O teto invisível da inteligência artificial
A ciência já constrói máquinas que imitam, mas ainda não constrói máquinas que compreendem. E é essa diferença que separa trilhões em valor de mercado de uma promessa que ninguém conseguiu cumprir.
A busca pela inteligência artificial geral, a chamada IAG, capaz de raciocinar, interpretar e agir com a mesma versatilidade do cérebro humano, tem sido, desde os primórdios da computação, o horizonte mais ambicioso da indústria tecnológica (e, também, como começa a ficar evidente, o mais tímido até agora). E a razão para isso não reside na falta de investimento, de dados ou de incapacidade de processamento por parte dos construtores destes sistemas. Pelo contrário, o obstáculo é anterior a tudo isso, pois a ciência ainda não dispõe de um modelo formal e consistente que explique como a inteligência humana constrói e interpreta a realidade. Assim, sem essa base conceitual, os sistemas podem simular nosso comportamento inteligente com uma sofisticação cada vez maior, mas permanecem, em sua essência, prisioneiros de uma lógica estatística que reconhece padrões sem jamais compreendê-los de verdade.
Luis Lamb, conselheiro especial de inteligência artificial do AI Innovation Institute da Stony Brook University, pesquisador da área há mais de 25 anos, situa o problema com uma precisão que desarma uma retórica otimista do Vale do Silício: os sistemas atuais processam linguagem, imagens e dados com base em probabilidade e correspondência de padrões, mas não possuem noção semântica. Manipulam símbolos, como palavras, pixels e tokens, sem apreender seu significado no mundo real. E é justamente essa ausência de significado que impõe o limite mais profundo à escalabilidade da inteligência artificial como a conhecemos. O próprio Lamb ilustra essa fronteira com uma experiência pessoal: ao viajar pela China, o pesquisador conseguiu se orientar por símbolos internacionais e legendas em inglês presentes na sinalização pública, navegando o ambiente com certa facilidade. Mas não aprendeu nada sobre ele. Era, em suas palavras, apenas pattern matching (correspondência de padrões). E é exatamente isso que a IA faz, com uma competência que cria, perigosamente, a aparência de inteligência onde existe apenas reconhecimento.
Esse diagnóstico colide, de forma direta, com a narrativa que sustentou boa parte do ciclo de investimentos em inteligência artificial nos últimos anos. Afinal, a visão dominante no setor tem sido a de que bastaria escalar modelos estatísticos com mais parâmetros, mais dados, mais computação… até que comportamentos preditivos se aproximassem daquilo que chamamos de inteligência (humana). Jensen Huang, CEO da Nvidia, chegou a declarar, no final de março, que a IAG não era mais utopia e que, de certo modo, já havia sido alcançada por sua empresa. Mas a afirmação é reveladora menos pela promessa que é dita e mais pelo seu conceito: Huang enquadra a IAG não como uma conquista cognitiva, mas como uma capacidade econômica, ou seja, a habilidade de iniciar e administrar uma empresa de tecnologia avaliada em mais de um bilhão de dólares. Quando questionado sobre a durabilidade dessa gestão, sua resposta foi tão breve quanto sintomática: “Você falou US$ 1 bilhão, e não falou para sempre.”
A frase, quase anedótica, encapsula um problema que vai muito além da semântica. Quando o conceito de inteligência geral é redefinido conforme a conveniência de quem o promove, a linha entre avanço tecnológico genuíno e narrativa de mercado torna-se perigosamente tênue. E é precisamente essa ambiguidade que alimenta o que Glauco Arbix, professor do Departamento de Sociologia da USP, identifica como a base da bolha de IA: promessas não cumpridas. As grandes empresas de tecnologia prometeram, há anos, que a IAG estaria funcional em 2025. Não está. E quando promessas desse calibre começam a acumular atrasos, o risco não é apenas técnico, mas é, de fato, financeiro e sistêmico. Pois uma bolha não se forma quando as coisas dão errado, mas forma-se quando todos começam a desconfiar ao mesmo tempo.
O paralelo histórico, aliás, é inquietante. Nos anos 1950, a inteligência artificial nasceu com a promessa de entregar “máquinas pensantes” em uma década. O que se seguiu foram ciclos de euforia e frustração, os chamados invernos da IA, que só foram superados entre 2010 e 2012, quando o conceito de deep learning se consolidou e a tecnologia demonstrou, enfim, aplicabilidade econômica concreta. O salto foi real. Mas o que o tornou possível não foi a chegada da inteligência geral, e sim a capacidade de resolver tarefas específicas com eficiência suficiente para gerar valor em escala. E essa diferença, frequentemente ignorada no entusiasmo do momento, é fundamental para compreender onde estamos hoje.
O que estes pesquisadores deixam claro, com raras divergências, é que uma IAG funcional não deve emergir antes de 2030, e mesmo esse horizonte é tratado com cautela, afinal, não há ferramentas e pesquisas suficientes, em quantidade e diversidade, para sustentar a construção de uma inteligência generalista. Muitas áreas do conhecimento humano ainda sequer foram digitalizadas, e, uma IA aprende, por definição, a partir daquilo que já visualizou. Portanto, deste modo, onde não há dados, não há aprendizado. E onde não há aprendizado, não há generalização. O próprio Google DeepMind, que pesquisa IA há décadas, reconhece que o avanço será progressivo, com uma série de pequenas conquistas e aplicações ao longo do tempo, e não um momento único de ruptura.
Essa constatação, longe de ser apenas acadêmica, carrega implicações concretas para nós executivos, investidores e formuladores de estratégia. A primeira, e mais imediata, é que a IA com a qual o mercado opera hoje, e continuará a operar nos próximos anos, não é a geral, mas a especializada. E isso não é uma limitação menor ou demérito, mas é apenas o enquadramento correto para decisões de investimento, adoção e governança. Diante disso, empresas que compreendem essa distinção estão utilizando a IA como ferramenta de eficiência distribuída, integrando-a a processos operacionais, financeiros e comerciais com retornos mensuráveis. É o que se vê, por exemplo, no caso do Magalu, onde mais de vinte mil colaboradores já utilizam IA no cotidiano, não como projeto piloto, mas como sistema operacional em funcionamento. Ou, então, no movimento da Revolut, que não espera pela IAG para transformar a experiência financeira e já utiliza agentes de IA como camada de orquestração de tarefas que substituem interfaces inteiras. Em síntese, essas empresas não apostam na promessa da inteligência geral, mas apostam na inteligência aplicada. E a diferença entre essas duas posturas pode definir quem captura valor real e quem financia uma expectativa.
Entre no canal Entrelinhas no WhatsApp e siga nosso Instagram: informação rápida, em tempo real, que tangibilizam as transformações.
A segunda implicação, mais profunda e menos discutida, diz respeito à própria natureza da relação entre humanos e máquinas. Se a IAG permanece distante, o que temos, e teremos por um horizonte considerável, são sistemas extraordinariamente eficientes em tarefas específicas, mas desprovidos de compreensão real. Isso significa que o julgamento humano, a capacidade de atribuir significado, de ponderar consequências de segunda ordem, de interpretar aquilo que os dados não capturam, não é um complemento à IA, mas é, na verdade, a camada que a torna utilizável. E propriamente aqui reside um paradoxo que merece atenção, pois justamente no momento em que essa capacidade humana se torna mais necessária, há evidências crescentes de que ela está sendo corroída pelo uso excessivo das próprias ferramentas que a demandam. A terceirização cognitiva, como já discutimos em edições anteriores, não alivia apenas a carga de trabalho, mas pode, com o tempo, atrofiar o músculo também que torna o profissional insubstituível. Se a IAG não virá tão cedo, o executivo que delega seu raciocínio à IA especializada não está se preparando para o futuro, mas sim, está desarmando a única vantagem que possui no presente.
Ao fim, o que a busca pela IAG revela, em última análise, não é apenas um limite tecnológico. É um espelho. Ela reflete a tendência humana de confundir velocidade com destino, escala com compreensão e capacidade de processamento com inteligência. A máquina que reconhece padrões com perfeição estatística não é a mesma que compreende o mundo. E enquanto a ciência não resolver essa equação, a inteligência que realmente importa continuará sendo aquela que nenhum modelo consegue replicar: a capacidade de olhar para o que os dados mostram e entender o que eles, sozinhos, não dizem.
