Blog de Fernando de Paula Zamboni

Categoria: IA

  • De Alan Turing às IAs generativas: a história da inteligência artificial, da velha Cybelle às máquinas que conversam com a gente

    Tempo de leitura: 19 minutos

    Olá amigos e leitores dessa coisa aqui!!!

    Em dois artigos recentes, já passamos pela inteligência artificial por caminhos diferentes.

    Em Por que a “bolha” da IA ainda não estourou?, falei sobre o exagero publicitário, as montanhas de dinheiro, as promessas de máquinas que resolveriam tudo antes do almoço e a diferença entre uma possível bolha financeira e uma tecnologia que veio para ficar.

    Ontem publiquei Da máquina a vapor ao colega de silício: os empregos que a IA vai transformar, os que vai criar e os que não vai conseguir eliminar. Ali, a pergunta era o que acontecerá com o trabalho: quais tarefas serão automatizadas, quais profissões mudarão, quais poderão crescer e por que o maior problema não é apenas o número final de empregos, mas a travessia de quem precisará se adaptar.

    Nos dois textos apareceu uma ideia importante: a inteligência artificial não nasceu quando alguém abriu o ChatGPT e pediu:

    — Faça um texto sobre a história da inteligência artificial, mas escreva como se fosse Fernando Zamboni depois de três cafés.

    Aliás, não tentem. Dependendo do café, nem eu consigo escrever como eu mesmo.

    Mas ficou faltando contar a aventura inteira. De onde saiu essa ideia de fazer uma máquina “pensar”? Quem foram os sujeitos que imaginaram isso quando os computadores ainda ocupavam salas inteiras? Por que a inteligência artificial já morreu e ressuscitou várias vezes? Como chegamos da ELIZA e da nossa velha Cybelle, que nos deixava empolgados nos anos 2000, a um tal de ChatGPT que eu quase não conheço,aaa, ao Gemini, ao Claude, ao Copilot, ao Grok, ao DeepSeek e a uma quantidade de concorrentes que parece aumentar toda vez que alguém reinicia o roteador?

    Pois acomodem-se. Vamos voltar a uma época em que ninguém falava em prompts, modelos de linguagem ou placas de vídeo custando o valor de um automóvel. E, claro, precisamos começar com nosso velho e bom Alan Turing.

    Antes da inteligência artificial ter nome

    O desejo de construir seres artificiais é muito mais antigo que o computador. A mitologia grega já falava de Talos, um gigante de bronze que protegia a ilha de Creta. Ao longo dos séculos apareceram autômatos mecânicos, bonecos que escreviam, tocavam instrumentos ou movimentavam peças de xadrez.

    Alguns eram mecanismos engenhosos. Outros continham um ser humano escondido dentro da máquina, o que sempre ajuda bastante uma tecnologia a parecer inteligente.

    No século XIX, Charles Babbage projetou sua Máquina Analítica e Ada Lovelace percebeu algo que muita gente ainda não havia entendido: uma máquina capaz de manipular símbolos poderia fazer mais do que contas. Em teoria, poderia lidar com música, textos e outros tipos de informação, desde que tudo fosse representado por regras e números.

    A máquina de Babbage nunca foi concluída em sua época, mas a ideia estava lançada. Ainda faltava explicar o que era computável, construir computadores eletrônicos e aparecer um matemático britânico com uma cabeça extraordinária e uma vida tragicamente curta.

    Alan Turing: o homem que perguntou se as máquinas poderiam pensar

    Alan Mathison Turing nasceu em Londres, em 23 de junho de 1912. Desde cedo demonstrou enorme talento para matemática e ciência, embora nem sempre se encaixasse no modelo educacional britânico da época. Em outras palavras, era brilhante demais para certos formulários e esquisito demais para certas salas, uma combinação que o mundo costuma compreender só depois que a pessoa já fez alguma coisa extraordinária.

    Em 1936, Turing publicou um trabalho sobre números computáveis e descreveu uma máquina matemática abstrata, hoje conhecida como Máquina de Turing. Não era um computador de metal sobre uma mesa. Era um modelo teórico extremamente simples, capaz de ler símbolos, seguir instruções e mostrar quais problemas poderiam ser resolvidos por um procedimento mecânico.

    A ideia da máquina universal foi ainda mais importante: em vez de construir uma máquina diferente para cada tarefa, seria possível criar uma única máquina capaz de executar qualquer programa que pudesse ser descrito formalmente. O computador moderno mora, em boa parte, dentro dessa ideia.

    A guerra, a Enigma e a máquina Bombe

    Durante a Segunda Guerra Mundial, Turing trabalhou em Bletchley Park, o centro britânico de decifração de códigos. Ele e uma enorme equipe de matemáticos, linguistas, operadores e engenheiros ajudaram a quebrar mensagens protegidas pela máquina Enigma, usada pelas forças alemãs.

    É importante não transformar essa história no mito de um gênio solitário que ganhou a guerra com uma chave de fenda. Criptógrafos poloneses já haviam realizado avanços fundamentais antes do conflito, e Gordon Welchman, Harold Keen e muita gente contribuíram para o desenvolvimento e a operação da Bombe britânica. Turing teve um papel central, mas aquilo foi uma realização coletiva.

    A Bombe testava rapidamente configurações possíveis da Enigma e ajudava os analistas a encontrar as chaves do dia. Informações obtidas desse trabalho permitiram localizar submarinos, proteger comboios e antecipar operações militares. Historiadores atribuem à decifração uma redução significativa na duração da guerra e a preservação de incontáveis vidas.

    Terminada a guerra, Turing continuou trabalhando com computadores. Participou do projeto do ACE, uma das primeiras propostas detalhadas de computador eletrônico com programa armazenado, trabalhou em Manchester e ainda se aventurou pela biologia matemática, estudando como padrões como listras e manchas poderiam surgir nos seres vivos.

    O sujeito não tinha muita consideração pelos limites entre as áreas. Se o problema era interessante, ele entrava.

    O jogo da imitação

    Em 1950, Turing publicou o artigo Computing Machinery and Intelligence. Em vez de ficar preso à pergunta filosófica “as máquinas podem pensar?”, ele propôs um experimento prático, chamado jogo da imitação.

    Uma pessoa manteria conversas por texto com interlocutores que não poderia ver. Um deles seria humano; o outro, máquina. Se o avaliador não conseguisse distinguir com segurança um do outro pelas respostas, teríamos um critério operacional para falar em comportamento inteligente.

    Esse experimento ficou conhecido como Teste de Turing. Ele não mede consciência, alma, sentimentos ou vontade própria. Mede a capacidade de uma máquina sustentar uma conversa que pareça humana. Ainda assim, a pergunta lançada por Turing continua rondando cada chatbot moderno.

    Quando uma pessoa conversa por meia hora com uma IA, agradece, briga, faz piada e depois pergunta se ela “realmente entendeu”, está repetindo, com uma interface mais bonita e uma conta mensal, a inquietação de 1950.

    O crime era existir

    A história de Turing também precisa ser contada fora da computação.

    Em 1952, ele foi processado no Reino Unido por manter uma relação consensual com outro homem. A homossexualidade masculina era tratada como crime. Turing foi condenado por “indecência grave” e, para evitar a prisão, aceitou um tratamento hormonal que hoje é reconhecido como uma forma de castração química e abuso médico. Também perdeu sua autorização de segurança e foi afastado de trabalhos governamentais.

    Vale repetir devagar: o país que se beneficiou de sua inteligência para combater o nazismo decidiu puni-lo por ser gay.

    Em 7 de junho de 1954, Alan Turing morreu aos 41 anos por envenenamento com cianeto. A conclusão oficial foi suicídio, embora detalhes das circunstâncias ainda sejam discutidos por historiadores. O famoso relato da maçã envenenada nunca foi comprovado: a fruta encontrada perto dele nem sequer foi analisada.

    O governo britânico apresentou um pedido formal de desculpas em 2009. Turing recebeu perdão real póstumo em 2013. Em 2017, a chamada Lei de Turing estendeu o perdão a milhares de homens condenados por antigas leis que criminalizavam relações consensuais entre pessoas do mesmo sexo.

    Desde 2021, Turing aparece na nota britânica de 50 libras. É uma homenagem importante, embora tenha chegado umas sete décadas atrasada. A sociedade tem dessas: primeiro destrói a pessoa, depois imprime seu rosto no dinheiro.

    Neurônios de papel e as primeiras máquinas que aprendiam

    Enquanto Turing pensava em computação e inteligência, outros pesquisadores tentavam representar o cérebro com matemática.

    Em 1943, Warren McCulloch e Walter Pitts publicaram um modelo simplificado de neurônio artificial. Cada unidade receberia sinais, faria uma soma e produziria uma saída se determinado limite fosse alcançado. Aquilo estava muito longe de um cérebro real, mas plantou uma semente importante: talvez comportamentos complexos pudessem surgir de muitas unidades simples conectadas.

    Em 1949, Donald Hebb popularizou a ideia de que conexões entre neurônios poderiam se fortalecer quando fossem ativadas em conjunto. Em linguagem quase de boteco científico: neurônios que trabalham juntos tendem a ficar mais amigos.

    Em 1957, Frank Rosenblatt criou o perceptron, um modelo que conseguia ajustar seus próprios pesos para aprender classificações simples. Em 1958, uma implementação foi demonstrada em um computador IBM 704. A imprensa se empolgou e começou a prever máquinas que caminhariam, falariam e teriam consciência.

    A humanidade mal havia ensinado um computador a diferenciar cartões marcados de um lado ou de outro e já estava reservando apartamento para o robô consciente e cheio de opiniões — ou, para usar o termo técnico, senciente. Certas tradições do jornalismo tecnológico nasceram cedo.

    Dartmouth, 1956: alguém finalmente batiza o bicho

    No verão de 1956, um pequeno grupo de pesquisadores se reuniu no Dartmouth College, nos Estados Unidos, para um projeto de oito semanas. Entre eles estavam John McCarthy, Marvin Minsky, Claude Shannon, Nathaniel Rochester, Allen Newell e Herbert Simon.

    Na proposta escrita em 1955, McCarthy e seus colegas partiram de uma aposta ousada: todo aspecto da aprendizagem e da inteligência poderia, em princípio, ser descrito com tanta precisão que uma máquina conseguiria simulá-lo.

    Foi ali que o termo “inteligência artificial” ganhou nome e identidade como campo de pesquisa.

    O encontro não construiu uma mente artificial durante as férias. Aliás, nem todos ficaram as oito semanas e boa parte das ideias demoraria décadas para amadurecer. Mas Dartmouth reuniu pesquisadores que passaram a tratar linguagem, raciocínio, aprendizagem e percepção como problemas que poderiam ser atacados por computadores.

    Dar nome a uma área ajuda. Também ajuda a conseguir verba, criar laboratórios e prometer aos financiadores que o problema estará resolvido em poucos anos. Essa última parte causaria alguns revertérios.

    A primeira primavera da IA

    Os anos 1950 e 1960 foram cheios de entusiasmo.

    Allen Newell, Herbert Simon e Cliff Shaw criaram o Logic Theorist, capaz de demonstrar teoremas matemáticos. Arthur Samuel desenvolveu um programa de damas que melhorava jogando e ajudou a popularizar a expressão machine learning. Pesquisadores criaram programas para resolver problemas, reconhecer formas e manipular linguagem.

    Em 1966 começou o projeto Shakey, no Stanford Research Institute. Era um robô sobre rodas com câmera, sensores e capacidade de planejar ações simples. Para entrar numa sala, precisava perceber o ambiente, formar uma representação e decidir como chegar até lá.

    Hoje um aspirador robô esbarra no pé da mesa, pede socorro por Wi-Fi e nós reclamamos. Na década de 1960, fazer uma máquina perceber que havia uma sala já era motivo para abrir o champanhe.

    Havia duas grandes famílias de ideias. A IA simbólica tentava representar conhecimento com símbolos, regras e lógica. As redes neurais tentavam aprender padrões ajustando conexões numéricas. Durante muito tempo, a abordagem simbólica dominou porque os computadores eram fracos, havia poucos dados e as redes disponíveis tinham limitações sérias.

    ELIZA: a bisavó do ChatGPT já fazia gente se abrir

    Em 1966, Joseph Weizenbaum, do MIT, apresentou a ELIZA. Um de seus roteiros mais famosos, chamado DOCTOR, imitava um psicoterapeuta de orientação rogeriana.

    A técnica era simples. A ELIZA procurava palavras ou estruturas nas frases e devolvia respostas transformadas em perguntas.

    Se alguém escrevesse:

    — Minha mãe não me entende.

    Ela poderia responder:

    — Conte mais sobre sua mãe.

    Se a pessoa dissesse:

    — Estou triste.

    Ela talvez perguntasse:

    — Por que você está triste?

    Não havia compreensão profunda. Era reconhecimento de padrões, substituição de palavras e um roteiro muito bem escolhido. Um terapeuta que devolve perguntas parece plausível mesmo quando o programa não sabe o que uma mãe, uma tristeza ou uma terça-feira representam.

    O mais curioso foi a reação humana. Pessoas começaram a atribuir compreensão e sentimentos ao programa. Algumas queriam conversar com privacidade. O próprio Weizenbaum ficou alarmado ao perceber a facilidade com que projetamos humanidade numa máquina.

    Esse fenômeno passou a ser chamado de efeito ELIZA. Ele continua vivíssimo. Basta uma IA responder “entendo como isso deve ser difícil” e já há quem imagine uma pequena alma digital chorando dentro do servidor.

    Em 1972 surgiu o PARRY, criado por Kenneth Colby para simular uma pessoa com paranoia. Num experimento famoso, psiquiatras tiveram dificuldade para distinguir transcrições de pacientes reais das respostas do programa. ELIZA e PARRY chegaram até a “conversar” entre si. Foi provavelmente uma das primeiras reuniões em que ninguém entendeu ninguém, tradição depois aperfeiçoada por muitos grupos de mensagens.

    Os sistemas especialistas e o primeiro invvvééérno

    O entusiasmo inicial bateu num problema desagradável: o mundo real.

    Programas que funcionavam em demonstrações cuidadosamente preparadas se perdiam fora delas. Computadores tinham pouca memória e processamento. Os pesquisadores subestimaram a quantidade de conhecimento cotidiano necessária para entender uma frase, reconhecer um objeto ou atravessar uma sala sem transformar a parede em parte do trajeto.

    Promessas não cumpridas levaram governos e empresas a reduzir investimentos. A área entrou no que ficou conhecido como inverno da inteligência artificial.

    Depois veio uma nova primavera. Nos anos 1970 e 1980, ganharam força os sistemas especialistas. Em vez de tentar construir uma inteligência geral, eles concentravam regras de especialistas humanos num domínio específico.

    O DENDRAL analisava estruturas químicas. O MYCIN ajudava a identificar infecções bacterianas e sugerir antibióticos. Empresas adotaram sistemas para diagnóstico, configuração de equipamentos e decisões de negócio.

    O coração deles era uma grande coleção de regras:

    — Se acontecer A e o exame mostrar B, então considere C.

    Funcionavam razoavelmente bem dentro do território previsto. O problema era manter milhares de regras, resolver contradições e lidar com situações que ninguém havia programado. Eles sabiam muito sobre um pedacinho do mundo e absolutamente nada sobre o resto.

    No fim dos anos 1980, o mercado de máquinas especializadas para IA desabou, os custos ficaram difíceis de justificar e chegou outro inverno. Pela segunda vez, muita gente anunciou que a inteligência artificial era uma promessa fracassada.

    Ela não havia morrido. Só estava no porão, usando casaco, esperando dados e computadores melhores.

    Deep Blue, Watson e as máquinas que venciam campeões

    Em 1997, o supercomputador Deep Blue, da IBM, derrotou o campeão mundial Garry Kasparov numa série de seis partidas de xadrez.

    O evento virou símbolo de uma máquina superando o intelecto humano. Mas o Deep Blue não era uma inteligência geral e provavelmente não tinha opinião sobre cavalos, peões ou o lanche do intervalo. Ele combinava enorme capacidade de busca, avaliação de posições e conhecimento enxadrístico preparado por especialistas.

    Era extraordinário no xadrez e inútil para preparar um café.

    Em 2011, outro sistema da IBM, o Watson, venceu os campeões Ken Jennings e Brad Rutter no programa de perguntas Jeopardy!. O desafio envolvia compreender pistas cheias de ambiguidades, trocadilhos e referências culturais, procurar respostas e estimar a confiança de cada alternativa.

    Deep Blue e Watson mostraram duas coisas. Primeiro, problemas considerados sinais de inteligência humana podiam cair diante de máquinas especializadas. Segundo, vencer uma pessoa numa tarefa não transforma automaticamente o programa numa pessoa de silício.

    A IA já estava em todo lugar, só não fazia propaganda

    Nos anos 1990 e 2000, a expressão inteligência artificial às vezes saiu de moda, mas as técnicas continuaram avançando com nomes mais discretos: mineração de dados, reconhecimento de padrões, aprendizado estatístico, processamento de linguagem e sistemas de recomendação.

    A IA filtrava spam, detectava fraudes bancárias, reconhecia voz, sugeria produtos, corrigia textos, calculava rotas, organizava resultados de busca e escolhia o que aparecia nas redes sociais. Nos videogames, comandava inimigos que sabiam exatamente onde o jogador estava, mas fingiam procurar para não estragar a brincadeira.

    Para pessoas cegas, várias dessas tecnologias tiveram impacto direto. Reconhecimento óptico de caracteres transformou imagens de texto em conteúdo legível pelo leitor de telas. Sistemas de voz melhoraram a transcrição e o controle de dispositivos. Mais tarde, modelos de visão começaram a descrever fotografias, ambientes e interfaces.

    Nem tudo nasceu com os modelos generativos. A IA passou décadas entrando pela porta dos fundos enquanto a gente achava que ela ainda morava nos filmes.

    A velha Cybelle e a geração dos chatbots de internet movida a manivela

    Quem navegou na internet no início dos anos 2000 talvez lembre de uma época em que conversar com um programa parecia uma pequena visita ao futuro.

    Antes da Cybelle, houve a A.L.I.C.E., criada por Richard Wallace em 1995. Seu conhecimento era organizado com AIML, uma linguagem de marcação que relacionava padrões de perguntas a respostas. A comunidade podia acrescentar novas regras, temas e personalidades.

    Em 2000 apareceu a Cybelle, ligada ao portal francês AgentLand. Ela tinha uma personagem virtual, conversava em idiomas como francês, inglês e português e funcionava como uma espécie de guia para o mundo dos agentes virtuais. Ao perguntar sobre outro chatbot, ela podia responder e abrir informações relacionadas no próprio portal.

    Para os padrões atuais, as conversas eram limitadas. A gente fazia uma pergunta, recebia uma resposta surpreendentemente boa, pensava “agora vai” e, duas frases depois, descobria que a criatura havia atravessado um portal para Setealém e se perdido nele.

    Mas era fascinante.

    A Cybelle conseguia sustentar certos assuntos, tinha aparência e personalidade, falava nosso idioma e criava a sensação de que havia alguém do outro lado. Na internet discada, com páginas carregando aos pedaços, aquilo parecia saído de um laboratório secreto.

    Na mesma geração tivemos outros personagens memoráveis:

    • Jabberwacky e Cleverbot: projetos de Rollo Carpenter que aprenderam com conversas de usuários e ficaram conhecidos pelas respostas imprevisíveis.
    • SmarterChild: lançado em 2001, conversava em serviços de mensagem instantânea e também fornecia notícias, previsão do tempo e outras informações.
    • Robô Ed: criado em 2004 pelo Conpet, programa da Petrobras, conversava em português sobre energia, combustíveis, meio ambiente e assuntos variados.
    • Akinator: lançado em 2007, fazia perguntas e tentava adivinhar a pessoa ou personagem em que o usuário estava pensando. Parecia bruxaria até a gente lembrar que uma boa árvore de decisões e uma base de dados enorme também fazem milagres.

    Esses chatbots não geravam livremente cada frase como os grandes modelos de linguagem atuais. Trabalhavam principalmente com regras, padrões, respostas cadastradas e bancos de dados. Se a conversa ficasse dentro das trilhas previstas, podiam impressionar. Se saísse um pouco, começavam a responder algo digno de duas torradeiras apaixonadas discutindo filosofia.

    Mesmo assim, eles ensinaram algo valioso: as pessoas gostavam de conversar com computadores. Faltava a tecnologia conseguir acompanhar a conversa sem tropeçar a cada esquina.

    As redes neurais voltam do porão

    As redes neurais nunca desapareceram completamente. Pesquisadores como Geoffrey Hinton, Yann LeCun, Yoshua Bengio e muitos outros continuaram desenvolvendo métodos de aprendizagem mesmo quando a área não estava na moda.

    A partir dos anos 2000, três coisas começaram a se encontrar:

    • quantidades gigantescas de dados produzidos pela internet;
    • computadores muito mais rápidos, especialmente placas gráficas capazes de fazer cálculos em paralelo;
    • melhores técnicas para treinar redes com muitas camadas.

    Em 2012, uma rede chamada AlexNet, criada por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, venceu com grande vantagem uma competição de reconhecimento de imagens baseada no conjunto ImageNet. O sistema aprendeu a distinguir mil categorias observando mais de um milhão de imagens.

    Esse resultado ajudou a transformar o deep learning, ou aprendizagem profunda, na principal força da nova primavera da IA. Em vez de programar manualmente cada regra para reconhecer um gato, os pesquisadores alimentavam o sistema com muitos exemplos para que ele aprendesse características úteis.

    Naturalmente, ninguém precisou perguntar aos gatos se autorizavam o uso de suas imagens. A internet sempre funcionou assim: primeiro reúne tudo, depois aparece um termo de uso com 84 páginas.

    AlphaGo e a jogada que parecia erro

    Durante muito tempo, o jogo Go foi considerado um desafio muito mais difícil que o xadrez para computadores. O número de posições possíveis é gigantesco, e jogadores humanos dependem bastante de intuição e reconhecimento de padrões.

    Em março de 2016, o AlphaGo, da DeepMind, derrotou o campeão Lee Sedol por quatro partidas a uma. O sistema combinava redes neurais, busca e aprendizagem por reforço.

    Na segunda partida, o AlphaGo fez a famosa jogada 37. Comentaristas acharam que fosse um erro. Jogadores humanos raramente escolheriam aquela posição. Muitas jogadas depois, ficou claro que ela havia sido decisiva.

    O episódio mudou a percepção sobre máquinas que aprendem. O sistema não estava apenas examinando mais jogadas que uma pessoa. Havia descoberto estratégias que surpreendiam especialistas e acabariam influenciando o próprio modo humano de jogar.

    2017: a atenção muda tudo

    Em 2017, oito pesquisadores do Google publicaram o artigo Attention Is All You Need. O trabalho apresentou a arquitetura Transformer.

    Modelos anteriores processavam sequências de palavras com mais dificuldade e dependiam bastante de mecanismos recorrentes. O Transformer usava atenção para relacionar diferentes partes de um texto e decidir quais elementos eram mais relevantes em cada contexto.

    Se aparece a frase “o cachorro perseguiu o gato porque ele correu”, o sistema precisa estimar a quem “ele” se refere. A atenção ajuda a relacionar palavras distantes e a representar dependências desse tipo.

    A grande vantagem era também computacional: o treinamento podia ser muito mais paralelizado. Com dados, placas de vídeo, dinheiro e uma conta de luz capaz de assustar uma pequena cidade, tornou-se possível treinar modelos cada vez maiores.

    O Transformer virou a base de grande parte dos modelos modernos de linguagem e também se espalhou por imagem, áudio, vídeo, programação e outras áreas.

    Como contei no artigo sobre a bolha, 2017 foi uma daquelas datas que parecem discretas no calendário, mas depois descobrimos que alguém mexeu numa peça e alterou o tabuleiro inteiro.

    GPT: um sistema treinado para continuar texto

    GPT significa Generative Pre-trained Transformer, ou Transformer Generativo Pré-treinado.

    A primeira versão da OpenAI apareceu em 2018. O GPT-2 veio em 2019 e chamou atenção pela capacidade de produzir textos coerentes. Em 2020, o GPT-3 mostrou que aumentar muito a quantidade de dados, parâmetros e computação permitia realizar diversas tarefas a partir de instruções e exemplos escritos no próprio pedido.

    A ideia central parece simples: dado um trecho de texto, prever qual é o próximo pedaço mais provável. Depois prever outro. E outro.

    Mas “qual é o próximo pedaço?” exige aprender uma quantidade enorme de relações. Para continuar corretamente um texto, o modelo precisa captar gramática, estilos, fatos, associações, formatos, padrões de raciocínio e estruturas de programação presentes nos dados.

    Ele não consulta necessariamente uma enciclopédia interna com gavetas organizadas. Aprendeu uma representação estatística distribuída por bilhões de números. É por isso que pode explicar um assunto muito bem e, logo depois, inventar o título de um livro, o nome do autor e até a editora com a tranquilidade de quem esteve no lançamento.

    ChatGPT: quando a IA ganhou uma caixa de conversa

    Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT como uma versão de pesquisa baseada inicialmente na família GPT-3.5.

    Modelos de linguagem já existiam. O que mudou foi a embalagem, e não digo isso de maneira depreciativa. A interface de conversa tornou uma tecnologia complexa acessível a qualquer pessoa capaz de escrever uma pergunta.

    O sistema também havia sido ajustado para seguir instruções e treinado com avaliações humanas. Em vez de apenas completar qualquer texto, tentava responder ao pedido do usuário, manter o contexto da conversa e recusar certas solicitações perigosas.

    De repente, milhões de pessoas puderam pedir explicações, traduções, resumos, códigos, poemas, receitas, cartas, roteiros e trabalhos escolares às duas da manhã. Algumas usaram a ferramenta como assistente. Outras descobriram um método extremamente moderno de entregar dever de casa com referências bibliográficas vindas diretamente de Setealém.

    Em 2023, o GPT-4 ampliou a qualidade e passou a trabalhar também com imagens. Nos anos seguintes, os sistemas ganharam voz, geração e edição de imagens, análise de arquivos, navegação, memória, ferramentas, vídeo e capacidade de executar tarefas em várias etapas.

    Quando esse texto foi escrito, em agosto de 2026, a documentação da OpenAI já listava a família GPT-5.6 entre seus modelos mais avançados. Esse número provavelmente envelhecerá antes de algum leitor terminar a seção, porque a indústria adotou a estratégia de lançar modelos como quem atualiza previsão de chuva.

    E então chegamos a esse cara chamado ChatGPT, que eu quase não conheço, quase nunca uso e certamente não teve participação nenhuma nesse artigo — principalmente nas pesquisas,aaa.

    Gemini, Claude e os outros malucos concorrentes

    O sucesso do ChatGPT abriu uma corrida. Empresas que já pesquisavam IA havia anos perceberam que precisavam colocar seus modelos diante do público, de preferência ontem.

    O Google lançou o Bard em 2023, apresentou a família de modelos Gemini no fim daquele ano e, em fevereiro de 2024, aposentou o nome Bard na interface. Tudo passou a se chamar Gemini, porque uma confusão de nomes por empresa já é o mínimo exigido pelo setor.

    A Anthropic lançou o Claude publicamente em 2023, com forte ênfase em segurança, documentos longos, escrita e programação. A empresa foi fundada por antigos integrantes da OpenAI e desenvolveu uma abordagem chamada IA constitucional, na qual princípios escritos ajudam a orientar o comportamento do modelo.

    A Microsoft espalhou o nome Copilot pelo Windows, pelo navegador, pelo Microsoft 365 e pelas ferramentas de programação. Em muitos desses produtos, combinou modelos da OpenAI com busca, dados empresariais e integração aos aplicativos. Em certo momento parecia que até a Calculadora ganharia um Copilot para conferir se dois mais dois ainda eram quatro.

    A Meta apresentou a família Llama em 2023 e ajudou a fortalecer o ecossistema de modelos com pesos disponíveis para pesquisa, adaptação e execução em infraestrutura própria. Isso permitiu que empresas e comunidades criassem variantes sem depender apenas de uma interface fechada.

    A xAI lançou o Grok, integrado ao Twitter e apresentado desde o início como um assistente com humor e personalidade mais rebelde. A chinesa DeepSeek ganhou projeção mundial com modelos de código e raciocínio, além de versões com pesos abertos. A Perplexity combinou modelos de linguagem com pesquisa e referências. Outras empresas, universidades e comunidades lançaram modelos próprios.

    E a lista continua. Há IAs que escrevem, desenham, compõem, dublam, programam, pesquisam, criam vídeos e operam ferramentas. Algumas trabalham no computador do usuário. Outras vivem em centros de dados com uma quantidade de placas que faria meu velho computador olhar para os próprios discos e pedir aposentadoria.

    A concorrência foi boa para acelerar recursos, reduzir custos e criar alternativas. Também intensificou a disputa por dados, energia, chips, profissionais e atenção. Na corrida para anunciar a máquina mais inteligente da semana, nem sempre sobra tempo para perguntar se ela é confiável, sustentável ou necessária.

    Mas como uma IA dessas conversa?

    De forma muito simplificada, um grande modelo de linguagem passa por algumas etapas.

    Primeiro, textos são divididos em unidades chamadas tokens. Um token pode ser uma palavra, parte de uma palavra, pontuação ou outro fragmento.

    Durante o treinamento, o modelo recebe sequências e tenta prever o próximo token. Quando erra, seus parâmetros são ajustados. Esse processo se repete uma quantidade absurda de vezes.

    Depois, há etapas de ajuste para seguir instruções, conversar e se comportar de maneira mais útil. Avaliadores humanos ou outros sistemas comparam respostas, apontam preferências e ajudam a ensinar quais saídas são melhores.

    Na hora da conversa, o modelo não copia simplesmente uma frase pronta. Calcula probabilidades e gera uma resposta nova com base no pedido, no contexto e nos padrões aprendidos. Recursos adicionais podem permitir que consulte a internet, pesquise arquivos, use calculadora, execute código ou controle programas.

    Isso explica tanto a versatilidade quanto os defeitos.

    Como foi treinado para produzir continuações plausíveis, o modelo pode gerar algo que parece correto sem ser verdadeiro. Esse problema recebeu o nome elegante de alucinação. Eu prefiro dizer que a criatura viajou para Setealém e voltou com uma fonte que nunca existiu.

    Ferramentas de busca, bancos de dados e verificações reduzem o problema, mas não eliminam a necessidade de conferir informações importantes. Uma IA pode ser ótima para ajudar a pensar e péssima como oráculo infalível. Aliás, qualquer tecnologia que se apresente como oráculo infalível merece que alguém desligue da tomada por precaução.

    Isso é inteligência de verdade?

    Depende do significado dado à palavra inteligência.

    Uma calculadora supera qualquer pessoa em contas extensas. O Deep Blue joga xadrez melhor que quase todos os seres humanos. Um modelo moderno traduz, resume, programa, reconhece imagens e conversa sobre milhares de assuntos. Em capacidade funcional, há inteligência evidente.

    Mas isso não significa que a máquina tenha consciência, desejos, experiência subjetiva ou compreensão humana do mundo. Os sistemas atuais podem simular emoção e personalidade sem sentir o que descrevem. Também podem raciocinar em certas tarefas e cometer erros ridículos em outras.

    A chamada inteligência artificial geral, ou AGI, seria um sistema capaz de aprender e agir com flexibilidade comparável ou superior à humana numa ampla variedade de situações. Há empresas que dizem estar caminhando nessa direção. Não existe consenso sobre a definição, o teste ou a distância que nos separa dela.

    Turing provavelmente reconheceria a ironia. Setenta e seis anos depois de seu artigo, as máquinas sustentam conversas surpreendentes, mas continuamos discutindo o que significa “pensar”. O Teste de Turing ficou mais fácil de imaginar e mais difícil de interpretar.

    Uma tecnologia feita por seres humanos continua carregando seres humanos

    A história da IA não é apenas uma sequência de máquinas mais potentes. Também é uma história de escolhas.

    Modelos aprendem com dados produzidos por pessoas e podem reproduzir preconceitos presentes nesses dados. Sistemas de reconhecimento podem errar mais com certos grupos. Algoritmos de recomendação influenciam o que vemos, compramos e acreditamos. Ferramentas generativas levantam discussões sobre direitos autorais, trabalho, privacidade, desinformação e concentração de poder.

    Ao mesmo tempo, a IA ajuda a analisar proteínas, detectar doenças, tornar conteúdos acessíveis, traduzir idiomas, prever estruturas, acelerar pesquisas e automatizar tarefas cansativas.

    Para uma pessoa cega, poder enviar uma imagem e perguntar o que há nela não é uma demonstração abstrata. Pode significar mais autonomia. Para alguém que perdeu a voz, síntese e clonagem responsável de fala podem devolver uma forma de comunicação. Para quem trabalha com programação, uma IA pode encontrar um erro em minutos ou criar outros três com admirável eficiência.

    A tecnologia não chega separada da sociedade. Ela amplia capacidades, interesses, injustiças e possibilidades que já estavam aqui. Não é anjo nem demônio. É uma ferramenta extremamente poderosa operada por empresas, governos e pessoas que continuam perfeitamente capazes de fazer besteira sem ajuda artificial.

    Da Cybelle ao presente: o futuro foi chegando aos pedaços

    Olhando para trás, parece que tudo conduzia inevitavelmente ao ChatGPT. Não conduzia.

    A história teve caminhos abandonados, previsões erradas, invernos, modas, falta de verba e descobertas que serviam para outra coisa. A ELIZA não virou diretamente o GPT. Os sistemas especialistas não evoluíram em linha reta para o Gemini. A Cybelle não ficou treinando escondida num Pentium até acordar multimodal.

    Cada geração resolveu uma parte do problema:

    • Turing ajudou a definir computação e perguntou como reconhecer inteligência;
    • McCulloch, Pitts, Hebb e Rosenblatt exploraram máquinas inspiradas em neurônios;
    • Dartmouth deu nome e comunidade ao campo;
    • a IA simbólica mostrou o poder e os limites das regras;
    • ELIZA e os chatbots antigos mostraram como uma conversa cria sensação de presença;
    • os sistemas especialistas provaram o valor da inteligência aplicada a domínios estreitos;
    • Deep Blue, Watson e AlphaGo derrubaram desafios considerados exclusivamente humanos;
    • dados, placas gráficas e aprendizagem profunda permitiram reconhecer padrões em escala;
    • o Transformer tornou possível treinar grandes modelos de linguagem com eficiência;
    • as IAS generativas colocaram tudo diante do público numa caixa de texto simples.

    Esse percurso também ajuda a entender por que o artigo de ontem não tratou o futuro do trabalho como uma simples disputa entre gente e robôs. Cada onda da IA eliminou tarefas, criou especialidades e mudou o valor de outras. A tecnologia não reorganiza a sociedade sozinha: empresas, governos e trabalhadores ainda decidem quem recebe os ganhos e quem paga o custo da travessia.

    E, como concluí no artigo sobre a bolha, empresas, avaliações financeiras e promessas podem estourar sem levar a tecnologia junto. A IA já atravessou mais de um invvvééérno. Mudou de nome, perdeu verba, voltou com outra arquitetura e continuou se infiltrando no cotidiano.

    Hoje conversamos com máquinas que escrevem, ouvem, falam, veem imagens, produzem música, criam vídeos e usam ferramentas. Elas impressionam, erram, ajudam, atrapalham e às vezes respondem uma coisa tão esquisita que a Cybelle, onde quer que seus arquivos estejam, deve sentir orgulho.

    Talvez a pergunta mais útil já não seja “a inteligência artificial vai existir?”. Ela existe faz tempo.

    As perguntas agora são outras: quem controla, quem se beneficia, quem paga o custo, como verificamos o que ela produz e que tipo de sociedade queremos construir com isso.

    Alan Turing perguntou se uma máquina poderia pensar. Nós ainda não terminamos de responder. Mas já descobrimos que ela pode conversar, jogar, reconhecer, criar, calcular, descrever e inventar uma bibliografia inteira quando não sabe a resposta.

    O futuro chegou. Só veio parcelado, passou duas vezes pelo invvvééérno e, em algum ponto do caminho, fez uma conexão em Setealém.

    Um abraço e até o próximo post!

    Fernando

    Fontes e leituras complementares

  • Da máquina a vapor ao colega de silício: os empregos que a IA vai transformar, os que vai criar e os que não vai conseguir eliminar

    Tempo de leitura: 14 minutos

    Olá, caros leitores e amigos!

    Sempre que aparece uma tecnologia nova, alguém anuncia o fim dos empregos.

    Foi assim quando as máquinas começaram a entrar nas fábricas durante a Revolução Industrial. Foi assim com os teares mecânicos, com o motor a vapor, com os tratores, com a eletricidade, com as linhas de montagem, com os computadores, com os caixas eletrônicos, com a internet e até com aquelas planilhas eletrônicas que, segundo algumas previsões, mandariam todos os contadores para casa.

    Agora chegou a vez da inteligência artificial.

    — Pronto. Acabou. A máquina escreve, desenha, programa, traduz, compõe música, atende clientes e ainda não pede férias. Dentro de alguns anos estaremos todos sentados na calçada, disputando com um robô a última vaga de vendedor de pipoca.

    Calma.

    A IA realmente vai eliminar algumas funções, reduzir outras e modificar uma quantidade enorme de profissões. Negar isso seria tão sensato quanto um fabricante de lampiões, em 1900, declarar que aquela história de eletricidade era apenas uma modinha.

    Mas existe outra metade da história: tecnologias também criam necessidades, mercados, tarefas e profissões. Algumas delas ainda nem têm um nome definitivo; outras já existem, mas ganharão funções novas; e há trabalhos que dificilmente desaparecerão porque dependem de presença física, confiança, responsabilidade, improviso, empatia ou conhecimento humano especializado.

    Então, em vez de repetir pela milésima vez quais empregos a IA vai engolir no café da manhã, hoje vamos olhar para o outro lado: quais empregos devem crescer, quais estão nascendo e quais continuarão por aqui, ainda que com uma IA sentada ao lado dando palpite.

    O medo não nasceu com o ChatGPT

    No começo do século XIX, trabalhadores ingleses destruíram máquinas usadas na indústria têxtil. Eles ficaram conhecidos como luditas e, com o tempo, seu nome virou sinônimo de gente que rejeita qualquer novidade tecnológica.

    A história real era menos caricata. Aqueles trabalhadores não eram sujeitos apavorados com uma engrenagem porque acreditavam que havia um demônio morando dentro dela. Eles protestavam contra a perda de renda, a piora das condições de trabalho e a substituição de profissionais qualificados por mão de obra mais barata operando máquinas.

    Ou seja: a preocupação deles fazia sentido.

    A Revolução Industrial acabou criando fábricas, ferrovias, oficinas, indústrias inteiras e profissões como mecânicos de máquinas, operadores, engenheiros, eletricistas e técnicos de manutenção. No total, surgiram atividades que antes seriam inimagináveis. Mas isso não devolveu automaticamente o emprego, o salário ou a dignidade de cada artesão que perdeu seu sustento durante a transição.

    Essa distinção é essencial. Uma tecnologia pode criar mais empregos na economia ao longo de vinte anos e, ao mesmo tempo, destruir a vida profissional de muita gente na próxima terça-feira.

    O economista David Autor lembra que a automação não apenas substitui trabalho humano: ela também complementa trabalhadores, aumenta a produção e cria novas demandas. Daron Acemoglu e Pascual Restrepo descrevem duas forças agindo ao mesmo tempo: o chamado efeito de deslocamento, quando a máquina assume tarefas antes feitas por pessoas, e o efeito de reintegração, quando a tecnologia cria tarefas novas nas quais o trabalho humano volta a ser necessário.

    O problema é que essas duas forças não chegam juntas, não beneficiam necessariamente as mesmas pessoas e raramente vêm acompanhadas de um bilhete dizendo: “Prezado trabalhador substituído, sua nova profissão fica na sala ao lado e paga o dobro”. Seria simpático, mas o capitalismo ainda não instalou esse addon.

    A IA substitui profissões ou tarefas?

    Uma profissão não é uma tarefa única. O trabalho de um jornalista pode envolver pesquisar, entrevistar, verificar fatos, organizar informações, escrever, revisar, negociar uma pauta e responder legalmente pelo que publicou. Um programador não passa o dia apenas digitando código: ele entende problemas, conversa com usuários, escolhe soluções, integra sistemas, testa, corrige, documenta e, em dias especialmente felizes, tenta descobrir por que algo que funcionava ontem decidiu morrer hoje.

    A inteligência artificial pode assumir algumas dessas tarefas sem conseguir executar a profissão inteira com segurança e autonomia.

    Esse é um dos principais resultados do índice publicado pela Organização Internacional do Trabalho em 2025. Segundo a OIT, um em cada quatro trabalhadores do mundo está em alguma ocupação exposta à IA generativa, mas apenas 3,3% do emprego global aparece na categoria de exposição mais alta. Mesmo nos trabalhos mais expostos, a transformação é considerada mais provável do que a substituição completa.

    Em maio de 2026, ao apresentar um projeto brasileiro para estudar o impacto da IA nas ocupações da Classificação Brasileira de Ocupações, o Ministério do Trabalho e Emprego reforçou a mesma cautela: exposição não significa impacto, e analisar tarefas é mais útil do que simplesmente carimbar uma profissão inteira como condenada.

    É claro que, se uma empresa automatizar 70% das tarefas de um setor, talvez ela precise de menos pessoas para entregar o mesmo volume de trabalho. Portanto, “a profissão não desaparecerá” não significa “nenhuma vaga será perdida”. Significa que o conteúdo do trabalho, o número de profissionais necessários e as habilidades exigidas podem mudar de maneiras diferentes.

    Os números do apocalipse — e os números que geralmente esquecem de contar

    O relatório Future of Jobs 2025, do Fórum Econômico Mundial, estimou que as grandes transformações econômicas, demográficas, ambientais e tecnológicas devem criar 170 milhões de empregos e deslocar 92 milhões até 2030. O saldo projetado é positivo em 78 milhões de postos.

    Antes que alguém saia anunciando “a IA criará 170 milhões de empregos”, convém apertar o freio do entusiasmo. O número reúne várias tendências, não apenas inteligência artificial, e resulta de projeções feitas a partir de uma pesquisa com mais de mil grandes empregadores. É um indicador importante, não uma mensagem trazida do futuro por um viajante temporal com carteira assinada.

    Quando o relatório separa IA e processamento de informações, a expectativa é de aproximadamente 11 milhões de funções criadas e 9 milhões deslocadas. O mesmo estudo prevê que 39% das habilidades consideradas fundamentais pelos trabalhadores mudarão até 2030.

    Entre as ocupações com tendência de queda aparecem caixas e vendedores de bilhetes, digitadores, assistentes administrativos, secretários executivos, trabalhadores de impressão e algumas funções contábeis e de auditoria mais rotineiras. Entre as que crescem estão especialistas em big data, inteligência artificial e aprendizado de máquina, engenheiros de tecnologia financeira, desenvolvedores de software, profissionais de segurança, especialistas em veículos elétricos e engenheiros ambientais e de energia renovável.

    Ou seja: não teremos simplesmente menos trabalho. Teremos uma grande mudança na distribuição do trabalho — e uma bela confusão até descobrirmos onde colocar todo mundo.

    As profissões que estão surgindo ou ganhando uma cara nova

    1. Engenheiros e especialistas em inteligência artificial

    Alguém precisa criar, adaptar, treinar, integrar e manter os sistemas de IA. Aqui entram engenheiros de aprendizado de máquina, cientistas de dados, pesquisadores, arquitetos de soluções, especialistas em processamento de linguagem, engenheiros de dados e profissionais de infraestrutura.

    Também crescerão funções ligadas ao MLOps, nome pouco amigável para o conjunto de práticas usado para colocar modelos em produção, monitorá-los, atualizá-los e impedir que aquela demonstração maravilhosa funcione apenas no notebook do desenvolvedor.

    2. Engenheiro de prompts e designer de conversação

    A engenharia de prompts nasceu com a expansão dos grandes modelos de linguagem. O engenheiro de prompts cria instruções, fornece contexto, define exemplos, estabelece limites, testa respostas e desenvolve métodos para que uma IA execute uma tarefa de maneira consistente.

    Não é simplesmente escrever “faça um texto bonito” e esperar o salário cair na conta. Em aplicações profissionais, um prompt pode fazer parte de um sistema complexo, usar dados externos, chamar ferramentas, seguir regras de segurança e precisar funcionar diante de milhares de perguntas que seu criador jamais imaginou.

    A profissão existe, mas merece uma dose de realidade. Um estudo de 2025 analisou 20.662 anúncios de emprego no LinkedIn e encontrou 72 vagas com o título de engenheiro de prompts: menos de 0,5% da amostra. Ao mesmo tempo, o estudo identificou um perfil próprio, combinando conhecimento de IA, criação de prompts, comunicação e resolução criativa de problemas.

    A tendência mais provável é dupla: haverá especialistas dedicados à engenharia de prompts, principalmente em produtos complexos, mas a habilidade se espalhará por muitas outras profissões. Programadores, professores, advogados, profissionais de marketing, analistas, revisores e pesquisadores terão de aprender a conversar com sistemas de IA, testar suas respostas e transformar instruções soltas em processos confiáveis.

    Talvez o cargo “engenheiro de prompts” não se multiplique tanto quanto se anunciava em 2023, mas a engenharia de prompts já está se tornando uma competência profissional. É parecido com saber usar a internet: poucas pessoas têm o cargo de “usador profissional de navegador”, mas tente trabalhar sem isso hoje.

    3. Treinadores de IA, curadores de dados e especialistas de domínio

    Modelos precisam de dados selecionados, organizados, classificados e avaliados. Isso cria espaço para anotadores de dados, curadores, linguistas computacionais, treinadores de modelos e especialistas capazes de ensinar à máquina as particularidades de uma área.

    Um sistema médico precisa da participação de profissionais da saúde. Um sistema jurídico precisa de juristas. Uma IA que trabalha com música, acessibilidade, finanças ou agricultura precisa de gente que conheça profundamente esses assuntos.

    Aqui existe um alerta: parte do trabalho de anotação já é terceirizada por valores baixos e em condições precárias. Criar uma profissão nova não garante que ela seja boa. O futuro do trabalho também depende de remuneração, direitos, transparência e reconhecimento da mão humana escondida atrás da suposta mágica automática.

    4. Avaliadores, testadores e red teamers de IA

    Antes de colocar uma IA para recomendar um tratamento, analisar um currículo, aprovar crédito ou conversar com milhares de clientes, alguém precisa descobrir como ela falha.

    É aí que entram avaliadores de modelos, especialistas em qualidade, testadores de segurança e integrantes de equipes de red teaming. Essas pessoas provocam o sistema, procuram vieses, inventam situações extremas, tentam contornar proteções e medem se a ferramenta faz aquilo que promete.

    O perfil de gestão de riscos para IA generativa publicado pelo NIST recomenda testes antes da implantação, auditorias, avaliações de impacto, exercícios estruturados de feedback humano e red teaming. Quanto mais empresas dependerem de IA, maior será a necessidade de profissionais pagos para desconfiar dela. Finalmente uma carreira promissora para quem olha para um sistema novo e pensa: “Muito bonito. Agora me deixe tentar quebrar isso”.

    5. Auditores, gestores de risco e profissionais de governança de IA

    Quem responde quando um algoritmo discrimina um candidato, inventa uma informação médica, vaza dados ou toma uma decisão impossível de explicar?

    Empresas e governos precisarão de especialistas em governança, auditoria algorítmica, privacidade, direitos autorais, ética, documentação, conformidade e avaliação de impacto. Parte dessas funções será ocupada por profissionais novos; outra parte surgirá da especialização de advogados, auditores, administradores, especialistas em segurança e encarregados de proteção de dados.

    Regras como a legislação europeia de inteligência artificial exigem gestão de riscos, documentação, transparência e supervisão humana em sistemas considerados de alto risco. Mesmo onde a lei ainda estiver sendo construída, empresa nenhuma deveria esperar o primeiro processo judicial para descobrir que “a IA decidiu sozinha” não é uma defesa muito brilhante.

    6. Especialistas em cibersegurança, identidade e verificação de conteúdo

    A mesma IA que ajuda a defender uma rede também pode produzir golpes convincentes, imitar vozes, fabricar vídeos, criar mensagens personalizadas e automatizar ataques.

    Isso aumenta a procura por analistas de segurança, investigadores digitais, especialistas em detecção de fraude, peritos em conteúdo sintético e profissionais dedicados à procedência de arquivos: quem criou, quando alterou e se aquele áudio do diretor pedindo uma transferência bancária é verdadeiro ou foi fabricado cinco minutos antes.

    7. Técnicos de automação, robótica e manutenção

    Software não aperta o próprio parafuso, troca seu rolamento nem sobe numa torre eólica para fazer manutenção. Quanto mais sensores, robôs, veículos elétricos e equipamentos inteligentes forem instalados, mais gente será necessária para integrar, operar, consertar e atualizar tudo isso.

    Projeções de emprego dos Estados Unidos para 2024 a 2034 colocam técnicos de turbinas eólicas e instaladores de energia solar entre as ocupações de crescimento mais rápido. Mecânicos de máquinas industriais também aparecem com crescimento bem superior à média. Os números são americanos e não devem ser copiados diretamente para o Brasil, mas ajudam a mostrar uma regra simples: toda automação cria uma fila de equipamentos que, mais cedo ou mais tarde, darão defeito.

    8. Especialistas em acessibilidade de sistemas de IA

    Uma IA pode gerar descrições de imagens, transcrever áudio, simplificar textos e ampliar a autonomia de pessoas com deficiência. Também pode criar botões sem rótulo, interfaces impossíveis de navegar com teclado, descrições absurdas e decisões enviesadas porque ninguém incluiu pessoas com deficiência nos testes.

    Por isso, crescerá a necessidade de consultores de acessibilidade, testadores com deficiência, especialistas em tecnologia assistiva, designers inclusivos e auditores capazes de verificar tanto a interface quanto o comportamento do sistema.

    Acessibilidade não pode ser um enfeite colocado na última sexta-feira antes do lançamento. Em sistemas que aprendem, mudam e geram conteúdo novo, ela precisa ser testada continuamente.

    Editor e revisor: o profissional que ficará atrás da IA com uma vassoura

    Se existe uma profissão que tende a aparecer em quase todas as áreas da inteligência artificial, é a de editor, revisor, avaliador ou especialista responsável pela validação final.

    A IA produz texto rapidamente, mas pode inventar fatos, misturar fontes, errar datas, perder o tom, repetir ideias e escrever com aquela segurança maravilhosa de quem está completamente errado. Pode traduzir uma frase correta do ponto de vista gramatical e destruir seu sentido cultural. Pode criar um roteiro com três personagens que mudam de nome, um programa que funciona no exemplo e abre uma cratera de segurança no uso real, ou uma imagem com uma placa escrita em dialeto marciano.

    Quanto mais conteúdo for produzido, mais conteúdo precisará ser conferido.

    Isso abre espaço para vários tipos de revisão:

    • editores e revisores de textos, livros, notícias, publicidade e material didático;
    • checadores de fatos, fontes, citações e dados;
    • tradutores especializados em pós-edição de tradução automática;
    • leitores críticos, editores de roteiro e especialistas em continuidade;
    • revisores técnicos de conteúdos médicos, jurídicos, científicos e financeiros;
    • revisores de código, segurança, testes e documentação;
    • diretores e editores de áudio, imagem e vídeo gerados ou modificados por IA;
    • avaliadores de acessibilidade, linguagem inclusiva, vieses e adequação cultural.

    Na tradução, isso já é formalizado há anos. A norma ISO 18587 estabelece requisitos para a pós-edição humana completa de traduções produzidas por máquina e para as competências do profissional que realiza esse trabalho.

    A revisão, porém, não pode virar o emprego do sujeito que recebe quinhentos textos por hora e clica em “aprovado” até seus olhos pedirem demissão. Validar uma saída de IA exige tempo, conhecimento da área, acesso às fontes e autoridade para rejeitar o material. Quando há risco médico, jurídico, financeiro ou de segurança, o revisor não é um corretor cosmético: é parte do sistema de proteção.

    E existe uma ironia deliciosa aqui. Durante anos anunciaram que a IA acabaria com revisores, tradutores e editores. Agora estamos descobrindo que, para usar a IA em escala sem transformar a internet num enorme depósito de bobagens bem formatadas, precisaremos justamente de revisores, tradutores e editores.

    Programadores vão acabar?

    Não. Mas o trabalho deles já está mudando.

    A IA escreve funções, sugere correções, explica código e monta estruturas iniciais com uma velocidade impressionante. Isso reduz o valor de algumas tarefas mecânicas, principalmente a produção de código repetitivo e previsível.

    Ao mesmo tempo, alguém ainda precisa entender o problema, definir a arquitetura, escolher tecnologias, proteger os dados, integrar serviços, testar situações reais, conversar com o cliente, manter o sistema e assumir a responsabilidade quando tudo quebra às três da manhã.

    Aliás, quanto mais fácil fica produzir código, mais software é criado — e mais software precisa de integração, testes, segurança, manutenção e correção. O Bureau of Labor Statistics dos Estados Unidos projeta crescimento de 15,8% para desenvolvedores de software entre 2024 e 2034, muito acima dos 3,1% previstos para o conjunto das ocupações.

    O programador que apenas transforma uma especificação pronta em código previsível ficará mais exposto. O profissional que entende sistemas, usuários, segurança, negócio e depuração continuará valioso. Digitar código deixa de ser o centro; saber o que deve ser construído, verificar se funciona e perceber quando a IA está fazendo uma bela porcaria passam a valer ainda mais.

    Os empregos que não vão desaparecer tão cedo

    Nenhuma profissão recebe garantia de eternidade em cartório. Ainda assim, alguns trabalhos são especialmente resistentes à automação completa.

    Saúde, cuidado e apoio emocional

    Médicos usarão IA para analisar exames e organizar informações. Enfermeiros terão sistemas de monitoramento. Psicólogos poderão usar ferramentas auxiliares. Cuidadores receberão apoio para acompanhar medicamentos e rotinas.

    Mas diagnóstico não é apenas reconhecer um padrão, cuidado não é apenas executar uma lista e sofrimento humano não se resolve com uma resposta estatisticamente provável. Presença, toque, confiança, contexto, ética e responsabilidade continuam humanos.

    Nas projeções americanas até 2034, profissionais de enfermagem avançada, assistentes de fisioterapia, técnicos de saúde, conselheiros de saúde mental e cuidadores domiciliares aparecem entre as ocupações de maior crescimento. Somente cuidadores domiciliares e pessoais devem ganhar cerca de 740 mil postos naquele país.

    Professores, educadores e mentores

    A IA pode explicar um conteúdo de dez maneiras, preparar exercícios e adaptar materiais. Excelente. Isso libera o professor de parte do trabalho repetitivo.

    Mas ensinar também é perceber que o aluno não entendeu embora tenha dito que sim, mediar conflitos, estimular curiosidade, criar disciplina, adaptar-se ao ambiente, descobrir talentos e impedir que trinta crianças transformem a sala numa filial experimental do caos.

    O professor não desaparecerá. O professor que usa IA provavelmente terá ferramentas melhores; aquele que apenas repete conteúdo pronto precisará rever seu papel.

    Eletricistas, encanadores, mecânicos, técnicos e trabalhadores de campo

    Robôs funcionam muito bem em ambientes controlados. Uma casa antiga com fios passados por alguém que aparentemente odiava a humanidade não é um ambiente controlado.

    Profissões que exigem deslocamento, destreza, diagnóstico físico e adaptação a situações imprevisíveis são difíceis e caras de automatizar. Eletricistas, encanadores, mecânicos, instaladores, técnicos de refrigeração, profissionais de manutenção, trabalhadores da construção e diversos ofícios continuarão necessários.

    E serão ainda mais necessários para instalar e consertar a infraestrutura do maravilhoso futuro automatizado.

    Emergência, resgate e decisões sob pressão

    Bombeiros, socorristas, equipes de defesa civil e outros profissionais de emergência podem usar drones, sensores e sistemas preditivos. Mas ambientes caóticos exigem improviso, coragem, coordenação e decisões morais que não podem ser simplesmente terceirizadas a um modelo.

    Liderança, negociação e relações humanas

    Gerentes terão relatórios automáticos. Vendedores receberão sugestões. Recrutadores usarão sistemas de triagem. Advogados pesquisarão com IA. Ainda assim, confiança, negociação, persuasão, gestão de conflitos e responsabilidade institucional dependem de relações entre pessoas.

    Isso não preserva todas as vagas nem todas as tarefas. Preserva a necessidade de alguém compreender interesses contraditórios, tomar decisões e responder por elas.

    Artistas, autores e criadores

    A IA já cria músicas, imagens, vídeos e textos. Isso aumentará a quantidade de conteúdo e pressionará parte do mercado, principalmente na produção rápida, barata e genérica.

    Mas arte não é apenas o arquivo final. Também é a história de quem criou, a intenção, a interpretação, a experiência compartilhada e a ligação do público com uma pessoa. Um cantor não é somente uma máquina de emitir notas certas; um escritor não é apenas um distribuidor de frases; e ninguém vai a um show apenas para conferir se todas as frequências sonoras previstas estão presentes.

    Criadores usarão IA, rejeitarão IA, misturarão técnicas e inventarão novos formatos. O mercado mudará bastante. A vontade humana de contar histórias e de ouvir as histórias de outras pessoas, porém, parece ter sobrevivido a todas as tecnologias anteriores.

    O que continuará valendo no currículo

    Se ferramentas específicas mudam a cada poucos meses, não adianta decorar o nome de cada botão e imaginar que o aprendizado terminou.

    As habilidades mais resistentes são justamente as que ajudam a trabalhar com a tecnologia sem obedecê-la cegamente:

    • conhecimento profundo de uma área;
    • pensamento crítico e capacidade de verificar informações;
    • comunicação clara, inclusive para formular boas instruções;
    • criatividade e resolução de problemas novos;
    • ética, responsabilidade e compreensão de riscos;
    • empatia, negociação e trabalho em equipe;
    • capacidade de aprender continuamente;
    • uso prático da IA como ferramenta, e não como oráculo eletrônico.

    Uma pesquisa da PwC baseada em quase um bilhão de anúncios de emprego encontrou mudanças de competências 66% mais rápidas nas ocupações mais expostas à IA. Também identificou um prêmio salarial médio de 56% para trabalhadores com habilidades em IA, categoria que inclui engenharia de prompts.

    Isso não significa que todo mundo precise abandonar sua profissão e virar cientista de dados até sexta-feira. Significa que um contador, professor, jornalista, músico, advogado, profissional de saúde, programador ou técnico que entenda como usar e fiscalizar essas ferramentas poderá ampliar sua capacidade de trabalho.

    O verdadeiro problema não é a falta de trabalho, mas a travessia

    Dizer que haverá saldo positivo de empregos não resolve a transição.

    Uma vaga nova em segurança de IA não ajuda imediatamente a secretária dispensada por um sistema automático. Um posto de técnico em energia eólica pode estar a mil quilômetros do trabalhador que perdeu seu emprego numa gráfica. E uma profissão nova pode exigir formação que custa dinheiro, tempo e acesso que muita gente não possui.

    Por isso, o futuro do trabalho não depende apenas do que a tecnologia consegue fazer. Depende das escolhas de empresas e governos: treinamento, educação acessível, proteção social, direitos trabalhistas, inclusão de pessoas com deficiência, distribuição dos ganhos de produtividade e criação de caminhos reais para a requalificação.

    Se a IA aumentar enormemente a produtividade e todos os benefícios ficarem com meia dúzia de empresas, teremos avanço tecnológico e retrocesso social ao mesmo tempo. A máquina não decide essa distribuição sozinha. Quem decide são as pessoas.

    Então, a IA vai roubar nosso emprego?

    Alguns, sim. Outros serão divididos, reduzidos, ampliados ou completamente redesenhados. Muitas pessoas passarão a trabalhar com IA sem mudar o nome de sua profissão. Outras terão cargos que hoje parecem inventados por um roteirista de ficção científica.

    A frase “a IA não substituirá você; uma pessoa usando IA substituirá” ficou popular, mas simplifica demais. Às vezes um profissional usando IA realmente fará o trabalho que antes exigia três. Em outras ocasiões, a empresa usará a tecnologia apenas para produzir mais com a mesma equipe. Também haverá casos em que a automação falhará, custará caro e será discretamente abandonada depois de uma apresentação cheia de gráficos coloridos e erros desastrosos…

    A resposta honesta é menos cinematográfica: a IA não acabará com o trabalho, mas mudará quem faz cada tarefa, como ela é feita, quanto vale e quem fica com o ganho.

    E, no meio dessa mudança, surgirão engenheiros de prompts, treinadores de modelos, auditores de algoritmos, especialistas em segurança, técnicos de robótica, consultores de acessibilidade e uma multidão de editores e revisores encarregados de conferir se a maravilhosa inteligência artificial não colocou Napoleão na Segunda Guerra Mundial, receitou cola para gastrite ou criou um sistema de login que aceita a senha “123”.

    No fim, a tecnologia continuará fazendo o que sempre fez: eliminar algumas tarefas, criar outras, remodelar mais algumas e obrigar a humanidade a reorganizar a bagunça.

    E organizar bagunça, convenhamos, ainda é uma área com excelente futuro profissional, aaaa…

    Um abraço e até o próximo post!

    Fernando

    Referências

  • As duas grandes IAs rivais como futurólogas da Copa de 2026: quem leva a taça?

    Tempo de leitura: 4 minutos

    Olá, caros amigos leitores dessa coisa aqui!

    Resolvi fazer um post espontâneo — coisa que, convenhamos, não tem acontecido muito desde 2020, quando boa parte das publicações passou a ser previamente programada — e arriscar algumas previsões.

    Primeiro, chamei as duas grandes IAs “rivais”, ChatGPT e Gemini, para darem suas opiniões como futurólogas da Copa do Mundo de 2026. Depois, no final, apresento a minha opinião, que não tem absolutamente nada de “futebológica”.

    Aliás, “futebolólogo” é aquele que estuda profundamente o futebol ou apenas alguém que fala sobre o assunto com grande convicção e pouco conhecimento? Não sei. Se o termo ainda não existir oficialmente, eu, Fernando Zamboni, estou cunhando a palavra agora, em 2026. E, se alguém já a inventou antes, estou apenas reinventando-a,aaa…

    Vamos lá!

    A opinião do ChatGPT

    Eu perguntei:

    Aja como um futurólogo e me diga quem vai ganhar a Copa de 2026.

    O ChatGPT respondeu:

    🔮 A previsão oficial do Futurólogo Zambônico é: França campeã da Copa de 2026.

    Minha bola de cristal mostra este caminho:

    Semifinais

    • França 2 × 1 Espanha;
    • Argentina 2 × 1 Inglaterra.

    Final — 19 de julho

    • França 2 × 1 Argentina, talvez até com um gol decisivo nos minutos finais.

    Não é um palpite completamente tirado do Setealém. França, Espanha, Inglaterra e Argentina são as quatro seleções que chegaram às semifinais da competição.

    A França enfrentará a Espanha no dia 14 de julho, enquanto Inglaterra e Argentina disputarão a segunda semifinal no dia 15. A grande final será realizada em 19 de julho.

    Confira o levantamento da FIFA sobre as quatro finais possíveis da Copa de 2026.

    Meu ranking de probabilidade místico-científica

    1. França — 35%;
    2. Espanha — 27%;
    3. Argentina — 23%;
    4. Inglaterra — 15%.

    O roteiro mais cinematográfico seria Messi levando a Argentina para outra final e enfrentando Mbappé novamente — só que, desta vez, o francês cobrando a dívida de 2022.

    E, como o futebol adora repetir uma novela trocando apenas o assassino, vou cravar: França tricampeã.

    A opinião do Gemini

    Fiz exatamente a mesma pergunta:

    Aja como um futurólogo e me diga quem vai ganhar a Copa de 2026.

    O Gemini respondeu:

    Como futurólogo, prefiro não apenas olhar para as cartas de tarô, mas decifrar os dados do presente para mapear as tendências do amanhã. E o amanhã, meu amigo, está literalmente dobrando a esquina!

    Hoje, em pleno julho de 2026, a Copa do Mundo mais gigantesca da história, com 48 seleções, já limpou o tabuleiro e restam apenas quatro gigantes de pé.

    O Brasil infelizmente deu adeus nas oitavas de final para a Noruega, mas o destino da taça que será erguida no dia 19 de julho está sendo decidido nestas duas semifinais:

    • França × Espanha: um duelo de titãs europeus;
    • Inglaterra × Argentina: uma rivalidade histórica e, possivelmente, a última dança de Messi em Copas do Mundo.

    Veja a tabela de jogos e resultados da Copa do Mundo de 2026 no site da FIFA.

    As linhas de probabilidade do “supercomputador”

    1. A máquina francesa — França

    Apontada como uma das principais favoritas, a França possui um elenco letal e resiliente, além do poder de decisão de Mbappé.

    2. A perfeição coletiva — Espanha

    A Espanha chega como uma das seleções que praticam o futebol mais coletivo e vistoso do torneio. Lamine Yamal e companhia representam o futuro que já chegou.

    3. O misticismo da Albiceleste — Argentina

    Os atuais campeões avançam movidos pela força histórica e pela narrativa épica de dar a Lionel Messi uma despedida perfeita das Copas.

    4. A fome de encerrar o jejum — Inglaterra

    O English Team vem quebrando barreiras emocionais e tenta encerrar uma seca de 60 anos sem levantar a taça mundial.

    O meu palpite futurista

    Um bom futurólogo precisa se posicionar!

    Se a tendência de domínio tático se mantiver, o vencedor de França e Espanha — uma partida que muitos consideram uma final antecipada — chegará à decisão carregando uma bagagem tática capaz de conquistar o título.

    Se eu tivesse que colocar minhas fichas em uma única seleção, apostaria na Espanha consolidando sua nova geração de ouro ou no poder de decisão avassalador da França.

    Mas eu não aceitei aquele muro reforçado com concreto algorítmico e pedi uma resposta definitiva:

    Quero que você me diga. Depois eu digo a minha opinião…

    Finalmente, o Gemini desceu do muro:

    Combinado. Sem ficar em cima do muro, sem desculpas de algoritmos e sem dividir o palpite.

    Se é para prever o futuro, vamos com convicção:

    A campeã da Copa do Mundo de 2026 será a Espanha.

    Por que a Espanha?

    A engrenagem perfeita: enquanto outras seleções dependem de momentos de genialidade individual, como a França com Mbappé ou a Argentina com a aura de Messi, a Espanha joga um futebol coletivo que parece saído de um software de precisão.

    O fator juventude: Lamine Yamal e Nico Williams não sentem a pressão. Eles jogam com a leveza de quem está no pátio da escola, mas com a eficiência de veteranos.

    A evolução do tiki-taka: a equipe abandonou aquela posse de bola burocrática e lateral de outros tempos. A Espanha de 2026 é vertical, veloz e sufocante na pressão.

    A Espanha passará pela semifinal e vencerá a grande final com autoridade, consolidando o início de uma nova era de domínio no futebol mundial.

    Cartas na mesa e previsão registrada.

    A intervenção humana, sem interferências interdimensionais

    Depois de ouvir as duas inteligências artificiais — uma apostando na França e a outra, depois de alguma insistência, escolhendo a Espanha — chegou a hora da minha intervenção humana.

    Sem estatísticas avançadas, supercomputadores, cartas de tarô, bolas de cristal ou interferências vindas de algum universo 7alhenístico perdido por aí, minha aposta para a final é:

    França × Argentina… Ganha: França (Infelizmente)…!

    E vocês, caros leitores dessa coisa aqui? Quem acham que vai levantar a taça no dia 19 de julho?

    Deixem suas previsões registradas. Depois da final, voltamos aqui para descobrir quem foi futurólogo, futebolólogo, chutólogo ou apenas vítima de uma alteração não autorizada na linha temporal.

    Abração e fui!

    Fugindo do futuro…

    Fernando

  • Por que a “bolha” da IA ainda não estourou?

    Tempo de leitura: 7 minutos

    Olá, pessoal, leitores dessa coisa aqui que, por alguma razão interdimensional, ainda continua no ar!

    De tempos em tempos aparece alguém decretando: “A bolha da inteligência artificial vai estourar!”. Pode ser economista, investidor, programador, sujeito traumatizado porque pediu uma informação e recebeu uma resposta inventada ou simplesmente alguém que acha que toda novidade tecnológica precisa terminar como as empresas “ponto com” do início dos anos 2000.

    E, sejamos honestos: existem, sim, elementos de bolha no atual mercado de IA. Há empresas avaliadas em bilhões sem terem encontrado uma forma clara de ganhar dinheiro, produtos comuns recebendo o rótulo “com inteligência artificial” apenas porque alguém colocou um chatbot no canto da tela e investidores despejando caminhões de dinheiro em qualquer coisa que consiga pronunciar as palavras “modelo generativo”.

    Mesmo assim, a tal bolha ainda não estourou. E talvez o motivo seja relativamente simples: por baixo de todo o exagero, existe uma tecnologia que realmente funciona, está melhorando rapidamente e já começou a mudar a maneira como muita gente trabalha.

    Isto não começou com o ChatGPT

    Embora para o grande público a inteligência artificial pareça ter surgido de repente no fim de 2022, ela já estava entre nós havia bastante tempo. Sistemas de recomendação, reconhecimento de voz, tradução automática, filtros contra spam, identificação de imagens e assistentes virtuais já utilizavam técnicas de IA muito antes de alguém começar a pedir a um chatbot que escrevesse um poema sobre duas torradeiras apaixonadas.

    A grande mudança aconteceu com a evolução dos modelos de linguagem e, especialmente, com a arquitetura conhecida como *Transformer*, apresentada em 2017. Em termos muito simplificados, ela permitiu que os modelos analisassem relações entre palavras e trechos de um texto com muito mais eficiência.

    Depois veio a fase do “quanto maior, melhor”. Mais dados, mais parâmetros, mais computadores, mais eletricidade e, naturalmente, mais dinheiro. Os modelos aprenderam a completar textos, responder perguntas, traduzir, resumir, programar e executar outras tarefas que não haviam sido ensinadas individualmente.

    Os primeiros modelos acessíveis ao público eram impressionantes, mas também tinham a delicadeza intelectual de um estagiário muito entusiasmado que não queria admitir que não sabia alguma coisa. Quando não encontravam uma resposta, frequentemente inventavam uma com extraordinária convicção.

    Isso ainda acontece, claro. Mas os modelos evoluíram.

    Eles passaram a trabalhar com textos maiores, imagens, áudio, vídeo, programação e documentos. Receberam mecanismos de memória, acesso à internet, ferramentas externas, execução de código e capacidade de analisar problemas em várias etapas. Surgiram também modelos menores e especializados, capazes de rodar com custos muito inferiores — em alguns casos, no próprio computador ou celular.

    Os preços de inferência, isto é, o custo para o modelo produzir uma resposta, caíram enormemente desde 2022. Dependendo da tarefa, a redução anual ficou entre nove e novecentas vezes, segundo o AI Index de Stanford. Ao mesmo tempo, modelos menores começaram a atingir resultados que poucos anos antes exigiam as maiores e mais caras estruturas disponíveis. Stanford AI Index

    Portanto, não estamos diante de um produto parado tentando sobreviver exclusivamente de propaganda. A coisa continua avançando — e numa velocidade meio desgraçada, diga-se de passagem.

    Mas a IA aprende conosco em “tempo real”?

    Aqui precisamos separar três coisas que frequentemente são colocadas no mesmo balaio.

    Quando conversamos com uma IA, ela consegue adaptar a resposta ao contexto da conversa. Se eu disser que prefiro explicações diretas, ela pode ajustar o estilo nas mensagens seguintes. Alguns sistemas também mantêm uma memória entre conversas, registrando preferências, projetos ou informações autorizadas pelo usuário.

    Isso dá a impressão de que o modelo está sendo treinado naquele momento. Mas, na maioria dos casos, seus “pesos” — os parâmetros internos formados durante o treinamento — não são modificados instantaneamente a cada pergunta.

    Ou seja: se um sujeito ensinar uma informação nova ao modelo às três da tarde, não significa que todos os demais usuários receberão aquela informação às três e um.

    O aprendizado ocorre em outras camadas. As empresas podem analisar avaliações positivas e negativas, perguntas que deram errado, correções feitas por usuários, padrões de abandono e dificuldades recorrentes. Dependendo das configurações de privacidade e das regras de cada serviço, parte dessas interações pode ser selecionada, revisada, anonimizada ou utilizada posteriormente para aperfeiçoar versões futuras.

    Há também testes automáticos, equipes humanas de avaliação, dados sintéticos produzidos por outros modelos e técnicas de ajuste baseadas nas preferências dos usuários. Assim, o aprendizado não costuma ser propriamente “ao vivo”, mas existe um ciclo muito rápido entre uso, identificação de problemas, correção e lançamento de uma nova versão.

    Além disso, os próprios usuários estão aprendendo a utilizar a ferramenta. E isso também melhora o resultado.

    Em 2022, muita gente fazia uma pergunta vaga, recebia uma resposta ruim e concluía que a IA era uma porcaria. Com o tempo, as pessoas começaram a fornecer contexto, anexar documentos, dividir tarefas em etapas, revisar respostas e usar a IA como colaboradora, não como um oráculo digital infalível.

    Portanto, não é apenas a máquina que evolui. O modo de uso também evolui. O modelo melhora, a interface melhora e o usuário aprende a conversar com ele. É uma espécie de treinamento mútuo — só não é exatamente o “treinamento em tempo real” que às vezes se imagina.

    Por que a bolha não estourou?

    O primeiro motivo é que existe utilidade real.

    A IA já está sendo usada para programação, atendimento, pesquisa, acessibilidade, tradução, análise de documentos, produção de conteúdo, diagnóstico de falhas, educação e automação de tarefas repetitivas. Nem todas essas aplicações são boas e algumas são soluções procurando desesperadamente um problema, mas outras economizam tempo e dinheiro de verdade.

    Em 2025, a adoção mundial da IA generativa já se aproximava de 53% da população, enquanto 88% das organizações pesquisadas declaravam utilizar alguma forma de IA. Ao mesmo tempo, o investimento corporativo mundial chegou a US$ 581,7 bilhões. É muito dinheiro e certamente há desperdício, mas também existe uma base enorme de usuários e empresas incorporando a tecnologia. Stanford AI Index 2026

    O segundo motivo é que a IA não depende de uma única aplicação.

    Se os chatbots pessoais perdessem popularidade amanhã, ainda haveria modelos sendo empregados em programação, ciência, medicina, logística, robótica, segurança, busca, análise financeira e centenas de processos internos que o consumidor nem sequer vê.

    O terceiro é a queda dos custos. Enquanto treinar os modelos mais avançados continua absurdamente caro, utilizar modelos já treinados ficou muito mais barato. Modelos menores, chips especializados, compressão, quantização e melhorias de software estão permitindo fazer mais com menos.

    E há um quarto motivo: as maiores empresas do setor possuem dinheiro suficiente para sustentar a brincadeira por bastante tempo. Algumas podem operar serviços de IA com prejuízo enquanto disputam mercado, acumulam usuários, constroem infraestrutura e tentam descobrir qual será o modelo de negócio definitivo.

    Isso mantém a festa acontecendo, ainda que algumas garrafas tenham sido compradas no cartão corporativo e ninguém saiba exatamente quem pagará a fatura.

    O que poderia fazer a bolha estourar?

    O perigo mais óbvio é o desequilíbrio entre investimento e retorno.

    Construir centros de dados, comprar chips, treinar modelos e atender milhões de usuários custa uma fortuna. Se as empresas descobrirem que os clientes gostam muito da IA, mas não gostam o suficiente para pagar o preço necessário, haverá um problema.

    Outro risco é a saturação. Hoje existem dezenas de serviços fazendo praticamente a mesma coisa: escrevem textos, resumem documentos, geram imagens e respondem perguntas. Muitos desses produtos são apenas uma interface sobre modelos de terceiros. Se o fornecedor original oferecer a mesma função diretamente, a empresa intermediária pode desaparecer antes mesmo de terminar a apresentação para os investidores.

    Há ainda o problema da confiança. Alucinações, conteúdos falsos, fraudes, violações de direitos autorais, vazamento de dados e decisões automatizadas incorretas podem gerar rejeição pública e regulamentações severas. Uma tecnologia que promete resolver tudo, mas exige que uma pessoa revise absolutamente tudo, pode acabar não entregando a economia anunciada.

    O consumo de energia também não pode ser tratado como detalhe. A Agência Internacional de Energia calcula que a eletricidade consumida por centros de dados poderá mais do que dobrar até 2030, chegando perto de 945 terawatt-hora. A IA será o principal motor desse crescimento. Agência Internacional de Energia

    Se não houver energia, chips, refrigeração e infraestrutura suficientes, o crescimento poderá esbarrar num limite bastante físico. A nuvem, afinal, não é uma entidade mágica flutuando no espaço. É um galpão cheio de máquinas esquentando pra burro e consumindo eletricidade.

    Também existe a possibilidade de a evolução técnica desacelerar. Se novos modelos custarem dez vezes mais para oferecer uma melhoria de apenas 5%, investidores poderão começar a perguntar — com alguma razão — onde foi parar o resto do dinheiro.

    Como evitar o estouro?

    A primeira medida é abandonar a ideia de colocar IA em tudo.

    Nem toda aplicação precisa de um chatbot. Nem toda geladeira precisa escrever poesia. E talvez o usuário só queira apertar um botão sem iniciar uma conversa filosófica com a máquina de lavar.

    As empresas precisam concentrar investimentos em aplicações que resolvam problemas concretos, apresentem ganhos mensuráveis e tenham clientes dispostos a pagar. A tecnologia deve ser parte da solução, não apenas uma etiqueta para valorizar ações.

    Também será necessário investir em eficiência: modelos menores, processamento local, melhor aproveitamento dos equipamentos e uso de energias menos caras e poluentes. Não faz sentido empregar um modelo gigantesco para executar uma tarefa que poderia ser resolvida por um sistema cem vezes menor.

    Transparência e responsabilidade serão igualmente importantes. O usuário precisa saber quando está interagindo com uma IA, de onde vieram as informações, como seus dados podem ser utilizados e quais são os limites do sistema. Quanto maior a consequência de um erro, maior deve ser a supervisão humana.

    E, finalmente, será preciso reduzir as promessas absurdas. A IA não substituirá amanhã todos os programadores, médicos, professores, músicos, advogados, jornalistas e atendentes do planeta. Em muitos casos, ela mudará o trabalho, eliminará algumas funções, criará outras e servirá como ferramenta para profissionais que continuem sabendo o que estão fazendo.

    Mas afinal, vai estourar ou não?

    Provavelmente haverá um estouro — mas talvez não da inteligência artificial propriamente dita.

    Pode estourar a bolha das avaliações exageradas, das empresas sem receita, dos produtos idênticos, das promessas impossíveis e dos investimentos feitos apenas por medo de “ficar para trás”. Muitas companhias desaparecerão, haverá fusões, demissões e projetos abandonados.

    Mas isso não significará o fim da IA, da mesma forma que o estouro da bolha “ponto com” não acabou com a internet.

    A internet continuou existindo, amadureceu e se tornou infraestrutura. A IA pode seguir caminho semelhante: perder parte do brilho publicitário, deixar pelo caminho uma quantidade respeitável de cadáveres empresariais e se integrar silenciosamente aos programas, aparelhos e serviços cotidianos.

    A bolha ainda não estourou porque, no centro dela, existe alguma coisa sólida. O problema é descobrir quanto desse volume é tecnologia real e quanto é apenas ar quente produzido por investidores, departamentos de marketing e sujeitos garantindo que seu aplicativo revolucionário de lista de compras “utiliza IA”.

    Quando essa separação acontecer, haverá barulho. Talvez muito barulho.

    Mas dificilmente alguém conseguirá colocar a inteligência artificial inteira de volta na caixa.

    Um abraço e até a próxima!

    Fernando

    Referências

    Stanford Institute for Human-Centered Artificial Intelligence — The 2025 AI Index Report

    Stanford HAI — The 2025 AI Index: cinco conclusões importantes para empresas

    Stanford HAI — Inside the AI Index: 12 Takeaways from the 2026 Report

    Stanford HAI — Artificial Intelligence Index Report 2026 — relatório completo em PDF

    Agência Internacional de Energia — Energy and AI: Executive Summary

    Agência Internacional de Energia — Energy and AI: Energy Demand from AI

RSS
Follow by Email
Facebook
fb-share-icon
Twitter
Tweet