Brasil Acadêmico

Pesquisa aplicada: método científico, método de engenharia, tipos de pesquisa, fontes e normas

noreply@blogger.com (War) — Mon, 14 Sep 2026 13:29:36 -0300

Numa sala de orientação de trabalho de conclusão, a cena se repete todo semestre: o estudante de Sistemas de Informação chega com um aplicativo quase pronto e o orientador pergunta "e onde está a pesquisa?". Os dois têm razão. Construir algo que funciona e produzir conhecimento verificável são atividades diferentes, com métodos, critérios e literaturas próprias — e a pesquisa aplicada vive exatamente na fronteira entre as duas. Este texto percorre essa fronteira em quatro etapas: os métodos científico e de engenharia (e a ponte que a design science estende entre eles), os tipos de pesquisa, o problema muito concreto de saber em que fonte confiar, e as normas que transformam tudo isso em um documento que outro pesquisador consegue rastrear — a ABNT, comparada com a APA, a Vancouver, a IEEE e a Chicago.

Ponto de partida

"Eu quero fazer um aplicativo"

A frase é dita com o entusiasmo de quem já tem o protótipo no celular. O orientador, que já viu dezenas de protótipos no celular, responde com a pergunta que desmonta a cena: qual é a pergunta? Não a pergunta do cliente, nem a do usuário — a pergunta que o trabalho vai responder e que ninguém respondeu antes. O estudante volta para casa com a sensação de que construir não vale. Vale. Só não é, por si só, pesquisa.

A distinção mais usada no mundo para separar essas coisas está no Manual de Frascati, o documento da OCDE que define o que conta como pesquisa e desenvolvimento para fins de estatística e de política pública (OECD, 2015). Ele separa três atividades: a pesquisa básica, que busca conhecimento novo sobre os fundamentos dos fenômenos sem mirar uma aplicação particular; a pesquisa aplicada, que também busca conhecimento novo, mas dirigido a um objetivo prático específico; e o desenvolvimento experimental, que usa conhecimento existente para produzir ou melhorar produtos e processos. E fixa cinco critérios para uma atividade contar como P&D: ela precisa ser nova, criativa, incerta quanto ao resultado, sistemática e transferível ou reprodutível.

Passe o aplicativo do estudante por esses cinco filtros e o diagnóstico aparece sozinho. Ele é sistemático e é transferível; talvez seja criativo. Mas não é incerto — o estudante sabe que vai funcionar, porque é um cadastro com relatórios — e não é novo no sentido de produzir conhecimento que não existia. Pesquisa aplicada não é "pesquisa que serve para alguma coisa": é a produção de conhecimento novo a serviço de um problema concreto. O aplicativo pode ser o instrumento dessa produção. Não é o produto dela.

Antes de mostrar como transformar um em outro, vale olhar de perto os dois métodos que o estudante e o orientador estão, sem saber, defendendo.

Etapa 01

Dois métodos, uma bomba d'água e uma nave

Em agosto de 1854, o bairro do Soho, em Londres, viveu um surto de cólera que matou centenas de pessoas em poucos dias. A teoria dominante dizia que a doença vinha dos "miasmas", o ar ruim das cidades sujas. Um médico chamado John Snow desconfiava de outra coisa: água contaminada. Em vez de discutir a teoria, ele foi contar mortos, casa por casa, e marcou cada um no mapa. Os casos se aglomeravam em torno de uma única bomba d'água pública na Broad Street — e rareavam, de forma reveladora, exatamente onde os moradores tinham outra fonte de água, como a cervejaria local, cujos operários bebiam cerveja. Snow publicou os dados, as tabelas e o mapa no ano seguinte (Snow, 1855).

Figura 1 — A bomba da Broad Street: uma hipótese, um mapa e uma contagem. A teoria do miasma não previa aquele padrão; a da água, sim.

Isso é o método científico em sua forma mais limpa: uma observação que a teoria vigente não explica bem, uma hipótese alternativa, uma previsão que permite distinguir as duas, dados coletados para testar a previsão e uma conclusão que fica aberta a contestação. A hipótese de Snow era arriscada — poderia ter sido derrubada pelos próprios dados —, e é isso que, para Popper, separa uma afirmação científica de uma que apenas parece científica: a possibilidade de ser refutada (Popper, 2013). Uma teoria que explica qualquer resultado não explica nada.

O outro método

Cento e dezesseis anos depois, em abril de 1970, três astronautas da Apollo 13 estavam trancados no módulo lunar de uma nave avariada, e o dióxido de carbono subia. O módulo lunar tinha filtros cilíndricos para duas pessoas; o módulo de comando, inutilizado, tinha filtros quadrados em abundância. Quadrado não entra em redondo. A equipe em solo tinha algumas horas e uma restrição absoluta: qualquer solução precisava ser montada com o que já estava dentro da nave. O resultado foi um adaptador feito de sacos plásticos, cartões plastificados de um manual de bordo, mangueiras das roupas espaciais e muita fita adesiva, com as instruções transmitidas por rádio (National Air and Space Museum, [s. d.]). Funcionou.

Figura 2 — O adaptador da Apollo 13: nenhuma hipótese foi testada, nenhum conhecimento novo sobre a natureza foi produzido — e foi um dos melhores trabalhos de engenharia do século.

Ninguém em Houston testou uma hipótese sobre a natureza. Eles resolveram um problema mal compreendido, sob prazo, com os recursos disponíveis, e a solução foi "boa o suficiente" no único sentido que importava. É a definição de Billy Koen para o método de engenharia: o uso de heurísticas para provocar a melhor mudança possível numa situação mal compreendida, dentro dos recursos disponíveis (Koen, 2003). Heurística, para Koen, é qualquer regra que ajuda a decidir sem garantir o acerto: "faça um protótipo antes", "dê margem de segurança", "aloque recursos para o ponto fraco", "na dúvida, use o que já funcionou". O cientista quer estar certo; o engenheiro quer entregar.

Figura 3 — Os dois ciclos giram sozinhos, mas trocam peças o tempo todo: a engenharia consome teorias; a ciência consome instrumentos.

Quadro 1 — Método científico e método de engenharia: o que cada um pergunta, produz e considera sucesso

Dimensão	Método científico	Método de engenharia
Pergunta central	Por que o mundo se comporta assim?	Como fazer isto funcionar aqui, agora?
Ponto de partida	Uma observação que a teoria não explica	Uma necessidade com restrições de prazo e recurso
Motor	Hipótese falseável e teste controlado	Heurísticas, protótipos e iteração
Produto	Conhecimento generalizável	Artefato que resolve o caso
Critério de sucesso	A hipótese sobreviveu à tentativa de refutação	Atende aos requisitos dentro dos recursos
Atitude diante da incerteza	Reduzir a incerteza antes de concluir	Decidir apesar da incerteza
Exemplo desta postagem	A bomba da Broad Street (1854)	O adaptador da Apollo 13 (1970)

Fonte: elaborado pelo autor com base em Popper (2013), Koen (2003), Snow (1855) e National Air and Space Museum ([s. d.]).

A ponte: design science

Volte ao estudante com o aplicativo. Ele está no ciclo da direita e o orientador cobra o ciclo da esquerda. A saída não é abandonar o artefato; é fazê-lo atravessar a ponte. É para isso que existe a design science research: um modo de pesquisa em que o artefato — um sistema, um método, um modelo — é construído justamente para responder a uma pergunta, e sua avaliação rigorosa é o que produz o conhecimento (Dresch; Lacerda; Antunes Júnior, 2015). Wieringa, que escreveu o manual mais usado da área em sistemas de informação e engenharia de software, descreve o ciclo em três movimentos: investigar o problema, projetar um tratamento e validar esse tratamento — e insiste que a validação responda a perguntas de conhecimento, não só de "funcionou" (Wieringa, 2014).

Figura 4 — Na design science, o artefato não é o fim: é o meio pelo qual o problema vira conhecimento — e o conhecimento volta para melhorar o artefato.

A diferença está toda na pergunta. "Desenvolver um aplicativo de agendamento para clínicas" é um projeto. "Em que medida um aplicativo de agendamento com confirmação automática reduz o não comparecimento em clínicas pequenas, e por quê?" é uma pesquisa — e o aplicativo é o instrumento. Wazlawick, no livro que virou leitura obrigatória de metodologia em computação, faz o mesmo alerta de outro ângulo: o trabalho que só descreve o sistema construído, sem pergunta, sem comparação e sem avaliação, é um relatório técnico, por mais bem feito que seja (Wazlawick, 2014). O que separa o projeto da pesquisa não é a quantidade de código: é a existência de uma pergunta cuja resposta alguém poderia contestar.

Etapa 02

Tipos de pesquisa: três botões, não uma gaveta

Todo manual de metodologia traz uma classificação de pesquisas, e todo estudante tenta decorá-la como se fosse uma lista de gavetas onde o trabalho precisa caber inteiro. Não é. A classificação mais difundida no Brasil, a de Antonio Carlos Gil, organiza as pesquisas por três critérios independentes (Gil, 2022): quanto à finalidade (básica ou aplicada), quanto aos objetivos (exploratória, descritiva ou explicativa) e quanto aos procedimentos (bibliográfica, documental, experimental, levantamento, estudo de caso, pesquisa-ação e outras). São três botões giratórios, e toda pesquisa tem os três em alguma posição ao mesmo tempo.

Figura 5 — Os três eixos de classificação são independentes: uma pesquisa aplicada pode ser exploratória ou explicativa, com levantamento ou com experimento.

Quadro 2 — Classificação das pesquisas segundo Gil: eixos, categorias e a pergunta que decide cada um

Eixo	Categorias	Pergunta que decide
Finalidade	Básica (pura ou estratégica); aplicada	O conhecimento produzido mira um problema prático identificado?
Objetivos	Exploratória; descritiva; explicativa	Quero me familiarizar com o problema, retratá-lo com precisão ou explicar suas causas?
Procedimentos	Bibliográfica; documental; experimental; levantamento; estudo de caso; pesquisa-ação; ex-post-facto; etnográfica; entre outras	De onde vêm os dados e como serão obtidos?

Fonte: elaborado pelo autor com base em Gil (2022).Nota: a design science research não consta da classificação de Gil; ela é tratada aqui como procedimento por Dresch, Lacerda e Antunes Júnior (2015).

Experimente: monte o seu tipo de pesquisa

Gire os três botões abaixo. O painel escreve a classificação completa e sugere como seria um trabalho de conclusão em sistemas de informação com aquela combinação — repare que algumas combinações pedem justificativa extra, e o painel avisa.

Finalidade

Objetivo

Procedimento

Pesquisa básica, exploratória, bibliográfica

Quanto à finalidade, busca conhecimento novo sem mirar, de saída, uma aplicação específica. Quanto ao objetivo, quer se familiarizar com um problema ainda pouco conhecido e levantar hipóteses. Quanto ao procedimento, os dados vêm de material já publicado.

Exemplo em sistemas de informação: Revisão sistemática do que se sabe sobre o abandono de aplicativos de saúde nos primeiros trinta dias de uso.

Figura 6 — Classificador de pesquisa: os eixos são independentes, mas nem toda combinação é natural — e o painel diz quando é preciso justificar.

Repare no que o classificador não faz: ele não escolhe por você. A classificação é consequência da pergunta, e nunca o contrário — quem começa escolhendo "vou fazer um estudo de caso" e depois procura uma pergunta que caiba nele está montando o quebra-cabeça pela tampa da caixa.

Etapa 03

Em quem confiar: a fonte é o alicerce

Snow venceu o debate do miasma com uma tabela. Mas a tabela só valia porque qualquer pessoa podia ir ao Soho, bater nas mesmas portas e contar os mesmos mortos. A pesquisa é uma conversa entre desconhecidos que só funciona quando cada afirmação vem com o endereço de onde foi tirada — e é por isso que a escolha das fontes vem antes da escrita, e não depois, como enfeite de rodapé.

Três camadas de distância do fato

A primeira distinção é a distância entre a fonte e o fato. A fonte primária é o registro original: o artigo que relata o experimento, o conjunto de dados, o documento oficial, a norma, o código-fonte. A secundária comenta, resume ou analisa fontes primárias: o artigo de revisão, o livro didático, a reportagem científica. A terciária compila secundárias: a enciclopédia, o dicionário, o verbete da Wikipédia. Nenhuma camada é proibida; o que muda é o uso. Terciárias e secundárias servem para chegar às primárias — e é a primária que entra na referência. Citar a enciclopédia quando o artigo original está a um clique de distância é declarar que não se fez o clique.

Figura 7 — A base larga é onde a busca começa; o topo estreito é onde a citação termina.

Revisado por pares não é sinônimo de verdadeiro

Há uma segunda distinção, mais incômoda. A ideia de que "artigo revisado por pares é fonte segura" precisa de asteriscos. Em 2023, mais de 10 mil artigos científicos foram retratados — isto é, oficialmente retirados da literatura por erro ou fraude —, um recorde; mais de 8 mil deles saíram de uma única editora, a Hindawi, então subsidiária da Wiley, em números especiais capturados por fábricas de artigos; e a proporção de retratações passou de 0,2% do publicado, mais que o triplo de uma década antes (Van Noorden, 2023). O mesmo levantamento mostra que a taxa varia muito por país de origem — e que o problema não é exclusivo das áreas "moles": só a IEEE, a maior editora de engenharia e computação, retratou mais de 10 mil trabalhos nas duas últimas décadas, a maioria artigos de conferência.

Tabela 1 — Taxa de retratação de artigos científicos por país, para os países com as maiores taxas, nas duas décadas até 2023

País	Retratações por 10 mil artigos
Arábia Saudita	30,6
Paquistão	28,1
Rússia	24,9
China	23,5
Índia	18,8
Irã	17,2
Malásia	16,7
Egito	15,2

Fonte: elaborado pelo autor com base em Van Noorden (2023).Nota: a análise original considera países com mais de 100 mil artigos publicados no período; o Brasil não figura entre os oito primeiros.

Retratações por 10 mil artigos — os oito países com maiores taxas

Arábia Saudita30,6

Paquistão28,1

Rússia24,9

China23,5

Índia18,8

Irã17,2

Malásia16,7

Egito15,2

Fonte: Van Noorden (2023). Escala proporcional ao maior valor.

O outro lado do mesmo problema são as revistas predatórias: publicações que cobram do autor, prometem revisão por pares e não a fazem. Um consenso internacional de 2019 as definiu como entidades que priorizam o interesse próprio em detrimento do conhecimento, com informação falsa ou enganosa, desvio das boas práticas editoriais, falta de transparência e táticas agressivas de captação (Grudniewicz et al., 2019). O Brasil não está fora. Um estudo que cruzou a Plataforma Lattes com listas de revistas suspeitas encontrou que a fatia de artigos brasileiros nessas revistas ainda era pequena, mas crescia exponencialmente — e, pior, que bastava uma revista dessas ganhar classificação no Qualis para atrair mais submissões que as sérias (Perlin; Imasato; Borenstein, 2018).

Figura 8 — A isca costuma vir por e-mail, com elogio ao seu último trabalho e promessa de publicação em dias. Revisão por pares séria não cabe em 48 horas.

Dois protocolos de bolso

Para avaliar uma fonte individual, o instrumento mais usado nas bibliotecas universitárias é o teste CRAAP, criado na Universidade Estadual da Califórnia em Chico: cinco perguntas sobre atualidade, relevância, autoridade, exatidão e propósito (Meriam Library, 2010). Ele funciona bem para o que já está na sua mesa. Para o que chega pela tela, Mike Caulfield propôs um protocolo mais rápido, o SIFT, em quatro movimentos: pare; investigue a fonte antes de ler o conteúdo; procure cobertura melhor sobre a mesma afirmação; e rastreie citações, imagens e trechos até o contexto original (Caulfield, 2019). O terceiro e o quarto movimentos são a versão digital do "vá até a fonte primária".

Um lembrete prático para quem estuda em instituição privada: a maioria dos artigos que parecem trancados atrás de paywall está acessível por dois caminhos gratuitos — a biblioteca virtual da própria instituição e o Portal de Periódicos da CAPES, que qualquer estudante de instituição vinculada acessa com o login institucional. Antes de citar a versão do blog que resumiu o artigo, vale um minuto para tentar o original.

Fica um roteiro de verificação, para ser aplicado a cada fonte antes de ela entrar na lista de referências:

Cheguei à fonte primária, ou estou citando quem citou? Sei quem é o autor e qual instituição ou veículo responde por ele? O veículo tem revisão por pares verificável e não consta em listas de suspeitos? Conferi se o artigo não foi retratado ou corrigido depois da publicação? A data serve para a pergunta — ou há algo mais recente que muda a conclusão? A afirmação que vou citar está mesmo lá, com esse sentido e nessa página?

0 de 6 — comece pela origem.

Etapa 04

Normas: a ABNT e as outras

Existe um mal-entendido persistente sobre normas de trabalho acadêmico: a de que elas são um ritual de formatação inventado para atormentar estudantes na véspera da entrega. A função delas é outra. Uma norma de citação é um protocolo de rastreabilidade: ela garante que qualquer leitor, em qualquer lugar, consiga refazer o caminho até a fonte sem precisar perguntar ao autor. É a mesma lógica da tabela de Snow — o endereço de cada afirmação —, só que padronizada para que máquinas e bibliotecários também consigam seguir.

A família ABNT

No Brasil, quem escreve essas regras é a Associação Brasileira de Normas Técnicas, e não há uma "norma ABNT": há uma família de normas, cada uma cuidando de uma parte do documento. A NBR 14724, atualizada em dezembro de 2024, define a estrutura do trabalho acadêmico — capa, folha de rosto, elementos pré-textuais, textuais e pós-textuais (ABNT, 2024). A NBR 10520, revista em 2023, rege as citações no corpo do texto (ABNT, 2023). A NBR 6023, de 2018, rege a lista de referências (ABNT, 2018b). E há as coadjuvantes: a NBR 6022 para artigos em periódicos (ABNT, 2018a), a NBR 6028 para resumos (ABNT, 2021) e a NBR 15287 para o projeto de pesquisa, aquele que se escreve antes de fazer qualquer coisa (ABNT, 2011).

Quadro 3 — Principais normas ABNT para trabalhos acadêmicos: o que cada uma rege e a versão vigente

Norma	O que rege	Versão vigente	Mudança recente que mais afeta o estudante
NBR 14724	Estrutura e apresentação de trabalhos acadêmicos (TCC, dissertação, tese)	2024	Ficha catalográfica "conforme código vigente"; ilustrações podem ser alinhadas à esquerda; tabelas seguem o IBGE com fonte conforme a NBR 10520
NBR 10520	Citações no texto	2023	Autor entre parênteses passa a caixa baixa: (Souza, 2015), e não mais (SOUZA, 2015); ponto final antes do parêntese; recuo de 4 cm vira recomendação
NBR 6023	Lista de referências	2018	Modelos para documentos digitais, DOI, redes sociais; destaque tipográfico do título a critério do autor, desde que uniforme
NBR 6022	Artigo em publicação periódica científica	2018	Estrutura de artigo alinhada às demais normas da família
NBR 6028	Resumo, resenha e recensão	2021	Distingue resumo (do próprio autor) de resenha e recensão
NBR 15287	Projeto de pesquisa	2011	Estrutura mínima do projeto: tema, problema, hipóteses, objetivos, justificativa, método, cronograma

Fonte: elaborado pelo autor com base em ABNT (2011, 2018a, 2018b, 2021, 2023, 2024).Nota: as normas ABNT são documentos pagos, disponíveis nas bibliotecas de normas técnicas assinadas pelas instituições de ensino; os resumos de mudanças aqui listados são do autor.

A mudança de 2023 na NBR 10520 merece um parágrafo, porque pega desprevenido quem aprendeu a citar há mais de três anos. A chamada entre parênteses deixou de usar caixa alta no sobrenome: escreve-se (Gil, 2022), e não (GIL, 2022). A pontuação também mudou de lugar — o ponto final agora fica antes do parêntese que fecha a citação. E o recuo de quatro centímetros da citação direta longa, antes obrigatório, virou recomendação. A lista de referências, regida pela NBR 6023, continua com o sobrenome em caixa alta: GIL, Antonio Carlos. A aparente incoerência tem lógica: a lista é ordenada por sobrenome, e a caixa alta ajuda a varrer a coluna; a chamada no texto não precisa gritar.

E as outras normas?

A ABNT é brasileira; a ciência não. Quem publica fora, ou lê o que vem de fora, cruza com pelo menos quatro outras convenções — e vale saber que elas se dividem em duas famílias. A família autor-data, à qual pertencem a ABNT e a APA (da Associação Americana de Psicologia, dominante em ciências humanas e sociais), identifica a fonte no texto pelo sobrenome e pelo ano (American Psychological Association, 2020). A família numérica identifica a fonte por um número, na ordem em que aparece no texto: é o caso da Vancouver, mantida pelo comitê internacional de editores de revistas médicas, que numera consecutivamente e remete ao padrão da Biblioteca Nacional de Medicina dos Estados Unidos (ICMJE, 2025), e da IEEE, usada em engenharia elétrica e computação, com o número entre colchetes e o nome do autor invertido — iniciais antes do sobrenome (IEEE, 2018). A Chicago oferece as duas: notas de rodapé com bibliografia, preferidas em história e humanidades, ou autor-data (University of Chicago Press, 2024). E, acima de todas, a norma internacional ISO 690 define os princípios gerais que as nacionais adaptam — a ABNT declara a NBR 6023 como baseada nela (ISO, 2021).

Figura 9 — Mesmo livro, quatro carimbos: o conteúdo da referência é o mesmo; muda a ordem, a pontuação e o que recebe destaque.

Quadro 4 — Cinco convenções de citação comparadas

Convenção	Mantenedor	Sistema	Chamada no texto	Ordem da lista	Nome do autor na lista	Áreas típicas
ABNT (NBR 6023 e 10520)	Associação Brasileira de Normas Técnicas	Autor-data (numérico também previsto)	(Gil, 2022)	Alfabética	GIL, Antonio Carlos	Todas, no Brasil
APA, 7. ed.	American Psychological Association	Autor-data	(Gil, 2022)	Alfabética	Gil, A. C.	Psicologia, educação, ciências sociais
Vancouver (ICMJE/NLM)	International Committee of Medical Journal Editors	Numérico	(1) ou sobrescrito	Ordem de citação	Gil AC	Medicina e saúde
IEEE	Institute of Electrical and Electronics Engineers	Numérico	[1]	Ordem de citação	A. C. Gil	Engenharia elétrica, computação
Chicago, 18. ed.	University of Chicago Press	Notas e bibliografia; ou autor-data	Nota de rodapé numerada; ou (Gil 2022)	Alfabética	Gil, Antonio Carlos	História, humanidades, editoras

Fonte: elaborado pelo autor com base em ABNT (2018b, 2023), American Psychological Association (2020), ICMJE (2025), IEEE (2018) e University of Chicago Press (2024).Nota: na ABNT, a chamada em caixa baixa segue a NBR 10520:2023; textos anteriores a julho de 2023 usam (GIL, 2022).

Experimente: a mesma referência, quatro normas

O componente abaixo formata duas fontes desta postagem — um artigo e um livro — em cada uma das quatro convenções mais usadas. Passe de uma para outra e observe o que muda: o que vai para caixa alta, o que vai para itálico, onde entra o ano e quem recebe número. As cores marcam as mesmas partes em todas as normas.

Chamada no texto

Segundo Van Noorden (2023), … ou … (Van Noorden, 2023).

Artigo de periódico

VAN NOORDEN, Richard. More than 10,000 research papers were retracted in 2023 — a new record. Nature, London, v. 624, n. 7992, p. 479-481, 2023. Disponível em: https://doi.org/10.1038/d41586-023-03974-8. Acesso em: 14 set. 2026.

Livro

GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 7. ed. Barueri: Atlas, 2022.

ABNT NBR 6023:2018 e NBR 10520:2023. Sobrenome em caixa alta na lista, em caixa baixa na chamada; destaque no título do livro e no nome do periódico; lista em ordem alfabética.

autor ano título veículo ou editora número

Figura 10 — Conversor de referências: o conteúdo é invariante; o que a norma decide é ordem, pontuação e destaque. Sem JavaScript, o componente exibe a versão ABNT.

Há uma lição escondida no conversor. As quatro normas exigem exatamente as mesmas informações — autor, ano, título, veículo, volume, páginas, DOI. O trabalho difícil de uma referência não é a formatação: é ter anotado, na hora da leitura, de onde veio cada coisa. Quem guarda isso desde o primeiro dia formata em qualquer norma em uma tarde; quem não guarda descobre, na véspera, que o PDF sem cabeçalho não diz nem o ano.

Defesa

O aplicativo virou pesquisa

Volte uma última vez à sala de orientação. O estudante não jogou o protótipo fora. Ele reescreveu a primeira página: em vez de "desenvolver um sistema de agendamento", o objetivo passou a ser "avaliar em que medida a confirmação automática reduz faltas em clínicas de pequeno porte". A finalidade é aplicada; o objetivo, explicativo; o procedimento, design science com um estudo de caso em duas clínicas. A revisão bibliográfica buscou artigos de acesso aberto sobre não comparecimento em saúde — e descartou dois, publicados em revistas de reputação duvidosa. O aplicativo continua lá, no capítulo de método. A resposta, com números e limitações, está no capítulo de resultados. As referências seguem a NBR 6023 e as chamadas, a NBR 10520 de 2023 — em caixa baixa, para desgosto de quem decorou a regra antiga.

Figura 11 — O caminho do celular à monografia passa por uma pergunta, um método, uma avaliação e um resultado. O código é só a segunda parada.

Pesquisar é construir com o método de engenharia e responder com o método científico.

A ciência e a engenharia não são rivais no trabalho de conclusão: são turnos. A engenharia constrói o instrumento com o que há a bordo; a ciência o aponta para uma pergunta e aceita a resposta que vier, inclusive a que contraria a hipótese. As normas são o que permite que alguém, daqui a dez anos, refaça o percurso. E as fontes confiáveis são o chão onde tudo isso se apoia — o chão que Snow pisou, casa por casa, antes de desenhar o mapa.

No trabalho que você está começando agora — o aplicativo, o levantamento, a revisão —, qual é a afirmação que alguém poderia contestar? E, se ela for contestada, para qual fonte você vai apontar?

Nota do autor: as chamadas de citação desta postagem seguem a NBR 10520:2023 (sobrenome em caixa baixa entre parênteses); postagens anteriores deste blog usam a forma da versão de 2002, então vigente. As definições do Manual de Frascati foram parafraseadas pelo autor a partir da edição original em inglês; há tradução para o português do Brasil disponibilizada pelo Ministério da Ciência, Tecnologia e Inovação. Os resumos de mudanças das normas ABNT no Quadro 3 são interpretações do autor a partir dos textos normativos, que são documentos pagos; recomenda-se consultar o texto integral pela biblioteca de normas da instituição. A Tabela 1 reproduz taxas calculadas pela reportagem citada com base em dados da Retraction Watch e de outras fontes, para o período de cerca de duas décadas até 2023; o valor exato do intervalo e o corte mínimo de artigos por país são os da reportagem. O estudo de Perlin, Imasato e Borenstein é citado na versão preprint de acesso aberto; a versão do periódico é de acesso restrito. Os exemplos formatados no conversor são do autor e simplificam variantes opcionais de cada norma (como a inclusão do local de publicação e a abreviação de títulos de periódicos). O caso do estudante é uma composição de situações reais de orientação, sem corresponder a uma pessoa específica. As traduções de trechos originalmente em inglês são do autor.

Referências

AMERICAN PSYCHOLOGICAL ASSOCIATION. Publication manual of the American Psychological Association. 7. ed. Washington, DC: APA, 2020.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 15287: informação e documentação: projeto de pesquisa: apresentação. Rio de Janeiro: ABNT, 2011.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6022: informação e documentação: artigo em publicação periódica técnica e/ou científica: apresentação. Rio de Janeiro: ABNT, 2018a.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6023: informação e documentação: referências: elaboração. 2. ed. Rio de Janeiro: ABNT, 2018b.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6028: informação e documentação: resumo, resenha e recensão: apresentação. Rio de Janeiro: ABNT, 2021.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 10520: informação e documentação: citações em documentos: apresentação. Rio de Janeiro: ABNT, 2023.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 14724: informação e documentação: trabalhos acadêmicos: apresentação. Rio de Janeiro: ABNT, 2024.
CAULFIELD, Mike. SIFT (the four moves). Hapgood, 19 jun. 2019. Disponível em: https://hapgood.us/2019/06/19/sift-the-four-moves/. Acesso em: 14 set. 2026.
DRESCH, Aline; LACERDA, Daniel Pacheco; ANTUNES JÚNIOR, José Antonio Valle. Design science research: método de pesquisa para avanço da ciência e tecnologia. Porto Alegre: Bookman, 2015.
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 7. ed. Barueri: Atlas, 2022.
GRUDNIEWICZ, Agnes et al. Predatory journals: no definition, no defence. Nature, London, v. 576, n. 7786, p. 210-212, 2019. Disponível em: https://doi.org/10.1038/d41586-019-03759-y. Acesso em: 14 set. 2026.
INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS. IEEE reference guide. Piscataway: IEEE, 2018. Disponível em: https://journals.ieeeauthorcenter.ieee.org/wp-content/uploads/IEEE-Reference-Guide.pdf. Acesso em: 14 set. 2026.
INTERNATIONAL COMMITTEE OF MEDICAL JOURNAL EDITORS. Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals: preparing a manuscript for submission to a medical journal. [S. l.]: ICMJE, 2025. Disponível em: https://www.icmje.org/recommendations/browse/manuscript-preparation/preparing-for-submission.html. Acesso em: 14 set. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 690:2021: information and documentation: guidelines for bibliographic references and citations to information resources. 4. ed. Geneva: ISO, 2021.
KOEN, Billy Vaughn. Discussion of the method: conducting the engineer's approach to problem solving. New York: Oxford University Press, 2003.
MERIAM LIBRARY. Evaluating information: applying the CRAAP test. Chico: California State University, 2010. Disponível em: https://library.csuchico.edu/sites/default/files/craap-test.pdf. Acesso em: 14 set. 2026.
NATIONAL AIR AND SPACE MUSEUM. Lithium hydroxide canister, mock-up, Apollo 13 emergency. Washington, DC: Smithsonian Institution, [s. d.]. Disponível em: https://airandspace.si.edu/collection-objects/lithium-hydroxide-canister-mock-apollo-13-emergency/nasm_A19760747000. Acesso em: 14 set. 2026.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT. Frascati manual 2015: guidelines for collecting and reporting data on research and experimental development. Paris: OECD Publishing, 2015. Disponível em: https://doi.org/10.1787/9789264239012-en. Acesso em: 14 set. 2026.
PERLIN, Marcelo S.; IMASATO, Takeyoshi; BORENSTEIN, Denis. Is predatory publishing a real threat? Evidence from a large database study. Rochester: SSRN, 2018. Preprint. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3067958. Acesso em: 14 set. 2026.
POPPER, Karl. A lógica da pesquisa científica. 2. ed. São Paulo: Cultrix, 2013.
SNOW, John. On the mode of communication of cholera. 2. ed. London: John Churchill, 1855. Disponível em: https://www.ph.ucla.edu/epi/snow/snowbook.html. Acesso em: 14 set. 2026.
UNIVERSITY OF CHICAGO PRESS. The Chicago manual of style. 18. ed. Chicago: University of Chicago Press, 2024.
VAN NOORDEN, Richard. More than 10,000 research papers were retracted in 2023 — a new record. Nature, London, v. 624, n. 7992, p. 479-481, 2023. Disponível em: https://doi.org/10.1038/d41586-023-03974-8. Acesso em: 14 set. 2026.
WAZLAWICK, Raul Sidnei. Metodologia de pesquisa para ciência da computação. 2. ed. Rio de Janeiro: Elsevier, 2014.
WIERINGA, Roel J. Design science methodology for information systems and software engineering. Berlin: Springer, 2014.

Tecnologias emergentes na comunicação: IA, mídias vestíveis, jogos digitais e conteúdo imersivo

noreply@blogger.com (War) — Sat, 12 Sep 2026 09:41:52 -0300

Em 1994, dois pesquisadores desenharam uma linha reta com o mundo real numa ponta e o mundo virtual na outra — e avisaram que quase tudo o que interessa acontece no meio do caminho. Trinta e dois anos depois, essa linha virou o mapa das tecnologias emergentes na comunicação: a inteligência artificial que deixou de mediar para conversar, os óculos que passaram a ser vestidos, os jogos que ensinam pela ação e o conteúdo imersivo que coloca o leitor dentro da notícia. Este post percorre o continuum das realidades com dados de 2025 e 2026, compara as quatro frentes num quadro, mostra onde o Brasil está nessa curva — e traz uma aula de cinquenta minutos navegável por assunto, com botões que levam direto ao trecho do vídeo.

Gradiente 01

O meio do caminho

Dois pesquisadores, Paul Milgram e Fumio Kishino, publicaram em dezembro de 1994 um artigo de nove páginas numa revista japonesa de engenharia da informação. Eles queriam resolver um problema chato de vocabulário: os laboratórios da época chamavam de "realidade virtual" coisas muito diferentes entre si, e ninguém conseguia comparar um trabalho com o outro. A solução foi elegante e durou décadas — em vez de definir categorias estanques, eles desenharam uma reta. Numa ponta, o ambiente real; na outra, o ambiente virtual; e, no meio, tudo o que mistura os dois (MILGRAM; KISHINO, 1994).

Vale ser preciso sobre o que a reta é: o artigo se chama, literalmente, uma taxonomia de displays visuais de realidade misturada — foi feito para classificar sistemas de exibição, e é isso que ele faz. O que ele acrescentou ao vocabulário da época foi tratar a mistura como o caso normal, e não como exceção. Os autores propuseram três eixos para descrever qualquer sistema: quanto o computador sabe sobre o mundo exibido, com que fidelidade consegue reproduzi-lo e quão convincente é a ilusão de estar dentro dele. Nenhum desses eixos é binário. Todos são graduações.

Trinta e dois anos depois, esse mesmo raciocínio virou a chave para entender por que "tecnologias emergentes na comunicação" não é uma lista de gadgets. Inteligência artificial, mídias vestíveis, jogos digitais e conteúdo imersivo não são quatro caixas separadas: são quatro maneiras de andar sobre a mesma reta, empurrando a experiência comunicacional para mais perto de um dos polos. E, como veremos, elas se encontram no meio do caminho com uma frequência cada vez maior.

Uma revisão recente do modelo propôs ir além, e a proposta é provocativa: para esses autores o continuum é descontínuo, e a realidade virtual perfeita seria inalcançável. O argumento é fisiológico — nenhum sistema convencional controla os sentidos vestibular e proprioceptivo, aqueles que informam ao corpo onde ele está e para onde se inclina. Daí a conclusão deles: toda RV tecnologicamente mediada seria, no modelo ampliado, realidade misturada. Os mesmos autores condensam fidelidade de reprodução e metáfora de presença num único construto, imersão (o conjunto de ações válidas que o sistema suporta), mantêm o conhecimento do mundo e acrescentam coerência (o quanto a experiência se sustenta sem contradições internas). Convém registrar que se trata de uma proposta teórica dos autores, discutida na área, e não de uma redefinição pacificada (SKARBEZ; SMITH; WHITTON, 2021).

Gradiente 02

O continuum, ponto a ponto

Antes de seguir, vale fixar o mapa. Clique em cada parada para ver o que ela significa, onde aparece no cotidiano e qual é o seu limite.

Ambiente real

Tudo o que existe sem mediação computacional: a sala de aula, a rua, o corpo. É o ponto zero da reta — e, para a comunicação, continua sendo o padrão contra o qual todas as outras experiências são julgadas. Nenhuma tecnologia da lista abaixo pretende substituí-lo; todas pretendem negociar com ele.

Guarde esse mapa: ele volta ao fim do post, quando cada uma das quatro frentes for posicionada sobre a linha. Para quem quiser a formulação em português e com rigor técnico, a obra coletiva da Comissão Especial de Realidade Virtual da Sociedade Brasileira de Computação é leitura obrigatória e de download gratuito (TORI; HOUNSELL, 2020).

Gradiente 03

Inteligência artificial: a mediação que virou interlocutor

Por quase um século, a tecnologia de comunicação foi um canal: o rádio levava a voz, a TV levava a imagem, a rede levava o arquivo. A inteligência artificial generativa quebrou essa gramática ao ocupar o outro lado da conversa. Não é mais um meio que transporta a mensagem de alguém — é um sistema que produz a mensagem, responde, reformula e argumenta.

Figura 1 — Do canal ao interlocutor: a mudança de posição que a IA generativa provoca no circuito da comunicação.

No Brasil, a adoção foi rápida e profundamente desigual. A pesquisa TIC Domicílios 2025 estimou 50 milhões de usuários de IA generativa, o equivalente a 32% dos internautas com dez anos ou mais. Mas o número agregado esconde o essencial: na classe A, 69% usam IA; nas classes D e E, apenas 16%. Entre quem tem ensino superior, 59%; entre quem tem apenas o fundamental, 17%. E o motivo importa: entre os que não usaram IA, a falta de habilidade foi a razão mais frequente justamente no grupo com até o ensino fundamental (65%) (CETIC.BR, 2025). A mesma pesquisa registrou 86% dos domicílios com acesso à rede e 76% com banda larga fixa — mas registrou também que cerca de 64 milhões de brasileiros, 39% de quem tem celular, ficaram sem pacote de dados ao menos uma vez em três meses, e que 41% desses só conseguiram usar aplicativos patrocinados. O acesso deixou de ser raro sem deixar de ser precário: ao lado da infraestrutura, agora pesa também o repertório.

Gráfico 1 — Usuários de Internet que utilizam IA generativa, por estrato selecionado — Brasil — 2025

Classe A69%

Ensino superior59%

Total de usuários32%

Ensino fundamental17%

Classes D e E16%

Fonte: elaborado pelo autor com base em CETIC.br (2025).Nota: percentuais referentes a usuários de Internet com 10 anos ou mais de idade.

Do lado do consumo de informação, o retrato é ainda mais interessante. O relatório anual do Reuters Institute apontou que, pela primeira vez, na média dos 48 mercados pesquisados, redes sociais e plataformas de vídeo aparecem como fonte de notícias à frente de sites e aplicativos jornalísticos e da televisão (54%, contra 51% e 52%). O uso semanal de chatbots de IA para se informar subiu de 7% para 10%. E a confiança nas respostas desses sistemas ficou em 20%, contra 37% de confiança geral nas notícias (EGAN, 2026). São medidas diferentes e agregadas — uso e confiança não se referem necessariamente às mesmas pessoas —, mas a distância entre as duas curvas é, em comunicação, o tipo de sinal que costuma anteceder uma crise de legitimidade.

Não é fenômeno inédito no blog. Já em 2022 noticiamos aqui um sistema de IA que, segundo o estudo divulgado à época, superou humanos na leitura labial — um exemplo precoce de como o reconhecimento de padrões reorganiza a acessibilidade e, de quebra, a vigilância (IA FAZ…, 2022).

Gradiente 04

Mídias vestíveis: quando a interface encosta no corpo

A segunda frente é a mais literal de todas: a mídia deixa a mesa e passa a ser vestida. Óculos, pulseiras, anéis, fones com sensores. Lucia Santaella chamou esse arranjo de comunicação ubíqua — um regime em que o acesso deixa de ser um ato deliberado ("vou ao computador") e vira uma condição contínua, distribuída pelo corpo e pelo ambiente (SANTAELLA, 2013). O que era previsão teórica virou, em 2026, linha de produção.

Os números do primeiro trimestre de 2026 são de mercado adolescente em estirão: os óculos inteligentes sem tela cresceram 167% em um ano, chegando a 2,25 milhões de unidades no trimestre, enquanto os modelos com tela cresceram 86%. A projeção para o ano fechado é de 13,6 milhões de unidades de óculos sem tela, com um único fabricante detendo 69,2% do mercado (UBRANI, 2026). A categoria que mais vende não é a que exibe imagens, e sim a que escuta, fotografa e responde — o vestível emergente é, antes de tudo, um alto-falante com câmera e um assistente de IA acoplado.

Figura 2 — Os quatro tipos de dado que um vestível pode capturar. Nenhum modelo traz necessariamente todos: câmera não implica rastreamento ocular, e a categoria que mais vende hoje — os óculos sem tela — em geral não rastreia o olhar. A figura mostra o repertório possível do formato, não a ficha técnica de um produto.

É aqui que as duas primeiras frentes se fundem, e é aqui também que mora o problema. Já tratamos no blog das implicações de privacidade do rastreamento ocular — uma tecnologia que registra padrões de atenção sem gesto deliberado do usuário e a partir da qual se tenta inferir interesse e estado emocional, com precisão que varia muito conforme o método (O QUE…, 2024). Um dispositivo que acompanha o rosto ao longo do dia desloca o objeto da coleta: do que a pessoa escolhe publicar para o que ela vê e ouve — e, nos modelos que trazem rastreamento ocular, para onde ela olha. É uma diferença de natureza, não de grau.

Gradiente 05

Jogos digitais: a gramática interativa

Se a IA mudou quem fala e o vestível mudou onde a mídia mora, o jogo digital mudou o verbo. Comunicação de massa se conjugava em "assistir"; jogo se conjuga em "fazer". A mensagem não é entregue, é descoberta pela ação — e essa diferença é pedagógica antes de ser tecnológica.

Figura 3 — Assistir, fazer, estar: três posições do público e três verbos diferentes para a mesma mensagem.

O Brasil é, por qualquer métrica, um país de jogadores. O painel gratuito da edição de 2026 da Pesquisa Game Brasil aponta 75,3% de brasileiros que consomem jogos digitais, com as mulheres em maioria (52,8%) e a geração Z respondendo por 36,5% do público (PAINEL…, 2026). A cobertura de imprensa da mesma edição acrescenta a divisão por plataforma, com o celular à frente de consoles e PC, e registra queda em relação ao patamar de 2025 (PESQUISA…, 2026).

A mesma pesquisa mediu algo que interessa diretamente a quem estuda comunicação: a ambivalência diante da IA. Enquanto 39,3% dos jogadores comprariam um título feito com inteligência artificial e 40,9% talvez comprassem, 45,7% se dizem preocupados com a precarização do trabalho criativo e 39,6% temem o uso indevido de obras. A ambivalência, e não a rejeição, é o dado interessante: a mesma tecnologia que ameaça o ofício já é aceita no produto.

Do lado da produção, o levantamento setorial estimou 1.042 estúdios ativos e 13.225 pessoas trabalhando na indústria brasileira de games em 2022, com 58% das desenvolvedoras vendendo para fora do país (ABRAGAMES, 2023). Para o professor, o dado prático é outro: boa parte da turma chega com um repertório de linguagem interativa que o professor não necessariamente compartilha, e ignorá-lo é desperdiçar um vocabulário compartilhado. Aliás, o blog já registrou até a proposta de gamificar a declaração do Imposto de Renda — prova de que a gramática do jogo vaza para onde ninguém espera.

Gradiente 06

Conteúdo imersivo: colocar o leitor dentro

A quarta frente é a que ocupa explicitamente o meio da reta de Milgram e Kishino. Realidade virtual, aumentada, misturada, vídeo em 360 graus, projeção mapeada, áudio espacial: todas são tentativas de trocar a posição do público de espectador para participante. Em comunicação, o efeito buscado tem nome — presença: a sensação não de ver um lugar, mas de estar nele.

Realidade misturada,
na sua sala

quatro camadas, um plano só
— e o cérebro conclui o resto

mexa o ponteiro sobre a cena · no celular, arraste

Figura 4 — Cena em paralaxe, à maneira das tirinhas em 3D: passe o ponteiro (ou arraste, no toque) sobre a imagem. São quatro planos independentes. O cenário fica preso à face traseira do cubo e é recortado por ela, de modo que a TV e o banner nunca invadem o teto nem as paredes; as arestas de ligação são redesenhadas a cada quadro para acompanhar o plano do fundo. A coruja e o monstro, esses sim, podem se projetar para fora da caixa — é o que faz o objeto saltar. A profundidade aparece onde existe apenas um plano: o truque da imersão em dose mínima, sem óculos, só uma discrepância de movimento que os sentidos aceitam como espaço.

Por que isso importa pedagogicamente? Porque a taxonomia de objetivos educacionais separa o domínio cognitivo (saber), o psicomotor (executar) e o afetivo (sensibilizar-se, atribuir valor) — e é sobre o terceiro que a promessa da imersão costuma recair. Estatísticas de mortes em uma pandemia ou numa guerra informam; conviver, ainda que por minutos, com uma casa enlutada ou com um sótão de esconderijo mobilizaria outra coisa. Note que isso é uma hipótese de trabalho, plausível e ainda em disputa na literatura, não um resultado fechado — e é justamente por essa aposta que o jornalismo e a educação estão entre os campos que mais discutem o conteúdo imersivo.

Figura 5 — Os três domínios dos objetivos educacionais. Os medidores não representam eficácia medida: são uma leitura didática do autor sobre onde a experiência imersiva costuma ser mais invocada como recurso, e devem ser lidos como hipótese de trabalho, não como resultado de pesquisa.

O blog acompanha o assunto desde cedo, das imagens em 360 graus na educação à defesa de doutorado realizada no metaverso em 2022, noticiada à época como a primeira do país (PRIMEIRA…, 2022), passando pelo piso omnidirecional da Disney que tentou resolver o problema de andar dentro do ciberespaço sem sair do lugar (HOLOTILE…, 2024). São recortes distantes no tempo, mas o padrão é o mesmo: a barreira raramente é a imagem — é o corpo. Locomoção, tato, peso, enjoo. A imagem já convence; o resto do organismo, não.

Figura 6 — Síntese didática. As quatro frentes não são categorias do mesmo tipo — uma é técnica, outra é formato de aparelho, outra é linguagem e a última é tipo de conteúdo —, e a reta original trata de displays visuais. Posicioná-las na mesma linha é um recurso de exposição, útil para comparar deslocamentos, não uma classificação derivada do modelo.

Quadro 1 — Quatro frentes de tecnologias emergentes na comunicação, segundo deslocamento provocado, posição aproximada no continuum e risco principal — 2026

Frente	O que desloca na comunicação	Posição no continuum	Risco principal
Inteligência artificial	Do canal ao interlocutor: a máquina passa a emitir, não só transmitir	Transversal — atua em qualquer ponto da reta	Confiança e assimetria de repertório
Mídias vestíveis	Do dispositivo ao corpo: acesso contínuo e sem gesto deliberado	Próxima ao real, com camada aumentada	Captura involuntária de dados sensoriais
Jogos digitais	Do assistir ao fazer: sentido construído pela ação e pela regra	Móvel — do tabuleiro à imersão total	Confundir engajamento com aprendizagem
Conteúdo imersivo	Do espectador ao presente: vivência em primeira pessoa	Tende ao meio da reta, conforme o grau de mistura	Custo, acessibilidade e desconforto corporal

Fonte: elaborado pelo autor com base em Milgram e Kishino (1994), Skarbez, Smith e Whitton (2021) e Tori e Hounsell (2020).Nota: as quatro frentes não constituem categorias equivalentes; a coluna de posição é uma aproximação didática, não uma classificação prevista no modelo original, que trata de displays visuais.

Gradiente 07

O Brasil na curva: números para ter à mão

Reunir os indicadores num só lugar ajuda a evitar dois erros simétricos: tratar tudo como futuro distante ou tratar tudo como já consolidado.

Tabela 1 — Indicadores selecionados sobre tecnologias emergentes na comunicação — Brasil e mundo — 2025-2026

Indicador	Abrangência	Valor	Ano
Domicílios com acesso à Internet (%)	Brasil	86	2025
Usuários de Internet que utilizam IA generativa (%)	Brasil	32	2025
Pessoas que consomem jogos digitais (%)	Brasil	75,3	2026
Redes sociais e vídeo como principal fonte de notícias (%)	Mundo	54	2026
Confiança nas respostas de chatbots de IA sobre notícias (%)	Mundo	20	2026
Óculos inteligentes sem tela — embarques previstos (milhões de unidades)	Mundo	13,6	2026

Fonte: elaborado pelo autor com base em CETIC.br (2025), Newman et al. (2026), Pesquisa Game Brasil (2026) e Ubrani (2026).Nota: indicadores de abrangência mundial referem-se às amostras dos respectivos relatórios e não a estimativas populacionais.

Gradiente 08

Aula aberta: cinquenta minutos, navegáveis por assunto

Conceito sem demonstração vira adivinhação. A aula abaixo, gravada para a Semana Acadêmica de 2021, percorre justamente o trajeto deste post: define realidade, realidade aumentada, realidade misturada e virtualidade aumentada, discute as barreiras de adoção e mostra software em funcionamento — de simuladores de pilotagem a treinamento de oratória, aprendizagem de idiomas em ambiente social, ambientação corporativa, vacinação infantil sem medo e anatomia sem cadáver (GOMES, 2021).

Use os botões para ir direto ao ponto que interessa. Cada um recarrega o vídeo no trecho correspondente.

Conceitos

Fundamento pedagógico

Demonstrações

Aplicações

Vídeo 1 — Softwares para imersão na realidade virtual (50 min 31 s). Caso o player não carregue, assista no YouTube.

Gradiente 09

No Brasil Acadêmico: a trilha da categoria Interface

A categoria Interface reúne mais de duzentos registros sobre a relação entre pessoas, máquinas e sentidos. Uma seleção que dialoga diretamente com este post:

O que seu olhar revela sobre você? As implicações de privacidade do rastreamento ocular vestíveis · privacidade
Holotile: piso para se andar no ciberespaço da Disney imersivo · interfaces hápticas
Primeira defesa de doutorado no metaverso no Brasil imersivo · academia
IA faz leitura labial melhor que humanos IA · comunicação
Como caminhar no metaverso imersivo · corpo
Realidade virtual na educação imersivo · educação
Escreva com a caneta digital usando IA IA · design instrucional
Usando imagens em 360 graus na educação imersivo · 360°
O termo UX por Don Norman interface · fundamentos
Distopia aumentada aumentada · crítica
Imposto de Renda poderá ser gamificado jogos · gamificação
Tecnologia transmorfa: muito além do mouse e teclado interface · háptica

Gradiente 10

Da teoria à pauta: sugestões para docentes

Nenhuma das quatro frentes exige laboratório milionário para entrar numa disciplina de comunicação. Exige, sim, critério. Marque o que você consegue implementar:

Aplicar uma sondagem de repertório na turma: quem usa IA generativa, quem joga, quem já usou óculos de RV — e comparar com os dados nacionais deste post. Produzir um panorama navegável com o celular da turma — e, se houver câmera esférica, um vídeo em 360 graus — discutindo o que cada enquadramento perde e ganha. Comparar a mesma notícia em três formatos (texto, vídeo vertical e resposta de chatbot) e registrar o que cada um omite. Usar um jogo comercial como estudo de caso de narrativa, escolhendo um que a maioria já conheça. Levar o debate sobre captura de dados sensoriais por vestíveis para a ementa de ética, com caso concreto. Fechar a unidade posicionando cada exercício sobre o continuum de Milgram e Kishino, justificando a posição.

0 de 6 itens marcados

Ponto de fuga

O que muda quando o meio vira ambiente

Milgram e Kishino não estavam interessados em prever o futuro; estavam tentando organizar um vocabulário bagunçado. O que eles não anteciparam é que a reta deixaria de descrever aparelhos de laboratório para descrever a vida cotidiana — e que a viagem sobre ela deixaria de ser uma escolha consciente. Colocar um capacete é uma decisão; usar óculos que acompanham o dia, conversar com um sistema que responde como gente e aprender pela regra de um jogo são hábitos.

É essa a mudança de fundo: as tecnologias emergentes na comunicação pararam de ser um meio entre nós e o mundo para se tornarem uma camada do próprio mundo. E uma camada não se desliga com o mesmo gesto com que se desliga um aparelho — ela se habita. O trabalho de quem ensina comunicação passa a ser menos o de explicar como o meio funciona e mais o de treinar o olhar para perceber onde, na reta, cada experiência nos colocou — e quem decidiu isso por nós.

Nota do autor: a reta de Milgram e Kishino foi proposta para classificar displays visuais; estendê-la às quatro frentes deste post é um recurso didático meu, não uma aplicação prevista no artigo. A descontinuidade do continuum e a leitura multissensorial são proposta teórica de Skarbez, Smith e Whitton, ainda em discussão na área. Os indicadores de óculos inteligentes referem-se a embarques (unidades enviadas ao varejo) e a projeções, não a vendas ao consumidor final. Do painel gratuito da Pesquisa Game Brasil constam apenas os percentuais de consumo, gênero e geração; a divisão por plataforma e os números sobre percepção de IA vêm da cobertura de imprensa da mesma edição e não foram conferidos no relatório integral. Os dados da Abragames são do Fact Sheet 2023 e têm 2022 como ano de referência. Os indicadores do Reuters Institute são médias dos 48 mercados pesquisados, não estimativas populacionais mundiais, e uso e confiança são medidas distintas. Os trechos do vídeo foram marcados a partir da leitura integral da transcrição automática do YouTube: as minutagens indicam onde o assunto começa na transcrição e podem variar alguns segundos em relação ao áudio. A tradução dos termos extent of world knowledge, immersion e coherence é livre e minha. Na cena em paralaxe da Figura 4, o jogo exibido na televisão e o controle nas garras da coruja são desenhos genéricos e inventados para este post — não reproduzem a arte, os personagens nem o design de nenhum jogo ou console existente.

Referências

ABRAGAMES. Fact sheet: indústria brasileira de games 2023. São Paulo: Associação Brasileira das Empresas Desenvolvedoras de Jogos Digitais, 2023. Disponível em: https://www.abragames.org/uploads/5/6/8/0/56805537/2023_fact_sheet_v1.6.2_-_ptbr_version.pdf. Acesso em: 13 set. 2026.
CETIC.BR. 50 milhões de brasileiros já usam IA, mas potenciais benefícios continuam limitados às camadas de maior renda e escolaridade. Cetic.br, São Paulo, 9 dez. 2025. Disponível em: https://cetic.br/pt/noticia/50-milhoes-de-brasileiros-ja-usam-ia-mas-potenciais-beneficios-continuam-limitados-as-camadas-de-maior-renda-e-escolaridade/. Acesso em: 13 set. 2026.
EGAN, Jim. Overview and key findings of the 2026 Digital News Report. Reuters Institute for the Study of Journalism, Oxford, 16 jun. 2026. Disponível em: https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2026/dnr-executive-summary. Acesso em: 13 set. 2026.
GOMES, Alexandre. Softwares para imersão na realidade virtual. Brasília: Brasil Acadêmico, 13 ago. 2021. 1 vídeo (50 min 31 s). Disponível em: https://www.youtube.com/watch?v=zk53QtCchAY. Acesso em: 13 set. 2026.
HOLOTILE: piso para se andar no ciberespaço da Disney. Brasil Acadêmico, 23 jan. 2024. Disponível em: https://blog.brasilacademico.com/2024/01/holotile-piso-para-se-andar-no.html. Acesso em: 13 set. 2026.
IA FAZ leitura labial melhor que humanos. Brasil Acadêmico, 11 out. 2022. Disponível em: https://blog.brasilacademico.com/2022/10/ia-faz-leitura-labial-melhor-que-humanos.html. Acesso em: 13 set. 2026.
MILGRAM, Paul; KISHINO, Fumio. A taxonomy of mixed reality visual displays. IEICE Transactions on Information Systems, v. E77-D, n. 12, p. 1321-1329, dez. 1994. Disponível em: http://etclab.mie.utoronto.ca/people/paul_dir/IEICE94/ieice.html. Acesso em: 13 set. 2026.
O QUE seu olhar revela sobre você? As implicações de privacidade do rastreamento ocular. Brasil Acadêmico, 10 mar. 2024. Disponível em: https://blog.brasilacademico.com/2024/03/o-que-seu-olhar-revela-sobre-voce-as.html. Acesso em: 13 set. 2026.
PAINEL gratuito 2026. Pesquisa Game Brasil, [2026]. Disponível em: https://www.pesquisagamebrasil.com.br/gratuitos/painel-gratuito-2026. Acesso em: 13 set. 2026.
PESQUISA Game Brasil 2026 revela preocupação com IA e mudança no perfil dos gamers no Brasil. Adrenaline, 9 abr. 2026. Disponível em: https://www.adrenaline.com.br/games/pesquisa-game-brasil-2026-pgb/. Acesso em: 13 set. 2026.
PRIMEIRA defesa de doutorado no metaverso no Brasil. Brasil Acadêmico, 17 out. 2022. Disponível em: https://blog.brasilacademico.com/2022/10/primeira-defesa-de-doutorado-no.html. Acesso em: 13 set. 2026.
SANTAELLA, Lucia. Comunicação ubíqua: repercussões na cultura e na educação. São Paulo: Paulus, 2013.
SKARBEZ, Richard; SMITH, Missie; WHITTON, Mary C. Revisiting Milgram and Kishino's reality-virtuality continuum. Frontiers in Virtual Reality, v. 2, art. 647997, 2021. DOI 10.3389/frvir.2021.647997. Disponível em: https://www.frontiersin.org/journals/virtual-reality/articles/10.3389/frvir.2021.647997/full. Acesso em: 13 set. 2026.
TORI, Romero; HOUNSELL, Marcelo da Silva (org.). Introdução a realidade virtual e aumentada. 3. ed. Porto Alegre: Sociedade Brasileira de Computação, 2020. ISBN 978-65-87003-54-2. Disponível em: https://books-sol.sbc.org.br/index.php/sbc/catalog/book/66. Acesso em: 13 set. 2026.
UBRANI, Jitesh. Smart glasses surge: the XR market is rewriting its own rules. IDC Blog, 15 jun. 2026. Disponível em: https://www.idc.com/resource-center/blog/smart-glasses-surge-the-xr-market-is-rewriting-its-own-rules/. Acesso em: 13 set. 2026.

Alexandre Gomes · Brasil Acadêmico

Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância

noreply@blogger.com (War) — Fri, 11 Sep 2026 16:21:09 -0300

Toda vez que você desbloqueia o celular, deixa um rastro. Este post segue esses rastros: o que a lei brasileira considera dado pessoal (e por que "anonimizar" não é só apagar o nome), por que privacidade não tem nada a ver com "ter algo a esconder", como funciona o capitalismo de vigilância descrito por Shoshana Zuboff, o que o escândalo da Cambridge Analytica ensinou ao mundo e o que a LGPD — e a nova Agência Nacional de Proteção de Dados — permitem fazer a respeito. Com jogo "dado pessoal ou não?", ciclo clicável, linha do tempo, tabela de multas e um checklist para aplicar ainda esta semana.

Rastro 01

O preço do grátis

Um dia comum, contado pelos dados que ele produz

São 6h40 em Taguatinga. Júlia, estudante de Sistemas de Informação, desliga o despertador no celular — e o aparelho registra a que horas ela acordou. No ônibus, abre o mapa para ver se vai se atrasar; a localização dela viaja junto. Na lanchonete da faculdade, paga o pão de queijo por aproximação. À noite, pede a um assistente de inteligência artificial ajuda com o trabalho de banco de dados e, já que está ali, pergunta por que a dor de cabeça não passa há três dias.

Nenhum desses gestos parece "entregar dados". Nenhum formulário foi preenchido, nenhum CPF digitado. Mesmo assim, ao fim do dia existe um retrato bastante preciso de Júlia: horário de sono, trajeto, hábitos de consumo, rotina de estudo e até um sintoma de saúde. Multiplique por 365 dias e por dezenas de aplicativos.

Figura 1 — Um dia de rastros: cada gesto banal alimenta um perfil. Ilustração gerada com IA para este post.

A história de Júlia é inventada; os números por trás dela, não. A terceira edição da pesquisa sobre privacidade do Cetic.br, divulgada em 31 de agosto de 2026, mostra que 32% dos usuários de internet com 16 anos ou mais — cerca de 45 milhões de pessoas — relataram tentativas de golpe com o uso de seus dados pessoais, e 20% disseram ter sido vítimas (CETIC.BR, 2026). A mesma pesquisa perguntou, pela primeira vez, o que os brasileiros contam às ferramentas de IA generativa. Dois terços (66%) dos usuários se dizem preocupados com o uso que as empresas fazem desses dados — e, ainda assim, compartilham bastante coisa.

O que usuários de IA generativa já compartilharam com essas ferramentas — Brasil — 2025

Temas de trabalho ou estudo73%

Preferências e gostos pessoais58%

Sentimentos e emoções54%

Dados de saúde (sintomas, exames)52%

Fotos suas ou de conhecidos50%

Finanças pessoais41%

Nome, endereço, nascimento ou CPF37%

Fonte: elaborado pelo autor com base em Cetic.br (2026).Nota: percentuais sobre usuários de IA generativa; respostas múltiplas, por isso a soma ultrapassa 100%.

Repare na barra destacada: mais da metade já contou a uma máquina detalhes sobre a própria saúde, justamente a categoria que a lei trata como mais delicada. O ditado da internet diz que "se é de graça, o produto é você". Shoshana Zuboff, professora emérita de Harvard, acha o ditado otimista demais: não somos o produto, somos a fonte da matéria-prima; o produto é a previsão sobre o que vamos fazer (ZUBOFF, 2020). Para entender essa diferença, e o que dá para fazer com ela, é preciso começar pelo básico: afinal, o que é um dado pessoal?

Rastro 02

O que é (e o que não é) dado pessoal

A palavra que decide tudo na lei é "identificável"

A Lei Geral de Proteção de Dados Pessoais (LGPD), a Lei nº 13.709/2018, define dado pessoal como "informação relacionada a pessoa natural identificada ou identificável" (BRASIL, 2018). A definição é curta e enganosamente ampla. "Identificada" é o óbvio: nome, CPF, foto do rosto. "Identificável" é onde mora o jogo: o número IP do seu roteador, a placa do seu carro, a sequência de lugares por onde seu celular passou. Nenhum desses dados traz seu nome escrito, mas todos podem, com algum cruzamento, chegar até você.

Dentro desse universo, a lei separa um subconjunto de dados pessoais sensíveis: origem racial ou étnica, convicção religiosa, opinião política, filiação a sindicato ou a organização de caráter religioso, filosófico ou político, dados de saúde ou da vida sexual, dados genéticos ou biométricos (BRASIL, 2018). O critério não é o constrangimento, e sim o potencial discriminatório: são as informações que, nas mãos erradas, fecham portas de emprego, crédito ou convívio.

Figura 2 — As três vitrines da LGPD: pessoal, sensível e anonimizado. Ilustração gerada com IA para este post.

O falso conforto da anonimização

No outro extremo está o dado anonimizado: aquele cujo titular "não possa ser identificado, considerando a utilização de meios técnicos razoáveis e disponíveis na ocasião de seu tratamento". Dado anonimizado sai do alcance da lei — salvo quando a anonimização puder ser revertida com esforços razoáveis (BRASIL, 2018). Esse "salvo" é importantíssimo, porque anonimizar não é apagar a coluna do nome.

O contraexemplo clássico é de 2000. A cientista da computação Latanya Sweeney cruzou dados do censo norte-americano e estimou que 87% da população dos Estados Unidos podia ser identificada de forma única apenas pela combinação de CEP de cinco dígitos, sexo e data de nascimento (SWEENEY, 2000). Uma planilha "anônima" com essas três colunas é, na prática, uma lista nominal esperando um cruzamento.

Há ainda um segundo atalho, mais sutil: a inferência. Em 2013, pesquisadores da Universidade de Cambridge e da Microsoft Research mostraram que apenas as curtidas no Facebook de mais de 58 mil voluntários permitiam acertar a etnia em 95% dos casos, o partido (democrata ou republicano) em 85% e a orientação sexual de homens em 88% (KOSINSKI; STILLWELL; GRAEPEL, 2013). Ninguém declarou nada sensível; o sensível foi deduzido. A LGPD antecipa esse problema ao dizer que os dados usados para formar o perfil comportamental de uma pessoa identificada também contam como dados pessoais (BRASIL, 2018).

Quadro 1 — Categorias de dado na LGPD, com exemplos e contraexemplos

Categoria	O que a lei diz	Exemplo	Contraexemplo (cuidado!)
Dado pessoal	Informação relacionada a pessoa natural identificada ou identificável (art. 5º, I)	Placa do carro, IP, geolocalização, e-mail institucional	O e-mail genérico "contato@empresa" não identifica uma pessoa
Dado sensível	Origem racial ou étnica, religião, opinião política, filiação sindical, saúde, vida sexual, dado genético ou biométrico (art. 5º, II)	Impressão digital no aplicativo do banco; sintoma digitado num chatbot	Curtidas não são sensíveis em si, mas podem revelar dados sensíveis por inferência
Dado anonimizado	Titular não identificável por meios técnicos razoáveis; fora da lei, salvo se reversível (art. 5º, III, e art. 12)	Estatística agregada: percentual de domicílios com internet num estado	Planilha sem nome, mas com CEP, sexo e data de nascimento

Fonte: elaborado pelo autor com base em Brasil (2018), Sweeney (2000) e Kosinski, Stillwell e Graepel (2013).

Teste relâmpago: dado pessoal ou não?

Classifique cada item abaixo segundo a LGPD. Cada resposta traz a explicação — inclusive quando você acerta.

Acertos: 0 de 0 respondidos (8 itens)

O número IP do seu celular registrado no acesso a um site em que você está logado

Sua impressão digital cadastrada no aplicativo do banco

A temperatura média de Brasília em agosto

A lista de páginas que você curtiu numa rede social

Uma planilha "anonimizada" sem nomes, mas com CEP, sexo e data de nascimento de cada aluno

Os sintomas que você descreveu a um assistente de IA

A placa do seu carro fotografada por uma câmera de rodovia

O percentual de domicílios com acesso à internet no Distrito Federal

Rastro 03

Privacidade não é ter algo a esconder

De uma câmera portátil em 1890 a uma emenda constitucional em 2022

O direito à privacidade, como ideia jurídica moderna, nasceu de uma novidade tecnológica. Em dezembro de 1890, os advogados Samuel Warren e Louis Brandeis publicaram na Harvard Law Review um ensaio motivado pelas câmeras portáteis e pela imprensa sensacionalista: "as fotografias instantâneas e as empresas jornalísticas invadiram os recintos sagrados da vida privada e doméstica" (WARREN; BRANDEIS, 1890, p. 195, tradução nossa). Contra isso, defendiam o direito de "ser deixado em paz" — o célebre right to be let alone.

Figura 3 — Da câmera portátil ao celular: a privacidade sempre reagiu à tecnologia do momento. Ilustração gerada com IA para este post.

Mais de um século depois, a objeção mais comum a qualquer conversa sobre privacidade continua sendo: "não tenho nada a esconder". O jurista Daniel Solove dedicou um ensaio inteiro a desmontá-la. O argumento, diz ele, parte de uma premissa estreita — a de que privacidade serve para ocultar coisas erradas. Mas os problemas típicos da era dos dados lembram menos o 1984 de Orwell, com seu Grande Irmão vigiando, e mais O Processo de Kafka: uma burocracia opaca que agrega informações dispersas, as usa para finalidades que você desconhece e decide sobre sua vida sem que você possa ver ou contestar o dossiê (SOLOVE, 2007). Quem não tem nada a esconder ainda tem muito a perder: um crédito negado, um seguro mais caro, uma vaga que nunca aparece no anúncio.

O caminho brasileiro: da intimidade à autodeterminação

A Constituição de 1988 já declarava invioláveis "a intimidade, a vida privada, a honra e a imagem das pessoas" no art. 5º, X (BRASIL, 1988). Proteger dados, porém, é mais do que proteger segredos: é garantir que a pessoa controle o fluxo das informações sobre si, inclusive das que não são íntimas — seu endereço é conhecido pelo carteiro, mas isso não autoriza ninguém a vendê-lo a uma lista de telemarketing. Bruno Bioni descreve os dados pessoais como uma projeção da personalidade, o que desloca o debate do "segredo" para o "controle" (BIONI, 2019).

Esse deslocamento ganhou força em maio de 2020. Em plena pandemia, a Medida Provisória nº 954/2020 obrigava as operadoras de telefonia a repassar ao IBGE dados de seus consumidores. O Plenário do Supremo Tribunal Federal manteve a suspensão da norma e registrou que "o respeito à privacidade e à autodeterminação informativa foram positivados" na LGPD (BRASIL, 2020). Dois anos depois, a Emenda Constitucional nº 115 incluiu no rol de direitos fundamentais um novo inciso: "é assegurado, nos termos da lei, o direito à proteção dos dados pessoais, inclusive nos meios digitais" (BRASIL, 2022). Em outras palavras, proteção de dados passou a ser um direito fundamental autônomo, e não apenas um capítulo da privacidade.

Rastro 04

Capitalismo de vigilância

Como a experiência humana virou matéria-prima

Se a privacidade é o direito, o capitalismo de vigilância é a força que empurra na direção contrária. A expressão foi cunhada por Shoshana Zuboff em 2015, num artigo que analisava as práticas do Google a partir de textos do seu próprio economista-chefe, Hal Varian: extração e análise de dados, novos contratos baseados em monitoramento, personalização e experimentação contínua (ZUBOFF, 2015). Em 2019 a ideia virou um livro de fôlego, traduzido no Brasil no ano seguinte, que a define assim:

"O capitalismo de vigilância reivindica de maneira unilateral a experiência humana como matéria-prima gratuita para a tradução em dados comportamentais." (ZUBOFF, 2020, p. 18)

O conceito-chave é o superávit comportamental. Parte dos dados que você gera é usada para melhorar o serviço — o buscador aprende quais resultados funcionam, o mapa aprende onde há engarrafamento. O restante, o excedente, é declarado propriedade da empresa, processado por "inteligência de máquina" e transformado em produtos de predição: estimativas do que você fará "agora, daqui a pouco e mais tarde" (ZUBOFF, 2020, p. 18). Essas previsões são vendidas a quem tem interesse em seu comportamento futuro, em verdadeiros mercados de comportamentos futuros.

Figura 4 — O superávit comportamental: um pouco volta como serviço; o grosso vira produto de predição. Ilustração gerada com IA para este post.

O ciclo, etapa por etapa — e onde a LGPD toca em cada uma

Clique nas etapas do ciclo (ou nos botões) para ver o que Zuboff descreve e qual dispositivo da lei brasileira dialoga com aquele momento.

1 · Experiência humana como matéria-prima

Caminhar, conversar, dormir, pesquisar um sintoma: tudo o que você vive perto de um sensor pode ser tratado como insumo gratuito, sem pedir licença.

LGPD A lei responde com a autodeterminação informativa como fundamento (art. 2º, II): quem decide sobre os dados é o titular.

A etapa 6 fecha o círculo: a receita dos mercados de previsão financia sensores melhores e mais extração. E Zuboff aponta um passo além. Prever é bom; garantir o resultado é melhor ainda. Daí as chamadas economias de ação: notificações no momento certo, recompensas em jogos, pequenos empurrões que conduzem o comportamento na direção mais lucrativa (ZUBOFF, 2020). O exemplo mais famoso do livro é um jogo de realidade aumentada que levava multidões de jogadores a estabelecimentos que pagavam para receber visitas.

Figura 5 — Mercados de comportamentos futuros: o que se leiloa é a aposta sobre o que você fará. Ilustração gerada com IA para este post.

Rastro 05

Cambridge Analytica, o caso-escola

O dia em que o ciclo ficou visível para todo mundo

Em março de 2018, reportagens no Reino Unido e nos Estados Unidos revelaram que a consultoria política Cambridge Analytica havia obtido dados de dezenas de milhões de perfis do Facebook. O caminho foi prosaico: um teste de personalidade chamado thisisyourdigitallife, criado pelo pesquisador Aleksandr Kogan, pagava poucos dólares a quem respondesse — e, pelas regras da plataforma à época, coletava também dados dos amigos de cada participante (WAR, 2026). Algumas centenas de milhares de respondentes viraram uma rede muito maior: o próprio Facebook admitiu que as informações de "até 87 milhões de pessoas" podem ter sido compartilhadas indevidamente (SCHROEPFER, 2018).

Figura 6 — Um consentimento, centenas de perfis: a arquitetura que permitiu o caso. Ilustração gerada com IA para este post.

O Brasil entrou na conta. Cerca de 443 mil usuários brasileiros foram afetados, e a Secretaria Nacional do Consumidor (Senacon) multou o Facebook em R$ 6,6 milhões por prática abusiva, com base no Código de Defesa do Consumidor — ainda não havia LGPD em vigor (SENACON..., 2022). Os bastidores, as contradições do documentário Privacidade Hackeada e o chamado "nó brasileiro" do caso estão destrinchados em outro post da casa.

Leia também Privacidade Hackeada: o escândalo da Cambridge Analytica Linha do tempo com 17 marcos, a defesa de Zuckerberg no Congresso norte-americano e o que as evidências dizem (e não dizem) sobre o impacto eleitoral.

Para o nosso fio, o caso vale por três lições que ligam tudo o que vimos até aqui:

O consentimento de um não vale pelo de centenas. A agência norte-americana de proteção ao consumidor concluiu que o Facebook enganou usuários: os dados deles seguiam para aplicativos baixados por amigos mesmo quando haviam escolhido configurações de privacidade restritivas (FEDERAL TRADE COMMISSION, 2019). Não foi um "vazamento" por invasão; foi o sistema funcionando como projetado.
O valor estava na inferência. O interesse não eram as curtidas em si, mas os perfis psicológicos que elas permitiriam deduzir — exatamente o mecanismo demonstrado em 2013 com as curtidas de voluntários (KOSINSKI; STILLWELL; GRAEPEL, 2013). É o superávit comportamental em estado puro.
O perigo não depende de o marketing ser verdade. O regulador britânico considerou os modelos da empresa exagerados e provavelmente imprecisos, e não há evidência de que tenham decidido eleições (WAR, 2026). Ainda assim, a extração em massa aconteceu, com ou sem controle mental — e é ela que a lei precisa alcançar.

Rastro 06

Da indignação à lei

Como a LGPD organiza direitos, deveres e fiscalização

O calendário de 2018 é eloquente. Em março, o caso estourou. Em 25 de maio, o Regulamento Geral sobre a Proteção de Dados europeu (GDPR) passou a ser aplicado (UNIÃO EUROPEIA, 2016). Em julho, o Senado aprovou o projeto que viraria a LGPD "por unanimidade e em regime de urgência" (LEI..., 2020), sancionada em 14 de agosto (BRASIL, 2018). Explore a linha do tempo completa, da câmera de 1890 à nova agência reguladora:

ideias e ciência escândalo lei e jurisprudência sanção

Clique num marco da linha do tempo

Cada botão abre aqui o contexto do evento e a fonte correspondente.

O que a lei exige de quem trata dados

A LGPD se apoia em três pilares. O primeiro são os princípios do art. 6º, dez ao todo, entre eles finalidade, transparência e necessidade — este último definido como a "limitação do tratamento ao mínimo necessário para a realização de suas finalidades" (BRASIL, 2018). Traduzindo: aplicativo de lanterna não precisa da sua lista de contatos.

O segundo são as bases legais do art. 7º: dez hipóteses que autorizam o tratamento, como cumprimento de obrigação legal, execução de contrato, proteção do crédito e legítimo interesse. O consentimento é só uma das dez portas, e a lei exige que ele seja "livre, informado e inequívoco", para uma finalidade determinada (BRASIL, 2018). Na prática, é uma exigência difícil de cumprir: em 2023, 58% dos usuários de internet disseram concordar sempre ou quase sempre com políticas de privacidade sem lê-las (CETIC.BR, 2024). Bioni chama atenção justamente para os limites do consentimento como ferramenta de proteção quando o titular não tem condições reais de avaliar o que aceita (BIONI, 2019).

Figura 7 — Li e concordo: a ficção cotidiana do consentimento. Ilustração gerada com IA para este post.

O terceiro pilar são os direitos do titular, listados no art. 18 e complementados pelo direito de pedir revisão de decisões tomadas unicamente por sistemas automatizados (art. 20). Quem trata dados deve indicar um encarregado, o canal oficial para esses pedidos (art. 41) (BRASIL, 2018).

Quadro 2 — Direitos do titular na LGPD e exemplos de pedido

Direito	Dispositivo	Como o pedido pode soar
Confirmação da existência de tratamento e acesso	Art. 18, I e II	"Vocês tratam meus dados? Quero saber quais e receber uma cópia."
Correção de dados incompletos ou desatualizados	Art. 18, III	"Meu endereço no cadastro está errado."
Anonimização, bloqueio ou eliminação de dados desnecessários	Art. 18, IV	"Por que um jogo guarda minha localização? Eliminem esse dado."
Portabilidade a outro fornecedor	Art. 18, V	"Quero levar meu histórico para outro serviço."
Informação sobre compartilhamento	Art. 18, VII	"Com quais entidades vocês compartilharam meus dados?"
Revogação do consentimento	Art. 18, IX	"Não autorizo mais o uso da minha foto em campanhas."
Revisão de decisão automatizada	Art. 20	"Meu crédito foi negado por um sistema; peço revisão dos critérios."

Fonte: elaborado pelo autor com base em Brasil (2018).Nota: os exemplos de pedido são ilustrativos e não constituem modelo jurídico.

Figura 8 — Os direitos do titular funcionam como chaves: só abrem portas se forem usados. Ilustração gerada com IA para este post.

E quem fiscaliza? A Autoridade Nacional de Proteção de Dados foi criada em 2019 (BRASIL, 2019) e, em fevereiro de 2026, virou Agência Nacional de Proteção de Dados, agora uma agência reguladora com 200 cargos de especialista a preencher por concurso e responsável também pelo ECA Digital, o estatuto de proteção de crianças e adolescentes no ambiente virtual (ENTRA..., 2026). As sanções valem desde agosto de 2021 (LEI..., 2020) e vão da advertência à multa de até 2% do faturamento no Brasil, "limitada, no total, a R$ 50.000.000,00 (cinquenta milhões de reais) por infração" (BRASIL, 2018).

Rastro 07

O contraditório

Críticas a Zuboff e a pergunta incômoda: a lei tem dentes?

Nenhum conceito deve sair de um post sem apanhar um pouco. A tese de Zuboff tem críticos de peso, e vale ouvi-los. O escritor e ativista Cory Doctorow concorda que a vigilância é um problema, mas discorda do diagnóstico. Para ele, a narrativa de que as plataformas conseguem "controlar mentes" repete, sem querer, o discurso de vendas das próprias empresas aos anunciantes; o problema real seria o monopólio, que permite coletar tudo sem medo de perder usuários para a concorrência. O remédio, portanto, passaria pelo direito antitruste: o capitalismo de vigilância seria, no fundo, capitalismo comum com vigilância acoplada (DOCTOROW, 2020).

O pesquisador bielorrusso Evgeny Morozov vai por outro lado: o livro fala muito da vigilância e quase nada do capitalismo. A busca por dados, argumenta, é só a versão mais recente do imperativo de lucro de sempre. Em suas palavras, "ver o capitalismo de vigilância como nosso novo Leviatã invisível é deixar de perceber como o poder, sob o capitalismo, vem operando há vários séculos" (MOROZOV, 2019, não paginado, tradução nossa).

As duas críticas convergem num ponto útil para quem estuda regulação: proteção de dados sozinha não resolve concentração de mercado. E há um problema prático que qualquer leitor brasileiro vai notar ao olhar a tabela abaixo — a distância entre as multas aplicadas lá fora e as aplicadas aqui.

Tabela 1 — Sanções pecuniárias selecionadas por violações relacionadas a dados pessoais — Reino Unido, Estados Unidos, Brasil e Irlanda — 2018-2025

Ano	Órgão (país)	Empresa sancionada	Motivo resumido	Valor (moeda original)
2018	ICO (Reino Unido)	Facebook	Caso Cambridge Analytica	£ 500 mil
2019	FTC (Estados Unidos)	Facebook	Enganar usuários sobre compartilhamento de dados	US$ 5 bilhões
2022	Senacon (Brasil)	Facebook	Caso Cambridge Analytica (CDC)	R$ 6,6 milhões
2023	DPC (Irlanda)	Meta	Transferência de dados de europeus aos EUA	€ 1,2 bilhão
2023	ANPD (Brasil)	Telekall Infoservice	Tratamento sem base legal; falta de encarregado	R$ 14,4 mil
2025	DPC (Irlanda)	TikTok	Transferência de dados de europeus à China	€ 530 milhões

Fonte: elaborado pelo autor com base em Ashford (2018), Federal Trade Commission (2019), Senacon... (2022), Data Protection Commission (2023, 2025) e Urupá (2023).Notas: 1. Valores nominais, sem conversão cambial ou correção monetária. 2. A multa da Senacon foi restabelecida em agosto de 2022. 3. As decisões da DPC aplicam o GDPR; a da ANPD, a LGPD; as demais, leis anteriores ou setoriais.

A comparação exige cuidado: são leis, economias e empresas diferentes, e a primeira multa da ANPD recaiu sobre uma microempresa, para a qual R$ 14,4 mil não é trivial (URUPÁ, 2023). Também é verdade que tetos baixos envelhecem mal: o próprio regulador britânico avisou que, sob o GDPR, a multa ao Facebook "inevitavelmente teria sido significativamente maior" (ASHFORD, 2018, tradução nossa). A transformação da ANPD em agência reguladora, com mais pessoal, é a aposta brasileira para dar musculatura à fiscalização (ENTRA..., 2026). Se vai funcionar, os próximos anos dirão.

Configurações

Seis ajustes para esta semana

Privacidade também é hábito — e dá para começar pequeno

Nenhum checklist desmonta um modelo de negócio, mas cada ajuste reduz o superávit que você entrega e exercita direitos que só existem de fato quando são usados. Marque o que já fez:

Revise as permissões de localização, microfone, câmera e contatos dos aplicativos e desligue o que não tem relação com a função de cada um (princípio da necessidade). Pense antes de colar sintomas, documentos ou fotos de terceiros num chatbot; quando houver a opção, desative o uso das suas conversas para treinamento. Faça um pedido de acesso a um serviço que você usa muito, pelo canal do encarregado: "quais dados meus vocês tratam?" (art. 18, I e II). Revogue consentimentos antigos: testes de personalidade, sorteios, listas de promoções que você nem lembra de ter assinado (art. 18, IX). Se você dá aula ou coordena equipe, identifique a base legal e a finalidade antes de criar o próximo formulário que coleta dados de alunos ou colegas. Guarde os protocolos: se a empresa não responder ao seu pedido, eles serão a prova para uma reclamação à Agência Nacional de Proteção de Dados.

0 de 6 ajustes feitos

Figura 9 — Retomar o controle é trabalho coletivo, e a sala de aula é um bom lugar para começar. Ilustração gerada com IA para este post.

Logout

Sair da conta não apaga o rastro

Voltemos à Júlia. No fim do dia, ela fecha o notebook e sai de todas as contas. Os rastros ficam: o horário, o trajeto, o pão de queijo, a dor de cabeça. O que mudou nas últimas décadas não foi a existência desses registros, mas a escala, a velocidade e o valor econômico de transformá-los em previsão. A LGPD não devolve o mundo de 1890, e nem deveria; o que ela oferece é uma gramática — finalidade, necessidade, transparência, direitos — para disputar quem decide sobre esses rastros. Direito que ninguém exerce vira enfeite de lei.

Fica a pergunta para a caixa de comentários (e para a próxima aula): se os rastros que você deixou hoje fossem leiloados amanhã, qual deles você mais gostaria de ter apagado — e qual direito, ou qual botão, você usaria para isso?

Nota do autor: as citações de Warren e Brandeis (1890), Morozov (2019) e do regulador britânico (Ashford, 2018) são traduções livres do inglês. A página indicada para Zuboff (2020) refere-se à edição brasileira da Intrínseca, cujo primeiro capítulo é disponibilizado gratuitamente pela editora. Os percentuais do Cetic.br referem-se a usuários de internet com 16 anos ou mais (tentativas de golpe) e a usuários de IA generativa (dados compartilhados); a pergunta sobre políticas de privacidade é da edição anterior, com dados de 2023. A sequência "escândalo em março, GDPR em maio, LGPD em agosto" é uma coincidência de calendário relevante, mas este post não afirma relação causal entre o caso Cambridge Analytica e a aprovação da lei brasileira, que tramitava havia anos. A Tabela 1 é uma seleção ilustrativa, não um ranking; a lista de sanções da ANPD pode ter sido ampliada depois da data de acesso. O teste "dado pessoal ou não?" simplifica situações que, na vida real, dependem de contexto.

Referências

ASHFORD, Warwick. ICO issues maximum £500,000 fine to Facebook. Computer Weekly, [s. l.], 25 out. 2018. Disponível em: https://www.computerweekly.com/news/252451285/ICO-issues-maximum-500000-fine-to-Facebook. Acesso em: 11 set. 2026.
BIONI, Bruno Ricardo. Proteção de dados pessoais: a função e os limites do consentimento. Rio de Janeiro: Forense, 2019.
BRASIL. [Constituição (1988)]. Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidência da República, 1988. Disponível em: https://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm. Acesso em: 11 set. 2026.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União: seção 1, Brasília, DF, 15 ago. 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 11 set. 2026.
BRASIL. Lei nº 13.853, de 8 de julho de 2019. Altera a Lei nº 13.709, de 14 de agosto de 2018, para dispor sobre a proteção de dados pessoais e para criar a Autoridade Nacional de Proteção de Dados; e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 9 jul. 2019. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2019/lei/l13853.htm. Acesso em: 11 set. 2026.
BRASIL. Supremo Tribunal Federal (Plenário). Referendo na Medida Cautelar na Ação Direta de Inconstitucionalidade 6.387/DF. Relatora: Min. Rosa Weber, 7 de maio de 2020. Disponível em: https://www.lexml.gov.br/urn/urn:lex:br:supremo.tribunal.federal;plenario:acordao;adi:2020-05-07;6387-5898078. Acesso em: 11 set. 2026.
BRASIL. Emenda Constitucional nº 115, de 10 de fevereiro de 2022. Altera a Constituição Federal para incluir a proteção de dados pessoais entre os direitos e garantias fundamentais e para fixar a competência privativa da União para legislar sobre proteção e tratamento de dados pessoais. Diário Oficial da União: seção 1, Brasília, DF, 11 fev. 2022. Disponível em: https://www.planalto.gov.br/ccivil_03/constituicao/emendas/emc/emc115.htm. Acesso em: 11 set. 2026.
CETIC.BR. Fornecimento de dados biométricos preocupa 60% dos usuários de Internet brasileiros, mostra pesquisa do Cetic.br. São Paulo: Núcleo de Informação e Coordenação do Ponto BR, 2 set. 2024. Disponível em: https://cetic.br/pt/noticia/fornecimento-de-dados-biometricos-preocupa-60-dos-usuarios-de-internet-brasileiros-mostra-pesquisa-do-cetic-br/. Acesso em: 11 set. 2026.
CETIC.BR. Um em cada três usuários de Internet no Brasil relatou sofrer tentativa de golpe com uso de seus dados pessoais, aponta Cetic.br. São Paulo: Núcleo de Informação e Coordenação do Ponto BR, 31 ago. 2026. Disponível em: https://cetic.br/noticia/um-em-cada-tres-usuarios-de-internet-no-brasil-relatou-sofrer-tentativa-de-golpe-com-uso-de-seus-dados-pessoais-aponta-cetic-br/. Acesso em: 11 set. 2026.
DATA PROTECTION COMMISSION (Irlanda). Data Protection Commission announces conclusion of inquiry into Meta Ireland. Dublin: DPC, 22 maio 2023. Disponível em: https://www.dataprotection.ie/en/news-media/press-releases/Data-Protection-Commission-announces-conclusion-of-inquiry-into-Meta-Ireland. Acesso em: 11 set. 2026.
DATA PROTECTION COMMISSION (Irlanda). Irish Data Protection Commission fines TikTok €530 million and orders corrective measures following inquiry into transfers of EEA user data to China. Dublin: DPC, 2 maio 2025. Disponível em: https://www.dataprotection.ie/en/news-media/latest-news/irish-data-protection-commission-fines-tiktok-eu530-million-and-orders-corrective-measures-following. Acesso em: 11 set. 2026.
DOCTOROW, Cory. How to destroy surveillance capitalism. OneZero, [s. l.], 26 ago. 2020. Disponível em: https://onezero.medium.com/how-to-destroy-surveillance-capitalism-8135e6744d59. Acesso em: 11 set. 2026.
ENTRA em vigor lei que cria a Agência Nacional de Proteção de Dados. Agência Câmara de Notícias, Brasília, DF, 26 fev. 2026. Disponível em: https://www.camara.leg.br/noticias/1248401-entra-em-vigor-lei-que-cria-a-agencia-nacional-de-protecao-de-dados/. Acesso em: 11 set. 2026.
FEDERAL TRADE COMMISSION. FTC imposes $5 billion penalty and sweeping new privacy restrictions on Facebook. Washington, DC: FTC, 24 jul. 2019. Disponível em: https://www.ftc.gov/news-events/news/press-releases/2019/07/ftc-imposes-5-billion-penalty-sweeping-new-privacy-restrictions-facebook. Acesso em: 11 set. 2026.
KOSINSKI, Michal; STILLWELL, David; GRAEPEL, Thore. Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, Washington, DC, v. 110, n. 15, p. 5802-5805, 2013. DOI: 10.1073/pnas.1218772110. Disponível em: https://www.pnas.org/doi/10.1073/pnas.1218772110. Acesso em: 11 set. 2026.
LEI Geral de Proteção de Dados entra em vigor. Agência Senado, Brasília, DF, 18 set. 2020. Disponível em: https://www12.senado.leg.br/noticias/materias/2020/09/18/lei-geral-de-protecao-de-dados-entra-em-vigor. Acesso em: 11 set. 2026.
MOROZOV, Evgeny. Capitalism's new clothes. The Baffler, [s. l.], 4 fev. 2019. Disponível em: https://thebaffler.com/latest/capitalisms-new-clothes-morozov. Acesso em: 11 set. 2026.
SCHROEPFER, Mike. An update on our plans to restrict data access on Facebook. Meta Newsroom, Menlo Park, 4 abr. 2018. Disponível em: https://about.fb.com/news/2018/04/restricting-data-access/. Acesso em: 11 set. 2026.
SENACON multa Facebook em R$ 6,6 milhões. Agência Brasil, Brasília, DF, 23 ago. 2022. Disponível em: https://agenciabrasil.ebc.com.br/geral/noticia/2022-08/senacon-multa-facebook-em-r-66-milhoes. Acesso em: 11 set. 2026.
SOLOVE, Daniel J. "I've got nothing to hide" and other misunderstandings of privacy. San Diego Law Review, San Diego, v. 44, n. 4, p. 745-772, 2007. Disponível em: https://digital.sandiego.edu/sdlr/vol44/iss4/5/. Acesso em: 11 set. 2026.
SWEENEY, Latanya. Simple demographics often identify people uniquely. Pittsburgh: Carnegie Mellon University, 2000. (Data Privacy Working Paper, 3). Disponível em: https://dataprivacylab.org/projects/identifiability/paper1.pdf. Acesso em: 11 set. 2026.
UNIÃO EUROPEIA. Regulamento (UE) 2016/679 do Parlamento Europeu e do Conselho, de 27 de abril de 2016. Relativo à proteção das pessoas singulares no que diz respeito ao tratamento de dados pessoais e à livre circulação desses dados (Regulamento Geral sobre a Proteção de Dados). Jornal Oficial da União Europeia, Luxemburgo, L 119, p. 1-88, 4 maio 2016. Disponível em: https://eur-lex.europa.eu/legal-content/PT/TXT/?uri=CELEX:32016R0679. Acesso em: 11 set. 2026.
URUPÁ, Marcos. ANPD publica primeira sanção ao setor privado por descumprimento da LGPD. Teletime, [s. l.], 6 jul. 2023. Disponível em: https://teletime.com.br/06/07/2023/anpd-publica-primeira-sancao-ao-setor-privado-por-descumprimento-da-lgpd/. Acesso em: 11 set. 2026.
WAR. Privacidade Hackeada: o escândalo da Cambridge Analytica. Brasil Acadêmico, [s. l.], 31 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/privacidade-hackeada-o-escandalo-da.html. Acesso em: 11 set. 2026.
WARREN, Samuel D.; BRANDEIS, Louis D. The right to privacy. Harvard Law Review, Cambridge, MA, v. 4, n. 5, p. 193-220, 15 dez. 1890. Disponível em: https://archive.org/details/jstor-1321160. Acesso em: 11 set. 2026.
ZUBOFF, Shoshana. Big other: surveillance capitalism and the prospects of an information civilization. Journal of Information Technology, [s. l.], v. 30, n. 1, p. 75-89, 2015. DOI: 10.1057/jit.2015.5. Disponível em: https://journals.sagepub.com/doi/10.1057/jit.2015.5. Acesso em: 11 set. 2026.
ZUBOFF, Shoshana. A era do capitalismo de vigilância: a luta por um futuro humano na nova fronteira do poder. Tradução: George Schlesinger. Rio de Janeiro: Intrínseca, 2020.

Terence Tao e o paradoxo da IA com a ciência: a eficácia que atrapalha

noreply@blogger.com (War) — Sat, 5 Sep 2026 08:38:50 -0300

Terence Tao, um dos maiores matemáticos vivos, compara a ciência a uma trilha até uma cachoeira: no caminho a gente se perde, anota o que encontra e avista quedas d'água ainda maiores que outros alcançarão. A inteligência artificial, diz ele, é o helicóptero que leva direto ao destino — e volta sem que ninguém tenha aprendido o caminho. Neste post, narramos a entrevista de Tao ao Big Think passo a passo, com a minutagem clicável para você ir direto ao trecho do vídeo, e destacamos os exemplos que ele escolheu para explicar o que está em jogo: Gauss contando primos à mão, Kepler brigando por dados e abandonando uma teoria linda, os problemas de Erdős caindo um a um, a "indigestão de provas" e o risco de formar uma geração de cientistas que nunca fez a trilha.

Você ouviu falar de uma cachoeira bonita e resolve ir atrás dela com amigos. Não há trilha marcada, então é preciso desenhar um mapa. No meio do caminho vocês se perdem — e, perdidos, descobrem uma clareira que ninguém tinha anotado. Mais adiante, avistam ao longe uma queda d'água ainda mais espetacular: não dá para chegar lá hoje, mas alguém, um dia, vai. É assim que Terence Tao, professor de matemática da Universidade da Califórnia em Los Angeles e medalhista Fields — que lança em outubro o livro de divulgação Six Math Essentials (TAO, 2026b) —, descreve o que é fazer ciência, logo na abertura da sua entrevista ao Big Think (00:00). E então vem a torção: as ferramentas de IA são como helicópteros. Elas levam você direto à cachoeira, você tira a foto e volta — "mas não aprende nada sobre como chegar lá", e talvez não veja nenhum outro fenômeno interessante além daquele que pediu (00:36) (TAO, 2026a).

A entrevista tem pouco menos de meia hora e é uma das exposições mais claras que um pesquisador de ponta já fez sobre o que a IA está mudando — e o que ela pode quebrar — na prática científica. Este post a narra na ordem em que Tao a constrói, sempre com a minutagem ao lado: clique em qualquer marcação de tempo e o vídeo abaixo pula direto para a fala. Os destaques ficam para os personagens que ele convoca — Gauss, Copérnico, Tycho Brahe, Kepler, Erdős — e para o que cada um deles enfrentou, porque é neles que a tese do helicóptero ganha corpo.

O vídeo, com atalhos por trecho

Se o player não carregar, assista no YouTube (em inglês, com legendas automáticas).

Trilha 01

Quatro modos de fazer ciência — e o quinto que chegou

Tao começa por um mapa histórico (01:23). Durante séculos, a ciência teve dois grandes paradigmas: teoria e experimento. Kepler propõe uma teoria de como os planetas se movem, Newton propõe uma teoria da gravidade; do outro lado, alguém realiza a medição e verifica se as duas coisas se encaixam (01:49). A matemática, ele lembra, sempre foi um caso à parte: quase inteiramente teoria. Os "experimentos" matemáticos eram raríssimos — e aqui entra o primeiro personagem.

Gauss e os cem mil primos. Tao conta que Carl Friedrich Gauss "famosamente computou os primeiros 100 mil números primos" e usou essa lista como um conjunto de dados para fazer previsões — daí saiu a conjectura do que hoje chamamos teorema dos números primos, a lei que descreve com que frequência os primos aparecem à medida que os números crescem (02:06). O episódio é bem documentado: Gauss, ainda adolescente, tabulava primos em blocos de mil e, décadas depois, relatou numa carta ao astrônomo Encke que passara "um quarto de hora ocioso" aqui e ali contando primos em mais um intervalo de mil, acumulando dados até os três milhões (GOLDSTEIN, 1973). É a ciência de dados feita a lápis: antes de existir uma prova, existiu uma tabela, e a tabela sugeriu a lei.

Depois de teoria e experimento vieram dois modos mais novos (02:27): a simulação — em vez de um experimento caro, simula-se um furacão num supercomputador — e o big data, em que, em vez de poucos experimentos para confirmar ou negar uma teoria, tomam-se terabytes ou petabytes de dados e tentam-se extrair padrões e leis. Todos os quatro, porém, exigiam um cientista humano em cada etapa: alguém para executar o experimento, fazer a conta, programar a simulação, escrever a análise. É isso que a IA começa a mudar (03:00): laboratórios automatizados, agentes de código que rodam simulações, análise de dados automática e, cada vez mais, "teoria automatizada" — dá-se um problema, um conjunto de hipóteses e axiomas, e pergunta-se que conclusões se seguem, em escala e velocidade que nenhum indivíduo alcança (03:25).

Os "laboratórios automatizados" de que Tao fala não são novidade para quem acompanha este blog. Em 2009, registramos aqui a primeira descoberta científica feita por um robô: Adam, construído pela equipe de Ross King no País de Gales, formulou hipóteses sobre os genes de "enzimas órfãs" da levedura, planejou os experimentos, incubou as células, mediu o crescimento e acertou 12 de 13 hipóteses — trabalho que, como o próprio post observava, costuma ser delegado a estudantes de pós-graduação e assistentes de laboratório (ROBÔ-CIENTISTA…, 2009). Onze anos depois, voltamos ao tema com o robô químico da Universidade de Liverpool, que trabalha 22 horas por dia, realizou 688 experimentos em oito dias e encontrou um catalisador seis vezes mais ativo que o anterior (ROBÔ…, 2020). Repare no detalhe que já estava lá em 2009: a tarefa automatizada era justamente a tarefa do iniciante. Guarde isso — Tao volta a esse ponto no fim da entrevista.

Quadro 1 — Os modos de fazer ciência descritos por Tao e o que a IA altera em cada um

Modo	Exemplo citado na entrevista	O que exigia de humanos	O que a IA passa a fazer
Teoria	Kepler (movimento dos planetas), Newton (gravidade); Gauss conjecturando a lei dos primos	Formular hipóteses e deduzir consequências	"Teoria automatizada": explorar consequências de axiomas em escala
Experimento	Medições que confirmam ou refutam a teoria; as observações de Tycho Brahe	Executar e registrar o experimento	Laboratórios automatizados
Simulação	Um furacão simulado num supercomputador	Programar e depurar o modelo	Agentes de código que escrevem e rodam a simulação
Big data	Extrair leis de petabytes de dados	Programar a análise; expertise para interpretar	Análise de dados automatizada

Fonte: elaborado pelo autor com base em Tao (2026a), trechos 01:23–03:53.Nota: a coluna "O que a IA passa a fazer" reproduz as capacidades mencionadas por Tao, não uma avaliação de maturidade de cada uma.

E então o primeiro alerta, que atravessa a entrevista inteira (03:53). Há valor em fazer as coisas devagar. O cientista que passa horas com lápis e papel, que faz o experimento de campo com as próprias mãos, que depura a simulação que deu errado, "aprende muito além da resposta que buscava": descobre fenômenos novos, enxerga conexões com algo estudado em outro lugar da literatura e — ponto decisivo — consegue comunicar o que encontrou. O paradoxo, diz Tao, é que a IA pode cumprir ostensivamente os objetivos da ciência, rodando experimentos, analisando dados e escrevendo artigos, "mas nenhum cientista humano fica melhor em fazer ciência" e ninguém sabe explicar por que aquela descoberta é interessante, por que aquela prova é nova, com o que ela se conecta (04:49). Daí a pergunta que ele deixa no ar: será que, ao apontar a IA para a ciência, estamos otimizando a coisa errada? (05:13)

Trilha 02

Como um modelo de linguagem "pensa" (segundo um matemático)

Antes de discutir o que a IA faz na matemática, Tao explica o que ela é — e a explicação é a mais honesta que um leigo vai encontrar. O aprendizado de máquina, diz ele, é um jeito de prever padrões em dados (05:35). O exemplo mais simples é a regressão: você alimenta animais com quantidades diferentes de comida, anota quanto cada um engorda, marca os pontos num gráfico e, com sorte, eles se alinham numa reta. A reta vira sua previsão. No mundo real as relações raramente são retas — há muitas entradas, muitas saídas, formas complicadas —, mas hoje existem maneiras engenhosas de detectar a "forma" dos dados e ajustar curvas a ela (06:24). Quem quiser ver essa ideia funcionando por dentro — o neurônio artificial, as camadas, o ajuste dos pesos pela retropropagação — encontra o passo a passo em "Como a máquina aprende" (COMO…, 2026); e as definições de base, da conferência de Dartmouth aos agentes, estão em "Afinal, o que é inteligência artificial?" (AFINAL…, 2026).

Um grande modelo de linguagem, o motor dos chatbots, é isso aplicado a um jogo específico: adivinhar a próxima palavra. "Rosas são vermelhas, violetas são…" — você completa com "azuis". Imagine um gráfico gigantesco em que as entradas são todas as frases incompletas do mundo e as saídas são as palavras que as completam; o modelo ajusta uma curva nesse espaço de dimensão altíssima para apontar a palavra mais provável (06:45). Às vezes há mais de uma resposta ("Olá, meu nome é…"), e o modelo entrega a mais plausível. É exatamente o que o corretor automático do celular faz — e quem já apertou a sugestão repetidas vezes sabe no que dá: frases sem sentido, "macacos datilografando" (07:20).

A mágica, e Tao usa essa palavra, é que, treinando o mesmo mecanismo com trilhões de exemplos, milhões de dólares em computação e meses de tempo, a iteração de repente não degenera: o texto continua coerente e soa como um humano falando. "Não entendemos totalmente por quê", admite ele (07:53). A hipótese é que a linguagem natural contém uma quantidade enorme de regras não escritas que os humanos absorvem sem perceber — assim como uma criança aprende a ordem das palavras sem que ninguém lhe ensine o que é substantivo — e que os modelos capturam essas mesmas regularidades pela exposição, a ponto de responder que "2 mais 3 é 5" (08:40).

Experimente: o jogo da próxima palavra

O brinquedo abaixo simula, de forma caricata, o que Tao descreve. A cada rodada, o modelo "vê" a frase até aqui e oferece candidatas com uma probabilidade estimada. Escolha uma palavra (ou deixe o modelo escolher a mais provável) e observe: com poucas rodadas o texto fica coerente; se você insistir em candidatas improváveis, ele degenera em macacos datilografando. As probabilidades são ilustrativas, inventadas para o exemplo.

Rosas são vermelhas, violetas são

Rodada 0 · coerência: alta

A barra de cada candidata representa a probabilidade estimada pelo "modelo". Repare que ele nunca entende a frase: apenas aponta o que costuma vir depois.

Aqui está o ponto que Tao quer que ninguém perca (09:02): com um pouco de habilidade em linguagem, dá para pôr o modelo em loops — pedir que verifique o próprio trabalho, que proceda passo a passo, que não afirme nada sem checar duas vezes — e ele fica "um pouco mais esperto", entre aspas, resolvendo tarefas complicadas. Mas continua apenas adivinhando a próxima palavra, sem estar ancorado em nenhuma compreensão profunda do mundo real. Ele viu tanto padrão de gente falando de forma inteligente que consegue imitar isso — o suficiente para nos enganar e, curiosamente, o suficiente para ser útil. É possível pedir uma prova matemática; às vezes sai lixo completo, mas, com laços e verificações suficientes, a taxa de acerto se torna positiva (09:31). A imagem final é memorável: é como ter alguém que sabe muito, está ligeiramente bêbado e fica jogando ideias na mesa — com orientação suficiente, extrai-se coisa útil (10:00). Não é a matemática mais avançada que existe, diz ele; é muito dado, muito tempo e muitos remendos. E funciona razoavelmente bem.

Trilha 03

Profundidade humana, amplitude da máquina

Tao acha empobrecido o jeito como o debate costuma ser posto: uma régua única com tarefas fáceis, difíceis e muito difíceis, humanos alcançando até certo ponto, IA até outro, e a pergunta "quem é melhor?" (10:22). Trabalhando com esses sistemas, ele viu outra coisa: humanos e IA são complementares. O especialista humano busca profundidade. Um matemático poderia atacar milhares de problemas, mas escolhe um ou dois — difíceis, mas não impossíveis — em que o simples esforço de avançar um pouco revela intuições que ele compartilha, e sobre as quais alunos e colaboradores constroem (10:53).

A IA, por sua vez, é muito ruim exatamente nesses problemas em que nenhuma técnica padrão se aplica — "está só chutando aleatoriamente". Mas ela brilha em amplitude (11:21). Aponte-a para mil problemas de dificuldades variadas: alguns serão difíceis demais, mas haverá vários ao alcance de métodos que já existem — talvez combinando duas técnicas de áreas distantes, talvez recuperando um artigo obscuro de um periódico de 1970 que tinha a ideia-chave e que nenhum especialista humano teve tempo ou paciência de revisar (11:50). A IA faz palpites informados sobre que técnica pode servir a que problema; muitos são bobos, alguns funcionam, e nas combinações ela ocasionalmente pesca uma solução que todos os humanos deixaram passar.

Figura 1 — Profundidade e amplitude: o humano escolhe um poço e cava; a máquina abre mil caixas e acerta cinquenta.

Há um bônus inesperado: às vezes o consenso dos especialistas está errado (12:29). Todos acham que um problema tem resposta positiva e ninguém olha o caso negativo com atenção; a IA, sem esse preconceito, funciona como "um par de olhos independente" e encontra uma solução surpreendentemente simples que, em retrospecto, os humanos deveriam ter visto. Aí vem a aritmética que ele usa para dimensionar o fenômeno (13:07): mil problemas, 5% de sucesso — são 50 problemas resolvidos. Já é possível ter ferramentas que, em número bruto de problemas resolvidos, superam matemáticos humanos. Só que os 50 problemas resolvidos podem não ser os 50 que você mais queria resolver; podem ser 50 problemas aleatórios. O desafio da profissão, conclui, é encaixar essa capacidade nova de resolver muitos problemas em escala com a capacidade antiga de resolver poucos problemas profundos, devagar.

Trilha 04

Kepler, Tycho e a teoria bonita que não cabia nos dados

O exemplo mais longo da entrevista é o de Johannes Kepler, e Tao o escolhe justamente porque "mostra quão importante é o processo" (13:45). Kepler conhece a teoria de Copérnico, em que os planetas giram em torno do Sol, e as estimativas de quão longe a Terra, Marte e os demais estão dele. Nota que as razões entre essas órbitas lembram razões que ele conhecia da geometria — e propõe uma ideia lindíssima: com seis planetas conhecidos, era possível encaixar os cinco sólidos platônicos (cubo, tetraedro, dodecaedro…) entre seis esferas concêntricas, uma por planeta, e o encaixe explicaria a forma do Sistema Solar (14:11). É o argumento do Mysterium Cosmographicum, de 1596, o livro de estreia de Kepler, em que os poliedros intercalados entre as esferas planetárias pretendiam explicar o número dos planetas e as distâncias entre eles (DI LISCIA, 2025).

Aí Kepler consegue pôr as mãos nos dados de Tycho Brahe — dados observacionais de altíssima qualidade, pelos quais, nas palavras de Tao, "ele teve de brigar, e possivelmente até roubar" (14:32). Tenta ajustar sua teoria a eles. Não fecha: com a precisão das medições de Tycho, as esferas não encaixam, e Kepler descobre que as órbitas de Marte e da Terra não podem ser círculos de jeito nenhum. Passa anos sem saber o que fazer, tenta círculos descentrados, tenta de tudo — até cair na elipse, e então tudo se encaixa (14:58). Foi em Praga, a partir de 1600, com as dez observações de Marte em oposição que Tycho acumulara entre 1580 e 1600, que Kepler chegou à Astronomia Nova (1609): a órbita é uma elipse com o Sol num dos focos, e o planeta anda mais depressa quando está mais perto do Sol. Uma discrepância de apenas oito minutos de arco, escreveu ele, bastava para exigir a reforma de toda a astronomia (DI LISCIA, 2025).

Figura 2 — O modelo dos sólidos platônicos posto de lado, os dados de Tycho sobre a mesa e a elipse que finalmente fechou.

Linha do tempo: do heliocentrismo à elipse

Clique em cada marco para ver o que estava em jogo — e onde a lição de Tao se encaixa.

1543 — Copérnico publica o modelo heliocêntrico

O Sol vai para o centro. Mas, como o próprio Copérnico reconhecia, suas previsões eram piores que as dos melhores modelos geocêntricos, refinados por gregos, árabes e indianos durante séculos com ajustes e mais ajustes. Tao usa isso para lembrar que concordar com os dados não é o único critério — e que o feedback em ciência nem sempre é instantâneo (TAO, 2026a, 15:42).

modelohipótesedados que não fecham

A moral que Tao extrai é dupla. Primeiro, a interação entre teoria e experimento: se a teoria não cabe nos dados, talvez não seja boa (15:19). Mas é mais sutil do que isso. Antes de Kepler, uma crítica ao modelo de Copérnico era que ele mesmo admitia que suas previsões eram piores que as melhores disponíveis — as dos modelos geocêntricos, ajustadíssimos ao longo de séculos (15:42). Só depois das elipses de Kepler o heliocentrismo passou a prever melhor. Ou seja: em ciência nem sempre há feedback instantâneo sobre se você resolveu o problema. Se Kepler e Copérnico tivessem IAs e lhes pedissem um modelo do universo, o modelo heliocêntrico correto poderia ter sido descartado porque, de início, previa pior (16:05). Leva tempo digerir uma teoria e ver como ela se encaixa com tudo o mais que se sabe.

E há o perigo oposto: a IA pode ser rápida demais. Tao teme o sobreajuste (overfitting): um modelo complicadíssimo que não tem nada a ver com o que está acontecendo, mas que se ajusta aos dados extremamente bem — e não extrapola para fora deles (16:39). É o equivalente moderno dos epiciclos: cada ajuste melhora a previsão e afasta da verdade. Por isso, diz ele, acelerar cada etapa individual (experimentar, programar, escrever) não garante que a ciência acelere; no papel teremos sucessos incríveis e, no fundo, o risco de que ela não esteja avançando como avançava (17:09). Ainda assim, ele é claro: é melhor ter as ferramentas do que não tê-las — estamos aprendendo a usá-las.

Trilha 05

O ciclo de vida de uma prova e a indigestão que veio com a fartura

Uma prova matemática, explica Tao, passa por um ciclo de vida (17:37). Primeiro alguém a gera — o que costumava ser difícil. Depois é preciso verificar, porque parte das provas geradas está errada — o que costumava ser tedioso. Ambas as etapas estão sendo automatizadas, e por isso vemos cada vez mais soluções propostas, muitas corretas. Só que as provas estão ficando mais longas e, quando escritas por IA, "não são muito agradáveis de ler": gastam páginas no trivial e uma linha no trecho mais interessante, porque, por força bruta, tudo custa o mesmo tempo para a máquina. Um humano que penou no passo difícil naturalmente dedica a ele o espaço que merece (18:16).

Seguem-se as etapas humanas por excelência: escrever a prova de modo que se leia bem e possa ser explicada; fazer com que outras pessoas se entusiasmem com ela — é aí que entra a revisão por pares, e também onde se separa o resultado correto e legível que responde a uma pergunta de que ninguém se importa (19:13); e, por fim, polir até que caiba num livro didático e possa ser ensinada. A primeira versão de uma prova quase nunca serve para isso: a ordem dos passos não é lógica, o caminho é ineficiente. Alguém precisa pensar muito para reorganizá-la, "um pouco como se edita um documentário ou um filme" (19:34).

Quadro 2 — Ciclo de vida de uma prova matemática segundo Tao e o efeito da IA em cada etapa

Etapa	O que acontece	Antes da IA	Com a IA
1. Gerar	Produzir uma prova ou solução candidata	Difícil; soluções raras	Automatizável; muitas candidatas
2. Verificar	Checar quais candidatas estão corretas	Tedioso	Cada vez mais automatizável
3. Escrever	Redigir de forma legível, dosando o espaço pelo grau de dificuldade	Feito pelo autor humano	Textos longos e mal dosados; ainda exige humanos
4. Convencer	Revisão por pares; a comunidade se interessa e reaproveita	Humano	Humano — e sobrecarregado
5. Digerir	Reorganizar, polir e levar ao livro didático	Humano, lento	Humano, lento — o gargalo

Fonte: elaborado pelo autor com base em Tao (2026a), trechos 17:37–20:15.Nota: a divisão em cinco etapas é do autor deste post; Tao descreve o ciclo em prosa contínua.

O diagnóstico é que a IA acelera o começo do ciclo e não o fim (19:53). Geramos muitas provas, verificamos várias, e o ritmo de compreendê-las e levá-las à forma final continua humano. O resultado tem nome: "indigestão de provas" — uma pilha crescente de soluções pendentes que deveriam ser entendidas e ir para os livros, e que agora precisam ser triadas (20:15). Isso nunca aconteceu antes: soluções para problemas importantes eram tão raras que, quando uma surgia, todos os especialistas largavam tudo para lê-la. Agora chegam em enxurrada. Tao confessa que desistiu de acompanhar todos os desenvolvimentos da própria área (20:52); isso já começava antes da IA, mas ela multiplicou o volume, e será preciso muito mais curadoria e filtragem. "É um bom problema", pondera: melhor ter comida demais do que de menos. Mas ainda é um problema (21:13). A mesma ideia reapareceu semanas antes, na sua palestra no Congresso Internacional de Matemáticos, na Filadélfia, com a fórmula que correu o mundo: a matemática sai "de uma era de escassez de provas para uma era de abundância de provas" (FIELDS…, 2026).

Figura 3 — Indigestão de provas: a impressora não para; a estante dos livros didáticos continua quase vazia.

Trilha 06

De Erdős ao First Proof: o que a IA já resolveu — e quanto custou

Para quem acompanha de perto, como Tao, o avanço foi uma escada sem degraus pulados (21:32): há quatro anos os modelos resolviam problemas de ensino fundamental; depois, de ensino médio; depois, olimpíadas; depois, questões de exame de qualificação de pós-graduação; e então começaram a derrubar pequenos problemas em aberto — do tipo que Paul Erdős propunha aos montes e que ninguém tinha olhado direito, "muita fruta baixa" (21:58). (Erdős, aliás, sabia distinguir fruta baixa de fruta impossível: sobre a conjectura de Collatz, que tratamos aqui em 2019 — e na qual o próprio Tao obteve, naquele ano, o maior avanço em décadas —, ele avisou que "a matemática não está pronta para este tipo de problema" (A PERIGOSA…, 2019).) E, recentemente, uma ou duas ocasiões em que a IA resolveu problemas nos quais pessoas de fato tinham se esforçado muito. Os humanos, coletivamente, tinham tomado o caminho errado; a IA, com outro conjunto de vieses, montou uma solução engenhosa que já teve impacto: problemas vizinhos ao da distância unitária, que ela mesma não resolveu, foram atacados por humanos que adaptaram a técnica da máquina (22:22).

O caso é o da conjectura da distância unitária, proposta por Erdős em 1946 e derrubada em maio de 2026 por um modelo interno da OpenAI, que encontrou um contraexemplo usando técnicas de teoria algébrica dos números vindas de um ramo distante — para surpresa de quem apostava que Erdős estava certo. Semanas depois, matemáticos humanos publicaram uma versão simplificada da solução (KAKAES, 2026). O comentário de Kai Williams sobre o episódio ecoa exatamente a tese da amplitude: o sistema tinha "um conhecimento mais amplo do trabalho matemático anterior do que qualquer humano no mundo" e persistiu em estratégias que um humano abandonaria por falta de tempo (WILLIAMS, 2026). Para alguns colegas de Tao, foi um choque — sobretudo para quem só tinha visto o ChatGPT de 2023 devolver "lixo completo" a uma pergunta difícil de matemática. É a mesma tecnologia de base; o que mudou foi a taxa de erro (22:41).

Mas Tao freia o entusiasmo com uma pergunta de cientista: isso é replicável? (23:02) Muitas dessas conquistas são de empresas privadas que não revelam quanto gastaram (100 mil dólares? um milhão?) nem qual foi a taxa de sucesso — aquele problema resolvido era o único que tentaram, ou um entre dez, entre cem? Sem esses dados, não dá para saber se o feito vai virar rotina ou se só acontece quando se gastam meses e uma equipe de dez pessoas — e se apenas 1% dos problemas que importam é acessível ao método (23:21). Daí a importância de avaliações públicas, como o desafio First Proof: dez questões de nível de pesquisa, com solução conhecida mas mantida em segredo, em que os melhores modelos acertaram "algo como cinco ou seis" (23:45).

Tabela 1 — Desafio First Proof: problemas, resultados e custo por sistema, 2026

Rodada	Divulgação	Problemas	Resultado relatado	Sistema	Custo (US$)	Tempo
1ª	fev. 2026	10	2 soluções inequívocas de modelos públicos na primeira semana; OpenAI reivindicou 6 "com alta chance de estar corretas"; "pelo menos 6 de 10" na avaliação posterior	Modelos públicos (diversos)	n. d.	1 semana
1ª	fev. 2026	10		OpenAI (submissões próprias)	n. d.	n. d.
2ª	jun. 2026	10	Resultados descritos qualitativamente; soluções humanas de até 8 páginas; 24 h por problema	Sistema B (harness da UCLA)	4.800	≈ 24 h
				ChatGPT 5.5 Pro	117	fração do tempo
				Harness europeu (mais bem-sucedido)	3.186	até 23 h

Fonte: elaborado pelo autor com base em Howlett (2026), First… (2026) e Abouzaid et al. (2026).Nota: "n. d." = não divulgado. Os custos são as cobranças de computação relatadas pelos organizadores para a segunda rodada; "harness" é o arcabouço que orquestra o modelo (ver glossário).Nota 2: as contagens da 1ª rodada divergem conforme a data e o critério de avaliação; ver Nota do autor.

Os números da tabela explicam a reticência de Tao. Na primeira rodada, organizada por onze matemáticos e divulgada em fevereiro de 2026, só dois dos dez lemas receberam soluções inequivocamente corretas de modelos públicos na primeira semana — e uma delas era quase idêntica a uma prova já existente —, embora a OpenAI tenha reivindicado seis com "alta chance de estar corretas" (HOWLETT, 2026). Na segunda rodada, em junho, com problemas surgidos naturalmente da pesquisa dos organizadores (ABOUZAID et al., 2026), o sistema que mais acertou lutou 23 horas com alguns problemas e deixou uma conta de 3.186 dólares; outro gastou 4.800 dólares em quase 24 horas; o ChatGPT 5.5 Pro custou 117 dólares e respondeu numa fração do tempo — e os árbitros humanos continuaram indispensáveis, porque checar as soluções exige muita atenção (FIRST…, 2026). É o que Tao resume: há muitas tarefas rotineiras da pesquisa que a IA já faz, mas pode custar algumas centenas de dólares por tentativa, e às vezes ela gasta toda a computação e termina sem nada útil (24:17).

Ele fecha o trecho com a analogia da programação: programadores experientes relatam produzir código cinco, dez, cem vezes mais rápido com esses agentes — e, ao mesmo tempo, sentem que estão perdendo a habilidade de programar à mão, e às vezes nem conseguem revisar o código que sai. "Velocidade não é tudo", diz. É o helicóptero de novo, agora pousado no teclado.

Trilha 07

Colaborar com humanos, colaborar com máquinas

A parte mais pessoal da entrevista é sobre colaboração (24:48). Tao diz que só percebeu tarde na carreira o quanto ela importava: boa parte da matemática que sabe aprendeu depois do doutorado, trabalhando com matemáticos e cientistas de outras áreas — "eu ensino o que sei, eles me ensinam o que sabem, e eu fico muito mais amplo". Com um colaborador de longa data chega-se a uma sintonia quase mental, como amigos ou familiares que completam as frases um do outro: você lança uma ideia e, antes de terminar a frase, o outro já a pegou e correu com ela (25:28).

Gente já tentou usar a IA assim, e não funciona — ainda. Ela erra; às vezes é sicofanta, só diz o que você quer ouvir; a interação é individual, e levar uma IA para uma sessão de trabalho presencial "quebra o ritmo"; a conversa não flui como com um humano (26:02). Até há pouco, os modelos não aprendiam com as suas conversas: um colaborador retoma no dia seguinte, ou anos depois, um fio antigo; a IA tem um contexto limitado, faz anotações e simula memória, mas não se sintoniza com você como um parceiro de verdade (26:32). Por isso, ele próprio usa pouco a IA para o ato de resolver problemas: ela é melhor em tarefas secundárias — revisão de literatura, checagem de uma prova, um código, uma leitura crítica do que ele escreveu em busca de trechos que possam ficar mais enxutos (27:00). Talvez isso mude; talvez as IAs do futuro sejam mais conversacionais. Hoje, o ritmo não é o que ele prefere.

A semente da próxima geração

O último bloco é o mais grave. Estamos num ponto arriscado para a estrutura de financiamento da ciência: as ferramentas produzem os outputs da ciência — ou o que parece ser — muito mais rápido, e isso pode custar "a semente que guardamos para a próxima geração de cientistas" (27:36). O exemplo é concreto: os problemas de treinamento que se dão a alunos de pós-graduação como primeiros projetos, para que ganhem experiência e algum reconhecimento, são exatamente do tipo que a IA já replica. Se substituirmos os pós-graduandos pela IA, teremos os artigos de nível de pós-graduação — e não teremos a próxima geração de pesquisadores (27:57). E se não continuarmos o processo de digerir a produção da IA para construir a próxima base de conhecimento sobre a qual humanos e máquinas vão trabalhar, "podemos acabar estagnando como sociedade científica": otimizando tudo o que a tecnologia atual permite, sem produzir ideias realmente novas (28:23).

A resposta que ele propõe não é técnica, é cultural: uma conversa muito mais aberta sobre o que é ciência básica, para que serve, por que a pesquisa movida pela curiosidade importa e por que ainda precisamos de uma comunidade de humanos explorando as coisas, às vezes devagar, às vezes de modo menos eficiente que o modelo mais recente (28:45). E mais divulgação: o público vê os produtos visíveis da ciência — o celular, a internet, o GPS —, mas não o processo, nem o quanto um entendimento básico de matemática e ciência "torna o mundo ao redor muito menos assustador e muito mais claro". Muita gente vive hoje num estado de ansiedade porque o mundo é complicado demais; a ciência acrescenta clareza ao pensamento, e isso, diz Tao, é um valor que precisa ser defendido e financiado (29:08).

Aplicação prática

Perguntas para o seu contexto

A entrevista fala de matemática de ponta, mas a tese do helicóptero vale para qualquer sala de aula, laboratório ou equipe que adotou IA. Passe a sua prática pelos seis pontos abaixo:

0 de 6

Consigo distinguir, nas minhas tarefas, o que é trilha (onde o percurso ensina) do que é helicóptero (onde só o destino importa) — e reservo a IA para o segundo caso. Quando a IA me devolve uma resposta, ainda sou capaz de explicar a outra pessoa por que ela está certa, o que ela tem de novo e com o que se conecta. Uso a IA para amplitude (varrer literatura, testar muitas variantes, checar código e provas) e guardo a profundidade — o problema que escolho atacar devagar — para mim. Desconfio de modelos que se ajustam bem demais aos meus dados: pergunto se extrapolam, como Kepler perguntou às esferas. Na minha triagem, priorizo o que precisa ser digerido e ensinado, não apenas o que precisa ser gerado — e tenho um critério de curadoria para a enxurrada. Preservo os "problemas de treinamento" dos meus alunos ou iniciantes, mesmo que a IA os resolva em segundos: a semente da próxima geração não se terceiriza.

Para quem ensina, o último item é o mais urgente. Um trabalho de conclusão de curso, um primeiro artigo, um projeto de iniciação científica são, na taxonomia de Tao, os problemas de pós-graduação que a IA já replica. Não é motivo para bani-la, mas para redesenhar o percurso: se o helicóptero está disponível, a avaliação precisa premiar o mapa que o aluno desenhou — as clareiras que anotou, as cachoeiras que avistou — e não a foto tirada no destino.

Cachoeira

Dois anos entre duas conversas

Vale fechar comparando esta entrevista com outra, dada por Tao dois anos antes: a palestra pública "The potential for AI in science and mathematics", proferida no Museu de Ciência de Londres em 17 de julho de 2024 e publicada pela Oxford Mathematics em agosto daquele ano (OXFORD MATHEMATICS, 2024); a gravação está disponível no YouTube (TAO, 2024). Ali, o retrato era outro. Tao apresentava a IA como um modelo estatístico, não uma inteligência, e ilustrava sua inconstância com o GPT-4 acertando cerca de 1% dos problemas de olimpíada enquanto errava aritmética simples; o entusiasmo ia para a dobra de proteínas, para a modelagem climática e, sobretudo, para os assistentes de prova, que permitiriam projetos matemáticos colaborativos em grande escala, com verificação formal e matemáticos especializados em papéis distintos dentro de esforços maiores (TAO, 2024).

Em 2026, o mesmo Tao descreve modelos que resolvem cinco ou seis problemas de pesquisa em dez, derrubam conjecturas de Erdős e produzem provas mais rápido do que a comunidade consegue digerir. O que não mudou é mais revelador do que o que mudou. Em 2024 ele já dizia que a IA é uma máquina de palpites; em 2026, diz que ela continua "só adivinhando a próxima palavra". Em 2024 apostava na colaboração humano-máquina mediada por verificação; em 2026, insiste que a verificação e a digestão continuam sendo o gargalo humano. E a preocupação nova — a formação da próxima geração — é apenas a consequência lógica de a aposta de 2024 ter dado certo mais rápido do que se esperava: quando a máquina passa a fazer bem o trabalho de iniciante, é o caminho de formação, e não o resultado, que precisa ser protegido.

Volte à trilha do início. Kepler não foi de helicóptero: brigou pelos dados, perdeu anos numa teoria linda, tentou círculos descentrados até dar na elipse — e, no caminho, escreveu que oito minutos de arco bastavam para reformar a astronomia. Gauss contou primos aos milhares nos seus quartos de hora ociosos e, contando, viu a lei. Erdős deixou mais de mil problemas como trilhas abertas para quem viesse depois, e agora alguns deles estão sendo fechados por uma máquina que não sabe o que é uma cachoeira. A pergunta que Tao deixa para o leitor — e que vale para o seu curso, o seu laboratório, o seu TCC — é simples: na próxima vez em que o helicóptero estiver disponível, o que você vai fazer para que alguém ainda aprenda o caminho?

Glossário

Termos usados na entrevista e neste post

Agente de código (coding agent): Sistema de IA que, além de escrever código, o executa, lê os erros, corrige e repete o ciclo com autonomia. Tao cita agentes que rodam simulações científicas por conta própria (03:25).
Ajuste de curvas: Encontrar a função que melhor passa por um conjunto de pontos (entradas e saídas). É a operação básica do aprendizado de máquina na descrição de Tao (05:35–06:24).
Aprendizado de máquina (machine learning): Família de algoritmos que aprendem padrões a partir de dados em vez de seguir regras programadas à mão. Nos termos da entrevista: "tentar prever padrões nos dados".
Assistente de prova: Programa (como o Lean) em que uma demonstração é escrita numa linguagem formal e verificada mecanicamente, linha a linha. Tema central da palestra de 2024 (TAO, 2024).
Benchmark (avaliação de referência): Conjunto padronizado de tarefas usado para medir e comparar sistemas de IA. O First Proof é um benchmark de nível de pesquisa em matemática.
Big data: Modo de fazer ciência que extrai padrões e leis de volumes massivos de dados (terabytes, petabytes), em vez de poucos experimentos dirigidos (02:27).
Conjectura: Afirmação matemática que se acredita verdadeira, mas ainda não foi provada. A conjectura da distância unitária, de Erdős (1946), foi refutada por contraexemplo em 2026.
Contraexemplo: Caso específico que mostra que uma afirmação geral é falsa. Basta um para derrubar uma conjectura.
Contexto (janela de contexto): Quantidade de texto que um modelo de linguagem consegue "ter em mente" de uma vez. Limita a memória de uma conversa e é o que Tao contrasta com a sintonia entre colaboradores humanos (26:32).
Elipse: Curva fechada com dois focos; a soma das distâncias de qualquer ponto aos dois focos é constante. Kepler mostrou que as órbitas planetárias são elipses com o Sol num dos focos (1609).
First Proof: Desafio público criado por matemáticos em 2026 para testar modelos de IA em problemas de nível de pesquisa, com soluções mantidas em segredo e árbitros humanos.
Geocentrismo / heliocentrismo: Modelos em que, respectivamente, a Terra ou o Sol ocupam o centro do sistema planetário. Os modelos geocêntricos de Ptolomeu e seus refinamentos árabes e indianos previam melhor que o de Copérnico até as elipses de Kepler.
Grande modelo de linguagem (LLM, large language model): Rede neural treinada com quantidades enormes de texto para prever a próxima palavra (ou token). É a base dos chatbots atuais.
Harness (arcabouço de orquestração): Software que envolve um modelo de IA e o coordena: divide o problema, faz chamadas repetidas, verifica saídas, controla tempo e orçamento. Na segunda rodada do First Proof, diferentes harnesses produziram resultados e custos muito diferentes com modelos parecidos.
Lema: Resultado auxiliar, geralmente menor, provado como passo para um teorema maior. Os problemas do First Proof foram descritos como lemas.
Problemas de Erdős: Centenas de questões propostas pelo matemático húngaro Paul Erdős (1913–1996), muitas com prêmios em dinheiro, catalogadas hoje em uma base pública. Desde 2025, dezenas vêm sendo resolvidas com auxílio de IA.
Regressão: Técnica estatística que ajusta uma função (no caso mais simples, uma reta) para prever uma saída a partir de entradas. Exemplo de Tao: comida dada × peso ganho pelos animais.
Revisão por pares: Avaliação de um artigo por especialistas independentes antes da publicação. Para Tao, é a etapa em que a comunidade decide se um resultado é interessante — e não apenas correto (19:13).
Sicofantia (sycophancy): Tendência de um modelo de IA a concordar com o usuário e dizer o que ele quer ouvir, em vez de corrigi-lo. Tao a cita como um dos limites da colaboração com IA (25:28).
Simulação: Reprodução computacional de um fenômeno (um furacão, uma reação, uma economia) para estudá-lo sem realizar o experimento real.
Sobreajuste (overfitting): Quando um modelo se ajusta tão bem aos dados de treinamento — inclusive ao ruído — que perde a capacidade de generalizar para dados novos. É o risco que Tao associa a IAs "rápidas demais" (16:39).
Sólidos platônicos: Os cinco poliedros regulares convexos: tetraedro, cubo, octaedro, dodecaedro e icosaedro. Kepler tentou usá-los para explicar as distâncias entre os seis planetas conhecidos (1596).
Teorema dos números primos: Resultado que descreve como os primos rareiam: até um número n, há aproximadamente n/ln(n) primos. Conjecturado por Gauss a partir de tabelas e provado em 1896 por Hadamard e de la Vallée Poussin, independentemente.
Token: Unidade mínima de texto processada por um modelo de linguagem — uma palavra, parte de palavra ou sinal. "Prever a próxima palavra" é, tecnicamente, prever o próximo token.

Nota do autor: as minutagens seguem a transcrição automática do vídeo do Big Think e podem variar em um ou dois segundos em relação ao player; a data exata de publicação do vídeo não consta da página consultada e foi registrada como 2026, ano confirmado pela divulgação da própria Big Think (BIG THINK, 2026). As citações de Tao entre aspas são traduções do autor, feitas a partir da transcrição em inglês; a transcrição automática grafa "union distance", corrigido aqui para unit distance (distância unitária), conforme o problema de Erdős a que Tao se refere. As contagens da primeira rodada do First Proof divergem conforme a fonte e a data: a Scientific American, uma semana após o lançamento, contava duas soluções inequívocas de modelos públicos e seis reivindicadas pela OpenAI; a reportagem de Harvard, em junho, fala em "pelo menos seis de dez" resolvidas — Tao cita "cinco ou seis". A Tabela 1 registra todas as versões. A divisão do ciclo de vida de uma prova em cinco etapas (Quadro 2) e o resumo da palestra de 2024 são organizações do autor. A frase de Gauss sobre os "quartos de hora ociosos" provém da carta a Encke de 1849, conforme reproduzida por Goldstein (1973).

Referências

A PERIGOSA Conjectura de Collatz. Brasil Acadêmico, [S. l.], 15 dez. 2019. Disponível em: https://blog.brasilacademico.com/2019/12/a-perigosa-conjectura-de-collatz.html. Acesso em: 4 set. 2026.
ABOUZAID, M.; SRIVASTAVA, N.; WARD, R.; WILLIAMS, L. First Proof second batch. [S. l.]: arXiv, 16 jun. 2026. Disponível em: https://arxiv.org/abs/2606.18119. Acesso em: 4 set. 2026.
AFINAL, o que é inteligência artificial? Brasil Acadêmico, [S. l.], 7 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/afinal-o-que-e-inteligencia-artificial.html. Acesso em: 4 set. 2026.
BIG THINK. The greatest living mathematician explains math from scratch. Big Think Media, [S. l.], 22 ago. 2026. Disponível em: https://bigthinkmedia.substack.com/p/the-greatest-living-mathematician. Acesso em: 4 set. 2026.
COMO a máquina aprende. Brasil Acadêmico, [S. l.], 15 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/como-maquina-aprende.html. Acesso em: 4 set. 2026.
DI LISCIA, D. A. Johannes Kepler. In: ZALTA, E. N.; NODELMAN, U. (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Metaphysics Research Lab, Stanford University, 2025. Disponível em: https://plato.stanford.edu/entries/kepler/. Acesso em: 4 set. 2026.
FIELDS Medalist Terence Tao warns AI could produce more math proofs than humans can handle. VnExpress International, Hanói, 29 jul. 2026. Disponível em: https://e.vnexpress.net/news/news/education/fields-medalist-terence-tao-warns-ai-could-produce-more-math-proofs-than-humans-can-handle-5102580.html. Acesso em: 4 set. 2026.
FIRST Proof's second batch of math problems test AI. Harvard FAS Current, Cambridge, MA, 17 jun. 2026. Disponível em: https://current.fas.harvard.edu/stories/first-proofs-second-batch-math-problems-test-ai. Acesso em: 4 set. 2026.
GOLDSTEIN, L. J. A history of the prime number theorem. The American Mathematical Monthly, Washington, DC, v. 80, n. 6, p. 599-615, jun./jul. 1973. DOI: 10.2307/2319162. Disponível em: https://doi.org/10.2307/2319162. Acesso em: 4 set. 2026.
HOWLETT, J. First Proof is AI's toughest math test yet. The results are mixed. Scientific American, New York, 14 fev. 2026. Disponível em: https://www.scientificamerican.com/article/first-proof-is-ais-toughest-math-test-yet-the-results-are-mixed/. Acesso em: 4 set. 2026.
KAKAES, K. Why the legendary Erdős problems are falling to AI. Quanta Magazine, New York, 3 ago. 2026. Disponível em: https://www.quantamagazine.org/why-the-legendary-erdos-problems-are-falling-to-ai-20260803/. Acesso em: 4 set. 2026.
OXFORD MATHEMATICS. Oxford Mathematics London Public Lecture: The potential for AI in science and mathematics — Terence Tao. Oxford: Mathematical Institute, University of Oxford, 2024. Disponível em: https://www.maths.ox.ac.uk/node/68243. Acesso em: 4 set. 2026.
ROBÔ-CIENTISTA faz primeira descoberta científica. Brasil Acadêmico, [S. l.], 6 abr. 2009. Disponível em: https://blog.brasilacademico.com/2009/04/robo-cientista-faz-primeira-descoberta.html. Acesso em: 4 set. 2026.
ROBÔ cientista mil vezes mais rápido do que o homem. Brasil Acadêmico, [S. l.], 17 jul. 2020. Disponível em: https://blog.brasilacademico.com/2020/07/robo-cientista-mil-vezes-mais-rapido-do.html. Acesso em: 4 set. 2026.
TAO, T. The potential for AI in science and mathematics. Palestra proferida na Oxford Mathematics London Public Lecture, Science Museum, Londres, 17 jul. 2024. Oxford: Oxford Mathematics, 7 ago. 2024. 1 vídeo (ca. 1h). Disponível em: https://www.youtube.com/watch?v=_sTDSO74D8Q. Acesso em: 4 set. 2026.
TAO, T. How AI is changing math and science forever. [Entrevista concedida a] Big Think. [S. l.]: Big Think, 2026a. 1 vídeo (ca. 30 min). Disponível em: https://www.youtube.com/watch?v=svl_1upFpQo. Acesso em: 4 set. 2026.
TAO, T. Six Math Essentials. What's new, [S. l.], 16 fev. 2026b. Disponível em: https://terrytao.wordpress.com/2026/02/16/six-math-essentials/. Acesso em: 4 set. 2026.
WILLIAMS, K. OpenAI's math breakthrough played to AI's strengths. Understanding AI, [S. l.], 28 maio 2026. Disponível em: https://www.understandingai.org/p/openais-milestone-math-breakthrough. Acesso em: 4 set. 2026.

Dinâmica tecnológica e inovação: da curva S ao perfil em T

noreply@blogger.com (War) — Wed, 2 Sep 2026 00:24:37 -0300

Em agosto de 2025, a Gartner colocou os agentes de IA no ponto mais alto — e mais perigoso — da sua famosa curva: o pico das expectativas infladas. Isso é bom ou mau sinal? Depende do mapa que você usa para ler. Neste post, reunimos em um só lugar os sete mapas que economistas, engenheiros e consultores criaram para explicar como uma tecnologia nasce, cresce, decepciona, se difunde e envelhece — dilema do inovador, curva S, Hype Cycle, difusão de Rogers, TRL, padrões setoriais de Pavitt e perfil em T — e mostramos as peças que faltam para que eles se encaixem em um quadro coerente. Com as fontes na mesa e um gráfico interativo que muda de leitura conforme a lente (atualizado em 02/09/2026 08h16).

No dia 8 de agosto de 2025, a consultoria Gartner publicou a edição anual do seu Hype Cycle para inteligência artificial e posicionou os agentes de IA — junto com a IA multimodal e os dados "prontos para IA" — no pico das expectativas infladas. Segundo a analista Haritha Khandabattu, o sucesso dependeria de "pilotos estreitamente alinhados ao negócio" e de coordenação entre equipes técnicas e áreas-fim, porque agentes "não podem ser usados em todos os casos" (GARTNER, 2025a). Um mês depois, a mesma consultoria listava os agentes entre as tecnologias emergentes que sustentariam o "negócio autônomo" da próxima década (GARTNER, 2025b).

Repare no aparente contrassenso: a tecnologia está no ponto mais superestimado da curva e é apontada como aposta estratégica. Não há contradição — há dois mapas diferentes sendo lidos ao mesmo tempo. Um mede expectativa; o outro, potencial. E é exatamente esse o problema de quem estuda (ou ensina, ou gerencia) tecnologia hoje: existe uma coleção de modelos consagrados — dilema do inovador, curva S, Hype Cycle, difusão de inovações, TRL, taxonomia de Pavitt, perfil em T — que costumam ser apresentados em slides separados, como se fossem sete verdades soltas. Não são. São sete instrumentos — modelos, escalas, uma taxonomia e uma metáfora — que iluminam dimensões diferentes do mesmo fenômeno, e só fazem sentido quando se sabe o que cada um descreve e onde um passa o bastão para o outro.

Este post organiza esses instrumentos em três perguntas: por que a tecnologia muda, como ela chega ao mundo e quem a faz chegar. Para cada pergunta, acrescentamos as peças que a lista original deixa de fora e que são justamente as que dão liga ao conjunto. Se você ainda não leu, vale começar pela postagem anterior, "Afinal, o que é inovação?", que define os termos de base — a diferença entre descoberta, invenção e inovação, as definições de Schumpeter, do Manual de Oslo e da lei brasileira, e a distinção entre inovação incremental, radical e disruptiva (AFINAL…, 2026). Aqui, partimos do ponto em que aquele texto parou: inovação é o novo colocado em uso; a dinâmica tecnológica é a história de como esse uso nasce, cresce e morre.

Um gráfico, cinco leituras

Antes de entrar nos conceitos, experimente o instrumento abaixo. A curva desenhada é sempre a mesma; o que muda é a lente. A sobreposição é esquemática: cada lente mede um fenômeno, uma população e uma unidade de análise diferentes, e formas parecidas não implicam equivalência matemática nem temporal. Clique em cada uma e observe o que ela acrescenta — voltaremos a este gráfico ao longo do texto.

A curva S relaciona o esforço investido em uma tecnologia ao desempenho que ela devolve: pouco no início, muito no meio, quase nada perto do limite físico (FOSTER, 1986).

Trajetória 01

Por que a tecnologia muda? Paradigma, trajetória e curva S

A lista original começa pela curva S e pelo dilema do inovador, mas ambos pressupõem algo que raramente é dito em voz alta: a ideia de que a tecnologia não avança em qualquer direção, e sim ao longo de caminhos com regras próprias. Quem deu nome a isso foi o economista italiano Giovanni Dosi, em 1982, emprestando de Thomas Kuhn a noção de paradigma. Um paradigma tecnológico é um "modelo e um padrão de solução de problemas tecnológicos selecionados", baseado em princípios científicos e em materiais específicos; a trajetória tecnológica é o "padrão de atividade normal de solução de problemas" dentro desse paradigma — a direção em que o progresso é buscado e reconhecido (DOSI, 1982). O motor a combustão interna foi um paradigma; "mais potência por litro, menos consumo, menos emissão" foi sua trajetória por um século.

Isso explica por que a curva S tem a forma que tem. Popularizada por Richard Foster, então diretor da McKinsey, ela plota o desempenho de uma tecnologia contra o esforço acumulado para desenvolvê-la. No início, a trajetória ainda está sendo descoberta e o retorno é lento; quando a comunidade técnica aprende onde estão os ganhos, o desempenho dispara; por fim, a tecnologia se aproxima do limite físico do seu paradigma e cada avanço custa cada vez mais (FOSTER, 1986). A tese de Foster, que dá título ao livro, é que esse achatamento é a hora do atacante: quem lidera uma tecnologia madura tende a defender a curva antiga enquanto o desafiante já está subindo a próxima — a "cascata" de curvas S que você pode acionar no gráfico acima.

Entre o paradigma de Dosi e a curva de Foster há um terceiro conceito, também ausente da lista, que os conecta ao mundo das fábricas: o design dominante, de William Abernathy e James Utterback. Toda indústria nascente atravessa uma fase fluida, com muitos projetos concorrentes e inovação concentrada no produto; em algum momento, o mercado converge para uma configuração que vira padrão — o design dominante — e a competição migra para a fase específica, em que a inovação passa a ser de processo, custo e escala (ABERNATHY; UTTERBACK, 1978). O surgimento do design dominante costuma acompanhar a região de aceleração da curva S — não é seu ponto matemático de inflexão, mas é quando a trajetória fica clara e o desempenho começa a subir rápido.

O dilema do inovador: por que os bons gestores erram

Com essas três peças no lugar, o dilema do inovador deixa de ser uma frase de efeito. Joseph Bower e Clayton Christensen estudaram a indústria de discos rígidos e notaram algo perturbador: a cada transição de formato — dos discos de 14 polegadas para os de 8, depois 5,25 e 3,5 — os líderes estabelecidos, com engenheiros excelentes e clientes fiéis, foram desbancados por novatos. Não por incompetência, mas por fazerem exatamente o que a boa gestão manda: ouvir os melhores clientes, investir onde a margem é maior e ignorar produtos inicialmente piores (BOWER; CHRISTENSEN, 1995).

A explicação de Christensen usa duas trajetórias, no sentido de Dosi. A primeira é a do desempenho que o mercado consegue absorver; a segunda, a do desempenho que a tecnologia oferece — e a segunda sobe mais rápido que a primeira. Quando a tecnologia estabelecida ultrapassa o que os clientes conseguem usar, abre-se espaço embaixo para uma alternativa mais simples e mais barata, que serve quem estava fora do mercado. É a inovação disruptiva; a melhoria contínua ao longo da trajetória existente é a inovação sustentadora (CHRISTENSEN, 2012). Em trabalho posterior, Christensen e Michael Raynor separaram duas rotas de disrupção: a de baixo mercado, que entra pelos clientes menos exigentes e superatendidos, e a de novo mercado, que começa por quem não consumia nada — e insistiram que disrupção é um processo, não um produto inicialmente pior (CHRISTENSEN; RAYNOR, 2003). O dilema é que a empresa líder não pode, racionalmente, abandonar seus clientes lucrativos para apostar em um produto pior — e é por isso que ela perde. O dilema do inovador é a curva S vista pela cadeira do gestor: a decisão certa para a curva atual é a decisão errada para a próxima.

Quadro 1 — Conceitos que explicam por que a tecnologia muda

Conceito	Autor (ano)	O que explica	Pergunta que responde
Paradigma e trajetória	Dosi (1982)	A direção do progresso técnico	Para onde a tecnologia "quer" ir?
Curva S	Foster (1986)	Retorno decrescente do esforço em um paradigma	Quanto ainda dá para melhorar?
Design dominante	Abernathy e Utterback (1978)	Convergência do mercado para um padrão	Quando a trajetória se define?
Dilema do inovador	Bower e Christensen (1995)	Por que líderes perdem a troca de curva	Por que a decisão certa dá errado?

Fonte: elaborado pelo autor com base em Dosi (1982), Foster (1986), Abernathy e Utterback (1978) e Bower e Christensen (1995).

Trajetória 02

Como a tecnologia chega ao mundo? TRL, difusão e Hype Cycle

A curva S conta a história do lado da oferta: quanto a tecnologia é capaz de entregar. Mas uma tecnologia capaz não é uma tecnologia adotada — e a distância entre as duas coisas é onde vivem os três instrumentos seguintes. O primeiro mede maturidade; o segundo, adoção; o terceiro, expectativa. Confundir os três é a fonte de boa parte das decisões erradas sobre tecnologia.

TRL: uma régua para o "quão pronto"

A escala de níveis de prontidão tecnológica (Technology Readiness Levels, TRL; na tradução oficial da ABNT, "níveis de maturidade da tecnologia") nasceu na NASA nos anos 1970, quando Stan Sadin propôs uma forma de responder a uma pergunta que os gerentes de missão faziam sem vocabulário comum: esta tecnologia está pronta para voar? A escala original tinha sete níveis; a versão de nove, hoje universal, foi consolidada por John Mankins em um white paper de 1995 (MANKINS, 1995). De lá, o TRL saiu do espaço por adoção, não por decreto: o Departamento de Defesa americano o incorporou às suas regras de aquisição a partir de 1999, depois de um relatório do órgão de controle do Congresso; a Comissão Europeia o levou aos editais do Horizonte 2020, em 2014, com definições genéricas próprias; e a indústria, de energia a saúde, foi esticando os níveis para caber fora da engenharia aeroespacial (OLECHOWSKI; EPPINGER; JOGLEKAR, 2015). A padronização internacional veio por outro caminho e continuou no setor de origem: a ISO 16290, de 2013, é uma norma de sistemas espaciais, que fixa os nove níveis para "elementos" desses sistemas e — esta é sua contribuição — define, para cada nível, o "marco alcançado pelo elemento" e o "trabalho realizado (documentado)" que permitem avaliá-lo de forma comparável (ISO, 2013).

No Brasil, a norma foi adotada pela ABNT como ABNT NBR ISO 16290:2015 e é a referência normativa nacional para a escala (ABNT, 2015). A mesma régua de nove níveis orienta, por exemplo, a EMBRAPII — a Empresa Brasileira de Pesquisa e Inovação Industrial —, cujo modelo ordinário concentra o financiamento entre os níveis 3 e 6 da escala — da prova de conceito ao modelo demonstrado em ambiente relevante —, embora programas e parcerias específicos alcancem faixas mais amplas (EMBRAPII IFSP, [s. d.]). Não é por acaso. É nessa vizinhança que mora o chamado vale da morte — sem delimitação universal, representado neste post entre os TRL 4 e 6, a faixa de verificação e demonstração anterior à operação: a tecnologia já não é pesquisa básica (que universidades e agências financiam) e ainda não é produto (que empresas financiam), e por isso morre de inanição entre um patrocinador e outro. O TRL não diz se uma tecnologia é boa; diz o quanto ela já foi testada — e onde o dinheiro costuma acabar.

O vale da morte, aqui representado nos TRL 4 a 6: pesquisa demais para as agências de fomento, produto de menos para as empresas. A travessia se constrói arco por arco — e programas-ponte como a EMBRAPII existem para levar o material até onde a obra parou.

Quadro 2 — Níveis de prontidão tecnológica (TRL) e etapa correspondente

TRL	Descrição resumida	Etapa	Quem costuma financiar
1	Princípios de base observados e relatados	Pesquisa	Agências de fomento, universidades
2	Conceito e/ou aplicação da tecnologia formulados
3	Prova de conceito analítica e experimental da função crítica e/ou da característica
4	Verificação funcional, em ambiente laboratorial, do componente e/ou maquete (breadboard)	Desenvolvimento ("vale da morte")	Programas-ponte (ex.: EMBRAPII), capital de risco
5	Verificação, em ambiente relevante, da função crítica do componente e/ou maquete
6	Modelo demonstrando as funções críticas do elemento em um ambiente relevante
7	Modelo demonstrando o desempenho do elemento para o ambiente operacional (no solo ou, se necessário, no espaço)	Operação	Empresas, clientes, mercado
8	Sistema real completo e aceito para uso (na norma, "qualificado para voo")
9	Sistema real demonstrado em operação (na norma, "demonstrado em voo" em missão bem-sucedida)

Fonte: elaborado pelo autor com base em ABNT (2015), Mankins (1995) e EMBRAPII IFSP ([s. d.]).Nota: as descrições dos TRL 1 a 7 seguem os títulos dos níveis na Tabela 1 da ABNT NBR ISO 16290:2015; nos TRL 8 e 9, a formulação espacial da norma ("voo", "missão") foi generalizada, com o original entre parênteses. A norma usa "elemento", "modelo", "maquete" e "verificação" (não "sistema", "protótipo" e "validação") e, no TRL 7, pede demonstração para o ambiente operacional — no solo, se possível —, não necessariamente nele. As colunas "Etapa" e "Quem costuma financiar" são agrupamentos didáticos do autor e não constam da norma; o intervalo do "vale da morte" varia conforme o setor.

Difusão de inovações: quem adota, quando e por quê

Se o TRL olha para a tecnologia, Everett Rogers olhou para as pessoas. Sociólogo rural, ele partiu de um estudo clássico de 1943 sobre a adoção do milho híbrido por agricultores de Iowa — alguns plantaram a nova semente logo, a maioria esperou anos para ver os vizinhos colherem — e generalizou o padrão em Diffusion of Innovations, publicado em 1962 e hoje na quinta edição. A adoção de muitas inovações, mostrou Rogers, pode ser aproximada por uma curva em forma de sino no tempo, que dividida por desvios-padrão produz cinco perfis de adotante: inovadores (2,5%), adotantes iniciais (13,5%), maioria inicial (34%), maioria tardia (34%) e retardatários (16%) (ROGERS, 2003). Acumule o sino e você tem — de novo — uma curva S, só que agora medindo adoção, e não desempenho.

Rogers também explicou por que algumas inovações se difundem depressa e outras nunca: cinco atributos percebidos decidem o jogo — a vantagem relativa sobre o que existe, a compatibilidade com valores e hábitos, a complexidade, a possibilidade de experimentar em pequena escala e a observabilidade dos resultados (ROGERS, 2003). O Pix, da postagem anterior, marca cinco de cinco; o carro elétrico, no Brasil de hoje, tropeça em compatibilidade (onde carregar?) e experimentabilidade (quem empresta um para testar?). Para quem gosta de números, o modelo de Frank Bass, de 1969, traduziu essa sociologia em uma equação com dois coeficientes — inovação (influência externa, como propaganda) e imitação (influência interna, o boca a boca) — que ainda hoje é usada para prever a curva de vendas de produtos novos (BASS, 1969).

A peça que falta entre Rogers e o Hype Cycle é o abismo (chasm) de Geoffrey Moore. Consultor do Vale do Silício, Moore observou que a curva de Rogers não é contínua para produtos de tecnologia: existe um fosso entre os adotantes iniciais — visionários que compram promessa — e a maioria inicial — pragmáticos que compram referência de outros pragmáticos. Muitas tecnologias atravessam com sucesso os 16% iniciais e morrem ali, porque o que convence um grupo é justamente o que afasta o outro (MOORE, 1991). Ative a lente "Rogers" no gráfico e veja onde o abismo cai: perto do trecho em que a curva de expectativa, da próxima seção, despenca — uma vizinhança sugestiva, não uma coincidência necessária entre dois modelos independentes.

Hype Cycle: a curva da expectativa

O Hype Cycle foi criado em 1995 por Jackie Fenn, analista da Gartner, e é hoje a mais divulgada — e a menos compreendida — das curvas. Ele não mede desempenho nem adoção: mede visibilidade e expectativa ao longo do tempo, em cinco fases que a própria consultoria define assim: o gatilho da inovação, quando um avanço potencial gera publicidade sem produtos utilizáveis; o pico das expectativas infladas, com "algumas histórias de sucesso, frequentemente acompanhadas de dezenas de fracassos"; o vale da desilusão, quando o interesse míngua e os fornecedores quebram ou se consolidam; a rampa da consolidação (slope of enlightenment), quando os usos reais se cristalizam; e o platô da produtividade, quando a adoção pela maioria decola (GARTNER, [s. d.]). Fenn e Mark Raskino, em 2008, argumentaram que a curva combina duas dinâmicas humanas independentes: a reação exagerada à novidade, que sobe e cai rápido, e a maturação real da tecnologia, que sobe devagar — a mesma curva S de Foster (FENN; RASKINO, 2008).

A justificativa intuitiva do Hype Cycle é a chamada Lei de Amara: "tendemos a superestimar o efeito de uma tecnologia no curto prazo e a subestimá-lo no longo prazo". Roy Amara, do Institute for the Future, popularizou a máxima a partir dos anos 1980 — mas, como mostra a pesquisa do Quote Investigator, versões anônimas dela já circulavam desde pelo menos 1965 (O'TOOLE, 2019). Convém ainda um alerta acadêmico: uma revisão crítica da literatura, acompanhada de teste empírico e publicada em 2016, concluiu que o modelo da Gartner tem pouca validação empírica, que muitas tecnologias pulam fases ou morrem no vale sem nunca chegar ao platô, e que a posição de cada tecnologia na curva é um julgamento de analistas, não uma medida (DEDEHAYIR; STEINERT, 2016). O Hype Cycle é um termômetro de conversa, não de tecnologia — útil justamente para separar o que se diz do que se entrega.

O Hype Cycle é uma montanha-russa de expectativas: o carrinho lotado no pico e o carrinho tranquilo no platô são a mesma tecnologia, em momentos diferentes da conversa sobre ela.

Quadro 3 — O que cada curva mede e onde cada uma erra

Instrumento	Eixo vertical	Eixo horizontal	Ponto cego
Curva S (Foster)	Desempenho técnico	Esforço acumulado	Ignora se alguém quer o desempenho
TRL (NASA)	Maturidade (1 a 9)	Etapas de teste	Não mede mercado nem manufatura
Difusão (Rogers)	Adoção acumulada	Tempo	Descreve depois; prevê mal antes
Abismo (Moore)	Adoção por perfil	Tempo	Formulado para tecnologia B2B
Hype Cycle (Gartner)	Visibilidade/expectativa	Tempo	Posições são opinião de analistas

Fonte: elaborado pelo autor com base em Foster (1986), Mankins (1995), Rogers (2003), Moore (1991), Gartner ([s. d.]) e Dedehayir e Steinert (2016).

Volte ao caso de abertura com esses quatro eixos na cabeça. Agentes de IA no pico das expectativas (Hype Cycle) não têm um TRL único: um agente destinado a uma tarefa estreita e bem definida pode estar em TRL 6 ou 7, enquanto agentes para tarefas abertas ainda patinam em TRL 3; entre os adotantes iniciais na curva de Rogers, com o abismo ainda pela frente; e no trecho de subida rápida de uma curva S cujo limite ninguém conhece. As duas notícias da Gartner não se contradizem: uma lia o termômetro da conversa, a outra lia o mapa do potencial.

Trajetória 03

Quem inova, e como? Pavitt, sistemas de inovação e perfil em T

Até aqui, falamos de "a tecnologia" como se toda tecnologia se comportasse igual. Não se comporta. A curva S de um remédio, com vinte anos de patente e testes clínicos, não tem a mesma forma da curva S de um aplicativo; o vale da morte de um satélite é mais fundo que o de uma planilha. Quem primeiro sistematizou essas diferenças foi Keith Pavitt, da Universidade de Sussex, analisando cerca de 2 mil inovações significativas introduzidas no Reino Unido entre 1945 e 1979. Sua conclusão: as fontes, a direção e a apropriação da inovação variam de forma previsível conforme o setor, e é possível agrupar as empresas em quatro padrões (PAVITT, 1984).

Quadro 4 — Padrões setoriais de inovação segundo a taxonomia de Pavitt

Padrão	Setores típicos	De onde vem a inovação	Como se protege
Dominado por fornecedores	Agricultura, têxtil, construção, serviços tradicionais	Comprada embutida em máquinas e insumos	Marca, marketing, custo
Intensivo em escala	Automóveis, siderurgia, alimentos, bens duráveis	Engenharia de produção interna e fornecedores	Segredo industrial, escala, know-how de processo
Fornecedores especializados	Máquinas-ferramenta, instrumentos, equipamentos	Projeto e desenvolvimento sob medida, junto ao usuário	Know-how de projeto, relação com o cliente
Baseado em ciência	Eletrônica, química, farmacêutica	P&D interno e pesquisa acadêmica	Patentes, P&D, curva de aprendizado

Fonte: elaborado pelo autor com base em Pavitt (1984).Nota: manuais posteriores, como o de Tidd e Bessant (2015), acrescentam um quinto padrão — "intensivo em informação" (bancos, varejo, software) — proposto pelo próprio Pavitt em trabalhos dos anos 1990.

A taxonomia é o elo entre as duas primeiras trajetórias deste post e a terceira. Cada padrão setorial tem uma curva S com inclinação própria, um TRL que pesa diferente e um ritmo de difusão específico: no setor baseado em ciência, uma parcela grande do esforço tende a se concentrar nos níveis iniciais do TRL, e é comum que empresas estabelecidas respondam ao dilema do inovador comprando startups; no setor dominado por fornecedores, a "inovação" é sobretudo adoção — a padaria com o QR Code —, e a curva de Rogers é o instrumento que importa. Em outras palavras, o setor decide qual dos mapas anteriores você deve consultar primeiro (TIDD; BESSANT, 2015).

Ninguém inova sozinho: sistemas de inovação

Pavitt também deixou uma lição implícita: a empresa não é uma unidade suficiente de análise. A inovação depende de universidades que formam gente, de fornecedores que trazem tecnologia embutida, de agências que financiam o vale da morte e de leis que definem quem é dono do quê. A literatura dos sistemas de inovação formalizou essa ideia: Christopher Freeman, ao estudar o Japão, e Bengt-Åke Lundvall cunharam a noção de sistema nacional de inovação — a rede de instituições cuja interação determina o desempenho inovador de um país (FREEMAN, 1987) (LUNDVALL, 1992) —, depois desdobrada em sistemas regionais e setoriais. Uma abordagem aparentada, e a metáfora mais difundida, é a da hélice tríplice de Henry Etzkowitz e Loet Leydesdorff: universidade, empresa e governo como três fios entrelaçados, em que cada um assume parte do papel do outro (a universidade empreende, a empresa pesquisa, o governo articula) (ETZKOWITZ; LEYDESDORFF, 2000). A Lei de Inovação brasileira, com seus Núcleos de Inovação Tecnológica, tratada na postagem anterior, é a tradução jurídica dessa hélice (AFINAL…, 2026).

O perfil em T: a pessoa dentro do sistema

Se o sistema é feito de instituições, a inovação continua sendo feita de pessoas — e aqui entra o último conceito da lista, que parece de outro assunto e não é. A expressão perfil em T (T-shaped) é mais antiga do que parece: já em 1978, D. L. Johnston a usava, em uma revista de gestão de engenharia, para descrever o cientista que vira gestor sem perder a especialidade (JOHNSTON, 1978). Quem a popularizou foi David Guest, em reportagem de 17 de setembro de 1991 no jornal britânico The Independent sobre a "caça ao homem renascentista da computação": o profissional com uma barra vertical — profundidade em uma disciplina — e uma barra horizontal — capacidade de dialogar com as demais (GUEST, 1991). Quem transformou a metáfora em política de contratação foi Tim Brown, presidente da consultoria de design IDEO. Em entrevista de 2010, ele explicou que a barra vertical é a expertise que permite contribuir para o processo criativo, mas a horizontal é a empatia pelas outras disciplinas — e que profissionais sem a barra horizontal, os "em I", não sobrevivem em equipes multidisciplinares (HANSEN, 2010). Variantes surgiram desde então: o perfil em π (duas profundidades), em pente (várias) e em M.

Perfil em T, em versão museu: na horizontal, os três reinos — o repertório amplo que permite conversar com qualquer área; na vertical, do reino à espécie, a especialização crescente que faz de alguém referência em uma só. Sem a coluna não há o que entregar; sem a barra não há com quem.

A ligação com tudo o que veio antes é direta. A inovação disruptiva de Christensen começa fora da trajetória dominante — o que exige alguém capaz de olhar para além da própria disciplina. O vale da morte do TRL é atravessado por quem fala a língua do laboratório e a do mercado. O abismo de Moore é vencido por quem entende o visionário e o pragmático. E a taxonomia de Pavitt diz qual barra vertical cada setor exige: química fina precisa de doutores; máquinas sob medida, de engenheiros que entendam o chão de fábrica do cliente. O perfil em T é o sistema de inovação em escala individual: a profundidade é o que você entrega; a horizontal é o que permite entregar junto.

As Diretrizes Curriculares Nacionais dos cursos de Engenharia, de 2019, não usam a expressão, mas descrevem um egresso perfeitamente compatível com ela. A Resolução CNE/CES nº 2 pede um egresso com "visão holística e humanista", "forte formação técnica", "apto a pesquisar, desenvolver, adaptar e utilizar novas tecnologias, com atuação inovadora e empreendedora", que adote "perspectivas multidisciplinares e transdisciplinares"; entre as competências gerais, lista "trabalhar e liderar equipes multidisciplinares" e "comunicar-se eficazmente nas formas escrita, oral e gráfica" ao lado de "conceber, projetar e analisar sistemas" (BRASIL, 2019). É a barra vertical e a barra horizontal, em linguagem de diário oficial. Sistemas de informação, design e administração têm diretrizes próprias, mas a mesma lógica tende a aparecer em qualquer área que se pretenda inovadora.

Encaixe

O mapa completo: onde cada peça se conecta

Chegamos ao quadro que faltava. Os sete termos da lista original, mais as seis peças que acrescentamos, formam três colunas — por quê, como, quem — ligadas por passagens de bastão. Clique em cada conceito para ver a definição em uma frase, o autor e com quem ele conversa. Os conceitos em destaque são os da lista original; os demais são as junções.

Por que muda

Como chega

Quem faz

Escolha um conceito

Clique em qualquer cartão acima para ver a definição, o autor e as conexões.

Aplicação prática

Perguntas para o seu contexto

Escolha uma tecnologia que esteja na sua mesa agora — uma ferramenta de IA para a sala de aula, um novo processo no trabalho, um produto do seu TCC — e passe-a pelos mapas:

0 de 6

Sei em que trecho da curva S ela está — subindo rápido, achatando ou ainda procurando a trajetória — e qual é o limite físico do paradigma. Consigo atribuir um TRL honesto, separando o que foi demonstrado em ambiente relevante do que só foi verificado em laboratório. Sei quem, no meu público, são os adotantes iniciais e o que os pragmáticos da maioria inicial exigiriam para atravessar o abismo. Distingo o que li sobre ela (Hype Cycle) do que ela entrega de fato (curva S e TRL). Identifiquei o padrão de Pavitt do meu setor e, portanto, de onde a inovação costuma vir nele — de fornecedores, de escala, de projeto ou de ciência. Sei qual é a minha barra vertical e com quais disciplinas preciso de barra horizontal para levar essa tecnologia adiante.

Para quem ensina, a transposição é imediata: uma turma de engenharia, sistemas ou design que aprende a passar uma tecnologia por esses seis filtros está, na prática, exercitando o perfil que as DCNs de Engenharia de 2019 pedem, sem que ninguém precise pronunciar a palavra "competência".

Platô

Sete mapas, um território

Volte à sala da Gartner em agosto de 2025. Uma analista posiciona os agentes de IA no topo de uma curva de expectativa e, no mesmo relatório, recomenda pilotos estreitos alinhados ao negócio. Ela não está sendo incoerente: está lendo o Hype Cycle com uma mão e o TRL com a outra, sabendo que a curva S da tecnologia subjacente ainda sobe e que a maioria pragmática não atravessará o abismo por causa de uma demonstração. É essa leitura simultânea — e não a memorização de sete gráficos — que separa quem analisa tecnologia de quem apenas a comenta.

O que os sete conceitos da lista original tinham de comum, e que só aparece quando se colocam as peças que faltavam, é uma ideia simples: a tecnologia não é um evento, é um percurso — e cada mapa mostra um trecho dele. Dosi e Foster mostram a estrada; Christensen mostra por que os motoristas experientes erram a saída; TRL, Rogers e Gartner mostram, respectivamente, o quanto o carro foi testado, quantos passageiros já embarcaram e quanto barulho a viagem faz; Pavitt diz que a estrada muda de acordo com o terreno; e o perfil em T descreve quem consegue dirigir com um olho no motor e outro no mapa. E você — em qual trecho do percurso está a tecnologia que mais ocupa a sua cabeça hoje, e com qual mapa você a tem lido?

Nota do autor: os percentuais das categorias de Rogers (2,5%, 13,5%, 34%, 34% e 16%) derivam da divisão de uma curva normal por desvios-padrão e são convenções do modelo, não medições de uma inovação específica. As colunas "Etapa" e "Quem costuma financiar" do Quadro 2 são agrupamentos didáticos do autor; o intervalo do vale da morte não tem delimitação universal — aqui é representado nos TRL 4 a 6 e varia conforme a fonte, o programa de financiamento e o setor. As descrições dos níveis de TRL no Quadro 2 reproduzem os títulos dos níveis da Tabela 1 da ABNT NBR ISO 16290:2015 (norma paga, cujas colunas de marcos e trabalho realizado não são reproduzidas), cotejados com Mankins (1995) e com a tradução usada pela EMBRAPII; a norma é específica para sistemas espaciais, e os TRL 8 e 9 foram redigidos aqui em termos genéricos ("uso", "operação"), com a formulação original ("voo", "missão") indicada entre parênteses. O termo "prontidão tecnológica" é a tradução corrente de readiness; a ABNT adota "maturidade da tecnologia". As ilustrações setoriais que seguem o Quadro 4 (esforço concentrado nos TRL iniciais, compra de startups) são leituras do autor a partir da taxonomia, não achados de Pavitt (1984). O quinto padrão de Pavitt ("intensivo em informação") não consta do artigo de 1984 e é apresentado conforme Tidd e Bessant (2015). A posição dos agentes de IA nos exemplos de TRL e de Rogers é um exercício ilustrativo do autor, não uma avaliação da Gartner. Traduções dos nomes das fases do Hype Cycle e das citações em inglês são do autor.

Referências

ABERNATHY, W. J.; UTTERBACK, J. M. Patterns of industrial innovation. Technology Review, Cambridge, MA, v. 80, n. 7, p. 40-47, jun./jul. 1978.
AFINAL, o que é inovação? Brasil Acadêmico, [S. l.], 5 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/afinal-o-que-e-inovacao.html. Acesso em: 1 set. 2026.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR ISO 16290: sistemas espaciais — definição dos níveis de maturidade da tecnologia (TRL) e de seus critérios de avaliação. Rio de Janeiro: ABNT, 2015.
BASS, F. M. A new product growth for model consumer durables. Management Science, Providence, v. 15, n. 5, p. 215-227, jan. 1969. DOI: 10.1287/mnsc.15.5.215. Disponível em: https://doi.org/10.1287/mnsc.15.5.215. Acesso em: 1 set. 2026.
BOWER, J. L.; CHRISTENSEN, C. M. Disruptive technologies: catching the wave. Harvard Business Review, Boston, v. 73, n. 1, p. 43-53, jan./fev. 1995. Disponível em: https://hbr.org/1995/01/disruptive-technologies-catching-the-wave. Acesso em: 1 set. 2026.
BRASIL. Ministério da Educação. Conselho Nacional de Educação. Câmara de Educação Superior. Resolução nº 2, de 24 de abril de 2019. Institui as Diretrizes Curriculares Nacionais do Curso de Graduação em Engenharia. Diário Oficial da União: seção 1, Brasília, DF, 26 abr. 2019. Disponível em: https://www.gov.br/mec/pt-br/cne/pdf/normas-classificadas-por-assunto/diretrizes-curriculares-cursos-de-graduacao/rces002_19.pdf. Acesso em: 1 set. 2026.
CHRISTENSEN, C. M. O dilema da inovação: quando as novas tecnologias levam empresas ao fracasso. São Paulo: M.Books, 2012.
CHRISTENSEN, C. M.; RAYNOR, M. E. The innovator's solution: creating and sustaining successful growth. Boston: Harvard Business School Press, 2003.
DEDEHAYIR, O.; STEINERT, M. The hype cycle model: a review and future directions. Technological Forecasting and Social Change, Amsterdam, v. 108, p. 28-41, jul. 2016. DOI: 10.1016/j.techfore.2016.04.005. Disponível em: https://doi.org/10.1016/j.techfore.2016.04.005. Acesso em: 1 set. 2026.
DOSI, G. Technological paradigms and technological trajectories: a suggested interpretation of the determinants and directions of technical change. Research Policy, Amsterdam, v. 11, n. 3, p. 147-162, jun. 1982. DOI: 10.1016/0048-7333(82)90016-6. Disponível em: https://doi.org/10.1016/0048-7333(82)90016-6. Acesso em: 1 set. 2026.
EMBRAPII IFSP. TRL – Escala de Maturidade Tecnológica. São Paulo: Unidade EMBRAPII do Instituto Federal de São Paulo, [s. d.]. Disponível em: https://embrapii.ifsp.edu.br/?page_id=3044. Acesso em: 1 set. 2026.
ETZKOWITZ, H.; LEYDESDORFF, L. The dynamics of innovation: from National Systems and "Mode 2" to a Triple Helix of university-industry-government relations. Research Policy, Amsterdam, v. 29, n. 2, p. 109-123, fev. 2000. DOI: 10.1016/S0048-7333(99)00055-4. Disponível em: https://doi.org/10.1016/S0048-7333(99)00055-4. Acesso em: 1 set. 2026.
FENN, J.; RASKINO, M. Mastering the hype cycle: how to choose the right innovation at the right time. Boston: Harvard Business Press, 2008.
FOSTER, R. N. Innovation: the attacker's advantage. New York: Summit Books, 1986.
FREEMAN, C. Technology policy and economic performance: lessons from Japan. London: Pinter, 1987.
GARTNER. Gartner Hype Cycle research methodology. Stamford: Gartner, [s. d.]. Disponível em: https://www.gartner.com/en/research/methodologies/gartner-hype-cycle. Acesso em: 1 set. 2026.
GARTNER. Gartner Hype Cycle identifies top AI innovations in 2025. Business Wire, Stamford, 8 ago. 2025a. Disponível em: https://www.businesswire.com/news/home/20250808070139/en/Gartner-Hype-Cycle-Identifies-Top-AI-Innovations-in-2025. Acesso em: 1 set. 2026.
GARTNER. Gartner unveils top emerging technologies to support autonomous business. Gartner Newsroom, Stamford, 10 set. 2025b. Disponível em: https://www.gartner.com/en/newsroom/press-releases/2025-09-10-gartner-unveils-top-emerging-technologies-to-support-autonomous-business. Acesso em: 1 set. 2026.
GUEST, D. The hunt is on for the Renaissance Man of computing. The Independent, London, 17 set. 1991.
HANSEN, M. T. IDEO CEO Tim Brown: T-shaped stars: the backbone of IDEO's collaborative culture. Chief Executive, [S. l.], 21 jan. 2010. Disponível em: https://chiefexecutive.net/ideo-ceo-tim-brown-t-shaped-stars-the-backbone-of-ideoaes-collaborative-culture__trashed/. Acesso em: 1 set. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 16290: space systems — definition of the Technology Readiness Levels (TRLs) and their criteria of assessment. Geneva: ISO, 2013. Disponível em: https://www.iso.org/standard/56064.html. Acesso em: 2 set. 2026.
JOHNSTON, D. L. Scientists become managers: the "T"-shaped man. IEEE Engineering Management Review, New York, v. 6, n. 3, p. 67-68, set. 1978. DOI: 10.1109/EMR.1978.4306682. Disponível em: https://doi.org/10.1109/EMR.1978.4306682. Acesso em: 2 set. 2026.
LUNDVALL, B.-Å. (ed.). National systems of innovation: towards a theory of innovation and interactive learning. London: Pinter, 1992.
MANKINS, J. C. Technology readiness levels: a white paper. Washington, DC: NASA, Office of Space Access and Technology, 1995. Disponível em: https://procon.bg/article/technology-readiness-levels-white-paper. Acesso em: 1 set. 2026.
MOORE, G. A. Crossing the chasm: marketing and selling technology products to mainstream customers. New York: HarperBusiness, 1991.
OLECHOWSKI, A.; EPPINGER, S. D.; JOGLEKAR, N. Technology readiness levels at 40: a study of state-of-the-art use, challenges, and opportunities. In: PORTLAND INTERNATIONAL CONFERENCE ON MANAGEMENT OF ENGINEERING AND TECHNOLOGY (PICMET), 2015, Portland. Proceedings [...]. Portland: IEEE, 2015. p. 2084-2094. Disponível em: https://dspace.mit.edu/bitstreams/ab4a40ad-fdf2-4849-89a2-9b77a6614965/download. Acesso em: 1 set. 2026.
O'TOOLE, G. People tend to overestimate what can be done in one year and to underestimate what can be done in five or ten years. Quote Investigator, [S. l.], 3 jan. 2019. Disponível em: https://quoteinvestigator.com/2019/01/03/estimate/. Acesso em: 1 set. 2026.
PAVITT, K. Sectoral patterns of technical change: towards a taxonomy and a theory. Research Policy, Amsterdam, v. 13, n. 6, p. 343-373, dez. 1984. DOI: 10.1016/0048-7333(84)90018-0. Disponível em: https://doi.org/10.1016/0048-7333(84)90018-0. Acesso em: 1 set. 2026.
ROGERS, E. M. Diffusion of innovations. 5. ed. New York: Free Press, 2003.
TIDD, J.; BESSANT, J. Gestão da inovação. 5. ed. Porto Alegre: Bookman, 2015.

Privacidade Hackeada: O escândalo da Cambridge Analytica

noreply@blogger.com (War) — Mon, 31 Aug 2026 23:18:47 -0300

Um documentário da Netflix transformou a Cambridge Analytica no rosto de um medo novo: o de que nossos dados sejam usados para nos manipular. Sete anos depois, é possível separar o que foi provado do que foi alegado — e a separação é menos confortável do que qualquer um dos dois lados gostaria. Este texto reconstrói o caso a partir das fontes primárias: os artigos científicos que deram base à técnica, os depoimentos ao Congresso americano, os relatórios do regulador britânico e o que de fato aconteceu no Brasil. No fim, a pergunta que quinze horas de audiência no Capitólio não formularam.

Fio 01

O que o filme alega

Privacidade Hackeada é o título brasileiro de The Great Hack, documentário lançado pela Netflix em 24 de julho de 2019 e dirigido por Karim Amer e Jehane Noujaim. Ele conta o escândalo da Cambridge Analytica por meio de três personagens: David Carroll, professor de design em Nova York que processou a empresa para descobrir quais dados ela guardava sobre ele; Brittany Kaiser, ex-diretora de desenvolvimento de negócios que virou denunciante; e Carole Cadwalladr, a jornalista do Observer que destrinchou o caso.

Carroll nunca recebeu resposta completa. Em janeiro de 2019 a SCL Elections declarou-se culpada por descumprir a notificação do regulador britânico no caso dele, com multa de 15 mil libras mais custas — a primeira e única condenação criminal de toda a história do escândalo (INFORMATION COMMISSIONER'S OFFICE, 2019). A empresa já estava em liquidação, e o pedido segue sem resposta até hoje (CAMBRIDGE..., 2019).

A tese central é simples de enunciar e difícil de provar: dados pessoais viraram um ativo estratégico, e a segmentação comportamental em escala industrial ameaça o processo democrático. O filme sustenta que a Cambridge Analytica identificava eleitores "persuadíveis" e os bombardeava com conteúdo sob medida, e que isso pesou na eleição de Donald Trump em 2016 e na campanha pelo Brexit.

Vale registrar uma coincidência de calendário que o filme não menciona: ele estreou exatamente no mesmo dia em que a agência reguladora americana anunciou a multa bilionária contra o Facebook (FEDERAL TRADE COMMISSION, 2019). O documentário chegou ao público com o carimbo institucional na mão.

Fio 02

A linha do tempo

Dezessete marcos, do artigo científico de 2013 à eleição brasileira de outubro de 2018. Clique em cada um.

método e ciência empresa e política plataforma e defesa Brasil

Março de 2013 — a ciência que torna tudo possível

Michal Kosinski, David Stillwell e Thore Graepel publicam na PNAS um estudo com 58.466 voluntários americanos mostrando que curtidas do Facebook permitem prever atributos que a pessoa nunca declarou. É a base conceitual de tudo o que vem depois — e nenhum dos três trabalhou para a Cambridge Analytica.

Fio 03

A defesa de Zuckerberg

Coerente por dentro, evasiva na questão de fundo

O depoimento de 10 e 11 de abril de 2018 tem linhas de defesa bem identificáveis. A primeira é a assunção pessoal de culpa em termos vagos: fundou a empresa, dirige a empresa, é responsável pelo que acontece nela. O enquadramento é o de ingenuidade idealista — ferramentas criadas para o bem que também podiam servir ao mal.

A segunda é o núcleo técnico: isso não foi um vazamento. Os sistemas do Facebook não foram invadidos. Kogan coletou dados legitimamente pela interface da plataforma, com autorização de cerca de 300 mil pessoas que, pelas regras então vigentes, arrastavam consigo os dados de seus amigos. O ilícito, nessa versão, foi Kogan ter repassado a base à Cambridge Analytica, violando os termos de uso.

A terceira justifica a demora de três anos. A empresa soube do caso em 2015, baniu o aplicativo, exigiu a exclusão e obteve certificações formais. O erro admitido é específico e limitado: confiou nos certificados sem auditar. É uma admissão que preserva a boa-fé da plataforma e desloca a culpa para quem mentiu.

A quarta defende o modelo de negócio. Perguntado por um senador como a empresa se sustenta sendo gratuita, Zuckerberg respondeu que vende anúncios — resposta que virou meme, mas cuja lógica ele desenvolveu: a publicidade é o que permite oferecer o serviço a quem não pode pagar. Negou repetidamente que o Facebook venda dados, distinguindo vender dados de vender segmentação. Sobre concorrência, disse não lhe parecer que a empresa fosse um monopólio; sobre regulação, adotou abertura calculada, afirmando que a pergunta relevante é qual regulação, não se deve haver (FACEBOOK..., 2018).

O ponto mais frágil foi a tese do controle do usuário. Zuckerberg repetiu que as pessoas são donas do que publicam e podem apagá-lo. Pressionado sobre os perfis-sombra — dados sobre quem sequer tem conta —, tornou-se evasivo e prometeu que a equipe responderia depois, resposta que deu dezenas de vezes ao longo dos dois dias.

Nada do que ele alegou é factualmente falso. A defesa é internamente coerente e ainda assim contorna a questão de fundo: ela trata como acidente aquilo que era consequência previsível do desenho.

Fio 04

Três anos depois, de novo

Os Facebook Papers e o problema que não era um terceiro

A defesa de 2018 dependia de uma premissa: o dano veio de fora, de um pesquisador que quebrou as regras. Em setembro de 2021 essa premissa foi testada por dentro.

Frances Haugen, ex-gerente de produto da equipe de desinformação cívica, copiou milhares de páginas de pesquisa interna antes de pedir demissão e as entregou ao Wall Street Journal, a reguladores e ao Congresso. A série ficou conhecida como Facebook Files; o conjunto mais amplo, divulgado por um consórcio de veículos em outubro, como Facebook Papers. Haugen depôs ao Senado americano em 5 de outubro de 2021 (WHISTLEBLOWER..., 2021).

Os documentos apontam para três frentes. Pesquisa interna de 2019 registrava que o Instagram agravava questões de imagem corporal em uma de cada três adolescentes; a empresa não divulgou o achado e vinha desenvolvendo uma versão infantil do aplicativo, engavetada após a repercussão (U.S. SENATORS..., 2021). Um programa interno de verificação cruzada aplicava regras mais brandas a usuários de alto perfil. E uma mudança no algoritmo de recomendação, adotada em 2018 para privilegiar interações significativas, teria acabado por favorecer conteúdo que gera indignação.

A diferença em relação a 2018 é o que importa aqui. No caso Cambridge Analytica havia um terceiro para responsabilizar; nos Facebook Papers, não há. O objeto da denúncia é a pesquisa da própria empresa sobre os próprios produtos, e a acusação central é de omissão — saber e não contar. Isso não invalida a defesa de 2018, mas altera a leitura que se pode fazer dela.

Fio 05

O quanto o algoritmo te conhece

Os números reais, que são impressionantes — e menos do que o filme sugere

Existe pesquisa real por trás da técnica, e ela é anterior à Cambridge Analytica. Em 2013, Kosinski, Stillwell e Graepel analisaram as curtidas de 58.466 voluntários americanos que também haviam respondido testes psicométricos. O modelo resultante discriminava pares de pessoas com a precisão abaixo (KOSINSKI; STILLWELL; GRAEPEL, 2013).

Etnia95%

Sexo93%

Orientação sexual (homens)88%

Filiação partidária85%

Religião82%

Uso de cigarro73%

Separação dos pais60%

Tabela 1 — Acurácia de classificação a partir de curtidas do Facebook, por atributo inferido, Estados Unidos, 2013

Atributo inferido	Pares comparados	Acurácia (%)
Etnia	Afro-americanos e brancos	95
Sexo	Homens e mulheres	93
Orientação sexual	Homens homossexuais e heterossexuais	88
Filiação partidária	Democratas e republicanos	85
Religião	Cristãos e muçulmanos	82
Orientação sexual	Mulheres homossexuais e heterossexuais	75
Uso de cigarro	Usuários e não usuários	73
Separação dos pais antes dos 21 anos	Filhos de pais separados e não separados	60

Fonte: elaborado pelo autor com base em Kosinski, Stillwell e Graepel (2013) e University of Cambridge (2013).Nota: os valores correspondem à área sob a curva ROC, que expressa a probabilidade de classificar corretamente duas pessoas sorteadas, uma de cada grupo. Não são taxas de acerto individual.Amostra: 58.466 voluntários americanos, com média de 170 curtidas por pessoa.

O achado mais contraintuitivo não está na tabela. Menos de 5% dos usuários homossexuais da amostra haviam curtido páginas explicitamente ligadas ao tema. A precisão vinha de agregar curtidas banais — bandas, programas de televisão, marcas — cada uma quase sem informação, todas juntas suficientes (DIGITAL..., 2013). O modelo não lê o que você declara; ele lê o que você não sabe estar dizendo.

Dois anos depois, os mesmos pesquisadores compararam máquina e gente. Clique para ver quantas curtidas o modelo precisa para superar cada tipo de pessoa da sua vida (YOUYOU; KOSINSKI; STILLWELL, 2015).

—

Escolha alguém acima para ver quantas curtidas o modelo precisa para superá-lo.

Fio 06

Como era o aplicativo

Um questionário pago, e o truque de escala que quase ninguém explica

Para o usuário, o thisisyourdigitallife era um teste de personalidade dentro do Facebook, apresentado como pesquisa acadêmica. A pessoa autorizava o aplicativo, respondia às perguntas e recebia de volta um perfil psicológico montado sobre o modelo dos cinco grandes fatores.

O detalhe que costuma passar despercebido é o pagamento. Kogan não esperou viralização: recrutou respondentes em plataformas de microtarefas, pagando entre um e dois dólares por questionário completo. Foram entre 270 e 300 mil pessoas contratadas, majoritariamente americanas, porque o alvo era o eleitorado dos Estados Unidos.

A escala vem do desenho da plataforma. Até 2015, um aplicativo autorizado recebia dados não só de quem o instalou, mas também de um conjunto de informações dos amigos dessa pessoa. Nenhum desses amigos autorizou coisa alguma, nem soube que o aplicativo existia. Com algumas centenas de amigos por conta, 300 mil instalações renderam entre 50 e 87 milhões de perfis.

E aqui está o truque metodológico. Os questionários pagos não serviam para coletar milhões de perfis — serviam para calibrar o modelo, associando padrões de curtida a escores de personalidade medidos diretamente. Treinado o modelo, ele podia ser aplicado a qualquer perfil sem que a pessoa respondesse nada. Foi assim que 300 mil questionários viraram dezenas de milhões de perfis inferidos.

Kogan tinha autorização para uso acadêmico. O ilícito foi repassar a base à Cambridge Analytica, violando os termos da plataforma. Ele sempre sustentou ter agido de boa-fé e ter virado bode expiatório, alegando que os termos de serviço eram permissivos e mal fiscalizados.

Fio 07

O contraditório

O que a pesquisa empírica diz sobre a eficácia de tudo isso

Aqui a história fica desconfortável para os dois lados. Que a coleta foi indevida, ninguém sério contesta. Que ela decidiu eleições, quase ninguém consegue demonstrar.

O golpe mais duro veio do regulador britânico, e não de defensores da empresa. Depois de três anos e do exame de servidores apreendidos, a investigação concluiu que houve práticas ruins de segurança de dados, mas que os modelos da Cambridge Analytica eram exagerados e provavelmente imprecisos — inclusive a alegação de mais de cinco mil pontos de dados sobre cada um de 230 milhões de adultos americanos. Sobre o Brexit, o regulador não encontrou evidência de envolvimento no referendo além de consultas iniciais (ICO..., 2020). O regulador britânico concluiu que os modelos eram exagerados — e essa frase raramente aparece ao lado do documentário.

Na literatura acadêmica, o quadro é de disputa honesta. Do lado favorável, um experimento de campo que alcançou mais de 3,5 milhões de pessoas encontrou efeito de anúncios adaptados a traços de personalidade sobre cliques e compras (MATZ et al., 2017). Três pesquisadores responderam apontando que o estudo não sorteava aleatoriamente quem via cada anúncio, o que compromete a validade interna, já que o próprio algoritmo de otimização da plataforma pode explicar a diferença (ECKLES; GORDON; JOHNSON, 2018).

A avaliação mais direta veio depois. Dois experimentos com quase 33 mil adultos e 74 mensagens distintas encontraram alguma vantagem da microssegmentação sobre estratégias alternativas — mas sob condições muito favoráveis, e num segundo cenário a vantagem foi bem mais limitada (TAPPIN et al., 2023). É um resultado morno, incompatível com a ideia de arma de guerra psicológica.

O mesmo vale para o documentário seguinte, O Dilema das Redes, de 2020, que costuma ser exibido em dupla com este. Sua tese sobre saúde mental adolescente foi contestada por uma análise de curva de especificação em três grandes bases, somando 355.358 participantes: a associação entre uso de tecnologia digital e bem-estar é negativa, porém explica no máximo 0,4% da variação (ORBEN; PRZYBYLSKI, 2019). E a tese de que os algoritmos causaram a polarização americana esbarra num dado incômodo: a polarização cresceu mais justamente entre os grupos demográficos com menor uso de internet e redes sociais (BOXELL; GENTZKOW; SHAPIRO, 2017).

Quadro 1 — Alegações do documentário e o estado da evidência, por tema

Alegação	O que está estabelecido	O que não está
Coleta indevida de dados	Ocorreu, por meio de aplicativo autorizado que arrastava dados de amigos sem consentimento deles.	Nada relevante em disputa.
Perfilamento psicográfico funciona	Inferência de atributos a partir de curtidas é robusta e replicada.	Que a inferência se converta em persuasão eleitoral significativa.
Decidiu a eleição de Trump	A empresa prestou serviços à campanha.	Qualquer estimativa de efeito causal sobre o resultado.
Decidiu o Brexit	A empresa alegou trabalho para o Leave.EU.	O regulador britânico não achou evidência de envolvimento no referendo.
Atuou na eleição brasileira de 2018	Houve parceria local e inquérito do Ministério Público.	Contrato com qualquer campanha; a empresa fechou cinco meses antes do pleito.
Redes sociais causam polarização	Há correlação em diversos estudos.	A direção causal; polarização cresceu mais entre quem usa menos internet.

Fonte: elaborado pelo autor com base em ICO (2020), Boxell, Gentzkow e Shapiro (2017), Tappin et al. (2023) e #Colabora (2018).

Há ainda a crítica de forma, que vale para os dois filmes. Nenhum deles é neutro na montagem. Privacidade Hackeada concede espaço extenso à versão de Brittany Kaiser, que foi executiva da empresa antes de denunciá-la. O Dilema das Redes dá o papel de autoridade moral justamente aos homens que construíram e lucraram com os sistemas que denunciam, e representa o algoritmo como três sujeitos numa sala de controle — metáfora que ensina errado como aprendizado de máquina funciona.

E há uma crítica política que atinge o primeiro filme em cheio: ao centrar Trump e o Brexit, ele oferece uma explicação tecnológica confortável para dois resultados eleitorais que boa parte dos comentaristas não queria atribuir a fatores sociais e econômicos mais profundos. Culpar o algoritmo dispensa examinar o eleitorado.

Fio 08

O nó brasileiro

Onde a rede de pessoas é real e a operação técnica não foi demonstrada

Vale desmontar com cuidado, porque é o trecho que mais circula errado. Existem três elos, e eles não têm o mesmo peso.

O primeiro é sólido: Steve Bannon foi vice-presidente e conselheiro da Cambridge Analytica, financiada por Robert Mercer, até deixar o cargo em agosto de 2016. Isso aparece no próprio filme e ele nunca contestou.

O segundo é documentado, mas posterior à eleição de 2018: a aproximação com os Bolsonaro começa publicamente em agosto daquele ano e se formaliza em fevereiro de 2019, quando Bannon anuncia Eduardo Bolsonaro como representante sul-americano do The Movement (STEVE BANNON..., 2019). Levantamentos jornalísticos posteriores mapearam dezenas de encontros do deputado com lideranças da direita internacional (EDUARDO..., 2023).

O terceiro não está comprovado. A Cambridge Analytica teve parceiro brasileiro — o memorando com André Torretta e a Ponte Estratégia, de meados de 2017 — e o Ministério Público abriu inquérito em março de 2018. Mas Torretta afirma que a campanha de Bolsonaro procurou a empresa e que a contratação não avançou, e Bannon negou à BBC News Brasil ter participado da campanha (O QUE..., 2018). Some-se o fato decisivo: a empresa fechou cinco meses antes do primeiro turno brasileiro.

Circulam textos afirmando que Bannon repassou à campanha bases de números de celular obtidas pela Cambridge Analytica. Essa afirmação específica não tem prova pública conhecida. O mecanismo efetivamente documentado no pleito brasileiro foi o disparo em massa por aplicativo de mensagens financiado por empresários, apurado pela imprensa e investigado pelo Ministério Público — que não depende de perfilamento psicográfico nem da tecnologia da empresa britânica (AS PISTAS..., 2018).

O enquadramento defensável é este: existe uma rede ideológica transnacional com Bannon como nó, e ela liga a experiência da Cambridge Analytica ao bolsonarismo. Mas rede de pessoas não é o mesmo que operação técnica, e tratar as duas como equivalentes enfraquece o argumento em vez de fortalecê-lo.

Ponta solta

A pergunta que nenhum parlamentar fez

Nas quase dez horas de audiência, senadores e deputados americanos perguntaram como a empresa ganha dinheiro, se é um monopólio, quantos moderadores contrataria, se aceitaria regulação. Perguntaram sobre Kogan, sobre a Cambridge Analytica, sobre a auditoria que não houve. Foram perguntas razoáveis, e Zuckerberg tinha resposta para todas.

Ninguém perguntou o essencial. A coleta de 87 milhões de perfis não dependeu de invasão, de fraude ou de falha técnica. Dependeu de uma permissão que existia, funcionando exatamente como fora projetada. Alguém desenhou aquilo, alguém aprovou, alguém documentou para desenvolvedores externos. Não foi acidente: foi requisito.

Por que a plataforma foi construída de modo que o consentimento de uma pessoa valesse pelos dados de trezentas — e quem, exatamente, decidiu que isso era aceitável?

A resposta a essa pergunta não estaria nos termos de uso. Estaria numa ata de reunião de produto.

Glossário

Os termos do caso

Clique em qualquer termo para ver a definição completa. Os botões reordenam a lista.

O caso é fácil de contar errado porque quase todo termo central tem um significado técnico estreito e um uso jornalístico frouxo.

Quadro 2 — Termos, traços de personalidade e personagens do caso Cambridge Analytica, por tipo

Termo	Tipo	Definição resumida
	conceito	Modelo descritivo da personalidade em cinco dimensões contínuas.
	traço	Disposição para novidade, arte, imaginação e ideias abstratas.
	traço	Grau de organização, disciplina, planejamento e cumprimento de deveres.
	traço	Orientação da energia para o mundo externo e para o estímulo social.
	traço	Tendência a cooperar, confiar e priorizar a harmonia interpessoal.
	traço	Propensão a emoções negativas e a reagir com intensidade ao estresse.
	método	Segmentação por traços de personalidade em vez de dados demográficos.
	método	Entrega de mensagens distintas a fatias muito estreitas do público.
	método	Mede o quanto o modelo ordena bem, não quanto ele acerta.
	conceito	Rastro de comportamento deixado por curtidas, buscas e navegação.
	conceito	Interface pela qual aplicativos externos pediam dados ao Facebook.
	conceito	Dados que a plataforma acumula sobre quem não tem conta nela.
	conceito	Direito de exigir cópia dos dados que uma empresa guarda sobre você.
	pessoa	Pesquisador que criou o aplicativo coletor e repassou a base.
	pessoa	Autor do estudo que demonstrou a inferência por curtidas.
	pessoa	Ex-diretor de pesquisa e primeiro denunciante público.
	pessoa	Presidente-executivo, suspenso após gravação com câmera oculta.
	pessoa	Vice-presidente e conselheiro da empresa até agosto de 2016.
	pessoa	Bilionário americano, principal financiador da empresa.
	organização	Grupo britânico controlador, com histórico em comunicação estratégica.
	organização	Empresa brasileira que seria o braço local da consultoria.

Fonte: elaborado pelo autor com base em Kosinski, Stillwell e Graepel (2013), Al Jazeera (CAMBRIDGE..., 2018a) e (HOUSE OF COMMONS, 2019).

Modelo dos Cinco Grandes Fatores

Também chamado Big Five. Consolidado entre os anos 1980 e 1990 a partir da análise fatorial de vocabulário e de questionários, propõe que a variação da personalidade humana se organiza em cinco dimensões amplas e relativamente independentes. Cada pessoa recebe um escore contínuo em cada uma delas: não são tipos, e ninguém é ou deixa de ser algo. Tornou-se o padrão da psicometria por se replicar entre culturas e se manter razoavelmente estável ao longo da vida adulta. É a régua usada tanto pela pesquisa acadêmica de Cambridge quanto pelo aplicativo de Kogan.

Nota do autor: os percentuais da Tabela 1 são áreas sob a curva ROC, e não taxas de acerto individual — a diferença importa, e a imprensa da época frequentemente a ignorou. O número de perfis alcançados varia entre 50 milhões (primeiras reportagens) e 87 milhões (estimativa do próprio Facebook, abril de 2018); adotou-se a faixa. O total de instaladores do aplicativo aparece nas fontes como 270 mil ou 300 mil; manteve-se o intervalo. Para os fatos brasileiros, priorizaram-se fontes de jornalismo sem fins lucrativos e o comunicado oficial do próprio The Movement, em vez de análises de opinião, dado o potencial de controvérsia do tema. As conclusões sobre eficácia apoiam-se em regulador estatal e em periódicos com revisão por pares, incluindo a réplica crítica ao estudo que sustenta a tese oposta. Traduções das citações são do autor.

Referências

AS PISTAS do método "Cambridge Analytica" na campanha de Bolsonaro. CartaCapital, 19 out. 2018. Disponível em: https://www.cartacapital.com.br/politica/as-pistas-do-metodo-201ccambridge-analytica201d-na-campanha-de-bolsonaro/. Acesso em: 31 ago. 2026.
BOXELL, Levi; GENTZKOW, Matthew; SHAPIRO, Jesse M. Greater internet use is not associated with faster growth in political polarization among US demographic groups. Proceedings of the National Academy of Sciences, v. 114, n. 40, p. 10612-10617, 2017. Disponível em: https://www.pnas.org/doi/10.1073/pnas.1706588114. Acesso em: 31 ago. 2026.
CADWALLADR, Carole. "I made Steve Bannon's psychological warfare tool": meet the data war whistleblower. The Guardian, 17 mar. 2018. Disponível em: https://www.theguardian.com/news/2018/mar/17/data-war-whistleblower-christopher-wylie-faceook-nix-bannon-trump. Acesso em: 31 ago. 2026.
CAMBRIDGE Analytica and Facebook: the scandal so far. Al Jazeera, 28 mar. 2018. Disponível em: https://www.aljazeera.com/news/2018/3/28/cambridge-analytica-and-facebook-the-scandal-so-far. Acesso em: 31 ago. 2026.
CAMBRIDGE Analytica CEO Alexander Nix suspended amid hidden-camera expose. NBC News, 20 mar. 2018. Disponível em: https://www.nbcnews.com/politics/politics-news/cambridge-analytica-ceo-alexander-nix-suspended-amid-hidden-camera-expose-n858406. Acesso em: 31 ago. 2026.
CAMBRIDGE Analytica ordered to release data on US voter. Al Jazeera, 5 maio 2018. Disponível em: https://www.aljazeera.com/news/2018/05/cambridge-analytica-ordered-release-data-voter-180505142123784.html. Acesso em: 31 ago. 2026.
CAMBRIDGE Analytica owner pleads guilty to ducking enforcement notice. Engineering and Technology, 9 jan. 2019. Disponível em: https://eandt.theiet.org/2019/01/09/cambridge-analytica-owner-pleads-guilty-ducking-enforcement-notice. Acesso em: 31 ago. 2026.
DIGITAL records could expose intimate details and personality traits of millions. University of Cambridge, 11 mar. 2013. Disponível em: https://www.cam.ac.uk/research/news/digital-records-could-expose-intimate-details-and-personality-traits-of-millions. Acesso em: 31 ago. 2026.
ECKLES, Dean; GORDON, Brett R.; JOHNSON, Garrett A. Field studies of psychologically targeted ads face threats to internal validity. Proceedings of the National Academy of Sciences, v. 115, n. 23, p. E5254-E5255, 2018. Disponível em: https://www.pnas.org/doi/10.1073/pnas.1805363115. Acesso em: 31 ago. 2026.
EDUARDO Bolsonaro teve 125 reuniões com membros da extrema direita do continente. Agência Pública, 7 ago. 2023. Disponível em: https://apublica.org/2023/08/eduardo-bolsonaro-teve-125-reunioes-com-membros-da-extrema-direita-do-continente/. Acesso em: 31 ago. 2026.
FACEBOOK CEO Mark Zuckerberg's testimony: here are the key points you need to know. CNBC, 11 abr. 2018. Disponível em: https://www.cnbc.com/2018/04/11/facebook-ceo-mark-zuckerberg-testimony-key-points.html. Acesso em: 31 ago. 2026.
FEDERAL TRADE COMMISSION. FTC imposes $5 billion penalty and sweeping new privacy restrictions on Facebook. Washington, 24 jul. 2019. Disponível em: https://www.ftc.gov/news-events/news/press-releases/2019/07/ftc-imposes-5-billion-penalty-sweeping-new-privacy-restrictions-facebook. Acesso em: 31 ago. 2026.
HOUSE OF COMMONS. Digital, Culture, Media and Sport Committee. Disinformation and "fake news": final report. Londres, 18 fev. 2019. Disponível em: https://publications.parliament.uk/pa/cm201719/cmselect/cmcumeds/1791/179106.htm. Acesso em: 31 ago. 2026.
ICO wraps up Cambridge Analytica investigation. Computer Weekly, 7 out. 2020. Disponível em: https://www.computerweekly.com/news/252490206/ICO-wraps-up-Cambridge-Analytica-investigation. Acesso em: 31 ago. 2026.
INFORMATION COMMISSIONER'S OFFICE. SCL Elections prosecuted for failing to comply with enforcement notice. Wilmslow, 9 jan. 2019. Disponível em: https://www.wired-gov.net/wg/news.nsf/articles/SCL+Elections+prosecuted+for+failing+to+comply+with+enforcement+notice+10012019121000. Acesso em: 31 ago. 2026.
KOSINSKI, Michal; STILLWELL, David; GRAEPEL, Thore. Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, v. 110, n. 15, p. 5802-5805, 2013. Disponível em: https://www.pnas.org/doi/10.1073/pnas.1218772110. Acesso em: 31 ago. 2026.
MATZ, Sandra C.; KOSINSKI, Michal; NAVE, Gideon; STILLWELL, David J. Psychological targeting as an effective approach to digital mass persuasion. Proceedings of the National Academy of Sciences, v. 114, n. 48, p. 12714-12719, 2017. Disponível em: https://www.pnas.org/doi/10.1073/pnas.1710966114. Acesso em: 31 ago. 2026.
O QUE se sabe sobre a atuação da Cambridge Analytica no Brasil. #Colabora, 27 out. 2018. Disponível em: https://projetocolabora.com.br/ods8/o-que-se-sabe-sobre-a-atuacao-da-cambridge-analytica-no-brasil/. Acesso em: 31 ago. 2026.
ORBEN, Amy; PRZYBYLSKI, Andrew K. The association between adolescent well-being and digital technology use. Nature Human Behaviour, v. 3, p. 173-182, 2019. Disponível em: https://www.nature.com/articles/s41562-018-0506-1. Acesso em: 31 ago. 2026.
STEVE Bannon nomeia Eduardo Bolsonaro como o líder do "The Movement" na América do Sul. PR Newswire, Bruxelas, 2 fev. 2019. Disponível em: https://www.prnewswire.com/news-releases/steve-bannon-nomeia-eduardo-bolsonaro-como-o-lider-do-the-movement-na-america-do-sul-830240620.html. Acesso em: 31 ago. 2026.
TAPPIN, Ben M.; WITTENBERG, Chloe; HEWITT, Luke B.; BERINSKY, Adam J.; RAND, David G. Quantifying the potential persuasive returns to political microtargeting. Proceedings of the National Academy of Sciences, v. 120, n. 25, e2216261120, 2023. Disponível em: https://www.pnas.org/doi/abs/10.1073/pnas.2216261120. Acesso em: 31 ago. 2026.
U.S. SENATORS grill Facebook exec about Instagram's potential harm to teen girls. CBC News, 30 set. 2021. Disponível em: https://www.cbc.ca/lite/story/1.6195604. Acesso em: 31 ago. 2026.
WANT to ensure India's elections are unaffected, says Mark Zuckerberg. The Quint, 11 abr. 2018. Disponível em: https://www.thequint.com/tech-and-auto/tech-news/want-to-ensure-indias-elections-are-unaffected-mark-zuckerberg. Acesso em: 31 ago. 2026.
WHISTLEBLOWER tells Congress that Facebook products harm kids and democracy. NPR, 5 out. 2021. Disponível em: https://www.npr.org/2021/10/05/1043207218/whistleblower-to-congress-facebook-products-harm-children-and-weaken-democracy. Acesso em: 31 ago. 2026.
YOUYOU, Wu; KOSINSKI, Michal; STILLWELL, David. Computer-based personality judgments are more accurate than those made by humans. Proceedings of the National Academy of Sciences, v. 112, n. 4, p. 1036-1040, 2015. Disponível em: https://www.pnas.org/doi/10.1073/pnas.1418680112. Acesso em: 31 ago. 2026.

Redes sociais: estrutura, algoritmos e economia da atenção

noreply@blogger.com (War) — Sat, 29 Aug 2026 22:53:07 -0300

Em 6 de agosto de 2025, um comediante de 27 anos publicou no YouTube um vídeo de quase cinquenta minutos sobre a exploração de crianças na internet. Em poucos dias ele passou de 50 milhões de visualizações, e seis semanas depois o Brasil tinha uma lei nova. A pergunta que ninguém fez naquela semana é a mais interessante de todas: por que o mesmo mecanismo que empurrou o vídeo de denúncia para 50 milhões de pessoas era, também, o mecanismo que empurrava o que ele denunciava? Esta postagem desmonta esse mecanismo em quatro camadas — a estrutura da rede, o algoritmo que a substituiu, a métrica que virou objetivo e o mercado que compra o resultado.

Nó 01

Cinquenta milhões de vezes o mesmo botão

O vídeo se chamava Adultização. Em cerca de cinquenta minutos, Felca mostrava como perfis de crianças eram tratados como produto e como as plataformas remuneravam quem os produzia. A repercussão foi imediata: mais de 50 milhões de visualizações, mais de trinta projetos de lei protocolados em 48 horas e, em 17 de setembro de 2025, a sanção da Lei nº 15.211 — o ECA Digital (APÓS…, 2025).

É uma história bonita sobre a internet. E é uma história incompleta. O algoritmo que fez a denúncia viralizar é exatamente o mesmo que fizera o problema crescer — ele não distingue conteúdo bom de conteúdo ruim, distingue conteúdo que prende de conteúdo que não prende. Entender por quê exige separar quatro coisas que costumam ser tratadas como uma só.

Recuero, 2009EstruturaUma rede social é um conjunto de atores e suas conexões. A topologia dessas conexões já explica muita coisa — antes de qualquer algoritmo entrar em cena.

Covington et al., 2016RecomendaçãoUm funil estatístico que reduz bilhões de itens a algumas dezenas, ordenados por uma previsão: quanto tempo você vai ficar.

Simon, 1971AtençãoNum mundo rico em informação, o recurso escasso é a atenção de quem recebe. Escassez, em economia, tem outro nome: preço.

Cada camada tem sua própria literatura, e nenhuma delas é nova. A sociologia das redes é de 1973; o funil de recomendação é de 2016; a economia da atenção é de 1971. O que mudou foi a escala e, sobretudo, o fato de as três terem sido costuradas num mesmo produto.

Nó 02

A estrutura: atores, conexões e o mundo pequeno

Raquel Recuero define rede social como um conjunto de dois elementos — atores (pessoas, instituições ou grupos, isto é, os nós) e suas conexões (interações ou laços sociais) (RECUERO, 2009). A definição parece óbvia, mas ela desloca o foco: a rede não é o site. O site é uma plataforma onde a rede se expressa. Boyd e Ellison, no artigo que fundou o campo, chamam esses sites de "sites de redes sociais" e os definem por três funções — construir um perfil público, articular uma lista de conexões e percorrer as listas alheias (BOYD; ELLISON, 2007).

A partir daí, a estrutura passa a ter consequências mensuráveis. Em 1973, Mark Granovetter publicou o artigo mais citado da sociologia moderna para mostrar algo contraintuitivo: quem consegue emprego não são os amigos próximos, são os conhecidos distantes (GRANOVETTER, 1973). Laços fortes circulam informação redundante — seus amigos íntimos já sabem o que você sabe. Laços fracos são pontes entre grupos que, de outro modo, não se tocariam. É por isso que o LinkedIn funciona e é por isso que um vídeo brasileiro chega ao Portugal em quatro horas.

Vinte e cinco anos depois, Watts e Strogatz mostraram por que essas pontes bastam. Ao pegar uma rede regular em anel e religar aleatoriamente uma fração pequena das arestas, a distância média entre dois nós despenca sem que o agrupamento local se perca — um regime que eles batizaram de mundo pequeno (WATTS; STROGATZ, 1998). Poucos atalhos encurtam o planeta.

Falta uma peça: por que algumas contas concentram tudo. Barabási e Albert observaram que redes reais crescem e que nós novos preferem se ligar a nós que já têm muitas conexões. O resultado é uma distribuição de grau em lei de potência — redes livres de escala, com poucos hubs enormes e uma cauda longuíssima de contas periféricas (BARABÁSI; ALBERT, 1999). A desigualdade de audiência nas redes não é um desvio do sistema: é a forma natural que o sistema assume quando cresce por conexão preferencial.

Três redes, os mesmos atores

O diagrama abaixo tem sempre os mesmos dezesseis atores. O que muda é apenas o padrão de conexões — e, com ele, tudo o que a rede consegue fazer.

Rede aleatória

Cada par de atores tem a mesma chance de estar conectado. Distâncias médias são curtas, mas não há comunidades: ninguém tem um grupo de convivência. Serve como modelo de referência (Erdős–Rényi), não como retrato de gente real.

Figura 1 — As mesmas dezesseis pessoas sob três padrões de conexão. Clique nos botões para alternar. Elaborado pelo autor com base em Watts e Strogatz (1998) e Barabási e Albert (1999).

Nó 03

Quando o feed deixou de ser a rede

Até por volta de 2015, a estrutura acima era quase toda a explicação: você via o que suas conexões publicavam, em ordem cronológica ou quase. Essa era a promessa original do Orkut, do Facebook e do Twitter — e é o que ainda está no nome "rede social".

Não é mais assim. Em abril de 2024, Mark Zuckerberg afirmou que mais da metade do conteúdo que as pessoas veem no Instagram já é recomendado por inteligência artificial, e não vem de contas que elas seguem. No código do algoritmo de recomendação que a empresa então chamada Twitter publicou em 2023, cerca de metade da linha do tempo vem de fora da rede do usuário (X CORP., 2023). O feed deixou de ser um espelho da sua rede e virou uma vitrine curada por um modelo estatístico.

A consequência prática é grande e pouco comentada: a topologia da rede virou uma das variáveis, não mais a variável. Quem você segue continua importando — mas concorre com o que o modelo acha que você assistiria até o fim. Essa migração está descrita, em outra chave, na postagem do blog sobre as versões da web (A CIBERCULTURA…, 2026): é o mesmo movimento que leva da busca à resposta pronta.

Figura 2 — Conexão preferencial em ação: numa rede que cresce, quem já tem audiência acumula mais audiência. Imagem gerada por IA.

Nó 04

O funil: como um algoritmo de recomendação decide

Praticamente todo sistema de recomendação em produção usa a mesma arquitetura de dois estágios, descrita publicamente pela primeira vez pelos engenheiros do YouTube em 2016: geração de candidatos e ranqueamento (COVINGTON; ADAMS; SARGIN, 2016). O primeiro estágio reduz um catálogo de milhões de vídeos a algumas centenas, com precisão baixa e velocidade alta. O segundo estágio ordena essas centenas com um modelo caro, que estima o tempo de exibição esperado de cada item para aquele usuário naquele momento.

A Meta descreve o mesmo desenho para recomendações de conteúdo não conectado: recuperação que vai de bilhões de itens a milhares e depois a algumas centenas, em centésimos de segundo, seguida de ranqueamento — com modelos que, segundo a empresa, chegam a dezenas de trilhões de parâmetros, ordens de grandeza acima dos maiores modelos de linguagem (META AI, 2023). Quem quiser revisar como esses modelos aprendem a prever encontra o percurso completo em outra postagem do blog (COMO…, 2026).

O que cada plataforma admite priorizar

Quadro 1 — Sinais declarados pelas próprias plataformas como determinantes do ranqueamento, 2016-2023

Plataforma	Sinal que a empresa declara como mais forte	Fonte oficial
YouTube	Tempo de exibição esperado, estimado por rede neural no estágio de ranqueamento	(COVINGTON; ADAMS; SARGIN, 2016)
TikTok	Concluir o vídeo pesa mais que curtir; número de seguidores não é fator direto	(TIKTOK, 2020)
Instagram	Cinco previsões: segundos de visualização, e probabilidade de comentar, curtir, compartilhar e tocar na foto do perfil	(MOSSERI, 2021)
Facebook e Instagram (recomendações)	Recuperação em dois estágios (bilhões → milhares → centenas) e ranqueamento por previsões combinadas	(META AI, 2023)
X (então Twitter)	Cerca de metade da linha do tempo vem de fora da rede do usuário, ordenada por um heavy ranker	(X CORP., 2023)

Fonte: elaborado pelo autor com base em Covington, Adams e Sargin (2016), TikTok (2020), Mosseri (2021), Meta AI (2023) e X Corp. (2023).Nota: os termos heavy ranker, candidate generation e retrieval foram mantidos ou traduzidos livremente pelo autor por não haver equivalente consagrado em português.Nota: as declarações são das próprias empresas e não foram auditadas de forma independente; o código publicado pelo X em 2023 é a única fonte desta lista aberta à inspeção externa.

Repare no que há de comum. Nenhuma dessas plataformas diz otimizar para verdade, relevância cívica ou qualidade. Todas otimizam para comportamento previsto. O algoritmo não sabe do que o vídeo trata; sabe apenas que pessoas parecidas com você assistiram até o fim. É filtragem colaborativa levada a sério: a semelhança entre usuários substitui o julgamento sobre o conteúdo.

Nó 05

Engajamento: quando a medida vira a meta

"Engajamento" é um substantivo confortável. Na prática, é uma soma ponderada de cliques. Os documentos internos do Facebook divulgados por Frances Haugen em 2021 permitiram, pela primeira vez, ver os pesos exatos que a empresa atribuía a cada interação no ranqueamento do que ela chamava de "interações sociais significativas".

Tabela 1 — Pontos atribuídos a cada interação no ranqueamento do Feed do Facebook, Estados Unidos, 2018-2020

Interação	Pontos	Vigência
Curtida	1	a partir de 2018
Reação (emoji) ou recompartilhamento sem texto	5	a partir de 2018
Confirmação de presença em evento	15	a partir de 2018
Comentário, mensagem ou recompartilhamento significativo	30	a partir de 2018
Reação "grr" (angry)	1,5	até 2020
Reação "grr" (angry)	0	a partir do fim de 2020

Fonte: elaborado pelo autor com base em Metz (2021), a partir de documentos internos da empresa.Nota: os pontos eram multiplicados por fatores de proximidade — 0,5 entre membros de um mesmo grupo e 0,3 entre desconhecidos.Nota: recompartilhamento "significativo" era definido internamente como o que trazia ao menos cinco elementos textuais distintos, uma foto ou um vídeo.

Leia a tabela como um educador leria uma matriz de avaliação. Um comentário vale trinta vezes uma curtida. Se você é um produtor de conteúdo racional e o seu objetivo é alcance, a estratégia ótima não é informar: é provocar comentário. E a maneira mais barata de provocar comentário é a discordância. Não foi preciso que ninguém decidisse promover briga — bastou que a briga fosse a forma mais eficiente de somar trinta pontos.

É a lei de Goodhart em escala planetária: quando uma medida vira meta, ela deixa de ser uma boa medida. A reação "grr" ilustra bem o problema e a correção — valia 1,5 ponto e foi zerada no fim de 2020, depois que a empresa constatou o que estava premiando (METZ, 2021).

Numa outra chave, o mesmo mecanismo tem efeito comercial declarado: em julho de 2025, a Meta atribuiu a melhorias nos seus sistemas de recomendação um aumento de 5% no tempo gasto no Facebook e de 6% no Instagram em um único trimestre.

TechCrunch, 30 de julho de 2025 (ZUCKERBERG…, 2025)

Cinco por cento parece pouco. Multiplicado por 3,6 bilhões de pessoas por dia, não é.

Figura 3 — O funil de recomendação: de bilhões de itens a algumas dezenas, ordenados por comportamento previsto. Imagem gerada por IA.

Nó 06

A economia da atenção não é metáfora

A expressão tem dono e tem data. Em 1971, num capítulo sobre como desenhar organizações para um mundo rico em informação, Herbert Simon — que ganharia o Nobel de Economia sete anos depois — escreveu a frase que fundou o campo.

Num mundo rico em informação, a abundância de informação significa a escassez de outra coisa: a escassez daquilo que a informação consome. O que a informação consome é bastante óbvio — ela consome a atenção de seus destinatários. Logo, uma abundância de informação cria uma pobreza de atenção.

Herbert A. Simon, 1971 (SIMON, 1971) — tradução do autor

Simon estava falando de organizações, não de redes sociais, que não existiam. Mas a consequência econômica é direta: se a atenção é escassa e a informação é abundante, então o produto vendido por uma plataforma não é o conteúdo — é o intervalo de tempo em que sua pupila fica apontada para a tela. Tim Wu reconstruiu essa história comercial do jornal de um centavo ao feed, e o padrão se repete há dois séculos: alguém oferece conteúdo de graça para depois revender a atenção acumulada (WU, 2016).

Dá para colocar preço nisso com aritmética simples. No segundo trimestre de 2026, a Meta reportou receita de US$ 60,8 bilhões e uma média de 3,60 bilhões de pessoas ativas por dia em seu conjunto de aplicativos (META, 2026). A divisão dá cerca de US$ 16,89 por pessoa no trimestre — algo como dezoito centavos de dólar por pessoa por dia. É esse o valor de face da sua atenção no varejo. Parece irrisório até você lembrar que o número que a empresa precisa aumentar não é o preço: é o tempo.

Alerta metodológico: o número que quase todo mundo repete errado

Circula com frequência a manchete de que "o brasileiro passa 9 horas por dia nas redes sociais". O dado existe, mas não é isso. O relatório da We Are Social com a Meltwater mede tempo total de internet, e o número — 9 horas e 13 minutos diários — inclui trabalho, streaming, jogos, mensagens e navegação. O próprio veículo que popularizou a manchete no Brasil publicou nota de correção sobre o ponto (BRASILEIROS…, 2024). Para redes e vídeos especificamente, a série global do mesmo instituto aponta 18 horas e 36 minutos por semana — cerca de 2h40 por dia (KEMP, 2025b). Continua sendo muito tempo; só não é o triplo disso.

Nó 07

O Brasil dentro da conta

O Brasil não é um mercado periférico nessa economia. Em outubro de 2025, o país reunia 185 milhões de usuários de internet e 150 milhões de identidades em redes sociais — 70,4% da população (KEMP, 2025a). A medição domiciliar do Cetic.br, feita com metodologia própria e questionário diferente, encontrou 81% dos usuários de internet acessando redes sociais, com um gradiente etário que diz quase tudo (CETIC.BR, 2025).

10 a 15 anos99%

16 a 24 anos95%

Total de usuários81%

60 anos ou mais74%

Fonte: elaborado pelo autor com base em Cetic.br (2025), pesquisa TIC Domicílios 2025.Nota: proporção sobre o total de usuários de internet de cada faixa, não sobre a população; coleta realizada entre março e agosto de 2025.

Tabela 2 — Plataformas de rede social por número de usuários declarados no Brasil, outubro de 2025

Plataforma	Usuários (milhões)	% da população
YouTube	150	70,4
Instagram	147	69,0
TikTok	131	61,5
Facebook	109	51,2
LinkedIn	90	42,3

Fonte: elaborado pelo autor com base em Kemp (2025a).Nota: os percentuais foram calculados pelo autor sobre a população de 213 milhões informada na mesma fonte.Nota: são identidades de usuário informadas pelas ferramentas de anúncio das próprias plataformas, e não pessoas distintas — contas duplicadas e inativas inflam o total; o dado do TikTok refere-se ao público de 18 anos ou mais.

Foi nesse cenário que a Lei nº 15.211, de 17 de setembro de 2025, entrou em vigor em março de 2026 (BRASIL, 2025). O ponto mais interessante do ECA Digital, para quem estuda algoritmos, não é a verificação de idade nem a vinculação de contas de menores de 16 anos aos responsáveis. É um dispositivo que trata diretamente do mecanismo descrito nas seções anteriores: a lei proíbe o uso de dados ou de perfis emocionais de crianças e adolescentes para fins publicitários, veda caixas de recompensa aleatórias em jogos e prevê multas de até 10% do faturamento no Brasil, limitadas a R$ 50 milhões por infração.

Em outras palavras: o legislador brasileiro decidiu regular não o conteúdo, mas o desenho de engajamento. É uma mudança de alvo que vale acompanhar — e que faz sentido apenas para quem entendeu que o problema nunca esteve só no que se publica, mas em como se decide o que aparece.

Figura 4 — O que se negocia no mercado publicitário digital não é espaço: é intervalo de tempo. Imagem gerada por IA.

Aplicação prática

Seis perguntas para o seu contexto

Se você ensina, comunica ou administra uma presença institucional, a leitura acima tem consequências operacionais — e conversa diretamente com o mapa de canais discutido em outra postagem do blog (AFINAL…, 2026). Marque o que já está resolvido no seu caso.

Sei dizer, com dado e não com palpite, qual proporção do meu alcance vem de quem me segue e qual vem de recomendação. Tenho pelo menos um canal próprio — site, lista, boletim — que continua funcionando se o ranqueamento mudar amanhã. Minhas métricas de sucesso incluem algo que não seja engajamento: conclusão, retorno, matrícula, resposta qualificada. Já identifiquei quais dos meus formatos ganham alcance por provocação e decidi conscientemente se vou usá-los. Se lido com público menor de 16 anos, conheço as obrigações do ECA Digital que se aplicam a mim ou à minha instituição. Ensino meus alunos a ler o feed como artefato construído, e não como retrato do mundo.

0 de 6 — comece medindo de onde vem o seu alcance.

Última conexão

O nó que sobra

Volte ao começo. O vídeo do Felca alcançou 50 milhões de pessoas porque o sistema funcionou exatamente como projetado: identificou um conteúdo que prendia, mediu que prendia, e o empurrou. O mesmo sistema havia empurrado, antes, o que aquele vídeo denunciava — pelo mesmo motivo, com a mesma indiferença.

Essa indiferença não é maldade nem acidente. É o que acontece quando se otimiza uma única variável com muita competência. A engenharia por trás dos feeds é extraordinária: dezenas de trilhões de parâmetros para responder, em centésimos de segundo, a uma pergunta que ninguém formulou em voz alta — o que faria você ficar mais um pouco?

Se a atenção é o recurso escasso e alguém já a está comprando, a pergunta que sobra para cada um de nós — professor, comunicador, pai, aluno — não é se dá para sair da rede. É esta: no seu dia, quem está decidindo o que merece os seus minutos?

Nota do autor: os pesos do ranqueamento do Facebook reproduzidos na Tabela 1 vêm de documentos internos divulgados em 2021 e relatados pela imprensa; a empresa nunca publicou a tabela oficialmente, e os valores devem ser lidos como ordem de grandeza de um sistema que mudou várias vezes desde então. A receita por pessoa da Meta (US$ 16,89 no trimestre) é cálculo do autor, obtido pela divisão da receita total do segundo trimestre de 2026 pelo número médio de pessoas ativas por dia informado no mesmo comunicado; a empresa divulga métrica própria de receita média por pessoa com definição e período distintos, e os dois números não são intercambiáveis. Os dados do Cetic.br e os da We Are Social/Meltwater não são comparáveis entre si: o primeiro é uma pesquisa domiciliar probabilística com coleta presencial entre março e agosto de 2025, e o segundo agrega dados declarados por plataformas de anúncio; por isso aparecem em blocos separados. Os percentuais da Tabela 2 foram calculados pelo autor. A tradução da passagem de Herbert Simon é do autor. A definição de rede social atribuída a Raquel Recuero foi cotejada com a edição brasileira citada, mas recomenda-se conferir o exemplar impresso antes de reproduzi-la como citação direta em trabalho acadêmico. As postagens deste blog citadas nas referências entram pelo título por não trazerem indicação inequívoca de autoria pessoal na página publicada. Por fim, a data de publicação do vídeo de Felca e a contagem de visualizações foram apuradas em cobertura jornalística, não em painel de métricas da plataforma: a maior parte dos veículos registra a publicação em 6 de agosto de 2025, identificando o dia da semana correspondente (quarta-feira), enquanto um ou outro texto traz 8 de agosto; adotou-se aqui a data majoritária e verificável pelo dia da semana. Contagens de visualização variam conforme o momento da consulta.

Referências

AFINAL, o que é Comunicação Digital? Brasil Acadêmico, [s. l.], 14 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/afinal-o-que-e-comunicacao-digital.html. Acesso em: 29 ago. 2026.
APÓS vídeo viral de Felca, só o ECA Digital avançou no Congresso. Congresso em Foco, Brasília, 13 out. 2025. Disponível em: https://www.congressoemfoco.com.br/noticia/112840/apos-video-viral-de-felca-so-o-eca-digital-avancou-no-congresso. Acesso em: 29 ago. 2026.
BARABÁSI, Albert-László; ALBERT, Réka. Emergence of scaling in random networks. Science, Washington, v. 286, n. 5439, p. 509-512, 15 out. 1999. DOI: 10.1126/science.286.5439.509. Disponível em: https://www.science.org/doi/10.1126/science.286.5439.509. Acesso em: 29 ago. 2026.
BOYD, danah m.; ELLISON, Nicole B. Social network sites: definition, history, and scholarship. Journal of Computer-Mediated Communication, Oxford, v. 13, n. 1, p. 210-230, out. 2007. DOI: 10.1111/j.1083-6101.2007.00393.x. Disponível em: https://academic.oup.com/jcmc/article/13/1/210/4583062. Acesso em: 29 ago. 2026.
BRASIL. Lei nº 15.211, de 17 de setembro de 2025. Dispõe sobre a proteção de crianças e adolescentes em ambientes digitais. Diário Oficial da União: seção 1, Brasília, DF, 18 set. 2025. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2023-2026/2025/lei/l15211.htm. Acesso em: 29 ago. 2026.
BRASILEIROS passam 9 horas por dia nas redes sociais, diz estudo. Poder360, Brasília, 3 dez. 2024. Atualizado em 4 jun. 2025. Disponível em: https://www.poder360.com.br/poder-tech/brasileiros-passam-9-horas-por-dia-nas-redes-sociais-diz-estudo/. Acesso em: 29 ago. 2026.
CETIC.BR. Pesquisa sobre o uso das tecnologias de informação e comunicação nos domicílios brasileiros: TIC Domicílios 2025 — principais resultados. São Paulo: Comitê Gestor da Internet no Brasil, dez. 2025. Disponível em: https://cetic.br/media/analises/tic_domicilios_2025_principais_resultados.pdf. Acesso em: 29 ago. 2026.
A CIBERCULTURA da Web 1.0 à web das IAs. Brasil Acadêmico, [s. l.], 24 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/a-cibercultura-da-web-10-web-das-ias.html. Acesso em: 29 ago. 2026.
COMO a máquina aprende. Brasil Acadêmico, [s. l.], 15 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/como-maquina-aprende.html. Acesso em: 29 ago. 2026.
COVINGTON, Paul; ADAMS, Jay; SARGIN, Emre. Deep neural networks for YouTube recommendations. In: ACM CONFERENCE ON RECOMMENDER SYSTEMS, 10., 2016, Boston. Proceedings […]. New York: ACM, 2016. p. 191-198. DOI: 10.1145/2959100.2959190. Disponível em: https://dl.acm.org/doi/10.1145/2959100.2959190. Acesso em: 29 ago. 2026.
GRANOVETTER, Mark S. The strength of weak ties. American Journal of Sociology, Chicago, v. 78, n. 6, p. 1360-1380, maio 1973. Disponível em: https://www.journals.uchicago.edu/doi/10.1086/225469. Acesso em: 29 ago. 2026.
KEMP, Simon. Digital 2026: Brazil. Singapura: DataReportal, 8 nov. 2025. Disponível em: https://datareportal.com/reports/digital-2026-brazil. Acesso em: 29 ago. 2026.
KEMP, Simon. Digital 2026: global overview report. Singapura: DataReportal, out. 2025. Disponível em: https://datareportal.com/reports/digital-2026-global-overview-report. Acesso em: 29 ago. 2026.
META PLATFORMS. Meta reports second quarter 2026 results. Menlo Park: Meta Platforms, 29 jul. 2026. Disponível em: https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Second-Quarter-2026-Results/default.aspx. Acesso em: 29 ago. 2026.
META AI. The AI behind unconnected content recommendations on Facebook and Instagram. Meta AI Blog, Menlo Park, 29 jun. 2023. Disponível em: https://ai.meta.com/blog/ai-unconnected-content-recommendations-facebook-instagram/. Acesso em: 29 ago. 2026.
METZ, Rachel. Likes, anger emojis and RSVPs: the math behind Facebook's News Feed — and how it backfired. CNN Business, Nova York, 27 out. 2021. Disponível em: https://edition.cnn.com/2021/10/26/tech/facebook-papers-news-feed-math/index.html. Acesso em: 29 ago. 2026.
MOSSERI, Adam. Shedding more light on how Instagram works. Instagram, Menlo Park, 8 jun. 2021. Disponível em: https://about.instagram.com/blog/announcements/shedding-more-light-on-how-instagram-works. Acesso em: 29 ago. 2026.
RECUERO, Raquel. Redes sociais na internet. Porto Alegre: Sulina, 2009. (Coleção Cibercultura).
SIMON, Herbert A. Designing organizations for an information-rich world. In: GREENBERGER, Martin (org.). Computers, communications, and the public interest. Baltimore: The Johns Hopkins Press, 1971. p. 37-72.
TIKTOK. How TikTok recommends videos #ForYou. TikTok Newsroom, [s. l.], 18 jun. 2020. Disponível em: https://newsroom.tiktok.com/en-us/how-tiktok-recommends-videos-for-you. Acesso em: 29 ago. 2026.
WATTS, Duncan J.; STROGATZ, Steven H. Collective dynamics of 'small-world' networks. Nature, Londres, v. 393, n. 6684, p. 440-442, 4 jun. 1998. DOI: 10.1038/30918. Disponível em: https://www.nature.com/articles/30918. Acesso em: 29 ago. 2026.
WU, Tim. The attention merchants: the epic scramble to get inside our heads. Nova York: Alfred A. Knopf, 2016.
X CORP. the-algorithm: source code for the X recommendation algorithm. [S. l.]: GitHub, 2023. Disponível em: https://github.com/twitter/the-algorithm. Acesso em: 29 ago. 2026.
ZUCKERBERG: AI increased the time spent on Facebook and Instagram in Q2. TechCrunch, São Francisco, 30 jul. 2025. Disponível em: https://techcrunch.com/2025/07/30/zuckerberg-ai-increased-the-time-spent-on-facebook-and-instagram-in-q2/. Acesso em: 29 ago. 2026.

A cibercultura da Web 1.0 à web das IAs

noreply@blogger.com (War) — Mon, 24 Aug 2026 11:49:11 -0300

Em 11 de agosto de 2026, a OpenAI confirmou que o ChatGPT passou a exibir anúncios no Brasil. Trinta e três anos antes, em 30 de abril de 1993, o CERN havia aberto o código da World Wide Web para qualquer pessoa usar, copiar e modificar — de graça, sem royalties, sem dono. Entre uma data e outra cabe a história inteira da web comercial, e cabem três conceitos que a explicam melhor do que qualquer lista de tendências: cultura da convergência, cibercultura e plataformização. Esta postagem percorre as quatro versões da web, mostra o que mudou em cada uma na tecnologia, na cultura e no bolso de quem faz marketing, e termina na pergunta que hoje vale dinheiro: como se existe num lugar onde ninguém mais clica?

Versão 01

O anúncio dentro da resposta

No dia 11 de agosto de 2026, uma nota curta no site da OpenAI informou que o ChatGPT Ads havia sido lançado no Reino Unido, no México, no Brasil, no Japão e na Coreia do Sul (OPENAI, 2026). A empresa já vinha testando o formato nos Estados Unidos desde janeiro daquele ano, com uma promessa explícita no anúncio: os anúncios aparecem no fim da resposta e não influenciam o que o modelo diz.

Guarde a cena, porque ela é o fim de uma linha que começa numa proposta de trinta e poucas páginas escrita por um físico entediado. Em março de 1989, Tim Berners-Lee entregou à direção do CERN um documento chamado Information Management: A Proposal, sobre como organizar a documentação de um laboratório grande demais para caber na cabeça de alguém (BERNERS-LEE, 1989). O chefe dele escreveu à margem uma frase que virou lenda: "vago, mas empolgante". Quatro anos depois, em 30 de abril de 1993, o CERN abriu mão de todos os direitos de propriedade intelectual sobre o código da web e liberou o uso para qualquer pessoa (CERN, 2026).

Entre 1993 e 2026 a web deixou de ser um lugar onde se busca informação para ser um lugar onde a informação chega mastigada, sem que se precise sair dali. A pergunta que organiza esta postagem não é "o que vem depois da web 2.0", e sim: quando a resposta passa a ser entregue pronta, o que acontece com quem vivia de ser encontrado?

Para responder a isso sem cair no vocabulário das consultorias, vamos usar três conceitos que vêm da pesquisa acadêmica e que envelheceram muito bem. Eles aparecem em ordem nas seções seguintes, e cada um resolve um pedaço do problema.

Lévy, 1999CiberculturaO conjunto de técnicas, práticas, atitudes e valores que crescem junto com o ciberespaço. Explica por que as pessoas mudaram de comportamento.

Jenkins, 2009Cultura da convergênciaO fluxo de conteúdos por muitos suportes, a cooperação entre indústrias e o público que migra atrás do que quer. Explica como o conteúdo circula.

Nieborg e Poell, 2018PlataformizaçãoA penetração da infraestrutura e da economia das plataformas na produção cultural. Explica quem ficou com o controle.

Versão 02

Web 1.0: a web que só se lia

Ninguém chamava aquilo de "web 1.0" na época — o nome só existe porque veio um 2.0 depois. Mas a descrição é justa: entre 1993 e os primeiros anos 2000, a web era uma biblioteca com endereço. Alguém publicava, muita gente lia, e o caminho de volta era, na melhor das hipóteses, um endereço de e-mail no rodapé.

A arquitetura da comunicação era a mesma dos meios de massa: um emissor, um canal, muitos receptores. O que mudava era o custo de virar emissor. Publicar um jornal exigia gráfica; publicar uma página exigia um servidor e paciência com HTML. A web 1.0 não democratizou a fala, apenas barateou o palco — e um palco barato ainda é um palco com dono.

O contador de visitas foi a primeira métrica da internet. Media presença, não interesse — e ninguém sabia direito o que fazer com o número.

O marketing digital dessa fase é fácil de reconstruir porque ainda existe, fossilizado, em qualquer site institucional: o banner (comprado por mil impressões, herança direta do anúncio de página inteira), o portal (a home page como capa de revista) e a lista de e-mail. O clique era novidade suficiente para ser a métrica. Em 1998 entra em cena a peça que reorganizaria tudo: o Google, fundado em 4 de setembro daquele ano, transformou a navegação por diretórios em navegação por consulta. A partir dali, a pergunta comercial deixou de ser "como faço um site bonito" e passou a ser "como apareço quando alguém procura".

Aqui nasce o SEO, e vale registrar a genealogia: a otimização para buscadores é a primeira disciplina de marketing inteiramente definida por um intermediário privado — as regras eram de uma empresa, mudavam sem aviso e não estavam escritas em lugar nenhum. Vinte e cinco anos depois, o mesmo desenho se repetiria com os motores generativos.

Versão 03

Web 2.0: quem lê também escreve

O termo apareceu primeiro num lugar improvável. Em abril de 1999, a designer Darcy DiNucci publicou na revista Print um artigo chamado Fragmented Future, em que descrevia a web então existente como "um embrião" e previa uma web 2.0 que não estaria mais presa à tela do computador, aparecendo em telas de TV, painéis de carro e telefones (DINUCCI, 1999). A previsão era sobre dispositivos; o que se consagrou com o nome foi outra coisa.

Quem consolidou o sentido corrente foi Tim O'Reilly, em 30 de setembro de 2005, no ensaio What Is Web 2.0 (O'REILLY, 2005). Duas expressões dali sobreviveram a tudo: a web como plataforma e arquitetura de participação — a ideia de que o serviço funciona como intermediário inteligente que conecta as pontas e aproveita a força dos próprios usuários. Não é retórica: é a descrição exata do modelo de negócio que dominaria os vinte anos seguintes.

Wikipédia (2001), Orkut e Facebook (2004), YouTube (2005), Twitter (2006). Em cinco anos, o conteúdo passou a ser feito por quem antes só consumia.

Manuel Castells deu nome ao que estava acontecendo com a comunicação: a comunicação de massa autocomunicada — de massa porque alcança potencialmente uma audiência global, e autocomunicada porque o conteúdo é gerado, a emissão é dirigida e a recepção é selecionada pelos próprios sujeitos (CASTELLS, 2007). É a primeira vez na história dos meios em que as duas coisas coexistem no mesmo canal.

No marketing, a mudança de eixo foi brutal e ainda mal digerida: sai a compra de espaço, entra a disputa por atenção. Aparecem o marketing de conteúdo, o blog corporativo, a régua de e-mail, a otimização para busca orgânica e a primeira geração de métricas de engajamento. Aparece também o problema que nunca mais foi embora: quando o público produz o conteúdo, a marca perde o controle da narrativa e ganha, no lugar, a obrigação de participar da conversa.

Versão 04

Três palavras para o mesmo barulho

É aqui que os conceitos ganham utilidade prática. Eles não descrevem tecnologias; descrevem o que as pessoas fazem com elas — e é isso que sobra quando a moda técnica passa.

Cibercultura: o ambiente

Pierre Lévy define cibercultura como o conjunto de técnicas, práticas, atitudes, modos de pensamento e valores que se desenvolvem junto com o crescimento do ciberespaço, que ele descreve como o meio de comunicação que surge da interconexão mundial dos computadores (LÉVY, 1999). A definição é generosa de propósito: cabe nela desde o costume de responder mensagem em segundos até a expectativa de que tudo tenha uma versão digital.

O conceito que Lévy exporta para o resto do debate é o de inteligência coletiva: ninguém sabe tudo, todo mundo sabe alguma coisa, e o saber útil está distribuído. Guarde essa frase, porque ela reaparece, com outra roupa, quando falarmos de modelos de linguagem treinados na produção coletiva da internet.

Convergência: o movimento

Henry Jenkins abre Cultura da convergência com uma definição que vale decorar: o fluxo de conteúdos através de múltiplos suportes midiáticos, a cooperação entre múltiplos mercados midiáticos e o comportamento migratório dos públicos, que vão a quase qualquer lugar em busca das experiências de entretenimento que desejam (JENKINS, 2009).

O ponto mais incompreendido do livro é este: convergência não é a fusão dos aparelhos num só, é a dispersão do mesmo conteúdo por muitos aparelhos. Quem esperava o "aparelho único" errou a previsão; quem entendeu que uma história passa a viver simultaneamente na série, no vídeo curto, no fórum e no meme acertou o modelo de negócio de duas décadas.

O público não escolhe uma tela: transita entre elas. Convergência é o nome desse trânsito, não da fusão dos aparelhos.

Rede social: a estrutura

Raquel Recuero oferece a definição mais econômica e mais operacional do conjunto: uma rede social é um conjunto de dois elementos — atores (pessoas, instituições ou grupos, os nós da rede) e suas conexões (interações ou laços sociais) (RECUERO, 2009). Repare no que a definição não diz: ela não menciona nenhum aplicativo. Rede social é a estrutura; o aplicativo é apenas o lugar onde ela se torna visível e mensurável — e, mais tarde, monetizável.

Versão 05

Plataformização: quando o lugar vira o dono

Em 9 de janeiro de 2007, Steve Jobs anunciou o iPhone; em 29 de junho ele chegou às lojas. A web deixou de ser um lugar aonde se vai e passou a ser um estado em que se está. Com o celular vieram as lojas de aplicativos, e com elas a mudança silenciosa que define a terceira versão da web: o conteúdo deixou de morar em endereços e passou a morar em contas.

Em 2018, dois trabalhos deram nome ao fenômeno. David Nieborg e Thomas Poell chamaram de plataformização a penetração das extensões econômicas e infraestruturais das plataformas online na produção, na distribuição e na circulação do conteúdo cultural (NIEBORG; POELL, 2018). No mesmo ano, José van Dijck, Thomas Poell e Martijn de Waal publicaram The Platform Society, descrevendo os três mecanismos que fazem uma plataforma funcionar: dataficação (transformar em dado tudo o que acontece), comodificação (transformar objetos, atividades, emoções e ideias em mercadorias negociáveis) e seleção (decidir, por classificação e algoritmo, o que cada um vê) (VAN DIJCK; POELL; DE WAAL, 2018).

Dataficação, comodificação e seleção: as três engrenagens giram juntas. Tirar uma delas desmonta o modelo de negócio inteiro.

Traduzindo para o cotidiano de quem faz comunicação: o alcance orgânico caiu porque a seleção passou a ser vendida. A segmentação ficou absurdamente precisa porque a dataficação registrou tudo. E o criador virou fornecedor de uma mercadoria contingente — que muda de valor quando a plataforma muda de regra, sem aviso e sem recurso.

A resposta institucional veio junto. No Brasil, a Lei nº 13.709, de 14 de agosto de 2018, a LGPD, criou base legal, finalidade e direitos do titular para o tratamento de dados pessoais, com sanções administrativas em vigor a partir de agosto de 2021 (BRASIL, 2018). Do lado técnico, a promessa de acabar com os cookies de terceiros no Chrome atravessou anos de adiamentos até que, em 22 de abril de 2025, o Google anunciou que manteria a abordagem atual e não lançaria uma nova tela de escolha (CHAVEZ, 2025). O fim dos cookies de terceiros foi a mudança mais anunciada e menos executada da década — e quem se preparou para ela saiu ganhando assim mesmo, porque foi obrigado a construir base de dados própria.

Versão 06

A régua das quatro versões

Antes de entrar na quarta versão, vale ver a linha inteira de uma vez. Cada marco abaixo abre um painel com o que mudou na tecnologia, na cultura e na estratégia de comunicação. As cores separam três tipos de acontecimento.

infraestrutura cultura negócio

1989

A proposta

Em março de 1989, Tim Berners-Lee entrega ao CERN o documento Information Management: A Proposal, descrevendo um sistema de hipertexto para organizar a documentação do laboratório. Em novembro de 1990, com Robert Cailliau, submete a proposta formal do projeto WorldWideWeb. Cultura: nenhuma ainda — o documento circula entre físicos. Marketing: inexistente; a rede é acadêmica e a publicidade é proibida na espinha dorsal da internet norte-americana.

Versão 07

A web das IAs: quando a resposta vem pronta

Em 14 de maio de 2024, no Google I/O, os AI Overviews começaram a aparecer no topo dos resultados de busca nos Estados Unidos; em agosto chegaram ao Brasil, e em 8 de setembro de 2025 o AI Mode passou a funcionar em português do Brasil (GOOGLE, 2024) (GOOGLE, 2025). A mudança parece cosmética — um parágrafo acima da lista de links — e não é.

O Pew Research Center mediu o efeito com dados reais de navegação de 900 adultos norte-americanos, coletados em março de 2025 (PEW RESEARCH CENTER, 2025). Em 18% das buscas apareceu um resumo de IA. E o comportamento diante da mesma página de resultados mudou conforme o resumo estivesse presente ou ausente.

Tabela 1 — Comportamento dos usuários em páginas de resultados do Google, com e sem resumo gerado por IA, Estados Unidos, março de 2025

Comportamento na página de resultados	Sem resumo de IA	Com resumo de IA	Variação
Clicou em um link de resultado tradicional	15	8	-7 p.p.
Clicou em um link citado dentro do resumo	..	1	..
Encerrou a navegação sem clicar em nada	16	26	+10 p.p.

Fonte: elaborado pelo autor com base em Pew Research Center (2025).Nota: percentuais sobre o total de visitas a páginas de resultados do Google, entre 900 adultos norte-americanos que autorizaram o compartilhamento de seu histórico de navegação; coleta em março de 2025. Variação em pontos percentuais calculada pelo autor.Sinal convencional utilizado: .. não se aplica, por não existir resumo de IA na condição sem resumo.

Metade dos cliques desapareceu, e um em cada quatro usuários fechou a busca sem ir a lugar nenhum. O resumo de IA não roubou o tráfego de um concorrente: ele encerrou a viagem antes do destino. Para um site que vive de audiência, isso é uma mudança de regime, não uma oscilação de algoritmo.

A lista de portas virou um texto. As fontes continuam ali — em letras menores, e sem a obrigação de serem abertas.

O Brasil não entra nisso de forma homogênea

A TIC Domicílios 2025, do Comitê Gestor da Internet no Brasil, mediu pela primeira vez o uso de IA generativa e encontrou 32% dos usuários de internet — cerca de 50 milhões de pessoas de 10 anos ou mais (COMITÊ GESTOR DA INTERNET NO BRASIL, 2025). O número agregado esconde o que interessa.

Classe A69%

Ensino superior59%

Média do país32%

Ensino médio29%

Ensino fundamental17%

Classes D e E16%

Uso de IA generativa entre usuários de internet, Brasil, 2025. Fonte: TIC Domicílios 2025 (CGI.br/NIC.br/Cetic.br).

Entre a classe A e as classes D e E há uma distância de 53 pontos percentuais. É a mesma desigualdade que a série do acesso à internet levou vinte anos para reduzir — e que agora recomeça um degrau acima, na apropriação da ferramenta.

Tabela 2 — Proporção de domicílios com acesso à internet, por área, Brasil — 2008, 2013, 2018, 2023 e 2025

Ano	Total	Área urbana	Área rural
2008	18	20	4
2013	43	48	15
2018	67	70	44
2023	84	86	74
2025	86	...	...

Fonte: elaborado pelo autor com base no indicador A4 da Pesquisa TIC Domicílios, CGI.br/NIC.br/Cetic.br, edições de 2008, 2013, 2018, 2023 e 2025.Nota: dados em percentual do total de domicílios particulares permanentes.Sinal convencional utilizado: ... dado não disponível na divulgação consultada.

Há ainda uma divergência que vale registrar, porque a imprensa costuma misturar as duas fontes: para 2025, a TIC Domicílios aponta 86% dos domicílios com internet, enquanto a PNAD Contínua TIC, do IBGE, aponta 95,0% (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA, 2026). As metodologias e os questionários são diferentes; os números não são intercambiáveis.

Versão 08

O que muda, de fato, na estratégia

A tentação, diante de cada versão nova, é jogar fora o que funcionava. Quase nunca é o caso: a web não substitui suas camadas, ela as empilha — e-mail de 1993 ainda converte, SEO de 1998 ainda alimenta o próprio resumo de IA que parece competir com ele. O quadro abaixo é uma tentativa de mostrar o que efetivamente se desloca.

Quadro 1 — Deslocamentos da estratégia de comunicação digital, por versão da web

Versão	O que o público faz	Onde o conteúdo mora	Métrica dominante	Tática central	Risco principal
1.0 (1993-2004)	Lê	Em endereços próprios	Visitas e impressões	Banner, portal, lista de e-mail	Ninguém encontra o site
2.0 (2004-2010)	Lê e publica	Em comunidades e blogs	Engajamento	Conteúdo, SEO, conversa	Perder o controle da narrativa
Plataformas (2010-2022)	Alimenta o feed	Em contas de terceiros	Custo por resultado	Tráfego pago, dados, influência	A regra mudar sem aviso
IAs (2022- )	Pergunta	Dentro da resposta	Presença nas citações	Ser fonte citável e ter base própria	Existir e não ser mencionado

Fonte: elaborado pelo autor com base em O'Reilly (2005), Jenkins (2009), Nieborg e Poell (2018), van Dijck, Poell e de Waal (2018) e Kotler, Kartajaya e Setiawan (2021).Nota: os períodos são aproximados e servem à comparação; as camadas convivem, não se substituem.

Otimizar para ser citado, não para ser clicado

Existe pesquisa formal sobre isso, e ela é anterior à popularização do assunto. Em 2023, um grupo de pesquisadores de Princeton, Georgia Tech, Allen Institute for AI e IIT Delhi propôs o termo Generative Engine Optimization e testou, em uma base de 10 mil consultas reais, quais alterações de texto aumentam a chance de uma fonte ser citada por um motor generativo; o trabalho foi apresentado na conferência KDD, em 2024 (AGGARWAL et al., 2024). O resultado mais citável do artigo é também o mais desconfortável para a indústria de SEO: as táticas que mais funcionam não são técnicas.

Segundo os autores, incluir citações de fontes, estatísticas e declarações de especialistas aumentou a visibilidade nas respostas generativas em até 40%, enquanto táticas herdadas do SEO clássico — repetição de palavras-chave, por exemplo — tiveram efeito nulo ou negativo. Escrever com fonte na mesa deixou de ser uma exigência acadêmica e virou uma vantagem de distribuição.

O que o motor generativo cita não é o texto mais otimizado: é o texto mais verificável. A diferença tem nome antigo — rigor.

Quatro deslocamentos concretos

Do tráfego para a menção. Se um em cada quatro usuários encerra a busca sem clicar, parte do valor da sua comunicação passa a ser entregue sem visita. Isso exige medir aparição em resposta generativa, e não só sessões — e aceitar que a atribuição vai piorar antes de melhorar.
Do dado alugado para o dado próprio. Com o rastreamento entre sites em xeque — por regulação, no caso da LGPD, e por decisão dos navegadores —, base própria, consentimento explícito e relacionamento direto voltam a ser ativos, e não burocracia.
Do volume para a distinção. Quando produzir texto custa quase nada, produzir texto deixa de ser diferencial. Sobram dado primário, apuração, experiência real e ponto de vista — exatamente o que um modelo não consegue inventar sem alguém ter feito antes.
Da audiência para a comunidade. Kotler, Kartajaya e Setiawan já defendiam em 2021 que a tecnologia só entrega valor quando devolve o elemento humano à relação (KOTLER; KARTAJAYA; SETIAWAN, 2021). Num ambiente em que a resposta é automática, o contato que não é automático fica mais caro — e mais valioso.

Isso não é um manifesto contra a mídia paga. Ela segue crescendo: a publicidade digital brasileira somou R$ 42,7 bilhões em 2025, alta de 12,7% sobre o ano anterior, com as redes sociais respondendo por 55% do investimento (IAB BRASIL, 2026). E, do lado das organizações, 88% já relatam usar IA regularmente em ao menos uma função — embora apenas 6% consigam associar a ela um efeito relevante no resultado (MCKINSEY & COMPANY, 2025). A adoção é quase universal; o retorno, quase raro. É a distância entre usar a ferramenta e mudar o processo.

Canal próprio, canal alugado e canal citado. O terceiro é novo, e é o único em que não se compra posição — ainda.

Aplicação prática

Seis perguntas para o seu contexto

Vale para uma empresa, para um curso, para um projeto de extensão ou para um perfil pessoal. Marque conforme conseguir responder.

Sei em qual versão da web está a maior parte do meu público hoje — e não estou falando com ele na versão anterior. Tenho pelo menos um canal que é meu: lista, site, cadastro ou grupo que sobrevive se uma plataforma mudar de regra amanhã. Já perguntei sobre mim a um assistente de IA e sei o que ele responde, quais fontes ele cita e o que está errado ali. Meu conteúdo tem dado, fonte e autoria verificáveis — o que aumenta a chance de ser citado e, antes disso, de ser confiável. Sei qual base legal sustenta cada dado pessoal que eu coleto, e consigo explicar isso ao titular em uma frase. Tenho uma métrica de menção, e não só de tráfego — sei dizer se estou aparecendo onde a resposta é montada.

0 de 6 — comece descobrindo onde seu público está.

Próxima versão

A inteligência coletiva, devolvida em forma de resposta

Há uma simetria que fecha o texto. Lévy escreveu, no fim dos anos 1990, que ninguém sabe tudo, que todo mundo sabe alguma coisa e que o saber está distribuído pela humanidade — a inteligência coletiva. Trinta anos depois, sistemas treinados exatamente nesse saber distribuído devolvem-no em parágrafos bem escritos, sem indicar de quem era cada pedaço. A inteligência coletiva virou produto, e o coletivo virou base de treinamento.

Não é uma tragédia nem um milagre; é o mesmo movimento que já tinha acontecido antes. A web 1.0 barateou o palco, a 2.0 entregou o microfone, as plataformas cobraram pelo alcance e as IAs passaram a responder no lugar. Em cada versão, alguma coisa foi distribuída e alguma coisa foi concentrada, e a pergunta interessante nunca foi qual tecnologia venceu, e sim quem ficou com a chave.

Vale lembrar como isso terminou nas versões anteriores: o SEO nasceu como truque técnico e virou, com o tempo, a recomendação de escrever bem para pessoas. Tudo indica que o GEO fará o mesmo caminho, e mais rápido, porque a única tática comprovadamente eficaz do artigo original é a mais antiga do ofício — dizer coisas verificáveis e mostrar de onde vieram.

Se você perguntasse hoje a um assistente de IA sobre o seu trabalho, o seu curso ou a sua marca, o que ele responderia — e de que fonte ele tiraria essa resposta?

Nota do autor: as datas de fundação e lançamento das plataformas citadas na linha do tempo (Google, Wikipédia, Orkut, Facebook, YouTube, Twitter, iPhone) foram conferidas em fontes de referência e em cobertura contemporânea, mas não em documentos societários primários; onde a literatura registra mais de uma data para o mesmo evento — caso do YouTube, com fundação em fevereiro, primeiro vídeo em abril e saída do beta em dezembro de 2005 —, o texto adota a que melhor descreve o uso público do serviço. A proposta de 1989 de Berners-Lee traz no próprio documento a marcação "March 1989, May 1990"; a proposta formal coassinada com Robert Cailliau é de novembro de 1990, e as duas são frequentemente confundidas. O artigo de Darcy DiNucci teve sua existência, data e veículo confirmados, mas volume e paginação exatos vieram de registro de agregador acadêmico, não do impresso original. As definições de cibercultura, de ciberespaço e de rede social foram cotejadas com a paginação corrente das edições brasileiras citadas; recomenda-se conferir o exemplar antes de reproduzi-las como citação direta em trabalho acadêmico. Os três mecanismos de van Dijck, Poell e de Waal são apresentados aqui em tradução do autor. Sobre os números: os percentuais da TIC Domicílios e da PNAD Contínua TIC não são comparáveis entre si, por diferença de metodologia e de questionário, e por isso aparecem separados; a série da Tabela 2 foi montada pelo autor a partir das tabelas do indicador A4 de cada edição, pois não há série histórica consolidada em documento único. O dado de publicidade digital corresponde ao estudo Digital AdSpend do IAB Brasil com o Kantar IBOPE Media, ano-base 2025, e mede o investimento digital em valor absoluto — não a participação do digital no bolo publicitário total, que não foi apurada aqui. O estudo do Pew Research Center é norte-americano; não há, até a data desta postagem, medição equivalente publicada para o Brasil, e a transposição dos percentuais para o mercado brasileiro seria indevida. Por fim, o lançamento do ChatGPT Ads no Brasil consta como atualização datada de 11 de agosto de 2026 na própria página da OpenAI sobre o tema, sem que a empresa tenha divulgado, até o fechamento deste texto, dados de alcance ou de formato específicos para o mercado brasileiro.

Referências

AGGARWAL, Pranjal et al. GEO: Generative Engine Optimization. In: ACM SIGKDD CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 30., 2024, Barcelona. Proceedings. Nova York: ACM, 2024. p. 5-16. DOI: 10.1145/3637528.3671900. Disponível em: https://arxiv.org/abs/2311.09735. Acesso em: 24 ago. 2026.
BERNERS-LEE, Tim. Information management: a proposal. Genebra: CERN, 1989. Disponível em: https://www.w3.org/History/1989/proposal-msw.html. Acesso em: 24 ago. 2026.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União, Brasília, DF, 15 ago. 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 24 ago. 2026.
CASTELLS, Manuel. Communication, power and counter-power in the network society. International Journal of Communication, Los Angeles, v. 1, p. 238-266, 2007. Disponível em: https://ijoc.org/index.php/ijoc/article/view/46. Acesso em: 24 ago. 2026.
CERN. A short history of the Web. Genebra: CERN, 2026. Disponível em: https://home.cern/science/computing/birth-web/short-history-web. Acesso em: 24 ago. 2026.
CHAVEZ, Anthony. Next steps for Privacy Sandbox and tracking protections in Chrome. Privacy Sandbox, Mountain View, 22 abr. 2025. Disponível em: https://privacysandbox.google.com/blog/privacy-sandbox-next-steps. Acesso em: 24 ago. 2026.
COMITÊ GESTOR DA INTERNET NO BRASIL. Pesquisa sobre o uso das tecnologias de informação e comunicação nos domicílios brasileiros: TIC Domicílios 2025. São Paulo: CGI.br/NIC.br/Cetic.br, 2025. Disponível em: https://cetic.br/media/analises/tic_domicilios_2025_principais_resultados.pdf. Acesso em: 24 ago. 2026.
DINUCCI, Darcy. Fragmented future. Print, Nova York, v. 53, n. 4, p. 32; 221-222, abr. 1999. Disponível em: https://www.darcyd.com/fragmented_future.pdf. Acesso em: 24 ago. 2026.
GOOGLE. Generative AI in Search: let Google do the searching for you. The Keyword, Mountain View, 14 maio 2024. Disponível em: https://blog.google/products-and-platforms/products/search/generative-ai-google-search-may-2024/. Acesso em: 24 ago. 2026.
GOOGLE. AI Mode in Google Search expands to more languages. The Keyword, Mountain View, 8 set. 2025. Disponível em: https://blog.google/products/search/ai-mode-expands-more-languages/. Acesso em: 24 ago. 2026.
IAB BRASIL. Digital AdSpend 2026: investimento em publicidade digital no Brasil, ano-base 2025. São Paulo: IAB Brasil; Kantar IBOPE Media, 2026. Disponível em: https://iabbrasil.com.br/pesquisa-digital-adspend-2026/. Acesso em: 24 ago. 2026.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Internet chega a 95% de domicílios do país em 2025. Agência IBGE Notícias, Rio de Janeiro, 2026. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/47410-internet-chega-a-95-de-domicilios-do-pais-em-2025. Acesso em: 24 ago. 2026.
JENKINS, Henry. Cultura da convergência. Tradução: Susana Alexandria. 2. ed. São Paulo: Aleph, 2009.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 5.0: tecnologia para a humanidade. Tradução: André Fontenelle. Rio de Janeiro: Sextante, 2021.
LÉVY, Pierre. Cibercultura. Tradução: Carlos Irineu da Costa. São Paulo: Editora 34, 1999.
MCKINSEY & COMPANY. The state of AI in 2025: agents, innovation, and transformation. Nova York: McKinsey & Company, 2025. Disponível em: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai. Acesso em: 24 ago. 2026.
NIEBORG, David B.; POELL, Thomas. The platformization of cultural production: theorizing the contingent cultural commodity. New Media & Society, Londres, v. 20, n. 11, p. 4275-4292, 2018. DOI: 10.1177/1461444818769694. Disponível em: https://journals.sagepub.com/doi/10.1177/1461444818769694. Acesso em: 24 ago. 2026.
OPENAI. Testing ads in ChatGPT. OpenAI, São Francisco, 9 fev. 2026. Atualizado em: 11 ago. 2026. Disponível em: https://openai.com/index/testing-ads-in-chatgpt/. Acesso em: 24 ago. 2026.
O'REILLY, Tim. What is Web 2.0: design patterns and business models for the next generation of software. O'Reilly Media, Sebastopol, 30 set. 2005. Disponível em: https://www.oreilly.com/pub/a/web2/archive/what-is-web-20.html. Acesso em: 24 ago. 2026.
PEW RESEARCH CENTER. Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center, Washington, DC, 22 jul. 2025. Disponível em: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/. Acesso em: 24 ago. 2026.
RECUERO, Raquel. Redes sociais na internet. Porto Alegre: Sulina, 2009. (Coleção Cibercultura).
VAN DIJCK, José; POELL, Thomas; DE WAAL, Martijn. The platform society: public values in a connective world. Oxford: Oxford University Press, 2018.

Busca informada

noreply@blogger.com (War) — Sun, 23 Aug 2026 23:45:38 -0300

Entre 1966 e 1972, um robô de rodas com uma antena de rádio no topo passeava pelos corredores do Stanford Research Institute empurrando caixas. Chamavam-no de Shakey, o trêmulo, porque balançava ao parar. Para atravessar uma sala, Shakey precisava responder a uma pergunta que nenhum algoritmo da época respondia bem: por onde ir, sem examinar todos os caminhos possíveis? A resposta que três pesquisadores publicaram em 1968 é hoje o algoritmo de busca mais usado do mundo — está no seu aplicativo de mapas, no roteamento de pacotes da internet e em quase todo jogo com personagens que desviam de obstáculos. Este texto trata das buscas informadas: a gulosa, o A* e a condição discreta, quase modesta, que separa uma da outra.

Palpite 01

O robô que tremia

Shakey foi construído no Centro de Inteligência Artificial do Stanford Research Institute, sob a coordenação de Charles Rosen, Nils Nilsson e Peter Hart (SHAKEY…, 2026). Era o primeiro robô móvel capaz de raciocinar sobre as próprias ações: recebia uma ordem em inglês, decompunha-a em passos e executava. Do projeto saíram o planejador STRIPS, a transformada de Hough e o método do grafo de visibilidade. Saiu também o algoritmo que interessa aqui.

O problema de Shakey era o de qualquer coisa que se desloca: existe um mapa, existe um ponto de partida, existe um destino, e existem obstáculos. As buscas cegas, tratadas em outra postagem, resolviam o problema — e resolviam mal, porque examinavam o espaço inteiro sem nunca olhar para onde o destino estava. Um robô com uma bateria e uma sala pela frente não podia se dar a esse luxo.

Em 1968, Peter Hart, Nils Nilsson e Bertram Raphael publicaram A formal basis for the heuristic determination of minimum cost paths (HART; NILSSON; RAPHAEL, 1968). O artigo faz duas coisas ao mesmo tempo, e é por isso que ficou. Primeiro, descreve um algoritmo — que eles chamam de A*, com asterisco. Segundo, e mais importante, demonstra sob qual condição esse algoritmo devolve a resposta certa. A contribuição de 1968 não foi a ideia de usar um palpite: foi o preço exato que o palpite tem de pagar para não estragar a garantia.

Há um detalhe humano na história que vale contar: quatro anos depois, os próprios autores publicaram uma correção ao artigo (HART; NILSSON; RAPHAEL, 1972). O algoritmo estava certo; parte do que se afirmou sobre ele, não. O tratamento definitivo de quais garantias valem sob quais hipóteses só apareceu em 1985, com Rina Dechter e Judea Pearl (DECHTER; PEARL, 1985). Dezessete anos entre o algoritmo funcionar e a comunidade entender exatamente por quê.

Palpite 02

A mesma fila, outra chave

Na postagem anterior, a conclusão foi que as quatro buscas cegas são o mesmo laço, mudando apenas o recipiente da fronteira. A busca de custo uniforme usava uma fila de prioridade ordenada pelo custo acumulado desde o início, o g(n). Guarde essa fila, porque ela não vai mudar. Tudo o que separa a busca cega da busca informada é a chave de ordenação dessa mesma fila.

São três chaves possíveis, e cada uma tem um nome:

chave = g(n)Custo uniformeOrdena pelo que já se gastou para chegar até aqui. Olha só para trás. É cega: não sabe onde fica o objetivo.

chave = h(n)GulosaOrdena pelo palpite do que falta daqui até o objetivo. Olha só para frente. Esquece tudo o que já gastou.

chave = g(n) + h(n)A*Ordena pela estimativa do custo total da rota que passa por aqui. Olha para os dois lados ao mesmo tempo.

A função h(n) é a heurística: uma estimativa, calculada rapidamente, do custo que ainda falta de n até um objetivo. Ela não sai do algoritmo — vem do domínio. Em um mapa rodoviário, a distância em linha reta. Em uma malha quadriculada, a distância em quarteirões. Em um quebra-cabeça deslizante, o número de peças fora do lugar. O algoritmo não sabe de onde veio o número, e não pergunta.

A fila é a mesma das buscas cegas. Muda o número escrito na etiqueta de cada nó — e, com ele, tudo o mais.

Vale fixar o vocabulário, porque as três letras aparecem em toda a literatura e trocá-las custa caro em prova: g(n) é o custo conhecido do início até n; h(n) é o custo estimado de n até o objetivo; f(n) = g(n) + h(n) é a estimativa do custo total da melhor rota que passa por n (RUSSELL; NORVIG, 2021). E existe um quarto símbolo, que o algoritmo nunca conhece: h*(n), o custo real do melhor caminho de n até o objetivo. A postagem inteira é sobre a relação entre h e h*.

Palpite 03

Gulosa: o algoritmo que só olha para frente

A busca gulosa de melhor escolha expande sempre o nó de menor h(n). O ancestral da ideia é o Graph Traverser, de James Doran e Donald Michie, apresentado em 1966 — dois anos antes do A*, e já com a proposta de usar uma função de avaliação do domínio para escolher qual nó abrir (DORAN; MICHIE, 1966).

O comportamento é exatamente o que o nome sugere. A cada passo, a busca escolhe o vizinho que parece mais próximo do objetivo e vai. Não pondera o quanto já andou; não guarda arrependimento. Em terreno limpo, isso é ótimo: ela vai direto ao alvo e mal olha para os lados. Em terreno com obstáculo, é uma armadilha — porque "parecer mais próximo" e "estar mais próximo" são coisas diferentes, e a diferença é justamente o obstáculo.

As consequências formais:

Não é ótima. Ela devolve a primeira rota que encontrar, e a primeira rota que a atração do palpite produz pode ser muito pior que a melhor.
Não é completa na versão em árvore: pode entrar num vaivém entre dois nós que se acham mutuamente promissores. Com uma lista de estados visitados e um espaço finito, fica completa.
É rápida. E é por isso que ela não desaparece dos livros: quando qualquer rota serve e o tempo é curto, ela entrega.

A gulosa é a prova de que informação, sozinha, não basta. Um palpite excelente sobre o futuro não corrige a decisão de ignorar o passado.

Palpite 04

A*: somar o que já se andou

A correção do A* é de uma economia quase irritante: em vez de ordenar por h(n), ordene por g(n) + h(n). Só isso.

O efeito é fácil de sentir se você traduzir f(n) para o português. A gulosa pergunta "quanto falta daqui?". O A* pergunta "quanto vai custar a viagem inteira, se eu passar por aqui?". A segunda pergunta é a que um viajante faz de verdade. Um desvio que reduz muito o que falta, mas que só se alcança depois de um trecho caríssimo, é uma má ideia — e a soma percebe isso; o h sozinho, não.

O parentesco com a busca de custo uniforme é literal: se h(n) = 0 para todo nó, f = g e o A* é a busca de custo uniforme. A heurística nula é uma heurística legítima — apenas inútil. E o outro extremo também vale: se o peso do g for a zero, sobra a gulosa. Ira Pohl formalizou essa família em 1970, com f = g + w·h e um botão w para girar entre um extremo e outro (POHL, 1970). Custo uniforme, A* e gulosa não são três algoritmos: são três posições do mesmo botão.

A armadilha que se repete

Vale repetir o alerta da postagem sobre buscas cegas, porque no A* ele é ainda mais traiçoeiro: o teste de objetivo se aplica quando o nó é retirado da fronteira, nunca quando é gerado. Encontrar o objetivo não é o mesmo que ter encontrado a melhor rota até ele. Enquanto houver na fronteira um nó com f menor que o f do objetivo, ainda pode existir por ali uma rota mais barata. Testar na geração é o erro mais comum em implementações caseiras de A*, e ele não dá erro nenhum: apenas devolve, de vez em quando, uma rota pior.

Palpite 05

Admissibilidade: o preço da garantia

Chegamos ao ponto do artigo de 1968. O A* devolve a rota ótima sob uma condição sobre h, e a condição é esta:

Uma heurística é admissível quando nunca superestima o custo que falta.

Formalmente: h(n) ≤ h*(n) para todo nó n. Em uma palavra, a heurística precisa ser otimista. Pode errar para baixo o quanto quiser — inclusive devolver zero sempre, que é o caso degenerado da busca de custo uniforme. O que não pode é prometer que falta menos do que de fato falta.

A heurística otimista pode errar muito, desde que erre por baixo. Basta um ponto acima da curva para a garantia cair.

A razão de o otimismo funcionar cabe em um parágrafo. Suponha que o A* esteja prestes a retirar da fronteira um nó-objetivo alcançado por uma rota subótima, de custo C maior que o ótimo C*. Como o objetivo foi alcançado, h nele vale zero, então seu f é o próprio C. Ora, a rota ótima está começada em algum lugar: existe na fronteira um nó n sobre ela. Para esse nó, f(n) = g(n) + h(n) ≤ g(n) + h*(n) = C* — a desigualdade é exatamente a admissibilidade. Como C* < C, o nó n tem f menor e sai da fila antes. O objetivo subótimo nunca chega a ser retirado: alguém melhor está sempre na frente dele. Tire a admissibilidade e a corrente arrebenta no elo do meio.

Admissível não é o mesmo que consistente

Existe uma segunda propriedade, mais forte, que costuma ser confundida com a primeira. Uma heurística é consistente (ou monotônica) quando, para todo nó n e todo sucessor n′ alcançado por uma ação de custo c, vale h(n) ≤ c + h(n′). É a desigualdade triangular aplicada às estimativas: dar um passo não pode fazer o palpite despencar mais do que o passo custou.

Toda heurística consistente é admissível; a recíproca é falsa. E a diferença tem consequência prática: com heurística consistente, os valores de f nunca diminuem ao longo de um caminho, e um nó já expandido nunca precisa ser reaberto — o A* pode fechar cada estado de uma vez por todas. Com heurística apenas admissível, um estado pode ser reencontrado por um caminho mais barato depois de fechado, e uma implementação que não reabre nós perde a otimalidade. Felizmente, quase toda heurística útil que se constrói na prática é consistente, inclusive as duas deste texto.

Palpite 06

As três no mesmo campo

Descrições convencem pouco; formatos convencem. Abaixo, a mesma malha — 449 células livres, um muro com um corredor em serpentina escavado por dentro — percorrida pelas três estratégias, mais uma quarta que serve de contraexemplo. Escolha uma e veja onde o algoritmo gasta o trabalho.

Busca de custo uniforme · f = g

Ordena a fronteira só pelo que já andou. Não faz ideia de onde fica o objetivo, então se espalha igualmente para todos os lados — inclusive para trás. Clique em Rodar a busca.

Rode as quatro antes de seguir; o resumo do texto inteiro está no formato das manchas. A busca de custo uniforme pinta um disco quase completo, porque não tem para onde olhar. A gulosa dispara um feixe fino na direção do objetivo, mergulha na serpentina e sai de lá com uma rota 30% mais longa. O A* desenha uma elipse deformada na direção do alvo, gasta um terço a menos que o custo uniforme e ainda assim devolve a rota ótima. E o A* inflado gasta menos que todos os outros, exceto a gulosa — e paga por isso exatamente o mesmo preço que ela.

Quadro 1 — Comportamento das estratégias na malha de exemplo, 2026

Estratégia	Chave da fila	Células expandidas	% da malha	Passos da rota	Ótima?
Custo uniforme	g	400	89	40	Sim
Gulosa	h	73	16	52	Não
A*	g + h	267	59	40	Sim
A* inflado	g + 3h	150	33	52	Não

Fonte: elaborado pelo autor a partir da malha fictícia do simulador desta postagem.Nota: malha de 30 × 17 posições, 449 células livres, deslocamentos apenas na horizontal e na vertical, custo 1 por passo; heurística de Manhattan. Percentuais calculados sobre as 449 células livres. A rota ótima tem 40 passos, verificada por busca em largura. Sucessores sempre visitados na ordem cima, esquerda, direita, baixo.

A última linha do quadro é o contraexemplo prometido. Multiplicar a heurística de Manhattan por três a torna inadmissível em 447 das 449 células desta malha — ela passa a prometer que falta menos do que falta. O algoritmo continua rodando, continua rápido, continua devolvendo uma rota. Só não devolve mais a melhor. A inadmissibilidade não quebra o A*: ela o transforma, sem avisar, em outra coisa.

Há um uso legítimo disso, e ele tem nome: A* ponderado. Quando o problema é grande demais e uma rota 10% pior sai a tempo enquanto a ótima não sai, inflar a heurística de propósito é uma decisão de engenharia defensável — desde que seja uma decisão, e não um acidente. O que o quadro mostra é o acidente.

Palpite 07

Uma heurística melhor que a outra

Se toda heurística admissível preserva a otimalidade, resta escolher entre elas por outro critério: quanto trabalho cada uma poupa. E aqui existe uma regra limpa. Diz-se que h₂ domina h₁ quando h₂(n) ≥ h₁(n) para todo nó, sendo ambas admissíveis. Uma heurística dominante é sempre pelo menos tão eficiente quanto a dominada — porque, sendo maior sem nunca ultrapassar h*, ela empurra para cima o f dos nós ruins e faz com que o A* expanda menos.

O laboratório clássico é o quebra-cabeça de 8 peças, o mesmo dos 181.440 tabuleiros alcançáveis que apareceu na postagem sobre formulação de problemas. Duas heurísticas concorrem:

h₁Peças fora do lugarConte quantas peças não estão na casa final. Admissível porque cada peça errada exige pelo menos um movimento.

h₂Distância de ManhattanSome, para cada peça, quantas casas faltam na horizontal e na vertical. Admissível porque nenhum movimento aproxima mais de uma casa.

As duas são admissíveis, e h₂ ≥ h₁ em todos os 181.440 estados — logo h₂ domina. Falta ver quanto isso vale em nós poupados.

Tabela 1 — Células expandidas pelo A* no quebra-cabeça de 8 peças, por profundidade da solução e heurística, 2026

Profundidade	A* com h₁	A* com h₂	Razão	b* de h₁	b* de h₂
4	5	5	1,0	1,10	1,09
8	17	12	1,4	1,17	1,09
12	98	36	2,7	1,30	1,16
16	563	114	4,9	1,37	1,21
20	3 391	453	7,5	1,41	1,25
24	18 561	1 782	10,4	1,43	1,28
28	72 652	7 771	9,3	1,31	1,31

Fonte: elaborado pelo autor; medição própria por enumeração do espaço de estados do quebra-cabeça de 8 peças.Nota: médias sobre 120 tabuleiros sorteados por profundidade (16 na profundidade 4, que só tem 16 tabuleiros). As profundidades reais foram obtidas por busca em largura a partir do estado-objetivo. b* é o fator de ramificação efetivo, raiz da equação em que a soma das potências de b* até a profundidade iguala o número de nós expandidos mais um.

A coluna da razão é o argumento inteiro. Nas profundidades pequenas, tanto faz. A partir da profundidade 16, a distância de Manhattan já poupa cinco sextos do trabalho; na profundidade 24, dez em cada onze nós. Trocar de heurística rende mais do que trocar de algoritmo. E o fator de ramificação efetivo mostra por quê: com h₂, o A* se comporta como se cada estado tivesse pouco mais de um sucessor — está praticamente andando em linha reta até a solução.

De onde vem uma heurística admissível

Não do acaso. A receita mais confiável é relaxar o problema: apague uma restrição das regras e resolva o problema mais fácil que sobrar; o custo exato dessa solução é uma heurística admissível para o problema original (LUGER, 2013), porque toda solução do problema original também é solução do relaxado, nunca ao contrário.

As duas heurísticas da tabela saem exatamente daí, e é bonito ver. No quebra-cabeça, a regra é que uma peça só desliza para a casa vazia vizinha. Apague "para a casa vazia" e sobre "uma peça pode ir para qualquer casa vizinha": o custo ótimo desse jogo relaxado é a soma das distâncias de Manhattan. Apague também "vizinha" e sobre "uma peça pode ir para qualquer casa": o custo ótimo passa a ser o número de peças fora do lugar. Quanto menos regras você apaga, mais forte é a heurística que sobra — e é por isso que h₂ domina h₁.

Cada regra apagada facilita o problema e enfraquece a estimativa. A arte está em apagar o mínimo que ainda dá um cálculo rápido.

Aplicação prática

Construa uma heurística em seis perguntas

Marque os itens conforme conseguir responder a cada um sobre um problema de busca da sua própria área.

Sei dizer o que significa "distância até o objetivo" no meu domínio, mesmo que eu não saiba calculá-la exatamente. Encontrei uma restrição do problema que posso apagar e sei resolver exatamente o problema relaxado que sobra. Verifiquei que minha estimativa nunca superestima — em vários casos concretos, e de preferência por argumento, não só por teste. Confirmei que ela é consistente: dar um passo de custo c nunca reduz a estimativa em mais de c. Calculei quanto custa avaliar a heurística. Uma estimativa ótima que demora mais que a busca não serve para nada. Decidi conscientemente se quero a rota ótima ou uma rota boa que saia a tempo — e, se for a segunda, escolhi o peso da inflação em vez de deixá-lo acontecer.

0 de 6 — comece pela noção de distância.

Palpite exato

O limite que ninguém alcança

Vale imaginar o caso extremo. Se a heurística fosse perfeita — se h(n) = h*(n) em todo nó —, o A* sairia do início e caminharia direto até o objetivo, sem expandir um único nó fora da rota ótima. Não haveria busca: haveria execução. Esse é o limite superior de tudo o que uma heurística pode fazer, e a razão pela qual heurística é o assunto, e não o algoritmo. O A* é apenas o mecanismo que converte qualidade de palpite em economia de trabalho.

Do lado prático, sobra uma fraqueza que a tabela não mostra e que merece registro: o A* guarda todos os nós gerados na memória. É a mesma doença da busca em largura, e pela mesma razão. Em problemas grandes, ele não fica sem tempo — fica sem memória. A resposta clássica é a mesma da postagem anterior, aplicada agora ao caso informado: repetir para caber. O IDA*, de Richard Korf, roda buscas em profundidade sucessivas com um teto sobre f em vez de sobre a profundidade, e assim mantém as garantias do A* gastando memória linear (KORF, 1985).

Shakey levava horas para atravessar uma sala. O robô foi desligado, virou peça de museu e ganhou um marco do IEEE em 2017, quarenta e cinco anos depois de parar de andar. O algoritmo que ele deixou continua rodando alguns milhões de vezes por segundo, em toda parte, e a pergunta que ele resolve é a mesma de 1968: dado que não dá para olhar tudo, para onde olhar primeiro?

Pense em uma decisão do seu trabalho em que você já usa um palpite para não examinar todas as opções. Esse palpite é otimista ou pessimista — e o que você perde, exatamente, quando ele erra para o lado errado?

Nota do autor: os números do Quadro 1 e da Tabela 1 são medição própria, feita por implementação independente em Python durante a preparação deste texto, e não reproduções de tabelas de livro-texto; valores equivalentes circulam na literatura com pequenas variações, porque dependem do desempate na fila de prioridade, do sorteio das instâncias e de se o teste de objetivo ocorre na geração ou na expansão. Aqui o desempate é por ordem de inserção, o teste de objetivo ocorre sempre na expansão, e as médias da Tabela 1 vêm de 120 tabuleiros sorteados por profundidade, com semente fixa. A admissibilidade e a consistência da distância de Manhattan na malha do simulador foram verificadas por enumeração das 449 células, assim como a inadmissibilidade do triplo dela em 447 delas; no quebra-cabeça, a admissibilidade de h₁ e h₂ e a dominância de h₂ sobre h₁ foram verificadas nos 181.440 estados alcançáveis. Sobre a história: a correção de 1972 é aqui apenas registrada, a partir de sua referência bibliográfica; o autor não teve acesso ao texto integral, e o tratamento definitivo das condições sob as quais valem as garantias de otimalidade e de eficiência do A* é o de Dechter e Pearl (1985), que deve ser a fonte consultada por quem precisar do enunciado preciso. A atribuição do A* ao projeto Shakey segue o registro do próprio projeto e a literatura corrente; o artigo de 1968 não menciona o robô no título. A malha do simulador é fictícia e foi desenhada de propósito para separar os quatro comportamentos: sem o corredor em serpentina, a busca gulosa encontraria a rota ótima nesta malha, e o contraste do quadro desapareceria. A quarta edição de Russell e Norvig não tem tradução brasileira publicada até a data deste texto; a terminologia em português segue o uso corrente em Luger (2013).

Referências

DECHTER, Rina; PEARL, Judea. Generalized best-first search strategies and the optimality of A*. Journal of the ACM, Nova York, v. 32, n. 3, p. 505-536, jul. 1985. Disponível em: https://dl.acm.org/doi/10.1145/3828.3830. Acesso em: 23 ago. 2026.
DORAN, James E.; MICHIE, Donald. Experiments with the Graph Traverser program. Proceedings of the Royal Society of London: Series A, Londres, v. 294, n. 1437, p. 235-259, set. 1966. Disponível em: https://royalsocietypublishing.org/doi/10.1098/rspa.1966.0205. Acesso em: 23 ago. 2026.
HART, Peter E.; NILSSON, Nils J.; RAPHAEL, Bertram. A formal basis for the heuristic determination of minimum cost paths. IEEE Transactions on Systems Science and Cybernetics, Nova York, v. 4, n. 2, p. 100-107, jul. 1968. Disponível em: https://ieeexplore.ieee.org/document/4082128/. Acesso em: 23 ago. 2026.
HART, Peter E.; NILSSON, Nils J.; RAPHAEL, Bertram. Correction to "A formal basis for the heuristic determination of minimum cost paths". SIGART Newsletter, Nova York, n. 37, p. 28-29, dez. 1972. Disponível em: https://dl.acm.org/doi/10.1145/1056777.1056779. Acesso em: 23 ago. 2026.
KORF, Richard E. Depth-first iterative-deepening: an optimal admissible tree search. Artificial Intelligence, Amsterdã, v. 27, n. 1, p. 97-109, set. 1985. Disponível em: https://www.cse.sc.edu/~mgv/csce580f09/gradPres/korf_IDAStar_1985.pdf. Acesso em: 23 ago. 2026.
LUGER, George F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
POHL, Ira. First results on the effect of error in heuristic search. In: MELTZER, Bernard; MICHIE, Donald (ed.). Machine Intelligence 5. Edimburgo: Edinburgh University Press, 1970. p. 219-236.
RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson, 2021.
SHAKEY the robot. In: WIKIPEDIA: the free encyclopedia. [São Francisco]: Wikimedia Foundation, 2026. Disponível em: https://en.wikipedia.org/wiki/Shakey_the_robot. Acesso em: 23 ago. 2026.

Busca cega

noreply@blogger.com (War) — Sun, 23 Aug 2026 18:00:28 -0300

Em 1959, um engenheiro da Bell Labs publicou um artigo sobre como atravessar labirintos e um holandês publicou três páginas de um algoritmo que tinha montado de cabeça, sem papel, na mesa de um café em Amsterdã. Nenhum dos dois estava tentando fundar a inteligência artificial. Ainda assim, entre esses dois textos nasceram dois dos quatro algoritmos de busca que qualquer curso de IA ensina até hoje. Este texto trata das buscas cegas — largura, profundidade, custo uniforme e aprofundamento iterativo — e da descoberta um pouco decepcionante que está no fundo delas: três delas são o mesmo algoritmo com um recipiente trocado, e a quarta é essa mesma ideia posta a repetir.

Fronteira 01

Dois artigos, um mesmo ano de publicação

Em abril de 1957, no Simpósio Internacional sobre a Teoria da Comutação, em Harvard, Edward F. Moore apresentou um trabalho com o título mais modesto possível: The shortest path through a maze — o caminho mais curto através de um labirinto (MOORE, 1959). O labirinto não era metáfora nenhuma. Moore contou depois de onde veio o problema: Claude Shannon, seu colega na Bell Labs, tinha construído uma máquina que resolvia labirintos, e numa demonstração um visitante perguntou por que ela não era capaz de achar sempre o caminho mais curto. Shannon e Moore saíram atrás de maneiras econômicas de fazer isso, cada um do seu jeito. Só meses depois alguém sugeriu que aquilo servia para redes de comunicação e de transporte (SCHRIJVER, 2012).

O algoritmo que ele descreveu cabe em uma frase. Dê ao ponto de partida o rótulo 0. Depois, para k = 0, 1, 2, …, dê o rótulo k+1 a todos os pontos ainda sem rótulo que sejam vizinhos de algum ponto com rótulo k. Quando o destino receber um rótulo, o número dele é a distância mínima. É a busca em largura. Ela não nasceu na inteligência artificial nem na engenharia de telefonia: nasceu de uma pergunta de plateia sobre um brinquedo.

O outro artigo de 1959 tinha nascido antes, e do outro lado do Atlântico. Em 1956, um jovem programador do Centro de Matemática de Amsterdã precisava de uma demonstração vistosa para a inauguração do computador ARMAC. Ele contou a história décadas depois, em entrevista (MISA, 2010, p. 42):

"Certa manhã eu estava fazendo compras em Amsterdã com minha jovem noiva e, cansados, sentamos no terraço de um café para tomar um café, e eu estava justamente pensando se conseguiria fazer aquilo, e então projetei o algoritmo do caminho mais curto. Como eu disse, foi uma invenção de vinte minutos."

Edsger W. Dijkstra, em entrevista a Philip L. Frana. Tradução do autor.

Dijkstra reduziu o mapa rodoviário dos Países Baixos a 64 cidades — porque 64 cabia em seis bits — e a demonstração funcionou. O artigo só saiu três anos depois, em 1959, com três páginas (DIJKSTRA, 1959). Ele gostava de dizer que o texto ficou bom justamente porque foi concebido sem papel e lápis: quem não pode anotar é obrigado a evitar toda complexidade evitável.

Os dois textos saíram em 1959, embora as ideias tenham nascido em momentos diferentes. Moore procurava o caminho com menos trechos. Dijkstra procurava o caminho mais barato. A diferença entre os dois problemas é exatamente a diferença entre dois dos algoritmos deste texto — e a semelhança entre os dois algoritmos é maior do que qualquer um dos dois teria previsto.

Fronteira 02

Um algoritmo só, quatro filas de espera

Em outra postagem tratamos da formulação de problemas: como se transforma um pedaço do mundo em estados, ações e custos. Suponha esse trabalho feito. Existe um estado inicial, existem ações que levam de um estado a outro, existe um teste que diz se chegamos. Falta percorrer.

Toda busca cega — "cega" porque nenhum destes quatro algoritmos faz a menor ideia de onde o objetivo está — segue o mesmo laço:

O laço comum às quatro

Coloque o estado inicial na fronteira.
Enquanto a fronteira não estiver vazia:
Retire um nó da fronteira.
Se ele passa no teste de objetivo, devolva o caminho.
Senão, gere os sucessores dele e coloque-os na fronteira.
Devolva "sem solução".

A fronteira é o conjunto dos nós já gerados mas ainda não expandidos — a borda entre o que a busca já conhece e o que ela ainda não olhou. E o laço acima tem um buraco proposital, no passo 3: qual nó retirar? Não há nada no problema que responda a isso. A resposta é uma decisão de engenharia, e é só ela que separa os quatro algoritmos (RUSSELL; NORVIG, 2021).

O laço é o mesmo nos quatro casos, e trocar o recipiente da fronteira já faz nascer outro algoritmo, com outras garantias e outro custo. O quarto é o único que pede algo a mais: alguém do lado de fora que reinicie a busca com o teto um degrau mais alto.

Fila — FIFOBusca em larguraSai o mais antigo. Como o mais antigo é sempre o mais raso, a busca varre o espaço nível por nível.

Pilha — LIFOBusca em profundidadeSai o mais recente. Como o mais recente é sempre o mais fundo, a busca mergulha até bater no fim.

Fila de prioridadeCusto uniformeSai o de menor custo acumulado. A busca se espalha em ondas de preço, não de distância.

Pilha + limiteAprofundamento iterativoProfundidade com teto, repetida com o teto subindo de um em um. Paga tempo para não pagar memória.

As buscas cegas são o mesmo algoritmo; o que muda é a disciplina da fronteira. A frase vale ao pé da letra para as três primeiras: troque o recipiente e pronto. O aprofundamento iterativo é o caso que estica a regra — ele mantém o mesmo laço por dentro, mas precisa de um envoltório que o chame de novo a cada limite e saiba distinguir "não achei porque bati no teto" de "não achei porque não existe". Quem for ler o pseudocódigo formal vai encontrar esses dois controles a mais (RUSSELL; NORVIG, 2021). Ainda assim, guardar a frase poupa metade do esforço de decorar as tabelas de complexidade que vêm a seguir — elas deixam de ser quatro listas soltas e viram consequências de uma escolha só.

Fronteira 03

Largura: a onda que não cabe na sala

A busca em largura expande primeiro o nó mais raso da fronteira. Visualmente, é uma onda circular saindo do ponto inicial: todos os vizinhos, depois todos os vizinhos dos vizinhos, e assim por diante. Ela tem duas propriedades excelentes e uma catastrófica.

As excelentes: é completa — se existe solução, ela acha (LUGER, 2013); e é ótima em número de passos, porque só chega ao nível d+1 depois de ter esgotado o nível d. Se todos os passos custam a mesma coisa, ótima em número de passos é o mesmo que ótima, ponto. Guarde essa condicional; ela reaparece daqui a duas seções.

A catastrófica é a memória. Para poder retomar depois, a busca precisa guardar a fronteira inteira — e a fronteira inteira de uma árvore de ramificação b na profundidade d tem b elevado a d nós. Não é uma lista grande. É uma lista impossível.

Tabela 1 — Memória exigida pela fronteira da busca em largura, por profundidade da solução, em árvore de ramificação 10

Profundidade da solução	Nós na fronteira	Memória	Cabe em quê
4	10 000	9,8 MiB	Qualquer celular
6	1 000 000	976,6 MiB	Um notebook comum
8	100 000 000	95,4 GiB	Um servidor caro
10	10 000 000 000	9,3 TiB	Um rack inteiro
12	1 000 000 000 000	931,3 TiB	Nada que você vá alugar
14	100 000 000 000 000	90,9 PiB	Um centro de dados

Fonte: elaborado pelo autor.Nota: contagem de nós igual a 10 elevado à profundidade; estimativa de 1 KiB por nó, praxe adotada em Russell e Norvig (2021). Unidades binárias: 1 MiB = 2²⁰ bytes; 1 GiB = 2³⁰; 1 TiB = 2⁴⁰; 1 PiB = 2⁵⁰.

A mesma árvore, duas ordens de visita. À esquerda, tudo o que a largura precisa guardar ao mesmo tempo. À direita, tudo o que a profundidade precisa guardar — que não é só o fio da descida, mas também, em cada nó dele, os irmãos ainda não tentados. Daí a memória ser b × m, e não apenas m.

Repare no que a tabela diz de fato. Se o computador consegue gerar um milhão de nós por segundo, a profundidade 10 leva umas três horas — irritante, mas viável. A memória para a mesma profundidade são 9,3 TiB. A busca em largura não fica sem tempo: ela fica sem memória, e fica muito antes. Esse detalhe move o resto da história.

Fronteira 04

Profundidade: o fio de Ariadne

A busca em profundidade expande sempre o nó mais recente da fronteira, e por isso mergulha por um ramo até não haver mais para onde ir. Só então volta ao último ponto onde havia alternativa e tenta a próxima. É o método que Teseu usou com o novelo de Ariadne, e que foi descrito formalmente pelo menos desde o século XIX, nos estudos de percurso de labirintos de Trémaux e Tarry (SCHRIJVER, 2012).

A economia é espetacular. Como a busca só precisa lembrar o caminho atual mais os irmãos ainda não tentados de cada nó desse caminho, a memória é b × m, onde m é a profundidade máxima — produto, não potência. Na árvore da Tabela 1, na profundidade 14, a largura pediria 90,9 PiB e a profundidade pede cerca de 140 nós. Cento e quarenta. A profundidade troca as duas garantias da largura por um consumo de memória que é apenas linear.

E as garantias vão embora inteiras:

Não é ótima. Ela devolve a primeira solução que encontrar, que pode estar a mil passos de distância enquanto outra, a dois, esperava no ramo vizinho.
Não é completa em espaços infinitos. Se um ramo não termina — e num problema com estados gerados sob demanda isso é comum — ela desce por ele para sempre.
Não é completa nem em espaços finitos, se a implementação não guardar os estados já visitados: um ciclo de três estados a prende indefinidamente. A versão que mantém esse conjunto — a busca em grafo, e não em árvore — é a que aparece nos livros de algoritmos (CORMEN et al., 2022), e custa memória de novo.

Há um detalhe que costuma escapar e que vale fixar: o resultado da busca em profundidade depende da ordem em que os sucessores foram listados. Trocar a ordem da lista de adjacência muda a resposta — e nenhuma das duas respostas é mais correta que a outra do ponto de vista do algoritmo. A busca em largura é menos frágil, mas não imune: a ordem dos sucessores pode mudar qual das rotas mínimas ela devolve, quando há mais de uma. O que ela garante, e a profundidade não, é que o número de passos será sempre o menor possível.

A versão domesticada chama-se busca em profundidade limitada: mergulhe, mas nunca além de um limite ℓ. Isso resolve o ramo infinito e cria um problema novo — se ℓ for menor que a profundidade da solução, a busca devolve "não achei" com toda a confiança do mundo. E quase nunca se sabe qual ℓ usar. Guarde essa pergunta em aberto; a Fronteira 06 vive dela.

Fronteira 05

Custo uniforme: quando o passo tem preço

Volte à condicional da Fronteira 03: a largura é ótima se todos os passos custarem a mesma coisa. Quase nunca custam. Uma via expressa e uma rua de terra são ambas "um passo" no grafo, e ninguém confunde as duas.

A busca de custo uniforme resolve isso trocando a fila comum por uma fila de prioridade ordenada pelo custo acumulado desde o início, o famoso g(n). Retira-se sempre o nó mais barato conhecido. A busca deixa de se espalhar em ondas de distância e passa a se espalhar em ondas de preço. É, em essência, o algoritmo de Dijkstra reescrito na linguagem de árvores de busca.

Menos trechos não é o mesmo que mais barato. Quando os custos deixam de ser iguais, os dois objetivos se separam — e só um deles é o que você queria.

O menor número de passos e o menor custo são objetivos diferentes, e confundi-los é o erro mais caro desta lista. Um voo direto pode custar o triplo de uma rota com duas conexões. Um caminho com poucas ruas pode levar por três quilômetros de congestionamento. A largura responde "menos passos" com perfeição; se a pergunta era outra, a perfeição não ajuda.

A armadilha que derruba gente em prova

Na busca em largura, pode-se testar o objetivo no momento em que o nó é gerado. Na busca de custo uniforme, isso está errado, e o erro é silencioso. É preciso testar o objetivo apenas quando o nó é retirado da fronteira para expansão.

O motivo: encontrar o objetivo não significa ter encontrado o caminho mais barato até ele. Pode existir, esperando na fronteira, um nó mais barato que ainda vai gerar uma rota melhor para o mesmo objetivo. Só quando o objetivo chega ao topo da fila de prioridade é que se sabe que nada mais barato restou. É por isso, aliás, que a busca de custo uniforme costuma expandir mais nós que a largura no mesmo grafo: ela precisa esgotar tudo o que é mais barato que a solução antes de poder declará-la ótima.

Duas outras condições fecham o quadro. A busca de custo uniforme é completa e ótima desde que nenhuma ação tenha custo negativo e que exista um custo mínimo ε maior que zero. Com custos zero encadeados, ela pode ficar presa girando de graça; com custos negativos, a lógica da fila de prioridade desmorona, porque um caminho já descartado poderia ficar barato mais adiante.

Fronteira 06

Aprofundamento iterativo: repetir para caber

Ficamos com um impasse. A largura tem as garantias e não cabe na memória. A profundidade cabe na memória e não tem garantia nenhuma. A profundidade limitada teria as duas, se soubéssemos o limite — e não sabemos.

A saída é de uma obviedade quase constrangedora: se não sabemos o limite, tente todos. Rode a busca em profundidade com limite 0. Não achou? Limite 1. Não achou? Limite 2. E assim por diante. É a busca em profundidade com aprofundamento iterativo.

Antes de ler o próximo parágrafo, responda de cabeça: refazendo do zero todos os níveis rasos a cada rodada, quanto trabalho a mais isso custa em relação a fazer a busca em largura uma vez só? Dobro? Dez vezes? Cem?

Em uma árvore de ramificação 10, custa 11% a mais.

A intuição erra porque conta rodadas, e o que importa é o tamanho delas. Numa árvore com ramificação b, o último nível sozinho tem quase tantos nós quanto todos os anteriores somados. Refazer os níveis rasos é refazer a parte barata. Richard Korf demonstrou o caso geral em 1985, para buscas em árvore cujo número de nós cresce exponencialmente com a profundidade: a sobrecarga tende a b/(b−1), e o aprofundamento iterativo é assintoticamente ótimo em tempo, espaço e comprimento da solução entre todas as buscas em árvore sem informação de domínio (KORF, 1985).

Tabela 2 — Nós gerados pelo aprofundamento iterativo e pela busca em largura, com objetivo na profundidade 5, por fator de ramificação

Ramificação b	Largura	Aprofundamento iterativo	Sobrecarga	b/(b−1)
2	62	114	1,84	2,00
3	363	537	1,48	1,50
5	3 905	4 875	1,25	1,25
10	111 110	123 450	1,11	1,11
20	3 368 420	3 545 700	1,05	1,05
35	54 066 635	55 656 825	1,03	1,03

Fonte: elaborado pelo autor; a razão-limite b/(b−1) é o coeficiente demonstrado em Korf (1985).Nota: contagem de nós gerados até a profundidade 5, exclusive a raiz; no aprofundamento iterativo, o nível j é gerado 5−j+1 vezes. Cálculo do autor, conferido por enumeração.

As árvores da esquerda são esquemáticas e servem só para mostrar que cada rodada refaz a anterior e acrescenta uma camada. As barras da direita e os 11% são de outra escala: a de uma árvore de ramificação 10, em que o último nível sozinho concentra quase todo o volume.

Numa árvore de ramificação 10, refazer os níveis rasos custa 11% a mais, não o dobro — e, em troca desses 11%, o algoritmo passa a guardar b × d nós em vez de b elevado a d. Na profundidade 14 da Tabela 1, é a diferença entre 90,9 PiB e cerca de 140 KiB. É por isso que o aprofundamento iterativo é o padrão de fato quando o espaço é grande, os custos são uniformes e não há heurística disponível.

O bônus que ninguém tinha planejado

Há um efeito colateral que transformou a técnica em obrigatória no xadrez computacional. O primeiro uso documentado é do programa Chess 4.5, da Universidade Northwestern, apresentado por David Slate e Larry Atkin em 1977 (SLATE; ATKIN, 1977). Eles não estavam economizando memória: estavam usando o resultado da rodada rasa para ordenar os lances da rodada seguinte. Com a poda alfa-beta, examinar primeiro o lance que já se mostrou bom corta ramos inteiros da árvore. O resultado é contraintuitivo até para quem já aceitou os 11%: buscar até a profundidade 8 passando por todas as profundidades anteriores costuma ser mais rápido do que ir direto à profundidade 8.

Há ainda uma terceira virtude, e ela é própria do xadrez — não do aprofundamento iterativo em geral. Num jogo, cada rodada termina com um lance escolhido, porque existe uma função que avalia posições e ordena as opções; o programa pode então ser interrompido pelo relógio e ainda assim jogar o melhor lance encontrado até ali. Quem já jogou contra um computador se beneficiou disso sem saber. Na busca por um caminho é diferente: as rodadas anteriores à profundidade da solução não devolvem solução nenhuma — devolvem "não achei até aqui". Interromper antes da hora, nesse caso, não entrega meia resposta: não entrega resposta.

Fronteira 07

As quatro no mesmo grafo

Descrições lado a lado convencem pouco. Abaixo, a mesma rede — oito aeroportos, doze trechos, tarifas fictícias em reais — percorrida pelos quatro algoritmos. O objetivo é sempre sair de Brasília e chegar a Salvador. Clique em uma estratégia e depois avance passo a passo, ou peça para rodar até o fim.

O painel conta nós visitados, e não nós expandidos, de propósito. A conta inclui o próprio destino, que é reconhecido no momento em que sai da fronteira e por isso nunca chega a gerar sucessores, e inclui, no aprofundamento iterativo, as visitas que morrem no teto de cada rodada sem gerar nada. São grandezas vizinhas, mas não idênticas — e misturá-las é o jeito mais fácil de comparar duas buscas de forma injusta.

Nas quatro estratégias, os vizinhos de um aeroporto são gerados em ordem alfabética do código — convenção arbitrária, adotada só para que o exemplo seja reproduzível. O que muda de uma estratégia para outra não é a ordem em que os nós entram na fronteira: é a ordem em que saem dela.

Busca em largura · fronteira em fila (FIFO)

Sai sempre o nó que entrou há mais tempo — e o mais antigo é sempre o mais raso. Clique em Próximo passo para expandir o primeiro aeroporto.

Fronteira BSB

nós visitados 0

Vale rodar as quatro antes de seguir. O que aparece é o resumo desta postagem inteira: a largura acha a rota com menos conexões, e essa rota custa quase o dobro da mais barata; a profundidade sai andando e aceita a primeira coisa que encontra; o custo uniforme acha a rota mais barata e, para poder garantir isso, precisa expandir a rede quase toda; o aprofundamento iterativo chega à mesma rota da largura sem nunca guardar mais que um punhado de nós.

Estar na fronteira não é ter chegado

Rode a busca em profundidade e pare no segundo passo. A pilha já mostra SSA — Salvador, o destino. E a busca continua andando por mais seis passos, cada vez para mais longe. Se o destino já foi encontrado, por que ninguém parou?

Porque ele não foi encontrado. Estar na fronteira é ter sido gerado, não ter sido testado. Um nó na fronteira é só uma promessa anotada — "de onde eu estava, dá para ir até aqui" — e a busca não olha para o conteúdo dessa promessa enquanto ela está na fila. O teste de objetivo só acontece no instante em que o nó é retirado. Até lá, Salvador é um papelzinho no meio de outros papelzinhos, indistinguível dos demais.

E quem decide a ordem da retirada é o recipiente, que não tem opinião sobre qual nó é importante. Na pilha, sai o último que entrou. Salvador entrou quando Belo Horizonte foi expandido, mas Goiânia entrou logo depois — então Goiânia sai primeiro, e leva a busca para um mergulho por cinco aeroportos — Goiânia, Vitória, Ilhéus, Palmas e Aracaju — antes que alguém volte a olhar para o papelzinho de Salvador. A busca cega não ignora o destino por teimosia: ela não tem como saber que aquele nó vale mais que os outros.

O mesmo acontece nas outras três, em graus diferentes. Na largura, Salvador espera dois passos na fila enquanto Goiânia e Palmas são atendidas por ordem de chegada. No custo uniforme, espera muito mais: entra na fronteira valendo R$ 1.500, pela rota que passa por Goiânia e Belo Horizonte, e fica lá sendo ultrapassado por todo nó mais barato, até reaparecer valendo R$ 1.050 por Palmas e Ilhéus. E essa espera não é um defeito — é ela que compra a otimalidade. Se o custo uniforme testasse o objetivo na hora de gerar, teria devolvido essa rota de R$ 1.500 e ido embora satisfeito, sem nunca descobrir a de R$ 1.050.

Guarde essa cena, porque ela é exatamente o que uma busca informada resolve. Para um algoritmo que tenha uma estimativa do quanto falta até o destino, Salvador não é um papelzinho qualquer: é o único nó do problema cuja estimativa vale zero. Ele vai para o topo da fila no instante em que é gerado. A diferença entre olhar seis aeroportos à toa e ir direto ao ponto não está no laço, nem no recipiente — está em ter, ou não ter, um palpite sobre a distância que falta.

Quadro 1 — Comportamento dos quatro algoritmos de busca cega na rede de exemplo, 2026

Algoritmo	Rota devolvida	Voos	Tarifa (R$)	Nós visitados
Largura	BSB–CNF–SSA	2	1 900	5
Profundidade	BSB–CNF–GYN–VIX–IOS–PMW–AJU–SSA	7	3 550	8
Custo uniforme	BSB–PMW–IOS–SSA	3	1 050	8
Aprofundamento iterativo	BSB–CNF–SSA	2	1 900	9

Fonte: elaborado pelo autor a partir da rede fictícia do simulador desta postagem.Nota: sucessores sempre visitados em ordem alfabética do código do aeroporto. No aprofundamento iterativo, "nós visitados" soma as três rodadas (limites 0, 1 e 2), com 1, 4 e 4 visitas respectivamente. A rede admite doze rotas sem repetição de aeroporto; a mais barata é BSB–PMW–IOS–SSA, a R$ 1 050, e a de menos voos é BSB–CNF–SSA, a R$ 1 900.

A segunda linha do quadro merece atenção. Entre as doze rotas possíveis nessa rede, a busca em profundidade encontrou exatamente a mais cara — sete voos e R$ 3 550, mais que o triplo da tarifa ótima. Não foi azar estatístico: foi a consequência direta de ela aceitar o primeiro caminho completo que apareceu, e o primeiro caminho a aparecer depende só da ordem em que os aeroportos foram listados. Reordene a lista de adjacência e o mesmo algoritmo devolve outra rota, com a mesma convicção.

Repare também que a profundidade visitou oito nós — tantos quanto o custo uniforme, que devolveu a resposta ótima. O apelo da busca em profundidade nunca foi velocidade: é memória. Nesta rede de oito aeroportos ninguém precisa economizar memória, e por isso ela aparece aqui só com as desvantagens à mostra. É na Tabela 1, lá na profundidade 14, que ela cobra a fatura a seu favor.

Quadro 2 — Propriedades formais dos quatro algoritmos de busca cega

Critério	Largura	Profundidade	Custo uniforme	Aprofundamento iterativo
Completa?	Sim, se b é finito	Não	Sim, se todo custo ≥ ε > 0	Sim, se b é finito
Ótima?	Só com custos iguais	Não	Sim	Só com custos iguais
Tempo	O(b^d)	O(b^m)	O(b^{1+⌊C*/ε⌋})	O(b^d)
Memória	O(b^d)	O(b m)	O(b^{1+⌊C*/ε⌋})	O(b d)
Fronteira	Fila (FIFO)	Pilha (LIFO)	Fila de prioridade por g(n)	Pilha com limite crescente

Fonte: elaborado pelo autor com base em Russell e Norvig (2021), Luger (2013) e Korf (1985).Nota: b é o fator de ramificação; d, a profundidade da solução mais rasa; m, a profundidade máxima da árvore; C*, o custo da solução ótima; ε, o menor custo de ação. Quadro de natureza qualitativa.

Aplicação prática

Escolha o algoritmo em seis perguntas

Marque os itens conforme conseguir responder a cada um sobre um problema da sua própria área. As três primeiras perguntas quase sempre decidem sozinhas.

Sei se as ações do meu problema custam a mesma coisa. Se não custam, a largura está fora e sobra o custo uniforme. Estimei b e d e calculei b elevado a d. Sei dizer se a fronteira cabe na memória da máquina que vou usar. Decidi se preciso da solução ótima ou se qualquer solução válida resolve o meu problema. Verifiquei se o espaço de estados tem ciclos ou ramos infinitos — e, se tiver, se vou manter uma lista de estados já visitados. Sei se existe um prazo para a resposta — e, se existe, se o meu domínio tem como avaliar uma resposta parcial. Só nesse caso interromper o aprofundamento iterativo no meio entrega algo utilizável. Conferi se tenho alguma estimativa de distância até o objetivo. Se tenho, nenhum destes quatro é a melhor escolha — o assunto passa a ser busca informada.

0 de 6 — comece pelos custos.

Para o dia a dia, um resumo grosseiro que raramente falha: custos diferentes pedem custo uniforme; custos iguais e espaço pequeno pedem largura; custos iguais e espaço grande pedem aprofundamento iterativo; e a busca em profundidade pura serve quando qualquer solução basta, ou como peça interna de outro algoritmo.

Fronteira vazia

O que sobra quando a fronteira esvazia

Moore queria completar ligações telefônicas. Dijkstra queria uma demonstração bonita para uma máquina nova. Korf queria caber na memória de 1985. Slate e Atkin queriam ganhar torneios de xadrez. Nenhum deles estava escrevendo um capítulo de livro-texto de inteligência artificial, e os quatro escreveram.

O que os une é o desconforto com o mesmo buraco: retire um nó da fronteira — qual? A largura respondeu "o mais antigo", a profundidade respondeu "o mais novo", o custo uniforme respondeu "o mais barato", o aprofundamento iterativo respondeu "o mais novo, mas com um teto que vai subindo". Quatro respostas, quatro algoritmos, uma linha de diferença.

Há uma quinta resposta, e ela abre o próximo capítulo do assunto: "o que parece estar mais perto do objetivo". Para dá-la, é preciso alguma coisa que nenhum dos quatro tem — conhecimento sobre o domínio, na forma de uma estimativa. É onde as buscas cegas terminam e as informadas começam, com o A* à frente. Mas convém lembrar da postagem anterior: nenhuma delas salva uma formulação ruim. Um algoritmo melhor apenas fracassa mais rápido.

Pense em uma decisão repetitiva do seu trabalho que hoje é tomada "no olho". Se você tivesse que automatizá-la, ela pediria a resposta com menos passos ou a de menor custo — e você conseguiria dizer, com números, qual é o custo de cada passo?

Nota do autor: os valores da Tabela 1 supõem 1 KiB por nó, estimativa de praxe em Russell e Norvig (2021), e usam unidades binárias; a contagem é da fronteira no nível d, não do total de nós gerados. Os valores da Tabela 2 são cálculo exato do autor sobre a contagem de nós gerados até a profundidade 5, conferidos por enumeração; a razão-limite b/(b−1) é o coeficiente demonstrado por Korf (1985), do qual as razões da tabela se aproximam por baixo em profundidade finita. No simulador e no Quadro 1, o teste de objetivo é aplicado no momento da retirada do nó da fronteira para as quatro estratégias; a formulação corrente da busca em largura permite testar já na geração, o que pouparia uma expansão, mas a escolha uniforme aqui mantém as quatro comparáveis e é a única correta para o custo uniforme, conforme discutido na Fronteira 05. A coluna "nós visitados" do Quadro 1 conta nós retirados da fronteira nas três primeiras estratégias e nós alcançados pela recursão no aprofundamento iterativo, somados nas três rodadas — não são grandezas idênticas, e a comparação entre elas serve apenas de ordem de grandeza. As quatro execuções foram conferidas por implementação independente em Python antes da redação. A rede de aeroportos e as tarifas são fictícias e servem apenas para separar o critério "menos conexões" do critério "menor tarifa"; não representam malha aérea nem preços reais. Sobre autoria: o algoritmo A de Moore (1959) é a busca em largura no sentido moderno, mas Moore não usou esse nome, e trabalhos independentes de Konrad Zuse (1945) e Chien Yi Lee (1961) chegaram ao mesmo procedimento; a busca de custo uniforme é a formulação do algoritmo de Dijkstra (1959) em árvore de busca, não uma reprodução literal do artigo dele; e a busca em profundidade não tem inventor único, remontando aos estudos de percurso de labirintos do século XIX (SCHRIJVER, 2012). A quarta edição de Russell e Norvig não tem tradução brasileira publicada até a data deste texto; a terminologia em português segue o uso corrente em Luger (2013). Sobre a origem da busca em largura: o problema chegou a Moore pela máquina de resolver labirintos de Claude Shannon, e a aplicação a redes de comunicação e transporte só foi sugerida meses depois, conforme o relato do próprio Moore reproduzido por Schrijver (2012, p. 162-163); uma versão anterior deste texto invertia essa ordem e apresentava o roteamento telefônico como motivação original. A cronologia de Dijkstra também foi corrigida: o algoritmo é de 1956, ano da inauguração do ARMAC, e não posterior à apresentação de Moore em 1957; as três páginas saíram em 1959. As quatro ilustrações desta postagem foram geradas pelo autor com auxílio de inteligência artificial (modelo Gemini 3 Pro Image), a partir de descrições próprias, e conferidas uma a uma antes da publicação; os números que aparecem dentro delas são os mesmos apurados no texto.

Referências

CORMEN, Thomas H. et al. Introduction to algorithms. 4. ed. Cambridge: MIT Press, 2022.
DIJKSTRA, Edsger Wybe. A note on two problems in connexion with graphs. Numerische Mathematik, Berlim, v. 1, n. 1, p. 269-271, dez. 1959. Disponível em: https://link.springer.com/article/10.1007/BF01386390. Acesso em: 23 ago. 2026.
KORF, Richard E. Depth-first iterative-deepening: an optimal admissible tree search. Artificial Intelligence, Amsterdã, v. 27, n. 1, p. 97-109, set. 1985. Disponível em: https://www.cse.sc.edu/~mgv/csce580f09/gradPres/korf_IDAStar_1985.pdf. Acesso em: 23 ago. 2026.
LUGER, George F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
MISA, Thomas J. (ed.). An interview with Edsger W. Dijkstra. Communications of the ACM, Nova York, v. 53, n. 8, p. 41-47, ago. 2010. Entrevista concedida a Philip L. Frana. Disponível em: https://cacm.acm.org/opinion/an-interview-with-edsger-w-dijkstra/. Acesso em: 23 ago. 2026.
MOORE, Edward Forrest. The shortest path through a maze. In: INTERNATIONAL SYMPOSIUM ON THE THEORY OF SWITCHING, 1957, Cambridge. Proceedings: part II. Cambridge: Harvard University Press, 1959. p. 285-292. (The Annals of the Computation Laboratory of Harvard University, v. 30).
RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson, 2021.
SCHRIJVER, Alexander. On the history of the shortest path problem. Documenta Mathematica, Bielefeld, Extra Volume ISMP, p. 155-167, 2012. Disponível em: https://ems.press/content/book-chapter-files/27360. Acesso em: 23 ago. 2026.
SLATE, David J.; ATKIN, Lawrence R. CHESS 4.5: the Northwestern University chess program. In: FREY, Peter W. (ed.). Chess skill in man and machine. Nova York: Springer-Verlag, 1977. p. 82-118.

Formulação de Problemas e Espaço de Estados

noreply@blogger.com (War) — Sat, 22 Aug 2026 22:51:07 -0300

Um monge do século VIII escreveu um enigma sobre um lobo, uma cabra e um repolho. Doze séculos depois, o mesmo enigma virou o exemplo canônico de uma das ideias mais silenciosamente poderosas da inteligência artificial: a de que todo problema pode ser descrito como um punhado de estados e um punhado de transições entre eles. Antes de qualquer algoritmo de busca, vem a etapa que decide se o algoritmo terá alguma chance — a formulação. Este texto trata de um dos temas da disciplina de Fundamentos de IA: o que acontece antes da primeira linha de código — como se transforma um pedaço do mundo em espaço de estados, o que se ganha nessa tradução e, principalmente, o que se joga fora nela.

Estado 01

Um problema com mil e duzentos anos

Diante de um rio, um barqueiro tem um lobo, uma cabra e um pé de repolho. O bote leva o barqueiro e mais um passageiro por vez. Se o lobo ficar sozinho com a cabra, a cabra vira jantar. Se a cabra ficar sozinha com o repolho, o repolho vira jantar. Como levar os três para a outra margem?

O enigma aparece nas Propositiones ad acuendos juvenes — "proposições para aguçar os jovens" —, coletânea de 53 problemas atribuída a Alcuíno de York, monge e conselheiro de Carlos Magno, compilada por volta do ano 800. É o problema de número 18, De lupo et capra et fasciculo cauli (HADLEY; SINGMASTER, 1992). Alcuíno o usava para treinar o raciocínio de jovens monges. Doze séculos depois, ele abre praticamente todo curso de inteligência artificial do planeta — e não por nostalgia.

O mesmo problema em duas linguagens: a do mundo, em cima; a da máquina, embaixo. A segunda não é mais "verdadeira" que a primeira — é apenas manipulável por um algoritmo.

A razão da sobrevivência é o que Alcuíno não tinha: um vocabulário formal para descrevê-lo. Em 1959, Allen Newell, John Clifford Shaw e Herbert Simon apresentaram o General Problem Solver com uma aposta ambiciosa — se qualquer problema pudesse ser descrito como um conjunto de estados e de operadores que levam de um estado a outro, então um único programa, genérico, poderia atacar todos eles (NEWELL; SHAW; SIMON, 1959). A aposta se mostrou grande demais para o GPS, mas o vocabulário ficou. E é dele que estamos falando: formular o problema é metade de resolvê-lo.

Estado 02

Os cinco componentes de um problema

Quando um agente de IA "resolve um problema", ele não está lidando com um rio, com peças de madeira ou com o trânsito de Brasília. Está lidando com uma estrutura de cinco partes (RUSSELL; NORVIG, 2021). Tudo o que se faz depois depende de acertar essas cinco:

Os cinco componentes de uma formulação. Faltando qualquer um deles, não existe problema — existe só uma reclamação.

1Estado inicialOnde o agente começa. No enigma: todos na margem esquerda.

2AçõesO que é possível fazer em cada estado. Atravessar sozinho, ou com o lobo, ou com a cabra, ou com o repolho.

3Modelo de transiçãoQual estado resulta de executar uma ação. É o que descreve as regras do mundo.

4Teste de objetivoUma função que responde sim ou não: cheguei? Nem sempre há um único estado-alvo.

5CustoQuanto vale cada ação. É o que separa "uma solução" de "a melhor solução".

Repare no que está fora da lista. Não há nada sobre como encontrar a resposta. A formulação descreve o terreno; o algoritmo de busca é quem caminha por ele. São duas decisões independentes — e a primeira costuma pesar mais que a segunda.

Quadro 1 — Os cinco componentes aplicados a três problemas de busca, 2026

Componente	Travessia do rio	Quebra-cabeça de 8 peças	Rota urbana
Estado inicial	Barqueiro, lobo, cabra e repolho na margem esquerda	Uma configuração embaralhada das peças	O cruzamento onde o veículo está
Ações	Atravessar sozinho ou com um dos três	Deslizar uma peça vizinha para o vazio	Seguir por uma das vias que saem do cruzamento
Modelo de transição	Troca de margem do barqueiro e da carga	Nova configuração da grade 3 × 3	O cruzamento na outra ponta da via
Teste de objetivo	Os quatro na margem direita	Peças em ordem, com o vazio no canto	Chegar ao endereço de destino
Custo	Uma unidade por travessia	Uma unidade por movimento	Tempo, distância ou consumo

Fonte: elaborado pelo autor com base em Russell e Norvig (2021) e Luger (2013).Nota: quadro comparativo de natureza qualitativa; não se trata de dados estatísticos.

Estado 03

Dez estados, sete travessias

Descrever o enigma de Alcuíno com os cinco componentes tem uma consequência imediata e um pouco brutal: o problema encolhe. Cada personagem está em uma de duas margens, o que dá 2⁴ = 16 configurações possíveis. Seis delas são proibidas pelas regras — são aquelas em que alguém almoça alguém. Sobram dez estados, e é dentro desses dez que a resposta inteira mora.

Explore o espaço de estados

Clique em qualquer estado do grafo abaixo para ver quem está em cada margem. As linhas são as travessias possíveis — e, por serem reversíveis, valem nos dois sentidos.

Clique em um estado

Os números não são a ordem da solução: são apenas rótulos. O caminho é você — ou o algoritmo — quem descobre.

São dez estados e dez travessias possíveis entre eles. A solução mínima tem sete travessias, e existem exatamente duas — simétricas entre si, dependendo de o barqueiro levar o lobo ou o repolho na terceira viagem. Nenhum ser humano precisa de um computador para resolver isso. O ponto é outro: uma vez formulado assim, o problema deixou de exigir esperteza e passou a exigir apenas percorrer um grafo — e percorrer grafos é exatamente aquilo que máquinas fazem melhor que nós.

Estado 04

Anatomia de um espaço de estados

Vale fixar o vocabulário, porque ele reaparece em tudo o que se faz com busca — do algoritmo mais simples até o A* e as heurísticas admissíveis.

O espaço de estados é um grafo. O algoritmo de busca constrói, sobre ele, uma árvore de caminhos explorados.

O espaço de estados é o conjunto de todos os estados alcançáveis a partir do estado inicial, com as ações ligando uns aos outros. Um caminho é uma sequência de estados conectados por ações; uma solução é um caminho que termina em um estado que passa no teste de objetivo; e uma solução ótima é a de menor custo entre todas as soluções (LUGER, 2013).

Duas distinções costumam derrubar gente em prova. A primeira: estado não é o mesmo que nó. O estado é uma configuração do mundo; o nó é uma entrada na estrutura de dados do algoritmo, que carrega o estado mais a contabilidade da busca — quem foi o pai, qual ação me trouxe aqui, qual o custo acumulado. Dois nós diferentes podem guardar o mesmo estado, alcançado por caminhos distintos.

A segunda: o espaço de estados é um grafo, mas a busca constrói uma árvore sobre ele. E, o mais importante, o espaço de estados quase nunca é desenhado: ele é gerado sob demanda. Ninguém guarda na memória todas as posições possíveis de um tabuleiro de xadrez. O programa guarda o estado atual e sabe como produzir os vizinhos quando precisar. O grafo existe implicitamente, definido pelas regras — não explicitamente, em uma tabela.

Estado 05

Abstrair é escolher o que ignorar

Aqui mora a parte que nenhum livro consegue transformar em receita. Formular um problema é decidir o que não entra na descrição.

A abstração é um funil: entra o mundo com todos os seus detalhes, sai um grafo pequeno o suficiente para ser percorrido.

Pense em um aplicativo de rotas. O estado poderia incluir a posição exata do carro em centímetros, a marcha engatada, o nível do tanque, a chuva, o humor do motorista, a marca do pneu. Nada disso é falso. Tudo isso é irrelevante para a pergunta "por onde eu vou". A formulação útil reduz o estado a um cruzamento e as ações a "seguir por uma via" — e o mapa da cidade inteira cabe em um grafo com algumas dezenas de milhares de nós.

Existe um critério para saber se a abstração é legítima: ela precisa ser válida, no sentido de que todo caminho encontrado no mundo abstrato possa ser expandido em uma sequência de ações executáveis no mundo real (RUSSELL; NORVIG, 2021). Se o grafo diz "vire à esquerda na próxima" e a rua é mão única no outro sentido, a abstração jogou fora algo que não podia. Abstrair é escolher o que ignorar — e escolher errado não gera um erro de sintaxe, gera uma resposta confiante e inútil.

Um exercício honesto para levar à sala: peça que cada equipe formule um problema da própria área nos cinco componentes. A dificuldade quase nunca está nas ações. Está no teste de objetivo — "quando exatamente esse problema está resolvido?" é uma pergunta que muita gente descobre não saber responder.

Estado 06

Metade do universo é inatingível

Outro problema clássico da área é o quebra-cabeça de 8 peças: uma grade 3 × 3 com peças numeradas de 1 a 8 e um espaço vazio; move-se uma peça vizinha para o vazio, até que tudo fique em ordem.

Uma grade com nove posições e nove conteúdos distintos admite 9! = 362.880 arranjos. Só que — e este é um dos fatos mais elegantes de toda a área — a partir de qualquer configuração dada, apenas metade deles é alcançável. São 9!/2 = 181.440 configurações resolvíveis (REINEFELD, 1993). As outras 181.440 formam um universo paralelo: perfeitamente desenháveis no papel, e a distância infinita de qualquer sequência de movimentos.

O espaço de estados do jogo de 8 peças é desconexo: duas metades do mesmo tamanho, sem nenhuma aresta entre elas.

De onde sai o 362.880

Vale desmontar esse número antes de seguir, porque ele é mais simples do que parece. Imagine montar o tabuleiro do zero, casa por casa. Na primeira casa você pode pôr qualquer uma das nove peças — contando o espaço vazio como se fosse uma delas. Escolhida essa, restam oito candidatas para a segunda casa; depois sete para a terceira, seis para a quarta, e assim por diante, até sobrar uma única peça para a última casa. O total de tabuleiros diferentes é o produto de todas essas escolhas: 9 × 8 × 7 × 6 × 5 × 4 × 3 × 2 × 1 = 362.880. Matemáticos abreviam essa multiplicação como 9! e leem "nove fatorial".

Uma aposta desonesta

Agora a parte estranha. Pegue um tabuleiro resolvido e troque de lugar apenas duas peças, a 7 e a 8. Devolva a ele. À vista, falta um passo para o fim. E eu faço uma aposta desonesta: você pode passar o resto da vida deslizando peças e não vai resolver.

Não é difícil. É impossível. E a prova cabe em três minutos, sem uma única fórmula.

Antes do tabuleiro, três xícaras

Comece por um brinquedo menor. Três xícaras sobre a mesa, todas viradas para baixo. Sua missão é deixar as três viradas para cima. A regra é uma só: você vira exatamente duas por vez.

Tente. Sério — leva vinte segundos, e o resto deste texto depende de você ter tentado.

Não sai. E não é falta de jeito. Conte quantas estão viradas para baixo: três. Virar duas muda esse número em −2, 0 ou +2. Três é ímpar, e somar ou subtrair números pares mantém um total ímpar para sempre. O alvo, zero, é par. Nenhuma sequência de jogadas atravessa essa fronteira.

Três, um, três, um. O contador nunca visita um número par — e o alvo é par.

Isso tem nome. Uma invariante é uma grandeza que as regras do jogo não conseguem mexer. Quando existe uma, ela não deixa o problema difícil: ela parte o mundo em duas metades que não se falam. O tabuleiro de 8 peças esconde uma dessas. Vamos achá-la.

A virada de chave: deslizar é trocar

Repare no que uma jogada de fato faz. Você empurra a peça 5 para o buraco ao lado. Existe outra descrição da mesmíssima coisa: você trocou o conteúdo de duas casas vizinhas — uma tinha o 5, a outra não tinha nada.

Deslizar é trocar. O jogo inteiro passa a ser: arrume o tabuleiro usando só trocas, com a regra de que uma das duas casas trocadas é sempre o buraco. Essa mudança de vocabulário é tudo. Ela converte um problema de geometria — o que encosta em quê — num problema de contagem.

Primeiro fato: toda bagunça nasce com uma etiqueta

Esqueça o buraco por um instante e faça uma pergunta mais folgada: quantas trocas livres — pegar duas peças quaisquer e permutar — bastam para arrumar um tabuleiro?

Parece depender do jeito de cada um. Não depende. Desenhe uma seta de cada peça até a cadeira onde ela deveria estar. As setas nunca se perdem no caminho: elas se fecham em laços. Um laço de 2 peças custa 1 troca. Um laço de 3 peças custa 2. Um laço de L peças custa L − 1 — cada troca senta uma peça no lugar definitivo e encurta o laço em um.

O desenho dos laços não é escolha do jogador: é uma propriedade do tabuleiro. E é ele que dita a conta.

Não há liberdade aqui — o número mínimo de trocas está escrito nos laços. E se você quiser enrolar, fazendo trocas inúteis, cada bobagem terá de ser desfeita depois, o que custa mais uma. As trocas desperdiçadas vêm sempre de duas em duas.

Conclusão: o total pode variar, mas par continua par e ímpar continua ímpar. Todo tabuleiro carrega essa etiqueta de nascença, e nenhuma esperteza a arranca.

Segundo fato: o buraco anda num tabuleiro de xadrez

Agora o buraco. Pinte as nove casas como um tabuleiro de xadrez. A cada jogada o buraco anda uma casa — e casa vizinha é sempre da cor oposta. Escuro, claro, escuro, claro.

Para o quebra-cabeça estar resolvido, o buraco precisa terminar exatamente onde começou. Mesma casa, mesma cor. E só se volta à cor de partida depois de um número par de passos. Ou seja: toda solução tem um número par de jogadas.

Não importa o caminho, nem se ele passeia pelo tabuleiro inteiro: voltar para casa custa um número par de passos.

A colisão

Agora junte os dois fatos e a resposta cai sozinha.

Cada jogada é uma troca. Toda solução tem um número par de jogadas. Logo, toda solução usa um número par de trocas. E o tabuleiro resolvido custa zero trocas — zero é par.

Então só existe caminho até o fim para as bagunças de etiqueta par. As de etiqueta ímpar ficam do outro lado, e nenhuma jogada atravessa uma fronteira de paridade — exatamente como as três xícaras. Metade das bagunças é par, metade é ímpar: são as duas ilhas de 181.440.

De volta à aposta

Volte agora ao tabuleiro do começo. Trocar o 7 com o 8 é, literalmente, uma troca. Uma é ímpar. Com um único gesto você pegou um tabuleiro da metade par e o empurrou para a metade ímpar, de onde nenhuma sequência de jogadas traz de volta.

Não falta um passo. Falta um universo.

Uma troca só. É tudo o que separa um quebra-cabeça de um beco sem saída.

A ponte para quem for adiante

Na literatura técnica você vai encontrar essa mesma história contada de outro jeito: lê-se o tabuleiro como um texto, contam-se os pares de números que aparecem fora de ordem — as inversões — e verifica-se se o total é par ou ímpar. É a mesma etiqueta, calculada por outro caminho: o número de inversões e o número de trocas têm sempre a mesma paridade. Quem prefere a conta, tem a conta; quem prefere o desenho, tem os laços.

O nome formal do que encontramos é invariante de paridade, e o resultado foi demonstrado por William Woolsey Johnson e William Edward Story em 1879, para o irmão mais velho do problema — o quebra-cabeça de 15 peças, em grade 4 × 4, que fazia furor à época (JOHNSON; STORY, 1879). Naquela grade a regra fica um pouco mais elaborada, porque a largura par muda o passeio do buraco; a ideia, porém, é exatamente a mesma — e a moral também.

Guarde a lição, porque ela vale muito além de brinquedos de madeira: a formulação não decide só o quanto o problema é difícil — decide o que é possível. Um algoritmo de busca perfeito, rodando em um computador infinito, jamais encontrará solução para uma instância do outro lado do abismo. Não é falha do algoritmo. É a estrutura do espaço.

Já do lado alcançável, o quebra-cabeça de 8 peças é pequeno o bastante para ter sido resolvido por completo. A solução ótima mais longa que existe tem 31 movimentos, e a média sobre todas as configurações resolvíveis é de 21,97 movimentos (REINEFELD, 1993).

Estado 07

A conta que assombra qualquer busca

Se o de 8 peças é dócil, seus irmãos não são. Basta aumentar a grade para que a mesma fórmula, n!/2, produza números que deixam de ter significado intuitivo.

Tabela 1 — Configurações alcançáveis em quebra-cabeças de peças deslizantes, segundo o tamanho da grade

Quebra-cabeça	Grade	Arranjos possíveis (n!)	Configurações alcançáveis (n!/2)
8 peças	3 × 3	362 880	181 440
15 peças	4 × 4	2,09 × 10¹³	1,05 × 10¹³
24 peças	5 × 5	1,55 × 10²⁵	7,76 × 10²⁴

Fonte: elaborado pelo autor; valores do quebra-cabeça de 8 peças conferidos em Reinefeld (1993).Nota: n é o número de posições da grade, incluindo o espaço vazio. Valores das grades 4 × 4 e 5 × 5 calculados pelo autor a partir de n!/2 e arredondados para três algarismos significativos.

O nome disso é explosão combinatória, e ela tem uma forma canônica: se cada estado gera b sucessores em média e a solução está a d passos de distância, o número de estados a considerar cresce como b elevado a d. Aumentar a profundidade em um único nível não soma trabalho — multiplica.

Com ramificação 3, o décimo nível já tem 59.049 nós. Com ramificação 30 — a média do xadrez —, o quarto nível passa de 800 mil.

A explosão combinatória não é um detalhe de implementação: é o adversário. Outros conceitos que trataremos em outra postagem no futuro, como largura, profundidade, custo uniforme, aprofundamento iterativo e as buscas informadas, na verdade constituem um repertório de respostas a ela. As buscas cegas atacam o problema organizando a ordem em que os estados são visitados. As informadas atacam usando conhecimento sobre o domínio para não visitar a maioria deles. Mas nenhuma delas salva uma formulação ruim: se o espaço de estados foi mal desenhado, o melhor algoritmo do mundo apenas fracassa mais rápido.

Aplicação prática

Formule um problema em seis passos

Marque os itens conforme conseguir responder a cada um sobre um problema da sua própria área — logística, saúde, educação, engenharia, direito, o que for.

Descrevi o estado com o menor número possível de variáveis, e cada uma delas muda por alguma ação. Listei as ações disponíveis e sei dizer, para cada estado, quais delas são aplicáveis. Escrevi o modelo de transição: dada uma ação, sei exatamente qual estado resulta. Meu teste de objetivo responde sim ou não sem ambiguidade — e não é "quando estiver bom". Defini o custo de cada ação, e ele reflete o que de fato importa no meu domínio. Estimei a ramificação e a profundidade esperadas, e sei se o espaço cabe em memória.

0 de 6 — comece pelo estado.

Estado-objetivo

O que fica antes do algoritmo

A tentação, em uma disciplina de IA, é correr para os algoritmos. Eles são a parte vistosa: dá para animar, cronometrar, comparar. Mas os algoritmos de busca cega são, todos eles, variações de uma mesma pergunta — em que ordem eu olho os vizinhos? A pergunta que os antecede é mais difícil e não tem pseudocódigo: o que, exatamente, é um vizinho aqui?

Alcuíno levou seus jovens monges a atravessar o rio sem escrever uma linha de matemática. Newell, Shaw e Simon tentaram construir uma máquina que atravessasse qualquer rio. Entre os dois está a ideia que sustenta toda a resolução de problemas por busca: descrever um problema como estados, ações e custos é o ato que o torna mecanizável — e, ao mesmo tempo, o ato que decide quanto do mundo real vai sobrar na descrição.

Pense no problema mais chato da sua rotina profissional. Se você tivesse que descrevê-lo em cinco componentes para um agente resolver, qual deles você não conseguiria escrever — e o que isso diz sobre o problema?

Nota do autor: os valores das grades 4 × 4 e 5 × 5 da Tabela 1 são cálculo direto do autor a partir de n!/2 e foram arredondados para três algarismos significativos; apenas os do quebra-cabeça de 8 peças aparecem explicitamente em Reinefeld (1993), que também é a fonte da solução ótima máxima de 31 movimentos e da média de 21,97. A regra de paridade enunciada no texto é a das grades de largura ímpar, como a 3 × 3 do jogo de 8 peças, em que a paridade das inversões se conserva sozinha e a linha do espaço vazio é irrelevante; o critério clássico de Johnson e Story (1879), formulado para a grade 4 × 4 de largura par, combina a paridade das inversões com a linha do vazio e não se aplica diretamente ao tabuleiro menor. O autor conferiu ambas as afirmações por enumeração exaustiva dos 181.440 estados alcançáveis. A datação das Propositiones ad acuendos juvenes por volta do ano 800 e sua atribuição a Alcuíno de York são as aceitas por Hadley e Singmaster (1992), que registram, contudo, que a autoria não é documentalmente certa. As traduções de trechos e a terminologia em português dos cinco componentes seguem o uso corrente em Luger (2013), com ajustes do autor para aproximar da formulação de Russell e Norvig (2021), cuja quarta edição não tem tradução brasileira publicada até a data deste texto.

Referências

HADLEY, John; SINGMASTER, David. Problems to sharpen the young. The Mathematical Gazette, Leicester, v. 76, n. 475, p. 102-126, mar. 1992. Disponível em: https://www.jstor.org/stable/3620384. Acesso em: 22 ago. 2026.
JOHNSON, William Woolsey; STORY, William Edward. Notes on the "15" puzzle. American Journal of Mathematics, Baltimore, v. 2, n. 4, p. 397-404, dez. 1879. Disponível em: https://www.jstor.org/stable/2369492. Acesso em: 22 ago. 2026.
LUGER, George F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
NEWELL, Allen; SHAW, John Clifford; SIMON, Herbert Alexander. Report on a general problem-solving program. In: INTERNATIONAL CONFERENCE ON INFORMATION PROCESSING, 1959, Paris. Proceedings. Paris: UNESCO, 1960. p. 256-264.
REINEFELD, Alexander. Complete solution of the eight-puzzle and the benefit of node ordering in IDA*. In: INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE, 13., 1993, Chambéry. Proceedings. San Francisco: Morgan Kaufmann, 1993. p. 248-253. Disponível em: https://www.ijcai.org/Proceedings/93-1/Papers/035.pdf. Acesso em: 22 ago. 2026.
RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson, 2021.

Computação Evolucionária

noreply@blogger.com (War) — Wed, 19 Aug 2026 14:09:09 -0300

Em 22 de março de 2006 a NASA lançou três satélites com uma antena que ninguém desenhou. Ela parece um clipe de papel torturado, não tem simetria nenhuma, e nenhum engenheiro seria capaz de justificar cada dobra — porque as dobras não foram escolhidas: foram selecionadas, geração após geração, por um programa que só sabia pontuar candidatos e deixar os piores morrerem. O par de antenas evoluídas rendeu 93% de eficiência de sistema, contra 38% do par convencional, e ficou pronto em cerca de três pessoas-mês. Neste quarto post da série sobre inteligência artificial, abrimos a caixa da computação evolucionária: você vai montar um algoritmo genético peça por peça — codificação, população, aptidão, seleção, cruzamento, mutação, elitismo e parada — e depois soltar um enxame de partículas e uma colônia de formigas na mesma tela, com quatro laboratórios interativos, três tutoriais em Python já executados e a pergunta incômoda no fim: quando essa turma toda vale a pena, e quando é só barulho caro.

A antena cabe na palma da mão. É um fio de metal dobrado em ângulos que parecem aleatórios, sem nenhuma daquelas curvas elegantes que a gente associa a engenharia aeroespacial. Se você a encontrasse numa gaveta, jogaria fora. Ela voou na missão Space Technology 5 e é, até onde se sabe, o primeiro hardware evoluído por computador a operar no espaço (HORNBY et al., 2006).

"Em 22 de março de 2006 a missão ST5 foi lançada com sucesso tendo a antena evoluída ST5-33-142-7 como uma de suas antenas. Esta antena evoluída é a primeira antena evoluída por computador a ser empregada em qualquer aplicação e é o primeiro hardware evoluído por computador no espaço."

Hornby, Globus, Linden e Lohn, AIAA Space 2006, na tradução do autor (HORNBY et al., 2006)

O detalhe que interessa aqui não é a antena. É o método. Ninguém escreveu "dobre 42 graus no terceiro segmento". Alguém escreveu um juiz: um programa que, dado um formato qualquer de fio, calcula o quanto ele irradia bem nas frequências e ângulos que a missão exige. E então soltou milhares de formatos aleatórios contra esse juiz, guardou os melhores, misturou-os, bagunçou-os um pouco e repetiu. O resultado é feio, funciona melhor que o desenho humano e — este é o ponto — é bom sem que exista uma justificativa de projeto por trás de cada dobra. Não que seja um mistério: o desempenho foi simulado, medido em ensaio e é perfeitamente explicável pelo eletromagnetismo. O que não existe é aquela história que um engenheiro conta ao defender um desenho — "esta curva está aqui por causa daquilo". No lugar dela há um histórico de seleção.

Isso é computação evolucionária. Este post desmonta a ideia peça por peça, com quatro laboratórios que rodam aqui mesmo na página e três programas em Python que você pode colar no Google Colab. No caminho, vamos ser honestos sobre os limites: existe um teorema que garante que nenhum desses métodos é bom em geral, e há muita aplicação por aí que seria melhor resolvida com uma planilha.

Geração 01

Otimizar é procurar num espaço grande demais

Simetria é uma preferência humana, não um requisito da física. Ilustração do autor (2026)

Comece por um problema mundano: você tem vinte objetos, cada um com um valor e um peso, e uma mochila que aguenta 50 quilos. Quais levar? Cada objeto entra ou não entra, então há 2²⁰ combinações possíveis — 1.048.576. Um computador testa todas em menos de um segundo. Sem drama.

Agora são cem objetos. As combinações passam a 2¹⁰⁰, um número com 31 dígitos. Se você testasse um bilhão de combinações por segundo desde o Big Bang, ainda não teria terminado uma fração perceptível da lista. E cem objetos é um problema pequeno: uma grade de distribuição elétrica tem milhares de chaves; um voo tem centenas de tripulantes para escalar; uma molécula candidata a fármaco tem dezenas de ângulos de torção que variam continuamente.

Diante disso existem três atitudes. A primeira é resolver exatamente: quando o problema tem estrutura matemática favorável — linearidade, convexidade, subestrutura ótima — há algoritmos que devolvem a resposta comprovadamente ótima. Programação linear, programação dinâmica, branch and bound. Sempre que essa porta estiver aberta, entre por ela.

A segunda é usar uma heurística: uma regra prática, específica do problema, que dá uma resposta razoável rapidamente. "Pegue sempre o objeto com maior valor por quilo." "Vá sempre para a cidade mais próxima ainda não visitada." Heurísticas são rápidas e frequentemente boas. Também são frequentemente enganadas — a regra do vizinho mais próximo, por exemplo, costuma deixar uma última cidade absurdamente longe para o fim.

A terceira é usar uma metaheurística: um esqueleto de busca genérico, que não sabe nada sobre mochilas ou antenas e se conecta ao problema principalmente por uma função que dá nota a candidatos. É a família de que este post trata. O preço dessa generalidade é que ela nunca prova que achou o ótimo: devolve o melhor que encontrou no tempo que teve. Por isso vale a regra de bolso: metaheurística é o que se usa quando a matemática exata não alcança, não quando ela dá trabalho.

O dilema que atravessa tudo: explorar ou aproveitar

Toda busca vive uma tensão. Exploração (exploration) é vasculhar regiões novas do espaço, arriscando desperdiçar tempo em lugares ruins. Aproveitamento (exploitation) é cavar mais fundo onde já se achou algo bom, arriscando ficar preso numa boa solução local enquanto a ótima está do outro lado do mapa. Exploração demais vira busca aleatória; aproveitamento demais vira convergência prematura. Cada operador que você vai conhecer daqui em diante é, no fundo, um botão que regula essa proporção.

Geração 02

Turing já tinha dito, três décadas antes

Em 1948, num relatório interno do National Physical Laboratory britânico que ficou inédito por vinte anos, Alan Turing dividiu a atividade intelectual em três tipos de busca. Uma delas era a busca genética: "existe a busca genética ou evolucionária, pela qual se procura uma combinação de genes, sendo o critério o valor de sobrevivência" (TURING, 1969). Dois anos depois, no artigo famoso sobre o teste que leva seu nome, ele detalhou a analogia ao propor que não se programasse uma mente adulta, e sim uma mente de criança sujeita a um processo de aprendizagem: "estrutura da máquina-criança = material hereditário; mudanças na máquina-criança = mutações; seleção natural = julgamento do experimentador" (TURING, 1950).

A ideia foi reinventada de forma independente em pelo menos três lugares. Na Alemanha, na primeira metade dos anos 1960, três estudantes da Universidade Técnica de Berlim — Ingo Rechenberg, Hans-Paul Schwefel e Peter Bienert — tentavam otimizar formatos em túnel de vento e esbarravam num problema chato: os métodos clássicos de gradiente exigem medições precisas, e medições de escoamento turbulento são ruidosas. A saída foi perturbar todas as variáveis ao mesmo tempo, ao acaso, com mutações pequenas mais prováveis que grandes, e ficar com a variante melhor. Em junho de 1964 rodaram o experimento da placa articulada — sem computador nenhum, ajustando o equipamento à mão a cada geração (BEYER; SCHWEFEL, 2002). Nascia a estratégia evolutiva (Evolutionsstrategie), sistematizada por Rechenberg em 1973 (RECHENBERG, 1973).

Nos Estados Unidos, Lawrence Fogel, Alvin Owens e Michael Walsh evoluíam populações de autômatos de estados finitos para prever sequências de símbolos, usando apenas mutação e seleção — sem recombinação. Era a programação evolutiva (FOGEL; OWENS; WALSH, 1966).

E em Michigan, John Holland fazia a pergunta mais teórica de todas: o que é, formalmente, um sistema que se adapta? Seu livro de 1975 estabeleceu o vocabulário que usamos até hoje — planos reprodutivos, esquemas, blocos construtivos — e deu nome ao método que este post vai desmontar: o algoritmo genético (HOLLAND, 1975). Um aluno dele, Kenneth De Jong, escreveu em 1975 a tese que virou a bancada de testes da área (DE JONG, 1975); outro, David Goldberg, escreveu em 1989 o livro que popularizou tudo isso fora da academia (GOLDBERG, 1989). Em 1992, John Koza levou a ideia ao limite lógico: em vez de evoluir números, evoluir programas, representados como árvores de expressões — a programação genética (KOZA, 1992).

Quadro 1 — Vertentes clássicas da computação evolucionária, por origem e representação

Vertente	Origem	O que é o indivíduo	Operadores principais
Estratégias evolutivas	Berlim, anos 1960	Vetor de números reais (com parâmetros de mutação próprios)	Mutação gaussiana autoadaptativa; seleção (µ+λ) ou (µ,λ)
Programação evolutiva	Califórnia, 1966	Autômato de estados finitos	Mutação e seleção; sem recombinação
Algoritmos genéticos	Michigan, 1975	Cadeia de símbolos (classicamente, bits)	Seleção, cruzamento, mutação
Programação genética	Stanford, 1992	Árvore de expressão — um programa	Cruzamento de subárvores, mutação de nós

Fonte: elaborado pelo autor com base em Beyer e Schwefel (2002), Fogel, Owens e Walsh (1966), Holland (1975) e Koza (1992).Nota: as fronteiras entre as vertentes se dissolveram a partir dos anos 1990; hoje é comum um único algoritmo combinar elementos de todas.

Um aviso de vocabulário: nem toda metaheurística bioinspirada é evolucionária

O quadro acima esgota a computação evolucionária, e é bom deixar isso claro antes de seguir, porque a confusão é comum até em ementa de disciplina. "Metaheurística bioinspirada" é o guarda-chuva; a computação evolucionária é apenas uma das famílias debaixo dele. As quatro vertentes do quadro compartilham a mesma gramática — população, herança, variação, seleção, gerações — e essa gramática vem da evolução darwiniana.

Ao lado dela existe outra família, irmã e distinta: a inteligência de enxames (swarm intelligence), que não se inspira na evolução, e sim no comportamento coletivo de grupos de indivíduos simples que se coordenam sem controle central. Aqui não há pais nem filhos nem morte: há indivíduos que persistem e trocam informação. É a essa família que pertencem os dois métodos das Gerações 10 e 11 deste post — o enxame de partículas e a colônia de formigas (DEL SER et al., 2019). Manter os nomes no lugar evita uma bobagem frequente: chamar de "algoritmo genético" qualquer coisa que tenha muitos agentes e um pouco de acaso.

Geração 03

Codificação: virar o problema do avesso

Antes de evoluir qualquer coisa, é preciso decidir o que conta como "indivíduo". Ilustração do autor (2026)

A primeira decisão de um algoritmo genético não é técnica, é de tradução: como transformar uma solução candidata numa estrutura que possa ser cortada, colada e bagunçada? Essa estrutura é o cromossomo (ou genótipo); a solução real que ela descreve é o fenótipo. Na mochila de vinte objetos, o cromossomo natural é uma fita de vinte bits: 1 se o objeto entra, 0 se fica.

A escolha da codificação parece burocrática e é, na prática, a decisão que mais afeta o resultado. Um cromossomo bem escolhido faz com que soluções parecidas no papel sejam parecidas também na fita — e isso é o que permite ao cruzamento juntar pedaços bons de pais diferentes em vez de gerar monstros. Um cromossomo mal escolhido transforma o algoritmo genético numa busca aleatória cara.

Binária. Fita de 0 e 1. Clássica, simples, e o alvo da teoria de esquemas de Holland. Problema conhecido: em números inteiros codificados em binário puro, vizinhos podem estar longe na fita (7 = 0111 e 8 = 1000 diferem em todos os bits) — daí o uso frequente do código de Gray.

Real. Vetor de números de ponto flutuante, um por variável contínua. É o padrão em engenharia e o terreno natural das estratégias evolutivas. O cruzamento deixa de ser corte-e-cola e vira média ponderada ou sorteio dentro de um intervalo.

Permutação. Uma ordem: a sequência de cidades de uma rota, a ordem das tarefas numa máquina. Aqui o corte-e-cola comum quebra tudo — gera rotas com cidades repetidas —, e é preciso usar operadores especializados como o PMX ou o order crossover.

Árvore. Uma expressão, uma fórmula, um programa. É a codificação da programação genética, em que o cruzamento troca subárvores inteiras entre dois pais (KOZA, 1992).

Há ainda uma decisão silenciosa embutida: o que fazer com candidatos inviáveis. Uma fita de bits pode descrever uma mochila de 80 quilos, o que é fisicamente impossível. As três saídas usuais são penalizar (a aptidão cai, mas o indivíduo continua na população e pode contribuir com bons pedaços), reparar (remover objetos até caber) ou proibir (descartar e sortear de novo). Nos laboratórios deste post, usamos a penalização mais dura possível — aptidão zero — porque ela é fácil de ver acontecendo.

Geração 04

População e aptidão: uma multidão e um juiz

Um algoritmo genético não trabalha com uma solução: trabalha com uma população delas, tipicamente entre 30 e algumas centenas de indivíduos, gerada ao acaso no início. Trabalhar em paralelo tem duas virtudes. Primeiro, a busca ataca várias regiões do espaço ao mesmo tempo, o que reduz a chance de todo o esforço morrer no mesmo vale ruim. Segundo — e é o que distingue os algoritmos genéticos dos métodos de solução única —, a população é uma memória distribuída: pedaços de solução testados e aprovados ficam guardados em indivíduos diferentes e podem ser recombinados depois.

O juiz é a função de aptidão (fitness): um programa que recebe um cromossomo e devolve um número, quanto maior melhor. É o principal ponto de contato entre o algoritmo genérico e o seu problema específico — não o único, como as seções seguintes vão mostrar: a codificação, o tratamento de candidatos inviáveis e os operadores especializados também carregam conhecimento do domínio. Na antena da NASA, a função de aptidão era um simulador eletromagnético completo. Na mochila, são duas somas.

Três avisos práticos sobre a função de aptidão, aprendidos no susto por praticamente todo mundo que trabalha com isso:

Ela domina o custo. Um algoritmo genético com população 100 e 500 gerações faz 50 mil avaliações. Se cada avaliação é uma simulação de trinta segundos, são dezessete dias de máquina. Praticamente todo o esforço de engenharia em otimização evolutiva vai para tornar a função de aptidão barata, não para ajustar o algoritmo.

Ela é interpretada ao pé da letra. O algoritmo maximiza exatamente o que você escreveu, incluindo os atalhos que você não previu. Se a nota premia "cobertura de sinal" sem penalizar consumo, você recebe uma antena que consome absurdamente. A literatura chama isso de reward hacking, e é o mesmo fenômeno que assombra o aprendizado por reforço.

Ela pode ter mais de um objetivo. Custo e resistência, tempo e preço. Nesse caso não existe um único ótimo, e sim uma fronteira de Pareto de soluções em que melhorar um objetivo exige piorar outro. O algoritmo padrão para isso é o NSGA-II, que ordena a população em camadas de não dominância e usa uma medida de aglomeração para espalhar as soluções pela fronteira (DEB et al., 2002).

Geração 05

Seleção: quem vira pai

Duas formas de premiar o bom sem eliminar o diferente. Ilustração do autor (2026)

Selecionar é decidir quem tem direito a descendentes. O parâmetro que importa se chama pressão seletiva: o quanto ser bom aumenta a chance de reproduzir. Pressão alta acelera a convergência e mata a diversidade; pressão baixa preserva a diversidade e não sai do lugar.

Roleta (proporcional à aptidão). Cada indivíduo ocupa uma fatia de disco proporcional à sua nota; gira-se o disco. É a proposta original de Holland e a mais intuitiva. Tem dois defeitos sérios: um indivíduo excepcional no início domina o disco e a população inteira vira cópia dele; e, quando todas as notas ficam parecidas no fim, as fatias se igualam e a seleção vira sorteio puro. Além disso, ela não funciona com aptidões negativas nem com problemas de minimização sem transformação prévia.

Torneio. Sorteiam-se k indivíduos ao acaso e o melhor deles vence. É o método mais usado hoje: não se importa com a escala das notas (só com a ordem), é trivial de implementar e tem um botão de pressão seletiva embutido — k = 2 é suave, k = 7 é brutal.

Ranqueamento. Ordena-se a população e distribui-se a chance segundo a posição, não a nota. Imune a superindivíduos e a diferenças de escala; custa uma ordenação por geração.

Uma nota sobre vocabulário: seleção não é o mesmo que "descarte dos piores". Nos esquemas clássicos, os piores continuam podendo ser sorteados — com probabilidade baixa. Isso é proposital. Um indivíduo medíocre pode carregar o único pedaço de cromossomo que resolverá o problema daqui a quarenta gerações, e matá-lo cedo demais é uma forma silenciosa de convergência prematura.

Geração 06

Cruzamento e mutação: os dois motores

Cruzamento recombina o que já existe; mutação inventa o que não existe em ninguém. Ilustração do autor (2026)

O cruzamento (crossover) pega dois pais e produz filhos que misturam trechos de ambos. Na versão de um ponto, sorteia-se uma posição de corte e trocam-se as caudas. Na de dois pontos, troca-se o miolo. No cruzamento uniforme, cada gene é sorteado independentemente de um dos pais — o que destrói a noção de "trecho contíguo" e é mais disruptivo.

A intuição por trás do cruzamento é a hipótese dos blocos construtivos: soluções boas contêm subestruturas boas — trechos curtos de cromossomo que já são vantajosos por si — e o cruzamento junta blocos de pais diferentes numa cria melhor que os dois (GOLDBERG, 1989). É uma hipótese sedutora, ligada ao teorema dos esquemas de Holland, e vale registrar que ela nunca ganhou uma formulação matemática rigorosa nem se sustenta em todos os problemas. Taxas usuais de cruzamento ficam entre 0,6 e 0,95.

A mutação altera genes ao acaso: inverte um bit, soma um ruído gaussiano a um número real, troca duas posições de uma permutação. O efeito sobre um indivíduo é imprevisível: pode melhorar, piorar ou não mudar nada. Sua função não é melhorar ninguém em particular, e sim manter a diversidade e garantir que nenhum valor de gene desapareça para sempre da população. Se todos os indivíduos têm 0 na posição 7, nenhum cruzamento no mundo vai produzir um 1 ali; só a mutação recupera essa possibilidade.

A taxa clássica é 1/L, onde L é o comprimento do cromossomo — em média, um gene alterado por indivíduo. Taxas muito maiores dissolvem a informação acumulada e o algoritmo vira caminhada aleatória; taxas nulas travam a busca no material genético inicial. No laboratório da próxima seção você pode zerar a mutação e assistir à população inteira virar clone em poucas dezenas de gerações.

Quadro 2 — Operadores de cruzamento e mutação segundo a codificação adotada

Codificação	Cruzamento típico	Mutação típica	Cuidado principal
Binária	Um ponto, dois pontos, uniforme	Inversão de bit com probabilidade 1/L	Saltos artificiais entre inteiros vizinhos (usar código de Gray)
Real	Aritmético (média ponderada), BLX-α, SBX	Ruído gaussiano com desvio adaptativo	Filhos sempre no interior do envelope dos pais, se o operador for só média
Permutação	PMX, order crossover (OX), cycle crossover	Troca de duas posições, inversão de trecho	Corte-e-cola comum gera soluções inválidas
Árvore	Troca de subárvores entre os pais	Substituição de nó ou de subárvore	Crescimento descontrolado do tamanho (bloat)

Fonte: elaborado pelo autor com base em Goldberg (1989), Koza (1992) e Beyer e Schwefel (2002).Nota: os termos técnicos em inglês foram mantidos por serem a forma corrente na literatura brasileira da área; a tradução aproximada aparece entre parênteses na primeira ocorrência no texto.

Geração 07

Elitismo: o teorema que obriga a guardar o melhor

Aqui há um resultado bonito e pouco conhecido fora da área. Um algoritmo genético canônico — seleção proporcional, cruzamento e mutação, sem nenhuma proteção ao melhor indivíduo — pode perder a melhor solução que já encontrou. Basta que ela não seja sorteada, ou que seja sorteada e mutilada por uma mutação infeliz. E não se trata de azar raro: Günter Rudolph provou, modelando o algoritmo como uma cadeia de Markov finita e homogênea, que o algoritmo genético canônico nunca converge para o ótimo global, qualquer que seja a inicialização, o operador de cruzamento e a função objetivo (RUDOLPH, 1994).

"Prova-se, por meio de análise de cadeias de Markov finitas homogêneas, que um algoritmo genético canônico jamais convergirá para o ótimo global, independentemente da inicialização, do operador de cruzamento e da função objetivo. Mas variantes do algoritmo genético canônico que sempre mantêm a melhor solução na população, seja antes, seja depois da seleção, convergem para o ótimo global."

Günter Rudolph, IEEE Transactions on Neural Networks, 1994, na tradução do autor (RUDOLPH, 1994)

A correção é de uma linha de código: copie os e melhores indivíduos diretamente para a próxima geração, sem passar por seleção, cruzamento ou mutação. Isso é o elitismo, introduzido por De Jong em 1975 como o "modelo elitista R2" na tese em que ele comparou seis variantes de plano reprodutivo (DE JONG, 1975).

Duas ressalvas importantes, porque esse resultado costuma ser citado de forma exagerada. Primeira: "converge" aqui significa que a melhor solução já encontrada tende ao ótimo global quando o número de gerações tende ao infinito — o que é uma garantia assintótica, não uma promessa sobre o seu prazo de entrega. Segunda: elitismo demais estraga. Guardar metade da população como elite equivale a aumentar violentamente a pressão seletiva, e a busca convergirá rápido para algum lugar medíocre. A prática usual é preservar de um a dois indivíduos, ou algo entre 1% e 5% da população.

Geração 08

Parada: quando desligar

Como o algoritmo nunca prova que chegou ao ótimo, quem decide o fim é você. Os critérios usuais, quase sempre combinados por um "ou":

Orçamento. Um número máximo de gerações ou, melhor, de avaliações da função de aptidão — a unidade de custo que realmente conta e a única que permite comparar métodos diferentes de forma honesta.

Estagnação. Nenhuma melhora no melhor indivíduo por n gerações seguidas. Na evolução da antena da NASA, por exemplo, o critério registrado combinava as duas coisas: parar em 100 gerações, ou quando o melhor escore ficasse estagnado por 40 gerações, ou quando o escore médio ficasse estagnado por 10 (LOHN et al., 2003).

Alvo atingido. Quando existe uma nota que já basta — "erro abaixo de 1%", "atende a todos os requisitos da missão". É o critério mais saudável quando o problema tem um patamar de suficiência conhecido.

Perda de diversidade. Quando a população vira um bloco de clones, continuar é gastar processador para nada. Mede-se pela distância média entre indivíduos ou pela variância das aptidões.

Geração 09

Laboratório 1: monte o algoritmo genético e sabote-o

Chega de definição. Abaixo roda um algoritmo genético de verdade, no seu navegador, sobre o problema da mochila: 20 objetos, capacidade de 50 quilos, população de 24 indivíduos. Cada linha do painel esquerdo é um cromossomo; cada quadradinho, um gene (verde = objeto levado). A barra à direita de cada linha é a aptidão — verde para as mochilas válidas, um toco vermelho para as que estouraram os 50 quilos e por isso têm aptidão zero. A moldura dourada marca os indivíduos protegidos pelo elitismo, e as linhas aparecem sempre ordenadas da melhor para a pior.

O ótimo exato deste problema é R$ 255, calculado por programação dinâmica — então dá para saber, a cada instante, o quanto o algoritmo está errando. Use os chips para trocar um operador de cada vez e observe o que quebra: desligue o elitismo e veja o melhor indivíduo piorar entre gerações; zere a mutação e assista à população virar um bloco de clones; troque o torneio por seleção aleatória e acompanhe a linha da média deixar de subir.

Seleção

Cruzamento

Mutação

Elitismo

População — 24 indivíduos × 20 genes

Convergência

geração0

melhor da população—

média—

diversidade—

avaliações gastas0

População inicial sorteada. Clique em evoluir.

Quatro experimentos que valem o clique. Um: deixe tudo no padrão e evolua até parar — nas seis populações iniciais que o botão de reiniciar percorre, o algoritmo chegou aos R$ 255 entre a geração 26 e a 119. Dois: reinicie com mutação zero; a diversidade despenca para 0% e a busca congela abaixo do ótimo, porque não há mais material genético novo para o cruzamento embaralhar. Três: reinicie sem elitismo e observe a linha do "melhor" fazendo degraus para baixo — a prova visual do teorema de Rudolph. Quatro: troque o torneio pela seleção aleatória e compare as duas curvas: a linha do melhor ainda sobe, porque o elitismo guarda o recorde e a mutação continua sorteando, mas a linha da média fica rastejando lá embaixo (por volta de R$ 34, contra R$ 72 com torneio). Sem pressão seletiva não há população melhor — há apenas um sortudo protegido.

Geração 10

Enxame de partículas: sem pais, sem filhos, só vizinhança

Em 1995, o psicólogo social James Kennedy e o engenheiro Russell Eberhart estavam simulando bandos de pássaros. O ponto de partida eram os boids de Craig Reynolds, um modelo de 1987 em que o voo coordenado de um bando emerge de três regras locais aplicadas por cada indivíduo, sem maestro (REYNOLDS, 1987). Kennedy e Eberhart acrescentaram um poleiro atraente à simulação e perceberam que, se o "poleiro" fosse o mínimo de uma função, o bando resolvia um problema de otimização (KENNEDY; EBERHART, 1995).

A otimização por enxame de partículas (PSO, de particle swarm optimization) não tem cromossomo, nem cruzamento, nem morte. Cada partícula é uma solução candidata que voa pelo espaço guardando duas lembranças: o melhor lugar onde ela já esteve e o melhor lugar onde o enxame já esteve. A cada instante ela corrige a velocidade puxando um pouco para cada uma dessas memórias.

v ← w·v + c₁·r₁·(p − x) + c₂·r₂·(g − x)
inércia · componente cognitivo · componente social

x ← x + v

Nessas duas linhas mora tudo. O termo de inércia (w) é a teimosia: quanto da direção anterior a partícula mantém. O componente cognitivo (c₁) é a memória individual — "volte para onde você já se deu bem". O componente social (c₂) é a fofoca — "vá para onde o pessoal se deu bem". Os fatores r₁ e r₂ são números aleatórios entre 0 e 1, sorteados a cada passo: depois do sorteio das posições iniciais, são eles que injetam acaso nas atualizações.

O peso de inércia não estava na formulação original: foi acrescentado por Yuhui Shi e Eberhart em 1998, justamente para regular a balança entre exploração e aproveitamento — w alto no início, para o enxame varrer o espaço, e w baixo no fim, para ele assentar (SHI; EBERHART, 1998). A configuração que virou padrão de fato na literatura usa o coeficiente de constrição de Clerc e Kennedy, com χ ≈ 0,72984 e c₁ = c₂ = 2,05, e enxames de cerca de 50 partículas (BRATTON; KENNEDY, 2007).

Inércia w

Personalidade

Enxame

Paisagem de Rastrigin — claro é fundo, escuro é topo

✕ marca o mínimo global · clique no mapa para reposicionar o enxame

iteração0

melhor f encontrado—

dispersão do enxame—

avaliações gastas0

A função de Rastrigin tem um mínimo global em (0, 0), onde vale 0, e uma grade de mínimos locais quase tão bons ao redor. É a armadilha clássica para métodos que descem depressa demais.

Enxame sorteado. Clique em voar.

Vale brincar com as personalidades. Em só cognitiva (c₂ = 0), cada partícula vira um eremita: busca sozinha, o enxame nunca se junta e o resultado final é apenas o melhor de trinta buscas independentes e ruins. Em só social (c₁ = 0), o oposto: todo mundo desaba sobre o primeiro ponto razoável que alguém encontrar, e o enxame colapsa em poucas iterações — convergência prematura em estado puro. Com inércia 0,95, o enxame ganha tanta teimosia que fica orbitando o alvo sem conseguir pousar.

Geração 11

Colônia de formigas: a memória fica no chão

A escolha do caminho curto não é decisão de ninguém: é consequência de todos. Ilustração do autor (2026)

Em 1989, quatro pesquisadores da Universidade Livre de Bruxelas montaram um experimento de uma simplicidade cruel. Ligaram um ninho de formigas argentinas (Iridomyrmex humilis, hoje Linepithema humile) a uma fonte de alimento por uma ponte com dois ramos de comprimentos diferentes. Depois, contaram o tráfego (GOSS et al., 1989).

Quando os ramos tinham o mesmo comprimento, não houve preferência significativa. Quando o ramo longo era o dobro do curto, em 11 de 14 experimentos mais de 80% do tráfego total passou a usar o ramo curto — e em todos os 14 houve seleção significativa do ramo curto. O detalhe crucial é como: nenhuma formiga mede os dois ramos e compara. Cada uma deposita feromônio ao andar e tende a seguir onde há mais feromônio. Como as que pegam o ramo curto voltam antes, reforçam o ramo curto mais cedo, o que atrai mais formigas, que reforçam mais. Os próprios autores chamam isso de "um processo coletivo e auto-organizado".

Marco Dorigo transformou esse mecanismo em algoritmo na tese de doutorado que defendeu no Politécnico de Milão em 1992 (DORIGO, 1992), formalizado quatro anos depois como Ant System (DORIGO; MANIEZZO; COLORNI, 1996). A diferença estrutural em relação ao algoritmo genético e ao enxame é que a memória que atravessa as iterações não é um conjunto de soluções: é um viés de construção. Ela está numa matriz de feromônio, uma entrada por par de cidades. Cada formiga constrói uma rota do zero a cada iteração — mantendo, durante a construção, apenas a lista das cidades que ainda não visitou —, e escolhe o próximo destino com probabilidade proporcional a

p_ij ∝ τ_ij^α · η_ij^β com η_ij = 1 / d_ij
τ = feromônio (o que a colônia aprendeu) · η = visibilidade (o que a geometria diz)

Depois de todas construírem, o feromônio evapora — τ ← (1 − ρ)·τ — e cada formiga deposita uma quantidade inversamente proporcional ao comprimento da rota que fez. A evaporação é o operador de esquecimento: sem ela, os primeiros acertos aleatórios se cristalizam e a colônia nunca mais muda de ideia.

Evaporação ρ

Peso do feromônio α

Visibilidade β

22 cidades — a espessura da linha é o feromônio

iteração0

melhor rota—

rota da rodada—

vizinho mais próximo—

Com α = 0 a colônia ignora o feromônio e vira uma heurística gulosa aleatorizada — sem aprendizado. Com β = 0 ela ignora a geometria e precisa descobrir tudo do zero, o que é lento mas funciona. É a diferença entre memória e intuição.

Mapa sorteado, feromônio uniforme. Clique em soltar formigas.

O experimento mais eloquente aqui é desligar β. Com β = 0 a formiga perde a visibilidade — não enxerga qual cidade está perto — e passa a decidir só pelo feromônio: as rotas encontradas ficam de 1,7 a 2,5 vezes mais longas que as do padrão nos quatro mapas que testamos. Já com α = 0 ela perde o feromônio e mantém a visibilidade: vira uma heurística gulosa aleatorizada, que produz rotas só 5% a 10% piores, mas não melhora com o tempo, porque não há memória a acumular. A intuição carrega a maior parte do resultado; a memória é o que transforma tentativa em aprendizado.

Um resultado negativo também merece registro: mexer na taxa de evaporação, neste mapa de 22 cidades, quase não muda o resultado final. Isso não desmente a teoria — a evaporação é o que impede a cristalização em problemas grandes e em execuções longas —, mas mostra que problemas pequenos são péssimos juízes de parâmetros. É por isso que ajustes calibrados num brinquedo de bancada tantas vezes desmoronam na instância real.

Geração 12

A corrida: mesmo problema, mesmo orçamento

Comparações entre metaheurísticas são um pântano metodológico. Quase toda tabela de artigo compara um método cuidadosamente ajustado pelos autores com versões desleixadas dos concorrentes, e o critério de parada raramente é o mesmo. A regra mínima de honestidade é fixar o orçamento de avaliações da função de aptidão — não o tempo de relógio, não o número de gerações, que significam coisas diferentes em cada método.

Abaixo, três buscas disputam o mesmo problema contínuo com exatamente as mesmas 4.500 avaliações: busca aleatória pura, algoritmo genético com codificação real e enxame de partículas. Clique em correr algumas vezes e depois em "dez corridas": o placar acumulado conta uma história bem diferente da que uma única figura de convergência contaria. Uma corrida só não prova nada — é preciso repetir e olhar a distribuição, que é justamente o que boa parte dos artigos da área não faz.

Paisagem

Dimensões

Melhor valor encontrado (escala logarítmica) × avaliações

busca aleatória—

algoritmo genético—

enxame de partículas—

corridas acumuladas0

vitórias AG × enxame0 × 0

A colônia de formigas não entra nesta corrida — ela constrói soluções discretas passo a passo e não sabe o que fazer com um vetor de números reais. Comparar os três no mesmo gráfico seria inscrever um nadador numa prova de ciclismo.

Escolha a paisagem e a dimensão e clique em correr.

O resultado é instrutivo justamente porque não há um vencedor — e porque o vencedor muda quando você mexe numa única chave. Rodamos 30 corridas em cada uma das nove combinações de paisagem e dimensão; a tabela abaixo é o placar completo. Em 2 dimensões, o enxame ganha de lavada nas três paisagens. Conforme a dimensão cresce, o placar vira: na esfera em 30 dimensões, o mesmo enxame que havia vencido 30 a 0 em 10 dimensões perde por 29 a 1.

Tabela 1 — Placar do laboratório da corrida, por paisagem e dimensão — 30 corridas em cada combinação

Paisagem	2 dimensões	10 dimensões	30 dimensões
Esfera	0 × 30	0 × 30	29 × 1
Rosenbrock	0 × 30	6 × 24	19 × 11
Rastrigin	0 × 30	26 × 4	28 × 2

Fonte: elaborado pelo autor a partir do laboratório desta página.Nota: cada célula traz vitórias do algoritmo genético × vitórias do enxame de partículas, em 30 corridas com orçamento de 4 500 avaliações para cada método.Nota: os números são reprodutíveis — o laboratório usa sementes fixas e o botão de zerar o placar reinicia a sequência. Valem para estas implementações e estes parâmetros; outra configuração dá outro placar, e é exatamente esse o ponto.

Duas leituras. A primeira: a pergunta "qual é melhor, algoritmo genético ou enxame?" não tem resposta — tem resposta por paisagem, por dimensão, por implementação e por conjunto de parâmetros. Qualquer artigo que responda a essa pergunta em geral está vendendo alguma coisa. A segunda: existe um padrão por trás dos números, e ele é conhecido na literatura — o enxame desce depressa e converge cedo, o que é ótimo em espaços pequenos e caro em espaços grandes; o genético mantém diversidade por mais tempo, o que é desperdício em duas dimensões e salvação em trinta.

Repare também na curva cinza. A busca aleatória pura, com o mesmo orçamento, fica ordens de grandeza atrás — mas não fica parada. Sempre que alguém apresentar um algoritmo novo, essa é a primeira linha de base a exigir: ganhar da sorte é o mínimo, não o mérito. E compare as escalas do eixo entre 2 e 30 dimensões para ver os três piorarem ao mesmo tempo: é a maldição da dimensionalidade, que nenhuma metáfora biológica revoga.

Geração 13

Onde isso realmente é usado

A pergunta certa não é "metaheurística funciona?", e sim "em que tipo de problema ela ganha de alternativas mais simples?". A resposta empírica, depois de cinco décadas, é razoavelmente clara: ela ganha quando o espaço de busca é grande e sem estrutura explorável, quando a função objetivo é uma caixa-preta cara (uma simulação, um ensaio), quando não há derivadas disponíveis e quando uma solução muito boa já resolve o problema de negócio — não sendo necessário provar otimalidade.

Antenas que ninguém desenhou

Voltemos à ST5. A equipe de Ames rodou dois algoritmos evolutivos com representações e funções de aptidão diferentes. Na primeira rodada, documentada em 2003, uma das versões usava população de 200 indivíduos com taxa de mutação de 50%, e a outra, população de 50 com 50% de sobrevivência entre gerações e mutação de 1% (LOHN et al., 2003). Quando os requisitos de órbita mudaram durante a qualificação de voo, bastou ajustar a função de aptidão: em um mês havia um novo projeto pronto e prototipado — a flexibilidade que a evolução automatizada oferece e um desenho manual não (HORNBY; LOHN; LINDEN, 2011).

Gráfico 1 — Eficiência do sistema de antenas da missão ST5, por configuração — 2006

2 convencionais38%

1 convencional + 1 evoluída80%

2 evoluídas93%

Fonte: elaborado pelo autor com base em Hornby et al. (2006).Nota: "convencional" refere-se à antena helicoidal quadrifilar (QHA) projetada pelo fornecedor. Os percentuais são de eficiência do sistema de antenas medida em ensaio.Nota: a antena evoluída exigiu cerca de três pessoas-mês entre projeto e fabricação, contra aproximadamente cinco meses da convencional, segundo a mesma fonte.

Moléculas, redes e chão de fábrica

O encaixe molecular (docking) é um dos usos silenciosos mais massivos: o AutoDock, um programa de código aberto para prever como uma molécula candidata se acomoda no sítio ativo de uma proteína, tem como núcleo um algoritmo genético "lamarckiano" — evolução com busca local, em que a melhora encontrada pelo indivíduo é escrita de volta no seu genótipo (MORRIS et al., 1998). O nome é uma piada interna com a teoria da herança de caracteres adquiridos: biologicamente falsa, computacionalmente muito útil.

Em redes de telecomunicações, o AntNet aplicou o princípio da colônia ao roteamento adaptativo: pacotes-formiga percorrem a rede e atualizam tabelas de roteamento probabilísticas, e o método superou seis algoritmos concorrentes em todas as condições experimentais testadas (DI CARO; DORIGO, 1998).

No escalonamento de produção, é instrutivo olhar os números sem filtro. Aplicado ao clássico problema de job shop, o Ant System resolve a instância MT06 (6 × 6) no valor ótimo conhecido, mas na MT10 (10 × 10) chega a 1.059 contra um ótimo de 930 — quase 14% acima (COLORNI et al., 1994). É um resultado honesto e revelador: a metaheurística entrega uma boa resposta rápida, não a melhor resposta, e em problemas industriais essa diferença de 14% pode ser irrelevante ou fatal, dependendo do que está em jogo.

Tabela 2 — Desempenho do Ant System em duas instâncias clássicas de job shop scheduling

Instância	Dimensão	Melhor conhecido	Ant System	Diferença (%)
MT10	10 × 10	930	1 059	13,9
ORB4	10 × 10	1 005	1 077	7,2

Fonte: elaborado pelo autor com base em Colorni et al. (1994).Nota: valores de makespan (tempo total de conclusão), quanto menor melhor. Parâmetros do experimento original: α = 1, β = 1, ρ = 0,7, número de formigas igual ao número de tarefas, 3.000 iterações.Nota: a instância MT06 (6 × 6) ficou fora da tabela porque a fonte registra apenas que o Ant System atinge nela o melhor valor conhecido, sem informar o número. A coluna de diferença percentual foi calculada pelo autor.

E no Brasil?

Há literatura brasileira sólida na área. Um exemplo com números publicados vem do grupo de energia da Universidade de São Paulo: aplicando algoritmos genéticos e variantes à reconfiguração de redes de distribuição de energia, os autores relatam, num caso de rede real, redução superior a 70% no custo anual das perdas em relação à configuração então existente, com as variantes do algoritmo obtendo mais de 27% de ganho adicional sobre o algoritmo genético básico (BENTO; KAGAN, 2008). Os próprios autores põem a ressalva no lugar certo: o modelo otimizou o custo das perdas e a confiabilidade, deixando de fora objetivos como perfil de tensão e equilíbrio de carga entre alimentadores, e o resultado não se generaliza automaticamente para outras redes. É a lição da Geração 04 aparecendo na prática — o algoritmo otimiza exatamente o que a função de aptidão mede, e nada além disso.

Vale, porém, um alerta contra uma confusão comum em sala de aula. O planejamento da operação do sistema elétrico brasileiro — os modelos NEWAVE e DECOMP, que definem o despacho hidrotérmico e alimentam a formação do preço de curto prazo — não usa metaheurísticas bioinspiradas. Usa programação dinâmica dual estocástica — um método de otimização matemática baseado em programação linear estocástica e decomposição, em que a função de custo futuro é aproximada por cortes lineares construídos iteração a iteração —, conforme os manuais de referência do próprio CEPEL (CEPEL, 2021). É o exemplo perfeito da regra da Geração 01: quando existe estrutura matemática explorável e a decisão vale bilhões, usa-se o método que a explora e oferece limitantes calculáveis, não um que sorteia candidatos.

Em termos de difusão, o pano de fundo mudou depressa: segundo a Pesquisa de Inovação Semestral do IBGE, o percentual de empresas industriais brasileiras com 100 ou mais pessoas ocupadas que usavam inteligência artificial saltou de 16,9% em 2022 para 41,9% em 2024 (IBGE, 2025). A pesquisa não abre esse número por técnica, então não dá para dizer quanto disso é otimização — mas é razoável supor que ela seja a camada menos visível do pacote, e essa suposição é do autor, não do IBGE.

Geração 14

O teorema que estraga a festa

Em 1997, David Wolpert e William Macready publicaram um resultado com nome de piada e consequências sérias: os teoremas do almoço grátis (no free lunch). O enunciado central é que, somando o desempenho sobre todas as funções objetivo possíveis, quaisquer dois algoritmos de busca empatam (WOLPERT; MACREADY, 1997). Qualquer vantagem que um método tenha numa classe de problemas é exatamente compensada por uma desvantagem em outra.

"Apresenta-se um conjunto de teoremas do 'almoço grátis' (NFL) que estabelecem que, para qualquer algoritmo, todo ganho de desempenho sobre uma classe de problemas é compensado pelo desempenho sobre outra classe."

Wolpert e Macready, IEEE Transactions on Evolutionary Computation, 1997, na tradução do autor (WOLPERT; MACREADY, 1997)

O teorema é frequentemente mal usado nas duas direções. Não significa que todo algoritmo é igualmente bom nos problemas reais — a média é sobre um universo de funções em que quase tudo é ruído puro, e problemas do mundo têm estrutura. Mas também não autoriza o argumento preguiçoso de que "como a distribuição real não é uniforme, o meu método é melhor": o próprio Wolpert observou depois que apenas supor uma distribuição não uniforme não estabelece absolutamente nada sobre qual algoritmo usar. A pergunta correta não é qual metaheurística é a melhor, e sim qual estrutura o seu problema tem e qual método a explora.

Os quatro pecados da área

A epidemia das metáforas. Nas últimas duas décadas foram publicados algoritmos inspirados em lobos, morcegos, vaga-lumes, baleias, casamentos, fogos de artifício e temperos culinários. Boa parte é, sob a metáfora, uma variação já conhecida de enxame ou de estratégia evolutiva com nomes novos para os mesmos termos. A metáfora não é evidência; a comparação controlada é.

Comparação desleal. Método próprio ajustado com carinho contra concorrentes com parâmetros padrão, critérios de parada diferentes, uma única execução por instância e nenhum teste estatístico. O mínimo aceitável são 30 execuções independentes, orçamento igual de avaliações e um teste não paramétrico.

Parâmetros de graça. Um algoritmo genético tem, no mínimo, cinco decisões livres — tamanho de população, taxa de cruzamento, taxa de mutação, tipo e pressão de seleção, elitismo. Ajustar isso custa execuções, e esse custo raramente entra na conta apresentada.

Ignorar o híbrido. Na prática industrial, quase nunca vence a metaheurística pura: vence o híbrido — evolução para explorar o espaço em grande escala, busca local para lapidar cada solução. É o caso do algoritmo lamarckiano do AutoDock. Nos nossos testes com as capitais brasileiras, adiante, a rota da colônia de formigas já era ótima local para a busca 2-opt — sinal de que os dois mecanismos convergiram para o mesmo ponto.

Geração 15

A evolução volta pela porta dos fundos

Havia uma sensação, em meados dos anos 2010, de que a computação evolucionária tinha virado assunto de nicho, atropelada pelas redes neurais profundas. O que aconteceu foi mais interessante: os dois se juntaram.

Em dezembro de 2023 o DeepMind publicou o FunSearch, um procedimento evolutivo em que os "indivíduos" são programas escritos por um modelo de linguagem e a "seleção" é um avaliador automático que executa cada programa e o pontua. O sistema encontrou um conjunto cap de tamanho 512 em dimensão 8, superando construções conhecidas, e heurísticas para empacotamento em bins melhores que as regras clássicas (ROMERA-PAREDES et al., 2024). Em maio de 2025 veio o AlphaEvolve, a versão industrial da mesma ideia. Os números a seguir são todos declarados pela própria Google DeepMind no anúncio, sem verificação independente: uma heurística de escalonamento descoberta por ele recupera continuamente, em média, 0,7% da capacidade computacional mundial do Google que de outro modo ficaria ociosa; um algoritmo evoluído multiplica matrizes complexas 4 × 4 com 48 multiplicações escalares, a primeira melhora em 56 anos sobre o método de Strassen nesse caso; e, num conjunto de mais de 50 problemas matemáticos em aberto, ele redescobriu o estado da arte em 75% dos casos e o superou em cerca de 20% (GOOGLE DEEPMIND, 2025).

O esqueleto é exatamente o que você montou no Laboratório 1: população, aptidão, seleção, variação, elitismo, parada. O que mudou foi o operador de mutação. Onde o algoritmo genético de 1975 invertia bits ao acaso, o AlphaEvolve pede a um modelo de linguagem que reescreva um trecho de código — uma mutação informada, que gera candidatos plausíveis em vez de candidatos aleatórios. Cinquenta anos depois, a estrutura de Holland continua de pé; o que ficou melhor foi a qualidade dos palpites.

Geração 16

Mão na massa: três programas prontos para o Colab

Os três programas abaixo foram executados pelo autor e as saídas reproduzidas são reais e completas. Todos rodam em segundos e não exigem instalação: cole num caderno do Google Colab e execute.

Tutorial 1 · Python puro Algoritmo genético do zero: o problema da mochila

Sem nenhuma biblioteca além da padrão. Estão aqui, em sequência e comentados, todos os componentes do post: codificação binária, população inicial aleatória, função de aptidão com penalização, seleção por torneio, cruzamento de um ponto, mutação a 1/L, elitismo e parada por número de gerações. No fim, o programa confere o resultado contra o ótimo exato calculado por programação dinâmica.

# Algoritmo genetico do zero: o problema da mochila 0-1
import random

random.seed(42)

# ---- 1. O PROBLEMA -------------------------------------------------
# 20 itens (valor em reais, peso em kg) e uma mochila de 50 kg.
ITENS = [(60, 10), (100, 20), (120, 30), (75, 15), (30, 8),
         (45, 12), (90, 25), (20, 5), (55, 14), (70, 18),
         (35, 9), (85, 22), (25, 6), (95, 26), (40, 11),
         (65, 16), (50, 13), (110, 28), (15, 4), (80, 21)]
CAPACIDADE = 50
N = len(ITENS)                 # tamanho do cromossomo

# ---- 2. CODIFICACAO E APTIDAO --------------------------------------
def aptidao(crom):
    """Cromossomo = lista de 0/1. Excesso de peso zera a aptidao."""
    valor = sum(ITENS[i][0] for i in range(N) if crom[i])
    peso  = sum(ITENS[i][1] for i in range(N) if crom[i])
    return 0 if peso > CAPACIDADE else valor

# ---- 3. OPERADORES -------------------------------------------------
def torneio(pop, apts, k=3):
    """Seleciona k individuos ao acaso e devolve o melhor deles."""
    disputantes = random.sample(range(len(pop)), k)
    campeao = max(disputantes, key=lambda i: apts[i])
    return pop[campeao][:]

def cruzamento(p1, p2, taxa=0.9):
    """Corte em um ponto."""
    if random.random() > taxa:
        return p1[:], p2[:]
    c = random.randint(1, N - 1)
    return p1[:c] + p2[c:], p2[:c] + p1[c:]

def mutacao(crom, taxa):
    """Inverte cada bit com probabilidade 'taxa' (padrao: 1/N)."""
    return [1 - g if random.random() < taxa else g for g in crom]

# ---- 4. O LOOP EVOLUTIVO -------------------------------------------
def ag(tam_pop=60, geracoes=80, elite=2, taxa_mut=1.0 / N):
    pop = [[random.randint(0, 1) for _ in range(N)] for _ in range(tam_pop)]
    historico = []
    for g in range(geracoes):
        apts = [aptidao(c) for c in pop]
        ordem = sorted(range(tam_pop), key=lambda i: apts[i], reverse=True)
        historico.append((g, apts[ordem[0]], sum(apts) / tam_pop))
        nova = [pop[i][:] for i in ordem[:elite]]        # ELITISMO
        while len(nova) < tam_pop:
            f1, f2 = cruzamento(torneio(pop, apts), torneio(pop, apts))
            nova.append(mutacao(f1, taxa_mut))
            if len(nova) < tam_pop:
                nova.append(mutacao(f2, taxa_mut))
        pop = nova
    apts = [aptidao(c) for c in pop]
    melhor = max(range(tam_pop), key=lambda i: apts[i])
    return pop[melhor], apts[melhor], historico

# ---- 5. RODANDO ----------------------------------------------------
crom, valor, hist = ag()
peso = sum(ITENS[i][1] for i in range(N) if crom[i])
print("cromossomo :", "".join(map(str, crom)))
print("valor      : R$", valor)
print("peso       :", peso, "kg de", CAPACIDADE)
print()
print("geracao | melhor | media")
for g, mel, med in hist[:5] + [("...", "...", "...")] + hist[-3:]:
    print("{:>7} | {:>6} | {:>6}".format(
        g, mel, round(med, 1) if isinstance(med, float) else med))

# ---- 6. CONFERINDO COM A RESPOSTA EXATA ----------------------------
# Programacao dinamica: da o otimo, mas so porque o problema e pequeno.
tab = [0] * (CAPACIDADE + 1)
for v, p in ITENS:
    for w in range(CAPACIDADE, p - 1, -1):
        tab[w] = max(tab[w], tab[w - p] + v)
print("\notimo exato (programacao dinamica): R$", tab[CAPACIDADE])

saída real da execução

cromossomo : 11010001000000000000
valor      : R$ 255
peso       : 50 kg de 50

geracao | melhor | media
      0 |    135 |    2.2
      1 |    195 |    7.8
      2 |    210 |   15.0
      3 |    210 |   28.2
      4 |    215 |   25.5
    ... |    ... |    ...
     77 |    255 |  111.4
     78 |    255 |   89.8
     79 |    255 |   89.6

otimo exato (programacao dinamica): R$ 255

Três coisas para reparar na saída. A mochila fecha em exatamente 50 quilos — a restrição está ativa, como quase sempre acontece. A média da população oscila para baixo no fim (111,4 → 89,6) enquanto o melhor fica parado em 255: é o efeito da mutação continuar produzindo inviáveis de aptidão zero, e é exatamente por isso que o elitismo precisa existir. E o algoritmo genético encontrou o ótimo exato — o que aqui é verificável porque o problema é minúsculo; num problema real, você nunca saberia.

Tutorial 2 · NumPy Enxame de partículas em vinte linhas

O PSO inteiro cabe num punhado de operações vetoriais. O problema é a função de Rastrigin em 10 dimensões, cheia de mínimos locais, e há uma comparação honesta no fim: busca aleatória pura com o mesmo orçamento de avaliações.

# Enxame de particulas (PSO) em NumPy
# Funcao de Rastrigin em 10 dimensoes: 1 minimo global (f=0) e milhares de locais.
import numpy as np

rng = np.random.default_rng(7)
D, N_PART, ITER = 10, 40, 300
LIM = 5.12
W, C1, C2 = 0.729, 1.49445, 1.49445   # constricao de Clerc & Kennedy

def rastrigin(X):
    return 10 * D + np.sum(X ** 2 - 10 * np.cos(2 * np.pi * X), axis=1)

# posicao, velocidade, melhor pessoal (p) e melhor global (g)
X = rng.uniform(-LIM, LIM, (N_PART, D))
V = rng.uniform(-1, 1, (N_PART, D))
P, fP = X.copy(), rastrigin(X)
g = int(np.argmin(fP)); G, fG = P[g].copy(), fP[g]

marcos = {}
for t in range(ITER):
    r1, r2 = rng.random((N_PART, D)), rng.random((N_PART, D))
    V = W * V + C1 * r1 * (P - X) + C2 * r2 * (G - X)
    V = np.clip(V, -LIM, LIM)
    X = np.clip(X + V, -LIM, LIM)
    f = rastrigin(X)
    melhorou = f < fP
    P[melhorou], fP[melhorou] = X[melhorou], f[melhorou]
    if fP.min() < fG:
        g = int(np.argmin(fP)); G, fG = P[g].copy(), fP[g]
    if t in (0, 9, 49, 99, 199, 299):
        marcos[t + 1] = (fG, float(np.mean(np.std(X, axis=0))))

print("iteracao |  melhor f  | dispersao do enxame")
for it, (v, s) in marcos.items():
    print("{:>8} | {:>10.4f} | {:.3f}".format(it, v, s))
print("\nmelhor posicao encontrada (5 primeiras coordenadas):")
print(np.round(G[:5], 4))
print("f(otimo global) = 0.0  em  x = (0, 0, ..., 0)")

# Comparacao honesta: busca aleatoria com o MESMO orcamento de avaliacoes
orcamento = N_PART * ITER
Y = rng.uniform(-LIM, LIM, (orcamento, D))
print("\nbusca aleatoria com {} avaliacoes: melhor f = {:.4f}".format(
    orcamento, float(rastrigin(Y).min())))
print("PSO      com {} avaliacoes: melhor f = {:.4f}".format(orcamento, float(fG)))

saída real da execução

iteracao |  melhor f  | dispersao do enxame
       1 |    91.2464 | 1.645
      10 |    56.4425 | 1.487
      50 |    32.6677 | 0.858
     100 |    11.7761 | 0.559
     200 |     3.9887 | 0.245
     300 |     3.9798 | 0.128

melhor posicao encontrada (5 primeiras coordenadas):
[-0.    -0.     0.     0.995  0.   ]
f(otimo global) = 0.0  em  x = (0, 0, ..., 0)

busca aleatoria com 12000 avaliacoes: melhor f = 74.6683
PSO      com 12000 avaliacoes: melhor f = 3.9798

Esta saída é mais interessante do que um sucesso limpo. O enxame chegou a 3,98 quando o ótimo é 0 — e a quarta coordenada parou em 0,995, não em zero. Na Rastrigin, cada coordenada travada em ±1 custa cerca de uma unidade: o enxame ficou preso num mínimo local a quatro coordenadas de distância do global, e a coluna de dispersão mostra o motivo — ela desabou de 1,645 para 0,128, ou seja, o enxame convergiu antes de terminar de procurar. Ainda assim, o PSO ficou dezenove vezes melhor que a busca aleatória com o mesmo orçamento. Ganhar da sorte é fácil; ganhar do ótimo, não.

Tutorial 3 · NumPy Colônia de formigas nas 27 capitais brasileiras

Aqui o Ant System ataca um caixeiro-viajante concreto: procurar uma rota fechada curta passando pelas 27 capitais do Brasil, com distâncias de grande círculo. "Curta", e não "a mais curta": o método devolve a melhor rota que encontrou, sem prova de otimalidade. A referência de comparação é a heurística do vizinho mais próximo, testada a partir de todas as 27 partidas possíveis.

# Colonia de formigas (Ant System) no caixeiro-viajante:
# a menor rota que passa pelas 27 capitais brasileiras e volta ao inicio.
import numpy as np

rng = np.random.default_rng(2026)

CAPITAIS = [
    ("Aracaju", -10.9472, -37.0731), ("Belem", -1.4558, -48.5039),
    ("Belo Horizonte", -19.9167, -43.9345), ("Boa Vista", 2.8235, -60.6758),
    ("Brasilia", -15.7939, -47.8828), ("Campo Grande", -20.4697, -54.6201),
    ("Cuiaba", -15.6014, -56.0979), ("Curitiba", -25.4284, -49.2733),
    ("Florianopolis", -27.5954, -48.5480), ("Fortaleza", -3.7319, -38.5267),
    ("Goiania", -16.6869, -49.2648), ("Joao Pessoa", -7.1195, -34.8450),
    ("Macapa", 0.0349, -51.0694), ("Maceio", -9.6498, -35.7089),
    ("Manaus", -3.1190, -60.0217), ("Natal", -5.7945, -35.2110),
    ("Palmas", -10.1849, -48.3336), ("Porto Alegre", -30.0346, -51.2177),
    ("Porto Velho", -8.7612, -63.9004), ("Recife", -8.0476, -34.8770),
    ("Rio Branco", -9.9754, -67.8249), ("Rio de Janeiro", -22.9068, -43.1729),
    ("Salvador", -12.9777, -38.5016), ("Sao Luis", -2.5297, -44.3028),
    ("Sao Paulo", -23.5505, -46.6333), ("Teresina", -5.0892, -42.8019),
    ("Vitoria", -20.3155, -40.3128),
]
NOMES = [c[0] for c in CAPITAIS]
n = len(CAPITAIS)

# ---- matriz de distancias (grande-circulo, em km) ------------------
lat = np.radians([c[1] for c in CAPITAIS])
lon = np.radians([c[2] for c in CAPITAIS])
dlat = lat[:, None] - lat[None, :]
dlon = lon[:, None] - lon[None, :]
a = np.sin(dlat / 2) ** 2 + np.cos(lat)[:, None] * np.cos(lat)[None, :] * np.sin(dlon / 2) ** 2
D = 6371.0 * 2 * np.arcsin(np.sqrt(a))
np.fill_diagonal(D, np.inf)

def custo(rota):
    return float(sum(D[rota[i], rota[(i + 1) % n]] for i in range(n)))

# ---- referencia: vizinho mais proximo ------------------------------
def vizinho_mais_proximo(inicio=0):
    rota, visitadas = [inicio], {inicio}
    while len(rota) < n:
        atual = rota[-1]
        prox = min((j for j in range(n) if j not in visitadas), key=lambda j: D[atual, j])
        rota.append(prox); visitadas.add(prox)
    return rota

# ---- Ant System (DORIGO; MANIEZZO; COLORNI, 1996) ------------------
ALFA, BETA, RHO, Q = 1.0, 3.0, 0.5, 1.0
N_FORMIGAS, N_ITER = 27, 200

eta = 1.0 / D                       # visibilidade: inverso da distancia
tau = np.ones((n, n))               # feromonio inicial uniforme
melhor_rota, melhor_custo = None, np.inf
historico = []

for it in range(N_ITER):
    rotas, custos = [], []
    for _ in range(N_FORMIGAS):
        inicio = int(rng.integers(n))
        rota, naovisit = [inicio], [j for j in range(n) if j != inicio]
        while naovisit:
            i = rota[-1]
            p = (tau[i, naovisit] ** ALFA) * (eta[i, naovisit] ** BETA)
            p = p / p.sum()
            escolha = naovisit[int(rng.choice(len(naovisit), p=p))]
            rota.append(escolha); naovisit.remove(escolha)
        rotas.append(rota); custos.append(custo(rota))
    k = int(np.argmin(custos))
    if custos[k] < melhor_custo:
        melhor_custo, melhor_rota = custos[k], rotas[k][:]
    tau *= (1 - RHO)                                   # evaporacao
    for rota, c in zip(rotas, custos):                 # deposito
        for i in range(n):
            u, v = rota[i], rota[(i + 1) % n]
            tau[u, v] += Q * 1000.0 / c
            tau[v, u] += Q * 1000.0 / c
    if it in (0, 9, 49, 99, 199):
        historico.append((it + 1, min(custos), melhor_custo))

vmp = min((vizinho_mais_proximo(i) for i in range(n)), key=custo)
print("vizinho mais proximo (melhor partida): {:>8.0f} km".format(custo(vmp)))
print()
print("iteracao | melhor da rodada | melhor ate agora")
for it, mr, ma in historico:
    print("{:>8} | {:>13.0f} km | {:>13.0f} km".format(it, mr, ma))
print()
print("Ant System                          : {:>8.0f} km".format(melhor_custo))
print("ganho sobre o vizinho mais proximo  : {:>8.1f} %".format(
    100 * (custo(vmp) - melhor_custo) / custo(vmp)))
print()
i0 = melhor_rota.index(0)
ordem = melhor_rota[i0:] + melhor_rota[:i0]
print("rota: " + " > ".join(NOMES[i] for i in ordem) + " > " + NOMES[ordem[0]])

saída real da execução

vizinho mais proximo (melhor partida):    14214 km

iteracao | melhor da rodada | melhor ate agora
       1 |         17406 km |         17406 km
      10 |         14074 km |         13971 km
      50 |         13961 km |         13801 km
     100 |         14243 km |         13801 km
     200 |         13961 km |         13801 km

Ant System                          :    13801 km
ganho sobre o vizinho mais proximo  :      2.9 %

rota: Aracaju > Salvador > Palmas > Brasilia > Goiania > Belo Horizonte >
Vitoria > Rio de Janeiro > Sao Paulo > Curitiba > Florianopolis >
Porto Alegre > Campo Grande > Cuiaba > Rio Branco > Porto Velho >
Manaus > Boa Vista > Macapa > Belem > Sao Luis > Teresina > Fortaleza >
Natal > Joao Pessoa > Recife > Maceio > Aracaju

A rota faz sentido geográfico: desce o litoral do Nordeste ao Sul, atravessa o Centro-Oeste até a Amazônia ocidental, sobe pelo Norte e fecha pelo litoral nordestino. O ganho sobre o vizinho mais próximo é de apenas 2,9% — o que é típico e importante de dizer: heurísticas simples já são muito boas, e a metaheurística disputa os últimos poucos por cento. Repare também na coluna "melhor da rodada": na iteração 100 ela piora para 14.243 km. A colônia não caminha monotonicamente para melhor; quem garante que nada se perde é o registro do melhor histórico, guardado fora da população. É um arquivo do melhor até agora, primo do elitismo e não a mesma coisa: a rota guardada não volta a competir nem recebe depósito extra de feromônio — ela só não deixa o recorde ser esquecido. As variantes posteriores do método, como o Ant System elitista e o MAX-MIN, mudam justamente isso, dando à melhor rota um reforço privilegiado.

Geração 17

Perguntas para o seu contexto

Marque o que já consegue explicar para um colega sem consultar o texto. Cada item corresponde a uma peça do algoritmo.

0 de 7

Sei escolher uma codificação para o meu problema e justificar por que soluções parecidas ficam parecidas no cromossomo. Consigo escrever a função de aptidão do meu problema e apontar o atalho que ela permitiria ao algoritmo. Sei a diferença entre roleta e torneio e sei qual usar quando as notas têm escalas muito diferentes. Sei dizer o que o cruzamento faz que a mutação não faz — e vice-versa. Consigo explicar por que, sem elitismo, o algoritmo pode perder a melhor solução que já encontrou. Sei comparar dois métodos de forma honesta, fixando o orçamento de avaliações e repetindo as execuções. Consigo dizer, para um problema concreto, se vale mais uma metaheurística ou um método exato.

Vale a transposição para a sala de aula, porque a estrutura é curiosamente familiar. Uma turma é uma população; uma avaliação é uma função de aptidão; e todo professor já viu o que acontece quando a nota premia exatamente aquilo que é fácil de medir — os alunos otimizam o critério, não o objetivo. Se a sua rubrica pode ser satisfeita sem que o aluno aprenda, ela será, e a culpa não é do aluno: é do desenho da função. O elitismo tem seu equivalente pedagógico na memória institucional — guardar o que funcionou, para não redescobrir tudo a cada semestre. E a diversidade tem o dela: uma turma inteira pensando igual converge rápido para uma resposta, e frequentemente para a errada.

Seleção final

Feio, funcional e sem explicação

Fica uma inquietação depois de olhar a antena da ST5 por tempo suficiente. Ela funciona melhor que o desenho humano e ninguém consegue contar a história de por quê — não há um princípio de engenharia por trás de cada dobra, há um histórico de seleção. É o mesmo tipo de opacidade que hoje discutimos a respeito das redes neurais, só que trinta anos mais velha e num pedaço de metal que dá para segurar na mão.

Talvez seja essa a lição mais durável da computação evolucionária, mais durável até que os algoritmos: a otimização não precisa de compreensão, mas a engenharia precisa de confiança — e confiança, quando não vem de entender, tem de vir de testar. A antena voou porque passou por qualificação de voo, não porque alguém entendeu suas dobras. Vale lembrar disso toda vez que alguém propuser colocar um sistema otimizado, e não compreendido, no lugar de uma decisão que afeta pessoas.

No próximo post da série a lente vira para os dados: se o algoritmo só otimiza o que a função de aptidão mede, e se a rede só aprende o que os exemplos mostram, então quem escolhe o critério e quem escolhe os exemplos decide o que a máquina vai fazer. Até lá, fica a pergunta: no seu trabalho, qual é a "função de aptidão" que já está sendo otimizada sem que ninguém a tenha escrito de propósito — e o que ela premia que você não gostaria de premiar?

Nota do autor: a expressão de Turing sobre a "busca genética ou evolucionária" não está no artigo de 1950 na Mind, como às vezes se lê, e sim no relatório Intelligent Machinery, escrito em 1948 no National Physical Laboratory e publicado apenas em 1969 em Machine Intelligence 5; a passagem da máquina-criança, essa sim, é do artigo de 1950 — as duas citações no texto refletem essa separação, e as traduções são do autor. Os parâmetros de população e mutação citados na Geração 13 (200 indivíduos com mutação de 50%; 50 indivíduos com mutação de 1%) referem-se à primeira rodada de evolução, documentada em 2003 para a antena ST5-3-10, e não à antena que efetivamente voou, a ST5-33-142-7, reevoluída depois da mudança de requisitos de órbita; as fontes da NASA consultadas não publicam os parâmetros dessa segunda rodada. Os percentuais de eficiência do Gráfico 1 são de ensaio do sistema de antenas e não devem ser lidos como eficiência de irradiação de uma antena isolada. Os valores da Tabela 2 são os publicados no experimento original de 1994 e não representam o estado da arte atual em job shop, hoje bem mais próximo do ótimo; a coluna de diferença percentual foi calculada pelo autor. Sobre o experimento das formigas: a formulação popular de que "praticamente todas as formigas passam a usar o caminho curto" é mais forte do que o resultado publicado — em 11 de 14 experimentos com razão 2 entre os ramos, mais de 80% do tráfego usou o ramo curto, e em 14 de 14 houve seleção significativa; a espécie é grafada Iridomyrmex humilis no artigo de 1989, sendo Linepithema humile a designação atual. A hipótese dos blocos construtivos é apresentada como hipótese, e não como resultado, porque nunca recebeu formulação matemática rigorosa nem se sustenta em todas as classes de problema. O resultado de convergência de Rudolph (1994) vale para otimização estática e é assintótico: garante que a melhor solução já encontrada tende ao ótimo global, não que isso ocorra em tempo útil. As coordenadas das capitais usadas no Tutorial 3 são aproximadas, referentes às sedes municipais, e as distâncias são de grande círculo — não de estrada; o valor de 13.801 km foi confirmado pelo autor como ótimo local para a busca 2-opt e reencontrado como melhor resultado em 3.000 reinícios aleatórios de 2-opt, mas não há aqui prova de otimalidade global. Os três programas em Python foram executados pelo autor com as sementes indicadas e as saídas reproduzidas são reais e completas, sem cortes; alterar a semente altera os números. Os números da Tabela 1 valem para as implementações e os parâmetros deste laboratório e não são uma comparação geral entre algoritmo genético e enxame de partículas: mudar a codificação, os operadores, o tamanho da população ou os coeficientes muda o placar. Os laboratórios interativos desta página usam gerador pseudoaleatório próprio, com sementes fixas, para que o botão de reiniciar percorra sempre a mesma sequência de cenários e o placar da corrida seja reprodutível a partir do botão de zerar — não são reproduções dos programas em Python, e sim implementações independentes em JavaScript, com populações e orçamentos menores para caber no navegador. Sobre o setor elétrico brasileiro: a afirmação de que NEWAVE e DECOMP não empregam metaheurísticas bioinspiradas baseia-se na leitura dos manuais de referência do CEPEL, que descrevem programação dinâmica dual estocástica como método de solução. Por fim, não foram localizados documentos primários que atestem uso operacional de algoritmos genéticos, enxame de partículas ou colônia de formigas em produção na Petrobras ou na Embraer, ainda que exista literatura acadêmica brasileira sobre esses domínios — por isso o post não faz essa afirmação.

Referências

BENTO, Eduardo Pereira; KAGAN, Nelson. Algoritmos genéticos e variantes na solução de problemas de configuração de redes de distribuição. Sba: Controle & Automação Sociedade Brasileira de Automática, Campinas, v. 19, n. 3, p. 302-315, 2008. DOI: 10.1590/S0103-17592008000300006. Disponível em: https://www.scielo.br/j/ca/a/CJc9Y4GpQjMfpXpb7yFvpSH/. Acesso em: 19 ago. 2026.
BEYER, Hans-Georg; SCHWEFEL, Hans-Paul. Evolution strategies: a comprehensive introduction. Natural Computing, v. 1, n. 1, p. 3-52, 2002. DOI: 10.1023/A:1015059928466. Disponível em: https://doi.org/10.1023/A:1015059928466. Acesso em: 19 ago. 2026.
BRATTON, Daniel; KENNEDY, James. Defining a standard for particle swarm optimization. In: IEEE SWARM INTELLIGENCE SYMPOSIUM, 2007, Honolulu. Proceedings of the 2007 IEEE Swarm Intelligence Symposium. Piscataway: IEEE, 2007. p. 120-127. DOI: 10.1109/SIS.2007.368035.
CENTRO DE PESQUISAS DE ENERGIA ELÉTRICA (CEPEL). Manual de referência: modelo DECOMP. Versão 31. Rio de Janeiro: Eletrobras/Cepel, out. 2021. Disponível em: https://www.cepel.br/wp-content/uploads/2022/05/DECOMP_ManualReferencia_Out2021.pdf. Acesso em: 19 ago. 2026.
COLORNI, Alberto; DORIGO, Marco; MANIEZZO, Vittorio; TRUBIAN, Marco. Ant system for job-shop scheduling. Belgian Journal of Operations Research, Statistics and Computer Science, v. 34, n. 1, p. 39-53, 1994. Disponível em: https://www.orbel.be/jorbel/index.php/jorbel/article/download/169/125/244. Acesso em: 19 ago. 2026.
DEB, Kalyanmoy; PRATAP, Amrit; AGARWAL, Sameer; MEYARIVAN, T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, v. 6, n. 2, p. 182-197, abr. 2002. DOI: 10.1109/4235.996017. Disponível em: https://doi.org/10.1109/4235.996017. Acesso em: 19 ago. 2026.
DE JONG, Kenneth Alan. An analysis of the behavior of a class of genetic adaptive systems. 1975. Tese (Doutorado em Computer and Communication Sciences) — University of Michigan, Ann Arbor, 1975. Disponível em: https://deepblue.lib.umich.edu/handle/2027.42/4507. Acesso em: 19 ago. 2026.
DEL SER, Javier et al. Bio-inspired computation: where we stand and what's next. Swarm and Evolutionary Computation, v. 48, p. 220-250, 2019. DOI: 10.1016/j.swevo.2019.04.008. Disponível em: https://doi.org/10.1016/j.swevo.2019.04.008. Acesso em: 19 ago. 2026.
DI CARO, Gianni; DORIGO, Marco. AntNet: distributed stigmergetic control for communications networks. Journal of Artificial Intelligence Research, v. 9, p. 317-365, 1998. DOI: 10.1613/jair.530. Disponível em: https://doi.org/10.1613/jair.530. Acesso em: 19 ago. 2026.
DORIGO, Marco. Optimization, learning and natural algorithms. 1992. Tese (Doutorado) — Dipartimento di Elettronica, Politecnico di Milano, Milão, 1992. [Em italiano].
DORIGO, Marco; MANIEZZO, Vittorio; COLORNI, Alberto. Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), v. 26, n. 1, p. 29-41, fev. 1996. DOI: 10.1109/3477.484436. Disponível em: https://doi.org/10.1109/3477.484436. Acesso em: 19 ago. 2026.
FOGEL, Lawrence J.; OWENS, Alvin J.; WALSH, Michael J. Artificial intelligence through simulated evolution. Nova York: John Wiley & Sons, 1966.
GOLDBERG, David E. Genetic algorithms in search, optimization, and machine learning. Reading: Addison-Wesley, 1989.
GOOGLE DEEPMIND. AlphaEvolve: a Gemini-powered coding agent for designing advanced algorithms. Londres: Google DeepMind, 14 maio 2025. Disponível em: https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/. Acesso em: 19 ago. 2026.
GOSS, S.; ARON, S.; DENEUBOURG, J. L.; PASTEELS, J. M. Self-organized shortcuts in the Argentine ant. Naturwissenschaften, v. 76, n. 12, p. 579-581, 1989. DOI: 10.1007/BF00462870. Disponível em: https://doi.org/10.1007/BF00462870. Acesso em: 19 ago. 2026.
HOLLAND, John H. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. Ann Arbor: University of Michigan Press, 1975.
HORNBY, Gregory S.; GLOBUS, Al; LINDEN, Derek S.; LOHN, Jason D. Automated antenna design with evolutionary algorithms. In: AIAA SPACE 2006 CONFERENCE & EXPOSITION, 2006, San Jose. Anais. Reston: AIAA, 2006. DOI: 10.2514/6.2006-7242. Disponível em: https://ntrs.nasa.gov/citations/20060024675. Acesso em: 19 ago. 2026.
HORNBY, Gregory S.; LOHN, Jason D.; LINDEN, Derek S. Computer-automated evolution of an X-band antenna for NASA's Space Technology 5 mission. Evolutionary Computation, v. 19, n. 1, p. 1-23, 2011. DOI: 10.1162/EVCO_a_00005. Disponível em: https://doi.org/10.1162/EVCO_a_00005. Acesso em: 19 ago. 2026.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência IBGE Notícias, Rio de Janeiro, 24 set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 19 ago. 2026.
KENNEDY, James; EBERHART, Russell. Particle swarm optimization. In: INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, 1995, Perth. Proceedings of ICNN'95. Piscataway: IEEE, 1995. v. 4, p. 1942-1948. DOI: 10.1109/ICNN.1995.488968. Disponível em: https://doi.org/10.1109/ICNN.1995.488968. Acesso em: 19 ago. 2026.
KOZA, John R. Genetic programming: on the programming of computers by means of natural selection. Cambridge: MIT Press, 1992.
LOHN, Jason D.; LINDEN, Derek S.; HORNBY, Gregory S.; KRAUS, William F.; RODRIGUEZ-ARROYO, Adan; SEUFERT, Stephen E. Evolutionary design of an X-band antenna for NASA's Space Technology 5 mission. In: NASA/DOD CONFERENCE ON EVOLVABLE HARDWARE, 2003. Anais. Piscataway: IEEE, 2003. Disponível em: https://ntrs.nasa.gov/api/citations/20030067398/downloads/20030067398.pdf. Acesso em: 19 ago. 2026.
MORRIS, Garrett M.; GOODSELL, David S.; HALLIDAY, Robert S.; HUEY, Ruth; HART, William E.; BELEW, Richard K.; OLSON, Arthur J. Automated docking using a Lamarckian genetic algorithm and an empirical binding free energy function. Journal of Computational Chemistry, v. 19, n. 14, p. 1639-1662, 1998. DOI: 10.1002/(SICI)1096-987X(19981115)19:14<1639::AID-JCC10>3.0.CO;2-B.
RECHENBERG, Ingo. Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Stuttgart-Bad Cannstatt: Frommann-Holzboog, 1973. (Problemata, 15).
REYNOLDS, Craig W. Flocks, herds and schools: a distributed behavioral model. ACM SIGGRAPH Computer Graphics, v. 21, n. 4, p. 25-34, 1987. DOI: 10.1145/37402.37406. Disponível em: https://doi.org/10.1145/37402.37406. Acesso em: 19 ago. 2026.
ROMERA-PAREDES, Bernardino et al. Mathematical discoveries from program search with large language models. Nature, v. 625, n. 7995, p. 468-475, 2024. DOI: 10.1038/s41586-023-06924-6. Disponível em: https://www.nature.com/articles/s41586-023-06924-6. Acesso em: 19 ago. 2026.
RUDOLPH, Günter. Convergence analysis of canonical genetic algorithms. IEEE Transactions on Neural Networks, v. 5, n. 1, p. 96-101, jan. 1994. DOI: 10.1109/72.265964. Disponível em: https://doi.org/10.1109/72.265964. Acesso em: 19 ago. 2026.
SHI, Yuhui; EBERHART, Russell. A modified particle swarm optimizer. In: IEEE INTERNATIONAL CONFERENCE ON EVOLUTIONARY COMPUTATION, 1998. IEEE World Congress on Computational Intelligence. Piscataway: IEEE, 1998. p. 69-73. DOI: 10.1109/ICEC.1998.699146.
TURING, Alan M. Computing machinery and intelligence. Mind, v. LIX, n. 236, p. 433-460, out. 1950. DOI: 10.1093/mind/LIX.236.433. Disponível em: https://academic.oup.com/mind/article/LIX/236/433/986238. Acesso em: 19 ago. 2026.
TURING, Alan M. Intelligent machinery. In: MELTZER, Bernard; MICHIE, Donald (ed.). Machine Intelligence 5. Edimburgo: Edinburgh University Press, 1969. p. 3-23. [Relatório do National Physical Laboratory redigido em 1948].
WOLPERT, David H.; MACREADY, William G. No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, v. 1, n. 1, p. 67-82, abr. 1997. DOI: 10.1109/4235.585893. Disponível em: https://doi.org/10.1109/4235.585893. Acesso em: 19 ago. 2026.

Afinal, o que é um prompt?

noreply@blogger.com (War) — Mon, 17 Aug 2026 17:32:34 -0300

Em junho de 2025 publicamos aqui o Guia completo de engenharia de prompt, com mais de vinte e cinco técnicas catalogadas. Pouco mais de um ano depois, boa parte daquele repertório mudou de status: umas viraram desnecessárias, outras viraram botão de API e algumas viraram antipadrão explícito na documentação dos fabricantes. Este post volta à pergunta mais básica de todas — afinal, o que é um prompt? — e responde com o que 2026 tem de mais relevante: a virada da engenharia de prompt para a engenharia de contexto, o fim do "pense passo a passo", o prompt que saiu do chat e virou arquivo versionado, e a injeção de prompt como risco de segurança número um. Com um dissecador interativo da janela de contexto, exemplos e contra-exemplos de prompts reais, dados do Cetic.br sobre o Brasil e fontes primárias na mesa.

Toda sala de aula tem a cena: alguém abre o chat, digita "faça um resumo disso aí", recebe um texto morno e conclui que "a IA não é essa maravilha toda". Do lado oposto, há quem colecione prompts mágicos em planilhas, com fórmulas de trinta linhas que prometem transformar qualquer modelo em consultor sênior. Os dois estão presos na mesma ilusão: a de que o prompt é a frase. Prompt não é a frase que você digita: é tudo o que entra na janela de contexto antes de o modelo gerar a primeira palavra — e essa distinção, que parecia preciosismo em 2023, virou o eixo de toda a prática profissional de 2026.

Este texto é uma atualização declarada do nosso (WAR, 2025) guia de junho de 2025. Aquele post continua útil como catálogo histórico de técnicas — mas o chão se moveu. Aqui vamos fazer três coisas: definir o que é um prompt com precisão técnica, mostrar o que envelheceu do catálogo antigo e apresentar os conceitos que hoje organizam a área, cada um com exemplo e contra-exemplo. Fontes primárias no rodapé, como sempre.

Turno 01

A definição técnica: prompt é a janela inteira, não a pergunta

A janela de contexto vista de perfil: o prompt é a pilha inteira, não só a última faixa. Ilustração do autor (2026)

Um modelo de linguagem faz uma coisa só: recebe uma sequência de tokens e calcula a probabilidade do próximo token. A arquitetura que sustenta isso, o Transformer, permite que cada token "preste atenção" em todos os outros da sequência (VASWANI et al., 2017). Prompt, tecnicamente, é essa sequência de entrada — o condicionamento completo que antecede a geração. Se um pedaço de texto entrou na sequência, ele é prompt; se não entrou, ele não existe para o modelo, por mais óbvio que pareça para você.

O que entra ali, num aplicativo real de 2026, é bem mais do que a caixa de digitação. São, tipicamente, sete camadas (SCHMID, 2025). Toque em cada uma para ver a definição e um exemplo concreto.

Selecione uma camada da pilha.

As sete juntas formam o prompt de verdade. A camada 6 — a única que a maioria das pessoas chama de "prompt" — costuma ser a menor delas.

Repare no tamanho relativo: num agente de trabalho, a mensagem do usuário raramente passa de 2% dos tokens enviados. O resto é infraestrutura invisível. É por isso que a mesma frase produz resultados radicalmente diferentes em aplicativos diferentes — não é o modelo que mudou, é a pilha.

Turno 02

O que envelheceu do guia de 2025

Sejamos honestos com o texto anterior: ele estava certo para o seu momento — e não estava sozinho: o próprio material de referência do Google sobre engenharia de prompt, então recém-publicado, catalogava as mesmas técnicas de cadeia de pensamento e autoconsistência (BOONSTRA, 2024). Em meados de 2025, os modelos de ponta ainda respondiam direto, sem etapa interna de raciocínio, e o "pense passo a passo" era um ganho mensurável. O Quadro 1 faz o balanço técnica por técnica, com a documentação atual de cada fabricante como critério.

Quadro 1 — Situação em 2026 das principais técnicas catalogadas no guia de engenharia de prompt de 2025

Técnica de 2025	Status em 2026	O que fazer agora
Zero-shot	Fortalecida	Virou o ponto de partida recomendado pela OpenAI para modelos de raciocínio
Few-shot (2 a 5 exemplos)	Em disputa	Anthropic ainda recomenda 3 a 5 exemplos; OpenAI manda tentar sem eles primeiro
Role prompting (persona)	Migrou de lugar	Saiu do chat e foi para as instruções do sistema e para arquivos de skill
Chain-of-thought explícito	Antipadrão em modelos de raciocínio	Substituir por parâmetro de esforço de raciocínio
Self-consistency (votação)	Absorvida pelo modelo	Passou a ser feita internamente; fora do controle do prompt
Tree of Thoughts	Absorvida	Idem — virou comportamento nativo do modo de raciocínio
Prompt chaining	Virou arquitetura	Hoje se chama orquestração de agentes e subagentes
RAG	Central e transformada	Deixou de ser "colar documentos" e virou recuperação sob demanda
ReAct	Virou infraestrutura	Uso de ferramentas nativo por API; não se escreve mais o laço à mão
Reflexion / auto-refinamento	Parcialmente absorvida	Sobrevive na otimização automática de prompts
Emotion prompting, RE2, RaR	Marginais	Ganhos residuais; não sustentam prática profissional
Meta prompting	Formalizada	Virou otimização programática com métrica de avaliação

Fonte: elaborado pelo autor com base em Openai (2026), Anthropic (2026), Google (2026) e War (2025).Nota: "absorvida" indica técnica que passou a ser executada internamente pelo modelo, sem instrução do usuário. A classificação é interpretativa do autor, ancorada na documentação vigente de cada fabricante em agosto de 2026.

O padrão salta aos olhos: o que era técnica de prompt virou parâmetro de API, comportamento nativo do modelo ou arquitetura de software. Sobrou pouca coisa no território original — e é exatamente esse vácuo que a engenharia de contexto veio ocupar.

Turno 03

Conceito 1 — Engenharia de contexto: o termo que substituiu o outro

Em junho de 2025 — no mesmo mês em que nosso guia foi publicado, por coincidência editorial saborosa — um punhado de pessoas influentes começou a dizer a mesma coisa ao mesmo tempo. Harrison Chase, da LangChain, publicou em 23 de junho a definição que virou padrão de mercado: engenharia de contexto é "construir sistemas dinâmicos que forneçam a informação e as ferramentas certas, no formato certo, de modo que o modelo consiga plausivelmente realizar a tarefa" (CHASE, 2025). Dois dias depois, Andrej Karpathy endossou publicamente a troca de nome, definindo-a como "a arte e a ciência delicada de preencher a janela de contexto com exatamente a informação certa para o próximo passo" (KARPATHY, 2025).

A formulação mais citável em contexto técnico veio da Anthropic, em setembro de 2025: engenharia de contexto é "o conjunto de estratégias para curar e manter o conjunto ótimo de tokens durante a inferência" — e o objetivo operacional é "encontrar o menor conjunto de tokens de alto sinal que maximize a probabilidade do resultado desejado" (ANTHROPIC, 2025b). Guarde essa frase: ela contém a inversão inteira. Não se trata de escrever mais, trata-se de escolher melhor o que entra.

A diferença na prática

Pensamento de engenharia de prompt

"Você é um professor universitárioexperiente, didático e rigoroso.Pense passo a passo. Seja detalhado.Analise o edital que colei abaixoe me diga se meu projeto se encaixa." [cola 40 páginas de edital][cola o projeto inteiro]

Aposta tudo na formulação da frase e despeja todo o material disponível na janela.

Pensamento de engenharia de contexto

"Verifique se o projeto atende aoscritérios de elegibilidade do edital.Responda item a item: critério,atende (sim/não/parcial), trechodo projeto que sustenta a resposta." [só a seção 4 do edital, que trazos critérios de elegibilidade][só o resumo e a metodologia]

Define o contrato de saída e seleciona o menor conjunto de material que torna a tarefa resolvível.

A LangChain organizou as operações dessa disciplina em quatro verbos, hoje amplamente adotados: escrever (salvar informação fora da janela), selecionar (puxar de volta só o relevante), comprimir (reter apenas os tokens essenciais) e isolar (dividir o trabalho entre agentes ou ambientes separados) (CHASE, 2025). A Anthropic descreve as quatro técnicas correspondentes que usa em produção: compaction — resumir a conversa que se aproxima do limite e reiniciar a janela com o resumo; anotação estruturada — o agente escreve notas em arquivo, fora da janela, e as traz de volta quando precisa; arquiteturas de subagentes — cada subagente explora dezenas de milhares de tokens e devolve um resumo de mil a dois mil; e recuperação sob demanda — o agente guarda apenas caminhos e identificadores e carrega o conteúdo em tempo de execução (ANTHROPIC, 2025b).

Turno 04

Conceito 2 — Mais contexto não é melhor contexto

O efeito "perdido no meio": a informação existe na janela, mas o modelo não a alcança bem. Ilustração do autor (2026)

Aqui mora a intuição mais cara de ser desfeita. Se o modelo aceita um milhão de tokens, por que não jogar tudo lá dentro? Porque a atenção é um recurso finito. Como cada token se relaciona com todos os outros, um contexto de n tokens gera n² relações par a par; a Anthropic descreve o efeito como um "orçamento de atenção" que se estica cada vez mais fino, e conclui que o contexto "deve ser tratado como recurso finito com retornos marginais decrescentes" (ANTHROPIC, 2025b).

Isso não é retórica: é resultado medido. O estudo que batizou o fenômeno de "perdido no meio" mostrou que a acurácia despenca quando a informação relevante está no miolo de um contexto longo — em alguns arranjos, fica pior do que não dar documento nenhum ao modelo (LIU, N. F. et al., 2024). A Tabela 1 traz os números.

Tabela 1 — Acurácia do GPT-3.5 Turbo em pergunta e resposta, por posição do documento relevante entre 20 documentos — 2023

Condição	Acurácia (%)
Só o documento correto (oráculo)	88,3
Documento relevante na posição 1	75,8
Sem nenhum documento (livro fechado)	56,1
Documento relevante na posição 10	53,8

Fonte: elaborado pelo autor com base em Liu, N. F. et al. (2024).Nota: cenário com 20 documentos recuperados (cerca de 4 mil tokens). A condição "livro fechado" mede o desempenho do modelo sem qualquer documento de apoio.

Leia a tabela devagar: enterrar a resposta no meio de vinte documentos foi pior do que não dar documento algum. Em 2025, um estudo com dezoito modelos de ponta — incluindo GPT-4.1, Claude 4 e Gemini 2.5 — generalizou o achado sob o nome de context rot, ou apodrecimento de contexto: "os modelos não usam o contexto de forma uniforme; o desempenho fica cada vez mais imprevisível conforme o comprimento da entrada cresce" (HONG; TROYNIKOV; HUBER, 2025). Mais contexto não é melhor contexto — e essa é, provavelmente, a lição mais prática deste post para quem usa IA no trabalho.

O que fazer com isso na segunda-feira

Três hábitos derivam direto dessas evidências. Um: recorte antes de colar — a seção pertinente vale mais que o documento inteiro. Dois: coloque o essencial no começo ou no fim da mensagem, nunca no miolo. Três: quando a conversa ficar longa, não insista — peça um resumo do que foi decidido, abra um chat novo e comece com esse resumo. Isso é compaction feito à mão, e funciona.

Turno 05

Conceito 3 — O fim do "pense passo a passo"

A frase mais famosa da engenharia de prompt foi aposentada por um botão. Ilustração do autor (2026)

Essa é a mudança que mais confunde quem aprendeu prompt em 2023 e 2024. A documentação oficial da OpenAI para modelos de raciocínio é literal: "evite prompts de cadeia de pensamento — como esses modelos raciocinam internamente, pedir que 'pensem passo a passo' ou 'expliquem seu raciocínio' é desnecessário"; e ainda: "tente zero-shot primeiro, few-shot só se necessário" e "mantenha os prompts simples e diretos" (OPENAI, 2026). O Google diz o equivalente no guia do Gemini 3: se você usava engenharia de prompt complexa, "como cadeia de pensamento, para forçar o Gemini 2.5 a raciocinar, tente o Gemini 3 com thinking_level: high e prompts simplificados"; o modelo, adverte a mesma página, "pode analisar demais prompts verbosos ou excessivamente elaborados" (GOOGLE, 2026). A Anthropic completa o trio: o Claude "costuma ter desempenho melhor com instruções de alto nível para pensar profundamente sobre a tarefa do que com orientação prescritiva passo a passo" (ANTHROPIC, 2026).

Não é apenas recomendação de fabricante — há evidência experimental de que insistir na cadeia de pensamento chega a piorar o resultado. Um estudo mostrou queda de até 36,3 pontos percentuais de acurácia em tarefas nas quais raciocinar explicitamente também atrapalha humanos, como reconhecimento de padrões com exceções (LIU, R. et al., 2024). Outro, de 2025, mediu a degradação causada por exemplos de raciocínio em modelos que já raciocinam: quedas de 6% a 16% com um único exemplo e de até 35% com três exemplos no benchmark de matemática AIME 2025 (WANG et al., 2025). E uma meta-análise de mais de cem artigos concluiu que o ganho da cadeia de pensamento se concentra em matemática e raciocínio simbólico, sendo marginal no resto (SPRAGUE et al., 2024).

Reflexo de 2024

"Você é um estatístico sênior.Pense passo a passo, com muitocuidado, e explique cada etapa doseu raciocínio antes de responder.Vamos com calma. Respire fundo.Calcule o tamanho de amostranecessário para a minha pesquisa."

Gasta tokens de raciocínio com andaime desnecessário e não diz o essencial: os parâmetros do cálculo.

Prática de 2026

"Calcule o tamanho de amostra paraestimar uma proporção populacional.População: 12.400 estudantes.Margem de erro: 5 pontos.Confiança: 95%. Proporção esperada:desconhecida. Entregue: fórmulausada, cálculo e resultado inteiro."

Objetivo claro, parâmetros completos e contrato de saída explícito. O raciocínio fica por conta do modelo.

Atenção a uma ressalva importante: isso vale para modelos de raciocínio. Em modelos rápidos, sem etapa interna de pensamento, o "pense passo a passo" continua ajudando — a própria Anthropic recomenda a cadeia de pensamento com marcações XML quando o raciocínio estendido está desligado (ANTHROPIC, 2026). A técnica não morreu; ela mudou de endereço.

Turno 06

Conceito 4 — Quando o prompt vira parâmetro

Se o modelo já pensa sozinho, como controlar quanto ele pensa? Por parâmetro, não por frase. O guia do GPT-5 introduziu o reasoning_effort como o botão que "controla o quanto o modelo pensa e o quão disposto ele está a chamar ferramentas" (OPENAI, 2025); nas versões atuais a escala vai de none a max. O Google oferece o thinking_level; a Anthropic passou ao raciocínio adaptativo, no qual o próprio Claude decide quando e quanto pensar (ANTHROPIC, 2026). O Quadro 2 organiza as recomendações divergentes dos três fabricantes — sim, elas divergem, e fingir consenso seria desonesto.

Quadro 2 — Recomendações oficiais de prompting para modelos de raciocínio, por fabricante — agosto de 2026

Aspecto	OpenAI	Anthropic	Google
Cadeia de pensamento explícita	Evitar	Preferir instrução de alto nível	Substituir por nível de raciocínio
Exemplos (few-shot)	Tentar sem exemplos primeiro	Manter 3 a 5 exemplos	Depende do modelo; simplificar no Gemini 3
Tamanho do prompt	Enxuto; dizer cada instrução uma vez	Explícito, com contexto e motivação	Conciso e direto
Estrutura	Delimitadores: Markdown, XML, títulos	Marcações XML por tipo de conteúdo	Uma instrução por prompt
Controle do raciocínio	Parâmetro de esforço, de none a max	Raciocínio adaptativo	Parâmetro de nível de pensamento
Risco declarado	Instruções contraditórias custam tokens de raciocínio	Devolver o raciocínio do modelo ao prompt degrada o resultado	Reduzir a temperatura pode causar laços e degradação

Fonte: elaborado pelo autor com base em Openai (2025), Openai (2026), Anthropic (2026) e Google (2026).Nota: tradução livre do autor a partir da documentação em inglês; nomes de parâmetros mantidos no original por serem identificadores de código.

Um achado do guia do GPT-5 merece destaque, porque contraria o instinto de quem escreve prompts longos: prompts mal construídos, com instruções vagas ou contraditórias, "podem ser mais danosos ao GPT-5 do que a outros modelos, porque ele gasta tokens de raciocínio procurando um jeito de reconciliar as contradições" (OPENAI, 2025). Aquele prompt de trinta linhas colecionado na planilha, com regras acumuladas ao longo de meses, provavelmente contém pelo menos duas ordens incompatíveis. Ele não está ajudando.

Turno 07

Conceito 5 — O prompt saiu do chat

De frase efêmera a artefato versionado: a instrução virou arquivo, e a conexão virou padrão. Ilustração do autor (2026)

A mudança institucional mais silenciosa é também a mais profunda. Em novembro de 2024, a Anthropic publicou o Model Context Protocol, um padrão aberto para conectar assistentes às fontes de dados e ferramentas (ANTHROPIC, 2024). A OpenAI aderiu em março de 2025, o Google em abril. Em dezembro de 2025 o protocolo foi doado à Agentic AI Foundation, fundo dirigido sob a Linux Foundation, com AWS, Anthropic, Google, Microsoft e OpenAI entre os membros fundadores (LINUX FOUNDATION, 2025). Ou seja: a camada 2 da nossa pilha — as ferramentas disponíveis — deixou de ser improviso de cada aplicativo e virou infraestrutura padronizada de indústria.

Na mesma direção, em outubro de 2025 a Anthropic publicou as Agent Skills: pastas com um arquivo SKILL.md que descreve uma capacidade, carregado sob demanda pelo agente segundo o princípio da divulgação progressiva — na inicialização o agente lê só o nome e a descrição de cada skill; quando a tarefa combina com a descrição, o arquivo inteiro entra no contexto; e só então os scripts e anexos são carregados (ANTHROPIC, 2025c). É engenharia de contexto aplicada à própria distribuição de instruções.

Para quem escreve prompts, a consequência é concreta e um pouco vertiginosa: o prompt deixou de ser texto digitado e jogado fora e virou artefato versionado em disco, com nome, descrição, histórico de mudanças e reuso entre projetos. A descrição da skill vira um problema de roteamento — é ela que decide se a capacidade será acionada. Escrever prompt deixou de ser digitar melhor e passou a ser projetar o que entra na janela, quando entra e sob que condições.

Turno 08

Conceito 6 — Injeção de prompt: o risco número um

A instrução hostil não vem do usuário: vem escondida no material que o agente foi ler. Ilustração do autor (2026)

Se o prompt é a janela inteira, então qualquer coisa que entre na janela pode dar ordens. Esse é o problema. Na edição 2026 do ranking de riscos da OWASP para aplicações de IA generativa, publicada em 4 de agosto de 2026, a injeção de prompt ocupa o primeiro lugar pelo terceiro ano seguido. A definição oficial vale a citação: a vulnerabilidade ocorre quando uma entrada — do usuário, de conteúdo recuperado, de saída de ferramenta, de imagem, áudio ou vídeo, de raciocínio intermediário ou de memória persistente — altera o comportamento do modelo de um jeito que o desenvolvedor não pretendia, porque o modelo não distingue instrução de dado: os dois são tokens no mesmo fluxo, e não existe equivalente limpo a consultas parametrizadas (OWASP, 2026).

O documento aponta três agravantes da arquitetura atual: o compartilhamento de uma única janela por conteúdos de origens diferentes, sem fronteira de confiança; a persistência em memória, que faz uma injeção contaminar todas as sessões futuras; e a execução agêntica — quando a saída do modelo dispara chamadas de ferramenta, "o raio de alcance se estende da tela do chat para tudo o que as ferramentas do agente conseguem tocar" (OWASP, 2026). Em bom português: o assistente que só conversava podia, no máximo, mentir; o agente que navega, escreve arquivos e envia e-mails pode ser instrumentalizado.

O que o usuário pede

"Leia esta página com as normas desubmissão do congresso e preenchao formulário de inscrição para mim."

Pedido legítimo, inofensivo e absolutamente comum.

O que estava escondido na página

Texto invisível para o leitor humano, mas apenas mais tokens no fluxo para o modelo.

Não é hipótese de laboratório. Ao liberar o Claude para navegar em uma extensão de navegador, a Anthropic reportou avaliação adversarial com 123 casos de teste em 29 cenários de ataque: a taxa de sucesso dos ataques era de 23,6% antes das mitigações e caiu para 11,2% depois — em ataques específicos de navegador, de 35,7% para zero (ANTHROPIC, 2025a). Leia de novo o número que sobrou: 11,2%. É muito. A defesa prática, para quem usa, é a de sempre: desconfie de agentes com permissões amplas sobre material de origem desconhecida, e não delegue a um agente ação irreversível que você não conferiria.

Turno 09

Conceito 7 — Do artesanato à otimização automática

Existe uma última fronteira, e ela é a mais desconfortável para quem se orgulha de escrever prompts bonitos: a máquina escreve melhor que você. A ideia começou em Stanford, com um arcabouço que propõe tratar cadeias de chamadas a modelos como programas compiláveis, e cujo lema é explícito — "programar, não fazer prompt" (KHATTAB et al., 2023). Em vez de você reescrever a frase no escuro, um otimizador ajusta as instruções contra uma métrica de avaliação.

O resultado mais forte veio em 2026, com um otimizador que reflete em linguagem natural sobre as próprias trajetórias de execução para diagnosticar falhas e propor edições no prompt: em seis tarefas, superou o aprendizado por reforço em 6% na média e em até 20% no melhor caso, usando até 35 vezes menos execuções, e bateu o principal otimizador de prompts anterior em mais de 10% (AGRAWAL et al., 2026). A moral é dura e libertadora ao mesmo tempo: a pergunta certa não é "qual é o prompt mágico?", mas "como eu meço se este prompt está funcionando?". Quem tem métrica pode otimizar; quem só tem opinião fica reescrevendo frase no escuro.

Para o professor, o pesquisador e o profissional que não vai programar nada disso, a transposição é direta: antes de brigar com a redação do prompt, defina em uma linha o que seria uma boa resposta e como você reconheceria uma ruim. Essa linha é a sua métrica — e vale mais que qualquer coleção de fórmulas.

Turno 10

E o Brasil nessa conversa?

Nada disso é abstrato para o país. A pesquisa TIC Domicílios, do Cetic.br, ouviu 24.535 indivíduos entre março e agosto de 2025 e encontrou 32% dos usuários de internet usando ferramentas de IA generativa — cerca de 50 milhões de pessoas de 10 anos ou mais (CETIC.BR, 2025). Como pano de fundo, o IBGE registrou que 90,5% da população de 10 anos ou mais usou a internet em 2025, a primeira vez acima dos 90% (IBGE, 2026). Quase todo mundo está conectado; cerca de um terço usa IA generativa. E a distribuição desse terço é o dado que deveria estar em toda discussão de política educacional.

Quem usa IA generativa no Brasil

Classe A69%

Ensino superior59%

Média do Brasil32%

Ensino fundamental17%

Classes D/E16%

Fonte: elaborado pelo autor com base em Cetic.br (2025).Nota: percentuais sobre o total de usuários de internet de 10 anos ou mais, ano de referência 2025.

Cinquenta e três pontos percentuais separam a classe A das classes D e E. O título do próprio release do Cetic.br não faz rodeios: cinquenta milhões de brasileiros já usam IA, mas os benefícios seguem limitados às camadas de maior renda e escolaridade (CETIC.BR, 2025). Ensinar o que é um prompt — de verdade, com a pilha inteira e não com a fórmula mágica — é, nesse cenário, uma pauta de equidade, não de produtividade.

Turno 11

Perguntas para o seu contexto

Marque o que você já consegue fazer. Cada item corresponde a um conceito deste post.

0 de 6

Consigo nomear as sete camadas que compõem a janela de contexto de um assistente. Recorto o material antes de colar, em vez de despejar o documento inteiro na conversa. Sei quando o "pense passo a passo" ajuda — e quando ele só queima tokens de raciocínio. Escrevo o contrato de saída (formato, campos, tamanho) junto com o pedido. Reinicio a conversa com um resumo quando ela fica longa, em vez de insistir no mesmo fio. Sei explicar a um colega por que um agente que navega na web pode receber ordens de terceiros.

Enter

A pergunta mudou de lugar

Voltemos ao começo. Afinal, o que é um prompt? É a sequência inteira de tokens que condiciona a geração — sete camadas, das quais a sua frase é a menor. Foi por não enxergar as outras seis que a engenharia de prompt virou, em pouco mais de um ano, um capítulo da engenharia de contexto. O catálogo de 2025 não estava errado; ele descrevia com precisão o que dava para controlar quando só se controlava a frase. Hoje controla-se a pilha, e o ofício mudou junto: menos alquimia verbal, mais curadoria, arquitetura e medição.

Fica a boa notícia para quem ensina: o que sobrou é ensinável e transferível. Selecionar informação relevante, estruturar um pedido, declarar o que se espera de resposta e verificar o resultado são competências que a universidade brasileira já sabe formar há décadas — só não sabia que estava treinando gente para conversar com máquina. Então, na próxima vez que uma resposta vier morna, resista ao impulso de reescrever a frase e faça a pergunta que este post inteiro tentou instalar: o que precisaria estar na janela para esta tarefa ser resolvível?

Nota do autor: as traduções de trechos da documentação técnica e dos artigos citados são livres, feitas pelo autor a partir do original em inglês; nomes de parâmetros de API foram mantidos no original por serem identificadores de código. A classificação do Quadro 1 é interpretativa: as fontes citadas descrevem recomendações e comportamentos, não rotulam as técnicas antigas como obsoletas. A paternidade do termo "engenharia de contexto" é difusa — o registro público mais antigo de grande alcance é atribuído a Tobi Lütke em 19 de junho de 2025, seguido por Harrison Chase em 23 de junho e Andrej Karpathy em 25 de junho; adotamos as formulações de Chase e Karpathy por serem as citáveis com texto integral verificado. Os números de acurácia da Tabela 1 referem-se ao GPT-3.5 Turbo em 2023 e servem para demonstrar o fenômeno, não o desempenho de modelos atuais, que sofrem o mesmo efeito em magnitude menor. Os percentuais de uso de IA no Brasil vêm do Cetic.br: a PNAD Contínua TIC do IBGE, de 2025, não investigou uso de inteligência artificial, e por isso não há percentual do IBGE sobre o tema para citar. Os resultados do otimizador automático citado seguem a versão revisada do artigo (2026), que reporta 6% de ganho médio em seis tarefas; a versão preliminar de 2025 reportava 10% em quatro tarefas, número ainda reproduzido em textos de divulgação.

Referências

AGRAWAL, Lakshya A. et al. GEPA: reflective prompt evolution can outperform reinforcement learning. [S. l.], 2026. Versão 2, fev. 2026. Trabalho aceito na International Conference on Learning Representations (ICLR), 2026. Disponível em: https://arxiv.org/abs/2507.19457. Acesso em: 17 ago. 2026.
ANTHROPIC. Introducing the Model Context Protocol. San Francisco: Anthropic, 25 nov. 2024. Disponível em: https://www.anthropic.com/news/model-context-protocol. Acesso em: 17 ago. 2026.
ANTHROPIC. Piloting Claude for Chrome. San Francisco: Anthropic, 25 ago. 2025a. Disponível em: https://claude.com/blog/claude-for-chrome. Acesso em: 17 ago. 2026.
ANTHROPIC. Effective context engineering for AI agents. San Francisco: Anthropic, 29 set. 2025b. Disponível em: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents. Acesso em: 17 ago. 2026.
ANTHROPIC. Equipping agents for the real world with Agent Skills. San Francisco: Anthropic, 16 out. 2025c. Disponível em: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills. Acesso em: 17 ago. 2026.
ANTHROPIC. Prompt engineering: best practices and extended thinking tips. San Francisco: Anthropic, 2026. Documentação técnica da plataforma Claude. Disponível em: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices. Acesso em: 17 ago. 2026.
BOONSTRA, Lee. Prompt engineering. [S. l.]: Google; Kaggle, 2024. Atualizado em 19 jun. 2026. Disponível em: https://www.kaggle.com/whitepaper-prompt-engineering. Acesso em: 17 ago. 2026.
CETIC.BR — CENTRO REGIONAL DE ESTUDOS PARA O DESENVOLVIMENTO DA SOCIEDADE DA INFORMAÇÃO. 50 milhões de brasileiros já usam IA, mas potenciais benefícios continuam limitados às camadas de maior renda e escolaridade. Cetic.br, São Paulo, 9 dez. 2025. Pesquisa TIC Domicílios 2025. Disponível em: https://cetic.br/pt/noticia/50-milhoes-de-brasileiros-ja-usam-ia-mas-potenciais-beneficios-continuam-limitados-as-camadas-de-maior-renda-e-escolaridade/. Acesso em: 17 ago. 2026.
CHASE, Harrison. The rise of context engineering. LangChain Blog, San Francisco, 23 jun. 2025. Disponível em: https://www.langchain.com/blog/the-rise-of-context-engineering. Acesso em: 17 ago. 2026.
GOOGLE. Gemini 3 developer guide. Mountain View: Google, 2026. Documentação da Gemini API. Disponível em: https://ai.google.dev/gemini-api/docs/gemini-3. Acesso em: 17 ago. 2026.
HONG, Kelly; TROYNIKOV, Anton; HUBER, Jeff. Context rot: how increasing input tokens impacts LLM performance. São Francisco: Chroma, 14 jul. 2025. Disponível em: https://www.trychroma.com/research/context-rot. Acesso em: 17 ago. 2026.
IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Proporção de usuários da internet no país ultrapassou 90% da população de 10 anos ou mais em 2025. Agência IBGE Notícias, Rio de Janeiro, 2 jul. 2026. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/47408-proporcao-de-usuarios-da-internet-no-pais-ultrapassou-90-da-populacao-de-10-anos-ou-mais-em-2025. Acesso em: 17 ago. 2026.
KARPATHY, Andrej. +1 for "context engineering" over "prompt engineering". [S. l.], 25 jun. 2025. Publicação na rede social X. Disponível em: https://x.com/karpathy/status/1937902205765607626. Acesso em: 17 ago. 2026.
KHATTAB, Omar et al. DSPy: compiling declarative language model calls into self-improving pipelines. [S. l.], 2023. Disponível em: https://arxiv.org/abs/2310.03714. Acesso em: 17 ago. 2026.
LINUX FOUNDATION. Linux Foundation announces the formation of the Agentic AI Foundation. San Francisco: The Linux Foundation, 9 dez. 2025. Disponível em: https://www.linuxfoundation.org/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation. Acesso em: 17 ago. 2026.
LIU, Nelson F. et al. Lost in the middle: how language models use long contexts. Transactions of the Association for Computational Linguistics, Cambridge, v. 12, p. 157-173, 2024. DOI: 10.1162/tacl_a_00638. Disponível em: https://aclanthology.org/2024.tacl-1.9/. Acesso em: 17 ago. 2026.
LIU, Ryan et al. Mind your step (by step): chain-of-thought can reduce performance on tasks where thinking makes humans worse. [S. l.], 2024. Disponível em: https://arxiv.org/abs/2410.21333. Acesso em: 17 ago. 2026.
OPENAI. GPT-5 prompting guide. San Francisco: OpenAI, 7 ago. 2025. OpenAI Cookbook. Disponível em: https://developers.openai.com/cookbook/examples/gpt-5/gpt-5_prompting_guide. Acesso em: 17 ago. 2026.
OPENAI. Reasoning best practices. San Francisco: OpenAI, 2026. Documentação da API. Disponível em: https://developers.openai.com/api/docs/guides/reasoning-best-practices. Acesso em: 17 ago. 2026.
OWASP — OPEN WORLDWIDE APPLICATION SECURITY PROJECT. OWASP GenAI LLM Top 10: 2026 edition. [S. l.]: OWASP GenAI Security Project, 4 ago. 2026. Disponível em: https://genai.owasp.org/resource/owasp-genai-llm-top-10-2026/. Acesso em: 17 ago. 2026.
SCHMID, Philipp. The new skill in AI is not prompting, it's context engineering. philschmid.de, [S. l.], 30 jun. 2025. Disponível em: https://www.philschmid.de/context-engineering. Acesso em: 17 ago. 2026.
SPRAGUE, Zayne et al. To CoT or not to CoT?: chain-of-thought helps mainly on math and symbolic reasoning. [S. l.], 2024. Disponível em: https://arxiv.org/abs/2409.12183. Acesso em: 17 ago. 2026.
VASWANI, Ashish et al. Attention is all you need. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 31., 2017, Long Beach. Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 17 ago. 2026.
WANG, Haonan et al. From harm to help: turning reasoning in-context demos into assets for reasoning LMs. [S. l.], 2025. Disponível em: https://arxiv.org/abs/2509.23196. Acesso em: 17 ago. 2026.
WAR. Guia completo de engenharia de prompt: dominando as 25+ principais técnicas para ChatGPT, Claude e Gemini. Brasil Acadêmico, [S. l.], 3 jun. 2025. Disponível em: https://blog.brasilacademico.com/2025/06/guia-completo-de-engenharia-de-prompt.html. Acesso em: 17 ago. 2026.

Como a máquina aprende

noreply@blogger.com (War) — Sat, 15 Aug 2026 22:34:57 -0300

Você já viu a mágica acontecer: o aplicativo do banco lê o número escrito à mão no formulário, o celular transcreve o que você fala, o computador reconhece um algarismo rabiscado às pressas. Por trás disso não há mágica nenhuma — há um neurônio de papel inventado em 1943, uma regra de correção de erro publicada em 1958 que cabe em cinco linhas de código, um muro lógico que travou a área por quase duas décadas e uma ideia de 1986 que faz o erro andar para trás dentro da rede. Neste terceiro post da série sobre inteligência artificial, abrimos o anel do aprendizado de máquina por dentro: você vai treinar um perceptron ao vivo, aqui na tela, ver com os próprios olhos por que ele aprende o "ou" e fracassa no "ou exclusivo", entender a retropropagação sem susto e acompanhar, passo a passo, como uma grade de pixels vira o algarismo 3. Com seções que se abrem para quem quiser a matemática — em três níveis de profundidade — e três tutoriais em Python prontos para colar no Google Colab.

Em julho de 1958, o New York Times anunciou ao mundo que a Marinha norte-americana havia apresentado o embrião de um computador capaz de aprender sozinho. O aparelho ainda nem existia direito — era um programa rodando num computador de válvulas — mas a manchete já prometia máquinas que andariam, falariam, veriam, escreveriam e teriam consciência da própria existência (PROFESSOR'S…, 2019). O responsável pela demonstração era um psicólogo de Cornell chamado Frank Rosenblatt, e sua invenção tinha um nome que atravessaria quase setenta anos: perceptron.

"NOVO DISPOSITIVO DA MARINHA APRENDE FAZENDO: psicólogo apresenta o embrião de um computador projetado para ler e ficar mais sábio."

Manchete do New York Times, julho de 1958, na tradução do autor (PROFESSOR'S…, 2019)

A imprensa exagerou — como exagera até hoje. Mas havia algo de novo e verdadeiro naquela demonstração: pela primeira vez, uma máquina ajustava sozinha os próprios parâmetros a partir de exemplos, sem que ninguém escrevesse a regra. Este post é a autópsia carinhosa dessa ideia. Vamos do neurônio mais simples que existe até a retropropagação — o algoritmo que sustenta praticamente toda a inteligência artificial moderna — e terminar reconhecendo algarismos numa grade de pixels. Nenhum pré-requisito além de saber que uma reta pode separar dois grupos de pontos num plano.

Sinapse 01

O neurônio de papel: três entradas, três pesos, uma decisão

O neurônio artificial é uma caricatura deliberada do biológico: soma sinais de entrada e dispara se o total passar de um limiar. Ilustração do autor (2026)

Em 1943, o neurofisiologista Warren McCulloch e o lógico Walter Pitts propuseram uma simplificação radical do neurônio: uma unidade que recebe sinais, soma tudo e dispara se a soma ultrapassar um limiar. Com essas unidades, mostraram eles, era possível construir qualquer expressão da lógica proposicional (McCULLOCH; PITTS, 1943). O modelo era rígido: não tinha pesos ajustáveis, não aprendia nada. Seis anos depois, o psicólogo Donald Hebb propôs o ingrediente que faltava — a conexão entre dois neurônios que se ativam juntos repetidamente tende a se fortalecer (HEBB, 1949). Faltava só alguém juntar as duas metades.

Rosenblatt juntou. O perceptron é um neurônio de McCulloch e Pitts em que cada conexão tem um peso ajustável, e existe um procedimento automático para ajustá-lo (ROSENBLATT, 1958). Traduzindo para o português de todo dia, ele faz três coisas:

Multiplica. Cada entrada x é multiplicada pelo peso w daquela conexão. Peso alto significa "presta muita atenção nisso"; peso negativo significa "isso é indício do contrário".

Soma. Todos os produtos são somados, mais um número solto chamado viés (bias), que funciona como a exigência pessoal do neurônio — o quanto de evidência ele pede antes de se convencer.

Decide. Se a soma for maior ou igual a zero, o neurônio dispara e responde 1; se for negativa, responde 0. Esse "se passar, dispara" é a função de ativação.

É isso. Um perceptron é uma soma ponderada seguida de um "sim ou não". A parte interessante não está na conta — está em de onde vêm os pesos. E é aqui que entra a palavra aprendizado: em vez de o programador escolher os pesos, a máquina os descobre a partir de exemplos com gabarito. Na definição clássica de Tom Mitchell, um programa aprende com a experiência se seu desempenho numa tarefa melhora à medida que a experiência se acumula (MITCHELL, 1997).

Matemática · nível 1 A conta exata que o neurônio faz

Para n entradas, a soma ponderada é:

z = w₁·x₁ + w₂·x₂ + … + w_n·x_n + b

Em notação vetorial, com w = (w₁, …, w_n) e x = (x₁, …, x_n):

z = w · x + b

A saída aplica a função degrau:

ŷ = 1, se z ≥ 0
ŷ = 0, se z < 0

O que isso quer dizer geometricamente. A equação w·x + b = 0 descreve uma reta (em duas dimensões), um plano (em três) ou um hiperplano (em muitas). O vetor w aponta perpendicularmente a essa fronteira, na direção do lado "sim"; o viés b desloca a fronteira em relação à origem (a distância entre as duas vale |b|/‖w‖). Treinar um perceptron é, literalmente, girar e deslocar uma reta até que ela separe os exemplos certos dos errados.

Exemplo numérico. Ao final do treinamento do "ou" no tutorial em Python (Código · nível 1), os pesos ficam em w₁ = 0,5, w₂ = 0,5 e b = −0,5. A fronteira é 0,5·x₁ + 0,5·x₂ − 0,5 = 0, ou seja, x₁ + x₂ = 1. Traduzindo: "responda sim quando a soma das entradas chegar a 1". É exatamente a definição do "ou" — e ninguém escreveu essa regra: ela foi encontrada.

Sinapse 02

Errar, medir, corrigir: a regra de aprendizado em cinco linhas

Cada exemplo errado empurra a reta um pouquinho. A soma dos empurrões é o aprendizado. Ilustração do autor (2026)

O procedimento de Rosenblatt é de uma simplicidade quase constrangedora. Para cada exemplo do conjunto de treinamento, faça o seguinte: mostre a entrada ao perceptron, compare a resposta dele com o gabarito e, se houver diferença, empurre cada peso na direção que teria produzido a resposta certa. O tamanho do empurrão é controlado por um número pequeno chamado taxa de aprendizado.

novo peso = peso antigo + taxa × erro × entrada

Note a elegância: se o erro for zero, nada muda — exemplos que a rede já acerta não mexem em nada. Se o perceptron respondeu 0 quando devia responder 1, o erro é +1 e todos os pesos ligados a entradas ativas aumentam, deixando o neurônio mais propenso a disparar naquele caso. Se respondeu 1 quando devia responder 0, o erro é −1 e os pesos diminuem. A entrada que não estava ativa não recebe correção nenhuma: quem não participou do erro não paga por ele. Uma passagem completa por todos os exemplos chama-se época.

Em 1960, Bernard Widrow e Marcian Hoff publicaram uma variação que trocava o degrau por uma saída contínua e minimizava o erro quadrático — a chamada regra delta, base do Adaline (WIDROW; HOFF, 1960). Guarde essa mudança de "acertou/errou" para "errou por quanto": ela é a ponte que nos levará, mais adiante, à retropropagação.

Matemática · nível 2 Por que o empurrão sempre vai na direção certa

A regra de atualização, escrita formalmente, é:

w_i ← w_i + η · (y − ŷ) · x_i
b ← b + η · (y − ŷ)

em que y é o gabarito, ŷ é a resposta do perceptron e η (eta) é a taxa de aprendizado, um número positivo pequeno.

A garantia. Suponha que o perceptron errou respondendo 0 quando devia responder 1 — ou seja, z = w·x + b era negativo e precisava ser positivo. O erro vale +1, então os novos parâmetros são w' = w + ηx e b' = b + η. Recalculando a soma para o mesmo exemplo:

z' = (w + ηx)·x + b + η = z + η·(‖x‖² + 1)

Como η > 0 e ‖x‖² + 1 é sempre positivo, z' é necessariamente maior que z: a correção move a soma na direção certa, sempre. O mesmo vale, com sinal trocado, para o erro de −1.

O teorema da convergência. Se existir alguma reta capaz de separar perfeitamente as duas classes — isto é, se o problema for linearmente separável —, o procedimento encontra uma solução em um número finito de passos. A garantia vale qualquer que seja o ponto de partida e qualquer que seja a taxa de aprendizado (o número de passos, esse sim, depende dos dois e da folga entre as classes). A demonstração aparece em Principles of neurodynamics (ROSENBLATT, 1962) e, de forma independente, no limite clássico de Novikoff, do mesmo ano. É uma garantia forte e rara em aprendizado de máquina. O problema, como veremos, está na condição: se existir.

A pegadinha. Quando o problema não é linearmente separável, o algoritmo não avisa: ele simplesmente nunca para. Dentro de cada época os pesos se mexem — corrigem um exemplo e estragam outro —, mas as correções acabam se anulando e, no fim da volta, tudo volta ao ponto de partida. É um ciclo fechado, não uma aproximação lenta: você vai ver isso acontecer no "Experimente" do tutorial de código nível 1.

Sinapse 03

Laboratório: treine um perceptron aqui, agora

Quadro 1 — Tabelas-verdade das portas lógicas E, OU e OU EXCLUSIVO

x1	x2	E (ambos)	OU (pelo menos um)	OU EXCLUSIVO (um só)
0	0	0	0	0
0	1	0	1	1
1	0	0	1	1
1	1	1	1	0

Fonte: elaborado pelo autor.Nota: o "ou" da lógica é inclusivo — basta que uma das condições seja verdadeira. O "ou exclusivo" corresponde ao "ou isto, ou aquilo, mas não os dois" da linguagem coloquial.

Chega de teoria. Abaixo está um perceptron de verdade, rodando no seu navegador, com os quatro exemplos das portas lógicas. Escolha a operação, clique em treinar e observe a reta se mexendo: cada época empurra os pesos, e a área colorida mostra a região em que o neurônio responde 1. Comece pelo OU. Depois, quando estiver convencido, clique em OU EXCLUSIVO e veja o que acontece.

Época0

Erros—

x1	x2	alvo	saída
0	0	0	—
1	0	1	—
0	1	1	—
1	1	1	—

w1 = 0,90 · w2 = −0,70 · viés = 0,20

Escolha uma porta lógica e clique em treinar.

Repare no que aconteceu. No OU e no E, a reta encontra rapidamente uma posição que separa os pontos claros dos escuros, os erros vão a zero e o treinamento para sozinho — exatamente como o teorema da convergência promete. No OU EXCLUSIVO, a reta gira, oscila, tenta de todos os ângulos e nunca chega lá. Não é falta de paciência nem de máquina: é impossível, e a impossibilidade tem demonstração.

Sinapse 04

O muro de 1969: quando uma reta não basta

À esquerda, uma reta resolve. À direita, as classes se cruzam na diagonal e nenhuma reta dá conta. Ilustração do autor (2026)

Desenhe os quatro casos do "ou exclusivo" num plano: (0,0) e (1,1) respondem 0; (0,1) e (1,0) respondem 1. As duas classes ficam em diagonais cruzadas, como as casas pretas e brancas de um tabuleiro. Não existe reta no plano que ponha as duas diagonais em lados opostos — é uma questão de geometria, não de esforço computacional.

Em 1969, Marvin Minsky e Seymour Papert publicaram Perceptrons, um livro que demonstrava com rigor matemático os limites do perceptron de camada única, usando justamente o problema da paridade, do qual o "ou exclusivo" é o caso mínimo (MINSKY; PAPERT, 1969). O efeito foi devastador: o financiamento à área secou e as redes neurais entraram numa hibernação de mais de uma década. Rosenblatt não viu o degelo — morreu em 1971, num acidente de barco, no dia em que completava 43 anos (PROFESSOR'S…, 2019).

O inverno das redes neurais: o muro existia mesmo — mas havia uma escada encostada nele. Ilustração do autor (2026)

Matemática · nível 3 A demonstração de que o "ou exclusivo" é impossível

Suponha, por absurdo, que existam pesos w₁, w₂ e viés b que resolvam o "ou exclusivo" com a regra "responda 1 quando w₁x₁ + w₂x₂ + b ≥ 0". Os quatro exemplos impõem quatro condições:

(0,0) → 0 ⟹ b < 0   (i)
(1,0) → 1 ⟹ w₁ + b ≥ 0   (ii)
(0,1) → 1 ⟹ w₂ + b ≥ 0   (iii)
(1,1) → 0 ⟹ w₁ + w₂ + b < 0   (iv)

Somando (ii) e (iii):

w₁ + w₂ + 2b ≥ 0 ⟹ w₁ + w₂ ≥ −2b

Mas (iv) diz que w₁ + w₂ < −b. Juntando as duas:

−2b ≤ w₁ + w₂ < −b ⟹ −2b < −b ⟹ b > 0

O que contradiz frontalmente a condição (i), que exigia b < 0. Logo, não existem pesos que resolvam o problema. O perceptron de camada única não fracassa no "ou exclusivo" por ser mal treinado: ele fracassa por ser uma reta diante de um problema que não é retilíneo.

Generalizando. O mesmo argumento vale para qualquer conjunto de pontos cujas classes não possam ser separadas por um hiperplano. E, no mundo real, quase nada é linearmente separável: reconhecer um rosto, um algarismo ou um sentimento em uma frase são todos problemas curvos.

Sinapse 05

A escada: uma camada escondida muda o problema de lugar

Com dois neurônios intermediários, o problema é reescrito em coordenadas novas — e volta a caber numa reta. Ilustração do autor (2026)

A saída do muro é quase óbvia depois que alguém a mostra: se uma reta não basta, use duas. Coloque entre a entrada e a saída uma camada escondida — neurônios que não falam diretamente com o mundo, apenas com os vizinhos. Cada um deles traça a sua própria reta e o neurônio de saída combina os resultados.

No caso do "ou exclusivo", bastam dois neurônios escondidos: um que detecta "pelo menos um está ligado" (o velho OU) e outro que detecta "os dois estão ligados" (o E). O neurônio de saída, então, só precisa responder uma pergunta simples — "o primeiro disse sim e o segundo disse não?" —, e essa pergunta já é separável por uma reta. O problema não ficou mais fácil: ele foi reescrito em coordenadas novas, inventadas pela própria rede. É essa solução que vamos montar peça por peça, com os pesos na mesa, na próxima seção.

Essa não é uma esperteza de um caso particular. Em 1989, George Cybenko provou que uma rede com uma única camada escondida, com neurônios suficientes e uma ativação em forma de "S", consegue aproximar, com a precisão que se queira, qualquer função contínua definida num pedaço limitado e fechado do espaço (CYBENKO, 1989); no mesmo ano, Kurt Hornik e colegas generalizaram o resultado para uma classe ampla de ativações (HORNIK; STINCHCOMBE; WHITE, 1989). É o chamado teorema da aproximação universal. Ele diz que a rede pode representar quase tudo — mas, atenção, não diz como encontrar os pesos certos. Essa é a próxima pergunta, e a mais difícil de todas.

Sinapse 06

Três perceptrons, um circuito: o "ou exclusivo" resolvido na mão

Antes de treinar qualquer coisa, vale montar a solução com a chave de fenda — porque, quando os pesos são escolhidos por nós, dá para ver exatamente por que funciona. Precisamos de três perceptrons, cada um deles idêntico ao da Sinapse 01: soma ponderada, viés e função degrau. Nenhuma mágica nova; só fiação.

Os três perceptrons e os pesos exatos que resolvem o "ou exclusivo". Ilustração do autor (2026)

O detector de "pelo menos um". Pesos +1 e +1, viés −0,5. Ele dispara quando x₁ + x₂ ≥ 0,5 — ou seja, sempre que houver ao menos uma entrada ligada. É o velho OU, que o perceptron sozinho já sabia aprender.

O detector de "os dois". Pesos +1 e +1, viés −1,5. Só dispara quando x₁ + x₂ ≥ 1,5, o que exige as duas entradas ligadas. É o E — também linearmente separável, também fácil.

O combinador. Recebe h₁ (a resposta do P1) com peso +1 e h₂ (a resposta do P2) com peso −2, viés −0,5. Dispara quando h₁ − 2h₂ ≥ 0,5 — isto é, quando o P1 disse sim e o P2 disse não.

O peso negativo é a peça-chave. Quando as duas entradas estão ligadas, o P1 dispara (contribuindo +1) mas o P2 também (contribuindo −2), e o −2 anula com folga a contribuição positiva. Traduzindo o circuito para o português: responda sim quando pelo menos uma entrada estiver ligada, exceto se as duas estiverem. Que é, palavra por palavra, a definição do "ou exclusivo".

Quadro 2 — Cálculo do circuito de três perceptrons para cada entrada do "ou exclusivo"

x1	x2	P1: x1+x2−0,5	h1	P2: x1+x2−1,5	h2	P3: h1−2h2−0,5	y	Alvo
0	0	−0,5 < 0	0	−1,5 < 0	0	−0,5 < 0	0	0 ✓
0	1	+0,5 ≥ 0	1	−0,5 < 0	0	+0,5 ≥ 0	1	1 ✓
1	0	+0,5 ≥ 0	1	−0,5 < 0	0	+0,5 ≥ 0	1	1 ✓
1	1	+1,5 ≥ 0	1	+0,5 ≥ 0	1	−1,5 < 0	0	0 ✓

Fonte: elaborado pelo autor.Nota: cada perceptron aplica a função degrau — dispara (1) quando a soma é maior ou igual a zero e permanece em repouso (0) caso contrário. Os quatro casos foram conferidos por execução do código apresentado adiante.

O gráfico que explica por que agora dá certo

Aqui está a pergunta que interessa: se nenhuma reta resolve o "ou exclusivo", e cada um desses três perceptrons continua sendo apenas uma reta, como o conjunto consegue? A resposta não está em nenhum dos três — está no mapa em que o terceiro trabalha. O P3 não enxerga x₁ e x₂; ele enxerga h₁ e h₂. E, nesse novo par de coordenadas, os pontos ocupam posições completamente diferentes.

O truque inteiro em uma imagem: dois casos que estavam em cantos opostos passam a ocupar a mesma posição, e o problema vira separável. Esquema do autor (2026)

Olhe o painel da direita com calma. Os quatro casos entraram, mas só três posições distintas saíram: (0,1) e (1,0) produzem exatamente o mesmo par (h₁, h₂) = (1, 0), porque em ambos há uma entrada ligada (P1 dispara) e não há duas (P2 fica quieto). Do ponto de vista do P3, esses dois casos viraram o mesmo caso — e nada mais natural, já que ambos devem receber a mesma resposta.

Foi exatamente a diagonal cruzada que sumiu. No plano original, os dois pontos de alvo 1 estavam em cantos opostos, com os dois pontos de alvo 0 na outra diagonal: qualquer reta que abraçasse um ponto verde deixava o outro de fora. No plano da camada escondida, o par de alvo 1 se fundiu numa posição só, e os dois pontos de alvo 0 ficaram nas extremidades — uma configuração que uma reta separa com sobra. A camada escondida não resolveu o problema: ela mudou o mapa até que o problema coubesse na única ferramenta que o perceptron tem, que é a reta.

Vale registrar o que isso custa e o que isso rende. Custa uma camada a mais — e, com ela, o problema de descobrir os pesos dessa camada, que a regra de Rosenblatt não sabe resolver (é o que veremos a seguir). Rende a capacidade de dobrar o espaço quantas vezes forem necessárias: com mais neurônios escondidos, a rede recorta o plano em mais regiões; com mais camadas, recorta o espaço já recortado. O teorema da aproximação universal é a versão formal dessa intuição (CYBENKO, 1989).

Sinapse 07

Retropropagação: o erro que anda para trás

Duas viagens por época: a informação vai, o erro volta. Ilustração do autor (2026)

Com uma camada escondida, a regra de Rosenblatt trava. Ela sabe corrigir um neurônio quando conhece o gabarito da resposta dele — mas qual é o gabarito de um neurônio do meio? Ninguém sabe qual deveria ser a saída "certa" de h₁. Esse é o problema da atribuição de crédito: quando a rede erra, de quem é a culpa?

A resposta veio em duas etapas. Paul Werbos descreveu o método na sua tese de doutorado em Harvard, em 1974, e o mundo praticamente não notou (WERBOS, 1974). Doze anos depois, David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram na Nature um artigo de quatro páginas que fez a área inteira acordar (RUMELHART; HINTON; WILLIAMS, 1986). A ideia se chama retropropagação do erro (backpropagation) e funciona em duas viagens:

→

Passo para frente. A entrada atravessa a rede camada por camada até virar um palpite. Compara-se o palpite com o gabarito e mede-se o tamanho do erro — não mais "acertou ou errou", mas "errou por quanto".

←

Passo para trás. O erro volta pelo mesmo caminho, e cada conexão recebe a parcela de responsabilidade proporcional à sua contribuição para o resultado. Quem empurrou mais forte na direção errada leva a maior correção.

A ferramenta matemática que faz essa repartição de culpa é a regra da cadeia do cálculo — a mesma que você viu em Cálculo I para derivar funções compostas. E o objetivo é sempre o mesmo: encontrar, para cada peso, a direção que mais reduz o erro, e dar um passinho nessa direção. É a descida do gradiente, que vale a pena imaginar assim: você está numa encosta, no meio de uma neblina, e só consegue sentir a inclinação do chão sob os pés; a estratégia é dar um passo para o lado que desce mais e repetir milhões de vezes.

Duas consequências práticas dessa metáfora explicam quase todo o folclore do treinamento de redes. Primeira: se os passos forem grandes demais, você atravessa o vale e sobe do outro lado — por isso taxas de aprendizado altas fazem o erro explodir. Segunda: a neblina não deixa ver o mapa inteiro, então é perfeitamente possível parar numa depressão rasa achando que é o fundo do vale — o famoso mínimo local. Você vai encontrar um desses ao vivo no tutorial de nível 2, e a saída é banal: reinicie com outros pesos e tente de novo. Mas metáfora boa é metáfora que se aposenta: na próxima seção, a encosta deixa de ser figura de linguagem — você vai construí-la a partir de um modelo de verdade e pilotar a descida com as próprias mãos.

Matemática · nível 4 A retropropagação em quatro equações

Notação. Para a camada l, seja W^(l) a matriz de pesos, b^(l) o vetor de vieses, a^(l) o vetor de ativações e σ a função de ativação. O passo para frente é:

z^(l) = W^(l) a^(l−1) + b^(l)
a^(l) = σ(z^(l))

Com a perda quadrática E = ½‖a^(L) − y‖², define-se o erro local da camada como δ^(l) = ∂E/∂z^(l). As quatro equações são:

(1) δ^(L) = (a^(L) − y) ⊙ σ′(z^(L))
(2) δ^(l) = (W^(l+1)⊤ δ^(l+1)) ⊙ σ′(z^(l))
(3) ∂E/∂W^(l) = δ^(l) (a^(l−1))^⊤
(4) ∂E/∂b^(l) = δ^(l)

O símbolo ⊙ indica multiplicação elemento a elemento. A equação (2) é o coração do método: o erro de uma camada é o erro da camada seguinte, empurrado de volta pela transposta da matriz de pesos — daí o nome retropropagação. A atualização final é a descida do gradiente:

W^(l) ← W^(l) − η · ∂E/∂W^(l)

Derivadas úteis. Para a sigmoide σ(z) = 1/(1 + e^−z), vale a identidade conveniente σ′(z) = σ(z)·(1 − σ(z)) — por isso o código guarda a ativação e reaproveita. Para a ReLU, σ(z) = max(0, z), a derivada é 1 quando z > 0 e 0 caso contrário (em z = 0 ela não existe, e adota-se 0 por convenção — é o que o código faz com (Z1 > 0)). O que viabilizou as redes profundas não foi tanto o barateamento da conta, e sim o fato de essa derivada não saturar: na sigmoide, ela vale no máximo 0,25 e encolhe a cada camada, até o gradiente sumir (GOODFELLOW; BENGIO; COURVILLE, 2016).

O atalho da classificação. Quando a última camada usa softmax e a perda é a entropia cruzada, toda a expressão (1) colapsa em δ^(L) = a^(L) − y. É por isso que, no tutorial de nível 3, a retropropagação começa com uma subtração e nada mais.

Sinapse 08

De onde vem a montanha: a descida do gradiente vista de perto

A metáfora da encosta na neblina esconde uma pergunta que costuma travar todo mundo: de onde veio essa montanha? Ninguém a desenhou. Ela não faz parte do problema — não existe montanha nenhuma dentro das imagens de algarismos. A paisagem nasce do casamento entre o modelo que você escolheu e os dados que você tem: ela é o gráfico do erro em função dos pesos. Mude o modelo, e a montanha muda de forma; mude os dados, e ela muda de novo. Vamos construir uma, do zero, pequena o bastante para caber num gráfico.

Tome o menor problema honesto possível: três medições, (0; 0,4), (1; 1,0) e (2; 2,2), e a tarefa de passar uma reta por elas. O caminho do modelo até a montanha tem sempre os mesmos quatro passos — e vale a pena vê-los de uma vez, porque são exatamente os mesmos numa rede de bilhões de parâmetros:

Escolha o modelo. O nosso terá um único botão: ŷ = w·x, uma reta pela origem. O w é o nosso "peso" — a única coisa que podemos girar.

Escreva o erro que esse modelo comete nesses dados. Para cada medição, a diferença entre o previsto e o real, ao quadrado; depois, a média: E(w) = ⅓[(w·0 − 0,4)² + (w·1 − 1,0)² + (w·2 − 2,2)²]. Repare: x e y são números conhecidos — a única variável que sobrou nessa expressão é w. E(w) é uma função comum, dessas de Cálculo I. O gráfico dela é a "montanha" (aqui, um vale só).

Derive. dE/dw = ⅔·(5w − 5,4). A derivada diz a inclinação do vale em qualquer ponto: positiva, o chão sobe para a direita; negativa, sobe para a esquerda; zero, fundo do vale.

Desça. w ← w − η·dE/dw. O sinal de menos anda contra a subida; a taxa η decide o tamanho do passo. Repetir até a derivada ficar perto de zero. Isso é toda a descida do gradiente.

Agora pilote você. O painel da esquerda mostra o problema (os três pontos e a reta atual); o da direita mostra a montanha (o erro em função de w) com a bolinha na posição atual. São duas fotografias do mesmo instante: quando a bolinha desce um degrau no vale, a reta se ajusta aos pontos — obrigatoriamente, porque uma coisa é a outra. Use "+1 passo" para ver cada movimento em câmera lenta ou "▶ descer" para a reprodução automática (o botão 4× acelera quando a novidade passar).

paisagem passo η ritmo

O problema: reta ŷ = w·x nos 3 pontos

A montanha: erro E em função de w

—

Escolha o passo e clique em descer — ou avance um passo de cada vez.

Três experiências valem a pena antes de seguir. Primeira: com o passo 0,05, a bolinha rasteja — chega, mas a paciência custa. Segunda: com 0,65, ela atravessa o vale, sobe do outro lado mais alto do que estava e vai embora do gráfico: é o erro explodindo, o mesmo desastre que uma taxa de aprendizado grande demais causa numa rede de verdade. Terceira: mude a paisagem para dois vales — essa curva não sai do nosso modelo de reta (que só produz vales únicos, de parábola); é o tipo de relevo que uma rede com camadas escondidas produz, como a do XOR. Reinicie algumas vezes: dependendo do ponto de partida, a bolinha desce para o vale raso da direita e para ali, satisfeita, sem jamais saber que havia um vale mais fundo à esquerda. Você acabou de ver um mínimo local — o mesmo que o tutorial de código nível 2 encontra com a semente 42.

Duas alavancas: o mapa vira mapa de calor

Agora solte o segundo botão do modelo: ŷ = w·x + b. Com dois parâmetros, o erro E(w, b) é uma função de duas variáveis — uma superfície, uma tigela de verdade em três dimensões. Para caber na tela, olhamos a tigela de cima: no mapa abaixo, cada pixel é uma combinação (w, b), e a cor diz a altura do erro naquele ponto — escuro é alto, claro é fundo de vale. Clique em qualquer lugar do mapa para largar a bolinha ali, e mande descer.

passo η ritmo

O problema: reta ŷ = w·x + b

A montanha vista de cima: E(w, b)

escuro = erro alto · claro = fundo · × = mínimo · clique para largar a bolinha

—

Clique no mapa para escolher o ponto de partida — ou use reiniciar para sortear um.

Observe a trajetória com atenção: ela não vai reta ao fundo. O vale de E(w, b) é alongado — íngreme numa direção, quase plano na outra —, e por isso a bolinha quica em zigue-zague entre as paredes antes de rastejar pelo fundo. Esse desenho, que parece defeito, é um retrato honesto do treinamento real: boa parte da engenharia moderna de otimização (momento, Adam e afins) existe para amaciar exatamente esse zigue-zague (GOODFELLOW; BENGIO; COURVILLE, 2016).

E quando os botões são bilhões?

A escada de dimensões: o desenho acaba em dois parâmetros; a regra, nunca. Ilustração do autor (2026)

Aqui termina o que os olhos alcançam — e é importante dizer isso com todas as letras. Com um parâmetro, o erro é uma curva; com dois, uma superfície que ainda cabe num mapa de calor; com três, precisaríamos de um gráfico em quatro dimensões, e nenhuma tela o desenha. A rede de dígitos do tutorial nível 3 tem 2 410 parâmetros: sua "montanha" mora num espaço de 2 410 dimensões. O GPT-3 tem 175 bilhões (BROWN et al., 2020). Ninguém nunca viu essas paisagens, nem verá.

Mas — e este é o pulo — a matemática não precisa enxergar: em qualquer número de dimensões, o gradiente continua apontando a subida mais íngreme, e o sinal de menos continua descendo. A conta w ← w − η·∇E que você acabou de executar com uma bolinha num gráfico é, símbolo por símbolo, a mesma executada bilhões de vezes no treinamento de um modelo de linguagem. A geometria vira álgebra e segue funcionando onde a intuição visual já desistiu. E a retropropagação, da seção anterior, ganha aqui seu lugar exato na história: ela não é a descida — ela é o jeito barato de calcular, de uma vez, os bilhões de derivadas parciais que a descida consome a cada passo.

Sinapse 09

Da grade de pixels ao algarismo

Para a rede, uma imagem não é uma imagem: é uma lista de 784 números entre 0 e 1. Ilustração do autor (2026)

Agora o exemplo que interessa de verdade. A máquina de Rosenblatt já enxergava: o Mark I Perceptron, projetado no Cornell Aeronautical Laboratory no fim dos anos 1950 com dinheiro da Marinha e da Força Aérea, tinha uma "retina" de fotocélulas ligada por fios a unidades de associação cujos pesos eram literalmente potenciômetros girados por pequenos motores elétricos. A máquina está hoje no acervo do Smithsonian (NATIONAL MUSEUM OF AMERICAN HISTORY, [s. d.]). Os "pixels" daquela retina eram fotocélulas de verdade, dispostas numa grade de 20 por 20 — quatrocentos pontos de luz.

A ideia continua idêntica sessenta e oito anos depois. Pegue uma imagem de 28 × 28 pixels em tons de cinza — o formato do conjunto MNIST, a base de algarismos manuscritos que virou o "arroz com feijão" da área, com 60 mil imagens de treino e 10 mil de teste (LeCUN et al., 1998). Empilhe as linhas uma após a outra e você terá uma lista de 784 números, cada um entre 0 (preto) e 1 (branco). Essa lista é a entrada da rede.

Na saída, dez neurônios — um para cada algarismo. Cada um produz um escore para a sua pergunta: "quanto isso se parece com um 0?", "quanto se parece com um 1?", e assim por diante. A resposta final é o maior escore. Nas redes modernas, esses dez números passam ainda por uma função chamada softmax, que os transforma em dez probabilidades que somam 1 — ou seja, os escores não são independentes: eles competem entre si. Durante o treinamento, o gabarito é escrito no mesmo formato: o algarismo 3 vira a lista (0, 0, 0, 1, 0, 0, 0, 0, 0, 0), técnica que se chama codificação um-de-n — one-hot, em inglês.

E o que, afinal, a rede aprende?

Os pesos de cada saída, desenhados de volta na grade de pixels: moldes fantasmagóricos aprendidos, não programados. Ilustração do autor (2026)

Aqui está a parte bonita — e ela aparece na sua forma mais nítida no caso mais simples de todos, o classificador de uma camada só, com os dez neurônios ligados diretamente aos pixels. Se você pegar os 784 pesos do neurônio responsável pelo algarismo 3 e os desenhar de volta numa grade 28 × 28, verá um fantasma de um 3 — regiões de peso alto onde o traço costuma passar e regiões de peso negativo onde ele nunca passa. O neurônio aprendeu um molde: uma máscara que soma pontos quando a tinta cai onde deveria e desconta pontos quando cai onde não deveria. Ninguém programou como é um 3; a rede destilou isso de milhares de exemplos rabiscados por pessoas diferentes.

Assim que entra uma camada escondida, esse retrato deixa de ser legível: o neurônio de saída do "3" não olha mais para os 784 pixels, e sim para as 32 ou 128 respostas da camada anterior — não há como desenhá-lo numa grade 28 × 28. Em compensação, o mesmo raciocínio passa a se repetir em andares: a primeira camada aprende pedaços de traço e cantos, a segunda combina esses pedaços em laços e hastes, a terceira em algarismos inteiros. É essa hierarquia de representações aprendidas que define o deep learning (LeCUN; BENGIO; HINTON, 2015).

Quanto isso funciona, em números

Em 1989, Yann LeCun e colegas treinaram uma rede com retropropagação para ler códigos postais manuscritos de envelopes reais dos Correios norte-americanos — a primeira aplicação industrial de peso do método (LeCUN et al., 1989). Uma década depois, o artigo que apresentou a LeNet-5 comparou dezenas de abordagens no mesmo conjunto de teste, e os resultados contam a história inteira da área numa coluna só.

Tabela 1 — Taxa de erro no conjunto de teste do MNIST, por método — 1998

Método	Tipo	Erro (%)
Classificador linear	1 camada, sem camada escondida	12,0
Vizinhos mais próximos (distância euclidiana)	Sem treinamento de pesos	5,0
Rede de 2 camadas, 300 unidades escondidas	Retropropagação	4,7
Rede de 3 camadas, 300+100 unidades escondidas	Retropropagação	3,05
LeNet-1	Rede convolucional	1,7
LeNet-5	Rede convolucional	0,95
LeNet-4 com reforço (boosting)	Conjunto de redes convolucionais	0,7

Fonte: elaborado pelo autor com base em LeCun et al. (1998).Nota: conjunto de teste com 10 mil imagens de 28 × 28 pixels; o classificador linear da primeira linha foi ajustado por mínimos quadrados, e não pela regra do perceptron, mas seus 12,0% dão a ordem de grandeza do que uma única camada alcança nesta tarefa.

O tamanho do salto, em barras

Linear (1 camada)12,0%

Vizinhos próximos5,0%

Rede 2 camadas4,7%

Rede 3 camadas3,05%

LeNet-11,70%

LeNet-50,95%

LeNet-4 c/ reforço0,70%

Fonte: elaborado pelo autor com base em LeCun et al. (1998).Nota: comprimento das barras proporcional ao maior valor da série (12,0%); rótulos numéricos trazem a taxa de erro real.

Leia a tabela de trás para frente e você terá o roteiro deste post: sair de 12% de erro (uma reta só) para menos de 1% (camadas escondidas mais uma arquitetura que respeita a geometria da imagem) foi obra de trinta anos de trabalho. Em 2012, a mesma receita, com muito mais dados e placas de vídeo, venceu o desafio ImageNet e inaugurou a era atual da IA (KRIZHEVSKY; SUTSKEVER; HINTON, 2012). Em 2019, a ACM concedeu o Prêmio Turing de 2018 a Yoshua Bengio, Geoffrey Hinton e Yann LeCun exatamente por isso (ACM, 2019).

Sinapse 10

Decorar não é aprender: treino, teste e a prova surpresa

A partir de certo ponto, continuar treinando piora o desempenho no que importa. Ilustração do autor (2026)

Qualquer professor reconhece o fenômeno: o aluno que decorou as questões da lista tira dez na lista e cinco na prova. Redes neurais fazem exatamente isso, e o nome técnico é sobreajuste (overfitting). Uma rede com parâmetros suficientes consegue memorizar o conjunto de treino inteiro, incluindo os rabiscos tortos e os erros de rotulagem — e, ao memorizar, deixa de generalizar.

Por isso o protocolo é inegociável: separe os dados em treino (o material de estudo) e teste (a prova surpresa, que o modelo nunca viu). O desempenho que vale é o do teste. No tutorial de nível 3, você verá a rede chegar a 100% de acerto no treino e estacionar em torno de 98% no teste — a diferença entre os dois números é, na prática, a decoreba medida em porcentagem (GOODFELLOW; BENGIO; COURVILLE, 2016).

E há um limite mais fundo, que nenhuma arquitetura resolve: a rede só pode aprender aquilo que está nos exemplos, incluindo os vícios de quem os produziu. Se o gabarito for enviesado, o modelo aprende o viés com a mesma diligência com que aprenderia o acerto — assunto do próximo post desta série. (Cuidado com a palavra, que aparece com dois sentidos neste texto: o "viés" do neurônio, lá da Sinapse 01, é um número que desloca a fronteira; o viés dos dados é outra coisa, e bem mais cara de consertar.) (RUSSELL; NORVIG, 2022).

Sinapse 11

Marcos: de 1943 a 2019 em uma página

Quadro 3 — Marcos da história das redes neurais artificiais — 1943-2019

Ano	Autoria	Contribuição
1943	McCulloch e Pitts	Neurônio lógico de limiar; qualquer função proposicional pode ser montada com essas unidades
1949	Hebb	Aprendizagem por reforço das conexões coativadas; base biológica do peso ajustável
1958	Rosenblatt	Perceptron e sua regra de correção de erro; teorema da convergência
1960	Widrow e Hoff	Adaline e regra delta; troca do "acertou/errou" pelo erro contínuo
1969	Minsky e Papert	Demonstração dos limites do perceptron de camada única; começo do inverno
1974	Werbos	Retropropagação descrita em tese de doutorado, sem repercussão imediata
1986	Rumelhart, Hinton e Williams	Retropropagação publicada na Nature; redes com camadas escondidas viram prática
1989	Cybenko; Hornik, Stinchcombe e White	Teorema da aproximação universal
1989	LeCun e colegas	Leitura automática de códigos postais manuscritos; primeira aplicação industrial
1998	LeCun, Bottou, Bengio e Haffner	LeNet-5 e a consolidação do MNIST como referência
2012	Krizhevsky, Sutskever e Hinton	AlexNet vence o ImageNet; começa a era do deep learning
2019	ACM	Prêmio Turing de 2018 a Bengio, Hinton e LeCun

Fonte: elaborado pelo autor com base em McCulloch e Pitts (1943), Hebb (1949), Rosenblatt (1958), Widrow e Hoff (1960), Minsky e Papert (1969), Werbos (1974), Rumelhart, Hinton e Williams (1986), Cybenko (1989), Hornik, Stinchcombe e White (1989), LeCun et al. (1989; 1998), Krizhevsky, Sutskever e Hinton (2012) e ACM (2019).Nota: o ano indicado é o da publicação de referência; várias ideias circularam antes disso em formas parciais ou independentes.

Sinapse 12

Mão na massa: três tutoriais prontos para o Google Colab

As três seções abaixo formam uma escada. Cada bloco de código é um programa completo: abra o Google Colab, crie um caderno novo, cole o código numa célula e aperte executar. Nada precisa ser instalado — as bibliotecas usadas já vêm no ambiente. Todos os programas foram executados e as saídas mostradas são reais e completas (a única exceção é o bônus em Keras, que depende de baixar o MNIST).

Código · nível 1 Um perceptron do zero, em Python puro, aprendendo o "ou"

Sem bibliotecas, sem mágica: trinta linhas com o mesmo algoritmo do laboratório interativo da Sinapse 03 — aqui com os pesos começando em zero, taxa 0,5 e os exemplos em outra ordem, então os números do caminho não batem com os de lá; o destino, sim.

# ------------------------------------------------------------
# Perceptron do zero: aprendendo a porta logica OU
# ------------------------------------------------------------

dados = [((0, 0), 0), ((0, 1), 1), ((1, 0), 1), ((1, 1), 1)]

pesos = [0.0, 0.0]   # w1, w2
vies  = 0.0          # b (bias)
taxa  = 0.5          # eta: tamanho do passo de correcao

def saida(x):
    soma = pesos[0] * x[0] + pesos[1] * x[1] + vies
    return 1 if soma >= 0 else 0        # funcao degrau

for epoca in range(1, 11):
    erros = 0
    for x, alvo in dados:
        y = saida(x)
        erro = alvo - y                 # -1, 0 ou +1
        if erro != 0:
            erros += 1
            pesos[0] += taxa * erro * x[0]
            pesos[1] += taxa * erro * x[1]
            vies     += taxa * erro
    print("epoca %2d | erros: %d | w1=%.2f w2=%.2f b=%.2f"
          % (epoca, erros, pesos[0], pesos[1], vies))
    if erros == 0:
        print("Convergiu! O perceptron aprendeu o OU.")
        break

print("\nTeste final:")
for x, alvo in dados:
    print("  %s -> %d (esperado %d)" % (str(x), saida(x), alvo))

Saída obtida

epoca  1 | erros: 2 | w1=0.00 w2=0.50 b=0.00
epoca  2 | erros: 2 | w1=0.50 w2=0.50 b=0.00
epoca  3 | erros: 1 | w1=0.50 w2=0.50 b=-0.50
epoca  4 | erros: 0 | w1=0.50 w2=0.50 b=-0.50
Convergiu! O perceptron aprendeu o OU.

Teste final:
  (0, 0) -> 0 (esperado 0)
  (0, 1) -> 1 (esperado 1)
  (1, 0) -> 1 (esperado 1)
  (1, 1) -> 1 (esperado 1)

Experimente. Na lista dados, troque o último par — ((1, 1), 1) — por ((1, 1), 0): você acabou de transformar o "ou" em "ou exclusivo". Aumente o laço para range(1, 1001) e troque a linha do print por if epoca % 100 == 0 or erros == 0: antes dela (sem esse filtro, o Colab cospe mil linhas iguais e parece travado). O que você vai ver:

epoca 100 | erros: 4 | w1=-0.50 w2=0.00 b=0.00
epoca 200 | erros: 4 | w1=-0.50 w2=0.00 b=0.00
   ... ate a epoca 1000, sempre igual ...

Repare no detalhe: os pesos não ficam balançando, eles congelam. As quatro correções de uma época se anulam entre si e tudo volta ao ponto de partida — um ciclo fechado. O perceptron não está "quase lá": está preso, e ficaria preso por um milhão de épocas.

Código · nível 2 Uma rede 2-2-1 resolvendo o "ou exclusivo", com retropropagação escrita à mão

Antes de treinar, monte na mão. Este primeiro programa não aprende nada: ele apenas executa os três perceptrons da Sinapse 06 com os pesos que escolhemos. Serve para você ver o circuito funcionando e conferir, número a número, o Quadro 2.

# ------------------------------------------------------------
# Os tres perceptrons do OU EXCLUSIVO, com pesos escolhidos a mao
# ------------------------------------------------------------

def degrau(z):
    return 1 if z >= 0 else 0

def perceptron(x1, x2, w1, w2, b):
    return degrau(w1 * x1 + w2 * x2 + b)

alvos = {(0, 0): 0, (0, 1): 1, (1, 0): 1, (1, 1): 0}

print("x1 x2 | h1(OU) h2(E) | y  alvo")
for x1 in (0, 1):
    for x2 in (0, 1):
        h1 = perceptron(x1, x2,  1,  1, -0.5)   # P1: pelo menos um
        h2 = perceptron(x1, x2,  1,  1, -1.5)   # P2: os dois
        y  = perceptron(h1, h2,  1, -2, -0.5)   # P3: h1 e nao h2
        ok = "ok" if y == alvos[(x1, x2)] else "ERRO"
        print(" %d  %d |   %d      %d   | %d   %d  %s"
              % (x1, x2, h1, h2, y, alvos[(x1, x2)], ok))

Saída obtida

x1 x2 | h1(OU) h2(E) | y  alvo
 0  0 |   0      0   | 0   0  ok
 0  1 |   1      0   | 1   1  ok
 1  0 |   1      0   | 1   1  ok
 1  1 |   1      1   | 0   0  ok

Olhe a coluna do meio: as linhas de (0, 1) e (1, 0) produzem o mesmo par h1=1, h2=0. É a fusão dos dois pontos que o gráfico da Sinapse 06 mostra — visível aqui em texto puro.

Experimente. Troque o peso -2 do P3 por -1 e rode de novo: a linha (1, 1) passa a responder 1, e o circuito vira um OU comum. Aquele -2 é literalmente a diferença entre o "ou" e o "ou exclusivo".

Agora deixe a rede descobrir sozinha. O programa a seguir não recebe peso nenhum de presente: parte de números aleatórios e chega a uma solução pela retropropagação. Nenhuma biblioteca de aprendizado profundo calcula os gradientes por você aqui — o passo para trás está escrito à mão.

import numpy as np

np.random.seed(1)   # troque a semente e veja: as vezes a rede cai num minimo local

# 1) Dados do OU EXCLUSIVO -----------------------------------
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=float)
Y = np.array([[0], [1], [1], [0]], dtype=float)

# 2) Arquitetura 2 -> 2 -> 1 ---------------------------------
# O nivel 1 fazia, para UM exemplo por vez:  soma = w1*x1 + w2*x2 + b
# Aqui fazemos os 4 exemplos e os 2 neuronios de uma vez so:
#   X  tem forma 4x2  (4 exemplos, 2 entradas)
#   W1 tem forma 2x2  (2 entradas -> 2 neuronios escondidos)
#   X @ W1 tem forma 4x2: linha i, coluna j = soma do exemplo i no neuronio j
#   + b1 (1x2) soma o mesmo vies nas 4 linhas -- isso se chama broadcasting
W1 = np.random.randn(2, 2) * 0.8   # pesos entrada -> escondida
b1 = np.zeros((1, 2))
W2 = np.random.randn(2, 1) * 0.8   # pesos escondida -> saida
b2 = np.zeros((1, 1))

# Trocamos o degrau pela sigmoide porque o degrau e plano em toda parte:
# sua derivada e zero, e sem derivada nao ha para onde descer.
def sigmoide(z):
    return 1.0 / (1.0 + np.exp(-z))

taxa = 1.0   # alta de proposito: sao so 4 exemplos, e a sigmoide ja amortece o passo

for epoca in range(1, 20001):
    # ---- passo para frente -------------------------------
    Z1 = X @ W1 + b1
    A1 = sigmoide(Z1)
    Z2 = A1 @ W2 + b2
    A2 = sigmoide(Z2)               # previsao da rede

    # ---- erro --------------------------------------------
    perda = np.mean((A2 - Y) ** 2)

    # ---- passo para tras (retropropagacao) ---------------
    dA2 = 2 * (A2 - Y) / len(X)
    dZ2 = dA2 * A2 * (1 - A2)       # derivada da sigmoide
    dW2 = A1.T @ dZ2
    db2 = dZ2.sum(axis=0, keepdims=True)

    dA1 = dZ2 @ W2.T
    dZ1 = dA1 * A1 * (1 - A1)
    dW1 = X.T @ dZ1
    db1 = dZ1.sum(axis=0, keepdims=True)

    # ---- descida do gradiente ----------------------------
    W2 -= taxa * dW2; b2 -= taxa * db2
    W1 -= taxa * dW1; b1 -= taxa * db1

    if epoca % 4000 == 0:
        print("epoca %5d | perda = %.5f" % (epoca, perda))

# recalcula tudo com os pesos finais, ja atualizados
A1 = sigmoide(X @ W1 + b1)
A2 = sigmoide(A1 @ W2 + b2)

print("\nPrevisoes finais:")
for x, p, alvo in zip(X, A2.ravel(), Y.ravel()):
    print("  %s -> %.3f  (arredondado: %d | esperado: %d)"
          % (x, p, round(p), alvo))

print("\nO que cada neuronio escondido aprendeu (h1, h2):")
for x, h in zip(X, np.round(A1, 2)):
    print("  %s -> %s" % (x, h))

Saída obtida

epoca  4000 | perda = 0.00095
epoca  8000 | perda = 0.00039
epoca 12000 | perda = 0.00024
epoca 16000 | perda = 0.00017
epoca 20000 | perda = 0.00014

Previsoes finais:
  [0. 0.] -> 0.011  (arredondado: 0 | esperado: 0)
  [0. 1.] -> 0.989  (arredondado: 1 | esperado: 1)
  [1. 0.] -> 0.989  (arredondado: 1 | esperado: 1)
  [1. 1.] -> 0.014  (arredondado: 0 | esperado: 0)

O que cada neuronio escondido aprendeu (h1, h2):
  [0. 0.] -> [1.   0.94]
  [0. 1.] -> [0.92 0.02]
  [1. 0.] -> [0.92 0.02]
  [1. 1.] -> [0.07 0.  ]

Leia as quatro últimas linhas devagar: é a prova de tudo o que este post afirma. As entradas (0,1) e (1,0) produzem o mesmo par escondido, (0,92 · 0,02). A rede fundiu os dois casos — exatamente o colapso de pontos do esquema da Sinapse 06 —, e a partir daí sobraram três posições que uma reta separa. Ninguém programou isso: caiu do gradiente.

E repare que ela não reinventou o nosso circuito: o h1 aprendido vale 1,00 em (0,0) e 0,07 em (1,1), ou seja, é quase o oposto do OU que escolhemos à mão. A rede achou outro par de retas que serve igualmente bem. A solução da Sinapse 06 é uma entre infinitas — o que importa é que todas elas separam os dois pontos de alvo 0 daquele ponto fundido de alvo 1.

Experimente. Troque np.random.seed(1) por np.random.seed(42) e rode de novo: a perda estaciona perto de 0,125 e duas das quatro respostas ficam em cima do muro, em 0,5. Não há bug nenhum — é um mínimo local, exatamente aquela depressão rasa no meio da neblina. Testei as trinta primeiras sementes: quatro delas caem nessa armadilha, ou seja, mais ou menos uma em cada sete. Nas outras, o vale certo aparece. Esse é, em miniatura, um dos dramas cotidianos de quem treina redes: às vezes a saída é só reiniciar.

Código · nível 3 Reconhecendo algarismos manuscritos numa matriz de pixels

Uma rede 64 → 32 → 10, escrita do zero, construída sobre 1 797 imagens de algarismos manuscritos em grades de 8 × 8 — das quais 1 437 vão para o treino e 360 ficam guardadas para o teste (é o conjunto digits, que já vem com o scikit-learn e roda em segundos). Aqui aparecem, juntos, todos os ingredientes do post: matriz de pixels achatada em vetor, camada escondida, ReLU, softmax, retropropagação, minilotes e — o mais importante — a separação entre treino e teste.

import numpy as np
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

np.random.seed(7)

# 1) Dados: 1797 imagens 8x8 de digitos manuscritos ----------
digitos = load_digits()
X = digitos.data / 16.0      # 64 pixels achatados numa lista, escala 0-1
y = digitos.target           # rotulo de 0 a 9
Y = np.eye(10)[y]            # um-de-n: 3 -> [0,0,0,1,0,0,0,0,0,0]

# stratify=y: mesma proporcao de cada algarismo no treino e no teste
X_tr, X_te, Y_tr, Y_te, y_tr, y_te = train_test_split(
    X, Y, y, test_size=0.2, random_state=7, stratify=y)

print("treino:", X_tr.shape, "| teste:", X_te.shape)

# 2) Rede 64 -> 32 -> 10 -------------------------------------
def inicia(n_ent, n_sai):
    # escala de He: mantem o sinal estavel ao atravessar a ReLU
    return np.random.randn(n_ent, n_sai) * np.sqrt(2.0 / n_ent)

W1, b1 = inicia(64, 32), np.zeros((1, 32))
W2, b2 = inicia(32, 10), np.zeros((1, 10))

def relu(z):
    return np.maximum(0, z)

def softmax(z):       # dez escores -> dez probabilidades que somam 1
    z = z - z.max(axis=1, keepdims=True)
    e = np.exp(z)
    return e / e.sum(axis=1, keepdims=True)

def prever(entrada):  # o passo para frente inteiro, em uma linha
    return softmax(relu(entrada @ W1 + b1) @ W2 + b2)

taxa, lote, epocas = 0.5, 32, 60

for epoca in range(1, epocas + 1):
    ordem = np.random.permutation(len(X_tr))
    # minilote: em vez de olhar as 1437 imagens de uma vez,
    # corrigimos os pesos a cada 32 exemplos
    for i in range(0, len(ordem), lote):
        idx = ordem[i:i + lote]
        xb, yb = X_tr[idx], Y_tr[idx]

        # ---- para frente ---------------------------------
        Z1 = xb @ W1 + b1
        A1 = relu(Z1)
        A2 = softmax(A1 @ W2 + b2)

        # ---- para tras (retropropagacao) -----------------
        dZ2 = (A2 - yb) / len(xb)        # gradiente da entropia cruzada
        dW2 = A1.T @ dZ2
        db2 = dZ2.sum(axis=0, keepdims=True)

        dA1 = dZ2 @ W2.T
        dZ1 = dA1 * (Z1 > 0)             # derivada da ReLU
        dW1 = xb.T @ dZ1
        db1 = dZ1.sum(axis=0, keepdims=True)

        W2 -= taxa * dW2; b2 -= taxa * db2
        W1 -= taxa * dW1; b1 -= taxa * db1

    if epoca % 15 == 0:
        P = prever(X_tr)
        perda = -np.mean(np.log(P[np.arange(len(y_tr)), y_tr] + 1e-9))
        ac_tr = (P.argmax(axis=1) == y_tr).mean()
        ac_te = (prever(X_te).argmax(axis=1) == y_te).mean()
        print("epoca %2d | perda %.4f | acerto treino %.3f | acerto teste %.3f"
              % (epoca, perda, ac_tr, ac_te))

# 3) Onde a rede erra ----------------------------------------
pred = prever(X_te).argmax(axis=1)
indices_errados = np.where(pred != y_te)[0]
print("\nerrou %d de %d imagens de teste" % (len(indices_errados), len(y_te)))
for i in indices_errados:
    print("  imagem %4d: era %d, a rede disse %d" % (i, y_te[i], pred[i]))

Saída obtida

treino: (1437, 64) | teste: (360, 64)
epoca 15 | perda 0.0598 | acerto treino 0.980 | acerto teste 0.964
epoca 30 | perda 0.0147 | acerto treino 0.998 | acerto teste 0.983
epoca 45 | perda 0.0073 | acerto treino 1.000 | acerto teste 0.983
epoca 60 | perda 0.0041 | acerto treino 1.000 | acerto teste 0.983

errou 6 de 360 imagens de teste
  imagem    6: era 9, a rede disse 5
  imagem   22: era 5, a rede disse 9
  imagem   27: era 3, a rede disse 5
  imagem  199: era 6, a rede disse 1
  imagem  212: era 5, a rede disse 4
  imagem  326: era 8, a rede disse 5

Leia com atenção a linha da época 60. Acerto de 100% no treino e 98,3% no teste: a rede memorizou o material de estudo por completo e ainda assim erra 6 provas de 360. Aquela distância de 1,7 ponto entre os dois números é o sobreajuste que discutimos. E vários dos erros são pares que confundem gente também — 9 com 5, 3 com 5, 8 com 5 —, embora nem todos (6 com 1 é mais difícil de justificar).

Experimente 1 — deixe a decoreba gritar. Troque test_size=0.2 por test_size=0.8 (a rede passa a estudar com só 359 imagens) e epocas para 200. O que sai:

treino: (359, 64) | teste: (1438, 64)
epoca 200 | perda 0.0015 | acerto treino 1.000 | acerto teste 0.935

errou 93 de 1438 imagens de teste

A distância entre treino e teste salta de 1,7 para 6,5 pontos, e a perda de treino continua caindo enquanto o acerto de teste não sai do lugar. É a decoreba visível em números: a rede segue melhorando no que já viu e parou de aprender qualquer coisa útil sobre o resto do mundo.

Experimente 2 — olhe a imagem que a rede errou. Três linhas no fim do programa, e a base de dados deixa de ser abstrata:

import matplotlib.pyplot as plt
i = indices_errados[0]
plt.imshow(X_te[i].reshape(8, 8), cmap="gray_r")
plt.title("era %d, a rede disse %d" % (y_te[i], pred[i])); plt.show()

O índice impresso (imagem 6, por exemplo) é a posição dentro do conjunto de teste, não dentro da base inteira. E um aviso de reprodutibilidade: os índices exatos podem variar conforme a versão do scikit-learn, que sorteia a divisão treino/teste; os números de acerto, não.

Bônus: as mesmas ideias em dez linhas, com o MNIST completo. Depois de escrever a retropropagação à mão, veja o que uma biblioteca faz por você — e note que a estrutura é rigorosamente a mesma: achatar a imagem, camada escondida com ReLU, dez saídas com softmax.

import tensorflow as tf

(x_tr, y_tr), (x_te, y_te) = tf.keras.datasets.mnist.load_data()
x_tr, x_te = x_tr / 255.0, x_te / 255.0     # 28x28 pixels, escala 0-1

modelo = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(28, 28)),
    tf.keras.layers.Flatten(),               # 28x28 vira 784 numeros
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dense(10, activation="softmax"),
])

modelo.compile(optimizer="adam",
               loss="sparse_categorical_crossentropy",
               metrics=["accuracy"])

modelo.fit(x_tr, y_tr, epochs=5, validation_split=0.1)

perda, acerto = modelo.evaluate(x_te, y_te, verbose=0)
print("acerto no conjunto de teste: %.4f" % acerto)

Cinco épocas, menos de um minuto no Colab depois do download do MNIST, e você chega perto de 98% de acerto em 10 mil imagens que a rede nunca viu — sem ter escrito uma única regra sobre o que é um algarismo. Não se assuste se o import tensorflow despejar avisos vermelhos sobre CUDA e oneDNN: são recados sobre placa de vídeo, não erros.

Sinapse 13

Perguntas para o seu contexto

O vocabulário deste post é o mesmo que sustenta as ferramentas que você usa. Marque o que já consegue explicar para um colega — cada item cobre um conceito do texto.

0 de 7

Sei explicar o que são peso e viés num neurônio artificial, sem usar a palavra "cérebro". Consigo dizer por que o perceptron aprende o "ou" e não aprende o "ou exclusivo". Sei para que serve uma camada escondida e o que ela cria que não existia na entrada. Consigo descrever a retropropagação em duas frases: o palpite vai, o erro volta. Sei dizer de onde vem a "montanha" da descida do gradiente — e o que a taxa de aprendizado controla. Entendo por que uma imagem vira uma lista de números antes de entrar na rede. Sei explicar a diferença entre acerto no treino e acerto no teste — e por que só o segundo conta.

Vale ainda a transposição para a sala de aula. A regra de Rosenblatt é, no fundo, uma teoria do feedback: correção só ensina quando chega ligada ao caso concreto que a produziu e proporcional ao tamanho do erro — nota sem comentário é erro sem gradiente. E o sobreajuste tem tradução direta na avaliação: uma lista de exercícios que vira gabarito decorado mede memória, não aprendizagem. Já a lição da camada escondida é a mais bonita de todas: quando um problema parece impossível, às vezes o que falta não é mais esforço, e sim uma representação melhor do problema.

O tema também já é estatística oficial brasileira: segundo o IBGE, 41,9% das empresas industriais com 100 ou mais pessoas ocupadas usavam inteligência artificial em 2024, contra 16,9% em 2022 (IBGE, 2025). Boa parte do que está por trás desses sistemas é, com poucas variações, o que você acabou de ver aqui.

Convergência

Uma reta, um muro e uma escada

A história que contamos aqui tem uma estrutura quase teatral. Ato um: alguém percebe que uma máquina pode ajustar sozinha os próprios números e a imprensa promete consciência artificial para a semana seguinte. Ato dois: uma demonstração matemática de três linhas mostra que o modelo é uma reta diante de um mundo curvo, e o entusiasmo vira gelo por quase duas décadas. Ato três: descobre-se que bastava empilhar camadas e deixar o erro voltar por elas — e que a matemática necessária já estava pronta desde o século XVII, na regra da cadeia.

Vale reter que o perceptron não estava errado; estava incompleto. E que a solução não veio de uma teoria mais sofisticada, mas de uma mudança de perspectiva: em vez de encontrar a fronteira certa no espaço original, deixe a máquina inventar um espaço em que a fronteira certa seja simples. É essa ideia — não a metáfora do cérebro — que atravessa toda a inteligência artificial contemporânea, dos leitores de cheque aos modelos de linguagem.

No próximo post da série, viramos a lente para o outro lado da equação: se a rede só aprende o que está nos exemplos, quem escolhe os exemplos decide o que a máquina vai pensar. Falaremos de dados, viés, avaliação e do que acontece quando o gabarito está torto. Até lá, fica a pergunta: na sua área, qual é o "ou exclusivo" — aquele problema que parece impossível apenas porque ninguém ainda trocou as coordenadas em que ele é descrito?

Nota do autor: a manchete do New York Times de 1958 é citada aqui na tradução do autor, a partir da reprodução feita pelo Cornell Chronicle (2019), e não do original consultado diretamente. O bordão "neurônios que disparam juntos se conectam" é uma paráfrase popular posterior, não uma frase literal de Hebb (1949) — o texto original fala em fortalecimento da eficiência de uma célula que participa repetidamente da ativação de outra. A configuração da "retina" do Mark I em 20 × 20 fotocélulas é o dado consolidado na literatura técnica sobre a máquina; o registro do Smithsonian descreve as unidades sensoriais, associativas e de resposta sem informar a contagem. Sobre a data da máquina: o registro do Smithsonian a associa a 1958, mas a demonstração daquele ano foi uma simulação em computador de válvulas, e o equipamento físico só ficou operacional por volta de 1960 — daí o "fim dos anos 1950" no texto. Sobre a paternidade da retropropagação: Werbos (1974) é a referência mais antiga habitualmente citada em textos de aprendizado de máquina, mas o método foi redescoberto de forma independente diversas vezes, e a difusão efetiva veio com Rumelhart, Hinton e Williams (1986) — adotamos aqui essa dupla atribuição. O teorema da convergência do perceptron é frequentemente atribuído ao artigo de 1958; a demonstração, porém, está em Rosenblatt (1962) e no limite de Novikoff, do mesmo ano — por isso a citação nesse ponto é a de 1962. A responsabilidade de Minsky e Papert (1969) pelo "inverno" das redes neurais é objeto de disputa historiográfica: o livro demonstra limites reais do modelo de camada única e conjectura, sem provar, que a extensão a múltiplas camadas seria estéril; o corte de financiamento teve outras causas concorrentes. Os valores da Tabela 1 são os publicados por LeCun et al. (1998) para o conjunto de teste do MNIST e não representam o estado da arte atual, hoje bem abaixo de 0,5%. Os programas em Python foram executados pelo autor e as saídas reproduzidas são reais e completas, sem cortes; o exemplo em Keras, por depender de download do MNIST, é apresentado sem saída. O laboratório da descida do gradiente usa, por clareza, um modelo linear com erro quadrático — a única paisagem que uma tela desenha por inteiro; a curva de "dois vales" é sintética, construída para exibir um mínimo local, e não deriva do modelo de reta (cuja paisagem é sempre uma parábola). A contagem de 2 410 parâmetros da rede do nível 3 soma 64×32 + 32 + 32×10 + 10. O circuito de três perceptrons da Sinapse 06 é a solução didática clássica do problema, não a única: como o próprio tutorial de nível 2 mostra, a rede treinada chega a outro par de retas igualmente válido. As ilustrações são esquemas didáticos gerados pelo autor, não reproduções de figuras dos artigos originais; o esquema de dois planos da Sinapse 06 foi desenhado em SVG, com coordenadas calculadas, e não gerado por imagem.

Referências

ACM — ASSOCIATION FOR COMPUTING MACHINERY. Fathers of the deep learning revolution receive ACM A.M. Turing Award. Nova York: ACM, 2019. Disponível em: https://awards.acm.org/about/2018-turing. Acesso em: 15 ago. 2026.
BROWN, Tom B. et al. Language models are few-shot learners. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 34., 2020. Advances in Neural Information Processing Systems 33. [S. l.]: NeurIPS, 2020. Disponível em: https://arxiv.org/abs/2005.14165. Acesso em: 15 ago. 2026.
CYBENKO, George. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems, v. 2, n. 4, p. 303-314, 1989. DOI: 10.1007/BF02551274. Disponível em: https://doi.org/10.1007/BF02551274. Acesso em: 15 ago. 2026.
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. Cambridge: MIT Press, 2016. Disponível em: https://www.deeplearningbook.org/. Acesso em: 15 ago. 2026.
HEBB, Donald O. The organization of behavior: a neuropsychological theory. Nova York: John Wiley & Sons, 1949.
HORNIK, Kurt; STINCHCOMBE, Maxwell; WHITE, Halbert. Multilayer feedforward networks are universal approximators. Neural Networks, v. 2, n. 5, p. 359-366, 1989. DOI: 10.1016/0893-6080(89)90020-8. Disponível em: https://doi.org/10.1016/0893-6080(89)90020-8. Acesso em: 15 ago. 2026.
IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência IBGE Notícias, Rio de Janeiro, set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 15 ago. 2026.
KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey E. ImageNet classification with deep convolutional neural networks. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 26., 2012, Lake Tahoe. Advances in Neural Information Processing Systems 25. [S. l.]: NeurIPS, 2012. p. 1097-1105. Disponível em: https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html. Acesso em: 15 ago. 2026.
LeCUN, Yann et al. Backpropagation applied to handwritten zip code recognition. Neural Computation, v. 1, n. 4, p. 541-551, 1989. DOI: 10.1162/neco.1989.1.4.541. Disponível em: https://doi.org/10.1162/neco.1989.1.4.541. Acesso em: 15 ago. 2026.
LeCUN, Yann; BOTTOU, Léon; BENGIO, Yoshua; HAFFNER, Patrick. Gradient-based learning applied to document recognition. Proceedings of the IEEE, v. 86, n. 11, p. 2278-2324, 1998. DOI: 10.1109/5.726791. Disponível em: https://doi.org/10.1109/5.726791. Acesso em: 15 ago. 2026.
LeCUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, p. 436-444, 2015. DOI: 10.1038/nature14539. Disponível em: https://doi.org/10.1038/nature14539. Acesso em: 15 ago. 2026.
McCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943. DOI: 10.1007/BF02478259. Disponível em: https://doi.org/10.1007/BF02478259. Acesso em: 15 ago. 2026.
MINSKY, Marvin; PAPERT, Seymour. Perceptrons: an introduction to computational geometry. Cambridge: MIT Press, 1969.
MITCHELL, Tom M. Machine learning. Nova York: McGraw-Hill, 1997.
NATIONAL MUSEUM OF AMERICAN HISTORY. Electronic neural network, Mark I Perceptron. Washington: Smithsonian Institution, [s. d.]. Disponível em: https://americanhistory.si.edu/collections/object/nmah_334414. Acesso em: 15 ago. 2026.
PROFESSOR'S perceptron paved the way for AI — 60 years too soon. Cornell Chronicle, Ithaca, 25 set. 2019. Disponível em: https://news.cornell.edu/stories/2019/09/professors-perceptron-paved-way-ai-60-years-too-soon. Acesso em: 15 ago. 2026.
ROSENBLATT, Frank. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386-408, 1958. DOI: 10.1037/h0042519. Disponível em: https://doi.org/10.1037/h0042519. Acesso em: 15 ago. 2026.
ROSENBLATT, Frank. Principles of neurodynamics: perceptrons and the theory of brain mechanisms. Washington: Spartan Books, 1962.
RUMELHART, David E.; HINTON, Geoffrey E.; WILLIAMS, Ronald J. Learning representations by back-propagating errors. Nature, v. 323, p. 533-536, 1986. DOI: 10.1038/323533a0. Disponível em: https://doi.org/10.1038/323533a0. Acesso em: 15 ago. 2026.
RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
WERBOS, Paul J. Beyond regression: new tools for prediction and analysis in the behavioral sciences. 1974. Tese (Doutorado em Matemática Aplicada) — Harvard University, Cambridge, 1974.
WIDROW, Bernard; HOFF, Marcian E. Adaptive switching circuits. In: IRE WESCON CONVENTION, 1960, Los Angeles. IRE WESCON Convention Record, part 4. Nova York: Institute of Radio Engineers, 1960. p. 96-104.

Afinal, o que é Comunicação Digital?

noreply@blogger.com (War) — Fri, 14 Aug 2026 06:54:44 -0300

Você acorda, desliga o alarme no celular e, antes do café, já atravessou três feeds, dois grupos de mensagens e uma dúzia de anúncios sob medida. A Comunicação Digital é a disciplina que explica esse cotidiano — e ensina a atuar profissionalmente nele. Neste post, definimos o campo com seus autores fundamentais, percorremos os cinco eixos que se estudam na disciplina — marketing digital, gestão de redes sociais, cultura digital, produção multimídia e análise de dados —, trazemos os números mais recentes do Brasil conectado e fechamos com um glossário interativo dos termos técnicos que todo estudante precisa dominar. Fontes verificáveis na mesa, do clássico ao dado de dezembro de 2025. [Atualizado em: 22/08/2026]

São 163 milhões de brasileiros conectados — 88% da população de 10 anos ou mais, no conceito ampliado da TIC Domicílios — e cada um deles deixa rastros: o que buscou, onde clicou, quanto tempo assistiu, o que compartilhou (COMITÊ GESTOR DA INTERNET NO BRASIL, 2025b). Para as marcas, os governos e os veículos de mídia, isso mudou tudo: comunicar deixou de ser falar de um para muitos e passou a ser conversar, medir e ajustar em tempo real. A Comunicação Digital é a área do conhecimento que estuda exatamente isso: os processos de produção, circulação e consumo de mensagens mediados por tecnologias digitais conectadas em rede — sites, redes sociais, aplicativos, buscadores, e-mail e o que mais a próxima década inventar.

Este post é o mapa da disciplina para quem está chegando: o conceito, os cinco eixos de estudo, os números atuais do Brasil conectado e o vocabulário técnico da área. No digital, quem comunica sem método publica; quem comunica com método posiciona, mede e aprende — e a diferença entre uma coisa e outra é o conteúdo desta disciplina.

Canal 01

O que é Comunicação Digital?

Da massa à rede: no digital, todo receptor também é emissor. Ilustração do autor (2026)

Três autores estruturam a resposta. Manuel Castells descreveu a emergência da sociedade em rede: uma organização social em que a comunicação flui em redes horizontais e globais, e não mais apenas dos grandes emissores para as audiências passivas (CASTELLS, 1999). Henry Jenkins chamou de cultura da convergência o cenário em que velhos e novos meios se cruzam e o público se torna participante ativo da produção de sentido — comenta, remixa, redistribui (JENKINS, 2009). E, mais recentemente, José van Dijck e colegas cunharam o diagnóstico da sociedade de plataformas: boa parte da vida social passou a acontecer dentro de plataformas privadas — buscadores, redes sociais, marketplaces — cujos algoritmos e modelos de negócio moldam o que circula e o que desaparece (VAN DIJCK; POELL; DE WAAL, 2018).

A disciplina, portanto, não estuda ferramentas: estuda pessoas, linguagens, estratégias e dados operando dentro de plataformas — e as regras do jogo que essas plataformas impõem. O terreno é vasto: estimativas de mercado apontam cerca de 185 milhões de usuários de internet no Brasil (86,9% da população) e 150 milhões de identidades ativas em redes sociais (70,4%) (KEMP, 2025). Três características distinguem esse ambiente da comunicação de massa tradicional: ele é interativo (o público responde e produz), descentralizado (qualquer pessoa publica) e mensurável (praticamente toda ação vira dado). Dessas três características derivam os cinco eixos que se estudam na disciplina — os cinco "canais" a seguir.

Canal 02

Marketing digital: SEO, tráfego pago e e-mail marketing

Canal 02 — busca orgânica, mídia paga e e-mail: o tripé do marketing digital. Ilustração do autor (2026)

O marketing digital é o conjunto de estratégias de atração, conversão, relacionamento e retenção de públicos em canais digitais — o que vai da pesquisa sobre o consumidor à promoção de produtos, serviços e marcas, e daí ao pós-venda e à experiência do cliente. Philip Kotler e colegas descrevem a transição para um marketing em que a jornada do consumidor é híbrida — combina pontos de contato físicos e digitais — e a recomendação entre pares vale tanto quanto a publicidade: é o percurso dos "5 As" (assimilação, atração, arguição, ação e apologia), em que o objetivo final é transformar clientes em defensores da marca (KOTLER; KARTAJAYA; SETIAWAN, 2017). Na atualização da tese, os mesmos autores defendem que a próxima fronteira é usar tecnologias como inteligência artificial e automação "para a humanidade" — personalizar sem perder o humano (KOTLER; KARTAJAYA; SETIAWAN, 2021).

Na disciplina, três estratégias recebem atenção especial. O SEO (Search Engine Optimization) é o conjunto de técnicas para tornar um conteúdo fácil de encontrar, entender e ranquear pelos buscadores: pesquisa de palavras-chave, conteúdo original e útil, títulos e textos alternativos descritivos, estrutura de links rastreável e boa experiência de página — os fundamentos que o próprio Google documenta publicamente (GOOGLE, 2025). Com a ascensão dos assistentes de IA — já usados por 50 milhões de brasileiros, ou 32% dos internautas (COMITÊ GESTOR DA INTERNET NO BRASIL, 2025a) —, nasceu uma extensão do SEO: o GEO (Generative Engine Optimization), a otimização de conteúdo para ser recuperado e citado por motores generativos, formalizada academicamente em 2024 (AGGARWAL et al., 2024). A lição perene por trás das siglas não muda: conteúdo claro, confiável e bem estruturado é o que tende a ser recuperado e citado — antes pelos buscadores, agora também pelos motores generativos — ainda que o ganho de visibilidade varie conforme o domínio e o tipo de consulta (AGGARWAL et al., 2024).

O tráfego pago completa o par com o orgânico: anúncios em plataformas como Google Ads e Meta Ads, pagos por exibição (CPM) ou por clique (CPC), com segmentação por interesse, localização e comportamento. E o e-mail marketing segue sendo um canal direto de baixo custo para nutrir quem já demonstrou interesse — newsletters, ofertas e automações disparadas conforme o comportamento do usuário. O eixo se completa com os conceitos de funil de vendas, inbound marketing e marketing de conteúdo (GABRIEL; KISO, 2020).

Canal 03

Gestão de redes sociais: conteúdo, monitoramento e engajamento

Canal 03 — planejar, escutar e medir: o tripé da gestão de redes sociais. Ilustração do autor (2026)

Para Raquel Recuero, referência brasileira no tema, redes sociais são estruturas formadas por atores — pessoas, instituições, grupos — e por suas conexões, nas quais o capital social se constrói pela interação (RECUERO, 2009). Geri-las profissionalmente é planejar a presença, a linguagem e o relacionamento de uma marca nesses espaços — três frentes que a disciplina destrincha: a criação de conteúdo (planejamento editorial, formatos nativos de cada plataforma, storytelling, calendário); o monitoramento (escuta ativa do que se fala da marca, resposta a comentários, gestão de crises de imagem); e as métricas de alcance e engajamento — de um lado, quantas pessoas foram alcançadas e quantas impressões o conteúdo gerou; de outro, quantas curtiram, comentaram, compartilharam ou salvaram. A dimensão do mercado brasileiro está na Tabela 1 — que mede alcance publicitário potencial, não usuários ativos.

Tabela 1 — Alcance publicitário potencial em plataformas de redes sociais — Brasil — out. 2025

Plataforma	Alcance potencial (milhões)	Proporção da população (%)
YouTube	150,0	70,4
Instagram	147,0	69,0
TikTok (1)	131,0	-
Facebook	109,0	51,3
LinkedIn (2)	90,0	42,3
Pinterest	42,2	19,8

Fonte: elaborado pelo autor com base em Kemp (2025), com dados de outubro de 2025.Nota: os valores são estimativas de alcance publicitário potencial divulgadas pelas ferramentas de anúncio das próprias plataformas; não equivalem a contagens de usuários ativos no mês, não são somáveis e não são estritamente comparáveis entre si.(1) usuários com 18 anos ou mais; a fonte não divulga a proporção sobre a população total. (2) o LinkedIn informa membros registrados, e não usuários ativos no mês.

Canal 04

Cultura digital: internet, sociedade e o consumidor conectado

Canal 04 — comunidades, influência, proteção de dados e desigualdade de acesso. Ilustração do autor (2026)

A cultura digital — ou cibercultura, no termo consagrado por Pierre Lévy (LÉVY, 1999) — estuda o impacto da internet sobre a forma como a sociedade se organiza, se informa, se relaciona e consome. É o eixo mais sociológico da disciplina: comunidades virtuais, influenciadores, memes como linguagem, bolhas de filtro, desinformação e as questões éticas e legais do ambiente conectado — no Brasil, a proteção de dados pessoais é regulada pela LGPD (BRASIL, 2018).

No comportamento de consumo, a mudança é estrutural: antes de comprar, o usuário pesquisa, compara, assiste a resenhas e lê avaliações de outros consumidores; depois de comprar, publica a própria opinião e realimenta o ciclo (KOTLER; KARTAJAYA; SETIAWAN, 2017). E o eixo também estuda o que os números médios escondem: a desigualdade digital. O Brasil conectado não é um só — o uso de inteligência artificial, por exemplo, chega a 69% dos internautas da classe A, mas a apenas 16% nas classes D e E; e 64 milhões de brasileiros afirmaram que o pacote de dados do plano de celular acabou pelo menos uma vez nos três meses anteriores à pesquisa (COMITÊ GESTOR DA INTERNET NO BRASIL, 2025a). Comunicar para esses públicos exige formatos leves, linguagem adequada e respeito às condições reais de acesso.

A desigualdade em um número: uso de IA por classe social

Classe A69%

Média dos internautas32%

Classes D e E16%

Fonte: elaborado pelo autor com base em Comitê Gestor da Internet no Brasil (2025a).Nota: percentuais sobre usuários de internet com 10 anos ou mais; coleta de março a agosto de 2025.

Canal 05

Produção multimídia: design, vídeo e escrita para a web

Canal 05 — design, vídeo e webwriting: três linguagens, um mesmo projeto. Ilustração do autor (2026)

Comunicar no digital exige dominar várias linguagens ao mesmo tempo. As noções de design gráfico cobrem composição visual, tipografia, teoria das cores e identidade visual aplicadas a peças de redes sociais, blogs e anúncios. A edição de vídeo ganhou centralidade com os formatos curtos e verticais (Reels, Shorts, TikTok), exigindo roteiro, corte, legendagem e trilha. E a escrita para a web — o webwriting — adapta o texto ao comportamento real de leitura em telas: desde os estudos clássicos de usabilidade sabe-se que o leitor raramente lê palavra por palavra, escaneia a página em busca de âncoras visuais, o que pede subtítulos informativos, parágrafos curtos, listas e palavras-chave destacadas (NIELSEN, 1997) — técnica que conversa diretamente com o SEO (GOOGLE, 2025).

O eixo se fecha com o conceito de narrativa transmídia de Jenkins: o mesmo projeto de comunicação precisa ser pensado para circular, com adaptações e complementaridades, em múltiplas plataformas — cada uma contando uma parte da história do seu jeito (JENKINS, 2009).

Canal 06

Análise de dados: da métrica de vaidade à decisão

Canal 06 — a lupa vai na métrica de negócio, não no troféu de vaidade. Ilustração do autor (2026)

Se a comunicação digital é mensurável por natureza, ler números é competência obrigatória. O eixo ensina a coletar, interpretar e apresentar dados de desempenho com ferramentas de analytics — como o Google Analytics, que registra a origem do tráfego, as páginas visitadas, o tempo de engajamento e os eventos de conversão. E as definições importam: no GA4, uma sessão só conta como engajada se durar mais de dez segundos, registrar um evento principal ou gerar duas ou mais visualizações — e a taxa de rejeição é exatamente o complemento disso, a proporção de sessões não engajadas (GOOGLE, [s. d.]). O estudante aprende a definir KPIs alinhados ao objetivo de cada campanha, a distinguir métricas de vaidade (números grandes e pouco significativos, como seguidores totais) de métricas de negócio (conversão, custo por aquisição, retorno sobre investimento) e a produzir relatórios de performance que transformem dados em decisões (GABRIEL; KISO, 2020). É o ciclo contínuo de planejar, executar, medir e otimizar que separa a comunicação digital profissional do simples ato de publicar.

Canal 07

Glossário interativo da disciplina

O vocabulário técnico da área, para consulta rápida: digite no campo de busca ou filtre por eixo. Termos já explicados no texto aparecem aqui em versão resumida, ao lado dos demais que todo estudante encontrará nas leituras e no mercado.

Alcance — número estimado de pessoas distintas que viram um conteúdo; é métrica de exposição, não de interação.

Algoritmo — sequência finita de regras que um sistema executa para resolver um problema; nas plataformas, os algoritmos de recomendação e de ranqueamento ordenam o que cada usuário vê conforme a relevância prevista.

Backlink — link de um site externo apontando para uma página; sinal de autoridade tradicionalmente associado ao SEO.

Bounce rate (taxa de rejeição) — no Google Analytics 4, percentual de sessões não engajadas, isto é, o complemento da taxa de engajamento (GOOGLE, [s. d.]).

Branding — gestão estratégica da marca: identidade, posicionamento e percepção junto ao público.

Briefing — documento com as informações e os objetivos que orientam a produção de uma peça ou campanha.

Bolha de filtro — efeito pelo qual algoritmos de personalização restringem o usuário a conteúdos alinhados ao que ele já consome.

Copywriting — redação persuasiva voltada à conversão, usada em anúncios, páginas de venda e e-mails.

CPC (custo por clique) — valor pago pelo anunciante a cada clique em um anúncio de tráfego pago.

CPM (custo por mil impressões) — valor pago a cada mil exibições de um anúncio.

CTA (call to action) — chamada para ação que orienta o próximo passo do usuário ("saiba mais", "inscreva-se").

CTR (taxa de cliques) — proporção entre cliques e exibições de um link ou anúncio.

Engajamento — conjunto das interações do público com um conteúdo: curtidas, comentários, compartilhamentos e salvamentos.

Funil de vendas — representação das etapas da jornada do consumidor, da descoberta à compra.

GEO (Generative Engine Optimization) — otimização de conteúdo para ser recuperado e citado por ferramentas de IA generativa (AGGARWAL et al., 2024).

Inbound marketing — estratégia de atração do público por meio de conteúdo útil, em vez de publicidade interruptiva.

KPI (indicador-chave de desempenho) — métrica escolhida para medir o sucesso de um objetivo específico.

Landing page — página criada para uma campanha, focada em uma única ação de conversão.

Lead — potencial cliente que forneceu dados de contato em troca de conteúdo ou oferta.

LGPD — Lei Geral de Proteção de Dados Pessoais (Lei nº 13.709/2018), que regula o tratamento de dados no Brasil (BRASIL, 2018).

Métrica de vaidade — número expressivo, porém pouco ligado ao objetivo de negócio (ex.: total bruto de seguidores).

Monitoramento (social listening) — escuta ativa das menções à marca nas redes, para relacionamento e gestão de crises.

Persona — personagem semifictício que representa o cliente ideal, construído a partir de dados reais.

Remarketing — exibição de anúncios a usuários que já interagiram com a marca ou visitaram seu site.

ROI (retorno sobre investimento) — relação entre o resultado obtido e o valor investido em uma ação.

SERP (Search Engine Results Page) — a página de resultados de um mecanismo de busca.

Escaneabilidade — qualidade do texto que facilita a leitura em "varredura": subtítulos, listas, negritos e parágrafos curtos (NIELSEN, 1997).

Narrativa transmídia — projeto em que cada plataforma conta uma parte complementar da história (JENKINS, 2009).

UGC (user-generated content) — conteúdo sobre uma marca produzido pelos próprios usuários, por iniciativa deles ou a convite da marca.

UX (user experience) — qualidade da experiência de uma pessoa ao interagir com um site, aplicativo ou serviço.

Canal 08

Perguntas para o seu contexto

Da teoria à prática: marque o que você já consegue responder — cada item usa um conceito deste post.

0 de 6

Sei explicar a diferença entre comunicação de massa e comunicação digital usando os conceitos de rede, convergência e plataforma. Consigo dizer o que muda entre SEO e GEO — e o que permanece igual nos dois. Sei apontar, num perfil que acompanho, exemplos de criação de conteúdo, monitoramento e métrica de engajamento. Consigo citar um dado sobre a desigualdade digital brasileira e uma implicação prática dele para a comunicação. Sei diferenciar uma métrica de vaidade de uma métrica de negócio no meu contexto. Encontro no glossário três termos que eu ainda não dominava — e sei usá-los numa frase.

CTA final

Comunicar é o que sempre fizemos — medir é o que aprendemos agora

Dos fluxos globais de Castells ao algoritmo que decidiu o que você viu hoje de manhã, a Comunicação Digital estuda o encontro entre uma prática antiga — contar histórias, persuadir, informar — e um ambiente novo, interativo, plataformizado e mensurável. Quem domina os cinco eixos não vira apenas um bom "social media": vira o profissional capaz de articular estratégia, relacionamento, contexto, linguagem e evidência em qualquer organização, da microempresa ao órgão público. E você: da próxima vez que publicar algo, saberá dizer qual era o objetivo, para qual persona, em qual formato — e com qual métrica vai saber se funcionou?

Nota do autor: os números do Brasil conectado vêm de duas fontes com metodologias distintas e não devem ser somados nem comparados diretamente. A TIC Domicílios 2025 (Cetic.br) mede indivíduos de 10 anos ou mais, com coleta domiciliar de março a agosto de 2025 e divulgação em 9 de dezembro de 2025; nela, o país tem 157 milhões de usuários de internet (85%) pelo conceito tradicional e 163 milhões (88%) pelo conceito ampliado, que soma os usuários de aplicações que dependem de conexão — é este último número que abre o post. Já o relatório Digital 2026: Brazil (DataReportal) contabiliza identidades de contas em plataformas (uma pessoa pode ter várias) com dados de outubro de 2025; apesar do título "2026", foi publicado em novembro de 2025, e é assim citado. Os valores da Tabela 1 são estimativas de alcance publicitário potencial extraídas das ferramentas de anúncio das plataformas — não são contagens de usuários ativos no mês, e o dado do LinkedIn se refere a membros registrados; por isso o alcance do YouTube coincide numericamente, por arredondamento da fonte, com o total de identidades sociais do país. O termo GEO é emergente: adotamos a formalização acadêmica de Aggarwal et al. (2024), cujo estudo mede ganho de visibilidade — variável conforme o domínio e o tipo de consulta —, e não preferência dos modelos; o mercado ainda usa variantes como "AIO" e "LLMO". As definições do glossário são formulações didáticas do autor com base nas obras citadas.

Referências

AGGARWAL, Pranjal et al. GEO: Generative Engine Optimization. In: ACM SIGKDD CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 30., 2024, Barcelona. Proceedings of KDD '24. Nova York: ACM, 2024. p. 5-16. DOI: 10.1145/3637528.3671900. Disponível em: https://doi.org/10.1145/3637528.3671900. Acesso em: 21 ago. 2026. Versão de preprint disponível em: https://arxiv.org/abs/2311.09735.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018 (Lei Geral de Proteção de Dados Pessoais — LGPD). Brasília, DF: Presidência da República, 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 21 ago. 2026.
CASTELLS, Manuel. A sociedade em rede. São Paulo: Paz e Terra, 1999. (A era da informação: economia, sociedade e cultura, v. 1).
COMITÊ GESTOR DA INTERNET NO BRASIL. 50 milhões de brasileiros já usam IA, mas potenciais benefícios continuam limitados às camadas de maior renda e escolaridade. São Paulo: CGI.br/NIC.br/Cetic.br, 9 dez. 2025a. Comunicado de imprensa sobre a Pesquisa TIC Domicílios 2025. Disponível em: https://cetic.br/pt/noticia/50-milhoes-de-brasileiros-ja-usam-ia-mas-potenciais-beneficios-continuam-limitados-as-camadas-de-maior-renda-e-escolaridade/. Acesso em: 21 ago. 2026.
COMITÊ GESTOR DA INTERNET NO BRASIL. Pesquisa sobre o uso das tecnologias de informação e comunicação nos domicílios brasileiros: TIC Domicílios 2025 — principais resultados. São Paulo: CGI.br/NIC.br/Cetic.br, 9 dez. 2025b. Apresentação de coletiva de imprensa. Disponível em: https://cetic.br/media/analises/tic_domicilios_2025_principais_resultados.pdf. Acesso em: 21 ago. 2026.
GABRIEL, Martha; KISO, Rafael. Marketing na era digital: conceitos, plataformas e estratégias. 2. ed. São Paulo: Atlas, 2020.
GOOGLE. Fundamentos da Pesquisa Google (Search Essentials). Mountain View: Google Search Central, 2025. Atualizado em 18 dez. 2025. Disponível em: https://developers.google.com/search/docs/essentials?hl=pt-br. Acesso em: 21 ago. 2026.
GOOGLE. [GA4] Taxas de engajamento e de rejeição. Mountain View: Ajuda do Google Analytics, [s. d.]. Disponível em: https://support.google.com/analytics/answer/12195621?hl=pt-BR. Acesso em: 21 ago. 2026.
JENKINS, Henry. Cultura da convergência. 2. ed. São Paulo: Aleph, 2009.
KEMP, Simon. Digital 2026: Brazil. [S. l.]: DataReportal, 2025. Disponível em: https://datareportal.com/reports/digital-2026-brazil. Acesso em: 21 ago. 2026.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 4.0: do tradicional ao digital. Rio de Janeiro: Sextante, 2017.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 5.0: tecnologia para a humanidade. Rio de Janeiro: Sextante, 2021.
LÉVY, Pierre. Cibercultura. São Paulo: Editora 34, 1999.
NIELSEN, Jakob. How users read on the web. Fremont: Nielsen Norman Group, 1997. Disponível em: https://www.nngroup.com/articles/how-users-read-on-the-web/. Acesso em: 21 ago. 2026.
RECUERO, Raquel. Redes sociais na internet. Porto Alegre: Sulina, 2009. (Coleção Cibercultura).
VAN DIJCK, José; POELL, Thomas; DE WAAL, Martijn. The platform society: public values in a connective world. Nova York: Oxford University Press, 2018.

#ComunicaçãoDigital #MarketingDigital #SEO #GEO #RedesSociais #CulturaDigital #ProduçãoMultimídia #AnáliseDeDados #TráfegoPago #EmailMarketing #Analytics

Entenda o que é IA, Apredizagem de Máquina, Deep Learning, LLM, entre outros conceitos

noreply@blogger.com (War) — Mon, 10 Aug 2026 10:44:11 -0300

"O ChatGPT é inteligência artificial?" É — mas dizer só isso é como dizer que um ipê é "um ser vivo": verdade, porém vago demais para ser útil. Neste segundo post da nossa série sobre IA, organizamos os termos que todo mundo usa (e quase ninguém define) em cinco conjuntos aninhados — inteligência artificial, aprendizado de máquina, deep learning, IA generativa e grandes modelos de linguagem —, com um diagrama interativo, exemplos e contra-exemplos em cada nível, as datas e os autores de cada termo, os fabricantes e seus produtos, e os três conceitos que destravam qualquer conversa técnica: modelo, parâmetro e token. Tudo com fontes primárias na mesa.

Toda turma tem esse momento: alguém pergunta se "o ChatGPT é uma IA", outro jura que "IA e machine learning são a mesma coisa", um terceiro garante que leu que "deep learning substituiu o machine learning". Nenhum dos três está exatamente errado — e é justamente por isso que a confusão prospera. Esses termos não são sinônimos nem rivais: são conjuntos aninhados, um dentro do outro, como bonecas russas. Todo LLM é IA generativa; toda IA generativa moderna é deep learning; todo deep learning é aprendizado de máquina; e todo aprendizado de máquina é inteligência artificial. A recíproca, porém, nunca é verdadeira — e é nos contra-exemplos que o entendimento de verdade acontece.

Este post é o dicionário visual da nossa série: define cada nível com sua fonte primária, diz quem cunhou cada termo e quando, dá exemplos e contra-exemplos de cada conjunto, apresenta os fabricantes e produtos que você encontra no noticiário e fecha com os três conceitos transversais — modelo, parâmetro e token — e um panorama de aplicações. Guarde-o nos favoritos: os próximos textos da série vão usar esse vocabulário o tempo todo.

Camada 01

O mapa: cinco conjuntos, um dentro do outro

Antes das definições, o mapa. Toque ou clique em cada anel do diagrama (ou nos botões) para ver a definição, o ano do termo, exemplos, contra-exemplos e os principais fabricantes de cada nível.

Selecione um nível no diagrama.

Cada conjunto contém todos os que estão dentro dele — e os contra-exemplos mostram o que fica de fora.

Uma imagem para levar para a prova: quando alguém disser "IA", pergunte mentalmente: de qual anel estamos falando? A resposta muda o assunto — falar de IA em geral inclui um GPS de 1990; falar de LLM é falar de uma tecnologia que só existe, com esse nome, desde a virada dos anos 2020.

Camada 02

Nível 1 — Inteligência artificial: o conjunto-mãe (1956)

Nível 1 — IA: qualquer sistema que percebe o ambiente e age racionalmente. Ilustração do autor (2026)

Definição: é o campo que estuda e constrói agentes — sistemas que percebem seu ambiente e escolhem ações para atingir objetivos da melhor forma possível (RUSSELL; NORVIG, 2022). O termo: artificial intelligence foi cunhado por John McCarthy e colegas na proposta do seminário de Dartmouth, redigida em 1955 e realizada em 1956 — a certidão de nascimento do campo (McCARTHY et al., 2006).

Exemplos (estão neste conjunto, mas não necessariamente nos de dentro): o GPS que planeja sua rota por busca em grafos; os sistemas especialistas de regras, como o MYCIN dos anos 1970; o Deep Blue, da IBM, que venceu Kasparov no xadrez em 1997 com busca massiva e heurísticas; um robô aspirador. Nenhum deles aprende com dados — e todos são IA. Contra-exemplos (fora do conjunto): uma calculadora, uma planilha de fórmulas, um sistema de cadastro, um semáforo de tempo fixo — automatizam, mas não decidem racionalmente diante de um ambiente que muda.

Camada 03

Nível 2 — Aprendizado de máquina: programas que melhoram com a experiência (1959)

Nível 2 — Aprendizado de máquina: em vez de regras prontas, exemplos. Ilustração do autor (2026)

Definição: a mais precisa é a clássica de Tom Mitchell: um programa aprende com a experiência E, em relação a uma tarefa T e a uma medida de desempenho P, se seu desempenho em T, medido por P, melhora com E (MITCHELL, 1997). Em vez de programar a regra, fornecemos exemplos — e a regra é ajustada a partir deles. O termo: machine learning foi estabelecido por Arthur Samuel, da IBM, no artigo de 1959 em que seu programa de damas melhorava jogando contra si mesmo — a máquina chegou a vencer o próprio autor (SAMUEL, 1959).

Exemplos: o filtro de spam que aprende com as mensagens que você marca; o sistema de recomendação do streaming; a previsão de inadimplência de um banco; o detector de fraudes do cartão. Contra-exemplos (IA que não é ML): o Deep Blue e o MYCIN de novo — toda a "inteligência" deles foi escrita à mão por programadores e especialistas; nada foi aprendido de dados. É por isso que "IA" e "machine learning" não são sinônimos: houve — e há — muita IA sem aprendizado algum.

Camada 04

Nível 3 — Deep learning: muitas camadas de neurônios (anos 2000)

Nível 3 — Deep learning: representações aprendidas camada a camada. Ilustração do autor (2026)

Definição: é o subcampo do aprendizado de máquina que usa redes neurais artificiais com muitas camadas, nas quais cada camada aprende representações progressivamente mais abstratas dos dados — de bordas a olhos, de olhos a rostos (LECUN; BENGIO; HINTON, 2015). O termo: a expressão deep learning aparece na literatura já em 1986, em outro contexto (DECHTER, 1986), mas ganhou o sentido atual nos anos 2000, com o trabalho de Geoffrey Hinton e colegas sobre redes de crenças profundas (HINTON; OSINDERO; TEH, 2006) — e explodiu em 2012, quando a rede AlexNet venceu o desafio ImageNet de reconhecimento de imagens, como vimos no primeiro post da série.

Exemplos: a AlexNet e as redes de visão computacional; o reconhecimento de fala do seu celular; o AlphaFold, que previu a estrutura de proteínas; a percepção dos carros autônomos. Contra-exemplos (ML que não é DL): regressão linear e logística, árvores de decisão, florestas aleatórias, k-médias, o filtro de spam bayesiano — aprendem com dados, mas sem camadas profundas de neurônios. Continuam extremamente úteis: boa parte do ML corporativo do mundo real vive aqui.

Camada 05

Nível 4 — IA generativa: máquinas que criam (2014)

Nível 4 — IA generativa: em vez de classificar conteúdo, produzir conteúdo novo. Ilustração do autor (2026)

Definição: são os sistemas de deep learning treinados para produzir conteúdo novo — texto, imagem, áudio, vídeo, código — que se pareça com os dados de treinamento, em vez de apenas classificá-los ou prever um número. O marco: o artigo das redes adversárias generativas (GANs), de Ian Goodfellow e colegas, em 2014, no qual duas redes competem — uma gera, a outra critica — até a geração ficar convincente (GOODFELLOW et al., 2014). A expressão "IA generativa", porém, só virou vocabulário de jornal com a chegada dos geradores de imagem e do ChatGPT ao grande público, em 2022 (OPENAI, 2022).

Exemplos: DALL-E (OpenAI, 2021), Midjourney (2022) e Stable Diffusion (Stability AI, 2022) para imagens; geradores de música e de vídeo; e os próprios chatbots de texto. Contra-exemplos (DL que não é generativo): o classificador que diz "é um gato", o reconhecimento facial, o detector de fraude, o AlphaGo — redes profundas que percebem, classificam e decidem, mas cujo produto não é um conteúdo novo.

Camada 06

Nível 5 — LLMs: os grandes modelos de linguagem (2017–2020)

Nível 5 — LLM: bilhões de parâmetros treinados para prever o próximo token. Ilustração do autor (2026)

Definição: os large language models são modelos generativos de linguagem, baseados na arquitetura Transformer (VASWANI et al., 2017), treinados sobre volumes gigantescos de texto para prever o próximo token de uma sequência — e que, nessa tarefa aparentemente humilde, desenvolvem competência linguística geral. O termo e a linhagem: o primeiro GPT é de 2018 (RADFORD et al., 2018); a expressão "grande modelo de linguagem" se consolidou com o GPT-3 e seus 175 bilhões de parâmetros, em 2020 (BROWN et al., 2020); e o fenômeno chegou ao público com o ChatGPT, lançado pela OpenAI em 30 de novembro de 2022 (OPENAI, 2022).

Exemplos e fabricantes: a família GPT (OpenAI), o Gemini (Google DeepMind, 2023) (GOOGLE, 2023), o Claude (Anthropic, 2023) (ANTHROPIC, 2023), o Llama (Meta, 2023) (META, 2023) — e, com orgulho nacional, o Sabiá, LLM treinado para o português brasileiro pela Maritaca AI, empresa nascida na comunidade acadêmica de Campinas (PIRES et al., 2023). Contra-exemplos (IA generativa que não é LLM): os geradores de imagem, música e vídeo — Stable Diffusion e Midjourney criam, mas seu produto não é linguagem. Todo LLM é IA generativa, mas nem toda IA generativa é um LLM.

Camada 07

Modelo, parâmetro e token: o vocabulário que destrava o resto

Modelo é a função matemática que o aprendizado produz: uma estrutura (a arquitetura) mais um conjunto de números ajustáveis, treinada para transformar entradas em saídas (MITCHELL, 1997); (RUSSELL; NORVIG, 2022). Parâmetros são exatamente esses números — os "pesos" das conexões da rede, ajustados durante o treinamento. Quando o noticiário diz que um modelo "tem 175 bilhões de parâmetros", está contando esses números ajustáveis, e não "fatos memorizados": parâmetro não é conhecimento enciclopédico, é coeficiente de uma função gigantesca. A Tabela 1 mostra a escalada.

Tabela 1 — Quantidade de parâmetros de modelos de linguagem selecionados — 2018-2024

Modelo	Fabricante	Ano	Parâmetros
GPT-1	OpenAI	2018	117 milhões
GPT-2	OpenAI	2019	1,5 bilhão
GPT-3	OpenAI	2020	175 bilhões
Llama 3.1 (maior versão)	Meta	2024	405 bilhões

Fonte: elaborado pelo autor com base em Radford et al. (2018), Brown et al. (2020) e Meta (2024).Nota: fabricantes deixaram, em geral, de divulgar o número de parâmetros de seus modelos mais recentes; a tabela usa modelos com valores publicados.

Token é a unidade em que o texto é picado antes de entrar no modelo: nem letra, nem exatamente palavra — em geral, pedaços de palavra definidos por algoritmos como o byte-pair encoding, que equilibram vocabulário enxuto e capacidade de representar palavras raras (SENNRICH; HADDOW; BIRCH, 2016). Uma palavra curta e comum pode ser um único token; uma palavra longa vira vários:

inconstitucionalissimamente → inconstitucionalissimamente

Divisão ilustrativa — o recorte exato varia conforme o tokenizador de cada modelo

Por que isso importa para você? Porque é em tokens que os modelos cobram, limitam contexto e "pensam": a janela de contexto de um LLM, os preços de API e até alguns erros curiosos (como dificuldade em contar letras de uma palavra) são consequências diretas da tokenização.

Camada 08

Quem fabrica o quê: produtos, datas e endereços no mapa

O Quadro 1 reúne produtos que você encontra no noticiário, seus fabricantes, o ano de lançamento público e o anel do diagrama em que cada um mora — repare como produtos famosos de IA ficam fora dos anéis internos.

Quadro 1 — Produtos de inteligência artificial, fabricantes, lançamento e nível no diagrama

Produto	Fabricante	Lançamento	Nível no diagrama
Deep Blue	IBM	1997	IA (busca e heurísticas; não aprende)
Watson (Jeopardy!)	IBM	2011	IA + ML (linguagem e recuperação de informação)
AlphaGo	Google DeepMind	2016	Deep learning (não generativo)
AlphaFold 2	Google DeepMind	2020	Deep learning (não generativo)
DALL-E	OpenAI	2021	IA generativa (imagem; não LLM)
GitHub Copilot	GitHub/OpenAI	2021	LLM aplicado a código
Midjourney	Midjourney, Inc.	2022	IA generativa (imagem; não LLM)
Stable Diffusion	Stability AI	2022	IA generativa (imagem; não LLM)
ChatGPT	OpenAI	nov. 2022	Aplicação sobre LLM (família GPT)
Llama	Meta	fev. 2023	LLM (pesos abertos)
Claude	Anthropic	mar. 2023	LLM
Sabiá	Maritaca AI (Brasil)	2023	LLM em português brasileiro
Gemini	Google DeepMind	dez. 2023	LLM multimodal

Fonte: elaborado pelo autor com base em Openai (2022), Meta (2023), Anthropic (2023), Google (2023) e Pires et al. (2023).Nota: datas referem-se ao primeiro lançamento público de cada produto; as versões atuais (famílias GPT, Gemini, Claude, Llama e afins) evoluem em ritmo semestral.

Camada 09

Aplicações: onde esses conjuntos encostam na sua profissão

Cada anel do diagrama sustenta aplicações profissionais concretas: o ML clássico prevê demanda, inadimplência e evasão escolar; o deep learning lê exames de imagem, inspeciona linhas de produção e transcreve reuniões; a IA generativa redige minutas, cria material didático e protótipos; os LLMs viram assistentes de pesquisa, tutores e copilotos de escrita e código. E isso já é estatística oficial: segundo o IBGE, 41,9% das empresas industriais brasileiras com 100 ou mais pessoas ocupadas usavam IA em 2024 — e as finalidades mais comuns mostram onde a ferramenta encosta no expediente (IBGE, 2025).

Para que as empresas brasileiras usam IA

Ativ. administrativas87,9%

Comercialização75,2%

Desenv. de produtos73,1%

Fonte: elaborado pelo autor com base em IBGE (2025).Nota: percentuais calculados sobre as empresas industriais com 100 ou mais pessoas ocupadas que utilizam inteligência artificial.

Camada 10

Perguntas para o seu contexto

Teste o vocabulário: marque o que você já consegue responder — cada item usa um conceito deste post.

0 de 6

Sei dizer em qual anel do diagrama mora cada ferramenta de IA que uso no dia a dia. Consigo dar um exemplo de IA que não é aprendizado de máquina — e explicar por quê. Consigo citar um algoritmo de ML que não é deep learning e segue útil. Sei explicar a diferença entre um gerador de imagens e um LLM. Sei o que é um parâmetro — e por que "175 bilhões" não significa "175 bilhões de fatos". Consigo explicar a um colega o que é um token e por que ele limita a "memória" de um chat.

Saída

Um mapa não é o território — mas evita muita discussão perdida

Setenta anos separam o seminário de Dartmouth do chat que você abre no celular — e, nesse intervalo, cada anel do nosso diagrama nasceu de uma pergunta diferente: máquinas podem agir racionalmente? Podem aprender? Podem aprender representações? Podem criar? Podem conversar? A resposta prática de 2026 é "sim" para as cinco — com as ressalvas de sempre sobre o que "criar" e "conversar" significam, discutidas no primeiro post da série. Na próxima parada, abriremos o anel 2 por dentro: como um algoritmo aprende, o que são treino e teste, e por que dados enviesados produzem modelos enviesados. Até lá, fica o exercício: da próxima manchete sobre IA que você ler, qual é o anel?

Nota do autor: a célebre frase "capacidade de aprender sem ser explicitamente programado", popularmente atribuída a Samuel, não consta literalmente do artigo de 1959 — por isso adotamos a definição formal de Mitchell (1997). O termo deep learning tem história dupla: aparece em Dechter (1986) em contexto de busca com restrições e ganhou o sentido atual, ligado a redes neurais, nos anos 2000. O encaixe "IA generativa ⊂ deep learning" é um recorte didático consagrado pelos diagramas de conjuntos: houve modelos generativos anteriores às redes profundas, mas toda a IA generativa relevante hoje é construída sobre elas. As datas do Quadro 1 referem-se ao primeiro lançamento público; contagens de parâmetros de modelos recentes deixaram de ser divulgadas pelos fabricantes. A divisão de tokens mostrada é ilustrativa — cada tokenizador recorta de um jeito.

Referências

ANTHROPIC. Introducing Claude. San Francisco: Anthropic, 2023. Disponível em: https://www.anthropic.com/news/introducing-claude. Acesso em: 9 ago. 2026.
BROWN, Tom B. et al. Language models are few-shot learners. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 34., 2020. Advances in Neural Information Processing Systems 33. [S. l.]: NeurIPS, 2020. Disponível em: https://arxiv.org/abs/2005.14165. Acesso em: 9 ago. 2026.
DECHTER, Rina. Learning while searching in constraint-satisfaction-problems. In: NATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE, 5., 1986, Filadélfia. Proceedings of AAAI-86. Menlo Park: AAAI, 1986. p. 178-183. Disponível em: https://cdn.aaai.org/AAAI/1986/AAAI86-029.pdf. Acesso em: 9 ago. 2026.
GOODFELLOW, Ian et al. Generative adversarial nets. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 28., 2014, Montreal. Advances in Neural Information Processing Systems 27. [S. l.]: NeurIPS, 2014. Disponível em: https://arxiv.org/abs/1406.2661. Acesso em: 9 ago. 2026.
GOOGLE. Introducing Gemini: our largest and most capable AI model. Mountain View: Google, 2023. Disponível em: https://blog.google/technology/ai/google-gemini-ai/. Acesso em: 9 ago. 2026.
HINTON, Geoffrey E.; OSINDERO, Simon; TEH, Yee-Whye. A fast learning algorithm for deep belief nets. Neural Computation, v. 18, n. 7, p. 1527-1554, 2006. DOI: 10.1162/neco.2006.18.7.1527. Disponível em: https://doi.org/10.1162/neco.2006.18.7.1527. Acesso em: 9 ago. 2026.
IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência IBGE Notícias, Rio de Janeiro, set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 9 ago. 2026.
LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, p. 436-444, 2015. DOI: 10.1038/nature14539. Disponível em: https://doi.org/10.1038/nature14539. Acesso em: 9 ago. 2026.
McCARTHY, J.; MINSKY, M. L.; ROCHESTER, N.; SHANNON, C. E. A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, august 31, 1955. AI Magazine, v. 27, n. 4, p. 12-14, 2006. DOI: 10.1609/aimag.v27i4.1904. Disponível em: https://doi.org/10.1609/aimag.v27i4.1904. Acesso em: 9 ago. 2026.
META. Introducing LLaMA: a foundational, 65-billion-parameter large language model. Menlo Park: Meta AI, 2023. Disponível em: https://ai.meta.com/blog/large-language-model-llama-meta-ai/. Acesso em: 9 ago. 2026.
META. Introducing Llama 3.1: our most capable models to date. Menlo Park: Meta AI, 2024. Disponível em: https://ai.meta.com/blog/meta-llama-3-1/. Acesso em: 9 ago. 2026.
MITCHELL, Tom M. Machine learning. Nova York: McGraw-Hill, 1997.
OPENAI. Introducing ChatGPT. San Francisco: OpenAI, 2022. Disponível em: https://openai.com/index/chatgpt/. Acesso em: 9 ago. 2026.
PIRES, Ramon; ABONIZIO, Hugo; ALMEIDA, Thales S.; NOGUEIRA, Rodrigo. Sabiá: Portuguese large language models. [S. l.], 2023. Disponível em: https://arxiv.org/abs/2304.07880. Acesso em: 9 ago. 2026.
RADFORD, Alec et al. Improving language understanding by generative pre-training. San Francisco: OpenAI, 2018. Disponível em: https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf. Acesso em: 9 ago. 2026.
RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
SAMUEL, Arthur L. Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, v. 3, n. 3, p. 210-229, 1959. DOI: 10.1147/rd.33.0210. Disponível em: https://doi.org/10.1147/rd.33.0210. Acesso em: 9 ago. 2026.
SENNRICH, Rico; HADDOW, Barry; BIRCH, Alexandra. Neural machine translation of rare words with subword units. In: ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS, 54., 2016, Berlim. Proceedings of the 54th Annual Meeting of the ACL. Stroudsburg: ACL, 2016. p. 1715-1725. Disponível em: https://arxiv.org/abs/1508.07909. Acesso em: 9 ago. 2026.
VASWANI, Ashish et al. Attention is all you need. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 31., 2017, Long Beach. Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 9 ago. 2026.

Pix: uma aula de gerenciamento de projetos — cem anos de método, do gráfico de Gantt à IA

noreply@blogger.com (War) — Sun, 9 Aug 2026 16:37:45 -0300

Em 16 de novembro de 2020, o Brasil acordou com um jeito novo de pagar as coisas — e quase ninguém percebeu que estava diante de uma aula de gerenciamento de projetos. Nesta versão revista e ampliada do nosso texto de 2015, o Pix é o fio condutor: anatomizamos o case do Banco Central, contamos cem anos da disciplina em uma linha do tempo interativa que mistura método e grandes projetos (dos triunfos aos fiascos, do mundo e do Brasil), explicamos os conceitos que abrem qualquer curso da área — ciclo de vida, escopo, requisitos, tripla restrição, partes interessadas e termo de abertura —, ilustramos os cinco grupos de processos e os sete domínios de desempenho do novíssimo PMBOK 8, citamos nominalmente todos os seus princípios e mostramos o que a inteligência artificial está fazendo com a profissão. Com aula em vídeo, um simulador da tripla restrição, fontes na mesa e os pés no Brasil. (Atualização em: 09/09/2026)

Na manhã de 16 de novembro de 2020, uma segunda-feira, o Brasil ganhou um jeito novo de pagar as coisas. O Pix estreou exatamente na data que o Banco Central havia anunciado com meses de antecedência — e, em cinco anos, chegou a 170 milhões de adultos e mais de 20 milhões de empresas, movimentando R$ 26,4 trilhões só em 2024, quase duas vezes o PIB brasileiro (BRUM, 2025). Por trás dessa estreia pontual e dessa adoção em massa não houve sorte: houve escopo bem definido, prazo público, governança de centenas de partes interessadas e entrega faseada. Houve, em uma palavra, gerenciamento de projetos.

A disciplina que apresentamos em 2015 continua de pé, mas passou, na última década, por uma de suas maiores transformações: o Guia PMBOK foi reescrito duas vezes, as abordagens ágeis e híbridas viraram padrão em boa parte das organizações e a inteligência artificial começou a assumir tarefas que antes consumiam o dia dos gerentes de projeto (PMI, 2021); (DIGITAL.AI, 2025). Nesta atualização, revisitamos os fundamentos — que pouco mudaram — e mostramos o que há de novo, usando o Pix como estudo de caso condutor.

Marco 01

Cem anos de acertos e tropeços: a linha do tempo

Gerenciar projetos é mais antigo que o nome: pirâmides, aquedutos e catedrais exigiram planejamento e coordenação de milhares de pessoas — ainda que sem método formal. O gerenciamento de projetos moderno, porém, é filho do século XX: nasceu nos cronogramas de Henry Gantt, cresceu nos megaprojetos da Segunda Guerra e da Guerra Fria — o Manhattan e, sobretudo, o Polaris, onde a figura do gerente de projeto com escritório próprio e autonomia de decisão ganhou a forma que conhecemos (SAPOLSKY, 1972) — e amadureceu quando a profissão se organizou em torno do PMI e do Guia PMBOK (HELDMAN, 2005); (PMI, 2017). A história do método é indissociável da história dos projetos que deram muito certo — e dos que deram espetacularmente errado.

Navegue pelos marcos abaixo — toque ou clique em cada ano. As cores indicam a natureza do marco: azul para a evolução do método, verde para cases positivos e vermelho para cases negativos, do mundo e do Brasil.

Selecione um marco na linha acima.

Dica: use Tab e as setas do teclado para navegar pelos anos.

Três lições saltam da linha. Primeira: método não é burocracia. Burocracia é o papel que se acumula sem mudar nenhuma decisão; método é decidir cedo o que será feito, até quando e com quanto — e só então começar. O Empire State subiu em 13 meses porque o projeto arquitetônico estava congelado antes da primeira viga; a Ópera de Sydney levou 14 anos porque as obras começaram com o desenho de Utzon ainda inacabado e o escopo mudando a cada etapa (FLYVBJERG; GARDNER, 2023). O mesmo contraste se repete no Brasil: o Pix teve escopo enxuto e data pública, e chegou no dia; Angra 3 começou em 1984 e, quatro décadas depois, ainda gera mais faturas do que energia. Segunda: os grandes fracassos de projeto raramente são fracassos de engenharia; são fracassos de estimativa, de escopo e de governança (FLYVBJERG, 2014). Terceira, cortesia do Polaris: a fama de uma técnica não é prova de sua eficácia — o que o PERT fez de melhor ali foi comprar a autonomia que permitiu à equipe gerenciar de verdade (SAPOLSKY, 1972). Guarde essas lições: elas voltam já na próxima seção, quando abrirmos a caixa de ferramentas conceitual.

Marco 02

Pix: anatomia de um case brasileiro

O Pix não nasceu pronto. As discussões sobre pagamentos instantâneos começaram no Banco Central em 2016; os requisitos fundamentais do sistema foram publicados em 2018; a base tecnológica ganhou corpo em 2019; e a marca "Pix" — com a promessa pública de estreia em novembro — foi apresentada em fevereiro de 2020. O lançamento ocorreu em duas ondas: operação restrita em 3 de novembro e abertura completa em 16 de novembro de 2020, exatamente no prazo (BRUM, 2025); (BANCO CENTRAL DO BRASIL, 2020).

Lido com as lentes deste post, o case é um catálogo de boas práticas. O escopo de estreia era enxuto e claríssimo: transferências instantâneas, disponíveis 24 horas por dia, 7 dias por semana, gratuitas para pessoas físicas — funcionalidades adicionais ficaram para fases seguintes. O cronograma tinha uma data pública, anunciada com meses de antecedência, que funcionou como compromisso inegociável. As partes interessadas — bancos, fintechs, cooperativas, associações — foram engajadas desde 2019 em um fórum permanente com o regulador, e a participação das grandes instituições foi tornada obrigatória, eliminando o risco de adesão morna. E o risco de estreia foi mitigado com a entrega faseada de novembro. O resultado impressiona até observadores internacionais: o Banco de Compensações Internacionais (BIS) dedicou um boletim ao desenho do Pix como lição de infraestrutura pública de pagamentos (DUARTE et al., 2022). Cinco anos depois do lançamento, o Pix caminha para movimentar R$ 30 trilhões em um único ano (BRUM, 2025).

Guarde essa anatomia: ela vai reaparecer quando falarmos dos grupos de processos e dos domínios de desempenho — porque o Pix é, convenientemente, um exemplo vivo de cada um deles.

Marco 03

O que é um projeto — e o que é gerenciá-lo

A definição clássica permanece atual: um projeto é um esforço temporário empreendido para criar um produto, serviço ou resultado único (PMI, 2017). Duas palavras carregam o peso do conceito: temporário, porque todo projeto tem início e fim definidos — o projeto Pix acabou; o serviço Pix, operação contínua, segue funcionando — e único, porque o resultado nunca é mera repetição do que já existia. A 7ª edição do Guia PMBOK acrescentou uma ênfase importante: projetos existem para entregar valor, e não apenas para cumprir prazo, custo e escopo (PMI, 2021).

Para fixar os fundamentos, incorporamos abaixo a primeira aula do curso aberto de Mario Trentim — engenheiro, autor e uma das principais referências brasileiras da área (TRENTIM, [ca. 2020]). Os botões espalhados por este post levam direto ao trecho da aula que conversa com cada seção.

Vídeo — Aula 01 do curso Fundamentos da Gestão de Projetos, de Mario Trentim. Se o player não carregar, assista no YouTube.

Um cuidado que o tempo não tornou obsoleto é a definição clara do escopo — aquilo que será feito — e do não escopo — aquilo que, deliberadamente, não será feito. Foi o que o Pix fez ao deixar funcionalidades como o agendamento inteligente e o crédito para depois da estreia. Explicitar o não escopo evita falsas expectativas e é uma das vacinas mais baratas contra o fracasso de projetos. Quer ver os elementos básicos que todo projeto deve ter?

Escopo e não escopo: esclarecer o que não será feito é tão importante quanto definir o que será (imagens do post original de 2015)

Marco 04

O kit de partida: termo de abertura, requisitos, partes interessadas e a tripla restrição

Todo projeto bem-nascido carrega quatro conceitos no bolso antes de gastar o primeiro real. Vamos a eles, sempre com o Pix na mesa.

O kit de partida sobre a mesa: termo de abertura, tripla restrição e a assinatura do patrocinador. Elaboração do autor (2026)

Termo de abertura: a certidão de nascimento

O termo de abertura do projeto (project charter) é o documento, emitido pelo patrocinador, que autoriza formalmente a existência do projeto e dá ao gerente autoridade para aplicar recursos da organização nas atividades (PMI, 2017). É curto por natureza — uma ou duas páginas — e responde a perguntas simples: por que este projeto existe (justificativa e valor esperado), o que ele deve entregar (objetivos mensuráveis e escopo em alto nível), quem manda e quem faz (patrocinador, gerente, principais partes interessadas), quais são os limites (prazo-alvo, orçamento de referência, premissas e restrições) e quais riscos já se enxergam na largada. Sem termo de abertura, o projeto existe apenas na cabeça de quem o pediu — e cada cabeça o imagina de um jeito. No Pix, esse papel foi cumprido por um ato do próprio regulador: em dezembro de 2018 o Banco Central publicou os requisitos fundamentais do ecossistema de pagamentos instantâneos, definindo objetivo, escopo inicial, governança e a promessa de um sistema aberto, disponível 24 horas por dia e de baixo custo (BANCO CENTRAL DO BRASIL, 2020); (BRUM, 2025). Quando, em fevereiro de 2020, a marca e a data de estreia foram anunciadas em público, o país inteiro virou testemunha do compromisso — o termo de abertura mais bem divulgado da história recente brasileira.

Requisitos: o que o resultado precisa fazer

Se o escopo diz o que será entregue, os requisitos dizem como o resultado deve se comportar para satisfazer as necessidades de quem o pediu: são condições ou capacidades que o produto, serviço ou resultado precisa apresentar, documentadas de forma clara o bastante para serem medidas e testadas (PMI, 2017). Costuma-se distingui-los em camadas: requisitos de negócio (por que a organização quer isto — no Pix, baratear e acelerar pagamentos e incluir quem não usava banco), requisitos das partes interessadas (o que cada grupo precisa — o lojista quer confirmar o recebimento na hora; o banco quer regras iguais para todos) e requisitos de solução, funcionais e não funcionais (transferir em até dez segundos, funcionar a qualquer hora, identificar o recebedor por uma chave simples, ler um código QR). A engenharia de requisitos é onde nascem — ou morrem — a maioria dos projetos de software: requisito vago vira retrabalho, e retrabalho vira estouro de prazo e custo. A boa prática é manter uma matriz de rastreabilidade que ligue cada requisito à necessidade que o originou e à entrega que o atende, para que ninguém construa o que ninguém pediu.

Partes interessadas: quem afeta e quem é afetado

Partes interessadas (stakeholders) são as pessoas, grupos ou organizações que podem afetar, ser afetados ou se perceber afetados por uma decisão, atividade ou resultado do projeto (PMI, 2017). O trabalho com elas segue um ciclo: identificar (quem são?), analisar (quanto poder e quanto interesse cada uma tem?), planejar o engajamento (o que cada grupo precisa saber, quando e por qual canal?) e monitorar (a relação mudou?). O Pix é um caso de manual: o Banco Central mapeou bancos, fintechs, cooperativas, adquirentes, associações de varejo e órgãos de governo; criou em 2019 um fórum permanente para ouvi-los e alinhar regras; e, com as instituições de maior poder de bloquear a iniciativa, não negociou adesão — tornou-a obrigatória (DUARTE et al., 2022). Parte interessada ignorada no início costuma reaparecer no fim, geralmente como obstáculo.

Tripla restrição: o triângulo que não fecha sozinho

A tripla restrição — também chamada de triângulo de ferro — é a ideia de que escopo, tempo e custo formam um sistema interdependente: não se mexe em um vértice sem que os outros dois reajam, e a qualidade do resultado fica no centro, sentindo cada movimento. Ampliar o escopo sem mais prazo ou dinheiro comprime a qualidade; cortar o prazo exige tirar escopo ou pagar mais; apertar o orçamento obriga a renegociar entregas ou datas. O modelo é uma simplificação — e foi criticado como tal: Atkinson chamou tempo e custo de "duas melhores estimativas" e a qualidade de "um fenômeno", defendendo que o sucesso de um projeto precisa de outros critérios, como o valor percebido pelas partes interessadas (ATKINSON, 1999). A 6ª edição do Guia PMBOK já falava em seis restrições (acrescentando qualidade, recursos e riscos), e a 7ª deslocou o foco para a entrega de valor (PMI, 2017); (PMI, 2021). Mas, como ferramenta de conversa com o patrocinador, o triângulo continua imbatível: ele obriga a dizer, antes de começar, qual vértice é sagrado e qual pode ceder. No Polaris, o prazo era sagrado e o custo cedeu; no Pix, o prazo e o escopo enxuto eram sagrados — e funcionalidades foram empurradas para fases seguintes. Teste você mesmo no simulador abaixo.

O patrocinador chegou e pediu para…

Escolha um pedido acima.

O triângulo mostra qual vértice foi pressionado e quais precisam ceder — e o que acontece com a qualidade no centro.

Simulador da tripla restrição. Elaboração do autor (2026), com base em PMI (2017) e Atkinson (1999)

Quadro 1 — Conceitos fundamentais de projeto e sua manifestação no caso Pix

Conceito	Em uma frase	No Pix
Ciclo de vida	As fases que o projeto atravessa do início ao fim.	Estudo (2016) → requisitos (2018) → construção (2019) → lançamento faseado (nov. 2020) → encerramento e passagem à operação.
Escopo	O que será — e o que não será — entregue.	Transferências instantâneas 24/7, gratuitas para pessoas físicas; agendamento, crédito e outras funções deixadas para fases posteriores.
Requisitos	Como o resultado deve se comportar para atender às necessidades.	Liquidação em segundos, disponibilidade permanente, chaves de identificação, código QR, regras iguais para todos os participantes.
Tripla restrição	Escopo, tempo e custo se equilibram; a qualidade sente cada movimento.	Prazo e escopo enxuto sagrados; o que não coubesse na data seria fase seguinte, não atraso.
Partes interessadas	Quem afeta ou é afetado pelo projeto.	Bancos, fintechs, cooperativas, varejo, governo e cidadãos; fórum permanente desde 2019; adesão obrigatória das grandes instituições.
Termo de abertura	Documento que autoriza o projeto e nomeia quem responde por ele.	Requisitos fundamentais publicados pelo Banco Central em 2018 e compromisso público de data assumido em fevereiro de 2020.

Fonte: elaborado pelo autor com base em PMI (2017), Banco Central do Brasil (2020), Duarte et al. (2022) e Brum (2025).

Marco 05

O ciclo de vida e os cinco grupos de processos

O ciclo de vida de um projeto é a sequência de fases que ele atravessa do início ao fim — e o desenho dessas fases varia conforme o setor e a abordagem: uma obra passa por estudo de viabilidade, projeto executivo, construção e entrega; um software, por concepção, desenvolvimento, testes e implantação; o Pix, como vimos no Quadro 1, foi de estudo a lançamento faseado em quatro anos (PMI, 2017). Há um equívoco frequente que vale desfazer logo: os cinco grupos de processos não são fases do ciclo de vida. Eles são conjuntos de atividades que se repetem dentro de cada fase — toda fase é iniciada, planejada, executada, controlada e encerrada — e podem ocorrer simultaneamente. Independentemente da abordagem, portanto, as atividades de um projeto se organizam em cinco grandes grupos: iniciação, planejamento, execução, monitoramento e controle e encerramento (PMI, 2017). Ilustramos cada um deles com a metáfora que acompanha este post desde a capa: o projeto de um sistema nacional de pagamentos instantâneos. E vale o alerta de Trentim: até projetos pequenos merecem essa disciplina —

1Iniciação

Autoriza formalmente o projeto: termo de abertura, patrocinador definido e partes interessadas identificadas.

2Planejamento

Define escopo, cronograma, custos, qualidade, riscos, recursos e comunicação — a linha de base do projeto.

3Execução

Coordena pessoas e recursos para realizar o trabalho definido no plano — é onde o orçamento é consumido.

4Monitoramento e Controle

Mede o desempenho e dispara ações corretivas — não é uma fase: acompanha o projeto do primeiro ao último dia.

5Encerramento

Formaliza a entrega, registra as lições aprendidas e arquiva o projeto — a memória de que o próximo vai precisar.

Ilustrações: elaboradas pelo autor (2026), com base em PMI (2017; 2021)

Nas abordagens iterativas, planejamento e execução se alternam em ciclos curtos, com replanejamento contínuo — mas os cinco grupos continuam lá, apenas comprimidos em cada iteração.

Marco 06

Do PMBOK 6 ao PMBOK 8: princípios e domínios, nome a nome

Quem estudou pelo PMBOK até a 6ª edição (2017) aprendeu 49 processos, 10 áreas de conhecimento e os cinco grupos de processos (PMI, 2017). A 7ª edição (2021) rompeu com esse modelo e passou a se organizar em 12 princípios e 8 domínios de desempenho — estes últimos: partes interessadas; equipe; abordagem de desenvolvimento e ciclo de vida; planejamento; trabalho do projeto; entrega; medição; e incerteza (PMI, 2021). A mudança consagrou o tailoring — a adaptação do método a cada contexto —, mas deixou muitos profissionais sem chão prático. A 8ª edição, publicada no início de 2026, respondeu reequilibrando os dois mundos: consolidou os princípios em seis, reorganizou o conteúdo em sete domínios de desempenho alinhados às funções organizacionais e reintroduziu uma espinha dorsal prática, com 40 processos não prescritivos distribuídos em grupos de foco que vão da iniciação ao encerramento — além de orientações explícitas sobre inteligência artificial. O exame PMP passou a refletir a nova edição em julho de 2026 (PROJECT MANAGEMENT ACADEMY, 2025).

Quadro 2 — Princípios do gerenciamento de projetos nas edições 7 e 8 do Guia PMBOK

7ª edição (2021) — 12 princípios

8ª edição (2026) — 6 princípios

1. Ser um administrador diligente, respeitoso e cuidadoso (stewardship)
2. Criar um ambiente colaborativo para a equipe
3. Engajar-se efetivamente com as partes interessadas
4. Focar no valor
5. Reconhecer e responder às interações do sistema (pensamento sistêmico)
6. Demonstrar comportamentos de liderança
7. Adaptar a abordagem ao contexto (tailoring)
8. Incorporar a qualidade aos processos e às entregas
9. Navegar na complexidade
10. Otimizar as respostas a riscos
11. Abraçar a adaptabilidade e a resiliência
12. Habilitar a mudança para alcançar o estado futuro previsto

1. Adotar uma visão holística
2. Focar no valor
3. Incorporar a qualidade aos processos e às entregas
4. Ser um líder responsável (accountable)
5. Integrar a sustentabilidade a todas as áreas do projeto
6. Construir uma cultura empoderada

Fonte: elaborado pelo autor com base em PMI (2021) e Project Management Academy (2025).Nota: traduções dos princípios da 8ª edição elaboradas pelo autor a partir do original em inglês.

Infográfico — A evolução do Guia PMBOK. Elaboração do autor (2026)

Os sete domínios de desempenho do PMBOK 8 — com o Pix de exemplo

Os domínios de desempenho são as grandes áreas em que um projeto precisa ir bem para dar certo. Na 8ª edição, são sete: governança, escopo, cronograma, finanças, partes interessadas, recursos e riscos (PROJECT MANAGEMENT ACADEMY, 2025). Abaixo, cada domínio ilustrado — e ancorado no nosso case condutor.

1. Governança

Quem decide o quê, em que alçada. No Pix: regras únicas definidas pelo regulador, valendo para todo o mercado.

2. Escopo

O que entra — e o que fica de fora. No Pix: estreia enxuta (transferências 24/7); funções extras vieram em fases posteriores.

3. Cronograma

Marcos e prazos sob controle. No Pix: data de estreia pública — 16 de novembro de 2020 — anunciada com meses de antecedência e cumprida.

4. Finanças

Orçamento, custos e valor. No Pix: gratuidade para pessoas físicas definida desde o desenho, com custo mínimo por transação.

5. Partes interessadas

Engajar quem afeta e é afetado. No Pix: fórum permanente com o mercado desde 2019 e adesão obrigatória das grandes instituições.

6. Recursos

Pessoas, infraestrutura e equipamentos certos, na hora certa. No Pix: equipe multidisciplinar do regulador e integração de centenas de instituições.

7. Riscos

Antecipar ameaças e oportunidades. No Pix: lançamento faseado (teste em 3 de novembro, operação plena no dia 16) para reduzir o risco de estreia.

Ilustrações dos domínios: elaboradas pelo autor (2026), com base em Project Management Academy (2025) e Brum (2025)

Marco 07

Preditivo, ágil ou híbrido?

Em 2015, falar de gerenciamento de projetos era, quase sempre, falar da abordagem preditiva ("cascata"): planeja-se tudo no início e executa-se o plano, controlando mudanças formalmente — a escolha certa quando os requisitos são estáveis, como numa obra ou num contrato de escopo fechado. O ágil, nascido do Manifesto de 2001 e popularizado por métodos como o Scrum, inverteu a lógica: entrega-se valor em ciclos curtos, incorporando o feedback do cliente a cada iteração (BECK et al., 2001); (SCHWABER; SUTHERLAND, 2020).

Na prática, porém, o mundo não escolheu um lado: 74% das organizações escalam o ágil com abordagens híbridas ou modelos próprios (DIGITAL.AI, 2025). O próprio Pix é um híbrido de manual: plano macro preditivo — data pública, requisitos regulatórios — com desenvolvimento e integração conduzidos em ciclos iterativos junto ao mercado. O PMBOK, desde a 7ª edição, trata as abordagens como um espectro contínuo, e não como escolhas excludentes (PMI, 2021) — entendimento alinhado às diretrizes internacionais da ISO 21502 (ISO, 2020).

Infográfico — Preditivo, híbrido ou ágil. Elaboração do autor (2026)

Marco 08

A inteligência artificial entra no cronograma

A novidade mais disruptiva da década é a chegada da IA generativa ao dia a dia dos projetos. Pesquisa do PMI com adotantes pioneiros mostra que cerca de 20% dos profissionais já usam IA generativa em mais da metade de seus projetos, com ganhos relatados em produtividade, apoio à decisão, alocação de recursos e previsão de riscos e orçamentos (PMI, 2024). No universo do desenvolvimento de software, 84% das organizações usam ou planejam usar ferramentas de IA — embora menos da metade tenha diretrizes claras para esse uso (DIGITAL.AI, 2025).

O ágil e a IA em números

Usam ou planejam IA84%

Escalam via híbrido74%

Têm diretrizes de IA49%

IA generativa intensa20%

Fonte: elaborado pelo autor com base em Digital.ai (2025) e PMI (2024).Nota: "IA generativa intensa" = profissionais que aplicam IA generativa em mais da metade de seus projetos.

A automação, contudo, não deve extinguir a profissão — deve transformá-la. As tarefas administrativas tendem a ser absorvidas pela máquina, enquanto crescem em importância as habilidades tipicamente humanas: liderança, comunicação, negociação e a chamada perspicácia de negócios (business acumen). O relatório Pulse of the Profession 2025, que ouviu 2.841 profissionais no mundo todo, mostra que gerentes com alta perspicácia de negócios entregam resultados consistentemente melhores (PMI, 2025a), como resume a Tabela 1.

Tabela 1 — Desempenho dos projetos, segundo o nível de perspicácia de negócios do profissional — 2024

Indicador	Alta perspicácia (%)	Demais profissionais (%)
Metas de negócio atingidas	83	78
Aderência ao cronograma	63	59
Aderência ao orçamento	73	68
Projetos considerados falhos	8	11

Fonte: elaborado pelo autor com base em PMI (2025a).Nota: pesquisa de campo realizada entre julho e setembro de 2024.

E o mercado segue aquecido: o PMI estima cerca de 40 milhões de profissionais de projetos no mundo e projeta a necessidade de até 29,8 milhões de novos profissionais até 2035, com destaque para construção, manufatura, TI e saúde — neste último setor, a demanda pode crescer 66% (PMI, 2025b). Com a IA assumindo o trabalho repetitivo, sobra para o humano exatamente aquilo que só o humano faz.

Marco 09

O gerente de projetos de hoje (e de amanhã)

Se as ferramentas mudaram, a essência do papel se acentuou: o gerente de projetos é, cada vez mais, um integrador — alguém que conecta estratégia e execução, traduz expectativas de partes interessadas, remove obstáculos e sustenta a motivação da equipe. Para quem deseja ingressar na carreira, o caminho combina três frentes: fundamentos (um bom curso e o estudo do Guia PMBOK e do Guia do Scrum), certificações (PMP, CAPM ou as certificações ágeis) e, sobretudo, prática deliberada — projetos voluntários, acadêmicos ou profissionais em que se possa errar pequeno para acertar grande.

Marco 10

Perguntas para o seu contexto

Da teoria à prática: marque o que você já consegue responder sobre a sua realidade — cada item usa um conceito deste post.

0 de 6

Sei distinguir, no meu trabalho, o que é projeto e o que é operação contínua. Consigo rascunhar um termo de abertura de uma página: objetivo, escopo e não escopo, patrocinador, prazo-alvo e principais partes interessadas. Sei dizer qual vértice da tripla restrição é sagrado no meu projeto — e qual pode ceder. Sei em qual dos sete domínios de desempenho meu projeto está mais frágil hoje — e se o contexto pede abordagem preditiva, ágil ou híbrida. Já testei uma ferramenta de IA em uma tarefa administrativa de projeto. Sei citar um case — como o Pix ou a Ópera de Sydney — para defender boas práticas na minha organização.

Entrega final

A arte de transformar intenção em resultado

Onze anos depois da nossa primeira postagem sobre o tema (BRASIL ACADÊMICO, 2015), o gerenciamento de projetos segue sendo o que sempre foi: a arte de transformar intenção em resultado dentro da tripla restrição de escopo, tempo e custo, com requisitos claros, partes interessadas engajadas e um termo de abertura que diga quem responde pelo quê. O que mudou foi o repertório: princípios em vez de receitas, espectros em vez de dogmas metodológicos e uma parceria crescente entre a inteligência humana e a artificial. A linha do tempo lá de cima não deixa dúvida — do Polaris ao Pix, os projetos que deram certo decidiram cedo o que era sagrado e o que podia ceder — e o Pix prova que o Brasil sabe jogar esse jogo quando escopo, prazo e partes interessadas são levados a sério. No seu contexto, com os recursos e prazos que você tem, qual é o próximo projeto — e qual será o seu termo de abertura?

Nota do autor: os números do Pix seguem o balanço divulgado nos cinco anos do sistema (BRUM, 2025); por serem estatísticas em constante atualização, podem divergir de levantamentos posteriores. As traduções dos princípios e domínios da 8ª edição do Guia PMBOK são do autor, a partir do original em inglês — a edição em português pode adotar termos distintos. Os valores de sobrecusto da Ópera de Sydney variam conforme a fonte; adotamos a ordem de grandeza (1.400%) consolidada por Flyvbjerg (2014). As datas do programa Polaris (criação do escritório em 1956, primeiro lançamento submerso em julho de 1960 e primeira patrulha em novembro do mesmo ano) seguem Sapolsky (1972) e o histórico da Booz Allen Hamilton ([s. d.]); a antecipação "de cerca de três anos" toma como base o prazo original de 1963, encurtado após o Sputnik — outras fontes falam em dois anos, contando a partir de metas intermediárias. A leitura do termo de abertura do Pix é analógica: o Banco Central não publicou um documento com esse nome; tratamos o comunicado de requisitos fundamentais de dezembro de 2018 e o anúncio público de fevereiro de 2020 como seus equivalentes funcionais. A distinção entre fases do ciclo de vida e grupos de processos segue a 6ª edição do Guia PMBOK (PMI, 2017), que continua sendo a referência didática mais clara sobre o tema. Os custos dos estádios da Copa de 2014 seguem o levantamento jornalístico da matriz de responsabilidades publicado à época (ESTÁDIOS…, 2014). Os dados de Angra 3 refletem a situação descrita em 2020 (58% de execução física); a obra teve retomadas parciais desde então, sem conclusão. Os capítulos do vídeo de Trentim são gerados automaticamente pelo YouTube, e as minutagens dos botões são, portanto, aproximadas. O reconhecimento de Itaipu como uma das sete maravilhas da engenharia moderna foi concedido pela American Society of Civil Engineers em 1995, conforme divulgação da própria binacional.

Referências

ATKINSON, Roger. Project management: cost, time and quality, two best guesses and a phenomenon, its time to accept other success criteria. International Journal of Project Management, v. 17, n. 6, p. 337-342, 1999. DOI: 10.1016/S0263-7863(98)00069-6. Disponível em: https://doi.org/10.1016/S0263-7863(98)00069-6. Acesso em: 9 set. 2026.
BANCO CENTRAL DO BRASIL. Pix. Brasília, DF: BCB, 2020. Disponível em: https://www.bcb.gov.br/estabilidadefinanceira/pix. Acesso em: 8 ago. 2026.
BECK, Kent et al. Manifesto para desenvolvimento ágil de software. [S. l.], 2001. Disponível em: https://agilemanifesto.org/iso/ptbr/manifesto.html. Acesso em: 8 ago. 2026.
BOOZ ALLEN HAMILTON. How PERT transformed project management. McLean, VA: Booz Allen Hamilton, [s. d.]. Disponível em: https://www.boozallen.com/about/our-heritage/how-pert-transformed-project-management.html. Acesso em: 9 set. 2026.
BRASIL ACADÊMICO. Gerenciamento de projetos. [S. l.], 2015. Disponível em: https://blog.brasilacademico.com/2015/03/gerenciamento-de-projetos.html. Acesso em: 8 ago. 2026.
BRUM, Gabriel. Pix completa cinco anos perto de movimentar R$ 30 trilhões por ano. Agência Brasil, Brasília, DF, 16 nov. 2025. Disponível em: https://agenciabrasil.ebc.com.br/economia/noticia/2025-11/pix-completa-cinco-anos-perto-de-movimentar-r-30-trilhoes-por-ano. Acesso em: 8 ago. 2026.
DIGITAL.AI. 18th State of Agile Report. Plano, TX: Digital.ai, 2025. Disponível em: https://digital.ai/resource-center/analyst-reports/state-of-agile-report/. Acesso em: 8 ago. 2026.
DUARTE, Angelo et al. Central banks, the monetary system and public payment infrastructures: lessons from Brazil's Pix. BIS Bulletin, Basileia, n. 52, mar. 2022. Disponível em: https://www.bis.org/publ/bisbull52.htm. Acesso em: 8 ago. 2026.
ESTÁDIOS da Copa de 2014 custam 66% mais do que previsto em 2010. Terra, São Paulo, 2014. Disponível em: https://www.terra.com.br/esportes/futebol/copa-2014/estadios-da-copa-de-2014-custam-66-mais-do-que-previsto-em-2010,ba93a40ba2492410VgnVCM10000098cceb0aRCRD.html. Acesso em: 8 ago. 2026.
FLYVBJERG, Bent. What you should know about megaprojects and why: an overview. Project Management Journal, v. 45, n. 2, p. 6-19, 2014. DOI: 10.1002/pmj.21409. Disponível em: https://doi.org/10.1002/pmj.21409. Acesso em: 8 ago. 2026.
FLYVBJERG, Bent; GARDNER, Dan. How big things get done: the surprising factors that determine the fate of every project. Nova York: Currency, 2023.
HELDMAN, Kim. Gerência de projetos: guia para o exame oficial do PMI. 3. ed. Rio de Janeiro: Elsevier, 2005.
INACABADA, usina nuclear de Angra 3 ainda é uma incógnita bilionária. InfoMoney, São Paulo, 7 set. 2020. Disponível em: https://www.infomoney.com.br/economia/inacabada-usina-nuclear-de-angra-3-ainda-e-uma-incognita-bilionaria/. Acesso em: 8 ago. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 21502:2020: Project, programme and portfolio management — Guidance on project management. Genebra: ISO, 2020.
ITAIPU BINACIONAL. Nossa história. Foz do Iguaçu: Itaipu Binacional, [2026]. Disponível em: https://www.itaipu.gov.br/. Acesso em: 8 ago. 2026.
NASA. Apollo 11. Washington, DC: NASA, 2019. Disponível em: https://www.nasa.gov/mission/apollo-11/. Acesso em: 8 ago. 2026.
NATIONAL HUMAN GENOME RESEARCH INSTITUTE. 2003: Human Genome Project completed. Bethesda, MD: NHGRI, [s. d.]. Disponível em: https://www.genome.gov/25520492/online-education-kit-2003-human-genome-project-completed. Acesso em: 8 ago. 2026.
PROJECT MANAGEMENT ACADEMY. What is PMBOK® 8? Key updates explained. [S. l.], 2025. Disponível em: https://projectmanagementacademy.net/resources/blog/what-is-pmbok-8/. Acesso em: 8 ago. 2026.
PROJECT MANAGEMENT INSTITUTE. Um guia do conhecimento em gerenciamento de projetos (Guia PMBOK®). 6. ed. Newtown Square: PMI, 2017.
PROJECT MANAGEMENT INSTITUTE. O padrão de gerenciamento de projetos e um guia do conhecimento em gerenciamento de projetos (Guia PMBOK®). 7. ed. Newtown Square: PMI, 2021.
PROJECT MANAGEMENT INSTITUTE. First movers' advantage: the immediate benefits of adopting generative AI for project management. Filadélfia: PMI, 2024. Disponível em: https://www.pmi.org/learning/thought-leadership/benefits-of-ai-for-project-management. Acesso em: 8 ago. 2026.
PROJECT MANAGEMENT INSTITUTE. Pulse of the Profession 2025: boosting business acumen. Filadélfia: PMI, 2025a. Disponível em: https://www.pmi.org/learning/thought-leadership/boosting-business-acumen. Acesso em: 8 ago. 2026.
PROJECT MANAGEMENT INSTITUTE. Global project management talent gap report. Filadélfia: PMI, 2025b. Disponível em: https://www.pmi.org/learning/thought-leadership/global-project-management-talent-gap. Acesso em: 8 ago. 2026.
SAPOLSKY, Harvey M. The Polaris system development: bureaucratic and programmatic success in government. Cambridge, MA: Harvard University Press, 1972.
SCHWABER, Ken; SUTHERLAND, Jeff. O Guia do Scrum: o guia definitivo para o Scrum: as regras do jogo. [S. l.], 2020. Disponível em: https://scrumguides.org/docs/scrumguide/v2020/2020-Scrum-Guide-PortugueseBR-3.0.pdf. Acesso em: 8 ago. 2026.
TRENTIM, Mario. Aula 01 — Gestão de Projetos: Introdução. [S. l.: s. n.], [ca. 2020]. 1 vídeo (9 min 51 s). Publicado pelo canal Mario Trentim | Estratégia em Ação. Disponível em: https://www.youtube.com/watch?v=trhDHOC3xGw. Acesso em: 8 ago. 2026.

Afinal, o que é inteligência artificial?

noreply@blogger.com (War) — Fri, 7 Aug 2026 12:07:21 -0300

Em 1956, dez pesquisadores passaram um verão em uma faculdade americana com uma aposta ousada: a de que toda faceta da inteligência poderia ser descrita com precisão suficiente para uma máquina simulá-la. Setenta anos, dois "invernos" e alguns bilhões de parâmetros depois, a inteligência artificial escreve textos, dirige carros e ganhou até Nobel de Física. Neste post — o primeiro de uma série sobre IA — organizamos a casa: o que é inteligência (e o que é IA), a diferença entre IA fraca e forte, o Teste de Turing, os quatro paradigmas, os agentes inteligentes com sua descrição PEAS e uma linha do tempo interativa de 1943 ao presente. Tudo com fontes na mesa e os pés no Brasil.

No verão de 1956, o campus do Dartmouth College, nos Estados Unidos, recebeu um grupo de jovens pesquisadores para dois meses de conversas sobre um assunto que ainda nem tinha nome direito. A proposta do encontro, redigida um ano antes por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, pedia financiamento com uma frase de autoconfiança impressionante: o estudo partiria da conjectura de que cada aspecto do aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo (McCARTHY et al., 2006). Foi nesse documento que a expressão artificial intelligence apareceu pela primeira vez como nome de um campo de pesquisa. Os autores estimavam avanços significativos em um verão. Levou-se um pouco mais: setenta anos, duas grandes decepções coletivas e algumas revoluções de hardware. Mas a aposta de Dartmouth segue de pé — e hoje mora no seu bolso.

Este post abre nossa série sobre inteligência artificial fazendo o serviço de fundação: definir os termos, contar a história e apresentar o vocabulário que os próximos textos vão usar. Se você é da comunidade acadêmica — de qualquer área, não só computação —, este é o mapa para não se perder nas próximas paradas.

Época 01

Inteligência é difícil de definir. IA, nem tanto

Eis uma ironia fundadora: o campo que promete reproduzir a inteligência nunca chegou a um consenso sobre o que ela é. Psicólogos falam em capacidade de aprender e se adaptar; filósofos, em consciência e intencionalidade; biólogos, em resolver problemas para sobreviver. A engenharia da IA contornou o impasse com pragmatismo. O manual mais adotado da área, de Stuart Russell e Peter Norvig, organiza as definições históricas de IA em quatro abordagens, cruzando dois eixos: o que se reproduz (o pensar ou o agir) e o padrão de comparação (o humano ou o racional) (RUSSELL; NORVIG, 2022).

Quadro 1 — Quatro abordagens para definir inteligência artificial

Abordagem	Pergunta-guia	Área de apoio	Exemplo de critério
Agir como humanos	A máquina se comporta de modo indistinguível de uma pessoa?	Ciência cognitiva aplicada	Teste de Turing
Pensar como humanos	Os processos internos imitam a mente humana?	Psicologia cognitiva, neurociência	Modelagem cognitiva
Pensar racionalmente	O raciocínio segue as leis da lógica?	Lógica, filosofia	Silogismos, provadores de teoremas
Agir racionalmente	O sistema faz a melhor ação possível com o que sabe?	Economia, teoria da decisão	Agente racional

Fonte: elaborado pelo autor com base em Russell e Norvig (2022).

A abordagem que venceu — e que estrutura a IA contemporânea — é a última: o agente racional. Na prática da IA, inteligência é menos "pensar como nós" e mais "agir bem": escolher, a cada momento, a ação que maximiza a chance de atingir um objetivo (RUSSELL; NORVIG, 2022). Essa escolha de projeto explica muita coisa: um sistema de navegação não precisa "entender" trânsito como um taxista entende; precisa achar rotas boas, rápido.

Época 02

IA fraca, IA forte e o jogo da imitação

Antes mesmo de Dartmouth, Alan Turing já havia atacado o problema por outro ângulo. Em um artigo de 1950 na revista Mind, ele propôs substituir a pergunta "máquinas podem pensar?" — que considerava mal formulada — por um experimento operacional, o jogo da imitação: um interrogador conversa por escrito com dois interlocutores ocultos, um humano e uma máquina; se não conseguir distinguir quem é quem, a máquina passa no teste (TURING, 1950). O hoje chamado Teste de Turing não mede consciência nem compreensão: mede comportamento verbal indistinguível — e é por isso que segue sendo, ao mesmo tempo, célebre e criticado.

A crítica mais famosa veio do filósofo John Searle, em 1980, com o experimento mental do quarto chinês: uma pessoa trancada em um quarto, munida de um manual de regras, responde por escrito a perguntas em chinês sem saber uma palavra do idioma — e, vista de fora, parece fluente. Manipular símbolos conforme regras, argumenta Searle, não é o mesmo que compreender (SEARLE, 1980). Foi nesse debate que se consolidou a distinção entre IA fraca — sistemas que simulam capacidades inteligentes para tarefas específicas, sem qualquer pretensão de mente — e IA forte, a hipótese de uma máquina que genuinamente compreende e tem estados mentais, com capacidade cognitiva geral comparável à humana.

IA fraca não é IA de segunda categoria: é a única que existe até hoje. Todo sistema em operação — do corretor ortográfico ao chatbot mais sofisticado — é IA fraca no sentido técnico: excelente em seu domínio, sem evidência de compreensão genuína. A IA forte (ou IAG, inteligência artificial geral, ou ainda AGI, na sigla em inglês) permanece um horizonte de pesquisa e especulação, não um produto. Convém guardar essa régua para a próxima manchete apocalíptica ou messiânica que cruzar seu feed.

Época 03

Setenta anos em uma linha do tempo (interativa)

A história da IA não é uma subida contínua: é uma alternância de verões de entusiasmo (e financiamento) com invernos de descrença (e cortes). Navegue pelos marcos abaixo — toque ou clique em cada ano; as cores indicam a temperatura da época: tons quentes para os booms, azul-gelo para os invernos.

Selecione um marco na linha acima.

Dica: use as setas do teclado (Tab) para navegar pelos anos.

Duas lições saltam da linha. Primeira: os invernos da IA não mataram a pesquisa — mataram promessas exageradas; foi o diagnóstico de entregas aquém do prometido, como o do relatório britânico de 1973, que congelou os financiamentos (LIGHTHILL, 1973), enquanto o trabalho de base continuou e floresceu quando dados e hardware alcançaram as ideias. Segunda: o que hoje chamamos de revolução (deep learning, IA generativa) são ideias dos anos 1940-80 que esperaram meio século pelas condições materiais — espera reconhecida, em 2024, com o Nobel de Física concedido a John Hopfield e Geoffrey Hinton pelos fundamentos das redes neurais artificiais (NOBEL PRIZE, 2024). Guarde essa humildade histórica para calibrar tanto o entusiasmo quanto o ceticismo do presente.

Época 04

Quatro maneiras de fazer uma máquina "pensar"

Por trás da cronologia há uma disputa de famílias intelectuais — os paradigmas da IA. O simbólico aposta que inteligência é manipulação de símbolos e regras explícitas: lógica, conhecimento representado, inferência — a alma dos sistemas especialistas. O conexionista aposta que inteligência emerge de muitas unidades simples conectadas, como neurônios: conhecimento fica distribuído nos pesos da rede e aprende-se por exemplos — a alma do deep learning. O evolucionário se inspira em Darwin: populações de soluções candidatas competem, cruzam e sofrem mutações, e a seleção faz o projeto — algoritmos genéticos que desenham antenas, horários e circuitos. E o estatístico trata a incerteza como cidadã de primeira classe: probabilidade, inferência bayesiana e aprendizado de máquina sobre dados — a ponte que conectou a IA à ciência de dados (RUSSELL; NORVIG, 2022).

Quadro 2 — Paradigmas da inteligência artificial

Paradigma	Ideia central	Unidade básica	Exemplos típicos	Auge histórico
Simbólico	Inteligência é manipular símbolos por regras explícitas	Símbolo e regra (SE-ENTÃO)	Sistemas especialistas, provadores de teoremas	Décadas de 1950-80
Conexionista	Inteligência emerge de redes de unidades simples	Neurônio artificial e peso	Redes neurais, deep learning, Transformers	2012 em diante
Evolucionário	Soluções evoluem por seleção, cruzamento e mutação	Indivíduo em uma população	Algoritmos genéticos, programação genética	Décadas de 1990-2000
Estatístico	Decidir bem sob incerteza, aprendendo de dados	Variável aleatória e probabilidade	Redes bayesianas, aprendizado de máquina	1990 em diante

Fonte: elaborado pelo autor com base em Russell e Norvig (2022).Nota: os períodos de auge são aproximados e se sobrepõem; os sistemas atuais combinam paradigmas (ex.: AlphaGo une redes neurais, busca simbólica e aprendizado por reforço).

Época 05

Agentes inteligentes: PEAS, tipos e ambientes

Se a definição vencedora de IA é "agir racionalmente", a unidade de projeto do campo é o agente: qualquer entidade que percebe seu ambiente por meio de sensores e age sobre ele por meio de atuadores. Um termostato é um agente rudimentar; um robô aspirador, um filtro de spam e um carro autônomo são agentes de sofisticação crescente. Todo agente é, no fundo, uma resposta contínua à mesma pergunta: dado o que percebo e o que sei, o que fazer agora? (RUSSELL; NORVIG, 2022).

Antes de programar um agente, especifica-se sua tarefa com a descrição PEAS — sigla em inglês para desempenho (Performance), ambiente (Environment), atuadores (Actuators) e sensores (Sensors). É o "contrato" do agente: como será avaliado, onde vai operar, com o que age e com o que percebe.

Quadro 3 — Descrição PEAS de três agentes inteligentes

Elemento	Táxi autônomo	Filtro de spam	Tutor virtual de matemática
Medida de desempenho	Segurança, rapidez, conforto, respeito às leis, lucro	Spams bloqueados; e-mails legítimos preservados	Aprendizado do estudante; engajamento; acertos em avaliações
Ambiente	Vias, tráfego, pedestres, clima, passageiros	Servidor de e-mail, fluxo de mensagens, remetentes	Plataforma de ensino, estudantes, currículo, calendário
Atuadores	Direção, acelerador, freio, setas, buzina, tela	Marcar como spam, mover pastas, sinalizar suspeita	Exibir explicações, propor exercícios, dar feedback, alertar docente
Sensores	Câmeras, lidar, GPS, sonar, velocímetro, odômetro	Conteúdo, cabeçalhos, metadados, histórico do usuário	Respostas, tempo por questão, trilha de cliques, autoavaliações

Fonte: elaborado pelo autor com base na metodologia PEAS de Russell e Norvig (2022); exemplos do filtro de spam e do tutor virtual formulados pelo autor.

Os agentes também formam uma escada de sofisticação. O reativo simples responde apenas à percepção atual, por regras condição-ação (o termostato). O baseado em modelo mantém um estado interno do mundo que não está vendo (o aspirador que lembra onde já limpou). O baseado em objetivos escolhe ações que o aproximam de uma meta (o GPS planejando rota). O baseado em utilidade pondera entre objetivos conflitantes buscando o melhor resultado esperado (o táxi que equilibra rapidez e segurança). E o agente com aprendizado melhora o próprio desempenho com a experiência — camada que hoje se sobrepõe a todas as outras.

Por fim, o ambiente de tarefa define a dificuldade do problema. Ele pode ser totalmente ou parcialmente observável (xadrez expõe o tabuleiro inteiro; o pôquer esconde cartas); determinístico ou estocástico (o resultado da ação é certo ou sujeito ao acaso); episódico ou sequencial (cada decisão é isolada, como classificar uma imagem, ou compromete o futuro, como um lance de xadrez); estático ou dinâmico (o mundo espera sua decisão ou muda enquanto você pensa, como no trânsito); discreto ou contínuo; e monoagente ou multiagente. O caso mais difícil — parcialmente observável, estocástico, sequencial, dinâmico, contínuo e multiagente — é exatamente o mundo real. Por isso dirigir um carro é mais difícil para uma IA do que vencer no xadrez.

Época 06

Subáreas, profissões e o retrato brasileiro

A IA de hoje é um arquipélago de subáreas: aprendizado de máquina (sistemas que melhoram com dados), processamento de linguagem natural (texto e fala — dos tradutores aos chatbots, hoje movidos pela arquitetura Transformer (VASWANI et al., 2017)), visão computacional (interpretar imagens e vídeo), robótica (percepção e ação no mundo físico), representação de conhecimento e raciocínio (herdeira do paradigma simbólico), planejamento e otimização e sistemas multiagente. Cada uma alimenta aplicações profissionais concretas: na saúde, apoio a diagnóstico por imagem e triagem; no direito, análise de contratos e jurisprudência; na engenharia e na indústria, manutenção preditiva e controle de qualidade; na administração e no marketing, previsão de demanda e segmentação; na educação, tutores adaptativos e detecção precoce de evasão; no jornalismo, apuração assistida e checagem.

E isso não é futurologia importada: é estatística oficial brasileira. Segundo a PINTEC Semestral 2024 do IBGE, o percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizam inteligência artificial saltou de 16,9% em 2022 para 41,9% em 2024 — mais que o dobro em dois anos. Entre as usuárias, as finalidades mais comuns são atividades administrativas (87,9%), comercialização (75,2%) e desenvolvimento de produtos e serviços (73,1%); os principais obstáculos são os altos custos (74,3%) e a falta de pessoal qualificado (60,6%) (IBGE, 2025). Anote este último número: ele é, literalmente, uma vaga com o seu nome. No plano público, a resposta veio na forma do Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028, que prevê R$ 23 bilhões em investimentos em infraestrutura, formação e aplicações de IA (BRASIL, 2024).

Tabela 1 — Percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizam tecnologias digitais avançadas, por tecnologia — Brasil — 2024

Tecnologia	Empresas que utilizam (%)
Computação em nuvem	77,2
Internet das Coisas (IoT)	50,3
Inteligência artificial	41,9
Robótica	30,5
Big data (análise de grandes volumes de dados)	27,8
Manufatura aditiva (impressão 3D)	20,3

Fonte: elaborado pelo autor com base em IBGE (2025).Nota: os termos "big data" e "Internet das Coisas" foram mantidos conforme a divulgação oficial da pesquisa.

A adoção em barras

Nuvem77,2%

IoT50,3%

IA41,9%

Robótica30,5%

Big data27,8%

Impressão 3D20,3%

Época 07

Perguntas para o seu contexto

Do vocabulário à prática: marque o que você já consegue responder sobre a sua área — cada item usa um conceito deste post.

0 de 6

Sei apontar uma tarefa da minha profissão que já é feita (ou apoiada) por IA fraca — e nomear qual subárea está por trás. Consigo escrever a descrição PEAS de um agente útil para o meu trabalho, em quatro linhas. Sei classificar o ambiente dessa tarefa: observável? estocástico? sequencial? dinâmico? multiagente? Identifico se a solução dominante no meu campo é simbólica, conexionista, evolucionária ou estatística — ou híbrida. Reconheço um "efeito ELIZA" quando atribuo compreensão a um sistema que manipula símbolos. Sei citar um dado (como os da PINTEC) para embasar uma conversa sobre IA na minha organização.

Inferência

O verão que não pode se repetir (do jeito errado)

Os dez pesquisadores de Dartmouth erraram o prazo, mas acertaram a direção — e pagaram o preço de prometer demais: cada inverno da IA começou, invariavelmente, num verão de promessas infladas. Hoje vivemos o verão mais quente da história do campo, e a lição de 1973 continua valendo para o estudante que jura que a IA fará seu TCC, para o gestor que jura que ela substituirá sua equipe e para o influencer que jura que ela acabará com o mundo na terça-feira. Entre o deslumbre e o pânico, a posição academicamente honesta é a curiosidade informada — saber o que a máquina faz, como faz e o que ainda não faz.

Nos próximos posts da série, desceremos a montanha: aprendizado de máquina na prática, redes neurais por dentro e o uso responsável de IA generativa na vida acadêmica. Por ora, fica a pergunta-síntese, no espírito PEAS: no seu ambiente, com os sensores e atuadores que você tem, qual é a próxima ação racional?

Nota do autor: as datas dos "invernos da IA" variam conforme o autor consultado; adotamos os intervalos aproximados de 1973-1980 e 1987-1993, os mais recorrentes na literatura. A proposta de Dartmouth foi redigida em 1955 e o seminário realizado em 1956; a citação aqui segue a reimpressão de 2006 na AI Magazine. No Quadro 3, os exemplos do filtro de spam e do tutor virtual são elaborações do autor seguindo a metodologia PEAS — o táxi autônomo é o exemplo clássico do manual. Os dados da PINTEC referem-se a empresas industriais com 100 ou mais pessoas ocupadas, não ao conjunto das empresas brasileiras.

Referências

BRASIL. Ministério da Ciência, Tecnologia e Inovação. Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028. Brasília, DF: MCTI, 2024. Disponível em: https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/plano-brasileiro-de-inteligencia-artificial. Acesso em: 5 ago. 2026.
IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência IBGE Notícias, Rio de Janeiro, set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 5 ago. 2026.
LIGHTHILL, J. Artificial intelligence: a general survey. In: SCIENCE RESEARCH COUNCIL. Artificial intelligence: a paper symposium. Londres: SRC, 1973. Disponível em: http://www.chilton-computing.org.uk/inf/literature/reports/lighthill_report/p001.htm. Acesso em: 5 ago. 2026.
McCARTHY, J.; MINSKY, M. L.; ROCHESTER, N.; SHANNON, C. E. A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, august 31, 1955. AI Magazine, v. 27, n. 4, p. 12-14, 2006. DOI: 10.1609/aimag.v27i4.1904. Disponível em: https://doi.org/10.1609/aimag.v27i4.1904. Acesso em: 5 ago. 2026.
NOBEL PRIZE. The Nobel Prize in Physics 2024. Estocolmo: Nobel Prize Outreach, 2024. Disponível em: https://www.nobelprize.org/prizes/physics/2024/summary/. Acesso em: 5 ago. 2026.
RUSSELL, S.; NORVIG, P. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
SEARLE, J. R. Minds, brains, and programs. Behavioral and Brain Sciences, Cambridge, v. 3, n. 3, p. 417-424, 1980. DOI: 10.1017/S0140525X00005756. Disponível em: https://doi.org/10.1017/S0140525X00005756. Acesso em: 5 ago. 2026.
TURING, A. M. Computing machinery and intelligence. Mind, Oxford, v. LIX, n. 236, p. 433-460, out. 1950. DOI: 10.1093/mind/LIX.236.433. Disponível em: https://doi.org/10.1093/mind/LIX.236.433. Acesso em: 5 ago. 2026.
VASWANI, A. et al. Attention is all you need. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 31., 2017, Long Beach. Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 5 ago. 2026.

Afinal, o que é inovação?

noreply@blogger.com (War) — Wed, 5 Aug 2026 17:16:26 -0300

O Pix não inventou a transferência de dinheiro — e talvez por isso seja a inovação brasileira mais bem-sucedida das últimas décadas. Neste post, destrinchamos o que economistas, a OCDE e a própria lei brasileira chamam de inovação, por que ela não se confunde com invenção nem com descoberta, e o que os números do IBGE e da OMPI revelam sobre a nossa capacidade de transformar ideia em valor. Spoiler: inovar tem menos a ver com eureca e mais a ver com chegar às mãos de alguém.

No dia 16 de novembro de 2020, entrou oficialmente no ar um sistema de pagamentos que não trazia, a rigor, nenhuma tecnologia inédita. Transferência eletrônica de dinheiro já existia havia décadas; pagamento instantâneo já rodava em outros países; QR Code era coisa dos anos 1990. Cinco anos depois, esse sistema — o Pix — tinha 170 milhões de usuários adultos, mais de 20 milhões de empresas cadastradas e caminhava para movimentar cerca de R$ 30 trilhões em um único ano, o equivalente a quase duas vezes o PIB brasileiro (AGÊNCIA BRASIL, 2025). A moça do brigadeiro na porta da faculdade aceita. O flanelinha aceita. Sua avó usa.

E aqui mora um aparente paradoxo: se nada ali era tecnicamente novo, por que tanta gente séria — do Banco Central a rankings internacionais — trata o Pix como um caso exemplar de inovação? A resposta exige desmontar a palavra. É o que este post se propõe a fazer: sem autoajuda corporativa, sem frase de LinkedIn, com as fontes na mesa.

Iteração 01

Uma palavra com muitos donos

"Inovação" virou palavra-curinga: cabe no edital de fomento, no discurso de posse, na embalagem do iogurte. Mas o conceito tem endereço e certidão de nascimento. Quem primeiro o colocou no centro da economia foi o austríaco Joseph Schumpeter, ainda em 1911, ao afirmar que o desenvolvimento econômico não vem do crescimento gradual da poupança ou da população, e sim da introdução de novas combinações dos meios produtivos: um novo bem, um novo método de produção, a abertura de um novo mercado, uma nova fonte de matérias-primas ou uma nova forma de organização (SCHUMPETER, 1997).

Décadas depois, o mesmo Schumpeter cunharia a expressão que talvez seja a mais citada — e a mais mal citada — da história do tema: a destruição criadora, o "processo de mutação industrial que incessantemente revoluciona a estrutura econômica a partir de dentro, incessantemente destruindo a velha, incessantemente criando uma nova" (SCHUMPETER, 2017). O automóvel não aperfeiçoou a carruagem; aposentou-a. O streaming não melhorou a locadora; extinguiu-a. Inovação, nessa chave, não é enfeite do capitalismo — é o motor dele.

Já Peter Drucker, o pai da administração moderna, puxou o conceito da macroeconomia para a mesa do gestor: inovação é "o instrumento específico dos empreendedores, o meio pelo qual eles exploram a mudança como uma oportunidade para um negócio diferente ou um serviço diferente". E completou com uma provocação que segue atual: inovação pode ser aprendida e praticada de forma sistemática — não é raio que cai da nuvem do gênio (DRUCKER, 2016).

Iteração 02

Descoberta, invenção, inovação: a linha de montagem da ideia

Se cada autor tem seu sotaque, o padrão internacional de medição tem uma gramática só. O Manual de Oslo, publicado pela OCDE e pelo Eurostat e hoje na 4ª edição, é a referência mundial para definir e medir o fenômeno. A definição de 2018 diz, em síntese, que inovação é um produto ou processo de negócios novo ou aprimorado (ou uma combinação de ambos) que difere significativamente dos anteriores da unidade e que foi disponibilizado a usuários potenciais ou colocado em uso (OCDE; EUROSTAT, 2018). A edição atual enxugou a taxonomia para dois grandes tipos: inovação de produto (bens e serviços) e inovação de processo de negócios (produção, distribuição, marketing, sistemas de informação, administração e desenvolvimento).

Repare no verbo que sustenta a definição: disponibilizado. É ele que separa a inovação de suas duas primas mais confundidas. A descoberta revela algo que já existia na natureza — ninguém "inventou" o grafeno, ele foi isolado. A invenção concebe um artefato ou método inédito — e pode muito bem morrer na prateleira, dentro de uma patente que ninguém licencia. A inovação só se consuma quando o novo chega ao uso, ao mercado, à sociedade. Sem adoção, não há inovação; há promessa.

Teste você mesmo: o que é o quê?

Selecione um caso abaixo e veja em que estação da linha de montagem ele para. O quarto caso costuma surpreender.

Escolha um caso para ver o veredito.

Quadro 1 — Diferenças conceituais entre descoberta, invenção e inovação

Dimensão	Descoberta	Invenção	Inovação
O que faz	Revela o que já existe na natureza	Concebe artefato ou método inédito	Leva o novo ao uso ou ao mercado
Prova de sucesso	Validação pela comunidade científica	Funcionamento técnico (ex.: patente)	Adoção por usuários e sociedade
Pode ficar na gaveta?	Sim, sem aplicação prática	Sim — e frequentemente fica	Não: sem uso, não se consuma
Exemplo	Isolamento do grafeno (2004)	Patente sem licenciamento	Pix (2020)

Fonte: elaborado pelo autor com base em OCDE e Eurostat (2018) e Schumpeter (1997).

Dentro do território da inovação ainda há gradações que o debate público adora misturar: a inovação incremental melhora o que existe (o iogurte com nova tampa), a radical rompe o paradigma técnico (o LED frente à lâmpada incandescente) e a disruptiva — termo de Clayton Christensen que virou sinônimo indevido de "qualquer coisa nova" — descreve algo bem específico: o produto inicialmente pior e mais barato, que atende quem estava fora do mercado e depois desbanca os líderes (CHRISTENSEN, 2012). Pela régua original do autor, a maioria das "disrupções" anunciadas por aí não passa de melhoria incremental com assessoria de imprensa.

Iteração 03

O que diz a lei brasileira (sim, temos uma)

Pouca gente sabe, mas "inovação" tem definição jurídica no Brasil. A Lei de Inovação — Lei nº 10.973/2004, atualizada pelo Marco Legal da Ciência, Tecnologia e Inovação (Lei nº 13.243/2016) — define o termo como a "introdução de novidade ou aperfeiçoamento no ambiente produtivo e social que resulte em novos produtos, serviços ou processos ou que compreenda a agregação de novas funcionalidades ou características a produto, serviço ou processo já existente que possa resultar em melhorias e em efetivo ganho de qualidade ou desempenho" (BRASIL, 2004).

Dois detalhes dessa definição merecem grifo. Primeiro, o legislador falou em ambiente produtivo e social: inovação, no Brasil, não é monopólio de empresa — cabe na escola pública que reinventa a recuperação escolar, na ONG que redesenha o acesso à água, no cartório que enfim aposentou a fila. Segundo, a lei criou engrenagens para tirar o conhecimento da gaveta acadêmica: os Núcleos de Inovação Tecnológica (NITs), que toda Instituição Científica, Tecnológica e de Inovação (ICT) deve manter para gerir sua política de inovação e suas patentes. Se você é da comunidade acadêmica, provavelmente há um NIT na sua instituição neste momento, esperando que alguém bata à porta com uma ideia aplicável.

Iteração 04

Quanto o Brasil inova, segundo o IBGE

Definição na mão, dá para medir. É o que faz a Pesquisa de Inovação (PINTEC) do IBGE, construída justamente sobre a gramática do Manual de Oslo. A edição mais recente — PINTEC Semestral 2024: Indicadores Básicos, divulgada em março de 2026 — mostra que 64,4% das empresas industriais brasileiras com 100 ou mais pessoas ocupadas implementaram inovação de produto ou de processo em 2024. Parece muito? A série vem caindo: eram 70,5% em 2021, e 2024 marcou a terceira queda consecutiva, o menor valor desde o início da série. No mesmo período, porém, o dispêndio em pesquisa e desenvolvimento cresceu 4,4%, alcançando R$ 39,9 bilhões (IBGE, 2026).

E a taxa varia — muito — conforme o setor. Veja o retrato de 2024:

Tabela 1 — Taxa de inovação das empresas industriais com 100 ou mais pessoas ocupadas, por atividades selecionadas — Brasil — 2024

Atividade	Taxa de inovação (%)
Fabricação de produtos químicos	84,5
Fabricação de máquinas e materiais elétricos	82,1
Fabricação de móveis	77,1
Fabricação de equipamentos de informática e eletrônicos	76,8
Fabricação de produtos farmacêuticos	76,6
Fabricação de produtos do fumo	29,8
Total da indústria	64,4

Fonte: elaborado pelo autor com base em IBGE (2026).Nota: taxa de inovação = percentual de empresas que implementaram inovação de produto e/ou de processo de negócios no ano de referência.

A corrida por setor, em barras

Químicos84,5%

Máq. elétricos82,1%

Móveis77,1%

Informática76,8%

Farmacêuticos76,6%

Fumo29,8%

Total indústria64,4%

Alerta metodológico: os 64,4% que não são bem o que parecem

Quando a PINTEC saiu, manchetes anunciaram que "a taxa de inovação das empresas brasileiras chegou a 64,4%". Cuidado com o atalho: o recorte da pesquisa é a indústria — extrativa e de transformação — e apenas empresas com 100 ou mais pessoas ocupadas (IBGE, 2026). Comércio, serviços e o oceano de micro e pequenas empresas que formam a maior parte do tecido produtivo brasileiro estão fora da fotografia. O número é valioso; a generalização, não. Fica a lição de sempre: antes de citar uma estatística, pergunte qual é o denominador.

Iteração 05

E no mapa-múndi, onde estamos?

A régua internacional mais usada é o Índice Global de Inovação (IGI), publicado pela Organização Mundial da Propriedade Intelectual (OMPI) (WIPO, 2025). Na edição de 2025, o Brasil aparece em 52º lugar — duas posições abaixo de 2024 — e perdeu para o Chile (51º) a liderança na América Latina que sustentava desde 2021. No topo, a Suíça segue soberana pelo quinto ano consecutivo, seguida por Suécia e Estados Unidos (IT FORUM, 2025).

Tabela 2 — Posições selecionadas no Índice Global de Inovação — 2025

Economia	Posição em 2025	Posição em 2024
Suíça	1º	1º
Suécia	2º	2º
Estados Unidos	3º	3º
Chile	51º	—
Brasil	52º	50º

Fonte: elaborado pelo autor com base em WIPO (2025) e IT Forum (2025).Nota: o sinal — indica posição não informada nas fontes consultadas.

Nem tudo é queda, porém. O mesmo relatório classifica o Brasil como "superdesempenho" pelo quinto ano seguido — produzimos mais inovação do que o esperado para o nosso nível de desenvolvimento — com destaque para produção de conhecimento e tecnologia e produção criativa (50º em ambos), e São Paulo figura entre os 50 principais polos de produção científica do mundo (IT FORUM, 2025). O gargalo apontado é velho conhecido desta casa: a dificuldade de conectar a academia à indústria. Traduzindo para o nosso vocabulário: somos bons de descoberta, razoáveis de invenção e devedores crônicos na última estação da linha de montagem — aquela em que a ideia vira uso.

Iteração 06

Perguntas para o seu contexto

Se inovação é o novo colocado em uso, então ela não exige laboratório: exige método. Marque abaixo o que você já consegue responder sobre o seu projeto, sua pesquisa, sua escola ou seu negócio:

0 de 6

Sei dizer, em uma frase, que problema real o meu "novo" resolve — e para quem. Consigo apontar se estou propondo descoberta, invenção ou inovação (e não confundo as três). Já verifiquei se alguém — inclusive fora da minha área — pôs algo parecido em uso. Defini qual seria a menor versão utilizável da ideia, aquela que alguém adotaria amanhã. Sei quem, na minha instituição, cuida de inovação (NIT, agência, incubadora) e como acioná-lo. Tenho um critério honesto de adoção: quantas pessoas usando, em quanto tempo, me fariam seguir ou parar.

Se marcou menos da metade, ótimo: agora você sabe exatamente onde sua ideia está parada na linha de montagem — e a transposição vale igualmente para a educação: um professor que redesenha a avaliação e a coloca em prática na turma seguinte está, nos termos da lei brasileira, inovando no ambiente social (BRASIL, 2004).

Lançamento

Da prateleira para a mão de alguém

Voltemos à moça do brigadeiro na porta da faculdade. Ela não leu Schumpeter, não sabe o que é o Manual de Oslo e jamais ouviu falar em taxa de inovação. Mas no dia em que colou o QR Code na caixinha de isopor, ela encerrou uma fila de troco, ganhou clientes que não andavam com dinheiro e mudou seu pequeno ambiente produtivo — exatamente como a lei descreve, exatamente como a OCDE mede, exatamente como o velho austríaco previu: uma nova combinação, colocada em uso.

É isso que separa inovação de eureca: a descoberta pergunta "o que existe?", a invenção pergunta "o que é possível?", e a inovação faz a pergunta mais difícil das três — quem vai usar? E você: o que anda tirando da gaveta?

Nota do autor: parte da imprensa noticiou a PINTEC Semestral 2024 como retrato da "taxa de inovação das empresas brasileiras"; este post adota o escopo declarado pelo IBGE — empresas industriais com 100 ou mais pessoas ocupadas — e assim o registra no texto e na Tabela 1. A série histórica citada (70,5% em 2021; 64,6% em 2023; 64,4% em 2024) segue os valores publicados pela Agência IBGE Notícias; o valor de 2022, mencionado pela fonte como parte da sequência de quedas, não foi divulgado na notícia consultada e por isso não figura na série. No Quadro 1 e no classificador interativo, os exemplos são ilustrativos e não constam das fontes normativas citadas.

Referências

AGÊNCIA BRASIL. Pix completa cinco anos perto de movimentar R$ 30 trilhões por ano. Agência Brasil, Brasília, 16 nov. 2025. Disponível em: https://agenciabrasil.ebc.com.br/economia/noticia/2025-11/pix-completa-cinco-anos-perto-de-movimentar-r-30-trilhoes-por-ano. Acesso em: 5 ago. 2026.
BRASIL. Lei nº 10.973, de 2 de dezembro de 2004. Dispõe sobre incentivos à inovação e à pesquisa científica e tecnológica no ambiente produtivo e dá outras providências (com redação dada pela Lei nº 13.243, de 11 de janeiro de 2016). Diário Oficial da União: seção 1, Brasília, DF, 3 dez. 2004. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2004-2006/2004/lei/l10.973.htm. Acesso em: 5 ago. 2026.
CHRISTENSEN, C. M. O dilema da inovação: quando as novas tecnologias levam empresas ao fracasso. São Paulo: M.Books, 2012.
DRUCKER, P. F. Inovação e espírito empreendedor: prática e princípios. São Paulo: Cengage Learning, 2016.
IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Em 2024, taxa de inovação da indústria cai pelo terceiro ano consecutivo e atinge o menor valor da série. Agência IBGE Notícias, Rio de Janeiro, 19 mar. 2026. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/46120-em-2024-taxa-de-inovacao-da-industria-cai-pelo-terceiro-ano-consecutivo-e-atinge-o-menor-valor-da-serie. Acesso em: 5 ago. 2026.
IT FORUM. Brasil cai duas posições e se classifica em 52º no Índice Global de Inovação (IGI). IT Forum, São Paulo, 18 set. 2025. Disponível em: https://itforum.com.br/noticias/brasil-ranking-inovacao/. Acesso em: 5 ago. 2026.
OCDE; EUROSTAT. Oslo Manual 2018: guidelines for collecting, reporting and using data on innovation. 4. ed. Paris: OECD Publishing, 2018. DOI: 10.1787/9789264304604-en. Disponível em: https://doi.org/10.1787/9789264304604-en. Acesso em: 5 ago. 2026.
SCHUMPETER, J. A. Teoria do desenvolvimento econômico: uma investigação sobre lucros, capital, crédito, juro e o ciclo econômico. São Paulo: Nova Cultural, 1997. (Coleção Os Economistas).
SCHUMPETER, J. A. Capitalismo, socialismo e democracia. São Paulo: Editora Unesp, 2017.
WIPO — WORLD INTELLECTUAL PROPERTY ORGANIZATION. Global Innovation Index 2025. Genebra: WIPO, 2025. Disponível em: https://www.wipo.int/gii/en/. Acesso em: 5 ago. 2026.

Como o pitstop da Ferrari ajudou a UTI pediátrica

noreply@blogger.com (War) — Mon, 3 Aug 2026 12:58:44 -0300

Nos anos 1990, o hospital infantil mais famoso de Londres tinha um problema que nenhuma reunião resolvia: a transferência de crianças recém-operadas do centro cirúrgico para a UTI.

Dois médicos exaustos, uma corrida de Fórmula 1 na televisão e um telefonema para a Ferrari deram origem a um dos casos mais citados da literatura de segurança do paciente — e a uma lição de gestão que vale para qualquer organização: as melhores práticas do seu próprio setor talvez já tenham chegado ao limite.

Volta 01 — o problema

Quinze minutos que ninguém conseguia consertar

O Great Ormond Street Hospital (GOSH) é uma instituição peculiar. Fundado em 1852, é o hospital pediátrico de referência do Reino Unido e, desde 1929, detém os direitos autorais de Peter Pan, doados por J. M. Barrie (SNOW, 2022). Mas, em meados dos anos 1990, o que circulava em Londres não era a lenda encantadora: era a notícia de que a mortalidade na ala cardíaca estava alta demais.

Quando a equipe foi investigar, a causa não estava onde se esperava. Não era a mão do cirurgião nem a técnica operatória. Uma parcela expressiva das complicações se concentrava em um intervalo aparentemente banal: a passagem do paciente do centro cirúrgico para a unidade de terapia intensiva (SNOW, 2022).

Vale dimensionar o que esse intervalo significa. Depois de abrir o tórax de uma criança e reparar seu coração, a equipe precisa transferir todo o suporte de vida — linhas de monitoramento, ventilação, bombas de infusão, vasodilatadores — não uma, mas duas vezes: da mesa cirúrgica para a maca de transporte e da maca para o leito da UTI. O procedimento consumia cerca de quinze minutos e concentrava um número desproporcional de oportunidades de falha (SNOW, 2022).

Pior do que os erros de equipamento eram os erros de informação. Cada cirurgia produz conhecimento específico sobre aquele paciente — uma sutura que ficou tensa, uma resposta atípica a determinado fármaco, uma variação anatômica. Quando essa nuance não atravessava a transferência, o paciente pagava a conta. Em 30% dos casos problemáticos, a equipe errava duas vezes: no equipamento e na informação (SNOW, 2022).

A resposta institucional foi a de sempre. Reuniões. Listas de verificação. Pedidos para "prestar mais atenção" — que, como observa a reportagem do Supercar Driver, é a versão médica de dizer a alguém que "se acalme" (PEARCE, 2025). Nada disso funcionou. E o problema não era falta de empenho: ninguém ali queria que aquelas crianças morressem.

Quando o benchmarking tradicional trava

A equipe então fez o que qualquer manual de gestão recomenda: procurou as melhores práticas do setor. Foi aí que veio a descoberta desconfortável. Outros hospitais tinham exatamente o mesmo problema. A dificuldade se agravava com pacientes pequenos, mas não havia, em lugar nenhum, um hospital que fizesse aquilo visivelmente melhor. Como resume Snow, a "melhor prática" disponível simplesmente não era boa o bastante (SNOW, 2022).

Esse é um ponto que costuma passar despercebido em cursos de qualidade. O benchmarking setorial é uma ferramenta de convergência: ele aproxima você da média superior do seu ramo. Se o teto do ramo inteiro é baixo, copiar o líder apenas o coloca empatado com um desempenho insuficiente.

Volta 02 — a descoberta

Uma televisão ligada na sala de descanso

A virada não veio de um comitê. Depois de cirurgias longas, os médicos Martin Elliott e Allan Goldman sentaram-se diante de uma televisão. Estava passando Fórmula 1.

Eu tinha feito um transplante e, de manhã, uma cirurgia de switch arterial; nós dois estávamos bastante exaustos. A Fórmula 1 entrou no ar bem na hora em que nos sentamos.

Martin Elliott, cirurgião cardíaco do GOSH, em depoimento reproduzido por Snow (2022)

Um carro entrou nos boxes. Em poucos segundos, uma equipe removeu quatro pneus, abasteceu o tanque, montou quatro pneus novos e saiu do caminho. Vinte pessoas tocaram naquele carro, e nenhuma atrapalhou a outra (PEARCE, 2025). Elliott descreveu o reconhecimento imediato: o pit stop era, em conceito, praticamente idêntico ao que eles faziam na passagem de plantão (SNOW, 2022).

Havia, porém, uma diferença brutal de execução. E os dois médicos fizeram algo que a maioria das pessoas não faz depois de uma boa ideia de sala de descanso: escreveram para Maranello. A Ferrari respondeu que sim (PEARCE, 2025).

Volta 03 — o diagnóstico

Quatro diferenças que a Ferrari mostrou em câmera lenta

A equipe do GOSH viajou à Itália e assistiu ao processo em detalhe. Depois, a relação se inverteu: os médicos enviaram gravações de transferências reais, e os mecânicos analisaram o vídeo como quem estuda um adversário. Semanas mais tarde, equipes da Ferrari e da Williams foram a Londres observar o procedimento ao vivo — um dos mecânicos comentaria depois que aquilo fora mais estressante do que Mônaco (PEARCE, 2025).

Quatro diferenças estruturais apareceram (SNOW, 2022):

Quadro 1 — Comparação entre o procedimento de pit stop da Ferrari e a passagem de plantão do GOSH, segundo as observações da equipe médica

Dimensão	Box da Ferrari	GOSH (antes)
Contingências	Cada cenário de falha era mapeado e treinado até virar hábito	Surpresas eram resolvidas na hora, por improviso
Espaço físico	Distância deliberada entre os membros, mesmo em área reduzida	Aglomeração ao redor do leito; equipe atrapalhava a si mesma
Coordenação	Um supervisor único (lollipop man) observava e liberava a saída	Sem maestro: cada profissional ajudava onde julgava necessário
Comunicação	Trabalho em silêncio; posições e sinais substituem a fala	Conversa constante, narração de ações e assuntos paralelos

Fonte: elaborado pelo autor com base em Snow (2022) e Pearce (2025). Nota: lollipop man é o operador do sinalizador em forma de pirulito que autoriza a saída do carro do box; o termo foi mantido no original por ser designação técnica consagrada no automobilismo.

O argumento sobre o espaço merece destaque porque desmonta uma desculpa comum. A equipe médica atribuía os esbarrões à exiguidade da sala. Só que uma dúzia de homens adultos, com ferramentas pneumáticas nas mãos, se organizava em torno de uma área comparável a cada corrida — sem gargalo algum (SNOW, 2022). O problema não era metragem; era ausência de posições atribuídas.

Posições ao redor do leito

Antes: sete profissionais concentrados na cabeceira, sem posições definidas e com sobreposição de funções. A conversa é constante e ninguém tem visão do conjunto.

Volta 04 — o redesenho

Um coreógrafo de dança dentro do hospital

De volta a Londres, a decisão mais inesperada foi contratar um coreógrafo de dança para trabalhar os deslocamentos e criar espaço na área apertada em torno do leito (SNOW, 2022). É uma escolha que parece excêntrica até se perceber a lógica: coreografia é, literalmente, a disciplina de organizar corpos em movimento num espaço restrito sem colisão.

O novo protocolo, desenvolvido a partir de discussões detalhadas com a equipe de Fórmula 1 e com comandantes instrutores da aviação (CATCHPOLE et al., 2007), converteu a antiga confusão em rotina:

Papéis prescritos. Cada profissional passou a ter um conjunto definido de ações, em vez de ajudar onde parecesse necessário. Contingências treinadas. Os cenários de exceção foram mapeados e ensaiados previamente. Um supervisor. O anestesista daquela cirurgia assumiu a função do lollipop man: afastava-se, observava o conjunto e conduzia. Silêncio operacional. A conversa paralela foi eliminada (SNOW, 2022).

A contribuição da aviação, muitas vezes esquecida no recontar popular do caso, é decisiva: dela vieram a estrutura de briefing, a disciplina de listas de verificação e a noção de que a comunicação crítica deve ter formato fixo e verificável — o mesmo repertório que Gawande popularizaria anos depois (GAWANDE, 2011).

Volta 05 — os resultados

O que os números realmente dizem

O estudo de intervenção prospectiva observou 50 passagens de plantão — 23 antes e 27 depois da implantação do novo protocolo. Erros técnicos e omissões de informação foram medidos com listas de verificação; o trabalho em equipe foi pontuado em escala Likert; a duração foi cronometrada (CATCHPOLE et al., 2007).

Tabela 1 — Indicadores da passagem de plantão do centro cirúrgico para a unidade de terapia intensiva pediátrica, antes e depois da implantação do novo protocolo — Great Ormond Street Hospital, Londres — 2007

Indicador	Antes (n = 23)	Depois (n = 27)	Variação (%)
Erros técnicos (média por passagem)	5,42	3,15	-41,9
Omissões de informação (média por passagem)	2,09	1,07	-48,8
Duração da passagem (minutos)	10,8	9,4	-13,0

Fonte: elaborado pelo autor com base em Catchpole et al. (2007). Nota: intervalos de confiança de 95% relatados no estudo — erros técnicos, ±1,24 (antes) e ±0,71 (depois); omissões, ±1,14 e ±0,55; duração, ±1,6 min e ±1,29 min. O ano indicado refere-se à publicação do estudo; a coleta ocorreu nos meses anteriores. Nota: a variação percentual foi calculada pelo autor a partir das médias publicadas.

Leitura visual dos indicadores

Erros técnicos por passagem-41,9%

ANTES5,42

DEPOIS3,15

Omissões de informação por passagem-48,8%

ANTES2,09

DEPOIS1,07

Duração da passagem (min)-13,0%

ANTES10,8

DEPOIS9,4

Escala relativa: em cada indicador, a barra "antes" equivale a 100%. Os valores absolutos constam da Tabela 1.

Um cuidado com os números que circulam

Vale um alerta metodológico, útil especialmente para quem usa o caso em sala de aula. A versão empresarial da história costuma afirmar que o hospital reduziu em 66% seus piores erros de passagem de plantão (SNOW, 2022). Esse número não corresponde às médias publicadas na Tabela 1: ele diz respeito a um subconjunto específico — as falhas mais graves —, e não ao total de erros. Ao citar o caso, o mais seguro é trabalhar com os valores do artigo original (CATCHPOLE et al., 2007) e tratar o percentual divulgado na imprensa como indicador complementar.

Note também um resultado contraintuitivo: a duração caiu apenas 13%. O ganho principal não foi velocidade — foi confiabilidade. Quem apresenta o caso como "o hospital que aprendeu a ser rápido feito a Ferrari" inverte a lição. O hospital aprendeu a ser previsível, e a previsibilidade produziu alguma economia de tempo como efeito colateral.

Volta 06 — o princípio

Práticas adjacentes: procure de lado, não para cima

O que torna esse caso um clássico da literatura de inovação não é o resultado clínico, mas o mecanismo. Snow sintetiza o princípio de forma direta: as melhores práticas do próprio setor levam você apenas até certo ponto — e, no limite, apenas empatam você com todo mundo. As melhores práticas de um setor adjacente, ao contrário, oferecem heurísticas que produzem ruptura (SNOW, 2022).

A adjacência aqui não é temática, é estrutural. Ferrari e GOSH não têm nada em comum quanto ao objeto: um lida com um monoposto de competição, o outro com um coração infantil. O que compartilham é a forma do problema — transferência de um sistema complexo entre dois estados, sob restrição de tempo, com equipe multidisciplinar e custo altíssimo do erro. É essa isomorfia que autoriza o empréstimo.

Disso decorre um método de busca. Em vez de perguntar "quem faz o que eu faço, melhor do que eu?", pergunte "quem enfrenta uma estrutura de problema parecida com a minha, em um mundo completamente diferente?". Snow chega a inverter a própria expressão: sua melhor prática passou a ser não procurar melhores práticas, mas práticas laterais (SNOW, 2022).

Para quem trabalha com educação, a transposição é imediata. A passagem de um estudante entre etapas — do ensino médio para a graduação, de um componente curricular para o seguinte, de um professor para outro dentro do mesmo curso — é, também ela, uma transferência de sistema complexo com perda sistemática de informação. E é, quase sempre, tratada com o mesmo "prestem mais atenção" que não funcionou no GOSH.

Volta 07 — os limites

O que a analogia não resolve

Repetir o caso sem suas restrições é transformá-lo em fábula corporativa. Três ressalvas importam.

A analogia é ponto de partida, não modelo pronto

A Ferrari não entregou um protocolo ao GOSH. Ela ofereceu um repertório de princípios que a equipe médica precisou traduzir para o seu contexto, com um estudo formal de intervenção para verificar se funcionava (CATCHPOLE et al., 2007). A parte trabalhosa — e a que costuma ser omitida nas apresentações — foi a tradução, não a inspiração.

O terreno já estava preparado

O GOSH não partiu do zero. A cirurgia cardíaca pediátrica britânica vinha de um processo doloroso de escrutínio público após o inquérito de Bristol (KENNEDY, 2001), e a instituição já acumulava pesquisa em fatores humanos aplicada ao próprio centro cirúrgico (DE LEVAL et al., 2000), inclusive com metodologia de observação estruturada para identificar falhas sistêmicas em cirurgias bem-sucedidas (CATCHPOLE; GIDDINGS; DE LEVAL, 2006). A visita à Ferrari encontrou uma organização que já sabia medir a si mesma. Sem essa base, provavelmente teria virado só uma boa história.

A replicação exige adaptação, não cópia

O modelo se difundiu. Protocolos estruturados de transferência entre centro cirúrgico e UTI cardíaca mostraram benefícios que se estendem para além do pós-operatório imediato, e a Universidade da Virgínia aplicou explicitamente um "modelo de pit stop da NASCAR" à sala de parto e à admissão de prematuros extremos, com ganhos de organização e eficiência (VERGALES et al., 2015). Em todos os casos bem-sucedidos, o que se importou foram os princípios — papéis, ensaio, supervisão, silêncio, verificação —, nunca a coreografia alheia.

Volta 08 — aplicação

Oito perguntas para o seu próprio "box"

Se você quiser aplicar o raciocínio a um processo crítico da sua organização — uma passagem de turno, uma entrega entre times, a transição de um aluno entre módulos —, marque abaixo o que já está resolvido. O que sobrar é a sua agenda.

O processo é medidoExiste registro objetivo de erros, omissões e duração — e não apenas a impressão de que "às vezes dá problema".
Cada pessoa tem posição definidaNinguém "ajuda onde acha necessário": há papéis prescritos e uma sequência conhecida por todos.
Existe um supervisor sem tarefa manualAlguém observa o conjunto, não executa, e detém a autoridade de liberar a etapa seguinte.
As exceções foram ensaiadasOs cenários de falha mais prováveis já foram mapeados e treinados antes de acontecerem.
A informação tem formato fixoO que precisa ser transmitido segue um roteiro verificável, não a memória de quem está exausto.
O ruído foi eliminadoConversa paralela, interrupções e alarmes não essenciais estão suprimidos durante a janela crítica.
Você já olhou para fora do seu setorFoi identificada ao menos uma atividade estruturalmente parecida em um ramo totalmente distinto.
A mudança será avaliadaHá medição planejada do antes e do depois, com critério definido de sucesso.

0 / 8

Bandeirada final

A criança que nunca soube

A reportagem do Supercar Driver recupera um detalhe que costuma ficar de fora dos slides de gestão. Um dos primeiros pacientes a passar pelo novo protocolo foi um menino chamado Alexander. Ele saiu da cirurgia cardíaca e atravessou até a UTI dentro de um procedimento silencioso, com mãos firmes e posições ensaiadas. Chegou em segurança. Os pais nunca souberam que havia um pedaço da Ferrari por trás daquele momento — souberam apenas que o filho estava vivo (PEARCE, 2025).

É a melhor definição possível de um processo bem desenhado: aquele cuja existência ninguém percebe, porque nada deu errado. E é também um lembrete de onde a inovação costuma morar. Não no setor onde todo mundo já olhou, mas naquele que ninguém pensou em consultar — porque parecia não ter nada a ver.

A pergunta que Snow deixa ao leitor continua sendo a mais útil quando um problema parece intratável: como uma equipe de box resolveria isso? (SNOW, 2022)

Referências

CATCHPOLE, Ken R. et al. Patient handover from surgery to intensive care: using Formula 1 pit-stop and aviation models to improve safety and quality. Pediatric Anesthesia, Oxford, v. 17, n. 5, p. 470-478, maio 2007. DOI: 10.1111/j.1460-9592.2006.02239.x. Disponível em: https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1460-9592.2006.02239.x. Acesso em: 3 ago. 2026.
CATCHPOLE, Ken R.; GIDDINGS, Anthony E. B.; DE LEVAL, Marc R. et al. Identification of systems failures in successful paediatric cardiac surgery. Ergonomics, London, v. 49, n. 5-6, p. 567-588, 2006.
DE LEVAL, Marc R.; CARTHEY, Jane; WRIGHT, David J.; REASON, James T. Human factors and cardiac surgery: a multicenter study. The Journal of Thoracic and Cardiovascular Surgery, St. Louis, v. 119, n. 4, p. 661-672, 2000.
GAWANDE, Atul. Checklist: como fazer as coisas benfeitas. Rio de Janeiro: Sextante, 2011.
KENNEDY, Ian. Learning from Bristol: the report of the public inquiry into children's heart surgery at the Bristol Royal Infirmary 1984-1995. London: The Stationery Office, 2001.
PEARCE, Paul. How Ferrari made Great Ormond Street better. Supercar Driver, Sheffield, 24 dez. 2025. Disponível em: https://www.supercar-driver.com/blog/how-ferrari-made-great-ormond-street-better. Acesso em: 3 ago. 2026.
SNOW, Shane. Smartcuts: the breakthrough power of lateral thinking. New York: HarperBusiness, 2014.
SNOW, Shane. What leaders can learn from Formula 1 pit crews. Forbes, Jersey City, 16 jun. 2022. Disponível em: https://www.forbes.com/sites/shanesnow/2022/06/16/what-leaders-can-learn-from-formula-1-pit-crews/. Acesso em: 3 ago. 2026.
VERGALES, Brooke D. et al. NASCAR pit-stop model improves delivery room and admission efficiency and outcomes for infants <27 weeks' gestation. Resuscitation, Amsterdam, v. 92, p. 7-13, jul. 2015. DOI: 10.1016/j.resuscitation.2015.03.022.

Nota do autor: as fontes divergem quanto à data exata do episódio. O relato jornalístico situa o problema em meados da década de 1990; o estudo formal de intervenção foi publicado em 2007, com coleta realizada nos meses anteriores. Adotou-se aqui a cronologia do artigo científico sempre que houve conflito.

NAVAL Deluxe: Reescrevendo a história

noreply@blogger.com (War) — Wed, 1 Jul 2026 11:59:57 -0300

Reeditei o meu game com o auxílio da IA para uma experiência renovada de um tradicional jogo de papel e caneta com um triste cenário de guerra de pano de fundo.

O jogo N.A.V.A.L. Deluxe é um game digital indie de estratégia naval que nasce do clássico Batalha Naval de papel e caneta, mas o transporta para um cenário real e doloroso: a costa brasileira da Segunda Guerra Mundial. Nesta versão beta preview, aberta para testes, você assume o comando de uma frota de contratorpedeiros para dar o troco aos U-boats que afundaram navios brasileiros entre 1942 e 1944 — e, na ficção do jogo, reescrever aquele desfecho. Este post conta de onde veio o jogo, a história que lhe serve de pano de fundo, como jogar, o documentário que recomendamos e a origem surpreendente do projeto, lá em 2002. No fim, o convite para você testar.

N.A.V.A.L. Deluxe — Batalha pelo Atlântico Sul (imagem do jogo).

Todo mundo que cresceu desenhando quadradinhos numa folha de papel já travou, ao menos uma vez, uma batalha naval. Aquele passatempo simples — dois tabuleiros, alguns navios escondidos e a tensão de anunciar uma coordenada — é o ponto de partida de um projeto que eu venho desenvolvendo e que agora abro para testes: o N.A.V.A.L. Deluxe. A proposta é pegar a mecânica que todos conhecem e mergulhá-la num episódio pouco lembrado da nossa história, aquele em que a guerra chegou à costa do Brasil. Antes de convidar você a jogar, vale contar como cada peça se encaixa.

Do papel quadriculado ao tabuleiro do Atlântico

A origem exata do jogo de batalha naval é incerta, mas a versão mais aceita é que ele foi criado por soldados russos ainda antes da Primeira Guerra Mundial, possivelmente inspirado num jogo francês chamado L'Attaque (MUSEU EXEA, 2024). Nas trincheiras e entre prisioneiros da década de 1920, o passatempo de lápis e papel se popularizou; sua primeira versão comercial surgiu nos Estados Unidos em 1931, chamada Salvo, publicada pela Starex (MEGAJOGOS, 2025). Foi durante a Segunda Guerra, em 1943, que o jogo ganhou o nome pelo qual ficaria conhecido no mundo anglófono, Battleship, e só em 1967 a Milton Bradley lançou a clássica versão de tabuleiro de plástico, com as maletinhas e os pinos encaixáveis — que chegaria ao Brasil apenas em 1988 (MEGAJOGOS, 2025).

Como seria um jogo de Batalha Naval tradicional.

As regras tradicionais são de uma elegância mínima. Cada jogador recebe duas grades de 10×10, com colunas numeradas de 1 a 10 e linhas de A a J: uma serve para posicionar a própria frota, a outra para registrar os tiros contra o oponente (MODO BRINCAR, 2024). Na frota clássica, são cinco navios de tamanhos diferentes — um porta-aviões de cinco casas, um couraçado de quatro, um cruzador de três, um submarino de três e um contratorpedeiro de duas (MODO BRINCAR, 2024). Os barcos são dispostos em segredo, na horizontal ou na vertical, sem se tocar. Então os jogadores se revezam anunciando coordenadas como “E4”, e o adversário responde “água”, “tocado” ou “afundado”. Vence quem primeiro mandar toda a frota inimiga para o fundo (MUSEU EXEA, 2024). É dessa espinha dorsal — esconder, deduzir, mirar e afundar — que o N.A.V.A.L. Deluxe parte. Só que, em vez de um mar imaginário, o tabuleiro é o Atlântico Sul de 1942.

A guerra que chegou à nossa costa

Em agosto de 1942, o Brasil ainda era formalmente neutro, embora já colaborasse com o esforço de guerra norte-americano e tivesse forças dos Estados Unidos estabelecidas no Nordeste (BRASIL..., 2024). No dia 7 daquele mês, o comando de submarinos alemão autorizou “manobras livres” na costa brasileira: atacar qualquer navio, exceto argentinos e chilenos (MEMÓRIA DO TRANSPORTE, 2024). A missão coube ao U-507, um submarino Tipo IXC comandado por Harro Schacht e equipado com 22 torpedos (PODER NAVAL, 2025).

O saldo daqueles dias foi devastador. Entre 15 e 17 de agosto, o U-507 torpedeou cinco navios brasileiros e uma barcaça na costa de Sergipe e da Bahia, causando 607 mortes (BRASIL..., 2024). O primeiro a ser atingido foi o paquete Baependi, que havia zarpado de Salvador rumo a Manaus com 306 pessoas a bordo; torpedeado na noite de 15 de agosto, afundou em minutos, matando 270 pessoas — entre elas civis e soldados do Exército — no que foi, até então, a maior tragédia brasileira na guerra (PODER NAVAL, 2025) (BAEPENDI..., 2024). Nos dias seguintes vieram o Araraquara, o Aníbal Benévolo, o Itagiba e o Arará — este último afundado justamente quando parara para socorrer os náufragos do Itagiba (MEMÓRIA DO TRANSPORTE, 2024).

Tabela 1 — Navios brasileiros afundados pelo submarino U-507 (15 a 17 de agosto de 1942)

Embarcação	Data do ataque	Mortos
Baependi	15 ago. 1942	270
Araraquara	15 ago. 1942	131
Aníbal Benévolo	16 ago. 1942	150
Itagiba	17 ago. 1942	36
Arará	17 ago. 1942	20
Total	—	607

Fonte: elaboração própria a partir de Memória do Transporte (2024) e Museu EXEA (2022). O total de 607 vítimas inclui as mortes na barcaça Jacira e demais eventos do período; algumas fontes registram números ligeiramente distintos.

A notícia dos afundamentos, publicada em 18 de agosto, provocou comoção e protestos em várias cidades (PODER NAVAL, 2025). Diante da revolta popular, em 22 de agosto de 1942 o governo brasileiro declarou guerra à Alemanha e à Itália, decisão formalizada por decreto-lei no fim do mês (BAEPENDI..., 2024). O Brasil entrava no conflito pelo mar.

A resposta veio dos céus — e dos aliados

A reação brasileira se organizou com apoio dos Estados Unidos. Foi criada a Força do Atlântico Sul, com sede em Recife e bases em Natal e Fernando de Noronha, e, em janeiro de 1943, o governo norte-americano cedeu à FAB sete hidroaviões Consolidated PBY-5 Catalina para missões de patrulha e caça a submarinos (HISTÓRIA DA FAB, 2021). O trabalho conjunto deu resultado: o próprio U-507, responsável pelo massacre de agosto, foi afundado em 13 de janeiro de 1943, ao largo do litoral do Nordeste, por um Catalina norte-americano, sem sobreviventes entre os 54 tripulantes (BRASIL..., 2024).

O episódio mais simbólico, porém, veio meses depois. Em 31 de julho de 1943, o submarino alemão U-199 foi surpreendido na superfície ao largo do Rio de Janeiro e atacado numa ação conjunta: primeiro um Mariner norte-americano do esquadrão VP-74, depois um Hudson da FAB e, por fim, um Catalina brasileiro que desferiu o golpe final (PODER AÉREO, 2025). Aquele Catalina seria batizado, em 28 de agosto de 1943, com o nome de Arará — em homenagem ao mercante afundado pelo U-507 no ano anterior — e recebeu na fuselagem a silhueta de um submarino e a inscrição “Doado à FAB pelo povo carioca” (PODER NAVAL, 2023). Numa cena que resume o espírito da época, o hidroavião foi batizado com água do mar por Miriam Santos, uma menina órfã de uma das vítimas do Arará (PODER NAVAL, 2023). Não à toa, Samuel Eliot Morison, ao narrar as operações navais dos Estados Unidos, dedicou um capítulo inteiro àquele teatro com o título “Deus é brasileiro” (PODER NAVAL, 2023).

Uma homenagem que vira jogo — e reescreve a história

É desse ponto de encontro entre a mecânica do jogo e a memória histórica que nasce o N.A.V.A.L. Deluxe. No jogo, você comanda a frota brasileira — uma linha de contratorpedeiros, os destroyers que escoltavam comboios e caçavam submarinos — contra os U-boats alemães. É uma inversão deliberada e ficcional: onde a história real registrou centenas de civis mortos em navios de passageiros indefesos, o jogo oferece a chance de dar o troco no mar, afundando os submarinos que semearam aquele terror. O subtítulo — “Sua chance de reescrever a história” — é exatamente isso: uma licença poética para transformar luto em estratégia, sem jamais apagar o que de fato aconteceu.

Faço questão de que essa fantasia conviva com o respeito aos fatos. O jogo se abre com uma introdução que recupera a cronologia real — o Baependi, o agosto sangrento, a declaração de guerra, os Catalinas — e presta homenagem aos mais de mil brasileiros mortos no Atlântico. As adaptações são assumidamente lúdicas: as embarcações e aeronaves militares, as posições no tabuleiro e o próprio duelo direto entre frotas são convenções de jogo, não reconstituições históricas. A intenção é que, ao jogar, você também se lembre — e queira saber mais.

Como se joga o N.A.V.A.L. Deluxe

O tabuleiro é uma grade isométrica de 10×10. Você posiciona sua frota de dez embarcações nas quatro linhas da sua zona (a Zona Aliada, na parte inferior, para o Brasil; a Zona do Eixo, no topo, para a Alemanha) e, a partir daí, cada turno se desenrola em fases encadeadas:

Posicionamento: você distribui seus dez navios pelo tabuleiro, clicando para colocar ou retirar cada um.
Reconhecimento aéreo: antes de atacar, sua aviação faz uma varredura. O Brasil conta com o Catalina; a Alemanha, com o Condor. O avião escolhido varre uma linha ou uma coluna inteira e revela os inimigos que encontrar pelo caminho — um eco direto das patrulhas aéreas de 1943.
Ordens: para cada embarcação, você decide entre mover, atacar uma casa ou permanecer parado. É aqui que a estratégia acontece — reposicionar a frota para fugir de um tiro previsto ou concentrar fogo numa coordenada suspeita.
Resolução: as ordens dos dois lados são executadas ao mesmo tempo, com direito a projéteis, explosões e navios afundando no tabuleiro.
Revisão: ao fim do turno, você confere o que aconteceu antes de partir para a rodada seguinte.

São quatro modos de jogo: Humano vs IA, para uma campanha solo contra o computador; 2 Jogadores na Mesma Máquina, no formato “passa e joga”, em que cada comandante dá ordens em segredo; 2 Jogadores Online, em que você cria uma sala e envia a chave de acesso ao oponente; e a Simulação IA vs IA, em que você assiste a duas inteligências artificiais duelarem. Ao final de cada partida, um replay animado reconstitui a batalha lance a lance, com estatísticas e o tempo total de jogo — ótimo para rever a virada ou entender onde a frota foi ao fundo.

Para ir além: o documentário Vital

Para quem se interessar pela história real por trás do jogo, a recomendação é o documentário “Vital: Memórias que não Naufragaram”, produzido pela Marinha do Brasil e disponível no canal da instituição no YouTube (AGÊNCIA MARINHA, 2026). O curta-metragem, de cerca de quinze minutos, resgata a trajetória do Navio-Auxiliar Vital de Oliveira — torpedeado pelo submarino alemão U-861 em 19 de julho de 1944, o único navio militar brasileiro afundado por ação inimiga na guerra (AGÊNCIA MARINHA, 2026). Combinando depoimentos de sobreviventes, imagens de arqueologia subaquática e a redescoberta recente do casco, é uma porta de entrada emocionante para esse capítulo da nossa história naval.

De 2002 até aqui: uma história de mais de vinte anos

O N.A.V.A.L. Deluxe não é um projeto novo — é o renascimento de um antigo. A primeira versão do jogo, batizada de NAVAL (Batalha pelo Cinturão do Atlântico), foi criada por mim em 2002, desenvolvida em Microsoft Visual Basic 5.0 e distribuída numa campanha promocional da revista PC Expert(PC EXPERT, 2002). Na época, eu achei essa passagem da história naval brasileira muito mais desconhecida e também embuti links para mapas históricos de afundamentos que oferecia mais contexto mais educacional para os jogadores da ápoca. Mais de duas décadas depois, aquele jogo reaparece completamente reconstruído em tecnologias web modernas: geração de imagens e modelos 3D, desenvolvimento com inteligência artificial, animações e uma camada histórica que ajuda na imersão (sem trocadilho) que a versão original não tinha (e até um ovo de páscoa para jogadores mais atentos). É a mesma ideia de sempre — esconder, deduzir e atacar — agora com a profundidade de uma homenagem.

Relembrando a publicação da ideia original.

Venha testar (é um beta preview)

O N.A.V.A.L. Deluxe está em beta preview: aberto para testes, em constante ajuste, e é justamente por isso que o seu retorno importa tanto. Bugs, sugestões de equilíbrio, ideias para os modos de jogo e novos títulos — tudo é bem-vindo enquanto o projeto amadurece. Assuma o comando da sua frota, enfrente os U-boats no Atlântico Sul (ou jogue do lado dos inimigos) e me conte como foi nos comentários.

▶ Jogar N.A.V.A.L. Deluxe (beta)

Referências

BAEPENDI (navio). In: Wikipédia: a enciclopédia livre. 2024. Disponível em: https://pt.wikipedia.org/wiki/Baependi_(navio). Acesso em: 1 jul. 2026.

BRASIL na Segunda Guerra Mundial. In: Wikipédia: a enciclopédia livre. 2024. Disponível em: https://pt.wikipedia.org/wiki/Brasil_na_Segunda_Guerra_Mundial. Acesso em: 1 jul. 2026.

HISTÓRIA DA FAB. A Aviação de Patrulha. 2021. Disponível em: https://historiadafab.rudnei.cunha.nom.br/2021/01/04/a-aviacao-de-patrulha/. Acesso em: 1 jul. 2026.

MARINHA HOMENAGEIA mortos da Batalha do Atlântico em cerimônia na ABL. Agência Marinha de Notícias, Rio de Janeiro, 2026. Disponível em: https://www.agencia.marinha.mil.br/index.php/especial/marinha-homenageia-mortos-da-batalha-do-atlantico-em-cerimonia-na-abl. Acesso em: 1 jul. 2026.

MEGAJOGOS. Batalha naval: a diversão em meio ao caos. Blog Oficial do MegaJogos, 2025. Disponível em: https://blog.megajogos.com.br/batalha-naval-historia-e-curiosidades/. Acesso em: 1 jul. 2026.

MEMÓRIA DO TRANSPORTE BRASILEIRO. Brasil na Segunda Guerra Mundial. 2024. Disponível em: https://memoriadotransporte.org.br/galeria/brasil-na-segunda-guerra-mundial/. Acesso em: 1 jul. 2026.

MODO BRINCAR. Descubra como jogar Batalha Naval aqui e divirta-se! Ri Happy, 2024. Disponível em: https://modobrincar.rihappy.com.br/como-jogar-batalha-naval/. Acesso em: 1 jul. 2026.

MUSEU EXEA. O jogo da batalha naval. 2024. Disponível em: https://museuexea.com.br/o-jogo-da-batalha-naval/. Acesso em: 1 jul. 2026.

PODER AÉREO. Especial: 80 anos da vitória da FAB na defesa do Atlântico Sul — Parte 3. 2025. Disponível em: https://www.aereo.jor.br/2025/05/17/especial-80-anos-da-vitoria-da-fab-na-defesa-do-atlantico-sul-parte-3/. Acesso em: 1 jul. 2026.

PODER NAVAL. Há 80 anos, o submarino U-199 era afundado ao largo do Rio de Janeiro. 2023. Disponível em: https://www.naval.com.br/blog/2023/07/31/ha-80-anos-o-submarino-u-199-era-afundado-ao-largo-do-rio-de-janeiro/. Acesso em: 1 jul. 2026.

PODER NAVAL. O ataque ao ‘Baependi’: o torpedeamento que levou o Brasil à guerra em 1942. 2025. Disponível em: https://www.naval.com.br/blog/2025/05/14/o-ataque-ao-baependi-o-torpedeamento-que-levou-o-brasil-a-guerra-em-1942/. Acesso em: 1 jul. 2026.

PC EXPERT. NAVAL. Nº 32. ISSN:1413-3466. São Paulo:CD Expert Editora. 2002.

Visto no Brasil Acadêmico

IA Fable 5 proibida no Brasil, entenda

noreply@blogger.com (War) — Sat, 13 Jun 2026 12:59:10 -0300

Governo Trump proíbe fora dos EUA o uso do modelo de IA Fable 5, baseado no Mythos, considerado o mais avançado do mundo. Entenda a questão.

Na noite de 12 de junho de 2026, o governo dos EUA emitiu uma diretiva de controle de exportação que proibiu o acesso de qualquer estrangeiro aos modelos Claude Fable 5 e Claude Mythos 5. Para cumprir a ordem, a Anthropic desligou os dois modelos para todos os usuários do mundo. Este texto reconstrói o caso, a ascensão recente da classe Mythos, suas implicações de segurança, a postura ética da empresa, o pano de fundo político do confronto com o governo Trump e um glossário com os termos centrais — encerrando com o que isso significa, na prática, para quem cria jogos educacionais como o NAVAL e o Ilha das Formigas, projetos levados a cabo pelo Brasil Acadêmico via Fable 5.

01 A diretiva de proibição

Segundo o comunicado oficial da empresa, a diretiva chegou às 17h21 (horário do leste dos EUA) de 12 de junho de 2026. O Departamento de Comércio, por meio de carta assinada pelo secretário Howard Lutnick e endereçada ao CEO Dario Amodei, classificou Fable 5 e Mythos 5 sob controle de exportação por razões de segurança nacional, proibindo o acesso de qualquer estrangeiro — dentro ou fora dos EUA, incluindo os próprios funcionários estrangeiros da Anthropic (ANTHROPIC, 2026a).

A carta também passou a exigir licença individual para qualquer exportação, reexportação ou transferência doméstica dos modelos, sob pena de sanções financeiras e civis (AXIOS, 2026). Como aplicar a regra de forma seletiva exigiria bloquear uma fatia enorme de usuários — inclusive os próprios colaboradores nascidos fora dos EUA —, a Anthropic optou por desligar Fable 5 e Mythos 5 para todos. O acesso aos demais modelos (Opus 4.8, Sonnet e Haiku) não foi afetado (FORTUNE, 2026).

Tabela 1 – Situação dos modelos da Anthropic após a diretiva (13 jun. 2026)

Modelo	Classe	Acesso	Situação
Claude Fable 5	Mythos	Público (com salvaguardas)	Suspenso
Claude Mythos 5	Mythos	Restrito (Project Glasswing)	Suspenso
Claude Opus 4.8	Opus	Público	Ativo
Claude Sonnet / Haiku	—	Público	Ativo

Fonte: elaborado a partir de Anthropic (2026a) e Fortune (2026).

02 A ascensão recente da classe Mythos

A história começa em abril de 2026, quando a Anthropic apresentou o Claude Mythos Preview — um modelo de capacidade tão elevada em cibersegurança que a empresa decidiu não torná-lo público. Em testes do time de red team, o Mythos Preview chegou a identificar e explorar vulnerabilidades de dia zero em sistemas operacionais e navegadores quando assim instruído (TECHCRUNCH, 2026). O acesso foi confinado a um grupo restrito de parceiros pela iniciativa de cibersegurança chamada Project Glasswing, em colaboração com o governo norte-americano. Apenas a Mozilla relatou ter corrigido centenas de falhas usando o modelo (9TO5MAC, 2026).

Em 9 de junho de 2026, a empresa anunciou dois modelos gêmeos da nova classe Mythos — um degrau acima da linha Opus. O Mythos 5 permanece restrito ao Glasswing; o Fable 5 foi liberado ao público. São o mesmo modelo subjacente; o que muda é a camada de salvaguardas e quem pode usar cada versão (ANTHROPIC, 2026b). No Fable 5, pedidos que tocam áreas de alto risco — cibersegurança, biologia, química e distillation (extração de capacidades) — são automaticamente desviados para o Claude Opus 4.8, com aviso ao usuário; segundo a empresa, esse desvio ocorre em menos de 5% das sessões (VENTUREBEAT, 2026).

Implicações de segurança. O cerne do problema é o caráter dual-use: a mesma competência que ajuda um defensor a encontrar e corrigir falhas serve a um atacante para explorá-las; o mesmo conhecimento que acelera terapias gênicas pode auxiliar projetos perigosos (TECHCRUNCH, 2026). Por isso o lançamento foi construído em torno de contenção, e não apenas de capacidade.

Tabela 2 – Robustez das salvaguardas do Fable 5 (dados divulgados pela empresa)

Indicador	Valor	Observação
Taxa de sucesso de ataque ciber (Opus 4.8)	56,6%	Linha de base anterior
Taxa de sucesso de ataque ciber (Fable 5)	5,4%	Após novos classificadores
Sessões sem desvio (fallback)	> 95%	Rodam no próprio Fable 5
Horas de bug bounty externo	> 1.000	Sem jailbreak universal encontrado
Retenção de dados	30 dias	Para detecção de jailbreaks

Fonte: elaborado a partir de Anthropic (2026b) e VentureBeat (2026).

03 A postura ética da Anthropic

A empresa adotou uma estratégia que chama de defesa em profundidade: parte do princípio de que a resistência perfeita a jailbreaks provavelmente não é possível para nenhum fornecedor hoje e, por isso, busca tornar qualquer brecha ou bem estreita, ou cara o bastante para ser detectada e neutralizada antes de escalar — combinando salvaguardas com monitoramento e a já citada retenção de dados por 30 dias (ANTHROPIC, 2026a). É a mesma lógica que levou a Anthropic a defender publicamente um “freio coordenado” no desenvolvimento de IA de fronteira, diante do risco de autoaperfeiçoamento recursivo dos sistemas (TECHCRUNCH, 2026).

No episódio da diretiva, a postura foi de cumprir e contestar. A Anthropic acatou a ordem e removeu o acesso, mas registrou discordância: para a empresa, a constatação de um jailbreak estreito e não universal não deveria justificar a retirada de um modelo comercial usado por centenas de milhões de pessoas; se esse critério valesse para todo o setor, na prática paralisaria qualquer novo lançamento de modelos de fronteira (ANTHROPIC, 2026a). A empresa defende que o governo possa, sim, barrar implantações inseguras — desde que por um processo estatutário transparente, justo, claro e ancorado em fatos técnicos — e afirma que esta ação não atendeu a esses princípios.

O que disparou o gatilho. Segundo apuração da Axios, a decisão veio depois de outra empresa alegar ter conseguido “jailbreak” do Mythos. A Anthropic respondeu que a técnica em questão consistia, em essência, em pedir ao modelo que lesse um código-fonte e corrigisse falhas — um tipo de capacidade que, segundo ela, já está amplamente disponível em outros modelos públicos, como o GPT-5.5, da OpenAI (ANTHROPIC, 2026a).

04 O confronto com Trump e o pano de fundo político

Convém separar o que é fato documentado do que é leitura política. Como fato, a diretiva não surgiu no vácuo: a apuração da Axios indica que a administração já havia pedido à Anthropic que adiasse o lançamento dos modelos enquanto preocupações de segurança eram avaliadas; a empresa seguiu adiante, e o controle de exportação veio na sequência (AXIOS, 2026).

O atrito é mais antigo. Em fevereiro de 2026, após uma disputa com o Pentágono sobre os limites éticos de uso de suas ferramentas, o presidente Trump ordenou que todas as agências federais deixassem de usar produtos da Anthropic (PBS NEWSHOUR, 2026). A empresa, por sua vez, processa a administração por causa dessa exclusão — litígio que segue em curso, em paralelo à nova diretiva (THE STREET, 2026). O resultado é uma situação singular: a Anthropic está, ao mesmo tempo, em uma lista de restrição do Pentágono (tida como perigosa demais para o uso do próprio governo) e sob um regime de licenciamento do Comércio (tida como perigosa demais para uso estrangeiro) (AXIOS, 2026).

A Anthropic está, ao mesmo tempo, em uma lista de restrição do Pentágono (tida como perigosa demais para o uso do próprio governo) e sob um regime de licenciamento do Comércio (tida como perigosa demais para uso estrangeiro).🫠

A “motivação política” do episódio é, portanto, objeto de interpretação — e os próprios observadores divergem. Há quem leia a medida estritamente como segurança nacional; há quem note a coincidência de tempo com a disputa anterior, com o processo em andamento e com o fato de a Anthropic preparar uma abertura de capital (IPO) que disputas regulatórias podem complicar (THE STREET, 2026). O texto aqui não afirma intenções: registra a cronologia e as leituras em disputa, deixando ao leitor o juízo. Uma eventual “retaliação” futura é, neste momento, cenário em aberto, e não fato consumado.

05 Glossário

Project Glasswing

Iniciativa de cibersegurança da Anthropic, em colaboração com o governo dos EUA, que dá acesso restrito aos modelos da classe Mythos a um grupo selecionado de defensores cibernéticos, operadores de infraestrutura crítica e pesquisadores. Foi o canal original do Mythos Preview e, depois, do Mythos 5 (ANTHROPIC, 2026b).

Jailbreak

Técnica que contorna as salvaguardas de um modelo para obter respostas que normalmente seriam bloqueadas. Um jailbreak não universal (estreito) consegue extrair informação específica apenas em circunstâncias particulares (ANTHROPIC, 2026a).

Jailbreak universal

Método capaz de burlar amplamente as proteções de um modelo, liberando uma gama extensa de capacidades de uma só vez. A Anthropic afirma que mais de mil horas de testes externos não encontraram um jailbreak universal no Fable 5 — embora o instituto britânico de segurança em IA (UK AISI) tenha feito progresso inicial nessa direção em uma janela curta de teste (ANTHROPIC, 2026b).

Defesa em profundidade

Estratégia de segurança em camadas que não aposta em uma barreira única. Em vez de presumir proteção perfeita, busca tornar as brechas estreitas ou caras e detectá-las cedo, somando salvaguardas, monitoramento e retenção de dados (ANTHROPIC, 2026a).

Classe Mythos · Fable / Mythos

Tier de capacidade acima da linha Opus. Fable 5 e Mythos 5 partilham o mesmo modelo subjacente; diferem nas salvaguardas e no público: o Fable traz proteções para uso geral, o Mythos tem salvaguardas reduzidas e acesso restrito (ANTHROPIC, 2026b).

Controle de exportação

Mecanismo legal pelo qual o governo dos EUA restringe a transferência de tecnologias sensíveis a pessoas ou destinos estrangeiros, exigindo licença. Foi o instrumento usado para suspender o acesso de estrangeiros ao Fable 5 e ao Mythos 5 (AXIOS, 2026).

Classificadores · fallback

Sistemas auxiliares de IA que detectam pedidos em áreas de alto risco e os redirecionam (fallback) para um modelo mais contido — no caso do Fable 5, o Opus 4.8 —, com aviso ao usuário (VENTUREBEAT, 2026).

06 O elo com o Brasil Acadêmico: NAVAL e Ilha das Formigas

Aqui a notícia global encontra a bancada de trabalho docente. O Fable 5 se destaca justamente naquilo que projetos interativos do Brasil Acadêmico mais exigem: tarefas longas e de múltiplas etapas, refatorações extensas de código e reconstrução de aplicações a partir de telas e capturas de imagem (capacidade de visão) (ANTHROPIC, 2026b). Em tese, seria o motor ideal para recriar e evoluir jogos educacionais simples como o NAVAL Deluxe (a Batalha do Atlântico Sul, Brasil × Alemanha na Segunda Guerra) – remake do jogo NAVAL - Batalha pelo cinturão do Atlântico, de autoria do Prof. Alexandre Gomes e publicado na saudosa revista PC Expert, e o Ilha das Formigas — um simulador didático do mesmo autor, inspirado no Game of Life onde poucas regras modelam o desenvolvimento das gerações de uma colônia de formigas em um ecossistema fechado. Felizmente já estão disponíveis e já é possível usá-los em ambiente educacional.

A implicação concreta para nós. A diretiva proíbe o uso por qualquer estrangeiro. Um desenvolvedor brasileiro — como o autor do Brasil Acadêmico — é, para efeito da regra, um estrangeiro, e portanto fica cortado do Fable 5 e do Mythos 5 enquanto a suspensão durar (AL JAZEERA, 2026). Na prática: qualquer plano de recriar o NAVAL ou o Ilha das Formigas com o Fable 5 entra em pausa.

O caminho que permanece aberto é o fallback institucional: o Claude Opus 4.8 segue ativo e acessível, e é exatamente para onde o próprio Fable 5 desviava pedidos sensíveis. Para gerar e depurar os mesmos jogos de arquivo único — lógica de canvas, áudio procedural, multijogador via PeerJS —, o Opus 4.8 continua sendo ferramenta de trabalho viável, ainda que sem o ganho de produtividade que a classe Mythos prometia em tarefas de horizonte longo. A lição para o ensino de engenharia de software é didática por si só: a disponibilidade de uma tecnologia de fronteira não depende apenas do que ela faz, mas de quem a regra deixa usá-la — e onde.

07 Referências

ANTHROPIC. Statement on the US government directive to suspend access to Fable 5 and Mythos 5. Anthropic News, 12 jun. 2026. Disponível em: https://www.anthropic.com/news/fable-mythos-access. Acesso em: 13 jun. 2026.

ANTHROPIC. Claude Fable 5 and Claude Mythos 5. Anthropic News, 9 jun. 2026. Disponível em: https://www.anthropic.com/news/claude-fable-5-mythos-5. Acesso em: 13 jun. 2026.

AXIOS. Scoop: Trump admin blocks foreign access to Anthropic's most powerful AI. Axios, 12 jun. 2026. Disponível em: https://www.axios.com/2026/06/12/anthropic-trump-mythos-fable-national-security. Acesso em: 13 jun. 2026.

FORTUNE. Anthropic disables Fable and Mythos AI models following U.S. government export ban. Fortune, 13 jun. 2026. Disponível em: https://fortune.com/2026/06/13/anthropic-disables-fable-mythos-export-controls-national-security-threat/. Acesso em: 13 jun. 2026.

AL JAZEERA. US orders Anthropic to disable AI models for all foreign nationals. Al Jazeera, 13 jun. 2026. Disponível em: https://www.aljazeera.com/news/2026/6/13/us-orders-anthropic-to-disable-ai-models-for-all-foreign-nationals. Acesso em: 13 jun. 2026.

TECHCRUNCH. Anthropic's Claude Fable 5 is a version of Mythos the public can access today. TechCrunch, 9 jun. 2026. Disponível em: https://techcrunch.com/2026/06/09/anthropics-claude-fable-5-is-a-version-of-mythos-the-public-can-access-today/. Acesso em: 13 jun. 2026.

VENTUREBEAT. Anthropic brings Mythos to the masses with Claude Fable 5. VentureBeat, 9 jun. 2026. Disponível em: https://venturebeat.com/technology/anthropic-brings-mythos-to-the-masses-with-claude-fable-5. Acesso em: 13 jun. 2026.

9TO5MAC. Anthropic pulls Claude Mythos 5 and Claude Fable 5 following US government directive. 9to5Mac, 12 jun. 2026. Disponível em: https://9to5mac.com/2026/06/12/anthropic-pulls-claude-mythos-5-and-claude-fable-5-following-us-government-directive/. Acesso em: 13 jun. 2026.

THE STREET. The White House sends a shocking message to Anthropic. TheStreet, 13 jun. 2026. Disponível em: https://www.thestreet.com/technology/the-white-house-sends-a-shocking-message-to-anthropic-ai. Acesso em: 13 jun. 2026.

PBS NEWSHOUR. Why the Trump administration is clashing with AI firm Anthropic. PBS NewsHour, 27 fev. 2026. Disponível em: https://video.wedu.org/video/ai-the-military-1772226478. Acesso em: 13 jun. 2026.

Nota metodológica: as cifras técnicas (taxas, horas de teste, retenção) refletem os números divulgados pela própria Anthropic em seus comunicados de 9 e 12 de junho de 2026 e são objeto de debate independente; o caso seguia em evolução no fechamento deste texto, em 13 de junho de 2026.

Bônus: Visto no Brasil Acadêmico

Política · IA · Segurança

Mesa-redonda: Diálogo Aberto sobre o Futuro do Trabalho

noreply@blogger.com (War) — Tue, 26 May 2026 18:48:23 -0300

Prof. Alexandre Gomes participará de mesa sobre o tema IA na educação no contexto do futuro do trabalho.

Nos dias 26, 27 e 28 de maio de 2026, Brasília sedia o IV Simpósio Internacional de Educação do Ensino Superior (SIEES), com a temática "Inovação e Empreendedorismo na Era da Inteligência Artificial". O evento, realizado no Auditório Hermes Ferreira Figueiredo do UDF – Centro Universitário, reúne pesquisadores, docentes, empreendedores e estudantes para debater o papel da IA como catalisador estratégico da transformação no ensino superior. Tenho a honra de participar como palestrante convidado na mesa-redonda "Diálogo Aberto: O Futuro do Trabalho e as Novas Habilidades para a Era da IA", no dia 27/05/2026, às 19h, compartilhando experiências práticas de aplicação da IA em sala de aula, no desenvolvimento de jogos educativos e na produção de conteúdo inovador.

Figura 1 – Banner oficial do IV SIEES 2026. Fonte: Instituto Sumaré (2026).

É com grande entusiasmo que compartilho minha participação como palestrante convidado no IV Simpósio Internacional de Educação do Ensino Superior (SIEES), evento que se consolida como um dos principais fóruns de convergência entre academia, tecnologia e mercado no Distrito Federal (INSTITUTO SUMARÉ, 2026).

Sobre o Evento

Em sua quarta edição, o SIEES adota a temática "Inovação e Empreendedorismo na Era da Inteligência Artificial", transcendendo o formato tradicional de conferências para configurar-se como um ecossistema vivo de experimentação e disrupção. Conforme destacado pela organização, o propósito do evento é explorar a Inteligência Artificial não apenas como ferramenta, mas como um catalisador estratégico capaz de impulsionar a inovação e o empreendedorismo no ensino superior (INSTITUTO SUMARÉ, 2026).

A programação inclui experiências imersivas como IA Innovation Lab, EXPO-SIEES (vitrine da inovação), Hackathon & Pitch de Ideias e ambientes de Realidade Virtual e Aumentada, demonstrando a aderência do evento às tendências mais recentes de aplicação tecnológica no ensino superior (UNESCO, 2023).

Informações Gerais

Tabela 1 – Dados gerais do IV SIEES 2026
Item	Descrição
Evento	IV Simpósio Internacional de Educação do Ensino Superior
Tema	Inovação e Empreendedorismo na Era da Inteligência Artificial
Data	26 a 28 de maio de 2026
Local	UDF – Centro Universitário, Campus Sede, 904 Sul – Auditório Hermes Ferreira Figueiredo, Brasília/DF
Realização	Instituto Sumaré, Faculdade Sumaré e FAPDF
Inscrições	even3.com.br/e/iv_siees-696718
Fonte: Elaborado pelo autor com base em Instituto Sumaré (2026).

Diálogo Aberto sobre o Futuro do Trabalho

Terei o privilégio de integrar a mesa-redonda "Diálogo Aberto: O Futuro do Trabalho e as Novas Habilidades para a Era da IA", no dia 27 de maio de 2026, das 19h às 21h. A proposta da mesa é explorar aplicações práticas da Inteligência Artificial no cenário educacional, abordando como essa tecnologia pode revolucionar a forma como aprendemos, ensinamos e produzimos conteúdo.

Pretendo compartilhar experiências concretas desenvolvidas em minha trajetória docente, incluindo:

O uso de IA generativa na construção de materiais didáticos personalizados para cursos de Engenharia de Software, Sistemas de Informação e Ciência da Computação;
O desenvolvimento de aplicações web didáticas, como interpretadores educacionais e ambientes de simulação de arquiteturas em camadas (MVC), construídos com auxílio de IA para fortalecer o aprendizado prático em Programação Orientada a Objetos;
A produção de conteúdo inovador que articula conceitos de modelagem estrutural (UML e C4 Model) com ferramentas interativas, ampliando a compreensão de estudantes sobre arquitetura de software;
Reflexões sobre as novas competências exigidas dos profissionais formados em um cenário no qual a IA reconfigura processos cognitivos, criativos e produtivos (WORLD ECONOMIC FORUM, 2023).

A discussão dialoga diretamente com o que aponta o relatório da UNESCO (2023) sobre o uso de IA generativa na educação: é fundamental que docentes e instituições adotem postura crítica, ética e propositiva, transformando a tecnologia em vetor de equidade e qualidade pedagógica, e não em ameaça ao trabalho intelectual.

Por Que Participar?

O IV SIEES posiciona-se como espaço estratégico para pesquisadores em busca de validação científica, empreendedores que desejam escalar suas startups e gestores comprometidos com a modernização institucional. Além do networking com investidores, autoridades e líderes do setor, o evento promove a publicação de trabalhos em anais indexados e oferece uma Embaixada de Acessibilidade, garantindo inclusão genuína e respeito à neurodiversidade (INSTITUTO SUMARÉ, 2026).

Convido todos os colegas docentes, estudantes de graduação e pós-graduação, pesquisadores e profissionais interessados na interseção entre IA, educação e empreendedorismo a participarem. Será uma oportunidade rica de troca, inspiração e construção coletiva do ensino superior que queremos.

Expediente:

📅 27 de maio de 2026 🕖19h
📍UDF – 904 Sul - Auditório Hermes Ferreira Figueiredo. Brasília/DF

Referências

INSTITUTO SUMARÉ. IV Simpósio Internacional de Educação do Ensino Superior: Inovação e Empreendedorismo na Era da Inteligência Artificial. Brasília: Even3, 2026. Disponível em: https://www.even3.com.br/e/iv_siees-696718. Acesso em: 26 maio 2026.

UNESCO. Guidance for generative AI in education and research. Paris: UNESCO, 2023. Disponível em: https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research. Acesso em: 26 maio 2026.

WORLD ECONOMIC FORUM. The Future of Jobs Report 2023. Geneva: WEF, 2023. Disponível em: https://www.weforum.org/publications/the-future-of-jobs-report-2023/. Acesso em: 26 maio 2026.

Visto no Brasil Acadêmico

Introdução à programação usando Python – Parte IV

noreply@blogger.com (War) — Tue, 12 May 2026 10:47:14 -0300

Aprenda a trabalhar com estruturas compostas como listas, tuplas, dicionários e conjuntos. As quatro estruturas fundamentais de Python que permitem organizar, acessar e manipular coleções de dados.

📝 Sinopse

Nas partes anteriores desta série, construímos uma base sólida: variáveis, tipos primitivos e operadores (Parte I), estruturas condicionais e laços de repetição (Parte II) e funções customizadas com escopo de variáveis (Parte III). Até aqui, cada variável armazenava um único valor. Mas e quando precisamos guardar uma lista de alunos, um conjunto de notas ou um cadastro completo com nome, idade e e-mail? É aqui que entram as estruturas de dados compostas. Nesta Parte IV, você aprenderá a trabalhar com listas, tuplas, dicionários e conjuntos — as quatro estruturas fundamentais de Python que permitem organizar, acessar e manipular coleções de dados de forma eficiente e elegante.

📚 Neste artigo você vai aprender

1 Por que usar Coleções?
2 Listas
3 Indexação e Fatiamento
4 Métodos de Listas
5 Listas e Laço for
6 Tuplas
7 Dicionários
8 Métodos de Dicionários
9 Conjuntos (Sets)
10 Comparação e Escolha

1. Por que usar Coleções de Dados?

Até agora, cada variável que criamos armazenava um único valor: um nome, uma nota, um preço. Mas e se precisarmos guardar as notas de 40 alunos? Criar 40 variáveis (nota1, nota2, ..., nota40) seria impraticável. As estruturas de dados compostas (ou coleções) resolvem esse problema ao permitir que uma única variável armazene múltiplos valores de forma organizada (MATTHES, 2019).

Python oferece quatro estruturas de dados embutidas (built-in) para armazenar coleções de valores, cada uma com características e propósitos distintos (PYTHON SOFTWARE FOUNDATION, 2024):

Figura 2 — Visão geral das quatro estruturas de dados fundamentais do Python. Fonte: elaborado pelo autor.

2. Listas: A Estrutura mais Versátil

A lista é a estrutura de dados mais utilizada em Python. Ela armazena uma coleção ordenada e mutável de elementos, que podem ser de tipos diferentes. As listas são delimitadas por colchetes [], com os elementos separados por vírgula (MATTHES, 2019).

💡 Definição

Uma lista é uma coleção ordenada e mutável de elementos. Ordenada significa que os itens possuem uma posição definida (índice). Mutável significa que podemos adicionar, remover ou alterar elementos após a criação da lista.

Python — Criando Listas

# Criando listas em Python

# Lista de inteiros
notas = [8.5, 7.0, 9.2, 6.8, 10.0]

# Lista de strings
frutas = ["maçã", "banana", "laranja", "uva"]

# Lista com tipos mistos (permitido, mas pouco comum)
dados = ["Ana", 25, 1.68, True]

# Lista vazia
vazia = []

# Lista com lista dentro (lista aninhada)
matriz = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

# Exibindo
print(notas)     # [8.5, 7.0, 9.2, 6.8, 10.0]
print(frutas)    # ['maçã', 'banana', 'laranja', 'uva']
print(len(notas)) # 5 (quantidade de elementos)
print(type(notas)) # <class 'list'>

3. Indexação e Fatiamento (Slicing)

Cada elemento de uma lista possui uma posição numérica chamada índice. Em Python, os índices começam em 0 (zero), não em 1. Isso significa que o primeiro elemento está na posição 0, o segundo na posição 1, e assim por diante. Python também suporta índices negativos, que contam a partir do final da lista: -1 é o último elemento, -2 o penúltimo, etc. (SWEIGART, 2020).

Figura 3 — Indexação positiva e negativa em listas Python. Fonte: elaborado pelo autor.

Python — Indexação

# Indexação em listas
frutas = ["maçã", "banana", "laranja", "uva", "manga"]

# Índices positivos (começam em 0)
print(frutas[0])    # maçã (primeiro)
print(frutas[2])    # laranja (terceiro)
print(frutas[4])    # manga (último)

# Índices negativos (contam do final)
print(frutas[-1])   # manga (último)
print(frutas[-2])   # uva (penúltimo)

# Modificando um elemento (listas são mutáveis!)
frutas[1] = "abacaxi"
print(frutas)  # ['maçã', 'abacaxi', 'laranja', 'uva', 'manga']

Fatiamento (Slicing)

O fatiamento permite extrair uma sublista a partir de uma lista existente. A sintaxe é lista[início:fim:passo], onde início é inclusivo, fim é exclusivo e passo define o intervalo entre os elementos selecionados (PYTHON SOFTWARE FOUNDATION, 2024).

Python — Fatiamento (Slicing)

# Fatiamento: lista[início:fim:passo]
numeros = [0, 10, 20, 30, 40, 50, 60, 70, 80, 90]

# Do índice 2 ao 5 (exclusivo)
print(numeros[2:5])     # [20, 30, 40]

# Do início ao índice 4
print(numeros[:4])      # [0, 10, 20, 30]

# Do índice 6 ao final
print(numeros[6:])      # [60, 70, 80, 90]

# De 2 em 2 (passo)
print(numeros[::2])     # [0, 20, 40, 60, 80]

# Invertendo a lista (passo -1)
print(numeros[::-1])    # [90, 80, 70, ..., 10, 0]

# Últimos 3 elementos
print(numeros[-3:])     # [70, 80, 90]

# Cópia da lista (slicing vazio)
copia = numeros[:]
print(copia)              # [0, 10, 20, ..., 90]

⚠ Erro comum: IndexError

Acessar um índice que não existe gera um IndexError. Por exemplo, se a lista tem 5 elementos (índices 0 a 4), acessar lista[5] causa erro. No fatiamento, porém, índices fora do intervalo não geram erro — Python simplesmente retorna o máximo disponível (SWEIGART, 2020).

4. Métodos Principais de Listas

As listas possuem diversos métodos embutidos — funções que pertencem ao próprio objeto lista e são chamadas com a notação de ponto (lista.método()). Esses métodos permitem adicionar, remover, ordenar e manipular elementos de forma prática (MATTHES, 2019).

Método	Ação	Exemplo	Resultado
`.append(x)`	Adiciona `x` ao final	`l.append(4)`	`[1,2,3,4]`
`.insert(i, x)`	Insere `x` na posição `i`	`l.insert(1,"a")`	`[1,"a",2,3]`
`.remove(x)`	Remove a primeira ocorrência de `x`	`l.remove(2)`	`[1,3]`
`.pop(i)`	Remove e retorna o item na posição `i`	`l.pop(0)`	retorna `1`
`.sort()`	Ordena a lista (no lugar)	`l.sort()`	`[1,2,3]`
`.reverse()`	Inverte a ordem (no lugar)	`l.reverse()`	`[3,2,1]`
`.index(x)`	Retorna o índice da primeira ocorrência de `x`	`l.index(2)`	`1`
`.count(x)`	Conta quantas vezes `x` aparece	`l.count(2)`	`1`
`.extend(l2)`	Concatena outra lista ao final	`l.extend([4,5])`	`[1,2,3,4,5]`
`.clear()`	Remove todos os elementos	`l.clear()`	`[]`

Python — Métodos de Listas

# Demonstração dos métodos de lista
compras = ["pão", "leite", "ovos"]

# Adicionando itens
compras.append("queijo")
print(compras)  # ['pão', 'leite', 'ovos', 'queijo']

compras.insert(1, "manteiga")
print(compras)  # ['pão', 'manteiga', 'leite', 'ovos', 'queijo']

# Removendo itens
compras.remove("leite")
print(compras)  # ['pão', 'manteiga', 'ovos', 'queijo']

retirado = compras.pop()  # Remove e retorna o último
print(retirado)  # queijo
print(compras)   # ['pão', 'manteiga', 'ovos']

# Ordenação
notas = [7.5, 9.0, 6.0, 8.5, 10.0]
notas.sort()
print(notas)  # [6.0, 7.5, 8.5, 9.0, 10.0]

notas.sort(reverse=True)  # Ordem decrescente
print(notas)  # [10.0, 9.0, 8.5, 7.5, 6.0]

# Funções embutidas úteis com listas
print(len(notas))   # 5 (quantidade)
print(sum(notas))   # 41.0 (soma)
print(min(notas))   # 6.0 (menor)
print(max(notas))   # 10.0 (maior)

5. Listas e o Laço for

Uma das grandes vantagens das listas é a facilidade de iterar sobre seus elementos com o laço for. Essa combinação é uma das construções mais poderosas e frequentes em Python (MENEZES, 2019).

Python — Listas e for

# Percorrendo listas com for
linguagens = ["Python", "Java", "C++", "JavaScript"]

for lang in linguagens:
    print(f"Eu conheço {lang}!")

# Com enumerate: índice + valor
for i, lang in enumerate(linguagens, start=1):
    print(f"{i}. {lang}")

# Construindo listas com for (acumulação)
quadrados = []
for n in range(1, 6):
    quadrados.append(n ** 2)
print(quadrados)  # [1, 4, 9, 16, 25]

# List comprehension: forma compacta e idiomática
quadrados_v2 = [n ** 2 for n in range(1, 6)]
print(quadrados_v2)  # [1, 4, 9, 16, 25]

# Com condição: apenas pares
pares = [n for n in range(1, 21) if n % 2 == 0]
print(pares)  # [2, 4, 6, 8, 10, 12, 14, 16, 18, 20]

🐍 List Comprehension

A list comprehension (compreensão de lista) é uma forma compacta e elegante de criar listas em Python. A sintaxe [expressão for item in iterável if condição] é equivalente a um laço for com append(), mas é mais concisa e considerada mais "pythônica" pela comunidade (PYTHON SOFTWARE FOUNDATION, 2024).

6. Tuplas: Dados Imutáveis

Uma tupla é muito semelhante a uma lista — é uma coleção ordenada e indexável de elementos. A diferença fundamental é que a tupla é imutável: após criada, seus elementos não podem ser alterados, adicionados ou removidos. As tuplas são delimitadas por parênteses () (MATTHES, 2019).

Python — Tuplas

# Criando tuplas
coordenada = (-15.79, -47.88)   # Brasília
cores_rgb = (255, 128, 0)        # Laranja
meses = ("jan", "fev", "mar", "abr")
singleton = (42,)               # Tupla com 1 elemento (vírgula obrigatória!)

# Acessando elementos (mesma indexação das listas)
print(coordenada[0])    # -15.79 (latitude)
print(coordenada[1])    # -47.88 (longitude)
print(meses[-1])        # abr
print(meses[1:3])       # ('fev', 'mar') — fatiamento funciona!

# Imutabilidade: tentativa de alterar gera erro
# coordenada[0] = -22.90  # TypeError!

# Desempacotamento (unpacking)
lat, lon = coordenada
print(f"Latitude: {lat}, Longitude: {lon}")

# Funções úteis
print(len(meses))      # 4
print("mar" in meses)  # True
print(meses.index("fev"))  # 1
print(meses.count("mar"))  # 1

💡 Quando usar tupla em vez de lista?

Use tuplas quando os dados não devem ser modificados após a criação: coordenadas geográficas, valores RGB de cores, dias da semana, configurações constantes. A imutabilidade garante integridade e as tuplas são ligeiramente mais rápidas e usam menos memória que listas. Use listas quando precisar adicionar, remover ou modificar elementos ao longo do programa (SWEIGART, 2020).

7. Dicionários: Mapeamento Chave-Valor

O dicionário (dict) é uma estrutura que armazena pares de chave:valor. Diferente de listas e tuplas, que usam índices numéricos, os dicionários permitem acessar valores por meio de chaves descritivas — como um dicionário real, onde você busca uma palavra (chave) para encontrar sua definição (valor). Dicionários são delimitados por chaves {} (MATTHES, 2019).

Figura 4 — Estrutura de um dicionário Python: pares chave→valor. Fonte: elaborado pelo autor.

Python — Dicionários

# Criando dicionários
aluno = {
    "nome": "Ana",
    "idade": 22,
    "curso": "Engenharia",
    "notas": [8.5, 7.0, 9.2]
}

# Acessando valores pela chave
print(aluno["nome"])    # Ana
print(aluno["idade"])   # 22
print(aluno["notas"])   # [8.5, 7.0, 9.2]

# Acesso seguro com .get() (não gera erro se a chave não existir)
print(aluno.get("email", "não informado"))  # não informado

# Modificando valores
aluno["idade"] = 23
print(aluno["idade"])   # 23

# Adicionando novas chaves
aluno["email"] = "ana@email.com"
print(aluno)

# Removendo um par
del aluno["email"]

# Verificando se uma chave existe
print("nome" in aluno)   # True
print("email" in aluno)  # False

8. Métodos de Dicionários e Iteração

Método	Retorna	Descrição
`.keys()`	Todas as chaves	Retorna uma visão das chaves
`.values()`	Todos os valores	Retorna uma visão dos valores
`.items()`	Pares (chave, valor)	Retorna tuplas com cada par
`.get(k, d)`	Valor ou padrão	Acesso seguro (sem erro)
`.pop(k)`	Valor removido	Remove e retorna o valor da chave `k`
`.update(d2)`	`None`	Mescla outro dicionário

Python — Iterando em Dicionários

# Iterando em dicionários
produto = {"nome": "Notebook", "preço": 3499.90, "estoque": 15}

# Percorrer as chaves (padrão)
for chave in produto:
    print(chave)
# nome, preço, estoque

# Percorrer os valores
for valor in produto.values():
    print(valor)
# Notebook, 3499.9, 15

# Percorrer chaves E valores (o mais útil!)
for chave, valor in produto.items():
    print(f"{chave}: {valor}")

# Exemplo prático: contagem de votos
votos = ["Ana", "Bruno", "Ana", "Carla", "Ana", "Bruno"]
contagem = {}

for voto in votos:
    contagem[voto] = contagem.get(voto, 0) + 1

print(contagem)  # {'Ana': 3, 'Bruno': 2, 'Carla': 1}

🔢 O truque do .get() para contagem

A expressão contagem.get(voto, 0) + 1 é um padrão essencial: se a chave já existe, retorna seu valor atual e soma 1; se não existe, retorna o padrão (0) e soma 1, criando a chave com valor 1. Esse padrão evita a necessidade de verificar com if se a chave já está no dicionário (MENEZES, 2019).

9. Conjuntos (Sets): Elementos Únicos

O conjunto (set) é uma coleção não ordenada de elementos únicos (sem duplicatas). Conjuntos são inspirados na teoria dos conjuntos da matemática e suportam operações como união, interseção, diferença e diferença simétrica. São delimitados por chaves {}, mas sem pares chave:valor (PYTHON SOFTWARE FOUNDATION, 2024).

Python — Conjuntos (Sets)

# Criando conjuntos
frutas = {"maçã", "banana", "laranja", "maçã"}
print(frutas)  # {'maçã', 'banana', 'laranja'} — duplicata removida!

# Removendo duplicatas de uma lista
lista_com_repetidos = [1, 2, 3, 2, 1, 4, 3, 5]
unicos = set(lista_com_repetidos)
print(unicos)  # {1, 2, 3, 4, 5}

# Adicionando e removendo
frutas.add("uva")
frutas.discard("banana")
print(frutas)  # {'maçã', 'laranja', 'uva'}

# Verificação de pertencimento (muito rápida em sets!)
print("maçã" in frutas)  # True

Operações entre conjuntos

Figura 5 — Operações entre conjuntos em Python. Fonte: elaborado pelo autor.

Python — Operações de Conjuntos

# Operações de conjuntos
python = {"Ana", "Bruno", "Carla", "Daniel"}
java = {"Bruno", "Daniel", "Eva", "Fábio"}

# União: alunos que cursam Python OU Java (ou ambos)
print(python | java)
# {'Ana', 'Bruno', 'Carla', 'Daniel', 'Eva', 'Fábio'}

# Interseção: alunos que cursam Python E Java
print(python & java)
# {'Bruno', 'Daniel'}

# Diferença: alunos SÓ em Python (não estão em Java)
print(python - java)
# {'Ana', 'Carla'}

# Diferença simétrica: exclusivos de cada conjunto
print(python ^ java)
# {'Ana', 'Carla', 'Eva', 'Fábio'}

# Subconjunto e superconjunto
basico = {"Ana", "Bruno"}
print(basico.issubset(python))    # True (é subconjunto?)
print(python.issuperset(basico))  # True (é superconjunto?)

10. Comparação e Escolha: Qual Usar?

Critério	Lista `[]`	Tupla `()`	Dicionário `{:}`	Conjunto `{}`
Ordenada?	Sim	Sim	Sim (3.7+)	Não
Mutável?	Sim	Não	Sim	Sim
Duplicatas?	Permite	Permite	Chaves únicas	Não permite
Acesso por	Índice	Índice	Chave	—
Uso típico	Coleção geral	Dados fixos	Mapeamento	Unicidade
Exemplo	Notas de alunos	Coordenadas	Cadastro	Tags únicas

🐍 Regra prática

Lista: precisa de uma coleção ordenada e modificável? Use lista.
Tupla: os dados não devem mudar? Use tupla.
Dicionário: precisa associar informações por nomes descritivos? Use dict.
Conjunto: precisa garantir elementos únicos ou fazer operações de interseção/união? Use set.

Exemplo Integrador: Sistema de Turma com Todas as Estruturas

Python — Exemplo Integrador (Google Colab)

# ================================================
# Sistema de Turma - Exemplo Integrador (Parte IV)
# Conceitos: listas, tuplas, dicionários, conjuntos,
#            indexação, fatiamento, métodos, iteração
# ================================================

# --- TUPLA: disciplinas disponíveis (não mudam) ---
DISCIPLINAS = ("Python", "Java", "C++", "JavaScript")

# --- LISTA DE DICIONÁRIOS: cadastro dos alunos ---
turma = [
    {"nome": "Ana",    "notas": [8.5, 9.0, 7.5], "disc": {"Python", "Java"}},
    {"nome": "Bruno",  "notas": [6.0, 7.0, 5.5], "disc": {"Python"}},
    {"nome": "Carla",  "notas": [9.5, 10.0, 9.8], "disc": {"Python", "C++"}},
    {"nome": "Daniel", "notas": [7.0, 6.5, 8.0], "disc": {"Java", "JavaScript"}},
]

# --- Processamento ---
print("=" * 45)
print(f"{'RELATÓRIO DA TURMA':^45}")
print("=" * 45)

todas_disciplinas = set()  # Conjunto para coletar disciplinas únicas

for aluno in turma:
    nome = aluno["nome"]
    notas = aluno["notas"]
    media = sum(notas) / len(notas)
    maior = max(notas)
    menor = min(notas)
    situacao = "Aprovado" if media >= 7.0 else "Reprovado"

    print(f"\n{nome}:")
    print(f"  Notas: {notas} → Média: {media:.1f} ({situacao})")
    print(f"  Maior: {maior} | Menor: {menor}")
    print(f"  Disciplinas: {', '.join(aluno['disc'])}")

    todas_disciplinas |= aluno["disc"]  # União de conjuntos

# --- Estatísticas com conjuntos ---
print(f"\n{'='*45}")
print(f"Disciplinas matriculadas: {', '.join(sorted(todas_disciplinas))}")
nao_ofertadas = set(DISCIPLINAS) - todas_disciplinas
print(f"Sem matrícula:           {', '.join(nao_ofertadas) or 'nenhuma'}")

# --- Top 3 notas (fatiamento) ---
todas_notas = []
for a in turma:
    todas_notas.extend(a["notas"])

todas_notas.sort(reverse=True)
print(f"Top 3 notas da turma:    {todas_notas[:3]}")

Conclusão

Nesta Parte IV, expandimos significativamente o repertório de ferramentas à disposição do programador Python. As listas nos deram uma coleção ordenada e mutável, com indexação, fatiamento e uma rica variedade de métodos. As tuplas oferecem a segurança da imutabilidade para dados constantes. Os dicionários introduziram o poderoso paradigma chave-valor, ideal para representar entidades do mundo real. E os conjuntos trouxeram a elegância das operações matemáticas de união, interseção e diferença, além da garantia de unicidade.

Com essas quatro estruturas, somadas aos fundamentos das partes anteriores (variáveis, operadores, condicionais, laços e funções), você já possui uma base sólida para desenvolver programas que resolvem problemas reais. O próximo passo natural é aprofundar o tratamento de exceções, a manipulação de arquivos e a orientação a objetos — temas que levarão suas habilidades de programação a um novo patamar.

🚀 Continue Aprendendo!

Desafie-se: crie um programa de agenda telefônica usando dicionários; construa um analisador de frequência de palavras com sets e dicts; ou implemente um sistema de notas com lista de dicionários. Cada estrutura de dados que você domina é uma ferramenta nova na sua caixa de ferramentas. Como reforça (SWEIGART, 2020), a melhor forma de aprender a programar é programando!

Referências

MATTHES, E. Curso Intensivo de Python: Uma Introdução Prática e Baseada em Projetos à Programação. 2. ed. São Paulo: Novatec, 2019.

MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação para Iniciantes. 3. ed. São Paulo: Novatec, 2019.

PYTHON SOFTWARE FOUNDATION. Python Documentation. Disponível em: <https://docs.python.org/3/>. Acesso em: 12 mar. 2026.

SWEIGART, A. Automatize Tarefas Maçantes com Python: Programação Prática para Verdadeiros Iniciantes. 2. ed. São Paulo: Novatec, 2020.

Fonte:
Visto no Brasil Acadêmico

Classe, objeto e diagrama de classes UML: um primeiro mapa da orientação a objetos

noreply@blogger.com (War) — Sun, 10 May 2026 02:48:51 -0300

Conheça os fundamentos da análise orientada a objeto e uma técnica para a extração de classes de textos de requisitos (substantivos e verbos) para a construção de diagramas de classe da UML.

Uma classe é uma forma de organizar, em código, um conceito importante do sistema. Em um sistema de matrícula, por exemplo, fazem sentido conceitos como aluno, disciplina, turma ofertada, matrícula e comprovante. Esses conceitos podem ser descritos em classes, relacionados em um diagrama UML e depois implementados em uma linguagem de programação.

Nota didática: Optamos pela linguagem JavaScript na implementação dos exemplos devido à sua disponibilidade em qualquer browser e a possibilidade de verificarmos suas saídas rapidamente se for o desejo de alunos e professores, além de sua interpretação ser relativamente fácil. Embora não seja uma linguagem indicada por puristas para a programação orientado a objetos (POO) por motivos que fogem ao escopo desse texto. Cabe salientar que essa postagem não tem como objetivo a POO. Aqui se prioriza a criação do diagrama de classe.

Este texto usa como exemplo o SIGMAT — Sistema de Matrícula em Disciplinas, apresentado em uma documentação de requisitos como um sistema responsável por matrícula, cancelamento de matrícula, consulta de disciplinas ofertadas, gerenciamento de ofertas pela secretaria, emissão de comprovantes e verificação automática de pré-requisitos, vagas, créditos e conflitos de horário BRASIL ACADÊMICO (2026c).

O objetivo não é desenhar o sistema inteiro. Em projetos reais, um diagrama de classes costuma representar um recorte útil: a parte mais importante, mais difícil ou mais discutida do sistema. Essa orientação combina com o uso da UML como esboço de comunicação e projeto, e não como obrigação de transformar todo o sistema em um desenho gigantesco VALENTE (2020).

Nota didática: os exemplos intermediários usam nomes como AlunoBasico, AlunoComMatriculas, AlunoUsuario e ServidorSecretariaUsuario. Isso evita a redeclaração da mesma classe em JavaScript. No exemplo final, os nomes definitivos aparecem uma única vez.

1. Classe: o molde do objeto

Uma classe é um molde. Ela define quais informações um objeto terá e quais ações poderá executar. Em JavaScript, uma classe pode ser escrita com a palavra-chave class.

class AlunoBasico {
  constructor(nome, matricula) {
    // Requisito relacionado: RF-01 — Realizar matrícula.
    // Para solicitar matrícula, o sistema precisa identificar o aluno.
    this.nome = nome;
    this.matricula = matricula;
  }

  apresentar() {
    // Método didático: mostra uma representação textual do aluno.
    return `${this.nome} (${this.matricula})`;
  }
}

No diagrama de classes UML, uma classe costuma ser representada por um retângulo com três partes: nome, atributos e métodos. Essa é uma simplificação didática bastante usada para mostrar a estrutura estática de um sistema BRASIL ACADÊMICO (2026b).

2. Objeto: uma instância da classe

Um objeto é um exemplar criado a partir da classe. A classe define o formato; o objeto possui valores concretos.

const ana = new AlunoBasico("Ana Souza", "2026001");
const bruno = new AlunoBasico("Bruno Lima", "2026002");

console.log(ana.apresentar());   // Ana Souza (2026001)
console.log(bruno.apresentar()); // Bruno Lima (2026002)

Ana e Bruno são objetos diferentes, mas ambos foram criados a partir da classe AlunoBasico.

3. Dos requisitos às primeiras classes

Antes de desenhar classes, é necessário ler os requisitos. Requisitos descrevem o que o sistema deve fazer; o modelo ajuda a transformar essa descrição em uma proposta de estrutura. A modelagem estrutural funciona como uma ponte entre linguagem natural, desenho da solução e código BRASIL ACADÊMICO (2026a).

Requisito funcional RF-01 — Realizar Matrícula:

“O sistema deve permitir que o aluno solicite matrícula em uma disciplina ofertada no semestre corrente, desde que atendidas as pré-condições de pré-requisitos, vagas, créditos e horário.” BRASIL ACADÊMICO (2026c)

Desse requisito, surgem candidatos a classes: Aluno, Matricula, Disciplina e TurmaOferta. Também surgem regras que orientarão métodos e validações: pré-requisitos, vagas, créditos e horário.

Termo do requisito	Pode virar classe?	Justificativa didática
Aluno	Sim	Tem identidade, matrícula e participa da solicitação de matrícula.
Matrícula	Sim	Registra a ligação entre aluno e turma ofertada.
Disciplina ofertada	Sim	Pode ser modelada como `TurmaOferta`, pois inclui semestre, vagas e horário.
Vaga	Geralmente não	Neste recorte, é melhor como atributo numérico da turma ofertada.
Pré-requisito	Depende	Pode ser classe própria em um sistema completo; neste artigo ficará como TODO no validador.

Nota: TODO é uma abreviação da expressão em inglês "to do", que significa "a fazer". Bastante usado no jargão técnico da programação.

4. Associação: uma classe conhece outra

Uma associação indica que uma classe mantém relação com outra. Em JavaScript, isso aparece quando um objeto guarda referência para outro.

class DisciplinaExemplo {
  constructor(codigo, nome) {
    // Requisito relacionado: RF-02 — Consultar disciplinas.
    this.codigo = codigo;
    this.nome = nome;
  }
}

class TurmaOfertaExemplo {
  constructor(disciplina, semestre, vagasDisponiveis) {
    // RF-04 — Gerenciar oferta: a secretaria cadastra ofertas de disciplinas.
    // Associação: TurmaOfertaExemplo conhece uma DisciplinaExemplo.
    this.disciplina = disciplina;
    this.semestre = semestre;
    this.vagasDisponiveis = vagasDisponiveis;
  }
}

const disciplina = new DisciplinaExemplo("ESW101", "Engenharia de Software");
const turma = new TurmaOfertaExemplo(disciplina, "2026.1", 30);

5. Cardinalidade: quantos objetos participam da relação?

A cardinalidade, também chamada de multiplicidade, informa quantos objetos podem participar de uma relação. Por exemplo: um aluno pode ter várias matrículas, mas cada matrícula pertence a um único aluno.

Notação	Significado	Exemplo no SIGMAT
`1`	Exatamente um	Uma matrícula pertence a um aluno.
`0..1`	Nenhum ou um	Uma matrícula pode ter ou não comprovante emitido.
`0..*`	Nenhum ou muitos	Um aluno pode ter várias matrículas.
`1..*`	Um ou muitos	Um curso pode ter uma ou mais disciplinas obrigatórias.

class AlunoComMatriculas {
  constructor(nome, matricula) {
    this.nome = nome;
    this.matricula = matricula;

    // Associação Aluno 1 —— 0..* Matricula.
    // Observação: em UML, a multiplicidade aparece na ponta da associação.
    // No código, ela costuma aparecer como uma coleção.
    this.matriculas = [];
  }

  adicionarMatricula(matricula) {
    // RF-01 — Realizar matrícula: registra uma matrícula para o aluno.
    this.matriculas.push(matricula);
  }
}

6. Herança: quando uma classe é um tipo de outra

A herança representa uma relação do tipo “é um”. No SIGMAT, um aluno é um usuário do sistema. Um servidor da secretaria também é um usuário do sistema.

class UsuarioSistema {
  constructor(nome, email) {
    // Dados comuns a diferentes usuários do SIGMAT.
    this.nome = nome;
    this.email = email;
  }

  autenticar() {
    // Requisito relacionado ao contexto do SIGMAT: autenticação institucional.
    // TODO(RNF/Segurança): integrar com SSO institucional em uma versão real.
    return `${this.email} autenticado`;
  }
}

class AlunoUsuario extends UsuarioSistema {
  constructor(nome, email, matricula) {
    super(nome, email);
    this.matricula = matricula;
  }
}

class ServidorSecretariaUsuario extends UsuarioSistema {
  constructor(nome, email, setor) {
    super(nome, email);
    this.setor = setor;
  }

  registrarOferta(disciplina, semestre, vagasDisponiveis = 30) {
    // RF-04 — Gerenciar Oferta.
    // A secretaria pode criar uma turma ofertada para uma disciplina.
    // Neste exemplo intermediário, usamos TurmaOfertaExemplo,
    // definida anteriormente, para evitar misturar todas as classes finais.
    return new TurmaOfertaExemplo(disciplina, semestre, vagasDisponiveis);
  }
}

A pergunta-guia é: “Aluno é um Usuário?”. Se sim, herança pode fazer sentido. Se a frase correta for “Aluno tem Matrículas”, então provavelmente é associação, não herança.

7. Agregação e composição

Agregação e composição são relações todo-parte. A agregação é uma relação mais fraca: as partes podem existir independentemente do todo. A composição é mais forte: a parte faz sentido como parte daquele todo.

class CursoExemplo {
  constructor(nome) {
    this.nome = nome;

    // Agregação: o curso reúne disciplinas.
    // As disciplinas podem continuar existindo no catálogo institucional.
    this.disciplinas = [];
  }

  adicionarDisciplina(disciplina) {
    this.disciplinas.push(disciplina);
  }
}

class ComprovanteMatriculaExemplo {
  constructor(codigo, dataEmissao) {
    this.codigo = codigo;
    this.dataEmissao = dataEmissao;
  }
}

class MatriculaComComprovanteExemplo {
  constructor(aluno, turma) {
    this.aluno = aluno;
    this.turma = turma;
    this.comprovante = null; // Cardinalidade 0..1.
  }

  emitirComprovante() {
    // RF-05 — Emitir comprovante.
    if (this.comprovante) {
      throw new Error("Comprovante já emitido para esta matrícula.");
    }

    this.comprovante = new ComprovanteMatriculaExemplo(
      `COMP-${Date.now()}`,
      new Date()
    );

    return this.comprovante;
  }
}

Na UML, agregação e composição podem ser entendidas como formas especiais de associação. Toda agregação ou composição liga classes, mas acrescenta a ideia de relação todo-parte. Por isso, quando essa diferença não ajuda a compreender o sistema, muitas equipes preferem representar apenas uma associação comum.

Observação técnica: agregação é uma notação controversa na prática. Muitas equipes preferem usar associação simples, especialmente quando a distinção entre “tem” e “agrega” não acrescenta clareza ao modelo. Para iniciantes, vale conhecer o símbolo, mas usá-lo com parcimônia FOWLER (2005).

Os diagramas são vistas parciais de um modelo mais completo, abaixo um exemplo mais completo da mesma ideia de agregação e composição. Nele, a ponta da seta na relação de agregação, por exemplo, indica a direção de navegação, ou seja, qual classe "conhece" a outra e pode acessá-la.

Em termos práticos:

A → B: A classe A conhece B (tem uma referência a B), mas B não necessariamente conhece A.
Sem ponta de seta (linha simples): a navegação é bidirecional ou não especificada.
Com ponta de seta nos dois sentidos: ambas as classes se conhecem mutuamente.

Essa seta no exemplo acima indica que Curso contém/agrega Disciplina mas Disciplina não sabe que está dentro de um Curso.

Esse tipo de especificação pode orientar melhor o desenvolvedor sobre como as regras de negócio devem ser programadas.

8. Dependência: quando uma classe apenas usa outra

A dependência é uma relação mais fraca que a associação. Ela indica que uma classe usa outra para cumprir uma tarefa, sem necessariamente possuir essa outra classe como parte permanente.

class ValidadorMatriculaExemplo {
  podeMatricular(aluno, turma) {
    // RF-01 — Realizar matrícula.
    // RN-04 — A matrícula só é confirmada se houver vaga disponível.
    const possuiVaga = turma.temVaga();

    // TODO(RN-02): validar pré-requisitos cumpridos pelo aluno.
    // TODO(RN-01): validar limite máximo de créditos por semestre.
    // TODO(RN-03): validar conflito de horário.
    // TODO(RN-05): validar período de matrícula.
    return possuiVaga;
  }
}

class ServicoMatriculaExemplo {
  constructor(validador) {
    // Dependência: este serviço usa um validador.
    this.validador = validador;
  }

  matricular(aluno, turma) {
    if (!this.validador.podeMatricular(aluno, turma)) {
      return null;
    }

    // Encapsulamento didático: quem altera as vagas é a própria turma.
    turma.ocuparVaga();

    return { aluno, turma, status: "confirmada" };
  }
}

9. Matriz de diagnóstico: antes de escolher o símbolo UML

A matriz de diagnóstico é uma tabela de apoio para decidir qual relação usar entre duas classes. Ela é útil porque força o aluno a escrever a relação em linguagem natural antes de desenhar linhas e setas.

Para criar a matriz:

Liste pares de classes candidatas.
Escreva uma frase simples sobre a relação entre elas.
Faça a pergunta diagnóstica: “é um?”, “tem?”, “usa?”, “é parte de?”.
Escolha a relação UML mais adequada.

Pergunta	Relação provável	Exemplo no SIGMAT	Indício no código
“É um tipo de?”	Herança	Aluno é um Usuário.	`class Aluno extends Usuario`
“Conhece ou se liga a?”	Associação	Matrícula liga Aluno e TurmaOferta.	`this.aluno = aluno`
“Reúne partes independentes?”	Agregação	Curso reúne disciplinas.	`this.disciplinas = []`
“A parte depende fortemente do todo?”	Composição	Matrícula gera comprovante.	`new ComprovanteMatricula(...)`
“Apenas usa para executar algo?”	Dependência	Serviço usa ValidadorMatricula.	`this.validador.podeMatricular(...)`

10. Como criar um diagrama de classes UML

O diagrama de classes é um diagrama estrutural da UML. A UML é uma linguagem padronizada pela Object Management Group para visualizar, especificar, construir e documentar artefatos de sistemas de software OMG (2017). Em termos práticos, o diagrama de classes mostra classes, atributos, métodos e relacionamentos VALENTE (2020).

Para criar um diagrama de classes para iniciantes:

Escolha um recorte. Exemplo: “realizar matrícula em disciplina”.
Leia os requisitos. No SIGMAT, o RF-01 orienta a matrícula; o RF-04 orienta a oferta; o RF-05 orienta o comprovante.
Liste classes candidatas. Aluno, Disciplina, TurmaOferta, Matricula, ComprovanteMatricula, ValidadorMatricula.
Defina atributos. Nome, matrícula, código, semestre, vagas, status.
Defina métodos. temVaga(), ocuparVaga(), adicionarMatricula(), emitirComprovante().
Desenhe relações e cardinalidades. Um aluno pode ter muitas matrículas; uma matrícula pertence a uma turma.
Valide contra os requisitos. Se uma classe ou método não ajuda a cumprir requisito algum, talvez esteja cedo para incluí-lo.

Limite proposital: este primeiro mapa não cobre todos os recursos da UML. Ficaram fora, por exemplo, classes abstratas, interfaces, atributos estáticos, métodos estáticos, visibilidade protegida #, pacotes e padrões de projeto.

11. Diagrama parcial do SIGMAT

O diagrama abaixo representa apenas o recorte “realizar matrícula em disciplina”. Ele não tenta modelar todo o SIGMAT. Isso evita excesso de caixas e permite discutir com clareza o que será implementado.

Criação não significa sempre composição: no diagrama, Matricula possui composição com Comprovante porque o comprovante pertence à matrícula e só faz sentido como resultado dela. Já ServicoMatricula cria uma Matricula, mas não é “dono” dela no sentido todo-parte. Ele apenas orquestra o caso de uso. Por isso, a relação entre ServicoMatricula e Matricula aparece como dependência tracejada, não como composição.

12. Código JavaScript integrado do recorte

O código abaixo corresponde ao diagrama parcial. Ele não é o SIGMAT completo, mas mostra como classes, relações e requisitos podem orientar uma implementação inicial.

class Usuario {
  constructor(nome, email) {
    // Base comum dos usuários do SIGMAT.
    this.nome = nome;
    this.email = email;
  }
}

class Aluno extends Usuario {
  constructor(nome, email, matricula) {
    super(nome, email);
    this.matricula = matricula;

    // Associação Aluno 1 —— 0..* Matricula.
    this.matriculas = [];
  }

  adicionarMatricula(matricula) {
    // RF-01 — Realizar Matrícula.
    // O aluno passa a possuir mais uma matrícula confirmada.
    this.matriculas.push(matricula);
  }
}

class ServidorSecretaria extends Usuario {
  constructor(nome, email, setor) {
    super(nome, email);
    this.setor = setor;
  }

  registrarOferta(disciplina, semestre, vagasDisponiveis) {
    // RF-04 — Gerenciar Oferta.
    // A secretaria cadastra uma turma ofertada para o semestre.
    return new TurmaOferta(disciplina, semestre, vagasDisponiveis);
  }
}

class Disciplina {
  constructor(codigo, nome, creditos = 4) {
    // RF-02 — Consultar Disciplinas.
    // A disciplina precisa ter dados exibíveis na consulta.
    this.codigo = codigo;
    this.nome = nome;
    this.creditos = creditos;
  }
}

class TurmaOferta {
  constructor(disciplina, semestre, vagasDisponiveis) {
    // Associação: uma turma ofertada se refere a uma disciplina.
    this.disciplina = disciplina;
    this.semestre = semestre;

    // RN-04 — Vagas.
    // Em um sistema didático, o atributo fica público para simplificar.
    // Convenção de projeto: outras classes não devem alterar este valor diretamente.
    // A alteração deve ocorrer pelo método ocuparVaga().
    this.vagasDisponiveis = vagasDisponiveis;
  }

  temVaga() {
    // RN-04 — A matrícula só pode ocorrer se houver vaga disponível.
    return this.vagasDisponiveis > 0;
  }

  ocuparVaga() {
    // Encapsulamento didático:
    // a própria turma controla como uma vaga é ocupada.
    if (!this.temVaga()) {
      throw new Error("Não há vagas disponíveis para esta turma.");
    }

    this.vagasDisponiveis -= 1;
  }
}

class Matricula {
  constructor(aluno, turma) {
    // Associação: matrícula liga Aluno e TurmaOferta.
    this.aluno = aluno;
    this.turma = turma;

    // RF-01 — Realizar Matrícula.
    this.status = "confirmada";
    this.dataSolicitacao = new Date();

    // Cardinalidade 0..1: pode ainda não existir comprovante.
    this.comprovante = null;
  }

  emitirComprovante() {
    // RF-05 — Emitir Comprovante.
    // Evita sobrescrever silenciosamente um comprovante já emitido.
    if (this.comprovante) {
      throw new Error("Comprovante já emitido para esta matrícula.");
    }

    this.comprovante = new ComprovanteMatricula(
      `COMP-${this.aluno.matricula}-${Date.now()}`,
      new Date()
    );

    return this.comprovante;
  }
}

class ComprovanteMatricula {
  constructor(codigo, dataEmissao) {
    // RF-05 — Emitir Comprovante.
    this.codigo = codigo;
    this.dataEmissao = dataEmissao;
  }
}

class ValidadorMatricula {
  podeMatricular(aluno, turma) {
    // RF-01 — Realizar Matrícula.
    // RN-04 — Vagas: implementado neste recorte.
    const possuiVaga = turma.temVaga();

    // TODO(RN-02): validar se o aluno cumpriu os pré-requisitos.
    // TODO(RN-01): validar se o aluno não excede 28 créditos no semestre.
    // TODO(RN-03): validar se não há conflito de horário.
    // TODO(RN-05): validar se o período de matrícula está aberto.
    // TODO(RNF-03): registrar auditoria da tentativa de matrícula.

    return possuiVaga;
  }
}

class ServicoMatricula {
  constructor(validador) {
    // Dependência: o serviço usa um validador.
    this.validador = validador;
  }

  matricular(aluno, turma) {
    // RF-01 — Realizar Matrícula.
    if (!this.validador.podeMatricular(aluno, turma)) {
      return null;
    }

    // Encapsulamento: o serviço não altera a vaga diretamente.
    // Ele pede que a própria turma execute essa mudança.
    turma.ocuparVaga();

    const matricula = new Matricula(aluno, turma);

    // Mantém o estado do aluno coerente com a matrícula criada.
    aluno.adicionarMatricula(matricula);

    return matricula;
  }
}

// Uso didático do recorte
const secretaria = new ServidorSecretaria(
  "Marina",
  "marina@universidade.edu",
  "Secretaria Acadêmica"
);

const disciplina = new Disciplina("ESW101", "Engenharia de Software", 4);
const turma = secretaria.registrarOferta(disciplina, "2026.1", 30);

const aluno = new Aluno("Ana Souza", "ana@aluno.edu", "2026001");
const servico = new ServicoMatricula(new ValidadorMatricula());

const matricula = servico.matricular(aluno, turma);

if (matricula) {
  const comprovante = matricula.emitirComprovante();

  console.log(matricula.status);          // confirmada
  console.log(comprovante.codigo);        // COMP-2026001-...
  console.log(turma.vagasDisponiveis);    // 29
}

Nota para sistemas reais: em um sistema profissional, a operação de matrícula deveria ser transacional. Isso significa que, se a vaga for ocupada e depois ocorrer erro ao criar ou registrar a matrícula, o sistema precisaria desfazer a ocupação da vaga. Esse tema envolve controle de transações, rollback e persistência em banco de dados, assuntos deixados fora deste primeiro recorte didático.

13. O que entrou e o que ficou de fora

Entraram no diagrama as classes necessárias para explicar o recorte “realizar matrícula”: usuário, aluno, secretaria, disciplina, turma ofertada, matrícula, comprovante, validador e serviço de matrícula.

Ficaram de fora, de propósito, telas, banco de dados, autenticação real por SSO, geração de PDF, histórico escolar completo, horários detalhados, lista de espera e integração com sistemas externos. Esses elementos podem aparecer em outros diagramas ou em uma versão mais avançada do modelo.

Nota: Estereótipos (do inglês stereotypes) são um mecanismo de extensão da UML que permite personalizar e dar significados adicionais a elementos do diagrama. Eles são representados entre guillemets (os sinais « »), também chamados de "aspas francesas" ou "aspas angulares duplas".

Para que servem os estereótipos ?

Permitem que você "rotule" um elemento com um papel ou categoria específica, tornando o diagrama mais expressivo e legível. Em vez de usar apenas retângulos genéricos para todas as classes, você pode indicar semanticamente o que cada elemento representa.

Exemplos comuns em diagramas de classes UML:

«interface» — indica que o elemento é uma interface (e não uma classe concreta)
«abstract» — indica classe abstrata
«enumeration» ou «enum» — indica um tipo enumerado
«entity» — usado em diagramas de componentes/arquitetura para indicar entidades de dados

Conclusão

Classe é uma ideia central da programação orientada a objetos porque permite transformar conceitos do domínio em estruturas de software. No SIGMAT, conceitos como aluno, turma ofertada e matrícula deixam de ser apenas palavras dos requisitos e passam a orientar atributos, métodos e relações.

Para quem está começando, o melhor caminho é progressivo: primeiro uma classe isolada; depois objetos; em seguida associação, cardinalidade, herança, agregação, composição e dependência. Só depois vale montar um diagrama maior. Ainda assim, maior não significa completo. Um bom diagrama de classes mostra o suficiente para compreender, discutir e implementar um recorte do sistema.

Referências

BRASIL ACADÊMICO. Modelagem estrutural de soluções: do mapa de domínio ao C4 Model e UML. Brasil Acadêmico, 27 abr. 2026. Disponível em: https://blog.brasilacademico.com/2026/04/modelagem-estrutural-de-solucoes-do.html. Acesso em: 9 maio 2026.
BRASIL ACADÊMICO. Introdução à UML e documentação: guia prático para engenharia de software. Brasil Acadêmico, 29 mar. 2026. Disponível em: https://blog.brasilacademico.com/2026/03/introducao-uml-e-documentacao-guia.html. Acesso em: 9 maio 2026.
BRASIL ACADÊMICO. Documentação de requisitos: escrita estruturada de cenários. Brasil Acadêmico, 12 abr. 2026. Disponível em: https://blog.brasilacademico.com/2026/04/documentacao-de-requisitos-escrita.html. Acesso em: 9 maio 2026.
FOWLER, Martin. UML essencial: um breve guia para a linguagem-padrão de modelagem de objetos. 3. ed. Porto Alegre: Bookman, 2005.
OMG — OBJECT MANAGEMENT GROUP. Unified Modeling Language Specification, version 2.5.1. Needham: OMG, 2017. Disponível em: https://www.omg.org/spec/UML/2.5.1. Acesso em: 9 maio 2026.
VALENTE, Marco Tulio. Engenharia de Software Moderna: capítulo 4 — Modelos. Disponível em: https://engsoftmoderna.info/cap4.html#diagrama-de-classes. Acesso em: 9 maio 2026.

Programação Orientada a Objetos • UML • JavaScript

Visto no Brasil Acadêmico