwin e Mendel) onde as hipóteses auxiliares devem obedecer às leis genéticas, a psicologia abriga escolas de pensamento (psicanálise, cognitivismo, behaviorismo) cujos núcleos são fluidos, permitindo que alterações *ad hoc* sejam acomodadas sem violar leis fundamentais superiores, justamente porque essas leis globais inexistem.
### 5. Medicina Clínica e Farmacologia
Por fim, a Medicina Clínica, incluindo a Farmacologia e a Psiquiatria, faz um uso extenso, embora de natureza diferente, de abordagens *ad hoc*. Diferentemente da Economia ou da Cosmologia (que buscam salvar teorias abstratas), a Medicina usa soluções *ad hoc* no sentido de intervenções pragmáticas, puramente heurísticas, cujo mecanismo subjacente é desconhecido, mas cujos resultados empíricos exigem ação imediata.
A principal razão é a urgência ética e clínica. O objetivo primário da medicina não é, epistemologicamente, o entendimento mecânico perfeito do corpo humano, mas o alívio do sofrimento e a extensão da vida. Se uma intervenção funciona, o rigor teórico do "porquê" ela funciona é secundário.
Os exemplos são abundantes. Historicamente, a eficácia do Lítio para o transtorno bipolar foi descoberta por acaso em 1949, e foi usada de forma completamente empírica e *ad hoc* por décadas, sem que houvesse uma teoria biológica compreensiva para seu funcionamento neural. O uso *off-label* de medicamentos é o epítome do *ad hoc* clínico: médicos prescrevem Bupropiona (um antidepressivo) para parar de fumar, ou Minoxidil (originalmente para hipertensão) para crescimento capilar. Mais recentemente, muitos tratamentos para a "COVID longa" são construídos com bases *ad hoc*, agrupando terapias que mostram resultados em doenças autoimunes ou quadros inflamatórios distintos, sem um modelo etiológico fechado.
A justificativa prática é evidente: a complexidade biológica do corpo humano em estado de doença é demasiadamente imprevisível para derivar tratamentos estritos através de teorias fisiológicas a priori. A metodologia baseada no Ensaio Clínico Randomizado (ECR) coroa o empirismo sobre o racionalismo médico; o ECR diz "isso funciona estatisticamente", legalizando epistemologicamente o uso do remédio, mesmo que a teoria bioquímica explicativa seja um amontoado *ad hoc*.
A implicação epistemológica aqui favorece o que chamamos de pragmatismo científico ou instrumentalismo ético. Na medicina, uma hipótese *ad hoc* (como a adoção de um protocolo clínico por tentativa e erro estatístico) não é vista como uma falha teórica, mas como o próprio modus operandi do avanço terapêutico.
Se compararmos a Medicina Clínica com a Fisiologia ou a Biologia Celular, o contraste é notório. A Fisiologia tem compromissos rígidos com a elucidação mecanicista rigorosa e evita postulados vazios. A Medicina Clínica, ao contrário, abraça o *ad hoc* como ferramenta de sobrevivência, demonstrando que, dependendo do campo do conhecimento, as abordagens *ad hoc* não são atalhos reprováveis, mas o único caminho possível e ético perante as limitações do conhecimento humano no momento da ação.
