O ritmo de evolução da IA em 2024 superou todas as projeções feitas em 2020, e a maioria das pessoas ainda não percebeu o que isso significa na prática
Em menos de quatro anos, a inteligência artificial passou de uma tecnologia capaz de identificar rostos em fotos para sistemas que escrevem códigos, geram vídeos realistas e tomam decisões médicas com precisão superior à de especialistas humanos em determinadas categorias de diagnóstico. A velocidade dessa transição não tem precedente documentado na história da tecnologia.
O que chama atenção de pesquisadores como Sérgio Sacani e Pedro Loos, do canal Nosso Universo, não é apenas o que a IA já faz, mas a aceleração exponencial do ritmo de aprendizado dos modelos. Segundo o AI Index Report 2024, publicado pela Universidade de Stanford, o desempenho dos sistemas de linguagem em testes de raciocínio avançado dobrou em 18 meses, um intervalo que pesquisadores da área projetavam levar ao menos uma década.
A curva de capacidade dos modelos de linguagem cresce de forma não linear, e isso torna qualquer previsão feita há dois anos tecnicamente obsoleta hoje
Quando o GPT-3 foi lançado pela OpenAI em 2020, ele era descrito como o maior modelo de linguagem já construído, com 175 bilhões de parâmetros. Três anos depois, modelos com arquitetura semelhante, mas treinados com volumes de dados e técnicas de refinamento superiores, superaram benchmarks que o GPT-3 nem chegava perto de atingir. O GPT-4, lançado em março de 2023, obteve desempenho no percentil 90 no exame unificado da ordem dos advogados dos Estados Unidos, o bar exam, segundo a própria OpenAI.
Esse salto não é apenas quantitativo. Pesquisadores do Google DeepMind documentaram o fenômeno chamado de “capacidades emergentes”, comportamentos que surgem nos modelos sem que tenham sido explicitamente programados, como analogia, inferência causal e raciocínio em múltiplas etapas. O problema é que essas capacidades aparecem de forma abrupta, sem que os engenheiros consigam prever exatamente quando ou por quê.
O maior perigo identificado por cientistas não é a IA maliciosa dos filmes, mas a IA que funciona bem demais em contextos que ninguém testou adequadamente
A narrativa popular sobre os riscos da inteligência artificial ainda orbita em torno de robôs autônomos e sistemas militares, mas o cenário que mais preocupa os pesquisadores sérios é diferente. O risco real está na aplicação de sistemas treinados em um conjunto de dados específico em contextos para os quais eles não foram validados.
Um exemplo concreto: algoritmos de IA usados por planos de saúde nos Estados Unidos para prever necessidades de internação foram auditados em 2019 pelo jornal Science e mostraram viés sistemático contra pacientes negros, não por programação deliberada, mas porque os dados históricos de custo usados no treinamento refletiam desigualdades estruturais do sistema. O modelo funcionava tecnicamente, mas produzia resultados injustos em escala.
Segundo o relatório da UNEP de 2023 sobre inteligência artificial e governança ambiental, menos de 30% das empresas que adotam sistemas de IA realizam auditorias independentes antes da implantação em produção.
A trajetória da IA de 2012 até o surgimento do Veo 3 do Google mostra que cada salto tecnológico foi menor em tempo e maior em impacto do que o anterior
Em 2012, o modelo AlexNet venceu o desafio ImageNet com uma margem de erro 10 pontos percentuais abaixo do segundo colocado, inaugurando a era das redes neurais profundas. Em 2017, a arquitetura transformer, apresentada no artigo “Attention is All You Need” pelos pesquisadores do Google Brain, redefiniu o campo. Em 2022, o ChatGPT alcançou 100 milhões de usuários em dois meses, o produto de consumo de crescimento mais rápido da história, conforme dados da UBS.
Em 2025, o Veo 3, modelo de geração de vídeo do Google DeepMind, passou a produzir vídeos com áudio sincronizado, física simulada e coerência narrativa em clipes de até dois minutos a partir de um único prompt de texto. O que levaria uma equipe de produção de vídeo dias para executar passou a ser gerado em minutos. O intervalo entre cada um desses marcos diminuiu de anos para meses.
No Brasil, empresas de manufatura e agronegócio começam a adotar IA preditiva sem infraestrutura de dados mínima para sustentar os modelos com precisão
Conforme levantamento da Fundação Getúlio Vargas publicado em 2024, o Brasil ocupa a 46ª posição no índice global de prontidão para inteligência artificial elaborado pelo Oxford Insights, abaixo da média da América Latina em categorias como qualidade dos dados públicos e capacitação técnica de mão de obra.
Ainda assim, setores como agronegócio e manufatura avançam na adoção. Empresas como JBS e Embraer anunciaram programas internos de IA para manutenção preditiva e otimização de cadeia de suprimentos. O problema identificado por consultorias como a McKinsey Brasil é que a maioria das implantações começa pelo modelo e não pelos dados: sem histórico limpo, rotulado e representativo, qualquer sistema de IA opera abaixo do potencial e, pior, pode gerar recomendações sistematicamente equivocadas.
A regulação ainda engatinha enquanto a tecnologia corre, e o intervalo entre o que a IA pode fazer e o que existe de fiscalização efetiva aumenta a cada trimestre
A União Europeia aprovou o AI Act em março de 2024, o primeiro marco regulatório abrangente para inteligência artificial no mundo, com entrada em vigor gradual até 2027. O Brasil tem o Projeto de Lei 2338/2023 em tramitação no Senado, proposto pelo senador Rodrigo Pacheco, que ainda aguarda votação em plenário enquanto o mercado já opera com tecnologias que o texto sequer menciona.
O intervalo entre regulação e tecnologia sempre existiu, mas nunca foi tão largo. Quando a internet foi regulada pela primeira vez nos Estados Unidos, o ciclo de inovação levava anos. Hoje, novos modelos com capacidades inéditas são lançados em ciclos de três a seis meses. Nenhum parlamento do mundo tem velocidade legislativa compatível com esse ritmo, segundo análise publicada pelo Instituto Alan Turing em janeiro de 2025.
O que pesquisadores como Sacani destacam é que a pergunta relevante já não é se a IA vai mudar o mundo, mas quem vai decidir como essa mudança acontece e com quais critérios
A discussão sobre inteligência artificial que mais circula em canais de divulgação científica como o Nosso Universo não é técnica: é política. Quem treina os modelos decide o que eles aprendem. Quem define os benchmarks decide o que conta como progresso. As cinco empresas com maior poder de computação para treinar modelos de grande escala, OpenAI, Google DeepMind, Anthropic, Meta e Microsoft, são todas norte-americanas e respondem, em última instância, a acionistas privados.
Isso não é necessariamente um problema em si, mas é uma concentração de poder sem precedente sobre uma tecnologia que já afeta decisões de crédito, contratação, diagnóstico médico e moderação de conteúdo para bilhões de pessoas. Segundo dados da Stanford HAI publicados em março de 2025, mais de 60% dos modelos de IA de referência disponíveis publicamente foram desenvolvidos por apenas três organizações.
A pergunta que fica, e que nenhum regulador respondeu até agora, é quem audita quem audita a IA. Você acredita que é possível regular a inteligência artificial em velocidade suficiente para evitar danos antes que eles se tornem estruturais? Deixe sua opinião nos comentários.
