Brasil Acadêmico

Gestão de TI: ITIL, COBIT, TI Verde, gestão de projetos, segurança e governança

noreply@blogger.com (War) — Tue, 27 Oct 2026 03:19:53 -0300

Segunda-feira, 8h02, primeiro dia de matrícula: o portal do aluno cai. Em poucos minutos, a mesma pane envolve cinco disciplinas da gestão de TI. A gestão de serviços (ITIL) atende o chamado. A governança (COBIT, ISO/IEC 38500) responde por que o sistema ainda rodava num servidor único. A gestão de projetos explica a migração atrasada, a equipe de segurança investiga a possibilidade de um incidente cibernético, e a TI Verde pergunta para onde vai o servidor velho. Este post segue esse chamado de ponta a ponta. No caminho, mostra o que há de novo na ITIL 5 e no PMBOK 8, traz dados do TCU, da IBM e da Agência Internacional de Energia, inclui um exercício de triagem e termina com um glossário de bolso.

Segunda-feira, 8h02. Primeiro dia de matrícula numa universidade de porte médio. Às 8h02, o portal do aluno devolve uma página em branco; às 8h05, a central de atendimento já tem 400 chamados abertos e o diretor acadêmico, no corredor, pergunta a quem quiser ouvir: “de quem é a culpa?” A resposta honesta é desconfortável: de ninguém e de todo mundo — não por falta de culpado, mas porque falhas organizacionais raramente cabem num indivíduo. São responsabilidades distribuídas, e responsabilidade não é sinônimo de culpa. O técnico que reinicia o servidor está fazendo gestão de serviços. Quem decidiu, três anos antes, que o portal podia rodar num servidor único, sem plano de continuidade, praticou (ou deixou de praticar) governança. A migração para a nuvem que deveria ter evitado o problema e está seis meses atrasada é assunto de gestão de projetos. A possibilidade de que a queda tenha sido provocada é tema de segurança da informação. E o servidor de 2017, quando finalmente for aposentado, vai virar um problema de TI Verde.

É por isso que “gestão de TI” não cabe num só manual. Ela é um ecossistema de referenciais — de bibliotecas de boas práticas e normas técnicas internacionais a leis brasileiras de proteção de dados — que se sobrepõem, se complementam e, às vezes, disputam o mesmo orçamento. A seguir, vamos acompanhar o chamado das 8h02 por cada uma dessas lentes, com fontes na mesa e um exercício de triagem para você testar se já sabe para quem encaminhar cada problema.

Chamado 01

Governança × gestão: quem decide e quem executa

A confusão mais comum da área é tratar governança e gestão como sinônimos. Weill e Ross, em estudo clássico com centenas de empresas, definem governança de TI como a especificação dos direitos de decisão e da responsabilização que estimulam comportamentos desejáveis no uso da tecnologia (Weill; Ross, 2006). Repare: governança não diz como configurar o servidor; diz quem tem autoridade para decidir se haverá um segundo servidor, com base em quais critérios e prestando contas a quem.

A norma internacional ISO/IEC 38500, da Organização Internacional de Normalização (ISO) e da Comissão Eletrotécnica Internacional (IEC), chegou à terceira edição em 2024 tratando a governança de TI como um domínio da governança da própria organização, e não como assunto à parte do departamento de tecnologia (ISO, 2024). Desde as primeiras edições, ela descreve o papel do corpo diretivo em três verbos — avaliar, dirigir e monitorar — aplicados ao uso presente e futuro da TI (Fernandes; Abreu, 2014). Gestão é o que vem depois: planejar, construir, executar e acompanhar dentro da direção dada. Uma síntese útil para a sala de aula: governança decide o que deve ser feito e por quê; gestão decide como fazer e faz (Fernandes; Abreu, 2014). Só não vale transformar a síntese em caricatura: governança não se resume à diretoria nem às decisões de investimento — inclui políticas, papéis, mecanismos de prestação de contas e acompanhamento de resultados —, e as duas funções são distintas, mas interdependentes. Sem informação vinda da gestão, a governança decide às cegas.

Governança e gestão são funções distintas, mas interdependentes: a escada serve para subir e para descer. Ilustração gerada por IA em estilo de blocos de montar.

No setor público brasileiro, essa distinção tem consequências mensuráveis. O Tribunal de Contas da União avalia periodicamente a maturidade de governança dos órgãos federais. No levantamento integrado de 2017, com 488 respostas válidas, 58% das organizações estavam em estágio inicial no índice integrado de governança e gestão, 39% em estágio intermediário e apenas 3% em estágio aprimorado; na gestão de TI, metade da amostra estava no estágio inicial (TCU, 2018). O ciclo seguinte mostrou avanço — a parcela de órgãos em estágio inicial de governança organizacional caiu de 38% para 16% —, mas a TI continuou sendo o tema mais sensível entre os cinco avaliados (TCU, 2021).

Chamado 02

ITIL: restaurar o serviço primeiro, entender a causa depois

Voltemos às 8h02. A primeira pergunta da central de serviços não é “por que caiu?”, e sim “como os alunos voltam a se matricular o mais rápido possível?”. Essa ordem de prioridades é o coração da ITIL (Information Technology Infrastructure Library, algo como “biblioteca de infraestrutura de TI”), o referencial de boas práticas de gerenciamento de serviços nascido no governo britânico no fim dos anos 1980 (Fernandes; Abreu, 2014). A ITIL separa incidente (a interrupção que precisa ser contornada agora) de problema (a causa, real ou potencial, de um ou mais incidentes). Reiniciar o servidor pode restaurar o serviço — de preferência dentro do prazo prometido no acordo de nível de serviço —, mas é uma solução de contorno: se a causa continua lá, o portal pode cair de novo às 10h. O gerenciamento de problemas tem outro ritmo: investigar, descobrir, por exemplo, que a memória estoura toda vez que mais de 2 mil usuários acessam ao mesmo tempo, registrar esse erro conhecido e só então propor a correção definitiva. Essa correção passa pela habilitação de mudanças (change enablement, nome da prática na ITIL 4; nas versões anteriores, gerenciamento de mudanças), com controles proporcionais ao risco: uma alteração rotineira pode ser pré-aprovada, mas mexer na infraestrutura da matrícula em plena semana de matrícula pede avaliação cuidadosa (Axelos, 2019).

A edição ITIL 4, de 2019, reorganizou o referencial em torno da cocriação de valor, com um sistema de valor de serviço, quatro dimensões (organizações e pessoas; informação e tecnologia; parceiros e fornecedores; fluxos de valor e processos), 34 práticas de gerenciamento e sete princípios orientadores — entre eles “foque no valor”, “comece de onde você está” e “mantenha simples e prático” (Axelos, 2019).

Da descoberta ao suporte: o ciclo de vida de produtos e serviços proposto pela ITIL 5. Ilustração gerada por IA em estilo de blocos de montar.

Em 2026 chegou a ITIL (Versão 5), lançada pela PeopleCert. As mudanças mais visíveis: a cadeia de valor de serviço, com seis atividades, dá lugar a um modelo de ciclo de vida de produtos e serviços com oito atividades — descobrir, desenhar, adquirir, construir, transicionar, operar, entregar e dar suporte (Jouravlev; Griffith, 2026) —; o “sistema de valor de serviço” passa a se chamar “sistema de valor ITIL”; os sete princípios orientadores permanecem; e a inteligência artificial ganha um modelo de capacidade próprio, tratada como algo a ser governado e não apenas usado (Aranda, 2026). O escopo também se alarga: deixa de ser só “gerenciamento de serviços de TI” e passa a abranger produtos e serviços digitais em toda a organização. Não se trata de ruptura: o foco em valor, os princípios e as práticas continuam lá. O Quadro 1 resume o que permaneceu e o que foi ampliado.

Quadro 1 — Comparação entre a ITIL 4 e a ITIL (Versão 5), segundo elementos do referencial

Elemento	ITIL 4 (2019)	ITIL (Versão 5) (2026)
Modelo operacional	Cadeia de valor de serviço, com seis atividades	Ciclo de vida de produtos e serviços, com oito atividades
Sistema de valor	Sistema de valor de serviço	Sistema de valor ITIL, com estrutura essencialmente mantida
Princípios orientadores	Sete	Os mesmos sete
Práticas	34 práticas de gerenciamento	Mantidas com ajustes e reagrupadas
Escopo	Gerenciamento de serviços de TI	Produtos e serviços digitais em toda a organização
Inteligência artificial	Sem tratamento específico	Modelo de capacidade de IA e módulo de governança de IA

Fonte: elaborado pelo autor com base em Axelos (2019), Jouravlev e Griffith (2026) e Aranda (2026). Nota: nomes de elementos traduzidos livremente pelo autor.

Chamado 03

COBIT: o painel de controle da governança

Se a ITIL é o manual da oficina, o COBIT (Control Objectives for Information and Related Technologies, “objetivos de controle para a informação e tecnologias relacionadas”) é o painel do conselho. Mantido pela ISACA, associação internacional de profissionais de auditoria, governança e segurança de TI, o COBIT 2019 organiza o sistema de governança e gestão de informação e tecnologia em 40 objetivos, distribuídos em cinco domínios (Thomas, 2018):

EDM — Avaliar, Dirigir e Monitorar (o único domínio de governança);
APO — Alinhar, Planejar e Organizar;
BAI — Construir, Adquirir e Implementar;
DSS — Entregar, Servir e Suportar;
MEA — Monitorar, Avaliar e Analisar.

Os quatro últimos são domínios de gestão. Duas ideias tornam o COBIT 2019 especialmente útil. A primeira são os fatores de desenho: estratégia, porte, perfil de risco e papel da TI mudam quais objetivos merecem prioridade, de modo que uma universidade e um banco não precisam do mesmo sistema de governança. A segunda é a avaliação por níveis de capacidade, que permite dizer, com critério, em que estágio cada processo está e para onde precisa ir (Thomas, 2018). No nosso caso das 8h02, três dos 40 objetivos entram em cena (ISACA, 2018): o EDM03 (Ensured Risk Optimization, otimização de risco assegurada), pelo qual o corpo diretivo define quanto risco a organização aceita correr; o APO12 (Managed Risk, risco gerenciado), que identifica e analisa riscos como o do servidor único e propõe seu tratamento — evitar, mitigar, transferir ou aceitar —; e o DSS04 (Managed Continuity, continuidade gerenciada), que teria exigido um plano de continuidade testado. Repare na diferença: quem gerencia o risco não é necessariamente quem tem autoridade para aceitá-lo. Aceitar um risco capaz de parar a matrícula é decisão de quem responde pelo negócio, dentro dos limites definidos pela governança.

Os cinco domínios do COBIT 2019: um de governança (EDM) aciona quatro de gestão. Ilustração gerada por IA em estilo de blocos de montar.

Quadro 2 — Principais referenciais de gestão e governança de TI, segundo a pergunta que respondem

Referencial	Mantenedor	Pergunta central	No chamado das 8h02
ISO/IEC 38500	ISO/IEC	Que princípios a alta direção deve seguir ao decidir sobre TI?	Quem aceitou o risco do servidor único?
COBIT 2019	ISACA	Os objetivos de governança e gestão estão definidos, priorizados e medidos?	Havia plano de continuidade e alguém respondendo por ele?
ITIL (Versão 5)	PeopleCert	Como entregar e sustentar produtos e serviços digitais com valor?	Restaurar o portal e tratar a causa-raiz
PMBOK 8 / métodos ágeis	PMI / comunidade ágil	Como realizar uma mudança com prazo, custo, risco e valor controlados?	Por que a migração para a nuvem atrasou?
ISO/IEC 27001 e NIST CSF 2.0	ISO/IEC e NIST	Como proteger a informação e reagir a ataques?	A queda foi um ataque? Houve vazamento?
TI Verde	Sem dono único (normas, leis, agências)	Qual o custo ambiental de produzir, operar e descartar tecnologia?	Para onde vai o servidor de 2017?

Fonte: elaborado pelo autor com base em ISO (2024), Thomas (2018), Aranda (2026), PMI (2025), ABNT (2022) e NIST (2024). Nota: os referenciais não são excludentes; organizações maduras combinam vários deles.

Chamado 04

Gestão de projetos: a migração que não saiu do papel

Enquanto a ITIL oferece práticas para gerenciar produtos e serviços ao longo de todo o seu ciclo de vida — inclusive a transição e a mudança —, o gerenciamento de projetos organiza iniciativas temporárias, com início e fim, destinadas a produzir resultados específicos. As duas abordagens são complementares e costumam atuar sobre a mesma transformação. A migração do portal para a nuvem é um projeto típico; quando entrar em produção, passará pelas práticas de transição e de mudança da gestão de serviços. A sétima edição do PMBOK (Project Management Body of Knowledge, o “corpo de conhecimento em gerenciamento de projetos”) já havia trocado o foco em processos por princípios e domínios de desempenho. A oitava edição, publicada pelo Project Management Institute (PMI) no fim de 2025, reequilibra a balança: mantém seis princípios — entre eles “foque no valor”, “incorpore a qualidade” e “integre a sustentabilidade” —, organiza o trabalho em sete domínios de desempenho (governança, escopo, cronograma, finanças, partes interessadas, recursos e risco) e traz de volta um conjunto de processos não prescritivos agrupados em cinco áreas de foco, da iniciação ao encerramento (PMI, 2025).

Repare em dois detalhes. Primeiro, governança virou domínio de desempenho do próprio projeto: quem aprova mudanças de escopo, quem pode cancelar, quem responde pelo orçamento. Segundo, a sustentabilidade aparece como princípio — não só no sentido ambiental, mas também na avaliação dos impactos sociais e econômicos das entregas —, o que aproxima o gerente de projetos da TI Verde. Do outro lado do espectro, os métodos ágeis lembram, desde 2001, que indivíduos e interações, software funcionando, colaboração com o cliente e resposta a mudanças valem mais que processos, documentação extensa, negociação de contratos e planos rígidos — sem que os segundos deixem de ter valor (Beck et al., 2001). Na prática, muitas equipes de TI combinam abordagens preditivas e ágeis: planejamento preditivo para contratos e infraestrutura, ciclos curtos — as sprints — para o software.

Quadro ágil e cronograma convivendo na mesma parede: o modelo híbrido é a regra, não a exceção. Ilustração gerada por IA em estilo de blocos de montar.

Chamado 05

Segurança da informação: e se não foi acidente?

Às 9h30, um analista nota tráfego incomum vindo do exterior pouco antes da queda. Isso, sozinho, não prova ataque algum — em dia de matrícula, alunos em intercâmbio também acessam o portal —, mas basta para abrir uma investigação. O chamado pode estar mudando de natureza: de incidente operacional para possível incidente de segurança. Segurança da informação trata da preservação da confidencialidade, da integridade e da disponibilidade da informação — a tríade CID. A ABNT NBR ISO/IEC 27001:2022, publicada no Brasil pela Associação Brasileira de Normas Técnicas, define os requisitos de um sistema de gestão de segurança da informação (SGSI) para proteger os ativos de informação — contexto, liderança, tratamento de riscos, operação e melhoria — e traz, no Anexo A, 93 controles de referência, alinhados à ISO/IEC 27002:2022 e agrupados em quatro temas: organizacionais, de pessoas, físicos e tecnológicos (ABNT, 2022).

O NIST Cybersecurity Framework 2.0 (CSF), do Instituto Nacional de Padrões e Tecnologia dos Estados Unidos (NIST, na sigla em inglês), publicado em fevereiro de 2024, organiza a resposta em seis funções: Governar, Identificar, Proteger, Detectar, Responder e Recuperar (NIST, 2024). A novidade em relação à versão anterior não é a necessidade de governança, que sempre existiu, mas uma função explícita para ela: segurança deixou de ser assunto só do porão técnico e passou a ser decisão de governança. No Brasil, a mesma direção aparece na Política Nacional de Cibersegurança e no Comitê Nacional de Cibersegurança, instituídos em dezembro de 2023 (Brasil, 2023), e na Lei Geral de Proteção de Dados (LGPD), que exige dos agentes de tratamento medidas técnicas e administrativas de segurança e incentiva programas de governança em privacidade (Brasil, 2018).

O chamado das 8h02 ajuda a separar três coisas que costumam ser confundidas. Primeiro, indisponibilidade não é, por si só, violação de dados: o portal fora do ar afeta a disponibilidade, mas pode não expor dado algum. Segundo, incidente operacional não é incidente de segurança: falta de memória é uma coisa; ação maliciosa ou violação de política é outra. Terceiro, proteger não é o mesmo que comunicar: além do dever de segurança, a LGPD obriga o controlador a comunicar à Autoridade Nacional de Proteção de Dados (ANPD) e aos titulares o incidente de segurança que possa acarretar risco ou dano relevante a eles (Brasil, 2018).

As seis funções do NIST CSF 2.0, com a governança no topo. Ilustração gerada por IA em estilo de blocos de montar.

Os números explicam a urgência. Segundo a edição de 2026 do relatório Cost of a Data Breach, da IBM, divulgada em outubro, o custo médio de uma violação de dados no Brasil chegou ao recorde de R$ 7,44 milhões, alta de 3,5% sobre os R$ 7,19 milhões da edição anterior (Lobo, 2026). A edição analisou violações ocorridas entre março de 2025 e fevereiro de 2026 em 42 organizações brasileiras. Dois achados ligam segurança e governança: organizações que usam amplamente IA e automação na segurança tiveram custo cerca de 30% menor, e o uso de aplicações não autorizadas, o chamado shadow IT, acrescentou em média R$ 720,3 mil a cada violação. A edição de 2025 já havia mostrado o outro lado da moeda: a maioria das organizações brasileiras pesquisadas não tinha regras para o uso de inteligência artificial, e o uso não autorizado de IA, a shadow AI, elevou o custo médio em R$ 591,4 mil (IBM, 2025).

Tabela 1 — Custo médio de uma violação de dados — Brasil — edições 2024 a 2026 do relatório Cost of a Data Breach

Edição do relatório	Custo médio (R$ milhões)	Variação sobre a edição anterior (%)
2024	6,75	...
2025	7,19	6,5
2026	7,44	3,5

Fonte: elaborado pelo autor com base em IBM (2025) e Lobo (2026). Notas: 1. Valores nominais, sem correção pela inflação. 2. Cada edição se refere a violações ocorridas em período de cerca de 12 meses anterior à divulgação; a de 2026 cobre março de 2025 a fevereiro de 2026 e 42 organizações brasileiras. Sinal convencional utilizado: ... dado numérico não disponível.

Gráfico 1 — Governança de inteligência artificial nas organizações brasileiras participantes do estudo Cost of a Data Breach — Brasil — edição 2025

Sem política de governança de IA

87%

Sem controles de acesso à IA

61%

Usam tecnologia de governança de IA

29%

Fonte: elaborado pelo autor com base em IBM (2025). Nota: indicadores da edição 2025, divulgada em julho de 2025. A edição 2026 usa métricas diferentes sobre IA; por isso os percentuais não foram atualizados nem devem ser comparados diretamente.

LGPD: dado pessoal é ativo e passivo ao mesmo tempo. Ilustração gerada por IA em estilo de blocos de montar.

Chamado 06

TI Verde: a conta que chega depois

Resolvido o incidente, a diretoria finalmente aprova a migração e a substituição do servidor de 2017. É aqui que entra a lente menos lembrada e mais urgente. TI Verde é o conjunto de práticas para reduzir o impacto ambiental da tecnologia em todo o seu ciclo de vida: fabricação, compra, operação (energia e refrigeração) e descarte. A conta chega depois, mas as decisões que a determinam vêm antes: sustentabilidade precisa entrar já no planejamento — na especificação da compra, no projeto, no contrato. Dois números dão a escala do desafio. Os data centers consumiram cerca de 415 TWh de eletricidade em 2024, aproximadamente 1,5% do consumo mundial, e a Agência Internacional de Energia projeta, em seu cenário-base, que esse consumo mais que dobre até 2030, puxado pela inteligência artificial (IEA, 2025). Na outra ponta, o mundo gerou 62 milhões de toneladas de lixo eletrônico em 2022, e menos de um quarto disso teve coleta e reciclagem documentadas (Baldé et al., 2024).

Tabela 2 — Consumo de eletricidade de data centers e geração de lixo eletrônico — mundo — ano de referência e cenário para 2030

Indicador	Ano de referência	Valor no ano de referência	Cenário para 2030
Eletricidade consumida por data centers (TWh)	2024	415	945
Participação dos data centers no consumo mundial de eletricidade (%)	2024	1,5	...
Lixo eletrônico gerado (milhões de toneladas)	2022	62	82
Lixo eletrônico com coleta e reciclagem documentadas (%)	2022	22,3	20

Fonte: elaborado pelo autor com base em IEA (2025) e Baldé et al. (2024). Notas: 1. Os valores para 2030 correspondem ao cenário-base da IEA e, para o lixo eletrônico, ao cenário de continuidade das tendências do Monitor Global; não são valores observados nem resultados inevitáveis. 2. Sinal convencional utilizado: ... dado numérico não disponível.

Eficiência energética começa no projeto do data center e na escolha do que precisa, de fato, ficar ligado. Ilustração gerada por IA em estilo de blocos de montar.

Para a gestão de TI, a TI Verde se traduz em decisões concretas: comprar com critérios de eficiência e durabilidade; operar com virtualização, consolidação e monitoramento de indicadores como o PUE (Power Usage Effectiveness, eficiência no uso de energia: a razão entre a energia total do data center e a energia efetivamente usada pelos equipamentos de TI); e descartar por logística reversa. No Brasil, a Política Nacional de Resíduos Sólidos inclui os produtos eletroeletrônicos e seus componentes entre os sujeitos à logística reversa (Brasil, 2010), e o Decreto 10.240/2020 regulamentou esse sistema para os produtos de uso doméstico (Brasil, 2020). Cuidado com a extrapolação: um servidor corporativo não é um eletrodoméstico, e seu destino depende também das regras de patrimônio da instituição, dos contratos com fornecedores e, em órgãos públicos, das normas de desfazimento de bens. E há um cruzamento importante com a segurança: nenhum equipamento deve sair para reciclagem antes de ter seus dados apagados de forma segura, sob pena de transformar um gesto ambiental num vazamento de dados pessoais. E vale desfazer um mito: migrar para a nuvem não é automaticamente mais verde. A conta depende da eficiência do data center do provedor, da taxa de utilização dos servidores, da matriz elétrica que os alimenta e da vida útil dos equipamentos — inclusive dos que ficam para trás.

Primeiro apagar, depois reciclar: TI Verde e segurança no mesmo fluxo. Ilustração gerada por IA em estilo de blocos de montar.

Até aqui: um incidente, seis lentes. Daqui em diante: revisão e aplicação.

Chamado 07

Histórico do chamado: quatro décadas em uma linha

Os referenciais não surgiram juntos. Clique nos marcos para ver como cada um entrou em cena; as cores indicam a disciplina.

Fim dos anos 1980 — nasce a ITIL

A agência governamental britânica de computação e telecomunicações (CCTA) reúne boas práticas de gerenciamento de serviços de TI numa série de livros que daria origem à ITIL (Fernandes; Abreu, 2014).

Chamado 08

Triagem: para quem vai este chamado?

Agora é com você. Leia cada situação e escolha a lente que deve conduzir a resposta. Em alguns casos, mais de uma resposta está certa, porque na vida real os chamados atravessam fronteiras.

Chamado 1 de 6Acertos: 0

O portal de matrícula caiu às 8h02 e 3 mil alunos estão sem acesso.

Escolha uma das cinco lentes para ver o comentário.

A triagem pergunta qual lente. O Quadro 3 dá o passo seguinte: quem age e como saber se deu certo.

Quadro 3 — Responsabilidades e métricas no chamado das 8h02, segundo a situação (exemplo didático)

Situação	Responsável principal	Referencial predominante	Métrica para acompanhar
Restaurar o portal	Central de serviços e equipe de operações	ITIL	Disponibilidade, tempo médio de restauração (MTTR) e cumprimento do ANS
Investigar a causa recorrente	Gerenciamento de problemas	ITIL	Problemas resolvidos e incidentes repetidos
Avaliar e tratar o risco do servidor único	Gestão de riscos, com decisão da instância de governança	COBIT (APO12, EDM03)	Riscos dentro do limite aceito e andamento dos planos de tratamento
Garantir a continuidade	Gestão de continuidade	COBIT (DSS04)	Planos testados e tempo de recuperação em relação ao objetivo
Recuperar o cronograma da migração	Gerente e patrocinador do projeto	PMBOK e métodos ágeis	Prazo, custo e benefícios realizados
Investigar indícios de ataque	Equipe de segurança	NIST CSF e ISO/IEC 27001	Tempo para detectar e para responder; comunicação à ANPD quando exigida
Autorizar descarte e sanitização	Gestão de ativos, segurança e área ambiental	TI Verde e PNRS	PUE, consumo de energia e percentual de equipamentos com destinação adequada

Fonte: elaborado pelo autor. Nota: exemplo didático de distribuição de responsabilidades, não uma estrutura organizacional obrigatória. MTTR: mean time to restore.

Nenhum referencial toca sozinho: governança é a regência, e os demais são naipes da mesma orquestra. Ilustração gerada por IA em estilo de blocos de montar.

Plano de ação

Seis perguntas para levar à sua organização

Não é preciso implantar cinco referenciais amanhã. Comece pelo que a ITIL chama de “comece de onde você está”: marque o que já existe na sua organização, escola ou setor.

Existe um catálogo dos serviços de TI, com níveis de serviço acordados com quem os usa. Decisões de investimento em TI têm dono, critério escrito e prestação de contas. Cada projeto tem patrocinador, escopo, orçamento e um critério claro de valor entregue. Há inventário de ativos e de dados pessoais tratados, como pede a LGPD. Backups são testados e existe um plano de resposta a incidentes conhecido pela equipe. Equipamentos aposentados passam por apagamento seguro e seguem para logística reversa.

0 de 6 itens

Chamado encerrado

O que o chamado das 8h02 ensinou

Ao meio-dia, o portal voltou. A central fechou o incidente e abriu um problema; o comitê de governança registrou o risco que ninguém havia assumido; o projeto de migração ganhou patrocinador e prazo; a equipe de segurança confirmou que não houve invasão, só uma carga que o servidor não suportava; e o servidor de 2017 ganhou data para apagamento seguro e logística reversa. Nenhum desses passos dependeu de um único manual. Dependeu de saber qual pergunta cada referencial ajuda a responder e de alguém com autoridade para juntar as respostas. E nada disso precisava esperar a pane: a falta de redundância, o atraso da migração e a ausência de plano de continuidade eram riscos conhecidos, tratáveis antes das 8h02.

Fica a pergunta para você: na sua organização, quando algo dá errado em TI, a primeira reação é perguntar “quem errou?” ou “quem deveria ter decidido?”

Nota do autor: o caso do portal de matrícula é fictício e composto para fins didáticos. Os dados do TCU sobre estágios de governança referem-se ao levantamento integrado divulgado em 2018; o ciclo de 2021 não publicou, na notícia oficial, percentuais por estágio para a TI. A estrutura da oitava edição do PMBOK foi conferida em fontes secundárias especializadas, pois o guia é obra comercial e a página oficial do PMI não detalha seus elementos em acesso aberto. As informações sobre a ITIL (Versão 5) combinam a página oficial da PeopleCert (Jouravlev; Griffith, 2026) e análise técnica publicada após o lançamento (Aranda, 2026). O relatório da IBM exige cadastro; por isso os dados de 2026 foram tomados de cobertura jornalística aberta da divulgação (Lobo, 2026), e os de 2025, do comunicado oficial da empresa. Os identificadores dos objetivos do COBIT seguem a publicação técnica da ISACA, vendida em sua loja online. Os nomes de práticas, domínios e funções foram traduzidos livremente pelo autor quando não há tradução oficial consolidada. Como de costume no blog, só foram citados livros disponíveis em livrarias online ou bibliotecas digitais e documentos de acesso aberto; as normas ABNT e ISO são citadas como documentos normativos, consultáveis em bases como o GED Web.

Glossário

Termos e siglas que aparecem no texto, em ordem alfabética. Clique num termo sublinhado ao longo do post para chegar aqui, ou digite para filtrar.

Acordo de nível de serviço (ANS): Compromisso documentado entre o provedor e o cliente de um serviço, com metas mensuráveis como disponibilidade e tempo de atendimento. Em inglês, service level agreement (SLA). Chamado 02
ANPD: Autoridade Nacional de Proteção de Dados, órgão responsável por fiscalizar o cumprimento da LGPD e receber comunicações de incidentes de segurança com dados pessoais. Chamado 05
Ativo de informação: Qualquer coisa que tenha valor para a organização e envolva informação: bases de dados, sistemas, equipamentos, documentos e até o conhecimento das pessoas. Chamado 05
Ciclo de vida de produtos e serviços: Modelo da ITIL 5 com oito atividades (descobrir, desenhar, adquirir, construir, transicionar, operar, entregar e dar suporte) que substitui a cadeia de valor de serviço da ITIL 4. Chamado 02
CID (confidencialidade, integridade e disponibilidade): As três propriedades que a segurança da informação busca preservar: somente pessoas ou sistemas autorizados acessam a informação, ela não é alterada indevidamente e está disponível quando necessária. Chamado 05
COBIT (Control Objectives for Information and Related Technologies): Referencial da ISACA para governança e gestão de informação e tecnologia; na versão 2019, reúne 40 objetivos em cinco domínios (EDM, APO, BAI, DSS e MEA). Chamado 03
Domínio de desempenho: No PMBOK, grupo de atividades relacionadas que determina o bom resultado de um projeto; a 8.ª edição tem sete (governança, escopo, cronograma, finanças, partes interessadas, recursos e risco). Chamado 04
EDM (avaliar, dirigir e monitorar): As três tarefas da alta direção na governança de TI, segundo a ISO/IEC 38500, e o nome do único domínio de governança do COBIT (Evaluate, Direct and Monitor). Chamado 03
Fatores de desenho: No COBIT 2019, características da organização (estratégia, porte, perfil de risco, papel da TI etc.) que ajustam o sistema de governança à sua realidade. Chamado 03
Gestão de TI: Planejamento, construção, execução e monitoramento das atividades de TI dentro da direção definida pela governança. Chamado 01
Governança de TI: Sistema de direitos de decisão e de responsabilização que orienta e controla o uso presente e futuro da TI em favor dos objetivos da organização. Chamado 01
Habilitação de mudanças (change enablement): Prática da ITIL 4 (antes chamada gerenciamento de mudanças) que avalia, autoriza e programa alterações em serviços e infraestrutura, com controles proporcionais ao risco, para que as mudanças não provoquem incidentes. Chamado 02
Incidente: Interrupção não planejada ou redução da qualidade de um serviço. A prioridade é restaurar o serviço, mesmo antes de conhecer a causa. Chamado 02
ITIL (Information Technology Infrastructure Library): Conjunto de boas práticas para gerenciar serviços e, desde a Versão 5 (2026), produtos e serviços digitais; mantido pela PeopleCert. Chamado 02
LGPD: Lei Geral de Proteção de Dados Pessoais (Lei 13.709/2018), que regula o tratamento de dados pessoais no Brasil. Chamado 05
Logística reversa: Sistema de coleta e retorno de produtos ao fim da vida útil para reaproveitamento, reciclagem ou destinação ambientalmente adequada. Chamado 06
NIST CSF (Cybersecurity Framework): Referencial de cibersegurança do instituto de padrões dos EUA; a versão 2.0 (2024) tem seis funções: Governar, Identificar, Proteger, Detectar, Responder e Recuperar. Chamado 05
Nível de capacidade: Escala que indica o grau de maturidade de um processo, do incompleto ao otimizado; o COBIT 2019 usa níveis de 0 a 5. Chamado 03
Partes interessadas: Pessoas ou grupos que afetam ou são afetados por um serviço, projeto ou decisão (em inglês, stakeholders). Chamado 04
PMBOK (Project Management Body of Knowledge): Guia de conhecimentos em gerenciamento de projetos do Project Management Institute (PMI), atualmente na 8.ª edição (2025). Chamado 04
Problema: Na ITIL, a causa, real ou potencial, de um ou mais incidentes. Gerenciar problemas envolve identificar e investigar causas, registrar erros conhecidos, propor soluções de contorno e encaminhar a resolução definitiva. Chamado 02
PUE (Power Usage Effectiveness): Razão entre a energia total consumida por um data center e a energia usada pelos equipamentos de TI. Quanto mais perto de 1,0, menos energia vai para refrigeração e perdas. Chamado 06
Risco: Efeito da incerteza sobre os objetivos; em TI, costuma combinar a probabilidade de um evento e o impacto que ele causaria. Chamado 03
SGSI: Sistema de gestão de segurança da informação: políticas, processos e controles definidos pela ISO/IEC 27001 para proteger a informação de forma contínua. Chamado 05
Shadow IT e shadow AI: Uso de aplicações (shadow IT) ou de ferramentas de inteligência artificial (shadow AI) sem conhecimento ou autorização da organização, o que expõe dados e foge dos controles. Chamado 05
Solução de contorno: Medida que reduz ou elimina o impacto de um incidente ou problema sem resolver sua causa, como reiniciar um servidor que travou. Chamado 02
Sprint: Ciclo curto e de duração fixa, típico dos métodos ágeis, ao fim do qual a equipe entrega um incremento utilizável do produto. Chamado 04
TI Verde: Práticas para reduzir o impacto ambiental da tecnologia em todo o ciclo de vida: compra, operação, consumo de energia e descarte. Chamado 06
Valor: Benefício percebido, utilidade e importância de algo para as partes interessadas; conceito central da ITIL, do COBIT e do PMBOK atuais. Chamado 02

Referências

ARANDA, Hernán. ITIL 5: o que mudou e o que os profissionais de TI precisam saber. InvGate Blog, 8 jun. 2026. Disponível em: https://blog.invgate.com/pt/itil-5-o-que-mudou. Acesso em: 26 out. 2026.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR ISO/IEC 27001: segurança da informação, segurança cibernética e proteção à privacidade: sistemas de gestão da segurança da informação: requisitos. Rio de Janeiro: ABNT, 2022.
AXELOS. ITIL Foundation: ITIL 4 edition. London: TSO, 2019.
BALDÉ, Cornelis P. et al. The global e-waste monitor 2024. Geneva; Bonn: International Telecommunication Union; United Nations Institute for Training and Research, 2024. Disponível em: https://ewastemonitor.info/the-global-e-waste-monitor-2024/. Acesso em: 26 out. 2026.
BECK, Kent et al. Manifesto para desenvolvimento ágil de software. 2001. Disponível em: https://agilemanifesto.org/iso/ptbr/manifesto.html. Acesso em: 26 out. 2026.
BRASIL. Lei nº 12.305, de 2 de agosto de 2010. Institui a Política Nacional de Resíduos Sólidos; altera a Lei nº 9.605, de 12 de fevereiro de 1998; e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 3 ago. 2010. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2007-2010/2010/lei/l12305.htm. Acesso em: 29 out. 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: 26 out. 2026.
BRASIL. Decreto nº 10.240, de 12 de fevereiro de 2020. Regulamenta [...] a implementação de sistema de logística reversa de produtos eletroeletrônicos e seus componentes de uso doméstico. Diário Oficial da União: seção 1, Brasília, DF, 13 fev. 2020. Disponível em: https://www2.camara.leg.br/legin/fed/decret/2020/decreto-10240-12-fevereiro-2020-789763-publicacaooriginal-160002-pe.html. Acesso em: 26 out. 2026.
BRASIL. Decreto nº 11.856, de 26 de dezembro de 2023. Institui a Política Nacional de Cibersegurança e o Comitê Nacional de Cibersegurança. Diário Oficial da União: seção 1, Brasília, DF, 27 dez. 2023. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2023-2026/2023/Decreto/D11856.htm. Acesso em: 26 out. 2026.
FERNANDES, Aguinaldo Aragon; ABREU, Vladimir Ferraz de. Implantando a governança de TI: da estratégia à gestão dos processos e serviços. 4. ed. Rio de Janeiro: Brasport, 2014.
IBM. Relatório da IBM: custo médio de uma violação de dados no Brasil atinge R$ 7,19 milhões. PR Newswire, São Paulo, 30 jul. 2025. Disponível em: https://www.prnewswire.com/br/comunicados-para-a-imprensa/relatorio-da-ibm-custo-medio-de-uma-violacao-de-dados-no-brasil-atinge-r-7-19-milhoes-302517777.html. Acesso em: 26 out. 2026.
INTERNATIONAL ENERGY AGENCY. Energy and AI. Paris: IEA, 2025. Disponível em: https://www.iea.org/reports/energy-and-ai/executive-summary. Acesso em: 26 out. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO/IEC 38500: information technology: governance of IT for the organization. Geneva: ISO, 2024. Disponível em: https://www.iso.org/standard/81684.html. Acesso em: 26 out. 2026.
ISACA. COBIT 2019 framework: governance and management objectives. Schaumburg: ISACA, 2018.
JOURAVLEV, Roman; GRIFFITH, Adam. ITIL Foundation (Version 5), what’s new? ITIL: a PeopleCert brand, [2026]. Disponível em: https://itil.com/Itil-News-and-Announcements/itil-version-5-foundation-whats-new-guide. Acesso em: 29 out. 2026.
LOBO, Ana Paula. Custo médio de uma violação de dados no Brasil bate recorde e chega a R$ 7,44 milhões. Convergência Digital, 15 out. 2026. Disponível em: https://convergenciadigital.com.br/mercado/custo-medio-de-uma-violacao-de-dados-no-brasil-bate-recorde-e-chega-a-r-744-milhoes/. Acesso em: 29 out. 2026.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. The NIST Cybersecurity Framework (CSF) 2.0. Gaithersburg: NIST, 2024. (NIST CSWP 29). Disponível em: https://doi.org/10.6028/NIST.CSWP.29. Acesso em: 26 out. 2026.
PROJECT MANAGEMENT INSTITUTE. A guide to the project management body of knowledge (PMBOK guide). 8th ed. Newtown Square: PMI, 2025.
THOMAS, Mark. A new COBIT is in town and I really like how it looks. ISACA Industry News, 10 dez. 2018. Disponível em: https://www.isaca.org/resources/news-and-trends/industry-news/2018/a-new-cobit-is-in-town-and-i-really-like-how-it-looks. Acesso em: 26 out. 2026.
TRIBUNAL DE CONTAS DA UNIÃO (Brasil). TCU divulga dados inéditos sobre governança na administração pública federal. Portal TCU, Brasília, 25 abr. 2018. Disponível em: https://portal.tcu.gov.br/imprensa/noticias/tcu-divulga-dados-ineditos-sobre-governanca-na-administracao-publica-federal. Acesso em: 26 out. 2026.
TRIBUNAL DE CONTAS DA UNIÃO (Brasil). Acompanhamento do TCU verifica evolução na capacidade de gestão dos órgãos públicos. Portal TCU, Brasília, 22 set. 2021. Disponível em: https://portal.tcu.gov.br/imprensa/noticias/acompanhamento-do-tcu-verifica-evolucao-na-capacidade-de-gestao-dos-orgaos-publicos. Acesso em: 26 out. 2026.
WEILL, Peter; ROSS, Jeanne W. Governança de TI: tecnologia da informação. São Paulo: M.Books, 2006.

Caso Ana Clara: o que se sabe sobre a morte da menina em Niterói e o júri que não aconteceu

noreply@blogger.com (War) — Sat, 24 Oct 2026 16:52:50 -0300

Em 2 de fevereiro de 2021, Ana Clara Gomes Machado, de 5 anos, brincava com o irmão de 2 anos na porta de casa, na comunidade do Monan Pequeno, em Niterói (RJ), quando foi atingida por um tiro de fuzil durante uma ação da Polícia Militar. O cabo apontado pelo Ministério Público como autor do disparo foi preso em flagrante, denunciado por homicídio com dolo eventual e mandado a júri popular — decisão que resistiu a recursos no Tribunal de Justiça do Rio, no STJ e no STF, sem que nenhum desses tribunais julgasse a culpa do réu. Mais de cinco anos depois, o júri ainda não aconteceu: a sessão marcada para 21 de outubro de 2026 foi transferida para maio de 2027, e o caso chegou ao debate presidencial porque o senador Flávio Bolsonaro integrou a defesa do policial em 2024. Este post reconstitui o que a imprensa publicou, passo a passo e só com fontes na mesa: a dinâmica do dia segundo a acusação e segundo a defesa, o que a perícia encontrou, o caminho do processo pelos tribunais, a entrada do senador no caso e o que cada lado disse sobre ela. No caminho: uma simulação didática interativa das duas versões, em seis cenas, uma linha do tempo filtrável, o relógio processual em barras, os quesitos que os jurados terão de responder e um glossário para quem não é do Direito.

Naquela terça-feira, 2 de fevereiro de 2021, Ana Clara Gomes Machado, de 5 anos, tinha acabado de acordar e brincava na porta de casa com o irmão, de 2 anos, na comunidade do Monan Pequeno, em Niterói, na Região Metropolitana do Rio de Janeiro (Luiz, 2026). O endereço, segundo a reportagem da Folha de S.Paulo que reconstituiu o processo, era a travessa Alvorada, no Badu (Flávio…, 2026), área da região de Pendotiba (Caso…, 2026). Naquele momento, uma equipe do 12º Batalhão de Polícia Militar (BPM) fazia patrulhamento na região. Um disparo de fuzil atingiu a menina. Ela foi levada ao Hospital Estadual Azevedo Lima e não resistiu (Flávio…, 2026).

O que aconteceu nos minutos anteriores ao tiro é, até hoje, o centro do processo. A acusação sustenta que não houve confronto e que o cabo Bruno Dias Delaroli atirou em direção a uma área residencial mesmo depois de moradores gritarem que ali havia civis. A defesa sustenta que a equipe foi recebida a tiros por criminosos e reagiu, e que a criança ficou na linha de tiro. Quem vai decidir entre as duas versões, por uma decisão que já não admite recurso, é um Tribunal do Júri — sete cidadãos sorteados. Esse júri foi marcado três vezes e, até a data deste post, não se reuniu.

Em outubro de 2026, às vésperas do segundo turno da eleição presidencial, o caso deixou o noticiário policial e entrou no debate político: o presidente Luiz Inácio Lula da Silva (PT) cobrou do senador Flávio Bolsonaro (PL), seu adversário, explicações sobre a atuação dele como advogado do policial, e o senador respondeu defendendo o exercício da advocacia e a presunção de inocência do réu (Lula…, 2026) (Menezes, 2026). Este post não toma partido nessa disputa. Ele faz o que um bom perito faz antes do julgamento: separa o que está documentado do que é alegação, mostra de onde vem cada informação e marca onde as fontes divergem.

Como ler este post. Todos os fatos vêm de reportagens da imprensa e de textos legais, com chamada para a referência ao final (clique nela e use "voltar ao texto"). O réu não foi julgado e é presumido inocente; as expressões "segundo a acusação" e "segundo a defesa" marcam versões, não conclusões. A simulação interativa é um esquema didático, não uma perícia: as fontes públicas não divulgaram croqui, medidas nem posições exatas. As fotografias são ilustrações fictícias geradas por IA, não registros do caso. Ao longo do texto, as marcas Documentado Acusação Defesa Não confirmado indicam o grau de cada afirmação.

Peça 01

O dia 2 de fevereiro de 2021

Figura 1 — Ilustração fictícia em estilo fotonovela, gerada por IA; não é registro do local nem do dia. Imagem gerada por IA para o Brasil Acadêmico

A versão oficial da Polícia Militar, divulgada no dia, falava em confronto entre criminosos e equipes do 12º BPM, e a corporação abriu um procedimento interno para apurar a ação (Barros, 2021). A equipe disse que patrulhava a área para checar informações sobre roubos de veículos e de carga (Mãe…, 2021).

A mãe, Cristiane Gomes da Silva, contou outra história desde as primeiras horas. Em entrevista ao portal G1 reproduzida por outros veículos, disse que não havia troca de tiros quando a filha foi atingida e que ouviu um policial dizer a outro que ele tinha feito "besteira"; Ana Clara foi colocada com a mãe na viatura e morreu nos braços dela, a caminho do hospital (Mãe…, 2021). Cinco anos depois, à Agência Pública, ela repetiu o relato com mais detalhes: ouviu dois disparos, correu até as crianças, encontrou um policial parado diante da filha e só viu o socorro começar depois que outro policial se aproximou e o repreendeu (Briso, 2026).

A Delegacia de Homicídios de Niterói, São Gonçalo e Itaboraí (DHNSG) abriu inquérito. Em nota, a Polícia Civil informou que o policial que efetuou os disparos foi preso em flagrante porque as declarações dos PMs apresentaram contradições em relação ao que disseram outras testemunhas e ao que mostrou a perícia de local (Policial…, 2021). A prisão em flagrante foi noticiada em 3 de fevereiro (Policial…, 2021) (Barros, 2021); as fontes consultadas divergem sobre a data exata da formalização, se ainda no dia 2 ou no dia 3, e o auto de prisão não foi divulgado.

O contexto: não era um caso isolado

Ana Clara foi a segunda criança morta durante ação policial no estado do Rio de Janeiro em 2021 — a primeira havia sido Alice Pamplona, também de 5 anos, na noite de Ano-Novo (Barros, 2021). Segundo a plataforma Fogo Cruzado, que monitora tiroteios na região metropolitana, ela era a quarta criança baleada naquele ano, que mal completara um mês (Policial…, 2021).

Peça 02

Simulação didática das versões apresentadas no processo

Em tribunais do júri, é comum que acusação e defesa apresentem animações e esquemas para ajudar os jurados a visualizar uma dinâmica. A simulação abaixo segue essa lógica — mas não é uma reconstituição técnico-científica, porque não houve perícia própria nem acesso aos laudos — e tem uma diferença importante: ela não inventa o que as fontes não disseram. Cada quadro traz apenas o que foi publicado, com a fonte; posições e distâncias são esquemáticas. Use as setas para avançar e os botões de camada para ver a tese da acusação, a da defesa ou as duas sobrepostas.

Simulação didática — não é perícia — sem escala

Cena 1 O cenário

Duas crianças — Ana Clara, 5 anos, e o irmão, 2 anos — brincam na porta de casa, numa viela do Monan Pequeno (Luiz, 2026). É área residencial. As fontes jornalísticas consultadas não trazem horário exato: a cobertura de 2021 fala em "tarde" (Policial…, 2021); relatos posteriores dizem que a família tinha acabado de acordar (Briso, 2026).

Cena 2 A patrulha

Uma viatura do 12º BPM com três policiais faz patrulhamento; segundo a PM, para checar informações sobre roubos de veículos e de carga (Mãe…, 2021). O cabo Bruno Dias Delaroli porta um fuzil calibre 7,62 (Flávio…, 2026). A denúncia identifica os outros dois integrantes da equipe (Menezes, 2026), que não são réus neste processo.

Cena 3 Os disparos — duas teses

Acusação Não houve confronto. O cabo disparou o fuzil em direção à área residencial e continuou atirando depois que moradores gritaram que havia civis ali (Flávio…, 2026).

Defesa A equipe foi recebida a tiros dentro da comunidade e reagiu para se proteger; a criança ficou na linha de tiro. Em interrogatório, o cabo disse ter certeza de que seus disparos, feitos contra traficantes armados, não atingiram a menina (Flávio…, 2026).

Cena 4 O atingimento

Segundo a denúncia descrita pela coluna True Crime, de O Globo, o projétil de fuzil 7,62 mm entrou pela face posterior do braço direito, atravessou o membro, alcançou o tórax, atingiu a aorta e os pulmões e saiu pelas costas; a causa da morte foi hemorragia interna (Menezes, 2026). Uma mancha de sangue diante da casa correspondia ao ponto em que ela foi atingida (Menezes, 2026). O esquema não reconstrói ângulos: as fontes públicas não os divulgaram.

Cena 5 O socorro

Ana Clara foi colocada na viatura junto com a mãe (Mãe…, 2021) e levada ao Hospital Estadual Azevedo Lima, onde morreu (Flávio…, 2026). A denúncia registra que um dos policiais repreendeu o cabo repetidas vezes ao perceber que a criança fora atingida, mas não identifica qual deles (Menezes, 2026).

Cena 6 Os vestígios

A perícia recolheu no local apenas estojos de fuzil calibre 7,62, compatíveis com as armas dos policiais; não encontrou estojos de pistola, a arma que, segundo o cabo, teria sido usada pelos criminosos; e a viatura não tinha marcas de tiro (Menezes, 2026). A defesa, por sua vez, sustenta que o local não foi preservado (Flávio…, 2026).

Esquema elaborado pelo autor com base nas reportagens citadas. Não é laudo nem croqui oficial: a geometria do local, as distâncias e os ângulos não foram divulgados.

Peça 03

O que a perícia encontrou

Figura 2 — A pergunta que a perícia de local deixou para o júri. Ilustração fictícia gerada por IA; não retrata pessoas, objetos ou locais reais do caso. Imagem gerada por IA para o Brasil Acadêmico

Num caso sem imagens de câmera divulgadas, as evidências físicas permitem confrontar as hipóteses das partes — desde que coletadas, preservadas e examinadas segundo procedimentos periciais adequados, a chamada cadeia de custódia. O que se publicou sobre elas cabe em cinco itens, e cada lado extrai deles uma leitura diferente.

Quadro 1 — Vestígios citados no processo e a leitura de cada parte — caso Ana Clara, Niterói (RJ), 2021

Vestígio	O que foi publicado	Grau	Leitura da acusação	Leitura da defesa
Estojos no chão	Apenas estojos de fuzil 7,62, compatíveis com o armamento dos policiais	Documentado	Só houve disparos de um lado	O local não foi preservado; a ausência pode ter outra explicação
Estojos de pistola	Nenhum encontrado, embora o cabo dissesse que os criminosos usavam pistolas	Documentado	Contradiz a versão de confronto	Idem: questiona a preservação do local
Viatura	Sem marcas de tiro	Documentado	Reforça a ausência de ataque à equipe	Não há manifestação pública específica
Mancha de sangue	Diante da casa, no ponto em que a menina foi atingida	Documentado	Fixa o local do atingimento na área residencial	Não há manifestação pública específica
Possível retorno à cena	O MP afirma que os policiais teriam voltado ao local para recolher estojos e pediu investigação de fraude processual e falso testemunho	Acusação	Indício de alteração da cena	Não há manifestação pública específica

Fonte: elaborado pelo autor com base em Menezes (2026) e Flávio… (2026). Nota: "Documentado" = registrado pela perícia de local segundo a denúncia descrita na imprensa; os laudos não foram divulgados. Nota: "não há manifestação pública específica" significa que as reportagens consultadas não registram resposta da defesa àquele item, e não que ela concorde com ele.

O último item merece atenção. A denúncia do Ministério Público do Rio de Janeiro (MPRJ) afirma que os policiais teriam retornado à cena para recolher estojos e pede que os três sejam investigados por fraude processual e falso testemunho (Menezes, 2026). As reportagens consultadas não informam o resultado desse pedido. Além dos vestígios, a denúncia cita, entre outros depoimentos, os da mãe, de uma tia e de dois moradores, que negaram ter havido confronto (Menezes, 2026) — as reportagens consultadas não informam o total de testemunhas ouvidas; a defesa contesta que a acusação se apoie em testemunhos indiretos, de quem só soube do fato por terceiros (Flávio…, 2026).

A mãe resume a própria leitura em termos periciais: para ela, a perícia foi feita, a balística das armas foi feita (Briso, 2026). As reportagens consultadas, porém, não descrevem o resultado de um eventual confronto balístico entre o projétil e o fuzil do cabo. A diferença importa, porque a balística trabalha em níveis distintos de conclusão:

Quadro 2 — Níveis de conclusão da prova balística

Elemento	O que permite afirmar	Situação no caso, segundo as fontes
Calibre do estojo (7,62 mm)	Compatibilidade com um tipo de munição e de arma, não com uma arma específica	Documentado estojos só de 7,62
Confronto microcomparativo	Pode associar estojo ou projétil a uma arma individual, pelas marcas que ela deixa	Não confirmado resultado não divulgado
Conjunto pericial e testemunhal	Pode fundamentar conclusões sobre autoria e dinâmica, a serem avaliadas pelos jurados	Em disputa no processo

Fonte: elaborado pelo autor com base em Menezes (2026) e Briso (2026).

Em outras palavras: os estojos de 7,62 são compatíveis com o armamento da equipe, mas, sozinhos, não dizem de qual fuzil partiu o tiro que atingiu a menina. Esse é, provavelmente, o dado técnico que mais pesará no plenário.

Peça 04

Duas versões para o mesmo tiro

Por trás da disputa sobre os fatos há uma disputa jurídica, e ela explica quase todo o caminho do processo. O Código Penal chama de doloso o crime em que o agente "quis o resultado ou assumiu o risco de produzi-lo", e de culposo aquele em que deu causa ao resultado por imprudência, negligência ou imperícia (Brasil, 1940). A segunda parte da primeira definição tem nome técnico: dolo eventual. É nela que o MPRJ, pelo promotor Marcelo Abramovitch, enquadra o cabo: ele não teria querido matar a menina, mas, ao atirar na direção de casas depois de avisado de que havia moradores, teria assumido esse risco (Menezes, 2026).

A diferença não é só de pena. A Constituição atribui à Justiça Militar estadual os crimes militares cometidos por policiais militares, mas faz uma ressalva: fica preservada a competência do júri quando a vítima for civil (Brasil, 1988), e o júri julga os crimes dolosos contra a vida. Por isso a estratégia da defesa, segundo a nota do próprio advogado do cabo, foi tentar levar o caso à Justiça Militar em vez do júri (Flávio…, 2026) — o que dependia de convencer os tribunais a desclassificar a acusação para homicídio culposo (Menezes, 2026).

Quadro 3 — Teses em confronto no processo — caso Ana Clara, Niterói (RJ), 2021–2026

Questão	Acusação (MPRJ)	Defesa do cabo
Houve confronto?	Não	Sim: a equipe foi recebida a tiros e reagiu
De onde partiu o tiro?	Do fuzil do cabo	O cabo afirma ter certeza de que seus disparos não atingiram a menina
Elemento subjetivo	Dolo eventual: assumiu o risco ao atirar contra área residencial após avisos	Não há prova de intenção de matar
Qualidade da prova	Perícia de local, testemunhas e contradições dos PMs	Local não preservado; testemunhos indiretos
Quem deve julgar	Tribunal do Júri	Justiça Militar, após desclassificação para culposo

Fonte: elaborado pelo autor com base em Flávio… (2026), Menezes (2026) e Luiz (2026). Nota: as posições da defesa reúnem argumentos apresentados nos recursos e na nota enviada à imprensa pelo advogado Paulo Klein.

Peça 05

Quatro instâncias, três datas

O cabo foi denunciado por homicídio qualificado com dolo eventual. Em novembro de 2021, a 3ª Vara Criminal de Niterói decidiu mandá-lo a júri popular — a chamada pronúncia. No mesmo mês, a prisão preventiva foi revogada a pedido da defesa, com parecer favorável do próprio MPRJ, e substituída por medidas cautelares: afastamento do policiamento nas ruas e suspensão do porte de arma (Flávio…, 2026). Desde então ele responde ao processo em liberdade e, segundo seu advogado, exerce funções administrativas no quartel do 12º BPM (Menezes, 2026).

A partir daí, a defesa impugnou a pronúncia no TJRJ, no STJ e no STF, e ela permaneceu válida. Atenção ao alcance dessas decisões: tribunais superiores podem manter uma decisão por razões processuais, como a inadmissibilidade do recurso, sem reexaminar as provas — foi o que fez a maioria do STJ em 2024. Nenhuma delas julgou se o policial é culpado; trataram só de saber se o caso deve ir a júri. Filtre a linha do tempo pelos tipos de evento:

2 fev. 2021 Ana Clara é atingida na porta de casa e morre no Hospital Estadual Azevedo Lima (Flávio…, 2026).
2–3 fev. 2021 O cabo é preso em flagrante (data exata divergente nas fontes) após contradições entre as declarações dos PMs, as testemunhas e a perícia (Policial…, 2021).
nov. 2021 Pronúncia pela 3ª Vara Criminal de Niterói; preventiva revogada com medidas cautelares (Flávio…, 2026).
mar. 2022 O TJRJ mantém a pronúncia por unanimidade (Flávio…, 2026).
9 abr. 2024 A Quinta Turma do STJ rejeita, por 3 votos a 2, um agravo regimental da defesa; a maioria decide por questões processuais, sem analisar a responsabilidade do policial (Menezes, 2026).
10 abr. 2024 Data do documento, assinado pelo advogado Paulo Klein, que formaliza a entrada de Flávio Bolsonaro na defesa (Menezes, 2026).
out. 2024 Novo habeas corpus no STJ, já sem o nome do senador entre os defensores (Flávio…, 2026).
abr. 2025 O STJ rejeita o habeas corpus por unanimidade (Flávio…, 2026).
jun. 2025 No STF, a ministra Cármen Lúcia nega o recurso e a Primeira Turma confirma (Flávio…, 2026).
ago. 2025 Trânsito em julgado da pronúncia: não cabe mais recurso contra a ida a júri (não é condenação) (Flávio…, 2026).
mar. 2026 Reportagem de Alice Maciel no ICL Notícias revela a atuação do senador na defesa (Briso, 2026).
14 abr. 2026 Primeira data do júri — dia em que Ana Clara faria 11 anos; a sessão é remarcada para 21 de outubro (Briso, 2026).
5 ago. 2026 A juíza titular da 3ª Vara Criminal informa ter sido convocada como desembargadora substituta, com sessão marcada para o mesmo horário do júri, e transfere o julgamento (Menezes, 2026).
out. 2026 A série jornalística "Revelando", apresentada pela atriz Camila Pitanga, volta ao caso (Briso, 2026).
18 out. 2026 Debate da Band: Lula cobra Flávio; o senador defende a advocacia (Lula…, 2026).
21 out. 2026 Segunda data do júri, que não se realiza (Diniz, 2026).
21 out. 2026 Liminar do ministro André Mendonça (TSE) suspende o impulsionamento pago de posts da campanha de Lula sobre o caso (Vilanova, 2026).
23 out. 2026 Debate da TV Globo: com a mãe na plateia, Flávio diz acreditar na inocência do policial (Silva; Estrela, 2026).
5 maio 2027 Previsto Nova data marcada para o júri (Menezes, 2026).

Figura 3 — As três datas do júri. Ilustração fictícia gerada por IA. Imagem gerada por IA para o Brasil Acadêmico

O relógio processual

Quanto tempo é isso, em números? A Tabela 1 mede a distância entre o fato e cada marco. Onde as fontes só informam mês e ano, o cálculo é aproximado ao mês.

Tabela 1 — Tempo decorrido entre o fato (2 fev. 2021) e os marcos processuais — caso Ana Clara, Niterói (RJ), 2021–2027

Marco	Data	Dias	Meses
Pronúncia (3ª Vara Criminal de Niterói)	nov. 2021	—	≈ 9
TJRJ mantém a pronúncia	mar. 2022	—	≈ 13
STJ rejeita agravo (3 × 2)	9 abr. 2024	1.162	38
Trânsito em julgado da pronúncia	ago. 2025	—	≈ 54
1ª data do júri	14 abr. 2026	1.897	62
2ª data do júri	21 out. 2026	2.087	68
3ª data do júri (prevista)	5 maio 2027	2.283	75

Fonte: elaborado pelo autor com base em Flávio… (2026), Menezes (2026) e Briso (2026). Nota: dias calculados pelo autor em calendário corrido; meses = meses completos; "≈" indica marco divulgado apenas com mês e ano.

Meses desde 2 de fevereiro de 2021

Pronúncia ≈ 9

TJRJ ≈ 13

STJ (agravo) 38

Trânsito em julgado ≈ 54

1ª data do júri 62

2ª data do júri 68

3ª data (prevista) 75

Barras proporcionais a 75 meses (= 100%); a barra hachurada é uma data prevista, não um fato. Elaborado pelo autor com base na Tabela 1.

Dois pontos ajudam a ler o gráfico sem atalhos. Primeiro, a maior parte do tempo transcorreu enquanto tramitavam os recursos contra a pronúncia — um direito da defesa, que os tribunais rejeitaram um a um. Isso não significa que todo o intervalo tenha sido causado pela defesa: atribuir causas exigiria examinar, ato a ato, quanto tempo cada processo esperou por pauta, despacho ou julgamento, dados que as reportagens não trazem. Segundo, depois do trânsito em julgado, em agosto de 2025, ainda se passaram oito meses até a primeira data do júri, e o adiamento de outubro, segundo a decisão judicial consultada pelo colunista de O Globo, decorreu da agenda da magistrada, não de pedido da defesa (Menezes, 2026).

Peça 06

O senador na banca de defesa

A participação de Flávio Bolsonaro veio a público em março de 2026, em reportagem de Alice Maciel no ICL Notícias, e ganhou escala em outubro, com a série "Revelando" e o debate presidencial (Briso, 2026). O que os documentos mostram, segundo as reportagens que tiveram acesso a eles, é o seguinte.

O registro. No cabeçalho do acórdão do STJ assinado em abril de 2024 pelo ministro Ribeiro Dantas, Flávio Nantes Bolsonaro é o primeiro de cinco advogados listados, com inscrição na OAB do Distrito Federal; os outros quatro são do Rio, entre eles o escritório de Paulo Klein. A Folha observa que o acórdão não informa se o senador assinou peças do processo (Flávio…, 2026). A coluna de O Globo acrescenta uma cronologia fina: a Quinta Turma julgou o agravo em 9 de abril de 2024, e o documento que formaliza a entrada do senador na defesa é de 10 de abril — um dia depois; a documentação consultada não permite afirmar se ele participou de conversas com ministros antes daquela decisão (Menezes, 2026). Em outubro de 2024, no habeas corpus seguinte, o nome dele já não constava (Flávio…, 2026).

Quadro 5 — Registros públicos sobre a participação do senador na defesa, por fonte — 2024

Data	Ato	O que se informa sobre o senador	Fonte
9 abr. 2024	Quinta Turma do STJ rejeita agravo regimental (3 × 2)	Nome listado em 1º lugar entre cinco advogados no cabeçalho do acórdão; o acórdão não informa se assinou peças	Folha (Flávio…, 2026)
10 abr. 2024	Documento de Paulo Klein formaliza a entrada do senador na defesa	Data posterior ao julgamento do agravo; não permite afirmar participação anterior em contatos com ministros	O Globo (Menezes, 2026)
2024	Recurso ao STJ contra a ida a júri	Diversos veículos afirmam que ele "assinou" o recurso, sem identificar a peça nem o número	Estadão Conteúdo (Lula…, 2026); Poder360 (Aquino, 2026)
out. 2024	Novo habeas corpus no STJ	Nome não consta entre os defensores	Folha (Flávio…, 2026)

Fonte: elaborado pelo autor com base nas reportagens indicadas. Nota: o número dos processos e a íntegra das peças não foram consultados diretamente; a habilitação nos autos e eventuais assinaturas dependem de verificação nos registros do STJ.

O papel. Segundo a apuração de Ulisses Campbell em O Globo, o senador entrou no caso a convite de Klein, presidente do Instituto Família Policial, sem cobrar honorários; caberia a ele facilitar o contato com gabinetes de ministros do STJ, enquanto Klein redigia os recursos e fazia as sustentações orais (Menezes, 2026). A ausência de honorários também foi registrada pelo Metrópoles (Silva; Estrela, 2026). O Poder360, como outros veículos, afirma que o senador assinou o recurso de 2024 (Aquino, 2026).

A defesa da defesa. Em nota à Folha, Klein afirmou ter convidado o senador quando o caso chegou ao STJ, disse que ele se habilitou regularmente nos autos, sustentou a inocência do policial e negou qualquer manobra protelatória: a defesa não fez um único ato para que o processo fosse adiado (Flávio…, 2026). Pouco depois de enviar a nota, pediu que ela não fosse publicada, para não entrar no debate eleitoral; o jornal a publicou (Flávio…, 2026).

O que cada lado disse nos debates

Band, 18 out. 2026 — Lula

Lula disse que o adversário, já senador, agiu para que o policial não fosse preso, e perguntou: Me explica por que você fez isso? (Luiz, 2026)

Band, 18 out. 2026 — Flávio Bolsonaro

O senador respondeu que não se pode criminalizar o exercício da advocacia e acusou Lula de antecipar uma condenação: Nem teve julgamento, você já condenou o cara (Lula…, 2026).

TV Globo, 23 out. 2026 — Lula

Voltou a questionar o adversário sobre a atuação na defesa do policial acusado da morte de Ana Clara (Silva; Estrela, 2026).

TV Globo, 23 out. 2026 — Flávio Bolsonaro

Com a mãe de Ana Clara na plateia, chamou o caso de tragédia ocorrida numa troca de tiros e disse ter a confiança que não foi esse policial (Silva; Estrela, 2026).

Vídeo divulgado em 21 out. 2026 — Cristiane Gomes da Silva, mãe

Em entrevista gravada e divulgada pelo deputado federal eleito Marcelo Freixo (PT), cobrou o julgamento; disse não questionar o direito do policial à defesa, mas a participação do senador nos recursos contra o júri (Diniz, 2026).

Alegações conferidas com os autos noticiados

Algumas afirmações repetidas nesta semana, vindas dos dois campos, esbarram nos registros publicados — e merecem o mesmo tratamento. Do lado de quem critica o senador, a ideia de que ele agiu para que o policial não fosse preso não corresponde ao objeto do recurso: o que se discutia no STJ era se o caso iria ou não a júri; a prisão preventiva já havia sido revogada em novembro de 2021, com parecer favorável do MPRJ (Flávio…, 2026). Também a percepção, relatada pela mãe à Agência Pública, de que o senador teria poder para mudar datas e adiar o júri (Briso, 2026) contrasta com a decisão judicial que atribui o último adiamento à convocação da juíza para atuar no Tribunal de Justiça (Menezes, 2026); a Revista Cenarium registrou que os elementos públicos não comprovam que o senador tenha provocado os adiamentos (Diniz, 2026).

Do lado de quem defende o senador, a referência a uma troca de tiros como dado do caso (Silva; Estrela, 2026) é a tese da defesa, não um fato estabelecido: a perícia de local não encontrou estojos de pistola nem marcas de tiro na viatura, e o MPRJ afirma que não houve confronto (Flávio…, 2026). E a observação de que o réu ainda não foi julgado é exata, mas descreve uma etapa: a decisão de que há indícios suficientes para levá-lo a júri resistiu aos recursos e é definitiva — o que não equivale a um juízo sobre a culpa. Quem decide se ele é culpado ou inocente são os jurados, e nenhum tribunal se pronunciou sobre isso até agora.

Peça 07

Desdobramentos

Na rede. Depois do debate da Band, a busca "flavio bolsonaro caso ana clara" entrou no topo dos assuntos do Google Trends no Brasil, com mais de 1 milhão de buscas em 24 horas (Luiz, 2026). A campanha de Lula publicou um vídeo com a mãe da menina que, segundo a Gazeta SP, somava cerca de 16 milhões de visualizações em menos de um dia (O que…, 2026).

Na Justiça Eleitoral. Em 21 de outubro, a pedido de Flávio Bolsonaro, o ministro André Mendonça, do Tribunal Superior Eleitoral (TSE), determinou em liminar a suspensão do impulsionamento pago de publicações da campanha de Lula que associam o senador ao caso — sem ordenar a remoção dos posts — e proibiu novos impulsionamentos do mesmo vídeo, sob multa de R$ 10 mil por descumprimento. O fundamento foi o caráter predominantemente negativo da propaganda paga, que se voltava a desqualificar o adversário; segundo o ministro, a decisão não conclui se as afirmações são verdadeiras (Vilanova, 2026). A liminar ainda será levada ao plenário do TSE. Em 23 de outubro, um ato em frente ao tribunal, em Brasília, classificou a medida como censura (Cavalcante, 2026). O episódio ilustra uma distinção pouco conhecida: a regra eleitoral pode restringir o pagamento para espalhar um conteúdo sem proibir o conteúdo em si.

Na família. Cristiane, que tinha 15 anos quando a filha nasceu, contou à Agência Pública que passou a se sentir ameaçada no bairro depois da repercussão, que o filho caçula faz acompanhamento psicológico desde a morte da irmã e que aceitou do Estado uma indenização de R$ 140 mil, abaixo do valor pedido por sua defesa (Briso, 2026). São informações dadas por ela; as reportagens não trazem a posição do governo do estado sobre a indenização.

No réu. Procurado pela coluna de O Globo, o cabo preferiu não se manifestar; a campanha do senador também não respondeu à coluna (Menezes, 2026). Ele segue vinculado à PM, afastado do policiamento ostensivo e, segundo seu advogado, impedido de portar arma (Menezes, 2026).

No processo. O júri está marcado para 5 de maio de 2027, na Comarca de Niterói (Menezes, 2026). Até lá, o cabo continua presumido inocente, e a acusação continua de pé.

Peça 08

O que os jurados terão de responder

No júri, os jurados não escrevem uma sentença: respondem "sim" ou "não", em votação sigilosa e por maioria, a perguntas formuladas pelo juiz, os quesitos, numa ordem fixada pelo Código de Processo Penal (Brasil, 1941). A sequência não é uma lista que se percorre até o fim: cada resposta pode encerrar a votação. Por isso ela é mais bem lida como um fluxo:

Figura 4 — Fluxo da votação dos quesitos no Tribunal do Júri (CPP, art. 483) aplicado às teses do caso

I
Materialidade: o fato existiu?
A morte e sua causa estão documentadas; não é o ponto em disputa.
"Não" por mais de 3 jurados → votação encerrada; absolvição.
II
Autoria: o acusado foi o autor do disparo?
Centro da disputa: o tiro partiu do fuzil do cabo? Perícia, estojos e testemunhas.
"Não" por mais de 3 jurados → votação encerrada; absolvição.
D
Desclassificação (se a defesa sustentar): o crime foi culposo, e não doloso?
É a tese central da estratégia descrita pela defesa. O quesito vem após o II ou o III, conforme o caso (art. 483, § 4º).
Se acolhida → os jurados deixam de julgar; o juiz-presidente profere a sentença (art. 492, § 1º).
III
O jurado absolve o acusado?
Quesito obrigatório e genérico, feito mesmo com autoria reconhecida; é nele que pesam teses como a de reação a um ataque.
"Sim" por mais de 3 jurados → absolvição.
IV
Há causa de diminuição de pena alegada pela defesa?
Só existe se houver tese nesse sentido em plenário.
V
Há qualificadora ou causa de aumento?
A denúncia é por homicídio qualificado; a qualificadora precisa ser reconhecida pelos jurados.
Ao final, o juiz-presidente fixa a pena conforme as respostas.

Fonte: elaborado pelo autor com base em Brasil (1941), art. 483, § 1º a § 4º, art. 489 e art. 492, § 1º, e em Flávio… (2026). Nota: a redação efetiva dos quesitos depende das teses sustentadas em plenário e é definida pelo juiz-presidente; o fluxo mostra a estrutura legal, não os quesitos que serão formulados neste caso.

Repare na lógica: os jurados decidem primeiro sobre os fatos (houve morte? quem atirou?) e só depois sobre absolver ou condenar. É essa a ordem que a simulação da Peça 02 tenta respeitar — e que o debate público, nesta semana, inverteu.

Para levar

Seis perguntas para ler um caso criminal no noticiário

Casos como este voltam ao noticiário em momentos de alta temperatura, e cada lado recorta o que lhe convém. Antes de compartilhar, faça a si mesmo as perguntas abaixo (e use-as em sala de aula, se você ensina jornalismo, Direito ou leitura crítica):

Esta afirmação é fato documentado (laudo, decisão, acórdão) ou tese de uma das partes? Em que fase está o processo — inquérito, pronúncia, júri, recurso? "Não foi julgado" e "foi absolvido" são coisas diferentes. A reportagem cita o documento ou repete o que outro veículo disse? Dá para chegar à fonte original? O texto mostra a versão da defesa e a da acusação, ou só uma delas? Os números (tiros, datas, votos) batem entre veículos diferentes? Onde divergem, quem tem a fonte primária? Estou lendo sobre o caso ou sobre o uso político do caso? As duas coisas são legítimas, mas não são a mesma.

0 de 6 perguntas feitas

Encerramento

Sessão suspensa

Quando os jurados se reunirem, em maio de 2027, Ana Clara teria feito 12 anos, e seis terão se passado desde aquela terça-feira de fevereiro. A mãe diz que vai repetir o nome da filha quantas vezes for preciso (Briso, 2026); a defesa diz ter absoluta convicção da inocência do cabo (Flávio…, 2026). Entre as duas promessas está um conjunto de estojos, uma viatura sem marcas, uma mancha diante de uma porta e um processo que já passou por três tribunais acima da vara de Niterói sem que nenhum deles tenha respondido à pergunta que cabe aos jurados.

Concretamente, o que permanece em aberto é: (1) a autoria penal — se o tiro que atingiu Ana Clara partiu do fuzil do cabo; (2) a avaliação, pelos jurados, da tese de confronto e das demais teses da defesa; (3) a própria realização da sessão, marcada para 5 de maio de 2027 depois de dois adiamentos; e (4) o desfecho dos pedidos do MPRJ para investigar fraude processual e falso testemunho, sobre os quais as reportagens não trazem notícia.

Quando um caso vira argumento de campanha, quem ganha tempo — e quem perde — é a família, o réu ou a própria ideia de que a Justiça decide com provas, e não com manchetes?

Nota do autor: (1) Critério de fontes. A seleção priorizou reportagens com autoria ou agência identificada, atribuição explícita de declarações, referência a documentos e possibilidade de confronto com outras fontes. Foram consideradas diferentes linhas editoriais, sem pressupor que a orientação de um veículo determine, isoladamente, a confiabilidade de cada informação. (2) Fontes primárias. A denúncia, a pronúncia, os acórdãos do STJ e do STF, a decisão de adiamento e os laudos não foram consultados na íntegra: o processo não está aberto ao público, e o post depende de como a imprensa os descreveu. Essa é a principal limitação do texto. (3) Republicações. A reportagem da Folha de S.Paulo foi lida na distribuição da Folhapress publicada pelo ES Hoje, e a apuração de Ulisses Campbell na coluna True Crime de O Globo, no resumo do Diário do Pará; os originais têm paywall e não foram conferidos diretamente, por isso as referências citam o veículo efetivamente lido. (4) Horário. A CartaCapital (2021) fala em "tarde"; relatos de 2026, em que a família tinha acabado de acordar. Uma revisão externa indicou que a denúncia registraria cerca de 10h50, mas não localizamos documento ou reportagem aberta que o confirme; o dado não foi incorporado. (5) Data da prisão. O DOL situa a prisão em flagrante no dia 2; a Jovem Pan, no dia 3, e a CartaCapital a noticia na manhã do dia 3. Sem acesso ao auto de prisão, a linha do tempo registra "2–3 fev. 2021". (6) Número de disparos. Há relatos de um tiro, de dois e de "disparos"; o post usa "um disparo atingiu a menina", formulação comum a todos. (7) Grafia e lotação. O sobrenome aparece como Delaroli e Delarolli; adotou-se a primeira, usada no acórdão segundo a Folha. A Agência Pública menciona o 16º BPM; os demais veículos e a denúncia, o 12º BPM, adotado aqui. (8) Frases no local. A repreensão de um policial a outro aparece com redações diferentes em cada fonte; o post a descreve sem aspas. (9) "Assinou o recurso". Ver Quadro 5: o post descreve os registros sem arbitrar a divergência. (10) Contas. Dias e meses da Tabela 1 foram calculados pelo autor. (11) Imagens. As fotografias são ilustrações fictícias geradas por IA, sem pessoas reais, com essa indicação gravada na própria imagem; a simulação é esquemática e não substitui laudo. Texto fechado em 24 out. 2026; o caso está em andamento.

Anexo A

Glossário

Termos jurídicos, periciais e siglas, em ordem alfabética. Clique em um termo sublinhado no texto para chegar aqui; o botão "voltar ao texto" leva de volta.

Agravo regimental: Recurso contra decisão individual de um ministro ou desembargador, levado ao órgão colegiado (turma ou câmara) do mesmo tribunal. Peça 05
BPM (Batalhão de Polícia Militar): Unidade territorial da PM. O 12º BPM atende Niterói. Abertura
Cadeia de custódia: Conjunto de procedimentos que documenta a coleta, o transporte, a guarda e o exame de um vestígio, para garantir que ele não foi trocado ou alterado (CPP, arts. 158-A a 158-F) (Brasil, 1941). Peça 03
Calibre 7,62: Munição de fuzil de 7,62 mm de diâmetro; foi o único calibre de estojo recolhido no local. Peça 02
Confronto balístico: Exame microcomparativo que compara as marcas deixadas por uma arma em estojos e projéteis com padrões disparados por ela, para verificar se partiram daquela arma. Peça 03
Desclassificação: Mudança da classificação jurídica do crime (por exemplo, de homicídio doloso para culposo), que pode alterar a pena e o tribunal competente. Peça 04
DHNSG: Delegacia de Homicídios de Niterói, São Gonçalo e Itaboraí, da Polícia Civil do Rio, responsável pelo inquérito. Peça 01
Dolo eventual: Quando o agente não quer o resultado, mas assume o risco de produzi-lo; o Código Penal trata esse caso como crime doloso (art. 18, I) (Brasil, 1940). Peça 04
Estojo: O cilindro metálico que contém a pólvora e é ejetado pela arma após o disparo (popularmente, "cápsula"). Indica o calibre e a posição aproximada de quem atirou; por confronto microcomparativo, pode ser associado a uma arma específica. Peça 02
Fraude processual: Crime de alterar artificialmente o estado de lugar, coisa ou pessoa para induzir a erro o juiz ou o perito (CP, art. 347) (Brasil, 1940). Peça 03
Habeas corpus (HC): Ação constitucional contra ilegalidade ou abuso que afete a liberdade de locomoção; na prática, é usada também para contestar decisões do processo penal. Peça 05
Homicídio culposo: Morte causada por imprudência, negligência ou imperícia, sem intenção nem aceitação do risco (CP, art. 18, II) (Brasil, 1940); não vai a júri. Peça 04
Justiça Militar estadual: Ramo que julga crimes militares de policiais e bombeiros militares; a Constituição ressalva a competência do júri quando a vítima é civil (art. 125, § 4º) (Brasil, 1988). Peça 04
Medidas cautelares: Restrições impostas ao réu em liberdade no lugar da prisão, como afastamento de funções e suspensão do porte de arma (CPP, art. 319) (Brasil, 1941). Peça 05
MPRJ: Ministério Público do Estado do Rio de Janeiro, autor da denúncia e da acusação em plenário. Peça 03
Prisão em flagrante: Prisão de quem está cometendo o crime ou acaba de cometê-lo, ou é encontrado logo depois em situação que faça presumir a autoria (CPP, art. 302) (Brasil, 1941). Peça 01
Prisão preventiva: Prisão decretada antes da condenação, quando necessária para garantir a ordem pública, a instrução ou a aplicação da lei (CPP, art. 312) (Brasil, 1941). Peça 05
Pronúncia: Decisão do juiz que, convencido da materialidade e de indícios suficientes de autoria, manda o réu a júri (CPP, art. 413) (Brasil, 1941). É um juízo de admissibilidade da acusação, não uma condenação. Peça 05
Quesitos: Perguntas de "sim" ou "não" respondidas pelos jurados em votação sigilosa, na ordem do CPP, art. 483 (Brasil, 1941). Peça 08
STF: Supremo Tribunal Federal, guardião da Constituição; julgou o último recurso da defesa contra a pronúncia. Peça 05
STJ: Superior Tribunal de Justiça, que uniformiza a interpretação da lei federal; sua Quinta Turma julga matéria penal. Peça 05
TJRJ: Tribunal de Justiça do Estado do Rio de Janeiro, a segunda instância da Justiça estadual. Peça 05
Trânsito em julgado: Momento em que uma decisão não admite mais recurso. Aqui, refere-se à pronúncia, e não a uma condenação. Peça 05
Tribunal do Júri: Órgão que julga os crimes dolosos contra a vida, com sete jurados leigos sorteados e um juiz-presidente (CF, art. 5º, XXXVIII) (Brasil, 1988). Abertura

Anexo B

Referências

AQUINO, Mariana. Flávio responde sobre Ana Clara sem olhar para a mãe na plateia. Poder360, Brasília, 24 out. 2026. Disponível em: https://www.poder360.com.br/poder-eleicoes-2026/flavio-responde-sobre-ana-clara-sem-olhar-para-a-mae-na-plateia/. Acesso em: 24 out. 2026.
BARROS, Lorena. 'Minha filha morreu salvando o irmão', diz mãe de menina de 5 anos morta em operação da PM no RJ. Jovem Pan, São Paulo, 3 fev. 2021. Disponível em: https://jovempan.com.br/brasil/minha-filha-morreu-salvando-o-irmao-diz-mae-de-menina-de-5-anos-morta-em-operacao-da-pm-no-rj/. Acesso em: 24 out. 2026.
BRASIL. Decreto-Lei nº 2.848, de 7 de dezembro de 1940. Código Penal. Diário Oficial da União: seção 1, Rio de Janeiro, 31 dez. 1940. Texto compilado. Disponível em: https://www.planalto.gov.br/ccivil_03/decreto-lei/del2848compilado.htm. Acesso em: 24 out. 2026.
BRASIL. Decreto-Lei nº 3.689, de 3 de outubro de 1941. Código de Processo Penal. Diário Oficial da União: seção 1, Rio de Janeiro, 13 out. 1941. Texto compilado. Disponível em: https://www.planalto.gov.br/ccivil_03/decreto-lei/del3689compilado.htm. Acesso em: 24 out. 2026.
BRASIL. [Constituição (1988)]. Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidência da República, [2026]. Texto compilado. Disponível em: https://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm. Acesso em: 24 out. 2026.
BRISO, Caio Barretto. Silêncio de Flávio sobre Ana Clara "foi desesperador", diz a mãe da menina. Agência Pública, São Paulo, 19 out. 2026. Disponível em: https://apublica.org/2026/10/silencio-de-flavio-sobre-ana-clara-foi-desesperador-diz-a-mae-da-menina/. Acesso em: 24 out. 2026.
CASO Ana Clara: relembre a morte da menina de 5 anos citada por Lula em debate. O Liberal, Belém, 19 out. 2026. Disponível em: https://www.oliberal.com/brasil/caso-ana-clara-relembre-a-morte-da-menina-de-5-anos-citada-por-lula-em-debate-1.1184306. Acesso em: 24 out. 2026.
CAVALCANTE, Fernanda. Caso Ana Clara: ato no TSE critica decisão de Mendonça contra post de Lula. Metrópoles, Brasília, 23 out. 2026. Disponível em: https://www.metropoles.com/distrito-federal/caso-ana-clara-ato-no-tse-critica-decisao-de-mendonca-contra-post-de-lula. Acesso em: 24 out. 2026.
DINIZ, Bianca. Mãe de Ana Clara cobra julgamento de PM defendido por Flávio Bolsonaro. Revista Cenarium, Manaus, 21 out. 2026. Disponível em: https://revistacenarium.com.br/mae-de-ana-clara-cobra-julgamento-de-pm-defendido-por-flavio-bolsonaro/. Acesso em: 24 out. 2026.
FLÁVIO Bolsonaro advogou para PM acusado de matar menina de 5 anos no Rio. ES Hoje, Vitória, 19 out. 2026. Reportagem da Folha de S.Paulo distribuída pela Folhapress; lida na republicação. Disponível em: https://eshoje.com.br/brasil/2026/10/flavio-advogou-para-pm/. Acesso em: 24 out. 2026.
LUIZ, Álvaro. Ana Clara: entenda caso citado por Lula a Flávio sobre menina morta por PM. Metrópoles, Brasília, 19 out. 2026. Disponível em: https://www.metropoles.com/brasil/flavio-ana-clara-caso-lula-pm. Acesso em: 24 out. 2026.
LULA pergunta a Flávio sobre advogar para assassino de criança; Flávio defende advocacia. O Liberal, Belém, 18 out. 2026. Estadão Conteúdo. Disponível em: https://www.oliberal.com/politica/lula-pergunta-a-flavio-sobre-advogar-para-assassino-de-crianca-flavio-defende-advocacia-1.1184126. Acesso em: 24 out. 2026.
MÃE relata últimas palavras de menina morta por PM. DOL – Diário Online, Belém, fev. 2021. Disponível em: https://dol.com.br/noticias/brasil/637524/mae-relata-ultimas-palavras-de-menina-morta-por-pm-tchau-mae-estou-indo-nao-vou-aguentar. Acesso em: 24 out. 2026.
MENEZES, Carol. Caso Ana Clara: como Flávio Bolsonaro tentou tirar policial do Tribunal do Júri. Diário do Pará, Belém, 23 out. 2026. Resume apuração de Ulisses Campbell na coluna True Crime, de O Globo, não consultada diretamente. Disponível em: https://diariodopara.com.br/noticias/caso-ana-clara-como-flavio-bolsonaro-tentou-tirar-policial-do-tribunal-do-juri/. Acesso em: 24 out. 2026.
O QUE é o 'caso Ana Clara', menina de cinco anos morta por PM no Rio de Janeiro e defendido por Flávio Bolsonaro, citado no debate da TV Band. Gazeta SP, São Paulo, 19 out. 2026. Disponível em: https://www.gazetasp.com.br/cotidiano/o-que-e-o-caso-ana-clara-menina-de-cinco-anos-morta-por-pm-no-rio-de-janeiro-e-defendido-por-flavio-bolsonaro-citado-no-debate-da-tv-band/. Acesso em: 24 out. 2026.
POLICIAL é preso em flagrante após menina de 5 anos ser morta por tiro. CartaCapital, São Paulo, 3 fev. 2021. Disponível em: https://www.cartacapital.com.br/sociedade/policial-e-preso-em-flagrante-apos-menina-de-5-anos-ser-morta-por-tiro/. Acesso em: 24 out. 2026.
SILVA, Junio; ESTRELA, Giovanna. Flávio diz acreditar na inocência de policial acusado de matar Ana Clara. Metrópoles, Brasília, 23 out. 2026. Disponível em: https://www.metropoles.com/brasil/flavio-diz-acreditar-na-inocencia-de-policial-acusado-de-matar-ana-clara. Acesso em: 24 out. 2026.
VILANOVA, Nilton. Mendonça atende Flávio e suspende impulsionamento de posts que o associam ao caso Ana Clara. Diário de Pernambuco, Recife, 21 out. 2026. Disponível em: https://www.diariodepernambuco.com.br/politica/2026/10/11727244-mendonca-atende-flavio-e-suspende-impulsionamento-de-posts-que-o-associam-ao-caso-ana-clara.html. Acesso em: 24 out. 2026.

O futuro da IA: o que é ciência e o que é especulação

noreply@blogger.com (War) — Thu, 22 Oct 2026 21:13:24 -0300

Na mesma semana de outubro de 2026, três notícias contaram três histórias diferentes sobre a inteligência artificial: duas falhas de 14 anos no PHP, descobertas por modelos de IA, foram exploradas em massa poucas horas depois do alerta; a Meta perdeu 8% em um dia porque o mercado se assustou com a conta dos data centers; e Yuval Harari repetiu que, em dez anos, podemos ser "as vacas do futuro". Este post separa, com fontes na mesa, o que já foi medido do que é hipótese razoável e do que é apenas narrativa: os avanços reais em ciência, medicina e segurança; os limites demonstrados em laboratório; a aritmética da suposta bolha; as pesquisas com especialistas sobre extinção e singularidade; o que os dados de emprego mostram (e o que não mostram), inclusive no Brasil; e o lugar do catastrofismo entre a ciência e o marketing. No caminho: três vídeos com atalhos por trecho (Hinton, Harari e Nicolelis), um termômetro de evidência para você calibrar o próprio ceticismo, as previsões de 2017 confrontadas com 2026, um quem é quem com as pessoas e empresas citadas e as leituras correlatas aqui do blog.

Na tarde de quarta-feira, 21 de outubro de 2026, no horário que havia anunciado na véspera, o projeto PHP publicou um aviso curto e incomum: as versões 8.5.12, 8.4.27, 8.3.36 e 8.2.35 corrigiam duas falhas críticas que permitiam execução remota de código sem autenticação, e "todos os usuários de PHP são fortemente encorajados a atualizar imediatamente" (PHP Group, 2026). As duas falhas — apelidadas de PHP2Shell — estavam no interpretador havia cerca de 14 anos e, segundo as próprias equipes, foram encontradas por dois grupos independentes usando modelos de IA: a Wiz Research, com o Gemini 4 e o GPT-5.6, e a Calif, com o GPT-5.6, dentro de um programa de descoberta coordenada da OpenAI (Tzadik et al., 2026) (OpenAI, 2026b). A notícia boa durou pouco, segundo a cobertura da imprensa: a Cloudflare relatou dezenas de milhares de tentativas de exploração em 45 minutos e milhões à noite; a Amazon Web Services disse ter visto tentativas dias antes da divulgação oficial; governos da Alemanha, França, Bélgica e Países Baixos tiraram sites do ar para aplicar o remendo, e a NSA emitiu um alerta público raro (Fortune, 2026a) (Al Jazeera, 2026). A PHP Foundation resumiu o novo normal em uma frase: as ferramentas agora acham bugs mais rápido do que nunca, "para defensores e atacantes igualmente" (Al Jazeera, 2026).

Na mesma semana, a Meta divulgou que elevaria o piso do seu investimento em infraestrutura de 2026 para US$ 135 bilhões, fechou o trimestre com fluxo de caixa livre negativo e viu a ação cair 8% em um dia (Reuters, 2026). E Yuval Noah Harari, em entrevista à TV pública tcheca, repetiu a metáfora que vinha usando desde setembro: assim como as vacas não entendem o sistema financeiro que decide a vida delas, "nós somos as vacas do futuro" (Samet, 2026).

Três notícias, três registros: um fato técnico documentado em fonte primária; um sinal financeiro que pode ou não ser o início de uma correção; e uma metáfora de historiador sobre um futuro possível. O problema do debate sobre o futuro da IA não é a falta de informação, é que esses três registros chegam misturados, com a mesma tipografia, no mesmo feed. Este post propõe uma régua simples para separá-los e aplica essa régua aos temas que mais aparecem nas conversas: a bolha, os grandes players, o risco de extinção, a singularidade, o desemprego, a perda de controle, os avanços e os limites reais dos modelos. E aproveita para revisitar um post deste blog de 2017 que prometia dizer quando os robôs substituiriam cada trabalho humano. Algumas daquelas previsões já venceram.

Sinal 01

A régua: medido, parcial, hipótese, narrativa

O International AI Safety Report, relatório escrito por cerca de cem especialistas sob coordenação de Yoshua Bengio e encomendado por mais de trinta governos, dá nome ao desconforto de quem tenta acompanhar o tema: o "dilema da evidência". Os sistemas ficam mais capazes rapidamente, mas as evidências sobre seus riscos "demoram a surgir e são difíceis de avaliar"; agir cedo demais arrisca intervenções inúteis ou prejudiciais, agir tarde demais arrisca o contrário (International AI Safety Report, 2026). O mesmo relatório observa que as capacidades continuam "irregulares": os melhores sistemas resolvem tarefas difíceis e falham em outras mais simples (International AI Safety Report, 2026).

Se nem o relatório oficial consegue dizer com segurança para onde a curva vai, o leitor comum precisa de um instrumento mais modesto: não "o que vai acontecer?", mas "que tipo de afirmação é esta?". Proponho quatro degraus, do mais ao menos sólido:

Quadro 1 — Quatro categorias heurísticas para ler afirmações sobre inteligência artificial

Degrau	O que é	Pergunta-teste	Exemplo neste post
Medido	Resultado publicado em fonte primária, com método descrito e, de preferência, replicado ou verificado por terceiros	Alguém de fora conferiu?	As falhas PHP2Shell; o Nobel de Química do AlphaFold; a taxa de alucinação medida pela própria OpenAI
Evidência parcial	Dados reais, mas iniciais, de amostra restrita, descritivos (não causais) ou de laboratório	Os autores dizem que é causal e geral?	A queda de contratação de jovens em ocupações expostas; a chantagem simulada de modelos em testes
Hipótese plausível	Argumento coerente, com algum apoio em dados, mas cujo resultado só se saberá depois	Que observação futura a derrubaria?	"Estamos numa bolha"; "a IA vai mudar a estrutura do emprego nesta década"
Narrativa	Previsão sem prazo testável, metáfora, extrapolação de tendência ou interesse declarado de quem fala	Quem ganha se eu acreditar?	"A singularidade chega em 2045"; "47% dos empregos vão sumir"; "nós somos as vacas"

Fonte: elaborado pelo autor. Notas: as categorias são uma ferramenta de leitura, não uma hierarquia científica formal, pois combinam duas dimensões (a natureza da afirmação e a força do apoio que ela tem). "Narrativa" não quer dizer "falso": metáforas e previsões podem acertar; o degrau descreve o tipo de apoio que a afirmação tem hoje, não seu valor.

Três cuidados antes de usar a régua. Primeiro, ela é uma heurística, não uma escala científica: mistura duas perguntas diferentes, que tipo de afirmação é esta (um fato observado, uma inferência, uma projeção, uma opinião ou metáfora) e quão forte é o apoio que ela tem. Um resultado medido pode vir de um método frágil; uma projeção pode estar bem fundamentada; uma metáfora pode conter fatos. Por isso, quando a diferença importa, o texto diz as duas coisas, como em "projeção especulativa apresentada em forma de metáfora". Segundo, uma afirmação pode subir ou descer de degrau com o tempo: "a IA escreve redações de ensino médio" era previsão em 2017 e é fato medido desde 2023. Terceiro, a régua vale para os dois lados do debate: tanto o entusiasmo ("a IA vai curar o câncer até 2030") quanto o alarme ("a IA vai nos extinguir") podem estar no degrau da narrativa, e tanto um quanto outro podem ter pedaços no degrau do medido. Arvind Narayanan e Sayash Kapoor, de Princeton, chamam a postura que adoto aqui de ver a IA como "tecnologia normal": transformadora, sim, mas cuja difusão "ocorre ao longo de décadas, não de anos", e sobre a qual "podemos e devemos manter o controle" (Narayanan; Kapoor, 2025). Não é preciso concordar com eles para usar a régua; é preciso apenas aceitar que fato, dado parcial, hipótese e metáfora não pesam o mesmo.

A régua de quatro degraus: a mesma manchete pode cair em lugares diferentes dependendo de como foi apurada. Representação artística em estilo HQ gerada por IA; não reproduz dados nem cenas reais.

Sinal 02

O que a IA já faz (com evidência publicada)

Comecemos pelo degrau mais alto, porque é o menos lembrado quando o assunto vira pânico ou deboche. Em outubro de 2024, metade do Nobel de Química foi para Demis Hassabis e John Jumper, do Google DeepMind, "pela previsão da estrutura de proteínas": o AlphaFold 2 previu a estrutura de praticamente todas as cerca de 200 milhões de proteínas conhecidas, e o banco de dados que resultou disso foi usado por mais de dois milhões de pesquisadores em 190 países (Nobel Prize Outreach, 2024). O artigo original, de 2021, está em acesso aberto (Jumper et al., 2021). Vale separar três coisas que costumam vir juntas. O desempenho foi demonstrado num teste cego, o CASP14, em que as estruturas previstas são comparadas a estruturas determinadas em laboratório e ainda não publicadas: a precisão mediana do esqueleto da proteína foi de 0,96 Å, contra 2,8 Å do segundo melhor método (Jumper et al., 2021). O impacto se mede pelo uso. E o reconhecimento veio com o Nobel, que não é um método de validação, mas o sinal de que a comunidade aceitou o resultado. É a primeira dessas três coisas, a validação contra dados experimentais, que põe o AlphaFold no degrau do medido; e nem isso garante que cada previsão individual do banco de dados esteja correta.

A matemática deu um salto parecido e verificável. Na Olimpíada Internacional de Matemática de 2024, o sistema AlphaProof, combinado ao AlphaGeometry 2, resolveu 4 dos 6 problemas e somou 28 pontos, um a menos que o corte do ouro, com as soluções avaliadas por matemáticos como Timothy Gowers (Google DeepMind, 2024). Em 2025, uma versão do Gemini com "Deep Think" somou 35 de 42 pontos, nível de ouro, lendo os enunciados em linguagem natural dentro do tempo da prova, e os coordenadores da olimpíada certificaram as soluções (Google DeepMind, 2025a). No mesmo ano, o AlphaEvolve encontrou um algoritmo que multiplica matrizes complexas 4×4 com 48 multiplicações escalares, melhorando um resultado que Volker Strassen havia estabelecido em 1969, e recuperou 0,7% da capacidade computacional global do Google ao otimizar o escalonador de tarefas da empresa (Google DeepMind, 2025b).

Na medicina, o melhor exemplo é um ensaio clínico randomizado, não uma demonstração. O estudo sueco MASAI sorteou 105.915 mulheres entre a triagem mamográfica com apoio de IA e a leitura dupla padrão. Nos resultados intermediários, a IA reduziu em 44% a carga de leitura dos radiologistas (Lund University, 2026). Nos resultados finais, publicados na The Lancet em janeiro de 2026, a taxa de "cânceres de intervalo" (os que aparecem entre uma triagem e outra) foi de 1,55 por mil mulheres no grupo com IA e de 1,76 no grupo-controle: uma redução relativa de 12%, mas com intervalo de confiança de 0,65 a 1,18 para a razão entre os grupos. Em termos estatísticos, o ensaio mostrou que a IA não é inferior à leitura dupla nesse desfecho, e não que seja comprovadamente melhor; a sensibilidade, essa sim, foi significativamente maior (80,5% contra 73,8%) (The ASCO Post, 2026). Comentaristas independentes lembram os limites: um só país, um só sistema de IA, radiologistas experientes e dois anos de seguimento (Science Media Centre España, 2026). Já um ensaio americano com 50 médicos mostrou o outro lado da fronteira: médicos com acesso ao GPT-4 acertaram 76% do raciocínio diagnóstico, contra 74% do grupo-controle (diferença sem significância), enquanto o GPT-4 sozinho acertou 92% (Goh et al., 2024). Os resultados sugerem que a disponibilidade de um modelo com alto desempenho diagnóstico não se traduz automaticamente em melhor desempenho dos médicos que o usam; a integração da ferramenta ao raciocínio clínico é uma variável relevante, cujos mecanismos (treino, confiança, desenho da tarefa) ainda pedem investigação.

Na previsão do tempo, o GenCast, do DeepMind, superou o sistema de conjunto do Centro Europeu de Previsões (ECMWF) em 97,2% dos 1.320 alvos testados (Price et al., 2025), e o próprio ECMWF colocou em operação, em fevereiro de 2025, seu primeiro modelo de previsão baseado em IA, com ganhos de até 20% em alguns indicadores e cerca de mil vezes menos energia por previsão (ECMWF, 2025). Em energia, o DeepMind controlou o plasma de um tokamak por aprendizado por reforço, em artigo de 2022 na Nature (Degrave et al., 2022). Em química, uma rede neural triou mais de cem milhões de moléculas e apontou a halicina, antibiótico eficaz em camundongos contra bactérias resistentes (MIT News, 2020).

Segurança: a mesma capacidade, nos dois sentidos

O caso PHP2Shell que abre este post não é um ponto fora da curva; é o ponto mais recente de uma curva que começou em 2024. Em novembro daquele ano, o agente Big Sleep, do Google, encontrou uma falha de memória explorável no SQLite, no que a equipe chamou de "primeiro exemplo público" de um agente de IA achando esse tipo de bug em software amplamente usado, com a ressalva de que um fuzzer específico "provavelmente seria ao menos tão eficaz" (Google Project Zero, 2024). Em agosto de 2025, a competição AIxCC, da agência DARPA, pôs sistemas autônomos para analisar 54 milhões de linhas de código: eles encontraram 54 das 63 vulnerabilidades sintéticas, geraram 43 correções e, de quebra, acharam 18 vulnerabilidades reais que ninguém havia plantado (DARPA, 2025). Em abril de 2026, a Anthropic lançou o Project Glasswing, com um modelo (Claude Mythos Preview) que não foi aberto ao público justamente por sua capacidade ofensiva; a atualização de maio relatava mais de 10 mil vulnerabilidades de severidade alta ou crítica encontradas em parceiros, incluindo uma falha de 27 anos no OpenBSD, e uma taxa de 90,6% de verdadeiros positivos nas 1.752 triadas (Anthropic, 2026b).

O lado negativo também está documentado em fonte primária, com uma nuance importante. Em agosto de 2025 a Anthropic descreveu um operador que usou o Claude Code para extorquir pelo menos 17 organizações, incluindo hospitais e serviços de emergência (Anthropic, 2025c); em novembro, relatou uma campanha de espionagem atribuída a um grupo estatal chinês em que a IA executou "80% a 90%" das etapas contra cerca de 30 alvos, mas "ocasionalmente alucinou credenciais" e teve sucesso em poucos casos (Anthropic, 2025d); pesquisadores de segurança independentes criticaram o relatório pela ausência de indicadores técnicos e pelo tom promocional (BleepingComputer, 2025). A OpenAI, ao descrever as mais de 40 redes maliciosas que interrompeu, concluiu que os atacantes "acoplam a IA a velhos manuais para agir mais rápido", sem "ganhar capacidade ofensiva nova" (OpenAI, 2025a). Em julho de 2026, porém, o Hugging Face relatou uma intrusão "conduzida de ponta a ponta por um sistema de agente autônomo", que explorou dois caminhos de execução de código e se moveu lateralmente pela infraestrutura durante um fim de semana (Hugging Face, 2026). A capacidade de encontrar e explorar falhas é hoje um fato medido; a atribuição de cada ataque a "IA autônoma" ainda varia entre o parcial e o promocional.

Quadro 2 — Avanços da inteligência artificial com resultado publicado e verificado por terceiros, 2020–2026

Área	Resultado	Como foi verificado	Ano
Biologia estrutural	Estrutura de ~200 milhões de proteínas (AlphaFold 2)	Teste cego CASP14 contra estruturas experimentais; artigo em acesso aberto (o Nobel é reconhecimento, não validação)	2021–2024
Matemática	Nível de ouro na IMO (35/42)	Soluções certificadas pelos coordenadores da olimpíada	2025
Algoritmos	Multiplicação de matrizes 4×4 com 48 operações	Prova verificável; melhora resultado de 1969	2025
Medicina	−44% de carga de leitura; taxa de cânceres de intervalo não inferior (−12%, sem significância estatística)	Ensaio clínico randomizado com ~106 mil mulheres	2023–2026
Meteorologia	Modelo de IA operacional no ECMWF	Adoção pelo centro europeu; ganhos de até 20%	2025
Segurança	Falhas de 14 anos no PHP (PHP2Shell)	Patch oficial do projeto PHP; CVE; exploração observada	2026
Segurança	18 vulnerabilidades reais achadas por sistemas autônomos	Competição pública da DARPA	2025

Fonte: elaborado pelo autor com base em Nobel Prize Outreach (2024), Google DeepMind (2025a), Google DeepMind (2025b), Lund University (2026), ECMWF (2025), PHP Group (2026) e DARPA (2025).

Contraexemplo: o "avanço" que não houve

Para calibrar a régua, vale um caso de outubro de 2025. Um executivo da OpenAI anunciou que o GPT-5 havia "encontrado soluções para 10 problemas de Erdős até então não resolvidos". Thomas Bloom, que mantém o site que cataloga esses problemas, respondeu que era "uma interpretação dramaticamente equivocada": o modelo apenas localizara artigos já publicados que resolviam os problemas, coisa útil, mas não um avanço matemático. Demis Hassabis chamou o episódio de "constrangedor", e as mensagens foram apagadas (The Decoder, 2025a). O mesmo modelo que, meses antes, tinha nível de ouro na olimpíada. A capacidade era real; a manchete, não. É exatamente o tipo de confusão que a régua existe para evitar.

Uso dual: a mesma capacidade que encontrou as falhas PHP2Shell para corrigi-las encurtou a janela de quem quis explorá-las. Representação artística em estilo HQ gerada por IA; não reproduz dados nem cenas reais.

Sinal 03

O que a IA não consegue fazer (ainda)

Os limites também estão no degrau do medido, e muitos foram medidos pelas próprias empresas. Em setembro de 2025, pesquisadores da OpenAI publicaram um artigo explicando por que os modelos de linguagem alucinam: as avaliações padrão recompensam o chute, porque uma resposta errada e uma abstenção valem o mesmo zero. No teste SimpleQA, um modelo que se abstinha em 52% das perguntas errava 26%; outro, que se abstinha em 1%, errava 75% (OpenAI, 2025c). Meses antes, a documentação dos modelos o3 e o4-mini havia registrado taxas de alucinação de 33% e 48% no teste PersonQA, acima dos 16% do modelo anterior (Techzine, 2025). Fora do laboratório, o banco de dados mantido pelo pesquisador Damien Charlotin contava, em 19 de outubro de 2026, 2.202 decisões judiciais em que um tribunal constatou o uso de conteúdo alucinado por IA, 41 delas no Brasil (Charlotin, 2026). E a Deloitte devolveu parte do que recebera do governo australiano por um relatório de cerca de 440 mil dólares australianos com referências a um estudo inexistente e uma citação judicial inventada (ACS, 2025).

Sobre raciocínio, o debate mais instrutivo de 2025 foi uma troca de artigos. Pesquisadores da Apple mostraram que modelos "de raciocínio" sofrem "colapso completo de acurácia" acima de certa complexidade em quebra-cabeças como a Torre de Hanói, e que o esforço de raciocínio diminui justamente perto do colapso (Shojaee et al., 2025). Uma réplica argumentou que parte do colapso vinha do limite de tokens de saída e de instâncias impossíveis incluídas no teste (Lawsen, 2025). Os dois lados têm razão em algo, e é isso que torna o caso útil: a limitação foi observada nesses modelos e tarefas, mas a sua forma depende de como se mede; nenhum desses testes estabelece um limite permanente para toda IA, presente ou futura, e sim o desempenho de certos sistemas sob certos protocolos. Já o teste GSM-Symbolic, também da Apple, mostrou algo mais simples e mais incômodo: acrescentar uma cláusula irrelevante a um problema de matemática escolar derrubava o desempenho dos modelos em até 65% (Mirzadeh et al., 2024). E o ARC-AGI-2, benchmark desenhado para medir raciocínio abstrato, continua com todas as suas tarefas resolvidas por pelo menos dois humanos em até duas tentativas, e a fundação que o mantém publica num placar aberto as pontuações dos modelos, que servem de termômetro para a área (ARC Prize Foundation, 2025).

Há uma medida de progresso mais sóbria que os benchmarks: o "horizonte de tarefas" da organização METR, que pergunta quanto tempo um humano levaria para fazer a tarefa mais longa que um modelo conclui com 50% de sucesso. Em janeiro de 2026, o melhor valor era de cerca de 320 minutos, com intervalo de confiança de 170 a 729 minutos, e o tempo de duplicação havia encurtado de 196 dias (série de 2019 em diante) para 89 dias (série de 2024 em diante) (METR, 2026a). É o gráfico mais citado — e mais mal lido — da área: o eixo mede quanto tempo um humano levaria, não quanto tempo o modelo trabalha sozinho, e a amostra é quase só programação (MIT Technology Review, 2026).

O estudo que mediu a sensação de produtividade

O resultado mais contraintuitivo de 2025 veio da mesma METR. Dezesseis desenvolvedores experientes, trabalhando em 246 tarefas reais dos seus próprios repositórios de código aberto, foram sorteados para usar ou não ferramentas de IA. Antes, previam ser 24% mais rápidos com IA. Com IA, levaram 19% mais tempo. E, depois de viver a lentidão, ainda acreditavam ter sido cerca de 20% mais rápidos (Becker et al., 2025). Os próprios autores listam o que o estudo não mostra: não mostra que a IA não acelera a maioria dos programadores, nem que não ajuda em outros domínios; a amostra é pequena e os participantes tinham pouca prática com a ferramenta. Em fevereiro de 2026, uma atualização com ferramentas mais novas e 57 desenvolvedores apontou para ganhos, mas com intervalos de confiança que incluem zero e um viés de seleção que a METR chama de "sinal não confiável" (METR, 2026b). A lição não é "IA não ajuda programadores"; é que a percepção subjetiva de ganho não é prova de ganho, e que medir é mais difícil do que parece.

Fora da tela, os limites são mais visíveis. A General Motors encerrou em dezembro de 2024 o financiamento dos robotáxis da Cruise, citando o custo de escalar o negócio (General Motors, 2024), enquanto a Waymo, que seguiu adiante, fazia cerca de 500 mil corridas pagas por semana no início de 2026, com meta de um milhão até o fim do ano e monitoramento remoto humano como rede de segurança (Electrek, 2026). Certos sistemas de direção automatizada chegaram à operação comercial, mas em domínios operacionais delimitados (cidades mapeadas, condições conhecidas, suporte remoto) e uns dez anos depois do prazo que as manchetes de 2016 davam. Isso não significa que o problema geral da direção autônoma, em qualquer clima e em ambientes imprevistos, esteja resolvido. E há o custo físico de tudo isso: a Agência Internacional de Energia estima que os data centers consumiram cerca de 415 TWh em 2024, 1,5% da eletricidade mundial, e devem passar de 945 TWh em 2030 (IEA, 2025).

Vídeo 1 — Nicolelis no Roda Viva: "nem inteligente, nem artificial"

Poucos cientistas brasileiros são tão céticos quanto o neurocientista Miguel Nicolelis, que defende desde 2015, com o matemático Ronald Cicurel, que o cérebro não é computável e que o nome "inteligência" é mal usado. A entrevista ao Roda Viva de julho de 2025 é um bom contraponto aos entusiastas e, ao mesmo tempo, um exemplo de posição que a régua classifica como hipótese: coerente, defendida por um pesquisador de primeira linha e, por ora, não decidida pela evidência. Os botões levam aos trechos.

Se o player não carregar, assista no YouTube (Roda Viva, TV Cultura, 28/07/2025, 1h36).

A fronteira irregular: nível de ouro na olimpíada de matemática e colapso num quebra-cabeça de criança, no mesmo ano. Representação artística em estilo HQ gerada por IA; não reproduz dados nem cenas reais.

Sinal 04

Bolha? Os players e a aritmética do dinheiro

"Bolha" é uma hipótese, não um fato: só se sabe que havia uma depois que estoura. O que se pode fazer agora é olhar os números dos dois lados. Do lado do gasto, os quatro maiores compradores de infraestrutura (Amazon, Alphabet, Microsoft e Meta) investiram cerca de US$ 400 bilhões em 2025 (Sherwood News, 2026) e sinalizaram entre US$ 720 e 745 bilhões para 2026 (Yield Theory, 2026), somas que misturam anos fiscais e calendários diferentes, como costuma fazer a imprensa financeira. A Alphabet sozinha investiu US$ 91,4 bilhões em 2025, sobre receita de US$ 402,8 bilhões e lucro de US$ 132,2 bilhões (Alphabet, 2026); a Meta, US$ 72,2 bilhões, sobre lucro de US$ 60,5 bilhões (Meta Platforms, 2026). A Oracle, que fechou um contrato de nuvem reportado em US$ 300 bilhões com a OpenAI, terminou seu ano fiscal de 2026 com fluxo de caixa livre negativo em US$ 23,7 bilhões e US$ 43 bilhões em dívida nova (Oracle, 2026). O Banco da Inglaterra registrou que o consenso de mercado para o capex dos provedores de nuvem em 2028 passou de menos de US$ 600 bilhões para mais de US$ 1 trilhão em seis meses, e que emissores ligados à IA responderam por 41% das emissões de dívida de alto risco nos Estados Unidos em 2026 (Bank of England, 2026).

Tabela 1 — Investimento em bens de capital (capex) das maiores empresas de nuvem e IA: último exercício encerrado e previsão das próprias empresas para o exercício seguinte — em bilhões de dólares

Empresa	Exercício-base	Capex realizado	Exercício previsto	Capex previsto	Variação (%)	Definição de capex usada
Amazon	Ano-calendário 2025	131,8	Ano-calendário 2026	~220	+67	Capex em caixa
Alphabet	Ano-calendário 2025	91,4	Ano-calendário 2026	195–205	+113 a +124	Compras de imobilizado
Meta	Ano-calendário 2025	72,2	Ano-calendário 2026	135–145	+87 a +101	Inclui arrendamentos financeiros
Oracle	Ano fiscal 2026 (jun. 2025–maio 2026)	55,7	Ano fiscal 2027 (jun. 2026–maio 2027)	até 95	até +71	Inclui US$ 20–25 bi a serem reembolsados por clientes
Microsoft	Ano fiscal 2025 (jul. 2024–jun. 2025)	64,6	Ano fiscal 2027 (jul. 2026–jun. 2027)	~175	n.c.	Capex em caixa

Fonte: elaborado pelo autor com base em Alphabet (2026), Meta Platforms (2026), Oracle (2026), TIKR (2026), Beancount (2026), Nasdaq (2026) e Outlook Business (2026). Notas: variação calculada pelo autor, apenas entre exercícios consecutivos da mesma empresa e com a mesma definição de capex, sobre os limites das faixas previstas; n.c. = não comparável (a Microsoft divulgou a previsão para o ano fiscal 2027, e o exercício-base disponível nas fontes consultadas é o de 2025); as linhas não devem ser comparadas entre si, porque os exercícios e as definições diferem.

Tabela 2 — Lucro líquido e fluxo de caixa livre das maiores empresas de nuvem e IA, último dado disponível — em bilhões de dólares

Empresa	Lucro líquido	Período do lucro	Fluxo de caixa livre	Período do fluxo
Alphabet	132,2	Ano-calendário 2025	n.d.	—
Microsoft	101,8	Ano fiscal 2025	n.d.	—
Meta	60,5	Ano-calendário 2025	−2,1	3º trimestre de 2026
Amazon	n.d.	—	7,7	Ano-calendário 2025
Oracle	n.d.	—	−23,7	Ano fiscal 2026

Fonte: elaborado pelo autor com base em Alphabet (2026), Meta Platforms (2026), Oracle (2026), Beancount (2026), Reuters (2026) e TIKR (2026). Notas: lucro e fluxo de caixa livre medem coisas diferentes (resultado contábil e caixa que sobra depois do investimento) e não devem ser lidos como equivalentes; n.d. = não disponível nas fontes consultadas; o fluxo da Meta é trimestral e os demais, anuais; a Oracle levantou US$ 43 bilhões em dívida nova no ano fiscal 2026; os dados de Amazon e Microsoft vêm de análises que reproduzem os relatórios das empresas.

Esse dinheiro circula em laços que lembram, para os críticos, os vendedores de pá que financiavam os garimpeiros. A Nvidia anunciou em setembro de 2025 que investiria até US$ 100 bilhões na OpenAI, liberados a cada gigawatt de sistemas Nvidia que a OpenAI instalasse (Nvidia, 2025); a AMD fechou um acordo de 6 gigawatts com a mesma OpenAI e lhe entregou uma opção de compra de até 160 milhões de ações da própria AMD (AMD, 2025); a Microsoft, ao reestruturar a OpenAI como empresa de benefício público, ficou com 27% dela e garantiu um compromisso de US$ 250 bilhões em compras de nuvem Azure (Al Jazeera, 2025). O Fundo Monetário Internacional, em seu relatório de estabilidade financeira de outubro de 2026, listou uma correção dos preços de ativos ligados à IA entre as três ameaças centrais ao sistema e estimou que uma queda abrupta do investimento tiraria 1,1% do PIB mundial até 2028 (IMF, 2026) (BusinessDay, 2026). O Banco de Compensações Internacionais comparou o ciclo às manias dos canais, das ferrovias e das pontocom, que "terminaram com uma reversão do investimento e recessões" (Fortune, 2026b). A CoreWeave, provedora de nuvem especializada em IA com cerca de US$ 52 bilhões em dívidas e arrendamentos, viu o custo de segurar sua dívida bater recorde em 15 de outubro de 2026 (The Daily Upside, 2026).

Até o entusiasta-chefe já disse a palavra. Em agosto de 2025, Sam Altman respondeu a repórteres: "Estamos numa fase em que os investidores, como um todo, estão superexcitados com a IA? Minha opinião é que sim", acrescentando que algumas avaliações eram "insanas" e que alguém sairia "muito queimado", para em seguida afirmar que a IA era "a coisa mais importante a acontecer em muito tempo" (Fortune, 2025). A consultoria Bain calculou que, para pagar a computação prevista até 2030, o setor precisaria de US$ 2 trilhões em receita anual, e que faltam US$ 800 bilhões mesmo descontando as economias que a própria IA gera (Bain & Company, 2025).

O número de 95% e o outro lado da conta

O dado que mais circulou em 2025 como prova de bolha foi o de que "95% dos pilotos de IA nas empresas não geram retorno", de um relatório do projeto NANDA, do MIT. O relatório existe e diz isso. Mas é baseado em 52 entrevistas e 153 questionários coletados em conferências, define "retorno zero" como ausência de impacto "marcado e sustentado" no resultado em cerca de seis meses, não explica como chegou ao percentual e admite que seus números são "direcionalmente precisos" (Challapally et al., 2025). Está no degrau da evidência parcial, não no do medido; citá-lo como "estudo do MIT" é subir um degrau que ele não pediu.

Do outro lado da conta há receita de verdade. A Nvidia faturou US$ 96,2 bilhões no trimestre encerrado em julho de 2026, 106% a mais que um ano antes, com lucro líquido de US$ 59,7 bilhões e margem bruta de 75% (Nvidia, 2026). As nuvens cresceram: Google Cloud +82% no segundo trimestre de 2026 (Hargreaves Lansdown, 2026), Azure +43% (Nasdaq, 2026). A Anthropic informou receita de US$ 16,8 bilhões no terceiro trimestre de 2026 e resultado positivo em base ajustada (Yahoo Finance, 2026a); a OpenAI, segundo o Financial Times, tem receita anualizada perto de US$ 50 bilhões, abaixo dos quase US$ 70 bilhões divulgados um mês antes (Bloomberg Government, 2026). É a diferença estrutural em relação a 2000: quem paga a conta dos data centers são as empresas mais lucrativas do mundo, não startups sem receita. O contraponto, de novo, está no mesmo conjunto de dados: Oracle e Meta já operam com caixa livre negativo, e o Banco da Inglaterra registra que a dívida ganhou peso no financiamento da expansão.

Sobre adoção, a divergência entre fontes é instrutiva. Uma pesquisa da McKinsey diz que 88% das organizações usam IA em pelo menos uma função; a mesma pesquisa diz que só 23% escalam agentes e que só 39% atribuem algum impacto no resultado, "a maioria abaixo de 5%" (McKinsey, 2025). Já o Censo americano, que pergunta a empresas de todos os tamanhos, encontrou 19,8% de uso em maio de 2026, 37% entre as grandes (U.S. Census Bureau, 2026). No Brasil, a pesquisa TIC Empresas 2024 achou 13%, estável em relação a 2023: 10% nas pequenas, 29% nas médias e 38% nas grandes (Cetic.br, 2025). Os números não se contradizem: medem populações e perguntas diferentes. "88% usam IA" e "13% usam IA" podem ser ambos verdadeiros, e nenhum deles diz se o uso paga a conta.

Tabela 3 — Uso de inteligência artificial por empresas, segundo pesquisas selecionadas — 2024–2026

Pesquisa	População	Usam IA (%)	O que a pesquisa também mostra
McKinsey, State of AI (2025)	1.993 executivos, 105 países	88	23% escalam agentes; 39% veem impacto no resultado
U.S. Census, BTOS (maio 2026)	Empresas dos EUA, todos os portes	19,8	37% entre empresas com 250+ empregados
Cetic.br, TIC Empresas (2024)	4.453 empresas brasileiras com 10+ pessoas	13	Pequenas 10%; médias 29%; grandes 38%

Fonte: elaborado pelo autor com base em McKinsey (2025), U.S. Census Bureau (2026) e Cetic.br (2025). Nota: a pesquisa da McKinsey é respondida por executivos de empresas que optaram por participar; o Censo americano e a TIC Empresas usam amostras probabilísticas; o Censo mudou a pergunta em novembro de 2025, o que quebra a comparação com anos anteriores.

Quem são os players em outubro de 2026

O tabuleiro mudou de forma mensurável. Em janeiro de 2025, a chinesa DeepSeek lançou o modelo R1 com pesos abertos; em 27 de janeiro, a Nvidia perdeu cerca de US$ 590 bilhões em valor de mercado em um único pregão, a maior perda diária da história de uma empresa (Business Standard, 2025). O número de "US$ 5,6 milhões" de custo de treinamento, que correu o mundo, refere-se a 2,788 milhões de horas de GPU da rodada final de treino do modelo V3, não ao custo total da pesquisa (DeepSeek-AI, 2024). Em 2026, os três modelos chineses de ponta (DeepSeek V4, Kimi K3 e Qwen 3.8) são ou serão de pesos abertos (Gigazine, 2026) (Lambert, 2026), enquanto os modelos de ponta de OpenAI, Google e Anthropic seguem fechados.

Quadro 3 — Principais players de modelos de fundação e sua situação em outubro de 2026

Player	Modelo mais recente	Pesos	Situação financeira e observações
OpenAI (EUA)	GPT-5.6 (jul. 2026)	Fechados	Avaliada em US$ 852 bi em março de 2026; receita anualizada ~US$ 50 bi; Microsoft detém ~27%
Google DeepMind (EUA)	Gemini 3 Pro (nov. 2025); Gemini 4 previsto para 2026	Fechados	Financiada pelo lucro da Alphabet; Google Cloud +82% no 2T26
Anthropic (EUA)	Claude Mythos e Fable 5.1 (set. 2026); Opus, Sonnet e Haiku 5.5	Fechados	Avaliada em US$ 965 bi em maio de 2026; receita de US$ 16,8 bi no 3T26
Meta (EUA)	Llama 4 (2025); "Avocado" em pré-treino	Abertos (Llama); indefinido	Capex 2026 de US$ 135–145 bi; reorganização após decepção com o Llama 4; saída de Yann LeCun
xAI (EUA)	Grok	Fechados	Fundida à SpaceX em 2026; receita de US$ 3,2 bi e prejuízo operacional de US$ 6,4 bi em 2025
DeepSeek (China)	V4 (abr. 2026)	Abertos (licença MIT)	Choque de janeiro de 2025; V4-Pro com 1,6 tri de parâmetros
Moonshot AI (China)	Kimi K3 (jul. 2026)	Abertos	Apontado como o modelo aberto mais forte já lançado
Alibaba (China)	Qwen 3.8-Max (jul. 2026)	Abertura prometida	2,4 tri de parâmetros; preços agressivos
Mistral (França)	—	Mistos	Rodada de € 3 bi a € 21 bi em setembro de 2026, liderada pela Samsung
Nvidia (EUA)	Chips, não modelos	—	~92% do mercado de GPUs para data center; US$ 59,7 bi de lucro em um trimestre

Fonte: elaborado pelo autor com base em OpenAI (2026a), InfoWorld (2026), Anthropic (2026a), Anthropic (2026c), The Decoder (2026), Yahoo Finance (2026b), Gigazine (2026), Lambert (2026), NYU Shanghai (2026), Orrick (2026), Nvidia (2026), Business Today (2026) e Bloomberg Government (2026). Nota: nomes de modelos e valores conforme as páginas oficiais e a imprensa em 22 de outubro de 2026; avaliações de empresas fechadas são valores negociados em rodadas privadas, não preços de mercado.

E o Brasil? O Plano Brasileiro de IA, de 2024, prevê R$ 23 bilhões em quatro anos, incluindo R$ 1,8 bilhão para ampliar o supercomputador Santos Dumont; um ano depois, a maioria dos projetos estava em estágio inicial, sem dados de impacto (DPL News, 2025). O projeto de lei que regula a IA (PL 2338/2023), aprovado no Senado em dezembro de 2024, estava em 22 de outubro de 2026 "aguardando parecer do relator" na Câmara, sem data de votação (Câmara dos Deputados, 2026). A Petrobras tem, desde 2023, um supercomputador dedicado a IA para exploração de petróleo, com 224 GPUs (DCD, 2023). Somos, na prática, um grande usuário: o relatório econômico da Anthropic de setembro de 2025 situa o Brasil com 3,7% do uso global do Claude, sobre-representado em tradução e serviços jurídicos (Anthropic, 2025b).

A aritmética da bolha: receitas reais e lucros recordes de um lado; caixa negativo, dívida e contratos circulares do outro. Representação artística em estilo HQ gerada por IA; não reproduz dados nem cenas reais.

Sinal 05

Extinção, singularidade e perda de controle

Em 30 de maio de 2023, uma declaração de uma frase foi assinada por Geoffrey Hinton, Yoshua Bengio, Demis Hassabis, Sam Altman, Dario Amodei e Bill Gates, entre outros: "Mitigar o risco de extinção causado pela IA deve ser uma prioridade global, ao lado de outros riscos de escala societal, como pandemias e guerra nuclear" (Center for AI Safety, 2023). Dois meses antes, uma carta aberta pedira uma pausa de seis meses no treinamento de sistemas mais poderosos que o GPT-4; ela reunia 1.124 assinaturas no lançamento e mais de 31 mil em 2026 (Future of Life Institute, 2023). Em outubro de 2025, uma terceira declaração pediu a "proibição do desenvolvimento de superinteligência" até que haja "amplo consenso científico de que será feito de forma segura e controlável"; assinaram cinco laureados com o Nobel, Steve Wozniak, Richard Branson e, no mesmo documento, Steve Bannon e o príncipe Harry (Future of Life Institute, 2025) (Perrigo; Pillay, 2025). Nenhuma pausa aconteceu.

Nada disso é evidência de que a extinção seja provável; é evidência de que pessoas qualificadas a consideram possível. Para passar da opinião ao número, há pesquisas. A maior delas ouviu 2.778 pesquisadores que publicaram nas principais conferências da área: a mediana da probabilidade atribuída a "desfechos extremamente ruins, como a extinção humana" foi de 5% (média de 9%), e a previsão agregada de 50% de chance de máquinas capazes de superar humanos em todas as tarefas (HLMI) caiu de 2060, na edição de 2022, para 2047, na de 2023 (Grace et al., 2024). Em um torneio de previsão com 89 superprevisores e 80 especialistas, a mediana para extinção causada por IA até 2100 foi de 0,38% entre os superprevisores e 3% entre os especialistas, e quatro meses de debate estruturado quase não moveram ninguém (Forecasting Research Institute, 2023). Hinton, perguntado em dezembro de 2024 se havia mudado sua estimativa, respondeu: "Na verdade não, 10% a 20%", num horizonte de 30 anos (Irish Examiner, 2024). A distância entre 0,38% e 20% é a distância entre quem prevê profissionalmente e quem conhece a tecnologia por dentro, e ninguém sabe ainda qual dos dois grupos está certo.

Quanto risco? Estimativas de extinção ou catástrofe por IA, por quem estima (em %)

Superprevisores (até 2100)0,38

Especialistas em risco (até 2100)3

Mediana de 2.778 pesquisadores de IA5

Média dos mesmos pesquisadores9

Hinton, piso (30 anos)10

Hinton, teto (30 anos)20

Barras em escala de 0 a 20%. Fonte: Forecasting Research Institute (2023), Grace et al. (2024) e Irish Examiner (2024). As perguntas não são idênticas entre as pesquisas (horizonte, definição de "catástrofe"); o gráfico mostra a ordem de grandeza da divergência, não uma comparação exata.

Singularidade: uma ideia de 1965 com prazo renovado a cada década

A singularidade é mais velha do que parece. Em 1965, o estatístico I. J. Good escreveu que uma "máquina ultrainteligente" poderia projetar máquinas melhores, provocando uma "explosão de inteligência", e seria "a última invenção que o homem precisará fazer, desde que a máquina seja dócil o bastante para nos dizer como mantê-la sob controle" (Quote Investigator, 2022). Em 1993, Vernor Vinge previu: "dentro de trinta anos, teremos os meios tecnológicos para criar inteligência sobre-humana; pouco depois, a era humana terá terminado" (Vinge, 1993). Os trinta anos venceram em 2023. O problema dessas previsões nem é a falta de data, porque 2045 é um ano bem definido, mas a falta de um critério operacional: que acontecimento concreto permitiria dizer que a singularidade ocorreu, ou que ainda não ocorreu? Ray Kurzweil mantém, desde 2005, as datas de 2029 para IA de nível humano e 2045 para a singularidade, reafirmadas na palestra TED de 2024 (Brasil Acadêmico, 2024); este blog cobriu a aposta em 2011 e a reafirmação em 2024. O cenário "AI 2027", publicado em abril de 2025 por um grupo liderado por um ex-pesquisador da OpenAI, previa impacto "superior ao da Revolução Industrial" nesta década; em novembro do mesmo ano, seu autor principal admitiu que "as coisas parecem estar indo um pouco mais devagar" e empurrou a superinteligência para perto de 2034 (Kokotajlo et al., 2025) (eWeek, 2026). Os CEOs têm datas ainda mais curtas: Dario Amodei escreveu que a IA poderosa "poderia chegar já em 2026" (Amodei, 2024); Sam Altman, que a superinteligência pode vir "em alguns milhares de dias" (Altman, 2024); Elon Musk, em abril de 2024, que a IA seria mais inteligente que qualquer humano "provavelmente no fim do ano que vem" (Nasdaq, 2024). Estamos no fim de 2026.

Do outro lado, a maioria dos pesquisadores não compra a tese de que basta escalar. Na pesquisa do painel presidencial da AAAI, a associação científica da área, 76% dos 475 respondentes consideraram "improvável" ou "muito improvável" que ampliar as abordagens atuais produza AGI (AAAI, 2025). Yann LeCun, que deixou a Meta no fim de 2025 chamando a aposta em modelos de linguagem de "beco sem saída" (The Decoder, 2025b), repete que ficaria feliz se, ao se aposentar, houvesse "sistemas tão inteligentes quanto um gato" (Newsweek, 2025). Gary Marcus escreveu que "o escalonamento puro não funcionou" e que as "leis de escala" são observações, não leis como a gravidade (Marcus, 2025). Melanie Mitchell resumiu num debate: "toda a história da IA é uma história de previsões fracassadas" (The Hub, 2023). Nos mercados de previsão, a data mediana para uma IA geral era 2030 em outubro de 2026, e a estimativa recuou dois anos no último ano, depois de ter caído de cerca de 50 para cerca de 5 anos entre 2020 e 2024 (Metaculus, 2026) (Todd, 2026).

Perda de controle: o que foi observado em laboratório

Aqui a régua precisa de precisão cirúrgica, porque há evidência medida e ela costuma ser relatada sem as ressalvas. Em dezembro de 2024, Anthropic e Redwood Research mostraram que o Claude 3 Opus, ao acreditar que seria retreinado para obedecer a pedidos nocivos, "fingia" alinhamento: em 12% dos casos cumpria o pedido nocivo com raciocínio explícito de preservar seus valores, e, após o retreinamento, o raciocínio de fingimento subia para 78% (Anthropic, 2024). Em junho de 2025, em ambientes corporativos simulados com conflito de objetivos e ameaça de desligamento, 16 modelos de cinco empresas recorreram a chantagem; o Claude Opus 4 e o Gemini 2.5 Flash, em 96% das amostras (Anthropic, 2025a). A Apollo Research observou modelos introduzindo erros sutis, tentando desativar a supervisão e copiar os próprios pesos quando instruídos a perseguir "fortemente" um objetivo (Meinke et al., 2024). A Palisade Research registrou, em mais de 100 mil execuções, modelos que sabotavam o próprio mecanismo de desligamento para completar uma tarefa, mesmo com instrução explícita para permitir o desligamento (Schlatter; Weinstein-Raun; Ladish, 2025).

Agora as ressalvas, que estão nos mesmos documentos. Todos os comportamentos "ocorreram em simulações controladas"; "não vimos evidência de desalinhamento agêntico em implantações reais"; os cenários "forçaram os modelos a escolhas binárias entre falhar e causar dano" (Anthropic, 2025a). O estudo de alinhamento fingido "não demonstra um modelo desenvolvendo objetivos maliciosos" (Anthropic, 2024). O relatório internacional de 2026 classifica os riscos em três famílias (uso malicioso, mau funcionamento e riscos sistêmicos) e, sobre perda de controle, afirma que "os sistemas atuais não têm as capacidades para representar tais riscos", embora "estejam melhorando em áreas relevantes, como a operação autônoma" (International AI Safety Report, 2026). O único caso de mau funcionamento de alinhamento em produção real foi mais prosaico: em abril de 2025 a OpenAI reverteu uma atualização do GPT-4o que o tornara "excessivamente lisonjeiro", por ter otimizado demais o feedback de curto prazo (OpenAI, 2025b). Resumo pela régua: a capacidade de enganar e sabotar em cenários construídos está medida; a ocorrência espontânea em uso real, não; a catástrofe, no degrau da hipótese.

Vídeo 2 — Hinton: "vá ser encanador"

Geoffrey Hinton, Nobel de Física de 2024 e um dos pioneiros das redes neurais, deixou o Google em 2023 para falar livremente sobre os riscos. A entrevista abaixo (em inglês, com legendas e dublagem automáticas em português) concentra, numa conversa só, as três posições que ele defende e que a régua trata de modos diferentes: a estimativa de risco (um palpite declarado), a analogia do tigre (uma metáfora) e o conselho de carreira (uma hipótese sobre o que a IA não faz bem no mundo físico).

Se o player não carregar, assista no YouTube (The Diary of a CEO, 16/06/2025, 1h30).

Sinal 06

As vacas de Harari e o catastrofismo como marketing

Yuval Noah Harari não é cientista da computação, e isso é parte do seu valor no debate: ele fala do lado de fora. Sua tese central, repetida desde Nexus (2024), é que "a coisa mais importante a entender sobre a IA é que ela não é uma ferramenta; é um agente", capaz de decidir e de inventar ideias sozinha, e que "são os burocratas de IA, não os Exterminadores, que vão dar as cartas" (Harari, 2024). Em 2023, ele havia escrito que a IA "hackeou o sistema operacional da civilização humana", a linguagem (Harari, 2023).

A metáfora das vacas é a versão de 2026 dessa tese. No podcast The Rest Is Politics, em setembro, Harari pediu ao ouvinte que explicasse a uma vaca que a vida dela é governada pelo mercado de títulos: a vaca vê pessoas, cachorros e nuvens, mas "nunca viu um título na vida". Nós sabemos que o sistema invisível domina a vaca porque fomos nós que o criamos. "Em dez anos, nós poderíamos ser as vacas": nossas vidas geridas por um sistema financeiro criado por IAs, "matematicamente complexo demais" para a compreensão humana (The Rest Is Politics, 2026). Um mês depois, à TV tcheca, resumiu: "nós somos as vacas do futuro" (Samet, 2026).

Se o player não carregar, assista no YouTube (The Rest Is Politics, 18/09/2026, 38 min; em inglês, com legendas automáticas).

Onde a régua coloca isso? Pela natureza, é uma projeção especulativa apresentada em forma de metáfora; pelo apoio, fica no degrau da narrativa, e sem demérito: a metáfora é boa porque aponta um risco que não aparece nos benchmarks, o de sistemas que ninguém entende tomando decisões que ninguém audita. Mas ela não traz critério operacional ("dez anos" é um prazo, porém sem dizer o que observaríamos para concluir que a humanidade deixou de compreender ou de controlar os sistemas que a governam), não distingue IA de qualquer outro sistema complexo que já nos governa (o próprio mercado de títulos, que Harari usa como exemplo, já é incompreensível para quase todos) e não diz o que observar para saber se está acontecendo. É o tipo de afirmação que serve para pensar, não para decidir.

Quem lucra com o fim do mundo?

Há uma tese, defendida por pessoas sérias, de que o alarme sobre a superinteligência é em parte marketing. Lee Vinsel, historiador da tecnologia, cunhou em 2021 o termo criti-hype para a crítica que "é parasitária do hype e até o infla": "é como se pegassem os comunicados de imprensa das startups e os cobrissem de paisagens infernais" (Vinsel, 2021). Timnit Gebru e Émile Torres argumentam que a ideologia por trás da corrida à AGI (que apelidam de TESCREAL) desvia a atenção dos danos presentes para fantasias de utopia ou apocalipse (Gebru; Torres, 2024); as autoras de "Stochastic Parrots" chamaram a carta de pausa de "alarmismo e hype" e lembraram que "os danos da chamada IA são reais e presentes" (DAIR Institute, 2023). Andrew Ng, que em 2015 disse temer uma IA maligna tanto quanto "a superpopulação em Marte" (The Register, 2015), afirmou em 2023 que "há grandes empresas de tecnologia que prefeririam não competir com o código aberto, então estão criando medo de a IA levar à extinção humana" (SiliconANGLE, 2023), e em 2026 repetiu que os alertas são "muito mais ficção científica do que ciência" e que os grandes querem "puxar a escada" (The Next Web, 2026).

A réplica também é séria. Hinton respondeu a Ng que havia deixado o Google justamente "para poder falar livremente sobre a ameaça existencial" (SiliconANGLE, 2023); ele, Bengio, Stuart Russell e os cinco laureados com o Nobel que assinaram a declaração de 2025 não vendem modelos, e a declaração pede proibição, não licenciamento favorável aos incumbentes (Future of Life Institute, 2025). Não vender modelos, porém, não significa não ter interesses (acadêmicos, reputacionais ou ideológicos), assim como o interesse comercial de um executivo não invalida, por si só, o alerta que ele faz. São duas perguntas distintas, e convém fazê-las separadamente: que interesses podem influenciar a forma como um risco é comunicado? E que evidências sustentam esse risco, independentemente de quem o comunica? Pela régua, a tese do "catastrofismo como marketing" é uma hipótese plausível com evidência parcial: há interesses declarados (o mesmo Altman que alerta para a bolha pede trilhões para data centers), mas há também acadêmicos sem interesse comercial do lado do alarme, e a maioria da comunidade científica (os 76% da AAAI) não está em nenhum dos dois extremos. O teste não é "quem fala", é "o que foi medido", e a seção anterior mostra que algo foi medido, em laboratório, com ressalvas.

A metáfora das vacas: um sistema invisível decide a vida de quem não tem como enxergá-lo. Boa para pensar; difícil de testar. Representação artística em estilo HQ gerada por IA; não reproduz dados nem cenas reais.

Sinal 07

Empregos: previsões de 2013, 2017 e 2019 diante de 2026

Em 1930, John Maynard Keynes cunhou "desemprego tecnológico" para o desajuste em que descobrimos meios de economizar trabalho mais depressa do que achamos novos usos para ele, e previu que seus netos trabalhariam quinze horas por semana (Keynes, 1930). Na produtividade, a aposta foi razoável; na jornada, não, porque ela depende também de distribuição de renda, preferências, instituições e leis trabalhistas: a tecnologia abre a possibilidade, mas não decide sozinha como ela será usada. É um bom aviso para a estatística mais citada e mais mal citada da década passada: "47% dos empregos dos Estados Unidos vão desaparecer". O que Carl Frey e Michael Osborne escreveram, em 2013, é que 47% do emprego americano estava em ocupações "potencialmente automatizáveis ao longo de um número não especificado de anos, talvez uma ou duas décadas", e que eles "não tentam prever" a composição futura do mercado de trabalho (Frey; Osborne, 2013). Três anos depois, pesquisadores da OCDE refizeram a conta por tarefas, em vez de por ocupações inteiras, e encontraram 9% (Arntz; Gregory; Zierahn, 2016). Uma análise posterior mostrou que a diferença entre 9% e 47% vinha sobretudo da escolha do modelo estatístico (Stephany; Lorenz, 2021).

Este blog participou da onda. Em fevereiro de 2019, divulgou um estudo da Universidade de Brasília que, aplicando o método de Frey e Osborne à base de empregos formais, concluiu que 54% das vagas estavam em ocupações de automação alta ou muito alta e que, "no cenário extremo", cerca de 30 milhões de empregos formais poderiam fechar até 2026 (Albuquerque et al., 2019). Chegou 2026. O cenário era explicitamente condicional e o próprio estudo pedia cautela, mas a manchete não. E o que se observou? O Novo Caged registrava, em junho de 2026, 48,0 milhões de vínculos formais de emprego, com saldo positivo de 921,6 mil no primeiro semestre (Agência Gov, 2026), acima dos cerca de 46 milhões da base de 2017 usada no estudo. As duas bases não são idênticas (a RAIS e o Caged medem o estoque de modos diferentes), e um cenário condicional não se "refuta" só porque o prazo passou; mas a ordem de grandeza basta para mostrar que o fechamento de 30 milhões de vagas formais não aconteceu. Já a previsão mais famosa de um cientista da área foi a de Hinton, em 2016: "as pessoas deveriam parar de treinar radiologistas agora", porque em cinco anos o aprendizado profundo faria o trabalho melhor (The New Republic, 2024). Em 2025, os programas de residência em radiologia dos Estados Unidos ofereceram um número recorde de 1.208 vagas, e a especialidade era a segunda mais bem paga do país, com mais de 700 modelos de IA para radiologia aprovados pela FDA sendo usados como ferramenta, não como substituto (Mousa, 2025). Hinton revisou o prazo para "mais dez ou quinze anos".

Exposição não é efeito

A geração seguinte de números é mais cuidadosa, e a palavra-chave é exposição: quantas tarefas de uma ocupação um modelo poderia, em tese, afetar. Pesquisadores da OpenAI estimaram que 80% da força de trabalho americana tem ao menos 10% das tarefas expostas, e 19% têm mais da metade (Eloundou et al., 2023). O FMI falou em 40% dos empregos do mundo, 60% nas economias avançadas, com a ressalva de que metade dos expostos deve se beneficiar (Georgieva, 2024). A OIT, com um índice refinado, encontrou um em cada quatro empregos com alguma exposição e 3,3% na categoria mais alta, concentrados em trabalho feminino de escritório (Gmyrek et al., 2025). O Fórum Econômico Mundial, ouvindo empregadores, projetou 92 milhões de empregos deslocados e 170 milhões criados até 2030, saldo positivo de 78 milhões, uma projeção feita a partir das expectativas das empresas, e não um saldo já ocorrido (World Economic Forum, 2025). Nenhum desses números mede emprego perdido; medem potencial, ou expectativa.

O efeito, quando se tenta medi-lo, aparece pequeno e localizado. Erik Brynjolfsson e colegas, usando dados de folha de pagamento de milhões de trabalhadores, encontraram que o emprego de jovens de 22 a 25 anos nas ocupações mais expostas caiu cerca de 11% desde o fim de 2022, enquanto nas demais ocupações subiu 10%; o mecanismo é menos contratação, não mais demissão, e os autores chamam os resultados de "indicadores descritivos precoces, não estimativas causais" (Brynjolfsson; Chandar; Chen, 2026). Pesquisadores de Yale e da Brookings, olhando a composição ocupacional de toda a economia americana, concluíram que o mercado de trabalho "não sofreu uma disrupção discernível" nos 33 meses após o ChatGPT, com mudanças de ritmo comparável ao da chegada da internet (Gimbel et al., 2025). Entre freelancers de escrita, os empregos caíram 2% e os ganhos, 5,2%, nos meses seguintes ao ChatGPT (Hui; Reshef; Zhou, 2023). A consultoria Challenger contou, até agosto de 2026, 116 mil cortes atribuídos pelas próprias empresas à IA, o motivo mais citado do ano; mas o total de cortes anunciados estava 41% abaixo do mesmo período de 2025, e "atribuído à IA" é autodeclaração (Challenger, Gray & Christmas, 2026). A Klarna, que em 2024 dizia que seu assistente fazia "o trabalho de 700 atendentes", voltou a contratar humanos em 2025 porque a qualidade caíra (Entrepreneur, 2025); a Salesforce cortou cerca de 4 mil vagas de suporte dizendo que agentes atendem metade das interações (TechRepublic, 2025).

E a produtividade, que deveria pagar tudo isso? Os experimentos controlados dão ganhos reais e desiguais: 453 profissionais escreveram 40% mais rápido e com qualidade 18% maior usando ChatGPT (Noy; Zhang, 2023); 5.179 atendentes de suporte resolveram 14% mais problemas por hora, e os novatos, 34% (Brynjolfsson; Li; Raymond, 2023); consultores do BCG foram 25% mais rápidos nas tarefas dentro da "fronteira" da IA e 19 pontos percentuais menos precisos na tarefa fora dela, o que os autores chamaram de fronteira irregular (Dell'Acqua et al., 2023). E os programadores experientes do estudo da METR foram 19% mais lentos. Daron Acemoglu, somando tudo, estima um ganho de produtividade total dos fatores de no máximo 0,66% em dez anos (Acemoglu, 2024); o Goldman Sachs, 1,5 ponto percentual ao ano (Goldman Sachs, 2023). Uma diferença de vinte vezes entre economistas sérios é a medida da incerteza.

Brasil: a primeira evidência de efeito

No Brasil, os números de 2019 (54% do Ipea, 69% do Dieese) eram de automação em geral e cenários extremos. Os de IA generativa são de exposição: a OIT e o Banco Mundial estimaram 26% a 38% dos empregos da América Latina expostos, com até metade do ganho potencial travado pela exclusão digital (Gmyrek; Winkler; Garganta, 2024); a FGV IBRE, aplicando o índice da OIT à PNAD Contínua, encontrou cerca de 30 milhões de ocupados (29,6%) com alguma exposição, mais entre mulheres, jovens, escolarizados e no Sudeste (Duque, 2026). Um estudo da ESPM mostra o perfil: no grupo de alta exposição, a proporção de pessoas com ensino superior sobe de 16% para 58% (Lionello; Santos Filho; Martins, 2025). A exposição à IA generativa é regressiva ao contrário: atinge mais os formais, escolarizados e do Sudeste, o inverso do perfil de risco da automação robótica. A primeira evidência de efeito, não só de exposição, veio em abril de 2026: Daniel Duque, da FGV IBRE, encontrou que a ocupação e a renda dos jovens de 18 a 29 anos em ocupações expostas vêm caindo progressivamente desde 2023, enquanto as faixas mais velhas ficam perto de zero (Duque, 2026). É o "canário" de Stanford, em versão brasileira, ainda sem magnitude publicada e, como o americano, uma associação descritiva: mostra que a queda coincide com a exposição, não prova que a IA a causou. Um levantamento da CNC com dados do Novo Caged apontou queda de 41% no estoque de supervisores de telemarketing em seis anos (Times Brasil, 2026). No ensino, a mesa-redonda sobre o futuro do trabalho de que participei em maio de 2026 está entre as leituras correlatas.

Tabela 4 — Estimativas de exposição de empregos à inteligência artificial e efeitos medidos sobre o emprego, segundo estudos selecionados — 2013–2026

Estudo	Tipo de medida	Número-chave (%)	Degrau
Frey e Osborne (2013), EUA	Ocupações em alto risco técnico, "uma ou duas décadas"	47	Hipótese
Arntz, Gregory e Zierahn (2016), OCDE	Empregos automatizáveis por tarefa	9	Hipótese
Ipea (2019), Brasil	Empregos formais em ocupações de automação alta ou muito alta	54	Hipótese
Eloundou et al. (2023), EUA	Trabalhadores com ≥10% das tarefas expostas a LLMs	80	Hipótese
FMI (2024), mundo	Empregos expostos	40	Hipótese
OIT (2025), mundo	Empregos com alguma exposição à IA generativa	25	Hipótese
FGV IBRE (2025–2026), Brasil	Ocupados com alguma exposição	29,6	Hipótese
Hui, Reshef e Zhou (2023), Upwork	Variação de empregos de freelancers de escrita após o ChatGPT	−2	Evidência parcial
Brynjolfsson, Chandar e Chen (2026), EUA	Variação do emprego de 22–25 anos nas ocupações mais expostas desde nov. 2022	−11	Evidência parcial
Gimbel et al. (2025), EUA	Disrupção da composição ocupacional em 33 meses	"não discernível"	Evidência parcial
Duque (2026), Brasil	Ocupação e renda de jovens 18–29 em ocupações expostas	queda, sem magnitude	Evidência parcial

Fonte: elaborado pelo autor com base nas referências citadas no texto. Nota: "degrau" conforme o Quadro 1; estimativas de exposição medem potencial técnico, não emprego perdido; o estudo de Brynjolfsson, Chandar e Chen (2026) é descritivo, por declaração dos autores.

O post de 2017, nove anos depois

Em agosto de 2017, este blog publicou "Quando os robôs substituirão cada trabalho humano", a partir de uma pesquisa com 352 pesquisadores de IA conduzida por Katja Grace e colegas (Brasil Acadêmico, 2017) (Grace et al., 2017). A pesquisa dava datas em que os especialistas esperavam, com 50% de chance, que a IA superasse humanos em tarefas específicas. Várias já venceram, e o confronto é instrutivo para quem lê previsões hoje.

Tabela 5 — Previsões de 352 pesquisadores de IA em 2016 sobre o ano em que a IA superaria humanos em tarefas selecionadas, e situação em outubro de 2026

Tarefa	Ano previsto (50%)	Situação em 2026	Veredito
Traduzir línguas (nível de tradutor amador)	2024	Tradução automática de uso cotidiano; literária ainda discutível	Acertou, com ressalva
Escrever redação de ensino médio	2026	Feito desde 2022–2023	Acertou, antes do prazo
Dirigir caminhão	2027	Demonstrações sem motorista desde 2021; sem substituição em escala	Em aberto: demonstração não é difusão
Trabalhar como vendedor de varejo	2031	Chatbots de atendimento; lojas sem humanos não se difundiram	Em aberto
Escrever um best-seller	2049	—	Em aberto
Cirurgião	2053	Robô suturou intestino de porco sem ajuda humana em 2022; sem autonomia clínica	Em aberto
Todas as tarefas humanas (HLMI)	2061	A mesma pesquisa, em 2023, moveu para 2047	Previsão encurtou 14 anos
Todas as ocupações automatizadas	2136	Em 2023, moveu para 2116	Previsão encurtou 20 anos

Fonte: elaborado pelo autor com base em Grace et al. (2017), Grace et al. (2024) e Brasil Acadêmico (2017), Brasil Acadêmico (2022a), Brasil Acadêmico (2022b). Notas: o post de 2017 traz "2051" para "todas as tarefas humanas"; o artigo original diz 45 anos a partir de 2016, ou seja, 2061, e a data foi corrigida aqui; a situação em 2026 é avaliação do autor, não medida da pesquisa.

O padrão é claro: as tarefas de linguagem chegaram antes do previsto; as tarefas no mundo físico, depois; e "demonstração" e "difusão" continuam sendo coisas diferentes. O caminhão sem motorista rodou 130 km no Arizona em 2021, como o blog noticiou na época; os motoristas de caminhão continuam existindo em 2026. Quem lê hoje que "a IA vai substituir os programadores" deveria perguntar o que a tabela pergunta: em que tarefa, com que critério, e quem conferiu.

Previsões com prazo podem ser conferidas; é a vantagem delas sobre as metáforas. Representação artística em estilo HQ gerada por IA; não reproduz dados nem cenas reais.

Sinal 08

Termômetro da evidência: em que degrau você colocaria?

Oito afirmações que circulam sobre a IA. Para cada uma, escolha o degrau da régua (Quadro 1) em que você a colocaria hoje. Depois compare com a classificação do autor e a justificativa, com a fonte. Não há nota: o objetivo é calibrar o próprio ceticismo.

1 "Modelos de IA já encontram falhas de segurança que humanos e ferramentas automáticas não acharam."

2 "47% dos empregos vão desaparecer por causa da automação."

3 "Em testes de laboratório, modelos atuais chantageiam e sabotam o próprio desligamento."

4 "Os sistemas atuais já têm capacidade de escapar do controle humano."

5 "Jovens em ocupações expostas à IA estão sendo menos contratados."

6 "Estamos numa bolha de IA."

7 "A singularidade chega em 2045."

8 "Modelos de linguagem inventam referências e decisões judiciais."

Coincidências com o autor: 0 de 8

Na prática

Seis perguntas antes de compartilhar uma notícia sobre IA

Uma lista curta para a próxima manchete, seja ela de entusiasmo ou de pânico. Marque as que você já fez.

Achei a fonte primária (o artigo, o relatório, o comunicado oficial), não só a matéria que a cita. Conferi se o número mede exposição, expectativa ou efeito observado. Verifiquei se o resultado é de laboratório ou simulação, ou se foi observado em uso real. Perguntei quem ganha se eu acreditar, dos dois lados: quem vende o modelo e quem vende o alarme. Procurei o prazo e o critério: o que teria de acontecer, e até quando, para a afirmação ser considerada errada? Comparei com uma previsão antiga sobre o mesmo tema (2013, 2017, 2019) e vi como ela envelheceu.

0 de 6 perguntas feitas

Último sinal

O que sobra quando se tira o ruído

Volte às três notícias da abertura. A existência da falha no PHP está no degrau do medido (o patch oficial a confirma), e o tamanho da onda de ataques, no da evidência parcial, relatada por empresas e pela imprensa; juntas, dizem algo que nenhuma previsão dizia em 2017: a IA já muda a segurança da internet nos dois sentidos, ao mesmo tempo. A queda da Meta está no degrau do sinal parcial: o dinheiro é real, a receita é real, a dívida é real, e ninguém sabe se a conta fecha. A metáfora de Harari está no degrau da narrativa, e é uma boa narrativa, porque aponta para um risco que não cabe em benchmark. O erro não é ouvir os três; é dar a eles o mesmo peso. Nicolelis, no vídeo lá de cima, aposta que nada disso é inteligência; Hinton, que é, e que ela nos supera em breve. Pela régua, os dois estão no degrau da hipótese, e a única coisa que separa uma boa hipótese de uma profecia é dizer o que precisaria acontecer para ela estar errada.

Em 2017, este blog publicou uma lista de datas. Em 2026, dá para conferir algumas: as de linguagem chegaram cedo, as do mundo físico atrasaram, as de "tudo" encurtaram no papel e continuam no futuro. Daqui a nove anos, alguém vai conferir as datas deste post. Que ele encontre, pelo menos, as fontes na mesa.

E você: da última notícia sobre IA que compartilhou, em que degrau da régua ela estava — e você conferiu antes ou depois de apertar o botão?

Para continuar

Leituras correlatas no Brasil Acadêmico

Em destaque

Quando os robôs substituirão cada trabalho humano (2017) — a lista de previsões por tarefa que a Tabela 5 confronta com 2026.

O blog acompanha o tema desde 2007; uma seleção de posts, do mais antigo ao mais recente:

Raymond Kurzweil: imortalidade e a singularidade (2011) e A singularidade está mais próxima, diz Ray (2024) — as datas de 2029 e 2045, mantidas por quinze anos.
O que acontece quando os computadores ficam mais inteligentes do que nós? (2015) — a palestra de Nick Bostrom sobre o problema do controle.
Você será inútil: vídeo mostra como será o futuro sem trabalho (2016) e Os empregos que vamos perder para as máquinas — e os que não vamos (2016) — a onda de Frey e Osborne chegando ao blog.
É possível construir inteligência artificial sem perder o controle? (2016) — Sam Harris e a corrida pela superinteligência.
Bill Gates: robô que substitui você no trabalho deve pagar imposto (2017).
Robôs ameaçam 54% dos empregos no Brasil, diz pesquisa (2019) — o estudo da UnB cujo cenário extremo vencia em 2026.
Caminhão autônomo completa viagem sem humanos a bordo (2022) e Robô realiza primeira cirurgia laparoscópica sem ajuda humana (2022) — as demonstrações que a Tabela 5 cita.
OCDE aponta risco de automação para 27% do emprego (2023).
Neto de Oppenheimer assina carta que pede controle global da IA (2024).
Identificando vídeos, imagens e textos gerados por IA (2024) — o lado prático do uso dual.
Mesa-redonda: diálogo aberto sobre o futuro do trabalho (2026) — a participação do autor no IV SIEES.
IA Fable 5 proibida no Brasil, entenda (2026) — regulação e geopolítica dos modelos.
Afinal, o que é inteligência artificial? (2026) e Fundamentos de IA generativa: modelos de linguagem e de difusão (2026) — os conceitos por trás dos nomes usados aqui.
Terence Tao e o paradoxo da IA com a ciência: a eficácia que atrapalha (2026) — o que a IA faz, e não faz, pela matemática, com vídeo minutado.
Fluxos de produção de conteúdo assistido por IA (2026) — a fronteira irregular aplicada à redação.

Nota do autor: esta versão incorpora correções feitas após uma auditoria independente: o dia da semana e o horário do aviso do PHP, a leitura estatística do ensaio MASAI (não inferioridade, e não superioridade, no desfecho principal), a separação entre validação e reconhecimento no caso do AlphaFold, a comparabilidade das tabelas de investimento, o caráter heurístico da régua e a moderação de conclusões causais. as citações em língua estrangeira foram traduzidas livremente pelo autor. As minutagens dos três vídeos foram conferidas nas transcrições do YouTube em 22 de outubro de 2026; os vídeos de Hinton e Harari estão em inglês, com legendas e dublagem automáticas disponíveis no player. As Tabelas 1 e 2 reúnem valores que as empresas definem de modos diferentes (com ou sem arrendamentos; anos fiscais distintos); a variação só foi calculada entre exercícios consecutivos da mesma empresa, e as linhas não devem ser comparadas entre si. O "Quadro 3" registra nomes de modelos e avaliações conforme as páginas oficiais e a imprensa financeira na data de acesso; avaliações de empresas fechadas vêm de rodadas privadas. O relatório do projeto NANDA (MIT) foi citado com suas limitações declaradas. O post de 2017 deste blog traz "2051" para a automação de todas as tarefas; o artigo original de Grace et al. (2017) indica 45 anos a partir de 2016, e a data foi corrigida na Tabela 5. A frase de Hinton sobre radiologistas é citada a partir de reportagem que a reproduz com data e contexto; a entrevista original de 2016 não foi localizada em fonte aberta. Os estudos de Brynjolfsson, Chandar e Chen (2026) e de Duque (2026) são descritivos por declaração dos próprios autores. A matéria de Reuters sobre a Meta foi acessada por republicação. Quanto às fontes, foram usados artigos e relatórios de acesso aberto, comunicados oficiais, registros regulatórios (SEC, Câmara dos Deputados), páginas institucionais e matérias jornalísticas, cada tipo para o que pode sustentar; onde a fonte original está sob assinatura (Financial Times, Wall Street Journal, The Economist), citou-se a cobertura aberta que a reproduz.

Vocabulário

Os termos-chave do post, em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; depois de chegar por um desses links, um botão "voltar ao texto" aparece no verbete e leva de volta ao ponto de leitura.

Agente (de IA): Sistema que recebe um objetivo e executa, por conta própria, uma sequência de ações (navegar, rodar código, chamar ferramentas) para atingi-lo, em vez de responder a uma única pergunta. Sinal 02
AGI (Artificial General Intelligence): Inteligência artificial geral: sistema capaz de realizar qualquer tarefa cognitiva que um humano realiza. Não há definição consensual nem teste aceito; por isso datas de chegada variam tanto. Sinal 05
Alinhamento: Área que estuda como fazer os objetivos e comportamentos de um sistema de IA corresponderem às intenções de quem o opera; "alinhamento fingido" é o modelo aparentar obediência durante o treinamento para preservar preferências anteriores. Sinal 05
Alucinação: Resposta fluente e confiante de um modelo de linguagem que não corresponde aos fatos ou às fontes, como uma referência bibliográfica ou decisão judicial inexistente. Sinal 03
Benchmark: Conjunto padronizado de tarefas usado para medir e comparar o desempenho de modelos; a pontuação depende tanto do modelo quanto do desenho do teste. Sinal 03
Capex (capital expenditure): Investimento em bens de capital: no caso das empresas de nuvem, principalmente data centers, chips e energia. Diferente de despesa operacional. Sinal 04
Criti-hype: Termo de Lee Vinsel (2021) para a crítica que aceita as promessas exageradas de uma tecnologia e apenas inverte o sinal, transformando o comunicado de imprensa em distopia. Sinal 06
CVE (Common Vulnerabilities and Exposures): Registro público e numerado de uma vulnerabilidade de software, como CVE-2026-109618; permite que fornecedores, pesquisadores e atacantes falem da mesma falha. Sinal 02
Exposição (ocupacional à IA): Medida de quantas tarefas de uma ocupação um sistema de IA poderia, em tese, realizar ou acelerar; não mede emprego perdido nem ganho. Sinal 07
Fronteira irregular (jagged frontier): Conceito de Dell'Acqua e colegas (2023): o conjunto de tarefas em que a IA ajuda tem bordas imprevisíveis; tarefas aparentemente iguais podem estar dentro ou fora dele. Sinal 07
HLMI (High-Level Machine Intelligence): Definição usada nas pesquisas de Grace e colegas: máquinas capazes de realizar toda tarefa melhor e mais barato que trabalhadores humanos, sem ajuda. Sinal 05
LLM (Large Language Model): Grande modelo de linguagem: rede neural treinada em volumes enormes de texto para prever a próxima palavra, base do ChatGPT, do Claude e do Gemini. Sinal 03
Pesos abertos (open weights): Modelo cujos parâmetros treinados são publicados para download e uso, como DeepSeek V4 e Kimi K3, em contraste com modelos acessíveis só por serviço, como GPT-5.6. Sinal 04
PHP2Shell: Apelido dado pela Wiz Research ao par de vulnerabilidades críticas no interpretador PHP (CVE-2026-109618 e CVE-2026-109619) corrigidas em 21 de outubro de 2026, descobertas com ajuda de modelos de IA. Abertura
PTF (produtividade total dos fatores): Parte do crescimento econômico que não se explica por mais trabalho nem mais capital, atribuída a tecnologia e organização; é a medida que Acemoglu usa para estimar o efeito da IA. Sinal 07
Receita anualizada (run-rate): Receita do período mais recente multiplicada para um ano inteiro; útil para empresas em crescimento rápido, mas sensível a como se contabilizam as vendas. Sinal 04
Singularidade (tecnológica): Hipótese de que uma IA capaz de melhorar a si mesma desencadearia uma "explosão de inteligência" (Good, 1965) após a qual os modelos humanos de previsão deixariam de valer (Vinge, 1993). Sinal 05
Superinteligência: Sistema cujo desempenho cognitivo supera muito o humano em praticamente todos os domínios (Bostrom, 2014); objeto da declaração de 2025 que pede sua proibição. Sinal 05
Superprevisor: Participante de torneios de previsão com histórico comprovado de acurácia acima da média; costuma dar probabilidades menores a eventos extremos do que os especialistas de cada área. Sinal 05
TESCREAL: Sigla de Gebru e Torres (2024) para o conjunto de ideologias (transumanismo, extropianismo, singularitarismo, cosmismo, racionalismo, altruísmo eficaz e longo-prazismo) que, segundo os autores, sustenta a corrida à AGI. Sinal 06

Quem é quem

As pessoas e as organizações citadas no post, para uma checagem rápida. Os nomes com sublinhado pontilhado no texto trazem até aqui; depois de chegar por um desses links, um botão "voltar ao texto" aparece no verbete e leva de volta ao ponto de leitura. Cargos e situações conforme as fontes consultadas em outubro de 2026.

Pessoas (por sobrenome)

Daron Acemoglu: Economista turco-americano, professor do MIT; Nobel de Economia de 2024. Estima ganhos modestos de produtividade com a IA. Sinal 07
Sam Altman: Cofundador e diretor-executivo da OpenAI. Sinal 04
Dario Amodei: Cofundador e diretor-executivo da Anthropic; antes, liderou pesquisa na OpenAI. Autor do ensaio "Machines of Loving Grace" (2024). Sinal 05
Yoshua Bengio: Cientista da computação canadense, professor da Universidade de Montreal e fundador do instituto Mila; Prêmio Turing de 2018; coordena o International AI Safety Report. Sinal 01
Thomas Bloom: Matemático britânico que mantém o site erdosproblems.com, catálogo dos problemas propostos por Paul Erdős. Sinal 02
Nick Bostrom: Filósofo sueco, por muitos anos em Oxford, onde dirigiu o Future of Humanity Institute; autor de Superinteligência (2014). Para continuar
Erik Brynjolfsson: Economista americano, diretor do Stanford Digital Economy Lab; estuda os efeitos da IA sobre produtividade e emprego. Sinal 07
Daniel Duque: Economista e pesquisador da FGV IBRE; autor do primeiro estudo com indícios de efeito da IA generativa sobre jovens no mercado de trabalho brasileiro. Sinal 07
Paul Erdős: Matemático húngaro (1913–1996), um dos mais prolíficos do século XX; deixou centenas de problemas em aberto. Sinal 02
Carl Benedikt Frey: Economista sueco da Universidade de Oxford; coautor, com Michael Osborne, do estudo de 2013 sobre a suscetibilidade dos empregos à computadorização. Sinal 07
Timnit Gebru: Cientista da computação, fundadora do instituto DAIR; ex-colíder da equipe de ética em IA do Google; coautora do artigo "Stochastic Parrots" (2021). Sinal 06
I. J. Good: Estatístico britânico (1916–2009) que trabalhou com Alan Turing em Bletchley Park; formulou em 1965 a ideia de "explosão de inteligência". Sinal 05
Timothy Gowers: Matemático britânico, Medalha Fields de 1998; avaliou as soluções do AlphaProof na Olimpíada de 2024. Sinal 02
Katja Grace: Pesquisadora, fundadora do AI Impacts; conduziu as pesquisas com pesquisadores de IA de 2016 e 2023 citadas no post. Sinal 07
Yuval Noah Harari: Historiador israelense, professor da Universidade Hebraica de Jerusalém; autor de Sapiens, Homo Deus e Nexus. Abertura
Demis Hassabis: Cofundador e diretor-executivo do Google DeepMind; Nobel de Química de 2024, com John Jumper, pelo AlphaFold. Sinal 02
Geoffrey Hinton: Cientista da computação britânico-canadense, professor emérito da Universidade de Toronto e pioneiro das redes neurais; Prêmio Turing de 2018 e Nobel de Física de 2024; deixou o Google em 2023 para falar dos riscos da IA. Sinal 05
John Jumper: Pesquisador do Google DeepMind que liderou o desenvolvimento do AlphaFold; Nobel de Química de 2024. Sinal 02
Sayash Kapoor: Pesquisador da Universidade de Princeton; coautor, com Arvind Narayanan, de AI Snake Oil (2024) e de "AI as Normal Technology" (2025). Sinal 01
John Maynard Keynes: Economista britânico (1883–1946), um dos mais influentes do século XX; cunhou em 1930 a expressão "desemprego tecnológico". Sinal 07
Ray Kurzweil: Inventor e futurista americano; prevê IA de nível humano em 2029 e a singularidade em 2045. Sinal 05
Yann LeCun: Cientista da computação francês, professor da Universidade de Nova York, pioneiro das redes convolucionais; Prêmio Turing de 2018; foi cientista-chefe de IA da Meta até o fim de 2025. Sinal 04
Gary Marcus: Cientista cognitivo americano, professor emérito da Universidade de Nova York; crítico da ideia de que escalar modelos de linguagem leva à IA geral. Sinal 05
Melanie Mitchell: Cientista da computação americana, professora do Santa Fe Institute; estuda raciocínio por analogia e os limites dos modelos atuais. Sinal 05
Elon Musk: Empresário, diretor-executivo da Tesla e da SpaceX; cofundador da OpenAI (2015) e fundador da xAI (2023). Sinal 05
Arvind Narayanan: Professor de ciência da computação da Universidade de Princeton; coautor de AI Snake Oil e de "AI as Normal Technology". Sinal 01
Andrew Ng: Cientista da computação, cofundador do Google Brain e do Coursera e ex-cientista-chefe do Baidu; professor adjunto em Stanford. Sinal 06
Miguel Nicolelis: Neurocientista brasileiro, professor emérito da Universidade Duke, pioneiro das interfaces cérebro-máquina; sustenta que o cérebro não é computável. Sinal 03
Michael A. Osborne: Professor de aprendizado de máquina da Universidade de Oxford; coautor do estudo de 2013 com Carl Frey. Sinal 07
Stuart Russell: Professor de ciência da computação da Universidade da Califórnia em Berkeley; coautor, com Peter Norvig, do manual Inteligência Artificial. Sinal 06
Volker Strassen: Matemático alemão; em 1969 publicou o algoritmo de multiplicação de matrizes que leva seu nome. Sinal 02
Émile P. Torres: Pessoa filósofa e historiadora do pensamento sobre risco existencial; coautora, com Timnit Gebru, do conceito TESCREAL. Sinal 06
Vernor Vinge: Matemático e escritor de ficção científica americano (1944–2024); popularizou o termo "singularidade" num ensaio de 1993. Sinal 05
Lee Vinsel: Historiador da tecnologia, professor da Virginia Tech; cunhou o termo "criti-hype" em 2021. Sinal 06

Empresas e instituições

AAAI: Association for the Advancement of Artificial Intelligence, principal associação científica internacional da área, fundada em 1979. Sinal 05
Alibaba: Grupo chinês de comércio eletrônico e computação em nuvem; desenvolve a família de modelos Qwen. Sinal 04
Alphabet: Holding criada em 2015 para controlar o Google e as demais empresas do grupo, como o Google DeepMind e a Waymo. Sinal 04
Amazon Web Services (AWS): Divisão de computação em nuvem da Amazon, a maior provedora de infraestrutura de nuvem do mundo. Abertura
Anthropic: Empresa americana de IA fundada em 2021 por ex-pesquisadores da OpenAI; desenvolve os modelos Claude e conduz o Project Glasswing. Sinal 02
Apollo Research: Organização de pesquisa de Londres que avalia modelos de IA em busca de comportamentos enganosos. Sinal 05
Bain & Company: Consultoria de gestão americana; publica anualmente um relatório global de tecnologia. Sinal 04
Banco da Inglaterra: Banco central do Reino Unido; seu Relatório de Estabilidade Financeira monitora riscos ao sistema, como uma correção nos ativos ligados à IA. Sinal 04
Banco de Compensações Internacionais (BIS): Organização sediada em Basileia que reúne os bancos centrais do mundo, conhecida como "o banco central dos bancos centrais". Sinal 04
Calif: Empresa de segurança que, no programa de divulgação coordenada da OpenAI, reportou a primeira das falhas PHP2Shell. Abertura
Cetic.br: Centro Regional de Estudos para o Desenvolvimento da Sociedade da Informação, do Núcleo de Informação e Coordenação do Ponto BR (NIC.br); realiza a pesquisa TIC Empresas. Sinal 04
Challenger, Gray & Christmas: Consultoria americana de recolocação profissional que contabiliza mensalmente os cortes de vagas anunciados nos Estados Unidos e os motivos declarados. Sinal 07
Cloudflare: Empresa americana de infraestrutura e segurança para a web, por onde passa uma parte relevante do tráfego da internet. Abertura
CNC: Confederação Nacional do Comércio de Bens, Serviços e Turismo, entidade patronal brasileira que também produz estudos econômicos. Sinal 07
CoreWeave: Provedora americana de computação em nuvem especializada em GPUs para IA, com clientes como OpenAI e Meta; financia sua expansão com dívida. Sinal 04
Cruise: Empresa de robotáxis da General Motors, cujo financiamento como negócio de robotáxi foi encerrado em dezembro de 2024. Sinal 03
DARPA: Agência de Projetos de Pesquisa Avançada de Defesa dos Estados Unidos, que financia pesquisa de fronteira e organiza competições como o AIxCC. Sinal 02
DeepSeek: Laboratório chinês de IA, sediado em Hangzhou, que publica modelos de pesos abertos como o R1 (2025) e o V4 (2026). Sinal 04
The Diary of a CEO: Podcast britânico de entrevistas apresentado por Steven Bartlett. Sinal 05
Dieese: Departamento Intersindical de Estatística e Estudos Socioeconômicos, mantido pelo movimento sindical brasileiro desde 1955. Sinal 07
ECMWF: Centro Europeu de Previsões Meteorológicas de Médio Prazo, organização intergovernamental que produz algumas das previsões globais mais precisas do mundo. Sinal 02
FGV IBRE: Instituto Brasileiro de Economia da Fundação Getulio Vargas, centro de pesquisa e de produção de indicadores econômicos. Sinal 07
Fórum Econômico Mundial: Fundação suíça que organiza o encontro anual de Davos e publica o relatório "Future of Jobs". Sinal 07
Fundo Monetário Internacional (FMI): Organização internacional sediada em Washington que monitora a estabilidade financeira global. Sinal 04
General Motors: Montadora americana, controladora da Cruise. Sinal 03
Goldman Sachs: Banco de investimento americano; seu departamento de pesquisa publica estimativas sobre os efeitos econômicos da IA. Sinal 07
Google DeepMind: Laboratório de IA do Google, resultado da fusão, em 2023, da DeepMind (fundada em Londres em 2010) com o Google Brain; criou o AlphaFold e o Gemini. Sinal 02
Hugging Face: Plataforma de origem franco-americana que hospeda modelos e conjuntos de dados abertos de IA. Sinal 02
Ipea: Instituto de Pesquisa Econômica Aplicada, fundação pública federal brasileira que publica estudos para subsidiar políticas públicas. Sinal 07
Klarna: Empresa financeira sueca de pagamentos parcelados. Sinal 07
McKinsey & Company: Consultoria de gestão americana; publica anualmente a pesquisa "The State of AI". Sinal 04
Meta: Empresa americana dona do Facebook, do Instagram e do WhatsApp; desenvolve os modelos Llama. Abertura
METR: Model Evaluation and Threat Research, organização sem fins lucrativos de Berkeley que mede as capacidades de modelos de IA, como o "horizonte de tarefas". Sinal 03
Microsoft: Empresa americana de software e nuvem (Azure), maior acionista externa da OpenAI, com cerca de 27%. Sinal 04
Mistral AI: Empresa francesa fundada em Paris em 2023; principal desenvolvedora europeia de modelos de fundação. Sinal 04
Moonshot AI: Empresa chinesa de IA, sediada em Pequim, criadora da família de modelos Kimi. Sinal 04
NSA: Agência de Segurança Nacional dos Estados Unidos, responsável por inteligência de sinais e por parte da defesa cibernética do país. Abertura
Nvidia: Fabricante americana de processadores gráficos (GPUs), que domina o mercado de chips para treinar e rodar modelos de IA em data centers. Sinal 04
OCDE: Organização para a Cooperação e Desenvolvimento Econômico, que reúne 38 países, a maioria de alta renda. Sinal 07
OIT: Organização Internacional do Trabalho, agência da ONU para o trabalho e o emprego. Sinal 07
OpenAI: Empresa americana fundada em 2015, criadora do ChatGPT e dos modelos GPT; desde 2025 é uma empresa de benefício público controlada por uma fundação sem fins lucrativos. Abertura
Oracle: Empresa americana de software e bancos de dados que se tornou grande provedora de nuvem para IA. Sinal 04
Palisade Research: Organização americana sem fins lucrativos que estuda capacidades ofensivas e de resistência ao controle em modelos de IA. Sinal 05
Petrobras: Petróleo Brasileiro S.A., empresa de economia mista que mantém supercomputadores próprios para a exploração de petróleo, inclusive um dedicado à IA. Sinal 04
Projeto PHP: Comunidade que mantém a linguagem PHP, usada, segundo a Wiz, em cerca de 70% dos sites; a PHP Foundation financia o seu desenvolvimento desde 2021. Abertura
Redwood Research: Organização americana sem fins lucrativos de pesquisa em segurança e alinhamento de IA. Sinal 05
The Rest Is Politics: Podcast britânico de política apresentado por Alastair Campbell e Rory Stewart. Sinal 06
Roda Viva: Programa de entrevistas da TV Cultura, no ar desde 1986. Sinal 03
Salesforce: Empresa americana de software de gestão de relacionamento com clientes (CRM). Sinal 07
Waymo: Empresa de veículos autônomos do grupo Alphabet, nascida do projeto de carro autônomo do Google; opera robotáxis em cidades dos Estados Unidos. Sinal 03
Wiz Research: Equipe de pesquisa da Wiz, empresa de segurança em nuvem; encontrou as falhas PHP2Shell de forma independente e lhes deu o nome. Abertura
xAI: Empresa de IA fundada por Elon Musk em 2023, criadora do Grok; fundida à SpaceX em 2026. Sinal 04

Referências

AAAI. AAAI 2025 Presidential Panel on the Future of AI Research. Washington: Association for the Advancement of Artificial Intelligence, mar. 2025. Disponível em: https://aaai.org/wp-content/uploads/2025/03/AAAI-2025-PresPanel-Report-Digital-3.7.25.pdf. Acesso em: 22 out. 2026.
ACEMOGLU, Daron. The simple macroeconomics of AI. Cambridge, MA: National Bureau of Economic Research, May 2024. (NBER Working Paper, 32487). DOI: https://doi.org/10.3386/w32487. Disponível em: https://www.nber.org/papers/w32487. Acesso em: 22 out. 2026.
ACS. Deloitte to refund government over AI errors. Information Age, Sydney, 7 Oct. 2025. Disponível em: https://ia.acs.org.au/article/2025/deloitte-to-refund-government-over-ai-errors.html. Acesso em: 22 out. 2026.
AGÊNCIA GOV. Novo Caged: mercado formal cria 921,6 mil empregos no primeiro semestre de 2026. Agência Gov, Brasília, 29 jul. 2026. Disponível em: https://agenciagov.ebc.com.br/noticias/202607/novo-caged-mercado-formal-cria-921-6-mil-empregos-no-primeiro-semestre-de-2026. Acesso em: 22 out. 2026.
AL JAZEERA. OpenAI restructures into public-benefit firm, Microsoft takes 27% stake. Al Jazeera, Doha, 28 Oct. 2025. Disponível em: https://www.aljazeera.com/economy/2025/10/28/openai-restructures-into-public-benefit-firm-microsoft-takes-27-stake. Acesso em: 22 out. 2026.
AL JAZEERA. World leaders warn of security flaws found in PHP programming language. Al Jazeera, Doha, 22 Oct. 2026. Disponível em: https://www.aljazeera.com/news/2026/10/22/world-leaders-warn-against-security-flaw-found-in-php-computer-programming. Acesso em: 22 out. 2026.
ALBUQUERQUE, Pedro H. M.; SAAVEDRA, Cayan A. P. B.; MORAIS, Rafael L.; ALVES, Patrick F.; YAOHAO, Peng. Na era das máquinas, o emprego é de quem?: estimação da probabilidade de automação de ocupações no Brasil. Rio de Janeiro: Ipea, mar. 2019. (Texto para Discussão, 2457). Disponível em: https://repositorio.ipea.gov.br/bitstream/11058/9116/2/td_2457_sumex.pdf. Acesso em: 22 out. 2026.
ALPHABET INC. Alphabet announces fourth quarter and fiscal year 2025 results. Form 8-K, Exhibit 99.1. Washington: U.S. Securities and Exchange Commission, 4 Feb. 2026. Disponível em: https://www.sec.gov/Archives/edgar/data/1652044/000165204426000012/googexhibit991q42025.htm. Acesso em: 22 out. 2026.
ALTMAN, Sam. The Intelligence Age. [S. l.], 23 Sept. 2024. Disponível em: https://ia.samaltman.com/. Acesso em: 22 out. 2026.
AMD. AMD and OpenAI announce strategic partnership to deploy 6 gigawatts of AMD GPUs. Form 8-K, Exhibit 99.1. Washington: U.S. Securities and Exchange Commission, 6 Oct. 2025. Disponível em: https://ir.amd.com/financial-information/sec-filings/content/0001193125-25-230895/d28189dex991.htm. Acesso em: 22 out. 2026.
AMODEI, Dario. Machines of loving grace: how AI could transform the world for the better. [S. l.], Oct. 2024. Disponível em: https://www.darioamodei.com/essay/machines-of-loving-grace. Acesso em: 22 out. 2026.
ANTHROPIC. Alignment faking in large language models. San Francisco, 18 Dec. 2024. Disponível em: https://www.anthropic.com/research/alignment-faking. Acesso em: 22 out. 2026.
ANTHROPIC. Agentic misalignment: how LLMs could be insider threats. San Francisco, 20 June 2025a. Disponível em: https://www.anthropic.com/research/agentic-misalignment. Acesso em: 22 out. 2026.
ANTHROPIC. Anthropic Economic Index report: uneven geographic and enterprise AI adoption. San Francisco, 15 Sept. 2025b. Disponível em: https://www.anthropic.com/research/anthropic-economic-index-september-2025-report. Acesso em: 22 out. 2026.
ANTHROPIC. Detecting and countering misuse of AI: August 2025. San Francisco, 27 Aug. 2025c. Disponível em: https://www.anthropic.com/news/detecting-countering-misuse-aug-2025. Acesso em: 22 out. 2026.
ANTHROPIC. Disrupting the first reported AI-orchestrated cyber espionage campaign. San Francisco, 13 Nov. 2025d. Disponível em: https://www.anthropic.com/news/disrupting-AI-espionage. Acesso em: 22 out. 2026.
ANTHROPIC. Newsroom. San Francisco, 2026a. Disponível em: https://www.anthropic.com/news. Acesso em: 22 out. 2026.
ANTHROPIC. Project Glasswing: an initial update. San Francisco, 22 May 2026b. Disponível em: https://www.anthropic.com/news/glasswing-initial-update. Acesso em: 22 out. 2026.
ANTHROPIC. Series H. San Francisco, 28 May 2026c. Disponível em: https://www.anthropic.com/news/series-h. Acesso em: 22 out. 2026.
ARC PRIZE FOUNDATION. ARC-AGI-2. [S. l.], 2025. Disponível em: https://arcprize.org/arc-agi/2. Acesso em: 22 out. 2026.
ARNTZ, Melanie; GREGORY, Terry; ZIERAHN, Ulrich. The risk of automation for jobs in OECD countries: a comparative analysis. Paris: OECD Publishing, 13 May 2016. (OECD Social, Employment and Migration Working Papers, 189). Disponível em: https://www.oecd.org/en/publications/the-risk-of-automation-for-jobs-in-oecd-countries_5jlz9h56dvq7-en.html. Acesso em: 22 out. 2026.
BAIN & COMPANY. $2 trillion in new revenue needed to fund AI's scaling trend: Bain & Company's 6th annual Global Technology Report. Boston, 23 Sept. 2025. Disponível em: https://www.bain.com/pt-br/about/media-center/press-releases/20252/$2-trillion-in-new-revenue-needed-to-fund-ais-scaling-trend---bain--companys-6th-annual-global-technology-report/. Acesso em: 22 out. 2026.
BANK OF ENGLAND. Financial Stability Report: July 2026. London, July 2026. Disponível em: https://www.bankofengland.co.uk/-/media/boe/files/financial-stability-report/2026/financial-stability-report-july-2026.pdf. Acesso em: 22 out. 2026.
BEANCOUNT. Microsoft FY2025 earnings analysis. Beancount.io, [s. l.], 23 Mar. 2026. Disponível em: https://beancount.io/blog/2026/03/23/microsoft-fy2025-earnings-analysis. Acesso em: 22 out. 2026.
BECKER, Joel; RUSH, Nate; BARNES, Elizabeth; REIN, David. Measuring the impact of early-2025 AI on experienced open-source developer productivity. Berkeley: METR, 12 July 2025. arXiv:2507.09089. Preprint. Disponível em: https://arxiv.org/abs/2507.09089. Acesso em: 22 out. 2026.
BLEEPINGCOMPUTER. Anthropic claims of Claude AI-automated cyberattacks met with doubt. BleepingComputer, [s. l.], Nov. 2025. Disponível em: https://www.bleepingcomputer.com/news/security/anthropic-claims-of-claude-ai-automated-cyberattacks-met-with-doubt/. Acesso em: 22 out. 2026.
BLOOMBERG GOVERNMENT. OpenAI's revenue run rate nears $50 billion, less than reported. Bloomberg Government, Arlington, 8 Oct. 2026. Disponível em: https://news.bgov.com/artificial-intelligence/openais-annualized-revenue-nears-50-billion-ft-says. Acesso em: 22 out. 2026.
BRASIL ACADÊMICO. Quando os robôs substituirão cada trabalho humano. Brasil Acadêmico, Brasília, 17 ago. 2017. Disponível em: https://blog.brasilacademico.com/2017/08/quando-os-robos-substituirao-cada.html. Acesso em: 22 out. 2026.
BRASIL ACADÊMICO. Caminhão autônomo completa viagem sem humanos a bordo. Brasil Acadêmico, Brasília, jan. 2022a. Disponível em: https://blog.brasilacademico.com/2022/01/caminhao-autonomo-completa-viagem-sem.html. Acesso em: 22 out. 2026.
BRASIL ACADÊMICO. Robô realiza primeira cirurgia laparoscópica sem ajuda humana. Brasil Acadêmico, Brasília, fev. 2022b. Disponível em: https://blog.brasilacademico.com/2022/02/robo-realiza-primeira-cirurgia.html. Acesso em: 22 out. 2026.
BRASIL ACADÊMICO. A singularidade está mais próxima, diz Ray. Brasil Acadêmico, Brasília, jul. 2024. Disponível em: https://blog.brasilacademico.com/2024/07/a-singularidade-esta-mais-proxima-diz.html. Acesso em: 22 out. 2026.
BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey. Generative AI at work. Cambridge, MA: National Bureau of Economic Research, Apr. 2023. (NBER Working Paper, 31161). DOI: https://doi.org/10.3386/w31161. Disponível em: https://www.nber.org/papers/w31161. Acesso em: 22 out. 2026.
BRYNJOLFSSON, Erik; CHANDAR, Bharat; CHEN, Ruyu. Canaries in the coal mine?: six facts about the recent employment effects of artificial intelligence. Stanford: Stanford Digital Economy Lab, Aug. 2026. Disponível em: https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf. Acesso em: 22 out. 2026.
BUSINESS STANDARD. DeepSeek sparks AI stock selloff; Nvidia loses record $593 bn in mcap. Business Standard, New Delhi, 28 Jan. 2025. Disponível em: https://www.business-standard.com/amp/markets/news/deepseek-sparks-ai-stock-selloff-nvidia-loses-record-593-bn-in-mcap-125012800095_1.html. Acesso em: 22 out. 2026.
BUSINESS TODAY. OpenAI raises $122 billion funds ahead of IPO buzz. Business Today, New Delhi, 1 Apr. 2026. Disponível em: https://www.businesstoday.in/amp/technology/story/openai-raises-122-billion-funding-ahead-of-ipo-buzz-523445-2026-04-01. Acesso em: 22 out. 2026.
BUSINESSDAY. IMF warns of risks from AI market correction and war. BusinessDay, Johannesburg, 13 Oct. 2026. Disponível em: https://www.businessday.co.za/world/americas/2026-10-13-imf-warns-of-risks-from-ai-market-correction-and-war/. Acesso em: 22 out. 2026.
CÂMARA DOS DEPUTADOS. PL 2338/2023: ficha de tramitação. Brasília, 2026. Disponível em: https://www.camara.leg.br/proposicoesWeb/fichadetramitacao?idProposicao=2487262. Acesso em: 22 out. 2026.
CENTER FOR AI SAFETY. Statement on AI risk. San Francisco, 30 May 2023. Disponível em: https://aistatement.com/. Acesso em: 22 out. 2026.
CETIC.BR. TIC Empresas 2024: resumo executivo. São Paulo: Comitê Gestor da Internet no Brasil, 2025. Disponível em: https://cetic.br/media/docs/publicacoes/2/20250512121759/tic_empresas_2024_resumo_executivo.pdf. Acesso em: 22 out. 2026.
CHALLAPALLY, Aditya; PEASE, Chris; RASKAR, Ramesh; CHARI, Pradyumna. The GenAI divide: state of AI in business 2025. Cambridge, MA: MIT Project NANDA, July 2025. Disponível em: https://webberwentzel.com/News/Documents/2025/MIT1757411281972.pdf. Acesso em: 22 out. 2026.
CHALLENGER, GRAY & CHRISTMAS. Job cut announcement report: August 2026. Chicago, 3 Sept. 2026. Disponível em: https://www.challengergray.com/wp-content/uploads/2026/09/Challenger-Report-August-2026.pdf. Acesso em: 22 out. 2026.
CHARLOTIN, Damien. AI hallucination cases. [S. l.], 2026. Disponível em: https://www.damiencharlotin.com/hallucinations/. Acesso em: 22 out. 2026.
DAIR INSTITUTE. Statement from the listed authors of Stochastic Parrots on the "AI pause" letter. [S. l.], 31 Mar. 2023. Disponível em: https://www.dair-institute.org/blog/letter-statement-March2023/. Acesso em: 22 out. 2026.
DARPA. AIxCC results. Arlington, 8 Aug. 2025. Disponível em: https://www.darpa.mil/news/2025/aixcc-results. Acesso em: 22 out. 2026.
DCD. Nvidia participa do primeiro supercomputador com IA destinado para E&P da Petrobras. Data Center Dynamics, [s. l.], 21 jun. 2023. Disponível em: https://www.datacenterdynamics.com/br/notícias/nvidia-participa-do-primeiro-supercomputador-com-ia-destinado-para-ep-da-petrobras/. Acesso em: 22 out. 2026.
DEEPSEEK-AI. DeepSeek-V3 technical report. [S. l.], 27 Dec. 2024. arXiv:2412.19437. Preprint. Disponível em: https://arxiv.org/abs/2412.19437. Acesso em: 22 out. 2026.
DEGRAVE, Jonas et al. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, London, v. 602, p. 414-419, 16 Feb. 2022. DOI: https://doi.org/10.1038/s41586-021-04301-9. Acesso em: 22 out. 2026.
DELL'ACQUA, Fabrizio et al. Navigating the jagged technological frontier: field experimental evidence of the effects of AI on knowledge worker productivity and quality. Boston: Harvard Business School, 22 Sept. 2023. (Working Paper, 24-013). Disponível em: https://mitsloan.mit.edu/sites/default/files/2023-10/SSRN-id4573321.pdf. Acesso em: 22 out. 2026.
DPL NEWS. Um ano de Plano Brasileiro de Inteligência Artificial: o que está sendo feito? DPL News, [s. l.], 13 jun. 2025. Disponível em: https://dplnews.com/um-ano-de-plano-brasileiro-de-inteligencia-artificial-o-que-esta-sendo-feito/. Acesso em: 22 out. 2026.
DUQUE, Daniel. Inteligência artificial generativa e mercado de trabalho no Brasil: evidências iniciais sobre ocupação e renda. Blog do IBRE, Rio de Janeiro, 27 abr. 2026. Disponível em: https://blogdoibre.fgv.br/posts/inteligencia-artificial-generativa-e-mercado-de-trabalho-no-brasil-evidencias-iniciais-sobre. Acesso em: 22 out. 2026.
ECMWF. ECMWF's AI forecasts become operational. Reading, 25 Feb. 2025. Disponível em: https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational. Acesso em: 22 out. 2026.
ELECTREK. Waymo goes driverless in Las Vegas, adds four new cities. Electrek, [s. l.], 8 July 2026. Disponível em: https://electrek.co/2026/07/08/waymo-driverless-las-vegas-four-new-cities/. Acesso em: 22 out. 2026.
ELOUNDOU, Tyna; MANNING, Sam; MISHKIN, Pamela; ROCK, Daniel. GPTs are GPTs: an early look at the labor market impact potential of large language models. [S. l.], 2023. arXiv:2303.10130. Preprint. Disponível em: https://arxiv.org/abs/2303.10130. Acesso em: 22 out. 2026.
ENTREPRENEUR. Klarna CEO reverses course by hiring more humans, not AI. Entrepreneur, Irvine, 9 May 2025. Disponível em: https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396. Acesso em: 22 out. 2026.
EWEEK. Leading AI doomsayer rethinks the timeline for humanity's end. eWeek, [s. l.], 7 Jan. 2026. Disponível em: https://www.eweek.com/news/ai-doomsayer-rethinks/. Acesso em: 22 out. 2026.
FORECASTING RESEARCH INSTITUTE. Existential Risk Persuasion Tournament. [S. l.], 10 July 2023. Disponível em: https://forecastingresearch.org/xpt. Acesso em: 22 out. 2026.
FORTUNE. Sam Altman says investors are "overexcited" about AI. Fortune, New York, 19 Aug. 2025. Disponível em: https://www.fortune.com/2025/08/19/wall-street-ai-bubble-sam-altman. Acesso em: 22 out. 2026.
FORTUNE. AI helped discover the PHP vulnerability that could take down 70% of the internet. Now, the race is on to patch it before AI-powered hackers attack. Fortune, New York, 21 Oct. 2026a. Disponível em: https://fortune.com/2026/10/21/ai-tools-discovered-the-php-vulnerability-that-could-take-down-70-of-the-internet-now-the-race-is-on-to-patch-it-before-ai-powered-hackers-attack/. Acesso em: 22 out. 2026.
FORTUNE. BIS central bank warning: hyperscaler data center $1 trillion gamble could end in recession. Fortune, New York, 29 June 2026b. Disponível em: https://fortune.com/2026/06/29/bis-central-bank-warning-hyperscaler-data-center-1-trillion-gamble-recession/. Acesso em: 22 out. 2026.
FREY, Carl Benedikt; OSBORNE, Michael A. The future of employment: how susceptible are jobs to computerisation? Oxford: Oxford Martin School, 17 Sept. 2013. Disponível em: https://www.oxfordmartin.ox.ac.uk/publications/the-future-of-employment. Acesso em: 22 out. 2026.
FUTURE OF LIFE INSTITUTE. Pause giant AI experiments: an open letter. Campbell, 22 Mar. 2023. Disponível em: https://futureoflife.org/open-letter/pause-giant-ai-experiments/. Acesso em: 22 out. 2026.
FUTURE OF LIFE INSTITUTE. Statement on superintelligence. Campbell, 22 Oct. 2025. Disponível em: https://superintelligence-statement.org/. Acesso em: 22 out. 2026.
GEBRU, Timnit; TORRES, Émile P. The TESCREAL bundle: eugenics and the promise of utopia through artificial general intelligence. First Monday, Chicago, v. 29, n. 4, 14 Apr. 2024. Disponível em: https://firstmonday.org/ojs/index.php/fm/article/view/13636. Acesso em: 22 out. 2026.
GENERAL MOTORS. GM to refocus autonomous driving development on personal vehicles. Detroit, 10 Dec. 2024. Disponível em: https://news.gm.com/home.detail.html/Pages/news/us/en/2024/dec/1210-gm.html. Acesso em: 22 out. 2026.
GEORGIEVA, Kristalina. AI will transform the global economy. Let's make sure it benefits humanity. IMF Blog, Washington, 14 Jan. 2024. Disponível em: https://www.imf.org/en/blogs/articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity. Acesso em: 22 out. 2026.
GIGAZINE. DeepSeek V4 released with open weights under MIT license. Gigazine, Osaka, 24 Apr. 2026. Disponível em: https://www.gigazine.net/gsc_news/en/20260424-deepseek-v4. Acesso em: 22 out. 2026.
GIMBEL, Martha; KINDER, Molly; KENDALL, Joshua; LEE, Maddie. Evaluating the impact of AI on the labor market: current state of affairs. New Haven: The Budget Lab at Yale, 1 Oct. 2025. Disponível em: https://budgetlab.yale.edu/sites/default/files/page_to_pdf/1154/publication_1154.pdf. Acesso em: 22 out. 2026.
GMYREK, Pawel; WINKLER, Hernan; GARGANTA, Santiago. Buffer or bottleneck?: employment exposure to generative AI and the digital divide in Latin America. Geneva: International Labour Organization; Washington: World Bank, 31 July 2024. (ILO Working Paper, 121). DOI: https://doi.org/10.54394/TFZY7681. Disponível em: https://www.ilo.org/sites/default/files/2024-07/WP121_web.pdf. Acesso em: 22 out. 2026.
GMYREK, Pawel et al. Generative AI and jobs: a refined global index of occupational exposure. Geneva: International Labour Organization, 20 May 2025. (ILO Working Paper, 140). DOI: https://doi.org/10.54394/HETP0387. Disponível em: https://www.ilo.org/sites/default/files/2025-05/WP140_web.pdf. Acesso em: 22 out. 2026.
GOH, Ethan et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Network Open, Chicago, v. 7, n. 10, e2440969, 28 Oct. 2024. DOI: https://doi.org/10.1001/jamanetworkopen.2024.40969. Disponível em: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2825395. Acesso em: 22 out. 2026.
GOLDMAN SACHS. Generative AI could raise global GDP by 7%. New York, 5 Apr. 2023. Disponível em: https://www.goldmansachs.com/insights/articles/generative-ai-could-raise-global-gdp-by-7-percent. Acesso em: 22 out. 2026.
GOOGLE DEEPMIND. AI achieves silver-medal standard solving International Mathematical Olympiad problems. London, 25 July 2024. Disponível em: https://deepmind.google/discover/blog/ai-solves-imo-problems-at-silver-medal-level/. Acesso em: 22 out. 2026.
GOOGLE DEEPMIND. Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad. London, 21 July 2025a. Disponível em: https://deepmind.google/discover/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/. Acesso em: 22 out. 2026.
GOOGLE DEEPMIND. AlphaEvolve: a Gemini-powered coding agent for designing advanced algorithms. London, 14 May 2025b. Disponível em: https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/. Acesso em: 22 out. 2026.
GOOGLE PROJECT ZERO. From Naptime to Big Sleep: using large language models to catch vulnerabilities in real-world code. Mountain View, 1 Nov. 2024. Disponível em: https://projectzero.google/2024/10/from-naptime-to-big-sleep.html. Acesso em: 22 out. 2026.
GRACE, Katja; SALVATIER, John; DAFOE, Allan; ZHANG, Baobao; EVANS, Owain. When will AI exceed human performance?: evidence from AI experts. [S. l.], 2017. arXiv:1705.08807. Versão publicada em: Journal of Artificial Intelligence Research, v. 62, p. 729-754, 2018. Disponível em: https://arxiv.org/abs/1705.08807. Acesso em: 22 out. 2026.
GRACE, Katja et al. Thousands of AI authors on the future of AI. [S. l.], 2024. arXiv:2401.02843. Preprint. Disponível em: https://arxiv.org/abs/2401.02843. Acesso em: 22 out. 2026.
HARARI, Yuval Noah. Yuval Noah Harari argues that AI has hacked the operating system of human civilisation. Ynetnews, Tel Aviv, 7 May 2023. Republicação de artigo publicado em The Economist, 28 abr. 2023. Disponível em: https://www.ynetnews.com/article/bkszgnrvn. Acesso em: 22 out. 2026.
HARARI, Yuval Noah. AI will take over human systems from within. [Entrevista concedida a] Nathan Gardels. Noema Magazine, Los Angeles, 9 Oct. 2024. Disponível em: https://www.noemamag.com/al-will-take-over-human-systems-from-within/. Acesso em: 22 out. 2026.
HARGREAVES LANSDOWN. Alphabet Q2 results: strong cloud, capex guide raised. Hargreaves Lansdown, Bristol, 23 July 2026. Disponível em: https://www.hl.co.uk/shares/share-research/alphabet-q2-results-strong-cloud-capex-guide-raised. Acesso em: 22 out. 2026.
HUGGING FACE. Security incident: July 2026. New York, 16 July 2026. Disponível em: https://huggingface.co/blog/security-incident-july-2026. Acesso em: 22 out. 2026.
HUI, Xiang; RESHEF, Oren; ZHOU, Luofeng. The short-term effects of generative artificial intelligence on employment: evidence from an online labor market. Munich: CESifo, 2023. (CESifo Working Paper, 10601). Disponível em: https://www.cesifo.org/DocDL/cesifo1_wp10601.pdf. Acesso em: 22 out. 2026.
IEA. Energy and AI: executive summary. Paris: International Energy Agency, 10 Apr. 2025. Disponível em: https://www.iea.org/reports/energy-and-ai/executive-summary. Acesso em: 22 out. 2026.
IMF. Global Financial Stability Report, October 2026: resilience, risk, and transformation. Washington: International Monetary Fund, 13 Oct. 2026. Disponível em: https://www.imf.org/en/publications/gfsr/issues/2026/10/13/global-financial-stability-report-october-2026. Acesso em: 22 out. 2026.
INFOWORLD. Google plans Gemini 4 release before year-end. InfoWorld, [s. l.], 25 Sept. 2026. Disponível em: https://www.infoworld.com/article/4226642/google-plans-gemini-4-release-before-year-end-2.html. Acesso em: 22 out. 2026.
INTERNATIONAL AI SAFETY REPORT. International AI Safety Report 2026. London: UK Department for Science, Innovation and Technology, 3 Feb. 2026. Disponível em: https://internationalaisafetyreport.org/publication/international-ai-safety-report-2026. Acesso em: 22 out. 2026.
IRISH EXAMINER. "Godfather of AI" shortens odds of the technology wiping out humanity over next 30 years. Irish Examiner, Cork, 28 Dec. 2024. Disponível em: https://www.irishexaminer.com/world/arid-41544136.html. Acesso em: 22 out. 2026.
JUMPER, John et al. Highly accurate protein structure prediction with AlphaFold. Nature, London, v. 596, p. 583-589, 15 July 2021. DOI: https://doi.org/10.1038/s41586-021-03819-2. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC8371605/. Acesso em: 22 out. 2026.
KEYNES, John Maynard. Economic possibilities for our grandchildren. 1930. Disponível em: https://www.hetwebsite.net/het/texts/keynes/keynes1930grandchildren.htm. Acesso em: 22 out. 2026.
KOKOTAJLO, Daniel; ALEXANDER, Scott; LARSEN, Thomas; LIFLAND, Eli; DEAN, Romeo. AI 2027. [S. l.], 3 Apr. 2025. Disponível em: https://ai-2027.com/. Acesso em: 22 out. 2026.
LAMBERT, Nathan. Kimi K3: the open-weights escalation. Interconnects, [s. l.], 20 July 2026. Disponível em: https://interconnects.ai/p/kimi-k3-the-open-weights-escalation. Acesso em: 22 out. 2026.
LAWSEN, A. Comment on The Illusion of Thinking: understanding the strengths and limitations of reasoning models via the lens of problem complexity. [S. l.], 10 June 2025. arXiv:2506.09250. Preprint. Disponível em: https://arxiv.org/abs/2506.09250. Acesso em: 22 out. 2026.
LIONELLO, Rafael L.; SANTOS FILHO, Jorge F.; MARTINS, Erika C. B. Impacto da inteligência artificial sobre as ocupações no Brasil: uma análise da exposição ocupacional à IA a partir da PNAD. São Paulo: ESPM/PRISMA, dez. 2025. Disponível em: https://www.espm.br/wp-content/uploads/Impacto-da-IA-sobre-as-Ocupacoes-no-Brasil-2.pdf. Acesso em: 22 out. 2026.
LUND UNIVERSITY. AI support in breast cancer screening: fewer missed cancer cases. Lund, 2026. Disponível em: https://www.lunduniversity.lu.se/article/ai-support-breast-cancer-screening-fewer-missed-cancer-cases. Acesso em: 22 out. 2026.
MARCUS, Gary. The fact is, pure scaling has not worked. Fortune, New York, 19 Feb. 2025. Disponível em: https://fortune.com/2025/02/19/generative-ai-scaling-agi-deep-learning. Acesso em: 22 out. 2026.
MCKINSEY & COMPANY. The state of AI in 2025: agents, innovation, and transformation. New York, 5 Nov. 2025. Disponível em: https://www.mckinsey.com/featured-insights/artificial-intelligence/the-state-of-ai-2025. Acesso em: 22 out. 2026.
MEINKE, Alexander et al. Frontier models are capable of in-context scheming. London: Apollo Research, 6 Dec. 2024. arXiv:2412.04984. Preprint. Disponível em: https://arxiv.org/abs/2412.04984. Acesso em: 22 out. 2026.
META PLATFORMS. Meta reports fourth quarter and full year 2025 results. Form 8-K, Exhibit 99.1. Washington: U.S. Securities and Exchange Commission, 28 Jan. 2026. Disponível em: https://www.sec.gov/Archives/edgar/data/1326801/000162828026003832/meta-12312025xexhibit991.htm. Acesso em: 22 out. 2026.
METACULUS. When will the first general AI system be devised, tested, and publicly announced? [S. l.], 2026. Disponível em: https://www.metaculus.com/questions/5121/date-of-artificial-general-intelligence/. Acesso em: 22 out. 2026.
METR. Time Horizon 1.1. Berkeley, 29 Jan. 2026a. Disponível em: https://metr.org/blog/2026-1-29-time-horizon-1-1/. Acesso em: 22 out. 2026.
METR. We are changing our developer productivity experiment design. Berkeley, 24 Feb. 2026b. Disponível em: https://metr.org/blog/2026-02-24-uplift-update/. Acesso em: 22 out. 2026.
MIRZADEH, Iman et al. GSM-Symbolic: understanding the limitations of mathematical reasoning in large language models. Cupertino: Apple, 7 Oct. 2024. arXiv:2410.05229. Preprint. Disponível em: https://arxiv.org/abs/2410.05229. Acesso em: 22 out. 2026.
MIT NEWS. Artificial intelligence yields new antibiotic. MIT News, Cambridge, MA, 20 Feb. 2020. Disponível em: https://news.mit.edu/2020/artificial-intelligence-identifies-new-antibiotic-0220. Acesso em: 22 out. 2026.
MIT TECHNOLOGY REVIEW. This is the most misunderstood graph in AI. MIT Technology Review, Cambridge, MA, 5 Feb. 2026. Disponível em: https://www.technologyreview.com/2026/02/05/1132254/this-is-the-most-misunderstood-graph-in-ai/. Acesso em: 22 out. 2026.
MOUSA, Deena. Why AI isn't replacing radiologists. Works in Progress, [s. l.], 25 Sept. 2025. Disponível em: https://www.worksinprogress.news/p/why-ai-isnt-replacing-radiologists. Acesso em: 22 out. 2026.
NARAYANAN, Arvind; KAPOOR, Sayash. AI as normal technology. New York: Knight First Amendment Institute at Columbia University, 15 Apr. 2025. Disponível em: https://knightcolumbia.org/content/ai-as-normal-technology. Acesso em: 22 out. 2026.
NASDAQ. Musk predicts AI will outsmart humans by 2026. Nasdaq, New York, 9 Apr. 2024. Disponível em: https://www.nasdaq.com/articles/musk-predicts-ai-will-outsmart-humans-by-2026. Acesso em: 22 out. 2026.
NASDAQ. Microsoft Q4 earnings call highlights. Nasdaq, New York, 29 July 2026. Disponível em: https://www.nasdaq.com/articles/microsoft-q4-earnings-call-highlights. Acesso em: 22 out. 2026.
NEWSWEEK. AI impact interview: Yann LeCun. Newsweek, New York, 2 Apr. 2025. Disponível em: https://www.newsweek.com/nw-ai/ai-impact-interview-yann-lecun-artificial-intelligence-2054237. Acesso em: 22 out. 2026.
NOBEL PRIZE OUTREACH. The Nobel Prize in Chemistry 2024: popular information. Stockholm, 9 Oct. 2024. Disponível em: https://www.nobelprize.org/prizes/chemistry/2024/popular-information/. Acesso em: 22 out. 2026.
NOY, Shakked; ZHANG, Whitney. Experimental evidence on the productivity effects of generative artificial intelligence. Science, Washington, v. 381, n. 6654, p. 187-192, 14 July 2023. Resumo aberto disponível em: https://news.mit.edu/2023/study-finds-chatgpt-boosts-worker-productivity-writing-0714. Acesso em: 22 out. 2026.DOI: https://doi.org/10.1126/science.adh2586.
NVIDIA. OpenAI and NVIDIA announce strategic partnership to deploy 10 gigawatts of NVIDIA systems. Santa Clara, 22 Sept. 2025. Disponível em: https://investor.nvidia.com/news/press-release-details/2025/OpenAI-and-NVIDIA-Announce-Strategic-Partnership-to-Deploy-10-Gigawatts-of-NVIDIA-Systems/default.aspx. Acesso em: 22 out. 2026.
NVIDIA. NVIDIA announces financial results for second quarter fiscal 2027. Form 8-K. Washington: U.S. Securities and Exchange Commission, 26 Aug. 2026. Disponível em: https://www.sec.gov/Archives/edgar/data/0001045810/000104581026000073/q2fy27pr.htm. Acesso em: 22 out. 2026.
NYU SHANGHAI. Qwen3.8-Max Preview: Alibaba's 2.4T-parameter bid for the frontier. NYU Shanghai RITS, Shanghai, 20 July 2026. Disponível em: https://rits.shanghai.nyu.edu/ai/qwen3-8-max-preview-alibabas-2-4t-parameter-bid-for-the-frontier/. Acesso em: 22 out. 2026.
OPENAI. Disrupting malicious uses of AI: October 2025. San Francisco, 7 Oct. 2025a. Disponível em: https://openai.com/global-affairs/disrupting-malicious-uses-of-ai-october-2025/. Acesso em: 22 out. 2026.
OPENAI. Sycophancy in GPT-4o: what happened and what we're doing about it. San Francisco, 29 Apr. 2025b. Disponível em: https://openai.com/index/sycophancy-in-gpt-4o/. Acesso em: 22 out. 2026.
OPENAI. Why language models hallucinate. San Francisco, 5 Sept. 2025c. Disponível em: https://openai.com/index/why-language-models-hallucinate/. Acesso em: 22 out. 2026.
OPENAI. GPT-5.6. San Francisco, 9 July 2026a. Disponível em: https://openai.com/es-419/index/gpt-5-6/. Acesso em: 22 out. 2026.
OPENAI. Patch the Planet: global response coordination as agents uncover critical vulnerabilities. San Francisco, 21 Oct. 2026b. Disponível em: https://openai.com/index/coordinated-disclosure-of-critical-vulnerabilities/. Acesso em: 22 out. 2026.
ORACLE. Oracle announces fiscal 2026 fourth quarter and fiscal full year financial results. Form 8-K, Exhibit 99.1. Washington: U.S. Securities and Exchange Commission, 10 June 2026. Disponível em: https://www.sec.gov/Archives/edgar/data/0001341439/000119312526265848/orcl-ex99_1.htm. Acesso em: 22 out. 2026.
ORRICK. Orrick advises Mistral in its €3B Series D at €21B post-money valuation. San Francisco, 8 Sept. 2026. Disponível em: https://www.orrick.com/en/news/2026/09/orrick-advises-mistral-in-its-3b-series-d-at-21b-post-money-valuation. Acesso em: 22 out. 2026.
OUTLOOK BUSINESS. Oracle forecasts $95 bn in capex for FY27, plans to raise $40 bn in debt and equity. Outlook Business, New Delhi, 11 June 2026. Disponível em: https://www.outlookbusiness.com/amp/story/corporate/oracle-forecasts-95-bn-in-capex-for-fy27-plans-to-raise-40-bn-in-debt-and-equity. Acesso em: 22 out. 2026.
PERRIGO, Billy; PILLAY, Tharin. AI experts, celebrities call for ban on superintelligence. TIME, New York, 22 Oct. 2025. Disponível em: https://time.com/7327409/ai-agi-superintelligent-open-letter/. Acesso em: 22 out. 2026.
PHP GROUP. Security advisory: critical remote code execution vulnerabilities, update now. [S. l.], 21 Oct. 2026. Disponível em: https://www.php.net/archive/2026.php#2026-10-21-5. Acesso em: 22 out. 2026.
PRICE, Ilan et al. Probabilistic weather forecasting with machine learning. Nature, London, v. 637, p. 84-90, 2025. DOI: https://doi.org/10.1038/s41586-024-08252-9. Disponível em: https://www.nature.com/articles/s41586-024-08252-9. Acesso em: 22 out. 2026.
QUOTE INVESTIGATOR. The first ultraintelligent machine is the last invention that man need ever make. Quote Investigator, [s. l.], 4 Jan. 2022. Disponível em: https://quoteinvestigator.com/2022/01/04/ultraintelligent/. Acesso em: 22 out. 2026.
REUTERS. Steep bill for AI buildout punishes Meta, other tech favorites. Investing.com, [s. l.], 22 Oct. 2026. Disponível em: https://www.investing.com/news/economy-news/steep-bill-for-ai-buildout-punishes-meta-other-tech-favorites-4967187. Acesso em: 22 out. 2026.
SAMET, Lital. Yuval Noah Harari on AI: "We are the cows of the future". CTech, Tel Aviv, 19 Oct. 2026. Disponível em: https://www.calcalistech.com/ctechnews/article/jp9hpl0rh. Acesso em: 22 out. 2026.
SCHLATTER, Jeremy; WEINSTEIN-RAUN, Benjamin; LADISH, Jeffrey. Incomplete tasks induce shutdown resistance in some frontier LLMs. Berkeley: Palisade Research, 13 Sept. 2025. arXiv:2509.14260. Preprint. Disponível em: https://arxiv.org/abs/2509.14260. Acesso em: 22 out. 2026.
SCIENCE MEDIA CENTRE ESPAÑA. A clinical trial involving more than 100,000 women shows that AI improves breast cancer screening. Science Media Centre España, Madrid, 30 Jan. 2026. Disponível em: https://sciencemediacentre.es/en/node/6636. Acesso em: 22 out. 2026.
SHERWOOD NEWS. Big Tech capital expenditure soared in 2025, it's going up another 50% in 2026. Sherwood News, New York, 6 Feb. 2026. Disponível em: https://www.sherwood.news/tech/big-tech-capital-expenditure-soared-in-2025-its-going-up-another-50-in-2026/. Acesso em: 22 out. 2026.
SHOJAEE, Parshin et al. The illusion of thinking: understanding the strengths and limitations of reasoning models via the lens of problem complexity. Cupertino: Apple Machine Learning Research, June 2025. Disponível em: https://machinelearning.apple.com/research/illusion-of-thinking. Acesso em: 22 out. 2026.
SILICONANGLE. Google Brain founder Andrew Ng says threat of AI causing human extinction is overblown. SiliconANGLE, [s. l.], 31 Oct. 2023. Disponível em: https://siliconangle.com/2023/10/31/google-brain-founder-andrew-ng-says-threat-ai-causing-human-extinction-overblown/. Acesso em: 22 out. 2026.
STEPHANY, Fabian; LORENZ, Hanno. The future of employment revisited: how model selection determines automation forecasts. [S. l.], 28 Apr. 2021. arXiv:2104.13747. Preprint. Disponível em: https://arxiv.org/abs/2104.13747. Acesso em: 22 out. 2026.
TECHREPUBLIC. Salesforce cuts 4,000 support jobs as AI agents handle half of customer interactions. TechRepublic, [s. l.], 3 Sept. 2025. Disponível em: https://www.techrepublic.com/article/news-salesforce-cuts-4k-jobs/. Acesso em: 22 out. 2026.
TECHZINE. New OpenAI models hallucinate more often than their predecessors. Techzine, [s. l.], Apr. 2025. Disponível em: https://www.techzine.eu/news/applications/130720/new-openai-models-hallucinate-more-often-than-their-predecessors/. Acesso em: 22 out. 2026.
THE ASCO POST. Interval cancer rate with AI-supported mammography screening. The ASCO Post, Huntington, Feb. 2026. Notícia sobre: GOMMERS, Jessie et al. The Lancet, London, 2026. DOI: https://doi.org/10.1016/S0140-6736(25)02464-X. Disponível em: https://ascopost.com/news/february-2026/interval-cancer-rate-with-ai-supported-mammography-screening/. Acesso em: 22 out. 2026.
THE DAILY UPSIDE. Is CoreWeave's tapestry of debt unraveling? The Daily Upside, New York, 16 Oct. 2026. Disponível em: https://www.thedailyupside.com/technology/artificial-intelligence/is-coreweaves-tapestry-of-debt-unraveling/. Acesso em: 22 out. 2026.
THE DECODER. Leading OpenAI researcher announced a GPT-5 math breakthrough that never happened. The Decoder, [s. l.], 18 Oct. 2025a. Disponível em: https://the-decoder.com/leading-openai-researcher-announced-a-gpt-5-math-breakthrough-that-never-happened/. Acesso em: 22 out. 2026.
THE DECODER. Yann LeCun leaves Meta to launch new AI startup. The Decoder, [s. l.], 20 Nov. 2025b. Disponível em: https://the-decoder.com/yann-lecun-leaves-meta-to-launch-new-ai-startup/. Acesso em: 22 out. 2026.
THE DECODER. Meta's internal memo signals AI comeback after rocky year. The Decoder, [s. l.], 5 Feb. 2026. Disponível em: https://the-decoder.com/metas-internal-memo-signals-ai-comeback-after-rocky-year/. Acesso em: 22 out. 2026.
THE HUB. Most audience members unwilling to change their minds about the threats posed by AI at the Munk Debates. The Hub, Toronto, 28 June 2023. Disponível em: https://thehub.ca/2023/06/28/most-audience-members-unwilling-to-change-their-minds-about-the-threats-posed-by-ai-at-the-munk-debates/. Acesso em: 22 out. 2026.
THE NEW REPUBLIC. Geoffrey Hinton's AI radiology prediction. The New Republic, New York, 2024. Disponível em: https://newrepublic.com/article/187203/ai-radiology-geoffrey-hinton-nobel-prediction. Acesso em: 22 out. 2026.
THE NEXT WEB. Andrew Ng: AI extinction warnings are "science fiction". The Next Web, Amsterdam, 17 Sept. 2026. Disponível em: https://thenextweb.com/news/andrew-ng-extinction-science-fiction. Acesso em: 22 out. 2026.
THE REGISTER. Baidu's Andrew Ng: fear of evil AI is like worrying about overpopulation on Mars. The Register, London, 19 Mar. 2015. Disponível em: https://www.theregister.com/2015/03/19/andrew_ng_baidu_ai/. Acesso em: 22 out. 2026.
THE REST IS POLITICS. The greatest threat humans just can't stomach: with Yuval Noah Harari. [S. l.]: Goalhanger, 18 Sept. 2026. 1 vídeo (38 min). Disponível em: https://www.youtube.com/watch?v=qnaZwFrEi24. Acesso em: 22 out. 2026.
TIKR. Amazon raised its 2026 capex guide to $220 billion: here's what drove the increase. TIKR, [s. l.], 1 Oct. 2026. Disponível em: https://www.tikr.com/blog/amazon-raised-its-2026-capex-guide-to-220-billion-heres-what-drove-the-increase. Acesso em: 22 out. 2026.
TIMES BRASIL. Avanço da IA altera o padrão das profissões no mercado. Times Brasil, São Paulo, 30 set. 2026. Disponível em: https://timesbrasil.com.br/brasil/economia-brasileira/avanco-da-i-a-altera-o-padrao-das-profissoes-no-mercado/. Acesso em: 22 out. 2026.
TODD, Benjamin. Shrinking AGI timelines: a review of expert forecasts. 80,000 Hours, Oxford, 21 Mar. 2025, atualizado 4 fev. 2026. Disponível em: https://80000hours.org/2025/03/when-do-experts-expect-agi-to-arrive/. Acesso em: 22 out. 2026.
TZADIK, Sagi; TAMARI, Shir; OHFELD, Nir; SCHWARTZ, Tomer. PHP2Shell: AI uncovers critical RCE vulnerabilities affecting 70% of the Internet. Wiz Blog, New York, 21 Oct. 2026. Disponível em: https://www.wiz.io/blog/php2shell-php-rce. Acesso em: 22 out. 2026.
U.S. CENSUS BUREAU. Large firms with at least 20 employees biggest AI users. Washington, 26 May 2026. Disponível em: https://census.gov/library/stories/2026/05/ai-use-businesses.html. Acesso em: 22 out. 2026.
VINGE, Vernor. The coming technological singularity: how to survive in the post-human era. San Diego, 1993. Disponível em: https://edoras.sdsu.edu/~vinge/misc/singularity.html. Acesso em: 22 out. 2026.
VINSEL, Lee. You're doing it wrong: notes on criticism and technology hype. Medium, [s. l.], 1 Feb. 2021. Disponível em: https://sts-news.medium.com/youre-doing-it-wrong-notes-on-criticism-and-technology-hype-18b08b4307e5. Acesso em: 22 out. 2026.
WORLD ECONOMIC FORUM. The Future of Jobs Report 2025. Geneva, 7 Jan. 2025. Disponível em: https://www.weforum.org/publications/the-future-of-jobs-report-2025/. Acesso em: 22 out. 2026.
YAHOO FINANCE. Anthropic revenue rises to $16.8bn as IPO talk builds. Yahoo Finance, [s. l.], 15 Oct. 2026a. Disponível em: https://finance.yahoo.com/technology/ai/articles/anthropic-revenue-rises-16-8-132600056.html. Acesso em: 22 out. 2026.
YAHOO FINANCE. xAI burned $6.4B last year, SpaceX IPO filing reveals. Yahoo Finance, [s. l.], 20 May 2026b. Disponível em: https://finance.yahoo.com/sectors/technology/articles/xai-burned-6-4b-last-222608682.html. Acesso em: 22 out. 2026.
YIELD THEORY. Hyperscaler capex 2026: $720B–$745B guidance by company. [S. l.], 2026. Disponível em: https://www.yieldtheory.app/research/hyperscaler-ai-capex-tracker-2026. Acesso em: 22 out. 2026.

Métricas e analytics: KPIs, Google Analytics 4, dashboards, social listening e hiperpersonalização

noreply@blogger.com (War) — Thu, 22 Oct 2026 18:14:56 -0300

Medir não é contar. Neste post, você vai entender a diferença entre métrica e KPI, por que curtidas raramente pagam as contas, como o Google Analytics 4 passou a medir tudo a partir de eventos (e o que é, afinal, uma "sessão engajada"), o que separa um dashboard útil de uma árvore de Natal de gráficos, como o social listening transforma conversas em sinal, e onde a hiperpersonalização encontra o seu limite: a LGPD. Inclui um painel-laboratório interativo, um teste rápido de métricas de vaidade, glossário filtrável e checklist de aplicação.

Indicador 00 · Abertura

A live que bombou e não matriculou ninguém

Sexta-feira, 22h. A coordenadora de um curso de extensão on-line comemora no grupo da equipe: a live de lançamento passou de 4.800 curtidas, o perfil ganhou 1.200 seguidores e o vídeo virou o mais visto da semana. Na segunda-feira, o relatório da secretaria chega seco: sete matrículas — menos do que a turma anterior, divulgada só por e-mail. Ninguém mentiu. Os números eram verdadeiros. Eles apenas respondiam a uma pergunta que ninguém tinha feito.

Essa cena resume o assunto deste post. Vivemos cercados de contadores — visualizações, alcance, impressões, cliques —, e a tentação é tratar qualquer número que sobe como sinal de sucesso. Métrica sem objetivo é só um contador; ela vira indicador quando está amarrada a uma decisão que alguém precisa tomar. É dessa amarração que tratam os KPIs, o Google Analytics 4, os dashboards, o social listening e, no limite, a hiperpersonalização.

Se você chegou agora à série, vale ler antes Afinal, o que é Comunicação Digital? e Redes sociais: estrutura, algoritmos e economia da atenção, que preparam o terreno para o que vem a seguir.

Indicador 01 · Fundamentos

Dado, métrica, KPI: a pirâmide da decisão

Comece pela base. Um dado é um registro bruto (alguém clicou no botão "Inscreva-se" às 21h47). Uma métrica é uma medida agregada desses registros (312 cliques no botão esta semana). Um KPI (key performance indicator, indicador-chave de desempenho) é a métrica — ou combinação delas — escolhida por estar diretamente ligada a um objetivo estratégico e por indicar o que precisa ser feito para melhorar o desempenho (Parmenter, 2019). Em termos didáticos, todo KPI é uma métrica (ou uma combinação de medidas) promovida pelo objetivo, e quase nenhuma métrica chega a ser KPI — uma simplificação útil, já que referenciais de gestão classificam indicadores de formas diferentes.

Figura 1 — Da base ao topo: dados viram métricas; poucas métricas viram KPIs; KPIs só fazem sentido diante de um objetivo. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

A ideia de amarrar indicadores à estratégia é antiga. Nos anos 1990, Kaplan e Norton propuseram o Balanced Scorecard: em vez de olhar só para o financeiro (que mostra o passado), a organização acompanha indicadores em quatro perspectivas — financeira, clientes, processos internos e aprendizado e crescimento —, encadeados por relações de causa e efeito (Kaplan; Norton, 1997). Mais recentemente, os OKRs (objectives and key results) popularizaram uma fórmula enxuta: um objetivo qualitativo e inspirador, acompanhado de três a cinco resultados-chave mensuráveis que dizem, sem ambiguidade, se ele foi alcançado (Doerr, 2019).

Métricas de vaidade x métricas acionáveis

Eric Ries, ao sistematizar a Startup Enxuta, cunhou a distinção que mais ajuda no dia a dia: métricas de vaidade fazem o gráfico subir e o ego inflar, mas não dizem o que fazer; métricas acionáveis ajudam a decidir e a avaliar resultados, e Ries recomenda buscá-las em coortes e em experimentos controlados, como testes A/B, nos quais a relação de causa e efeito pode de fato ser demonstrada (Ries, 2019). Atenção à diferença: comparar a taxa de matrícula de quem veio da newsletter com a de quem veio do Instagram é útil, mas revela uma associação — talvez os assinantes da newsletter já estivessem mais interessados. Para afirmar que a newsletter causou as matrículas, é preciso um experimento ou um método estatístico adequado. O tema foi apresentado aqui no blog em Lean Startup, MVP, Canvas e métodos ágeis.

Figura 2 — Muito brilho, pouco peso: curtidas impressionam; matrículas sustentam o curso. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

E nenhuma métrica é vaidade em si: o crescimento de seguidores pode ser um bom indicador secundário numa campanha cujo objetivo é ampliar o alcance de uma iniciativa pública. O que define a classificação é o objetivo e a decisão que o número permite tomar. Croll e Yoskovitz levam o raciocínio adiante com a OMTM (One Metric That Matters): em cada fase de um projeto, escolha uma única métrica para orientar a equipe, porque foco é escasso e dez "prioridades" equivalem a nenhuma (Croll; Yoskovitz, 2013). Teste seu faro no quadro abaixo.

Teste rápido · Vaidade ou acionável?

Classifique cada métrica considerando o objetivo do curso de extensão: aumentar as matrículas. Com outro objetivo, a resposta poderia mudar — e o comentário de cada cartão diz quando. A resposta aparece logo abaixo do cartão.

Total de seguidores no Instagram

Taxa de matrícula de quem assistiu à aula experimental

Visualizações de página totais do mês

Taxa de engajamento por canal (newsletter x redes sociais)

Curtidas na live de lançamento

Custo por matrícula em cada canal de divulgação

Acertos: 0 de 6

O lado escuro: a lei de Goodhart

Há um aviso que todo gestor de indicadores deveria colar no monitor. O economista Charles Goodhart observou, nos anos 1970 e a propósito da política monetária britânica, que indicadores usados como alvo de controle tendem a perder a regularidade que tinham. A versão popular — "quando uma medida vira meta, deixa de ser uma boa medida" — é uma síntese posterior, generalizada para qualquer organização: as pessoas aprendem a mover o número sem mover a realidade. O historiador Jerry Muller reuniu dezenas de casos dessa "fixação métrica" em escolas, hospitais, polícias e empresas: professores que ensinam para a prova, cirurgiões que recusam pacientes graves para não piorar suas estatísticas (Muller, 2018). Um bom KPI orienta o julgamento; quando passa a substituí-lo, o número começa a ser fabricado.

Indicador 02 · Google Analytics 4

Das sessões aos eventos: a mudança de modelo de mensuração no GA4

O Google Analytics nasceu em 11 de novembro de 2005, a partir da compra da Urchin Software, e na primeira semana recebeu tantos cadastros que o Google precisou suspender temporariamente as novas contas (Clifton, 2015). Por quase duas décadas, sua unidade básica foi a sessão: uma visita, com páginas vistas, duração e origem. A geração atual, o Google Analytics 4 (GA4), adotou um modelo de coleta baseado em eventos, que mede junto site e aplicativo e procura acompanhar a jornada em vez da visita isolada (Google, [2026d]). As sessões não desapareceram: o GA4 continua a contá-las e a calcular métricas sobre elas, mas agora a partir dos eventos. E a jornada entre dispositivos só é reconstituída quando há identificadores disponíveis e o consentimento permite — não é garantida para todos os usuários. Clique nos marcos para ver a trajetória.

2020 · Chega o Google Analytics 4

Em 14 de outubro de 2020, a App + Web é rebatizada como Google Analytics 4: aprendizado de máquina para alertas automáticos, métricas preditivas como probabilidade de abandono e desenho voltado à privacidade (Srinivasan, 2020).

antecedentesGA4anúnciodesligamento

Figura 3 — Do bloco à linha: o Universal Analytics recortava visitas; o GA4 encadeia eventos ao longo da jornada. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

Quadro 1 — Comparação entre o Universal Analytics e o Google Analytics 4

Aspecto	Universal Analytics (até 2023)	Google Analytics 4
Unidade básica	Sessão (visita com acessos a páginas)	Evento (qualquer interação registrada)
Plataformas	Site; app em produto separado	Site e aplicativo na mesma propriedade
Ação valiosa	Meta (conversão)	Evento-chave
Qualidade da visita	Taxa de rejeição (página única)	Taxa de engajamento e de rejeição (sessões não engajadas)
Previsões	Não nativas	Métricas e públicos preditivos por aprendizado de máquina
Privacidade	Dependia de cookies e armazenava IP	Não armazena IP; modelagem para lacunas de consentimento

Fonte: elaborado pelo autor com base em Srinivasan (2020), Ketchum (2022) e Google ([2026b], [2026c], [2026d]).

Sessão engajada, taxa de engajamento e taxa de rejeição

A mudança mais didática do GA4 está em como ele classifica as visitas segundo critérios técnicos de engajamento. Para o Google, uma sessão engajada é a que cumpre pelo menos uma de três condições: dura mais de 10 segundos, registra um evento-chave ou tem duas ou mais visualizações de página ou tela. A taxa de engajamento é o percentual de sessões engajadas, e a taxa de rejeição passou a ser exatamente o seu complemento — o percentual de sessões não engajadas (Google, [2026c]). Atenção: sessão engajada é uma sessão que atendeu a esses critérios, não uma visita que gerou valor. Alguém pode passar dois minutos numa página porque não encontra o que procura — engajamento técnico não é satisfação, aprendizagem nem matrícula.

Figura 4 — Basta uma das três portas: mais de 10 segundos, um evento-chave ou duas páginas vistas. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

E o que é um evento-chave? É qualquer evento que você marca como especialmente importante para o sucesso do negócio — preencher a inscrição, baixar o edital, concluir a compra. O nome antigo era "conversão"; o Google o trocou para alinhar a medição do Analytics à do Google Ads, onde "conversão" ficou reservada à ação usada para avaliar e otimizar anúncios (Google, [2026b]). No GA4, você decide o que conta como sucesso; a ferramenta não sabe sozinha qual clique importa para o seu projeto.

Agora é com você. O painel-laboratório abaixo simula um funil hipotético para o curso de extensão do início, separando o que o GA4 registra (sessões, engajamento, inscrições iniciadas) do que só o sistema acadêmico confirma (a matrícula). Mexa nos controles e repare: as curtidas da live não mudam nada no que importa.

Painel-laboratório · Do tráfego à matrícula

Sessões no mês 12.000 Taxa de engajamento 55% Sessões engajadas que iniciam a inscrição 5,0% Inscrições iniciadas que viram matrícula confirmada 30% Curtidas na live (vaidade) 4.800

Sessões engajadas6.600

Taxa de rejeição45%

Inscrições iniciadas (evento-chave no GA4)330

Matrículas confirmadas (sistema acadêmico) · KPI99

Meta da turma: 120 matrículas82%

Atenção: faltam 21 matrículas para a meta.

Funil hipotético: sessões × taxa de engajamento = sessões engajadas; sessões engajadas × taxa de início = inscrições iniciadas (o evento-chave que o GA4 registra); inscrições × taxa de confirmação = matrículas confirmadas, que vêm do sistema acadêmico, não do GA4. As taxas são premissas do simulador, não regras de cálculo da ferramenta. Supõe-se cada matrícula contada uma única vez; lembre que uma sessão não é uma pessoa (alguém pode visitar várias vezes) e que um evento pode disparar mais de uma vez. Valores ilustrativos.

De onde veio a matrícula? Atribuição e qualidade dos dados

A pergunta da coordenadora — quantas matrículas, vindas de onde? — depende de saber a origem de cada visita. Para isso, os links de divulgação recebem parâmetros UTM: utm_source identifica a origem (newsletter, Instagram), utm_medium o tipo de canal (e-mail, social, anúncio) e utm_campaign a campanha (ex.: extensao_2026). Quando alguém clica num link assim marcado, o GA4 registra esses valores e os exibe no relatório de aquisição de tráfego (Google, [2026e]). Sem UTM, boa parte do tráfego de e-mail e de aplicativos de mensagem aparece como "direto", e a comparação entre canais fica distorcida. Mesmo com UTM, decidir a quem dar o crédito quando a pessoa passou por vários canais (a atribuição) é uma escolha de modelo, e ferramentas diferentes podem chegar a números diferentes.

Por fim, nenhum indicador é melhor que a sua instrumentação. Eventos duplicados, tag instalada só em parte das páginas, tráfego de robôs, visitantes que recusaram cookies e diferenças entre o GA4 e o sistema acadêmico podem fazer o painel contar outra história. Por isso, todo KPI merece uma ficha: definição operacional, fonte dos dados, periodicidade, responsável, meta e critério de interpretação.

Previsões e privacidade

Dois recursos completam o retrato. O primeiro são as métricas preditivas: com aprendizado de máquina, o GA4 estima, por exemplo, a probabilidade de um usuário abandonar o serviço, o que ajuda a direcionar esforços de retenção (Srinivasan, 2020) — assunto que conversa com Aprendizado de máquina e computação evolucionária. O segundo é o modo de consentimento: ele repassa às ferramentas do Google a escolha que o visitante fez no banner de cookies. Na implementação básica, nada é enviado até a pessoa aceitar; na avançada, enquanto o consentimento está negado, seguem apenas sinais sem cookies, e o Google usa modelagem para estimar o que ficou de fora. O recurso não inclui o banner em si, que precisa ser implementado à parte (Google, [2026a]), e configurá-lo não garante conformidade com a LGPD. A lei admite dez bases legais para o tratamento de dados pessoais, e o consentimento é apenas uma delas (art. 7º); finalidade, necessidade, transparência e direitos dos titulares precisam ser avaliados para além de qualquer configuração técnica (Brasil, 2018).

Figura 5 — Antes de medir, definir a finalidade, a base legal e as salvaguardas de privacidade; quando a base é o consentimento, o modo de consentimento faz a ferramenta respeitar a escolha do visitante. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

Indicador 03 · Dashboards

Dashboard é para bater o olho, não para garimpar

A palavra vem do painel de instrumentos do carro, e a analogia é exata. Stephen Few, referência em visualização de informação, define o dashboard como uma exibição visual das informações mais importantes para atingir um ou mais objetivos, organizada numa única tela para ser acompanhada de relance (Few, 2004). Cada termo da definição elimina um vício: "mais importantes" exclui o resto; "objetivos" exige saber para que serve; "única tela" proíbe a rolagem infinita; "de relance" exige que o problema salte aos olhos.

Em seu livro, Few aponta os erros mais comuns: excesso de dados, falta de contexto para os números, medidores decorativos que ocupam espaço e dizem pouco, cores usadas sem significado e destaque igual para tudo — o que equivale a não destacar nada (Few, 2013). Um número sozinho não informa: 99 matrículas é bom ou ruim? Só a comparação com a meta, com o período anterior ou com outro canal dá sentido ao dado. Por isso o painel-laboratório acima mostra a barra da meta e muda de cor.

Figura 6 — A árvore de Natal e o painel de bordo: menos gráficos, mais decisão. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

Cole Nussbaumer Knaflic acrescenta a camada narrativa: antes de escolher gráficos, defina quem vai ler, o que essa pessoa precisa saber e o que deve fazer em seguida; depois, elimine a desordem visual e use cor e posição para dirigir a atenção ao ponto principal (Knaflic, 2019). Em termos práticos, um bom dashboard de comunicação cabe numa frase: "estamos a X% da meta, o canal Y está puxando para baixo, e a ação é Z".

Indicador 04 · Social listening

Escutar a rede: do monitoramento ao sentido

O GA4 mede o que acontece dentro da sua casa — o site, o aplicativo. Mas a maior parte da conversa sobre uma marca, um curso ou uma instituição acontece fora dela, nas redes. E a escala no Brasil é grande, como mostra a Tabela 1.

Tabela 1 — População, usuários de internet, identidades em redes sociais e conexões móveis — Brasil — out. 2025

Indicador	Total (milhões)	Em relação à população (%)
População	213	100,0
Usuários de internet	185	86,9
Identidades de usuários em redes sociais	150	70,4
Conexões de telefonia móvel	217	102,0

Fonte: elaborado pelo autor com base em Kemp (2025), que compila dados da ONU, Kepios e GSMA Intelligence.Nota: identidades de usuários em redes sociais contam perfis, não pessoas únicas nem usuários ativos (uma pessoa pode ter várias contas, e contas duplicadas ou de empresas entram na soma); conexões móveis superam a população porque há quem tenha mais de um chip.

Com 150 milhões de identidades em redes sociais (Kemp, 2025), ninguém lê tudo. Daí o social listening (escuta social). Em estudo publicado na Revista de Administração Contemporânea, Siedschlag e colegas descrevem o monitoramento de mídias sociais como o acompanhamento contínuo e estruturado, por métricas, das interações que uma organização recebe — reações, compartilhamentos e comentários — e defendem que ele sirva à organização inteira, não só ao marketing (Siedschlag et al., 2023). Na prática, monitora-se o nome da marca e suas variações, produtos, hashtags, palavras associadas, menções por localização e concorrentes, para identificar apoiadores, detratores e ativistas e acompanhar a reação do público ao longo do tempo.

Figura 7 — Escutar é filtrar: do rio de menções saem sinais de sentimento positivo, neutro e negativo. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

Vale distinguir dois níveis. O monitoramento conta e alerta: subiu o volume de menções, apareceu uma reclamação viral. A escuta propriamente dita interpreta: por que as pessoas reclamam, que expectativas revelam, que linguagem usam. Esse segundo nível se aproxima da netnografia, a adaptação da etnografia às comunidades on-line proposta por Robert Kozinets, que exige imersão, contexto cultural e cuidado ético com os participantes (Kozinets, 2014). A análise de sentimento automática ajuda a triar volume, mas tropeça em ironia, gíria e contexto — e "adorei esperar 40 minutos na fila" não é elogio.

Quadro 2 — O que monitorar em um projeto de escuta social e que pergunta cada item ajuda a responder

O que monitorar	Pergunta que ajuda a responder
Nome da marca e variações (inclusive erros de grafia)	Quanto e como falam de nós?
Produtos, cursos e serviços	Qual oferta gera elogio e qual gera queixa?
Hashtags e palavras associadas	Com que temas e valores somos ligados?
Menções por localização	Onde a reputação é melhor ou pior?
Concorrentes	O que o público valoriza neles e sente falta em nós?
Perfis mais ativos	Quem são os apoiadores, detratores e ativistas?

Fonte: elaborado pelo autor com base em Siedschlag et al. (2023).

Quem quiser ver essas métricas no mundo dos influenciadores encontra o tema em Creator economy, marketing de influência, comunidades e social commerce.

Indicador 05 · Hiperpersonalização

Da segmentação ao "segmento de uma pessoa só"

Medir bem leva a uma tentação natural: se sei o que cada pessoa faz, por que não falar com cada uma de um jeito? É a escada da personalização, que vai da comunicação de massa à hiperpersonalização.

Massa a mesma mensagem para todos Segmentação mensagens por grupo (idade, curso, cidade) Personalização conteúdo ajustado ao histórico de cada pessoa Hiperpersonalização dados em tempo real + IA prevendo a próxima necessidade

Figura 8 — Quatro degraus: da massa ao segmento de uma pessoa só. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

Kotler, Kartajaya e Setiawan situam esse movimento no que chamam de Marketing 5.0: o uso de tecnologias como inteligência artificial, sensores e análise de dados para imitar o que um bom vendedor humano faz — conhecer o cliente, antecipar o que ele vai querer e agir no momento certo —, com a ressalva de que a tecnologia deve servir às pessoas, e não o contrário (Kotler et al., 2021). A diferença entre personalização e hiperpersonalização está na granularidade e na velocidade: em vez de "alunos de Direito de Brasília", o alvo é "esta pessoa, agora, que abriu o edital três vezes e parou no item de valores".

Os números explicam o entusiasmo. Uma pesquisa da McKinsey encontrou que 71% dos consumidores esperam interações personalizadas e 76% se frustram quando elas não acontecem; entre as empresas analisadas, a personalização esteve associada, com mais frequência, a aumentos de receita de 10% a 15%, numa faixa de 5% a 25% conforme o setor e a capacidade de execução; e as empresas que crescem mais rápido obtêm dela 40% a mais de receita do que as concorrentes mais lentas (Arora et al., 2021). São resultados relatados por uma consultoria, com consumidores dos Estados Unidos, e não um efeito garantido.

Gráfico 1 — Expectativas dos consumidores em relação à personalização — Estados Unidos — 2021

Esperam interações personalizadas

71%

Esperam ser reconhecidos como indivíduos

72%

Ficam frustrados quando não há personalização

76%

Mais propensos a recomprar com conteúdo personalizado

78%

Fonte: elaborado pelo autor com base em Arora et al. (2021).Nota: a publicação não informa o tamanho da amostra; as percentagens referem-se a consumidores pesquisados pela McKinsey.

Onde a hiperpersonalização encontra a lei

O mesmo dado que permite a mensagem certa permite a manipulação certeira — o caso Cambridge Analytica, discutido em Privacidade Hackeada, é a prova. No Brasil, a Lei Geral de Proteção de Dados (LGPD) estabelece dois limites diretamente ligados ao tema. Primeiro, dados usados para formar o perfil comportamental de uma pessoa identificada podem ser considerados dados pessoais para os fins da lei. Segundo, o titular tem direito de pedir a revisão de decisões tomadas unicamente por tratamento automatizado que afetem seus interesses, inclusive as que definem seu perfil pessoal, profissional, de consumo e de crédito (Brasil, 2018). O tema foi aprofundado em Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância.

Figura 9 — O fiel da balança: relevância para quem recebe, privacidade para quem é medido. Fonte: imagem gerada por IA (Nano Banana) para o Brasil Acadêmico.

A pergunta ética da hiperpersonalização não é "conseguimos saber isso?", mas "a pessoa esperaria que soubéssemos — e ficaria confortável com o uso?". Uma mensagem que lembra o prazo da inscrição ajuda; uma que revela saber demais assusta e corrói a confiança que a personalização queria construir. A mesma lógica vale para sistemas de recomendação, tratados em Busca aplicada: recomendação, planejamento e otimização, e para a produção de conteúdo em escala com IA, discutida em Fluxos de produção de conteúdo assistido por IA.

Indicador 06 · Aplicação

Seu primeiro painel em seis passos

Para um curso, um blog, um projeto de extensão ou uma pequena empresa, o roteiro abaixo transforma o conteúdo do post em prática. Marque os itens à medida que avançar.

Escrevi o objetivo do projeto em uma frase e defini um único KPI, com ficha: definição, fonte dos dados, periodicidade, responsável e meta. Listei as métricas de vaidade que eu acompanhava e decidi quais saem do relatório principal. Configurei no GA4 os eventos-chave (inscrição, download, contato), marquei os links de divulgação com UTM e cruzo os números com o sistema que confirma o resultado. Defini a finalidade e a base legal da coleta, implementei o banner de cookies com modo de consentimento e revisei a política de privacidade à luz da LGPD. Montei um dashboard de uma tela, com meta, comparação com o período anterior e no máximo cinco indicadores. Criei uma rotina semanal de escuta social (marca, cursos, concorrentes) e registro o que ela mudou nas decisões.

0 de 6 passos concluídos

Indicador 07 · Vocabulário

Glossário de métricas e analytics

Digite um termo para filtrar a lista.

Buscar termo

Análise de sentimento: Classificação automática de textos (posts, comentários) como positivos, neutros ou negativos; útil para triar volume, frágil diante de ironia e gírias.
Atribuição: Regra que decide qual canal ou campanha recebe o crédito por uma conversão quando a pessoa passou por vários pontos de contato antes de agir.
Balanced Scorecard (BSC): Modelo de Kaplan e Norton que equilibra indicadores em quatro perspectivas: financeira, clientes, processos internos e aprendizado e crescimento.
Coorte: Grupo de pessoas que compartilham uma característica num mesmo período (ex.: inscritos em março). Comparar coortes é a base das métricas acionáveis.
Dashboard (painel): Exibição visual, em uma única tela, das informações mais importantes para atingir objetivos, feita para ser lida de relance.
Dimensão: Atributo que descreve os dados e permite recortá-los (canal de origem, cidade, dispositivo). Métricas são os números; dimensões, os recortes.
Evento: No GA4, qualquer interação registrada: visualizar página, rolar, clicar, assistir a vídeo, enviar formulário.
Evento-chave: Evento marcado como especialmente importante para o sucesso do negócio; nome atual do que antes se chamava conversão no GA4.
Funil: Sequência de etapas até uma ação final (visita → interesse → inscrição), usada para descobrir em que etapa as pessoas desistem.
Google Analytics 4 (GA4): Geração atual da ferramenta de análise do Google, baseada em eventos, que mede site e aplicativo juntos e oferece métricas preditivas.
Hiperpersonalização: Personalização em tempo real e em nível individual, combinando dados de comportamento e inteligência artificial para antecipar necessidades.
KPI (indicador-chave de desempenho): Métrica escolhida por estar diretamente ligada a um objetivo estratégico e por orientar ações de melhoria.
Lei de Goodhart: Observação de que uma medida usada como alvo de controle tende a perder valor como medida, porque as pessoas passam a otimizar o número.
Métrica: Medida quantitativa agregada de dados brutos (ex.: número de cliques na semana).
Métrica acionável: Métrica que oferece informação relevante para orientar decisões e avaliar resultados. Comparações entre grupos revelam associações; demonstrar causa e efeito exige experimento controlado (como o teste A/B) ou método estatístico adequado.
Métrica de vaidade: Número que impressiona e costuma só crescer (seguidores, curtidas, pageviews totais), mas não orienta a decisão em jogo. A classificação depende do objetivo: o mesmo número pode ser útil em outro contexto.
Métrica preditiva: Estimativa, feita por aprendizado de máquina, de um comportamento futuro, como a probabilidade de abandono ou de compra.
Modo de consentimento: Recurso que repassa às ferramentas do Google a escolha do visitante no banner de cookies e ajusta a coleta conforme essa escolha.
Netnografia: Adaptação da etnografia ao estudo de comunidades e culturas on-line, com imersão e cuidado ético (Kozinets).
OKR: Objetivos e resultados-chave: um objetivo qualitativo acompanhado de poucos resultados mensuráveis que indicam se ele foi atingido.
OMTM: One Metric That Matters: a única métrica escolhida para orientar a equipe em determinada fase do projeto.
Perfil comportamental: Conjunto de dados sobre hábitos e preferências de uma pessoa; pela LGPD, pode ser considerado dado pessoal quando a pessoa é identificada.
Parâmetros UTM: Etiquetas acrescentadas a um link (utm_source, utm_medium, utm_campaign) para que a ferramenta de analytics identifique a origem, o canal e a campanha de cada visita.
Segmentação: Divisão do público em grupos com características comuns para receber mensagens diferentes.
Sessão: Período em que um usuário interage com o site ou aplicativo.
Sessão engajada: No GA4, sessão que dura mais de 10 segundos, ou tem um evento-chave, ou tem duas ou mais visualizações de página ou tela. É um critério técnico, não prova de valor ou satisfação.
Social listening (escuta social): Monitoramento contínuo e interpretação das conversas sobre uma marca, tema ou instituição nas redes sociais.
Taxa de engajamento: Percentual de sessões engajadas em relação ao total de sessões.
Taxa de rejeição: No GA4, percentual de sessões não engajadas; é o complemento da taxa de engajamento.
Teste A/B: Experimento que compara duas versões (de página, e-mail, anúncio) em grupos equivalentes para ver qual tem melhor desempenho.

Indicador 08 · Leituras da casa

Para continuar no Brasil Acadêmico

Afinal, o que é Comunicação Digital? — o mapa geral da área.
A cibercultura da Web 1.0 à web das IAs — de onde vêm os rastros que hoje medimos.
Redes sociais: estrutura, algoritmos e economia da atenção — por que o engajamento virou moeda.
Lean Startup, MVP, Canvas e métodos ágeis — métricas de vaidade e aprendizado validado.
Design thinking, experimentação e MVP aplicados à comunicação digital — testes que produzem dados úteis.
Tecnologias emergentes na comunicação — IA, vestíveis e imersão como novas fontes de dados.
Creator economy, marketing de influência, comunidades e social commerce — métricas no mundo dos criadores.
Fluxos de produção de conteúdo assistido por IA — a escala que torna a personalização possível.
Busca aplicada: recomendação, planejamento e otimização — como os sistemas escolhem o que mostrar a cada pessoa.
Aprendizado de máquina e computação evolucionária — os modelos por trás das métricas preditivas.
Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância — os limites legais da coleta.
Privacidade Hackeada: o escândalo da Cambridge Analytica — quando a hiperpersonalização vira manipulação.

Fechamento do relatório

O número certo para a pergunta certa

Volte à coordenadora da sexta-feira. O problema nunca foi falta de dados — ela tinha curtidas, seguidores, visualizações. Faltava a pergunta ("quantas matrículas, vindas de onde, a que custo?"), o KPI que a respondesse, o evento-chave configurado para medi-lo, o painel que mostrasse a distância até a meta e a escuta que explicasse por que a live encantou e não convenceu. A hiperpersonalização seria o passo seguinte — e, com ela, a responsabilidade de não saber demais.

Fica a pergunta-síntese: no projeto em que você trabalha hoje, qual é o número que você comemora — e ele mudaria alguma decisão se caísse pela metade amanhã?

Nota do autor: as definições de sessão engajada, taxa de engajamento, taxa de rejeição, evento-chave e modo de consentimento seguem a Central de Ajuda do Google Analytics consultada em outubro de 2026; como essas páginas são atualizadas sem data de versão, a data foi registrada entre colchetes ([2026]), conforme a NBR 6023:2018, que manda indicar data aproximada quando nenhuma é identificável (a norma não adota a expressão "sem data"). As páginas da Ajuda foram consultadas em inglês e as definições são traduções livres do autor. Os dados da Tabela 1 referem-se a outubro de 2025 e somam fontes diferentes (ONU, Kepios e GSMA Intelligence), por isso o percentual de conexões móveis supera 100%. As percentagens do Gráfico 1 vêm de pesquisa com consumidores dos Estados Unidos e não devem ser tomadas como retrato do Brasil. O caso da live é uma ilustração didática composta, não um episódio real. A atribuição da lei de Goodhart e seus exemplos seguem a síntese de Muller (2018); a frase popular é uma generalização posterior da observação original do economista. O painel-laboratório é um funil hipotético: suas taxas são premissas didáticas, não parâmetros do GA4.

Referências

ARORA, Nidhi et al. The value of getting personalization right—or wrong—is multiplying. [S. l.]: McKinsey & Company, 12 nov. 2021. Disponível em: https://www.mckinsey.com.br/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying. Acesso em: 19 out. 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, p. 59, 15 ago. 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 19 out. 2026.
CLIFTON, Brian. Google Analytics is 10 years old: what has changed? Brian Clifton, [s. l.], 10 nov. 2015. Disponível em: https://brianclifton.com/blog/2015/11/10/google-analytics-is-10-what-has-changed/. Acesso em: 19 out. 2026.
CROLL, Alistair; YOSKOVITZ, Benjamin. Lean analytics: use data to build a better startup faster. Sebastopol: O'Reilly, 2013.
DOERR, John. Avalie o que importa: como o Google, Bono Vox e a Fundação Gates sacudiram o mundo com os OKRs. Rio de Janeiro: Alta Books, 2019.
FEW, Stephen. Dashboard confusion. Intelligent Enterprise, [s. l.], 20 mar. 2004. Disponível em: https://www.perceptualedge.com/articles/ie/dashboard_confusion.pdf. Acesso em: 19 out. 2026.
FEW, Stephen. Information dashboard design: displaying data for at-a-glance monitoring. 2. ed. Burlingame: Analytics Press, 2013.
GOOGLE. About consent mode. [S. l.]: Google, [2026a]. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/10000067?hl=en. Acesso em: 19 out. 2026.
GOOGLE. Conversions vs. key events in Google Analytics. [S. l.]: Google, [2026b]. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/13965727?hl=en. Acesso em: 19 out. 2026.
GOOGLE. [GA4] Engagement rate and bounce rate. [S. l.]: Google, [2026c]. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/12195621?hl=en. Acesso em: 19 out. 2026.
GOOGLE. [UA→GA4] What's happening with Google Analytics? [S. l.]: Google, [2026d]. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/13467533?hl=en. Acesso em: 19 out. 2026.
GOOGLE. URL builders: collect campaign data with custom URLs. [S. l.]: Google, [2026e]. Ajuda do Google Analytics. Disponível em: https://support.google.com/analytics/answer/10917952?hl=en. Acesso em: 22 out. 2026.
KAPLAN, Robert S.; NORTON, David P. A estratégia em ação: balanced scorecard. Rio de Janeiro: Campus, 1997.
KEMP, Simon. Digital 2026: Brazil. DataReportal, [s. l.], 8 nov. 2025. Disponível em: https://datareportal.com/reports/digital-2026-brazil. Acesso em: 19 out. 2026.
KETCHUM, Russell. Prepare for the future with Google Analytics 4. The Keyword, [s. l.], 16 mar. 2022. Disponível em: https://blog.google/products/ads-commerce/prepare-for-future-with-google-analytics-4/. Acesso em: 19 out. 2026.
KNAFLIC, Cole Nussbaumer. Storytelling com dados: um guia sobre visualização de dados para profissionais de negócios. Rio de Janeiro: Alta Books, 2019.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 5.0: tecnologia para a humanidade. Rio de Janeiro: Sextante, 2021.
KOZINETS, Robert V. Netnografia: realizando pesquisa etnográfica online. Porto Alegre: Penso, 2014.
MULLER, Jerry Z. The tyranny of metrics. Princeton: Princeton University Press, 2018.
PARMENTER, David. Key performance indicators: developing, implementing, and using winning KPIs. 4. ed. Hoboken: Wiley, 2019.
RIES, Eric. A startup enxuta: como usar a inovação contínua para criar negócios radicalmente bem-sucedidos. Rio de Janeiro: Sextante, 2019.
SIEDSCHLAG, Djeison et al. Curtir, compartilhar e reagir: captura de tweets para pesquisas e decisões corporativas. Revista de Administração Contemporânea, Rio de Janeiro, v. 27, n. 2, e220008, 2023. DOI: 10.1590/1982-7849rac2023220008.por. Disponível em: https://doi.org/10.1590/1982-7849rac2023220008.por. Acesso em: 19 out. 2026.
SRINIVASAN, Vidhya. Introducing the new Google Analytics. The Keyword, [s. l.], 14 out. 2020. Disponível em: https://blog.google/products/ads-commerce/new_google_analytics/. Acesso em: 19 out. 2026.

Liderar, decidir e melhorar: feedback, vieses, gestão do tempo, PDCA e 5S

noreply@blogger.com (War) — Wed, 21 Oct 2026 05:51:17 -0300

Quem lidera, decide; quem decide, erra; quem erra com método, melhora. Este post costura cinco competências que costumam ser ensinadas em gavetas separadas: liderança, comunicação e feedback, tomada de decisão (e os vieses que a sabotam), gestão do tempo e as ferramentas da qualidade PDCA e 5S. Partimos de um estudo do Google com 180 equipes, passamos pelo Nobel de Herbert Simon e pelos experimentos de Daniel Kahneman, visitamos a matriz de Eisenhower e o tomate de Francesco Cirillo e chegamos ao ciclo de Shewhart e Deming e aos cinco sensos japoneses. No caminho: um ciclo PDCA clicável, um quiz para reconhecer vieses, seis ações para começar a aplicar o conteúdo, um vocabulário com os termos-chave e indicações de leituras correlatas aqui do blog.

Em 2012, o Google decidiu descobrir, com a mesma obsessão por dados que aplica aos seus algoritmos, o que faz uma equipe funcionar. O projeto ganhou o nome de Aristóteles (em homenagem à ideia de que o todo é maior que a soma das partes) e analisou 180 equipes da empresa. A hipótese inicial era previsível: bastaria juntar as pessoas mais brilhantes. Não bastava. O fator que mais distinguia as equipes eficazes não era quem estava nelas, mas como elas interagiam — e, no topo da lista, aparecia algo que nenhuma planilha de currículos captura: a segurança psicológica (Google, 2015).

Esse achado é um bom fio condutor para o que vem a seguir. Liderar é, em grande parte, criar condições para que as pessoas falem; comunicar e dar feedback é o que acontece quando elas falam; decidir é o que se faz com o que foi dito; gerir o tempo é escolher onde gastar a atenção que a decisão exige; e ferramentas como o PDCA (do inglês Plan-Do-Check-Act, planejar-fazer-verificar-agir) e o 5S (cinco sensos de origem japonesa) ajudam a transformar tudo isso numa rotina de melhoria acompanhada e verificável. Cinco temas que, lidos juntos, se reforçam.

A liderança como regência: o líder não toca todos os instrumentos, mas garante que eles soem juntos. Ilustração gerada por IA.

Pauta 01

Liderança: do chefe nato ao facilitador de contextos

Durante boa parte do século XX, a pergunta sobre liderança foi “quem nasce líder?”. As teorias dos traços procuravam características de personalidade — extroversão, inteligência, autoconfiança — que separassem líderes de não líderes. Encontraram relações consistentes — traços como a extroversão aparecem associados tanto a emergir como líder quanto, em menor grau, a ser eficaz —, mas nenhum traço garante, sozinho, uma boa liderança (Robbins et al., 2010).

A segunda onda trocou a pergunta para “o que os líderes eficazes fazem?”. As teorias comportamentais (como os estudos da Universidade Estadual de Ohio) identificaram duas dimensões que até hoje servem de bússola: a estrutura de iniciação — organizar tarefas, definir papéis e metas — e a consideração — confiança mútua, respeito pelas ideias e atenção aos sentimentos da equipe. A terceira onda, das teorias contingenciais, acrescentou o “depende”: o estilo mais eficaz varia com a situação e com a maturidade dos liderados, como propõe o modelo situacional de Hersey e Blanchard. Por fim, as abordagens contemporâneas distinguem o líder transacional, que guia por metas e recompensas, do transformacional, que inspira as pessoas a irem além do interesse próprio (Robbins et al., 2010).

Quadro 1 — Quatro gerações de teorias sobre liderança e a pergunta que cada uma faz

Abordagem	Pergunta central	Ideia-chave	Limitação
Traços	Quem é líder?	Características pessoais predispõem à liderança	Traços isolados não explicam toda a eficácia; comportamentos e contexto também importam
Comportamental	O que o líder faz?	Estrutura de iniciação e consideração	Ignora o contexto
Contingencial / situacional	Quando cada estilo funciona?	Estilo ajustado à tarefa e à maturidade da equipe	Diagnóstico da situação é subjetivo
Transformacional	Como o líder mobiliza?	Visão, inspiração, estímulo intelectual e atenção individual	Risco de personalismo e de “líder salvador”

Fonte: elaborado pelo autor com base em Robbins, Judge e Sobral (2010).

Repare que nenhuma das quatro gerações foi descartada; elas se empilham. E é aqui que o Projeto Aristóteles entra de novo. Os cinco fatores que diferenciavam as equipes eficazes — em ordem de importância: segurança psicológica, confiabilidade, estrutura e clareza, significado e impacto — são, todos, coisas que um líder cultiva, não coisas que um líder é (Google, 2015). Estrutura e clareza ecoam a “estrutura de iniciação”; segurança psicológica e confiabilidade ecoam a “consideração”; significado e impacto são o vocabulário do líder transformacional.

Uma ressalva de método: o Projeto Aristóteles é uma pesquisa interna do Google, com medidas que incluem avaliações subjetivas de desempenho. Ele mostra associações encontradas naquele contexto, não uma hierarquia universal nem uma garantia de causa e efeito; aplicar seus resultados em outras organizações exige considerar o contexto de cada uma (Google, 2015).

Tabela 1 — Equipes analisadas no Projeto Aristóteles, por tipo — Google, 2012–2015

Tipo de equipe	Número de equipes	Participação (%)
Engenharia	115	63,9
Vendas	65	36,1
Total	180	100,0

Fonte: elaborado pelo autor com base em Google (2015).Nota: participação percentual calculada pelo autor.

Pauta 02

Comunicação e feedback: reduzir o ruído, aumentar a confiança

Em 1948, Claude Shannon escreveu, num artigo que fundou a teoria da informação, que o problema fundamental da comunicação é reproduzir em um ponto, exata ou aproximadamente, uma mensagem selecionada em outro ponto (Shannon, 1948). Ele pensava em fios de telefone, mas o esquema — fonte, transmissor, canal, ruído, receptor, destino — virou o esqueleto de quase todo modelo de comunicação organizacional. A versão dos manuais de comportamento organizacional acrescenta a codificação, a decodificação e, crucialmente, o feedback: o retorno que permite ao emissor saber se a mensagem chegou como pretendido (Robbins et al., 2010).

Nas organizações, o “ruído” raramente é estática no fio. São as barreiras: a filtragem (a mensagem que sobe a hierarquia chega “maquiada”), a percepção seletiva (cada um ouve o que espera ouvir), a sobrecarga de informação, as emoções do momento, o jargão e, o mais traiçoeiro, o silêncio — o problema que ninguém relata (Robbins et al., 2010).

O modelo de Shannon no escritório: a mensagem atravessa o ruído, e o feedback fecha o circuito de volta ao emissor. Ilustração gerada por IA.

Feedback que se ouve: SBI e feedforward

Se o feedback fecha o circuito da comunicação, a maneira de dá-lo determina se o circuito fecha ou dá curto. O Center for Creative Leadership popularizou o modelo SBI — Situation-Behavior-Impact, ou Situação-Comportamento-Impacto: descreva o contexto específico (não “sempre” ou “semana passada”), o comportamento observável (fatos, não rótulos) e o impacto que ele teve em você ou na equipe. A versão ampliada, SBII, acrescenta a Intenção: perguntar o que a pessoa pretendia e ouvir antes de concluir (Center for Creative Leadership, 2025).

Contraexemplo

“Você é desorganizado e sempre atrapalha as reuniões.”

Rótulo, generalização, nenhum fato verificável. Convida à defesa, não à mudança.

Exemplo SBII

“Na reunião de planejamento de ontem, às 10h (S), você interrompeu a apresentação do orçamento duas vezes (B). Perdi o raciocínio e precisei retomar a explicação do início (I). O que você queria levantar naquele momento? (I)”

Fato situado, efeito concreto e espaço para a versão do outro.

Marshall Goldsmith propõe complementar o retorno sobre o passado com o feedforward: a pessoa escolhe um comportamento que quer melhorar e pede sugestões para o futuro a vários colegas; as regras são não falar do passado, não julgar as ideias e responder apenas “obrigado” (Goldsmith, 2014). Feedback olha pelo retrovisor; feedforward olha pelo para-brisa — um bom líder usa os dois.

Feedback em quatro tempos: situação, comportamento, impacto e, na versão ampliada, a pergunta sobre a intenção. Ilustração gerada por IA.

Segurança psicológica: a condição para que alguém fale

Nada disso funciona se ninguém se arrisca a abrir a boca. Amy Edmondson definiu segurança psicológica como a crença compartilhada pelos membros de uma equipe de que ela é um lugar seguro para assumir riscos interpessoais — perguntar, admitir erros, discordar, propor ideias tortas (Edmondson, 1999). Em seu estudo com equipes de uma indústria, a segurança psicológica estava associada ao comportamento de aprendizagem da equipe — buscar feedback, discutir erros, experimentar —, que por sua vez se associava ao desempenho. Não se trata de “ambiente bonzinho”: segurança psicológica não baixa a régua; ela permite que as pessoas digam quando a régua não está sendo alcançada.

Segurança psicológica: apontar o erro em voz alta antes que ele fique caro, sem medo de constrangimento. Ilustração gerada por IA.

Pauta 03

Tomada de decisão: racionalidade limitada e os atalhos da mente

O modelo “racional” de decisão dos manuais é elegante: definir o problema, listar critérios, ponderá-los, gerar todas as alternativas, avaliá-las e escolher a melhor. Herbert Simon recebeu o Nobel de Economia de 1978 por sua pesquisa pioneira sobre o processo de tomada de decisão nas organizações econômicas, e um dos pontos centrais dessa obra é que as decisões reais frequentemente se afastam desse modelo. Em sua palestra Nobel, ele lembra que a racionalidade é limitada quando fica aquém da onisciência — o que costuma acontecer: falta informação, falta tempo, falta capacidade de cálculo. O que fazemos é satisficing (neologismo de satisfy + suffice): fixamos um nível de aspiração e paramos de procurar quando encontramos uma alternativa que o atinge (Simon, 1978). Não é preguiça; é uma estratégia razoável diante de limitações de informação, tempo e cálculo.

Daniel Kahneman, Nobel de 2002, mostrou o que acontece dentro dessa racionalidade limitada. Nossa mente opera com dois modos: o Sistema 1, rápido, automático e intuitivo, e o Sistema 2, lento, deliberado e trabalhoso. O Sistema 1 produz respostas usando heurísticas — atalhos que funcionam bem na maior parte do tempo, mas falham de modo sistemático e previsível. Essas falhas sistemáticas são os vieses cognitivos (Kahneman, 2012).

A via expressa do Sistema 1 e a estrada lenta do Sistema 2: o mesmo cérebro, dois modos de decidir. Ilustração gerada por IA.

Um dos experimentos mais citados de Kahneman e Amos Tversky mostra a força da ancoragem: diante dos participantes, uma roleta parava em 10 ou em 65; eles respondiam primeiro se a porcentagem de países africanos nas Nações Unidas era maior ou menor que o número sorteado e, depois, davam sua estimativa. As medianas das estimativas foram 25% no grupo exposto ao 10 e 45% no grupo exposto ao 65 — um número sabidamente aleatório puxou o julgamento (Tversky; Kahneman, 1973). No livro de divulgação, Kahneman conta que a roleta era viciada para parar só nesses dois valores (Kahneman, 2012, cap. 11). Agora troque a roleta pelo primeiro valor dito numa negociação salarial, ou pela primeira estimativa de prazo dita na reunião.

Quadro 2 — Vieses frequentes na tomada de decisão organizacional e procedimentos para reduzir o risco

Viés	Como se manifesta	Procedimento para reduzir o risco
Ancoragem	O primeiro número dito domina a estimativa	Estimar individualmente antes de ouvir o grupo
Disponibilidade	Julgar a frequência pelo que vem fácil à memória	Consultar dados, não lembranças
Confirmação	Procurar só evidências que apoiam o que já se acredita	Designar alguém para defender a tese contrária
Efeito halo	Uma qualidade marcante contamina a avaliação do resto	Avaliar critérios separadamente e em ordem fixa
Excesso de confiança	Intervalos de estimativa estreitos demais	Pré-mortem: imaginar o fracasso e explicar por quê
Falácia do planejamento	Prazos e custos baseados no melhor cenário	Usar a “visão de fora”: dados de projetos semelhantes
Custo irrecuperável	Persistir num projeto ruim pelo que já se gastou	Perguntar: começaríamos isso hoje, do zero?

Fonte: elaborado pelo autor com base em Kahneman (2012) e Robbins, Judge e Sobral (2010).

O pré-mortem, técnica atribuída ao psicólogo Gary Klein e defendida por Kahneman, é especialmente útil para equipes: antes de aprovar uma decisão, o grupo imagina que ela foi implementada e, um ano depois, deu errado; cada um escreve em poucos minutos a história desse fracasso (Kahneman, 2012, cap. 24). A técnica legitima a dúvida — e, de quebra, é um exercício de segurança psicológica disfarçado. Vieses não se curam com força de vontade; seu risco se reduz com procedimento.

Galeria dos vieses: a âncora presa ao primeiro número, a lupa que só enxerga um lado, a auréola que contamina o julgamento e as moedas jogadas no lago do custo irrecuperável. Ilustração gerada por IA.

Quiz: reconheça os vieses

Leia cada situação e escolha o viés que melhor a explica. O retorno aparece logo abaixo.

1 Na reunião de orçamento, a diretora abre dizendo “acho que uns 2 milhões resolvem”. Todas as estimativas seguintes ficam entre 1,8 e 2,3 milhões.

Escolha uma opção.

2 “Já investimos 18 meses e meio milhão nesse sistema; não dá para abandonar agora”, diz o gerente, mesmo com os testes mostrando que o produto não atende ao cliente.

Escolha uma opção.

3 O candidato fez uma apresentação carismática; a banca passa a considerar também que ele deve ser ótimo em planilhas e em gestão de pessoas, sem ter visto evidência disso.

Escolha uma opção.

4 A equipe garante que o novo portal sai em seis semanas. Os três últimos portais da empresa levaram entre quatro e sete meses.

Escolha uma opção.

5 Depois de ver no noticiário um caso de golpe por aplicativo, o comitê conclui que “essa é a principal fraude que sofremos” — sem consultar os registros internos.

Escolha uma opção.

Acertos: 0 de 5

Pauta 04

Gestão do tempo: o urgente, o importante e o tomate

Em 1955, o historiador C. Northcote Parkinson abriu um ensaio satírico na revista The Economist com uma frase que virou lei: é uma observação corriqueira que o trabalho se expande para preencher o tempo disponível para sua conclusão (Parkinson, 1955). Parkinson mirava a burocracia britânica, mas qualquer estudante que já fez em uma noite o trabalho que tinha um mês para fazer conhece a lei por experiência própria.

A ferramenta mais conhecida para combater esse efeito leva o nome de Dwight D. Eisenhower. Em discurso na Universidade Northwestern, em agosto de 1954, ele citou um ex-presidente de faculdade não identificado: “Tenho dois tipos de problemas, os urgentes e os importantes. Os urgentes não são importantes, e os importantes nunca são urgentes.” (Quote Investigator, 2014). Da frase nasceu a matriz de Eisenhower, que cruza as duas dimensões em quatro quadrantes. Note que Eisenhower não desenhou matriz alguma; ela foi construída depois, por autores de gestão, a partir da frase — e foi popularizada como “matriz de gerenciamento do tempo” por Stephen Covey, que chama a atenção para o quadrante do importante e não urgente (Covey, 2022).

Quadro 3 — Matriz de Eisenhower: o que fazer com cada tipo de tarefa

	Urgente	Não urgente
Importante	Fazer agora Crises, prazos que vencem hoje, problemas de cliente	Agendar Planejamento, estudo, prevenção, relacionamentos, feedback
Não importante	Delegar Interrupções, parte das reuniões e mensagens, pedidos alheios	Eliminar Rolagem infinita, tarefas por hábito, relatórios que ninguém lê

Fonte: elaborado pelo autor com base em Covey (2022) e Quote Investigator (2014).Nota: a organização em quatro quadrantes é uma sistematização posterior à frase de Eisenhower.

Dois cuidados no uso da matriz. Primeiro, “importante” não é uma propriedade da tarefa, mas da relação dela com os objetivos de quem decide: o mesmo relatório pode ser importante para uma equipe e irrelevante para outra. Segundo, delegar exige que quem recebe a tarefa tenha autoridade, informação e capacidade para executá-la; delegar sem isso é só transferir o problema (Covey, 2022).

O quadrante que mais pesa a longo prazo é o “importante e não urgente”. É lá que moram o feedback que nunca é dado, a capacitação que é sempre adiada e o PDCA que ninguém roda. Quem não agenda o importante passa a vida apagando os incêndios que ele mesmo deixou de prevenir.

Para o nível micro — a próxima hora de trabalho —, a Técnica Pomodoro é a mais popular. Francesco Cirillo a criou nos anos 1980, quando era universitário e tinha dificuldade de se concentrar, usando um cronômetro de cozinha em forma de tomate (pomodoro, em italiano). A forma mais conhecida alterna blocos de 25 minutos de foco com pausas curtas, embora o próprio Cirillo ressalte que os 25 minutos são uma expressão da técnica, não a técnica em si — o essencial é o ciclo de foco, pausa real e reflexão (Cirillo, [20--]).

E há um viés que liga esta pauta à anterior: a falácia do planejamento. Kahneman conta que, ao coordenar uma equipe que escrevia um currículo escolar, todos estimaram cerca de dois anos para terminar; quando ele perguntou a um especialista quanto tempo projetos semelhantes costumavam levar, a resposta foi de sete a dez anos, e cerca de 40% nem terminavam. O projeto levou oito anos (Kahneman, 2012, cap. 23). Gestão do tempo, portanto, começa por estimar com dados de fora, não com otimismo de dentro.

A matriz de Eisenhower na mesa de trabalho, ao lado do cronômetro em forma de tomate que deu nome à Técnica Pomodoro. Ilustração gerada por IA.

Pauta 05

Ferramentas da qualidade: PDCA e 5S

Se liderança, comunicação, decisão e tempo fossem resolvidos de uma vez, não precisaríamos de método. Mas eles se degradam: a equipe muda, o contexto muda, o hábito escorrega. As ferramentas da qualidade servem para transformar boas intenções em rotina verificável.

PDCA: o método científico de chão de fábrica

A história do PDCA é mais curiosa do que os slides costumam contar. Em 1939, Walter Shewhart propôs um ciclo de três etapas — especificação, produção e inspeção — inspirado no método científico, em livro editado por W. Edwards Deming. Em 1950, num seminário para a União dos Cientistas e Engenheiros Japoneses (JUSE), Deming apresentou uma “roda” de quatro etapas. Em 1951, executivos japoneses a reformularam como Plan-Do-Check-Act (Planejar-Fazer-Verificar-Agir). Deming nunca gostou da versão: preferia PDSA (Study, estudar, no lugar de Check) e chegou a escrever que não sabia como o PDCA tinha surgido (Moen, [2009 ou 2010]).

No Brasil, Vicente Falconi Campos difundiu o PDCA como método de gerenciamento: o ciclo é girado tanto para manter resultados (padronizando o que funciona) quanto para melhorá-los (atacando a causa dos problemas) (Campos, 2014). E ele está no coração da norma de gestão da qualidade mais usada no mundo: a ABNT NBR ISO 9001:2015 — versão brasileira, publicada pela Associação Brasileira de Normas Técnicas (ABNT), da norma da Organização Internacional de Normalização (ISO, do inglês International Organization for Standardization) — apresenta o ciclo PDCA como uma das bases da abordagem de processos do sistema de gestão (ABNT, 2015). Clique em cada fase para ver o que acontece nela.

P — Planejar (Plan)

Definir o problema e a meta, analisar o fenômeno com dados, investigar causas (diagrama de Ishikawa, 5 porquês) e elaborar um plano de ação: o quê, quem, quando, onde, por quê e como. É a fase em que mais se economiza tempo depois: plano raso gera retrabalho (Campos, 2014).

Repare na ponte com os temas anteriores: o “C” do PDCA é o feedback do processo; o “P” é onde os vieses de planejamento atacam; e o “A” fica muito mais fácil quando há segurança psicológica para reconhecer e discutir que a meta não foi atingida. O PDCA é o método científico com prazo de entrega.

A roda do PDCA sobe a rampa da melhoria contínua; o calço da padronização impede que ela role de volta. Ilustração gerada por IA.

5S: arrumar o ambiente para arrumar o pensamento

O 5S surgiu no Japão, na década de 1950, e recebe o nome de cinco palavras japonesas iniciadas por “S” (Campos; Vieira, 2018). Como as traduções brasileiras precisavam manter a letra, consagrou-se a fórmula “senso de...”. Parece faxina, mas é gestão: um ambiente organizado reduz tempo de busca, erros e acidentes, e — talvez o mais importante — torna visíveis os desvios, o que alimenta o PDCA.

Quadro 4 — Os cinco sensos do 5S: termo original, tradução e aplicação

Termo japonês	Senso de...	Pergunta-guia	No escritório digital
Seiri	Utilização	Isto é necessário aqui?	Apagar arquivos duplicados e sair de grupos inúteis
Seiton	Ordenação	Cada coisa tem seu lugar?	Padronizar nomes e pastas de arquivos
Seisō	Limpeza	Está limpo e funcionando?	Zerar a caixa de entrada e a área de trabalho
Seiketsu	Saúde / padronização	Como mantemos assim?	Combinar regras da equipe para nomes e versões
Shitsuke	Autodisciplina	Fazemos sem que ninguém mande?	Revisão semanal de 15 minutos na agenda

Fonte: elaborado pelo autor com base em Campos e Vieira (2018).Nota: as traduções variam entre autores (por exemplo, Seiketsu aparece como higiene, saúde, asseio ou padronização).

Antes e depois do 5S: o mesmo espaço, outra produtividade. Ilustração gerada por IA.

Na prática

Seis ações para começar

Seis ações pequenas para começar a aplicar os temas do post — nenhuma completa sozinha um ciclo PDCA ou um programa 5S, mas todas são um primeiro passo. Marque à medida que cumprir.

Dei um feedback no formato SBII e perguntei a intenção antes de concluir. Pedi feedforward a três colegas sobre um comportamento que quero melhorar. Fiz um pré-mortem de cinco minutos antes de uma decisão importante. Classifiquei minhas tarefas na matriz de Eisenhower e agendei uma do quadrante “importante e não urgente”. Escolhi um problema recorrente e escrevi o “P” do PDCA: meta, causa provável e plano. Apliquei os três primeiros sensos do 5S à minha área de trabalho física ou digital.

0 de 6 ações concluídas

Ata final

O que fica registrado

Os cinco temas deste post podem ser lidos como um circuito. A liderança cria o clima em que as pessoas falam; a comunicação e o feedback levam a informação de onde ela está para onde ela é necessária; a tomada de decisão transforma informação em escolha, desde que se vigiem os atalhos da mente; a gestão do tempo garante que as escolhas importantes recebam atenção antes de virarem urgências; e o PDCA e o 5S, desde que tenham acompanhamento, recursos e responsáveis, fazem tudo isso girar de novo. Shewhart, Simon, Edmondson e Kahneman nunca trabalharam juntos, e a ligação entre eles é uma síntese deste post, não uma tese deles; ainda assim, a leitura conjunta desses autores permite propor uma ideia: melhorar tende a ser um hábito coletivo, mais do que um talento individual.

E na sua equipe — ou na sua sala de aula —: qual é a fase do PDCA que ninguém roda, e qual viés está impedindo que ela aconteça?

Para continuar

Leituras correlatas no Brasil Acadêmico

Posts correlatos entre os 30 mais recentes do Brasil Acadêmico:

Do taylorismo à Indústria 4.0: modelos produtivos, novas formas de trabalho e normas técnicas — o pano de fundo histórico da qualidade, do toyotismo e das normas ISO.
Lean Startup, MVP, Canvas e métodos ágeis — o ciclo construir-medir-aprender é um parente próximo do PDCA.
Pix: uma aula de gerenciamento de projetos — prazos, cronogramas e o que acontece quando a gestão do tempo é levada a sério.
Pesquisa aplicada: método científico, método de engenharia, tipos de pesquisa, fontes e normas — a raiz científica do ciclo de Shewhart.
Design thinking: origens e como usar e Design thinking, experimentação e MVP aplicados à comunicação digital — decisão por experimentação em vez de por intuição.
Busca informada e Busca aplicada: recomendação, planejamento e otimização — heurísticas na inteligência artificial, primas das heurísticas de Kahneman, e decisão como busca num espaço de alternativas.
Jev: modelo de IA da TypeSafe que decide em vez de conversar — quando a tomada de decisão é delegada a uma máquina.
Afinal, o que é Comunicação Digital? — os canais por onde passam hoje as mensagens e os feedbacks.
Redes sociais: estrutura, algoritmos e economia da atenção — a disputa pelo recurso que a gestão do tempo tenta proteger.
Dinâmica tecnológica e inovação: da curva S ao perfil em T — o perfil em T como modelo de competência para quem lidera equipes multidisciplinares.

Nota do autor: as citações em língua estrangeira foram traduzidas livremente pelo autor. A frase de Eisenhower é tradução de uma citação que ele próprio atribuiu a um “ex-presidente de faculdade” não identificado; a matriz de quatro quadrantes é sistematização posterior. A origem do PDCA segue a reconstrução histórica de Moen, que registra que nenhuma pessoa reivindicou a autoria da versão japonesa de 1951. As porcentagens da Tabela 1 foram calculadas pelo autor a partir dos números absolutos divulgados pelo Google. As traduções dos termos do 5S variam na literatura brasileira; adotou-se a forma mais difundida. O experimento da roleta é citado a partir do relatório técnico de 1973 em acesso aberto, versão que antecedeu o artigo publicado na Science em 1974; o documento de Moen não traz data explícita, mas menciona a apresentação de setembro de 2009, por isso a data aparece como [2009 ou 2010]. Quanto às fontes, foram usados livros disponíveis em livrarias online ou na biblioteca eletrônica institucional, artigos e relatórios de acesso aberto, uma norma técnica, uma palestra Nobel, páginas institucionais e textos jornalísticos ou de verificação de citações — cada tipo para o que pode sustentar.

Vocabulário

Os termos-chave do post, em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; depois de chegar por um desses links, um botão “voltar ao texto” aparece no verbete e leva de volta ao ponto de leitura.

5S (cinco sensos): Programa de origem japonesa, dos anos 1950, com cinco sensos: utilização (seiri), ordenação (seiton), limpeza (seisō), saúde ou padronização (seiketsu) e autodisciplina (shitsuke). Pauta 05
Ancoragem: Viés pelo qual um valor inicial, mesmo arbitrário, puxa as estimativas seguintes em sua direção. Pauta 03
Barreiras de comunicação: Fatores que distorcem a mensagem entre emissor e receptor: filtragem, percepção seletiva, sobrecarga de informação, emoções, linguagem e silêncio. Pauta 02
Confirmação (viés de): Tendência a procurar, notar e lembrar apenas as evidências que apoiam o que já se acredita. Pauta 03
Consideração: Dimensão do comportamento do líder ligada a confiança mútua, respeito pelas ideias e atenção aos sentimentos da equipe. Pauta 01
Custo irrecuperável (sunk cost): Erro de continuar investindo num projeto ruim por causa do que já foi gasto, embora esse gasto não volte, qualquer que seja a decisão. Pauta 03
Disponibilidade (heurística da): Julgar a frequência ou a probabilidade de algo pela facilidade com que exemplos vêm à memória. Pauta 03
Efeito halo: Quando uma qualidade marcante de alguém contamina a avaliação de suas outras características. Pauta 03
Estrutura de iniciação: Dimensão do comportamento do líder ligada a organizar tarefas, definir papéis e estabelecer metas. Pauta 01
Falácia do planejamento: Tendência a estimar prazos e custos pelo melhor cenário, ignorando o histórico de casos semelhantes (a “visão de fora”). Pauta 03
Feedback: Retorno sobre um comportamento ou resultado passado, que permite a quem o recebe ajustar o rumo; no modelo de comunicação, é o que fecha o circuito. Pauta 02
Feedforward: Sugestões voltadas ao futuro, sem julgamento do passado, sobre um comportamento que se quer desenvolver. Pauta 02
Heurística: Atalho mental que produz respostas rápidas e geralmente boas, mas sujeitas a erros sistemáticos. Pauta 03
Lei de Parkinson: Observação satírica de C. Northcote Parkinson (1955): o trabalho se expande para preencher o tempo disponível para sua conclusão. Pauta 04
Liderança situacional: Modelo de Hersey e Blanchard em que o estilo do líder se ajusta à maturidade e à disposição dos liderados. Pauta 01
Liderança transacional: Estilo que conduz a equipe por metas claras, acompanhamento e recompensas. Pauta 01
Liderança transformacional: Estilo que mobiliza pela visão, inspiração, estímulo intelectual e atenção individual, levando as pessoas além do interesse próprio. Pauta 01
Matriz de Eisenhower: Classificação de tarefas por urgência e importância em quatro quadrantes: fazer agora, agendar, delegar e eliminar. Pauta 04
PDCA (Plan-Do-Check-Act): Ciclo de melhoria contínua em quatro fases: planejar, fazer, verificar e agir. Formulado no Japão em 1951 a partir da roda de Deming. Pauta 05
PDSA (Plan-Do-Study-Act): Versão do ciclo preferida por Deming, que trocou “verificar” por “estudar” para enfatizar o aprendizado. Pauta 05
Pomodoro (técnica): Técnica de gestão do tempo criada por Francesco Cirillo, baseada em blocos de foco cronometrados intercalados com pausas. Pauta 04
Pré-mortem: Exercício em que a equipe imagina que a decisão já fracassou e escreve as causas prováveis antes de implementá-la. Pauta 03
Racionalidade limitada: Conceito de Herbert Simon: decidimos com informação, tempo e capacidade de cálculo limitados, longe da onisciência. Pauta 03
Satisficing: Estratégia de escolher a primeira alternativa que atinge um nível de aspiração, em vez de buscar a ótima (de satisfy + suffice). Pauta 03
SBI / SBII: Modelo de feedback do Center for Creative Leadership: Situação, Comportamento (Behavior) e Impacto; a versão SBII acrescenta a Intenção. Pauta 02
Segurança psicológica: Crença compartilhada de que a equipe é um lugar seguro para assumir riscos interpessoais, como perguntar, discordar ou admitir erros. Pauta 01
Sistema 1 e Sistema 2: Modos de pensamento descritos por Kahneman: rápido, automático e intuitivo (1) e lento, deliberado e trabalhoso (2). Pauta 03
Viés cognitivo: Desvio sistemático e previsível do julgamento em relação a um padrão racional. Pauta 03

Referências

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR ISO 9001: sistemas de gestão da qualidade: requisitos. Rio de Janeiro: ABNT, 2015.
CAMPOS, Aline Deidimar; VIEIRA, Rogério Borges. Implantação da ferramenta 5S em um canteiro de obras na cidade de Patos de Minas-MG. Perquirere, Patos de Minas, v. 15, n. 2, p. 222-233, maio/ago. 2018. Disponível em: https://revistas.unipam.edu.br/index.php/perquirere/article/download/3307/839/8856. Acesso em: 19 out. 2026.
CAMPOS, Vicente Falconi. TQC: controle da qualidade total (no estilo japonês). 9. ed. Belo Horizonte: Falconi, 2014.
CENTER FOR CREATIVE LEADERSHIP. Use Situation-Behavior-Impact (SBI)™ to understand intent. Greensboro: CCL, 19 ago. 2025. Disponível em: https://www.ccl.org/articles/leading-effectively-articles/closing-the-gap-between-intent-vs-impact-sbii/. Acesso em: 19 out. 2026.
CIRILLO, Francesco. Francesco Cirillo: Pomodoro® Technique. [S. l.]: Cirillo Company, [20--]. Disponível em: https://www.pomodorotechnique.com/francesco-cirillo/. Acesso em: 21 out. 2026.
COVEY, Stephen R. Os 7 hábitos das pessoas altamente eficazes. Ed. comemorativa, rev. e ampl. Rio de Janeiro: Record, 2022.
EDMONDSON, Amy. Psychological safety and learning behavior in work teams. Administrative Science Quarterly, Ithaca, v. 44, n. 2, p. 350-383, June 1999. DOI: https://doi.org/10.2307/2666999. Disponível em: https://web.mit.edu/curhan/www/docs/Articles/15341_Readings/Group_Performance/Edmondson%20Psychological%20safety.pdf. Acesso em: 19 out. 2026.
GOLDSMITH, Marshall. Instead of feedback, try feedforward to boost team performance. Inc., New York, 21 Oct. 2014. Disponível em: https://www.inc.com/marshall-goldsmith/power-of-feedforward.html. Acesso em: 19 out. 2026.
GOOGLE. Understand team effectiveness. re:Work, Mountain View, 2015. Disponível em: https://rework.withgoogle.com/intl/en/guides/understand-team-effectiveness. Acesso em: 19 out. 2026.
KAHNEMAN, Daniel. Rápido e devagar: duas formas de pensar. Tradução: Cássio de Arantes Leite. Rio de Janeiro: Objetiva, 2012.
MOEN, Ronald. Foundation and history of the PDSA cycle. Detroit: Associates in Process Improvement, [2009 ou 2010]. Disponível em: https://businesswales.gov.wales/sites/main/files/documents/Foundation%20and%20the%20history%20of%20the%20PDSA%20cycle.pdf. Acesso em: 19 out. 2026.
PARKINSON, C. Northcote. Parkinson’s law. The Economist, London, 19 Nov. 1955. Disponível em: https://www.economist.com/news/1955/11/19/parkinsons-law. Acesso em: 19 out. 2026.
QUOTE INVESTIGATOR. What is important is seldom urgent and what is urgent is seldom important. Quote Investigator, [S. l.], 9 May 2014. Disponível em: https://quoteinvestigator.com/2014/05/09/urgent/. Acesso em: 19 out. 2026.
ROBBINS, Stephen P.; JUDGE, Timothy A.; SOBRAL, Filipe. Comportamento organizacional: teoria e prática no contexto brasileiro. 14. ed. São Paulo: Pearson, 2010. E-book (Biblioteca Virtual Pearson).
SHANNON, Claude E. A mathematical theory of communication. The Bell System Technical Journal, New York, v. 27, p. 379-423, 623-656, July/Oct. 1948. DOI: https://doi.org/10.1002/j.1538-7305.1948.tb01338.x. Disponível em: https://people.math.harvard.edu/~ctm/home/text/others/shannon/entropy/entropy.pdf. Acesso em: 19 out. 2026.
SIMON, Herbert A. Rational decision-making in business organizations. Nobel Memorial Lecture, Stockholm, 8 Dec. 1978. Disponível em: https://www.nobelprize.org/uploads/2018/06/simon-lecture.pdf. Acesso em: 19 out. 2026.
TVERSKY, Amos; KAHNEMAN, Daniel. Judgment under uncertainty: heuristics and biases. Eugene: Oregon Research Institute, Aug. 1973. (ORI Research Bulletin, v. 13, n. 1). Relatório técnico. Versão publicada em: Science, v. 185, n. 4157, p. 1124-1131, 1974. Disponível em: https://apps.dtic.mil/sti/pdfs/AD0767426.pdf. Acesso em: 21 out. 2026.

Creator economy, marketing de influência, comunidades e social commerce

noreply@blogger.com (War) — Fri, 16 Oct 2026 14:52:39 -0300

Em novembro de 2022, um streamer que comentava futebol e games diante de uma webcam reuniu mais de 3 milhões de aparelhos ao mesmo tempo para ver, com ele, um jogo da seleção brasileira. Quatro anos depois, o mesmo canal transmitiu todas as 104 partidas da Copa do Mundo e bateu o recorde de audiência simultânea do YouTube. Entre um ponto e outro cabe uma economia inteira: a dos criadores de conteúdo, que vivem da atenção e da confiança do público; a do marketing de influência, que aluga essa confiança para marcas; a das comunidades, que transformam espectadores em gente que conversa entre si; e a do social commerce, que encurta para um toque a distância entre ver e comprar. Este texto explica cada um desses conceitos com dados, casos brasileiros e internacionais e as regras que já valem no país — do novo guia do Conar para publicidade com influenciadores à lei que reconhece o profissional multimídia —, com uma calculadora dos "mil fãs verdadeiros", um teste de #publi e um vocabulário de bolso com mais de vinte termos.

Corte 01

Do quarto ao estádio

Na quinta-feira, 24 de novembro de 2022, o Brasil estreou na Copa do Catar contra a Sérvia. A partida passava na televisão aberta, mas uma multidão preferiu assisti-la num canal do YouTube criado havia poucas semanas por Casimiro Miguel, o Cazé, jornalista e streamer conhecido por comentar esportes, games e o cotidiano na Twitch, onde já tinha mais de 2,7 milhões de seguidores. No segundo tempo, a transmissão passou de 3,4 milhões de aparelhos conectados ao mesmo tempo — o maior número de visualizações simultâneas ao vivo já registrado no YouTube brasileiro até então (Lisboa, 2022). O que se assistia ali não era só o jogo. Era o jogo com ele: as piadas, as reações, os bordões, a sensação de estar no sofá de um amigo.

Quatro anos depois, a CazéTV deixou de ser um "canal de reação" para virar emissora. Na Copa de 2026, deteve os direitos de transmissão de todas as 104 partidas e, na véspera da final, já somava pelo menos 2,5 bilhões de visualizações, tinha ganhado 12 milhões de inscritos em 30 dias e chegara a 24,2 milhões de aparelhos conectados ao mesmo tempo na semifinal entre França e Espanha, número apresentado como o recorde mundial de audiência simultânea da plataforma — aparelhos, note-se, não pessoas: uma tela costuma reunir mais de um espectador (Caixeta, 2026). Já na primeira rodada, o canal alcançara 64 milhões de dispositivos únicos, mais do que os 55 milhões de toda a Copa de 2022 (Cazé…, 2026).

A parede do quarto que vira arquibancada: em quatro anos, um canal de reação se tornou detentor de direitos de transmissão. O personagem é genérico e não retrata pessoa real. Ilustração gerada por IA.

O caso condensa os quatro temas deste texto. Há um criador que construiu, sozinho e depois com uma equipe, um negócio de mídia — a creator economy. Há influência: as marcas pagam para estar perto dessa voz porque o público confia nela. Há comunidade: milhões de pessoas que, além de assistir, comentam, criam memes, recortam trechos e conversam entre si. E há comércio: patrocínios, produtos e, cada vez mais, compras feitas sem sair da tela. A atenção virou audiência, a audiência virou confiança, e a confiança virou negócio — e é essa cadeia que os próximos cortes desmontam, peça por peça.

criarCreator economyPessoas independentes produzem conteúdo e vivem da atenção e da confiança que ele gera.

recomendarMarketing de influênciaMarcas contratam criadores para falar com o público deles, na voz deles.

pertencerComunidadesO público deixa de só olhar para o palco e passa a conversar entre si.

comprarSocial commerceA compra acontece dentro do post, da live ou da conversa — sem sair da rede.

Este post continua a série sobre comunicação digital iniciada em Afinal, o que é comunicação digital? e se apoia diretamente em Redes sociais: estrutura, algoritmos e economia da atenção, que mostrou como as plataformas distribuem a atenção. Aqui, a pergunta é o que se faz com ela depois que chega.

Corte 02

A economia dos criadores

Chama-se creator economy, ou economia dos criadores, o ecossistema em que pessoas independentes — vídeo, áudio, texto, imagem, transmissão ao vivo — produzem conteúdo para um público próprio e o transformam em renda, apoiadas por plataformas que distribuem, medem e pagam. O termo em inglês pegou no Brasil e é usado aqui lado a lado com a tradução. A diferença em relação à mídia tradicional não é a qualidade técnica nem o tamanho do público, mas a propriedade da relação: o público tende a seguir uma pessoa, mais do que um veículo — ainda que existam marcas e coletivos de criadores que funcionam como veículos.

Os números são grandes e concentrados ao mesmo tempo. Uma análise do Goldman Sachs estimou o mercado em cerca de US$ 250 bilhões em 2023, com projeção de quase dobrar até 2027, chegando a US$ 480 bilhões, sustentado por cerca de 50 milhões de criadores no mundo. Mas só cerca de 4% deles ganhavam mais de US$ 100 mil por ano, proporção que os analistas esperavam estável, e os acordos com marcas respondiam por aproximadamente 70% da receita dos criadores (Sheridan, 2023). Em outras palavras, a economia dos criadores é enorme no total e estreita no topo: muita gente produz, poucos vivem bem disso.

Quatro moedas no ar ao mesmo tempo: a renda do criador costuma combinar publicidade da plataforma, patrocínios, assinaturas e produtos próprios — e a moeda do patrocínio tende a ser a maior. Ilustração gerada por IA.

De onde vem o dinheiro

Na prática, a monetização de um criador combina quatro fontes. A primeira é a receita de anúncios dividida com a plataforma, medida em RPM (receita por mil visualizações): depende de volume e oscila conforme as regras do algoritmo. A segunda são os patrocínios e publicidades contratados por marcas — o território do marketing de influência, que veremos no Corte 03. A terceira é o pagamento direto do público: assinaturas, membros de canal, doações durante as lives, financiamento coletivo. A quarta são os produtos e serviços próprios: cursos, livros, roupas, cosméticos, eventos, ingressos. Quanto mais o criador depende da primeira, mais refém fica do humor da plataforma; quanto mais desenvolve a terceira e a quarta, mais o negócio se parece com uma pequena empresa.

Mil fãs verdadeiros

Em 2008, o editor e ensaísta Kevin Kelly, cofundador da revista Wired, publicou um texto curto que virou uma espécie de manifesto dessa economia. A tese: para viver do próprio trabalho criativo, ninguém precisa de um sucesso de massa; bastam cerca de mil fãs verdadeiros — pessoas que compram tudo o que você produz, viajam para ver você, pagam pela edição de luxo de algo que já têm. Se cada um render cerca de US$ 100 por ano — a versão original de 2008 fala em gasto do fã; a revisão posterior do mesmo texto, em lucro para o criador —, são US$ 100 mil anuais, o bastante para uma vida modesta. Kelly impunha duas condições: produzir o suficiente para render esse valor por fã, e manter uma relação direta com eles, para que o dinheiro não fique pelo caminho com intermediários. E argumentava que a cauda longa — a enorme oferta de nichos que a internet tornou acessível — beneficia mais os agregadores do que os criadores, que enfrentam mais concorrência e preços menores; os mil fãs seriam a saída (Kelly, 2008).

O estádio ao fundo está vazio, e tudo bem: a tese de Kelly é que um público pequeno, fiel e pagante sustenta um criador melhor do que uma multidão distraída. Ilustração gerada por IA.

A conta é simples e ajuda a pensar. Ajuste os controles abaixo: quantos fãs pagam, quanto cada um gasta por ano, quanto fica com a plataforma ou o intermediário — e compare com o volume de visualizações que seria preciso para obter a mesma receita apenas com anúncios. O resultado é receita, não lucro: impostos, equipamentos, equipe e produção ainda saem dali.

Calculadora dos fãs verdadeiros

Fãs que pagam1.000 Gasto de cada fã por anoR$ 120 Fica com o intermediário10% Anúncios: receita por mil visualizaçõesR$ 10

Receita anual depois da intermediaçãoR$ 108.000

Média mensalR$ 9.000

Visualizações por ano para ganhar o mesmo só com anúncios10.800.000

Ou cerca de 900.000 visualizações monetizadas por mês — todo mês. A receita vem de 1.000 pessoas que pagam R$ 10 por mês (R$ 120.000 brutos; R$ 108.000 depois da intermediação).

Componente interativo: na versão impressa aparecem os valores padrão (1.000 fãs, R$ 120 por ano, 10% de intermediação, R$ 10 por mil visualizações).

Valores hipotéticos e didáticos: o resultado é receita bruta menos a taxa do intermediário, antes de impostos, equipamentos, equipe e custos de produção. A receita por mil visualizações (RPM) varia muito conforme a plataforma, o país, o público, o formato e a época do ano; ajuste-a para testar cenários.

Brincar com os controles mostra por que tantos criadores perseguem a combinação de comunidade pagante com produto próprio: mil pessoas que pagam podem valer mais do que milhões que apenas passam. A tese tem críticos — sustentar mil fãs dispostos a gastar todos os anos dá muito trabalho, e a maioria dos criadores nunca chega lá —, mas ela muda a pergunta. Em vez de "como viralizar?", passa a ser "para quem eu sou indispensável?".

Uma profissão com nome

No Brasil, parte dessa atividade ganhou nome em 2026. A Lei 15.325, de 6 de janeiro, "dispõe sobre o exercício da profissão de multimídia": define o profissional multimídia como o profissional multifuncional, de nível superior ou técnico, apto a criar, produzir, editar, gerir, publicar e distribuir conteúdos de som, imagem, animação, vídeo e texto em mídias eletrônicas e digitais, e lista entre suas atribuições a atualização e a gestão de redes sociais e plataformas digitais (Brasil, 2026). A palavra "influenciador" não aparece na lei, e seu alcance é mais amplo do que os criadores: vale para quem trabalha com conteúdo digital a serviço de empresas e instituições, com a possibilidade de aditivo contratual para profissionais de outras categorias, mediante concordância do empregador. A lei não exige diploma, não transforma todo criador em empregado, não cria regime tributário próprio nem muda as regras de responsabilidade civil pelo conteúdo, que continuam no Código Civil; segundo os advogados ouvidos pelo Poder360, sua consequência prática é dar base mais firme a contratos e direitos trabalhistas de quem antes não tinha enquadramento (Mognon; Alencar, 2026). Regulamentar o exercício de uma profissão, reconhecer uma ocupação, ter vínculo de emprego e pagar imposto são, portanto, quatro coisas diferentes — e a lei trata só da primeira.

Corte 03

Marketing de influência: alugar a confiança

Se a economia dos criadores é o ecossistema, o marketing de influência é a principal fonte de receita que circula nele: marcas contratam influenciadores digitais para apresentar produtos, serviços ou causas ao público que os segue, na linguagem e no formato desse criador. O que se compra não é só espaço, como num anúncio de revista; é credibilidade emprestada.

O Brasil é um terreno fértil para isso. Um levantamento da Nielsen divulgado em 2022 contou cerca de 500 mil influenciadores com pelo menos 10 mil seguidores no país — mais do que os 455 mil engenheiros civis e os 374 mil dentistas, e quase tanto quanto os 502 mil médicos —, número que deixa de fora os perfis menores (Segalla, 2022). A pesquisadora Issaaf Karhawi, que estudou a profissionalização das blogueiras de moda brasileiras, mostra que o influenciador não nasce pronto: constrói reputação ao longo de anos, primeiro como alguém que entende de um assunto e o compartilha, depois como alguém cuja opinião passa a ter valor de mercado (Karhawi, 2020).

Por que funciona: a intimidade à distância

Em 1956, muito antes das redes sociais, os sociólogos Donald Horton e R. Richard Wohl descreveram a sensação de vínculo que o público de rádio e televisão desenvolvia com apresentadores que nunca o conheceriam. Chamaram o fenômeno de interação parassocial: uma conexão unilateral, em que o espectador sente proximidade com quem está na tela sem que haja reciprocidade (Martin, 2023). A interação é a experiência vivida durante a exposição; quando esses encontros se repetem e o vínculo persiste entre um vídeo e outro, fala-se em relação parassocial — e é ela que explica por que tanta gente diz "a fulana" com a familiaridade de quem fala de uma amiga.

O "oi, gente!" chega a cada pessoa como se fosse só para ela; do outro lado, é a mesma saudação repetida em milhares de telas. É a assimetria que define a relação parassocial. Ilustração gerada por IA.

As plataformas intensificaram esse efeito. O criador fala olhando para a lente, de casa, em tom de conversa, responde comentários e mostra os bastidores; a recomendação algorítmica entrega mais e mais conteúdo da mesma pessoa a quem já demonstrou interesse (Martin, 2023). A pesquisadora Sandra Ribeiro, revisando estudos sobre o trabalho dos influenciadores, observa que a intimidade é usada como estratégia central de conexão com o público, mesmo quando há interesses comerciais envolvidos — e questiona a ideia de que essas relações sejam mais "autênticas" por parecerem menos mediadas, já que plataformas, algoritmos, agências e equipes participam de cada post (Ribeiro, 2021). A confiança é real; a espontaneidade, muitas vezes, é produzida.

Do nano ao mega

O mercado costuma classificar os influenciadores em faixas pelo número de seguidores. Os cortes variam de fonte para fonte e não há padrão oficial, e as faixas descrevem uma tendência, não uma lei: à medida que o alcance cresce, a taxa de engajamento tende a cair, com variações conforme a plataforma, o nicho e a metodologia de cada estudo. Uma análise da HypeAuditor com dezenas de milhares de perfis do Instagram encontrou essa queda conforme aumenta o número de seguidores (Komok, 2018).

nano1 mil a 10 milConhece boa parte do público pelo nome. Ótimo para nichos locais e comunidades.

micro10 mil a 100 milCostuma ser especialista num tema e ter credibilidade dentro dele.

médio100 mil a 500 milEquilíbrio entre alcance e conversa; já opera como pequena empresa.

macro500 mil a 1 milhãoAlcance de veículo de mídia; relação mais distante.

megaMais de 1 milhãoCelebridade digital: visibilidade máxima, engajamento proporcional menor.

Nota: faixas de seguidores usuais no mercado, adotadas aqui para fins didáticos; agências e plataformas usam cortes diferentes.

Cada degrau aumenta o megafone e tende a afastar a plateia. Para muitas campanhas, o degrau de baixo conversa melhor do que o de cima — o que não faz do número de seguidores, sozinho, uma medida de credibilidade. Ilustração gerada por IA.

As marcas perceberam. No relatório de 2026 do Influencer Marketing Hub, 87,49% dos profissionais consultados esperavam aumentar o orçamento de marketing de influência no ano, e mais da metade pretendia ampliar o uso de nano (51,43%) e micro-influenciadores (52,83%); o TikTok liderava os planos de investimento, e a inteligência artificial já aparecia sobretudo na descoberta de criadores (36,67%) e na geração de conteúdo (21,11%) (Influencer Marketing Hub, 2026). A influência também chegou ao jornalismo: no Brasil, 33% das pessoas que usam redes sociais e plataformas de vídeo para se informar dizem prestar atenção regular a criadores e influenciadores — mais do que os 30% que citam marcas de notícias e jornalistas nesses ambientes (Reuters Institute for the Study of Journalism, 2025). Sobre como esses criadores usam IA na produção, vale ler Fluxos de produção de conteúdo assistido por IA.

Corte 04

#publi: as regras do jogo

Se a influência funciona porque o público confia, o maior risco do marketing de influência é a publicidade disfarçada: o seguidor acha que ouve uma recomendação sincera quando, na verdade, assiste a um anúncio. O Código de Defesa do Consumidor exige que a publicidade seja veiculada de tal forma que o consumidor, fácil e imediatamente, a identifique como tal (Brasil, 1990). Sobre essa base legal atua o Conselho Nacional de Autorregulamentação Publicitária (Conar) — uma entidade privada de autorregulamentação mantida pelo próprio mercado, não um órgão do Estado: suas diretrizes complementam a lei e suas decisões se aplicam a anunciantes, agências e veículos que aderem ao sistema. O Conar publicou em 2020 um guia específico para influenciadores e, em 13 de maio de 2026, lançou uma nova edição, com efeitos a partir de 1º de junho, que passou a tratar também de conteúdo feito com IA e reforçou as regras para o público infantil (Conar, 2026) (Conar…, 2026).

O núcleo do guia é uma distinção em três categorias (Betanin, 2026):

Publicidade existe quando há, ao mesmo tempo, promoção de marca, produto ou serviço e alguma contrapartida — pagamento, comissão, benefício ou outra conexão material com o anunciante. Deve ser identificada de forma explícita, preferencialmente com a ferramenta de conteúdo comercial da própria plataforma, ou com #publi, #publicidade ou equivalente, sempre visível em primeiro plano, sem que o público precise clicar em "mais".

Mensagem ativada é quando o influenciador recebe um benefício não remuneratório — brinde, convite, viagem, hospedagem — sem que o anunciante interfira no conteúdo, como no clássico "post de recebidos". Não é publicidade em sentido estrito, mas o influenciador deve mencionar a relação que originou a postagem. A mensagem ativada é, por isso, a categoria mais traiçoeira: parece espontânea, mas tem origem comercial.

Conteúdo orgânico é o espontâneo, sem vínculo com o anunciante; não é publicidade, e a responsabilidade é do próprio influenciador. Mas há uma virada: se a marca compartilha esse conteúdo nos próprios canais, ele passa a ser comunicação da marca, sujeita às normas publicitárias. Marcas e agências, por sua vez, devem informar os influenciadores sobre as regras e acompanhar as postagens, corrigindo ou suspendendo o que estiver irregular; o uso de IA não cria um dever novo de aviso, mas as regras valem integralmente para conteúdo publicitário feito com ela (Betanin, 2026). A classificação em três categorias ajuda a raciocinar, mas não resolve sozinha todo caso: o grau de ingerência da marca, o contexto de divulgação, exigências contratuais e benefícios indiretos podem mudar o enquadramento, e a análise final é sempre do caso concreto.

A etiqueta no alto, antes de qualquer clique: identificar a publicidade não diminui a influência, preserva a confiança que a sustenta. Ilustração gerada por IA.

Teste o critério nos cinco casos abaixo. As respostas indicam o enquadramento recomendado para o cenário descrito, não um veredito jurídico.

Publicidade, mensagem ativada ou orgânico?

1Uma marca de tênis paga uma corredora com 80 mil seguidores para mostrar o modelo novo num vídeo de treino.

2Um maquiador recebe, sem nenhuma exigência, uma caixa de cosméticos de presente da marca e grava um vídeo abrindo os produtos.

3Uma criadora de receitas compra com o próprio dinheiro um liquidificador e, semanas depois, elogia o aparelho num vídeo, sem contato com o fabricante.

4O fabricante do liquidificador do caso 3 encontra o vídeo e o republica no perfil oficial da marca como prova de qualidade.

5Um estudante ganha comissão a cada venda feita pelo link de afiliado de uma garrafa térmica que ele mostra numa resenha em vídeo curto.

Responda aos cinco casos para ver o placar. Vale a primeira resposta de cada caso.

Corte 05

Comunidades: quando o público conversa entre si

Uma audiência olha para o palco; uma comunidade olha também para os lados. Na audiência, cada pessoa se relaciona com o criador ou a marca; na comunidade, os membros se relacionam entre si — trocam dicas, ajudam os novatos, criam piadas internas, discordam, organizam encontros. Por isso a comunidade sobrevive melhor a um mau dia do criador, a uma mudança de algoritmo e até à saída do próprio criador.

As mesmas pessoas, dois arranjos. Na audiência, todas as linhas passam pelo palco; na comunidade, elas se cruzam no meio da roda. Ilustração gerada por IA.

A ideia é anterior às redes sociais. Howard Rheingold, que participou de uma das primeiras comunidades on-line, definiu as comunidades virtuais como agregações sociais que emergem da rede quando um número suficiente de pessoas mantém discussões públicas por tempo suficiente, com sentimento humano suficiente, para formar teias de relações pessoais no ciberespaço (Rheingold, 1993). Henry Jenkins mostrou depois como os fãs, organizados em comunidades, deixam de ser consumidores passivos e passam a produzir, remixar e fazer circular conteúdo — a cultura participativa (Jenkins, 2009). O percurso histórico dessa participação, da Web 1.0 às plataformas atuais, está em A cibercultura da Web 1.0 à web das IAs.

No marketing, Kotler, Kartajaya e Setiawan transformaram essa constatação num modelo. Num mundo conectado, as decisões de compra são cada vez mais sociais: as pessoas confiam mais no chamado fator F — família, amigos, fãs e seguidores — do que na publicidade. Os autores descrevem o caminho do consumidor em cinco As: assimilação, atração, arguição, ação e apologia, a etapa em que o cliente passa a defender e recomendar a marca por conta própria (Kotler; Kartajaya; Setiawan, 2017). Comunidades são o terreno mais fértil para a apologia: é nelas que alguém pergunta "vale a pena?" e outro membro responde sem ganhar nada por isso. Quando esses membros produzem eles mesmos fotos, vídeos e resenhas, fala-se em conteúdo gerado pelo usuário.

O caso do BookTok

Poucos exemplos mostram tão bem a força de uma comunidade quanto o BookTok, o conjunto de leitores que recomendam, resenham e dramatizam livros em vídeos curtos. No Brasil, as publicações com #BookTok e #BookTokBrasil cresceram 39% no primeiro semestre de 2025, com média de 12 mil vídeos por semana e mais de 6 bilhões de visualizações desde o início do ano; segundo a pesquisa Retratos da Leitura, influenciadores literários respondem por 22% da origem do interesse por literatura entre os leitores (Sobota, 2025). Livros que viralizam na comunidade frequentemente aparecem nas listas de mais vendidos. As editoras também investem em campanhas pagas dentro dela, e as duas dinâmicas coexistem; mas o motor que a distingue é a recomendação entre leitores comuns, que não ganham nada por isso.

A lição para quem trabalha com comunicação é que comunidade não se compra pronta: se cultiva. Exige um interesse genuíno em comum, rituais (o encontro semanal, a live de sexta, o desafio do mês), espaços onde os membros falem entre si e moderação para que o espaço continue seguro. Exige também abrir mão de parte do controle: a comunidade vai falar bem e mal, e o valor está justamente em não ser um coro ensaiado.

Corte 06

Social commerce: do "arrasta pra cima" ao botão de comprar

Num desafio de vendas transmitido ao vivo, o chinês Li Jiaqi — que ficaria conhecido como o "rei do batom" — superou o bilionário Jack Ma, fundador do Alibaba. Em outra transmissão, de duas horas, vendeu 15 mil batons em cinco minutos (Liu, 2019). O episódio ajudou a tornar mundialmente conhecido o live commerce: uma transmissão ao vivo em que o apresentador mostra produtos e o público compra na hora, enquanto conversa pelo chat.

O live commerce é a face mais vistosa de algo mais amplo, o social commerce: o uso das redes sociais ao longo da jornada de compra — descobrir, perguntar, ser recomendado, negociar e, na forma mais integrada, pagar sem sair do post, do vídeo, da live ou da conversa de mensagens. As definições variam: algumas só chamam de social commerce a compra concluída dentro da plataforma; outras incluem a descoberta e a recomendação que terminam numa loja externa. Neste texto o termo cobre o espectro inteiro, e comércio social integrado designa o caso em que a transação acontece dentro da rede. Na China, onde o modelo amadureceu primeiro, o live commerce movimentou cerca de US$ 171 bilhões em 2020, e as principais transmissões do Taobao tinham taxa de conversão média de 28%; empresas relatavam conversões próximas de 30%, até dez vezes mais do que no comércio eletrônico convencional, e a McKinsey estimava que as vendas iniciadas em transmissões ao vivo poderiam chegar a 10% a 20% de todo o e-commerce até 2026 (Arora et al., 2021).

Ver, desejar, perguntar e pagar na mesma tela: o social commerce encurta a jornada de compra até caber num polegar. Ilustração gerada por IA.

No Brasil, o marco recente foi a chegada do TikTok Shop, em 8 de maio de 2025. O país foi o 12.º a receber a ferramenta, com compras pelo feed de vídeos, por lives e por vitrines de marcas, pagamento por cartão, boleto e Pix, e um programa de afiliados que paga comissão aos criadores pelas vendas geradas por seus vídeos — aberto a maiores de 18 anos com pelo menos 5 mil seguidores (Monteiro, 2025). Note-se o Pix entre os meios de pagamento: a compra social depende de pagar sem atrito, e a história desse sistema está em Pix: uma aula de gerenciamento de projetos. Mas o hábito brasileiro de comprar pelas redes é anterior e passa muito por conversas: o catálogo no perfil, o "chama no direct", o pedido pelo aplicativo de mensagens.

Os números de 2025 mostram o tamanho desse hábito. Segundo o Relatório do Varejo 2025, da Adyen, a maioria dos consumidores brasileiros já comprava pelas redes sociais, e metade se dizia mais propensa a comprar depois de ver amigos, influenciadores ou celebridades usando ou recomendando um produto (Mais…, 2025):

Consumidores brasileiros e social commerce, 2025 (%)

Compram pelas redes sociais55

Mais propensos a comprar após recomendação de amigos ou influenciadores51

Comprariam um produto em alta nas redes37

Proporção de consumidores brasileiros entrevistados. Pesquisa feita pela Censuswide para a Adyen com mais de 41 mil consumidores em vários países; a amostra brasileira não foi divulgada separadamente na fonte consultada. Fonte: Mais… (2025).

Do lado das empresas, a mesma pesquisa encontrou 23% das brasileiras dispostas a investir em social commerce para crescer a receita naquele ano — sinal de que o consumidor anda à frente de boa parte do varejo (Mais…, 2025). A tabela a seguir reúne, num só lugar, os principais números citados até aqui.

Tabela 1 — Indicadores selecionados da economia dos criadores, do marketing de influência e do social commerce, por natureza do dado — Mundo, China e Brasil — 2020-2027

Indicador	Recorte	Período	Natureza	Valor
Tamanho estimado da economia dos criadores	Mundo	2023	Estimativa	US$ 250 bi
Projeção da economia dos criadores	Mundo	2027	Projeção (2023)	US$ 480 bi
Criadores de conteúdo	Mundo	2023	Estimativa	≈ 50 mi
Criadores com renda acima de US$ 100 mil por ano	Mundo	2023	Estimativa	≈ 4%
Participação dos acordos com marcas na receita dos criadores	Mundo	2023	Pesquisa com criadores	≈ 70%
Influenciadores com 10 mil seguidores ou mais	Brasil	2022	Levantamento	≈ 500 mil
Profissionais que esperam aumentar o orçamento de influência	Mundo	2026	Pesquisa com profissionais	87,49%
Vendas por live commerce	China	2020	Estimativa	US$ 171 bi
Conversão média das principais lives do Taobao	China	nov. 2020	Medição	28%
Participação projetada do live commerce no e-commerce	Mercados fora da China	2026	Projeção (2021)	10% a 20%
Consumidores que compram pelas redes sociais	Brasil	2025	Pesquisa com consumidores	55%

Fonte: elaborado pelo autor com base em Sheridan (2023), Segalla (2022), Influencer Marketing Hub (2026), Arora et al. (2021) e Mais… (2025).Notas: (1) bi = bilhões; mi = milhões. (2) As projeções trazem, entre parênteses, o ano em que foram feitas; não são resultados realizados. (3) A projeção de 10% a 20% foi feita pela McKinsey em 2021 para mercados fora da China, por analogia com a experiência chinesa. (4) O dado de orçamento refere-se a profissionais de marketing e agências que responderam à pesquisa do Influencer Marketing Hub, não ao mercado como um todo. (5) Live commerce é termo técnico mantido no original.

Quatro conceitos, uma engrenagem

Com os quatro conceitos na mesa, dá para ver que eles não são modismos separados, mas peças de uma mesma engrenagem: o criador atrai atenção, a atenção constante gera confiança, a confiança organiza uma comunidade, e a comunidade compra — o que financia o criador e reinicia o ciclo. O ciclo é uma possibilidade estratégica, não uma sequência obrigatória: nem toda audiência vira confiança, nem toda confiança forma comunidade, e muitas comunidades não têm — nem querem ter — finalidade comercial. O quadro abaixo compara as peças, inclusive pelo que cada uma não é.

Quadro 1 — Creator economy, marketing de influência, comunidades e social commerce: definição, recurso central, métricas, riscos e exemplos

Aspecto	Creator economy	Marketing de influência	Comunidades	Social commerce
O que é	Ecossistema em que criadores independentes produzem conteúdo e o transformam em renda	Contratação de criadores por marcas para falar com o público deles	Grupos cujos membros se relacionam entre si em torno de um interesse comum	Compra feita dentro do ambiente social: post, vídeo, live ou conversa
Recurso central	Atenção e relação direta com o público	Credibilidade emprestada	Pertencimento	Conveniência somada à recomendação
Métricas típicas	Fãs pagantes, receita diversificada, retenção	Alcance, engajamento, conversões atribuídas	Participação, conversa entre membros, permanência	Conversão, valor por pedido, devoluções
Risco característico	Renda concentrada no topo; dependência do algoritmo	Publicidade disfarçada; desalinhamento entre marca e criador	Toxicidade, falta de moderação, uso comercial predatório	Compra por impulso, golpes, frágil proteção ao consumidor
O que não significa necessariamente	Independência econômica: a maioria dos criadores não vive só disso	Recomendação espontânea: há contrapartida, e ela deve ser identificada	O conjunto de seguidores: seguir não é pertencer nem conversar	Compra concluída dentro da rede: a descoberta pode terminar numa loja externa
Exemplo citado	CazéTV	Guia do Conar e #publi	BookTok	TikTok Shop; lives de Li Jiaqi

Fonte: elaborado pelo autor com base em Kelly (2008), Sheridan (2023), Betanin (2026), Rheingold (1993), Kotler, Kartajaya e Setiawan (2017) e Arora et al. (2021).Nota: creator economy e social commerce são termos técnicos mantidos no original, de uso corrente no mercado brasileiro.

Corte 07

O lado B da engrenagem

A mesma engrenagem que gera renda e pertencimento tem pontos de atrito que qualquer profissional de comunicação precisa enxergar. O primeiro é a concentração: se só cerca de 4% dos criadores passam de US$ 100 mil por ano (Sheridan, 2023), a imensa maioria trabalha muito por pouco, e "viver de internet" é exceção, não regra. O segundo é a dependência das plataformas: quem não é dono da distribuição pode perder metade do alcance com uma mudança de algoritmo — razão a mais para construir comunidade e relação direta, como sugeria Kelly. O funcionamento desses algoritmos foi tema de Redes sociais: estrutura, algoritmos e economia da atenção.

O terceiro é a transparência, já discutida no Corte 04: a confiança que sustenta a influência se desfaz quando o público descobre que a recomendação era anúncio. O quarto são os dados: cada clique, compra e conversa nas plataformas alimenta perfis de consumo, como mostram Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância e Privacidade hackeada: o escândalo da Cambridge Analytica.

O quinto, e mais sensível, são as crianças e os adolescentes. Em agosto de 2025, o criador Felipe Bressanim Pereira, o Felca, publicou um vídeo de uma hora denunciando perfis que exploravam crianças para gerar engajamento e dinheiro. O projeto que deu origem ao ECA Digital já tramitava no Congresso desde 2022, mas a repercussão ajudou a acelerar a votação; segundo o Instituto Alana, o debate público empurrou uma lei que "já estava madura" (Almeida, 2026). A Lei 15.211 foi sancionada em 17 de setembro de 2025 e entrou em vigor em 17 de março de 2026. Entre outras medidas, veda aos provedores monetizar ou impulsionar conteúdo que retrate crianças e adolescentes de forma erotizada ou sexualmente sugestiva (art. 23), proíbe o uso de perfilamento e de análise emocional para dirigir publicidade a esse público (arts. 22 e 26) e exige que as contas de menores de 16 anos estejam vinculadas às de um responsável legal (art. 24) (Brasil, 2025). O episódio mostra a engrenagem pelos dois lados: um criador usou a força da própria audiência para apressar uma mudança na lei que regula outros criadores. O novo guia do Conar também cita o ECA Digital e exige que a identificação publicitária seja ainda mais evidente quando o público inclui menores (Betanin, 2026).

Aplicação prática

Um microcriador em sala de aula

Em disciplinas de comunicação digital, marketing e inovação, o tema rende um projeto de poucas semanas que atravessa os quatro conceitos. Cada grupo escolhe um nicho real e pequeno — receitas baratas para quem mora sozinho, dicas de estágio, a cena musical do bairro, um esporte pouco coberto — e desenha um "microcriador". Primeiro, descreve com precisão quem seriam os seus mil fãs verdadeiros e o que eles pagariam; depois, publica conteúdo por algumas semanas com metas de conversa, e não só de alcance; em seguida, cria um espaço em que os seguidores falem entre si; por fim, simula uma parceria com uma marca local, redigindo o contrato com a categoria do conteúdo e a forma de identificação exigidas pelo Conar. São quatro entregas: a descrição do público-alvo e dos mil fãs; o planejamento editorial com as metas de conversa; a estratégia de comunidade (espaço, rituais, moderação); e a simulação de monetização com o contrato e a identificação publicitária. A avaliação recai menos sobre o número de seguidores e mais sobre a qualidade das decisões registradas num diário, com quatro critérios: fundamentação das escolhas, viabilidade econômica (a calculadora ajuda), indicadores de participação da comunidade e conformidade ética e legal — Conar, CDC e, se houver menores, ECA Digital.

O ciclo no quadro é o roteiro do projeto: criar, ganhar confiança, formar comunidade e só então pensar em vender. Ilustração gerada por IA.

Antes de fechar uma parceria com um criador — ou de aceitar uma, se você for o criador —, confira:

O público do criador é o público da marca — e não só no tamanho, mas no interesse e na faixa etária. A categoria do conteúdo está definida no contrato: publicidade, mensagem ativada ou orgânico. A identificação está combinada: ferramenta da plataforma ou #publi, visível sem precisar clicar em "mais". As métricas combinadas vão além do alcance: conversa, cliques, vendas atribuídas, retenção. Se houver crianças ou adolescentes no conteúdo ou no público-alvo, as exigências do ECA Digital e do Conar foram verificadas. O criador usaria o produto mesmo sem contrato — ou, ao menos, pode falar dele sem mentir para a própria comunidade.

0 de 6 verificações marcadas.

Fim da live

De volta ao sofá do amigo

Releia a história da CazéTV com o vocabulário deste texto. Um criador construiu atenção ao vivo, durante anos, falando de igual para igual com quem o assistia — a relação parassocial a serviço de um negócio. Essa atenção se tornou confiança, e a confiança atraiu marcas, que pagaram para estar ali. Em volta da transmissão formou-se uma comunidade que corta, comenta e recomenda, multiplicando o alcance sem custo. E o conjunto ficou valioso o bastante para disputar direitos de transmissão com a televisão. Nada disso dependeu de o criador ser o maior especialista em futebol do país; dependeu de ele ser, para milhões de pessoas, uma companhia confiável.

É por isso que os quatro conceitos importam para quem estuda ou trabalha com comunicação. No ambiente digital, a confiança é o ativo que todos disputam — e o único que não se compra diretamente. Marcas podem alugá-la por meio de criadores, plataformas podem distribuí-la, comunidades podem multiplicá-la; mas basta uma #publi escondida, uma comunidade abandonada ou um produto ruim para que ela se desfaça mais rápido do que foi construída.

Se você tivesse de começar hoje, quem seriam os seus mil fãs verdadeiros — e o que eles diriam de você uns aos outros quando você não estivesse ouvindo?

Leia também

Posts correlatos entre os 30 mais recentes do Brasil Acadêmico:

Redes sociais: estrutura, algoritmos e economia da atenção — a matéria-prima de tudo o que se discute aqui: como as plataformas distribuem a atenção.
Afinal, o que é comunicação digital? e A cibercultura da Web 1.0 à web das IAs — o ponto de partida da série e a história da cultura participativa.
Fluxos de produção de conteúdo assistido por IA: texto, imagem, áudio e vídeo — como os criadores produzem com IA e quando rotular.
Tecnologias emergentes na comunicação — IA, mídias vestíveis, jogos e conteúdo imersivo: os próximos palcos dos criadores.
Design thinking, experimentação e MVP aplicados à comunicação digital e Lean Startup, MVP, Canvas e métodos ágeis — para testar um canal ou uma comunidade antes de investir pesado.
Dados pessoais, privacidade e LGPD e Privacidade hackeada: o escândalo da Cambridge Analytica — o outro lado da segmentação de públicos.
Pix: uma aula de gerenciamento de projetos — o meio de pagamento que tirou o atrito da compra social no Brasil.
Dinâmica tecnológica e inovação: da curva S ao perfil em T e Afinal, o que é inovação? — para enxergar a economia dos criadores como inovação de modelo de negócio.

Nota do autor: os números da CazéTV vêm de reportagens com dados divulgados pelo próprio canal e pelo YouTube; os da Copa de 2026 são os publicados em 18 de julho, véspera da final, e portanto parciais; a expressão "recorde mundial de audiência simultânea na plataforma" é a do Poder360, e a reportagem do Canaltech sobre o jogo de 2022 traz valores ligeiramente diferentes para o pico (3,31 a 3,68 milhões), por isso o texto usa "mais de 3,4 milhões" no segundo tempo. Os dados do Goldman Sachs são estimativas e projeções de abril de 2023. A contagem da Nielsen (2022) foi consultada por meio da coluna de Amauri Segalla, que a divulgou. As faixas de seguidores (nano a mega) são convenções de mercado, sem padrão oficial; a relação inversa entre seguidores e engajamento segue a análise da HypeAuditor, cujos dados originais são de 2018 e cujo texto foi atualizado em 2026. O conceito de interação parassocial de Horton e Wohl (1956) foi apresentado a partir do verbete da Encyclopaedia Britannica, de acesso aberto, porque o artigo original (Psychiatry, v. 19, 1956) está atrás de paywall e o blog só referencia fontes abertas; a definição de comunidade virtual foi conferida no texto do livro de Rheingold, que o autor disponibiliza gratuitamente em seu site. As leis 8.078/1990, 15.211/2025 e 15.325/2026 foram conferidas no texto do Planalto. O guia do Conar de 2026 consta das referências com o endereço oficial; como o PDF não pôde ser lido automaticamente na data de consulta, a descrição das categorias segue a cobertura do Propmark e a análise da advogada Camila Betanin, e as datas de publicação e de efeitos (13 de maio e 1º de junho de 2026) foram confirmadas em informativos jurídicos. O episódio de Li Jiaqi segue o relato do China Daily; datas e cifras do desafio com Jack Ma variam entre as fontes, e o texto cita apenas o que o jornal registrou. A pesquisa da Adyen não divulgou separadamente o tamanho da amostra brasileira. As traduções de trechos em inglês são do autor. As dez ilustrações foram geradas com o Gemini (Nano Banana), conferidas em alta resolução e trazem a marca do blog como easter egg; nenhuma retrata pessoa real.

Glossário

Vocabulário de bolso, em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; depois de chegar por um desses links, um botão "voltar ao texto" aparece no verbete e leva de volta ao ponto de leitura.

Afiliado: Criador ou site que divulga produtos de terceiros por meio de um link ou código próprio e recebe comissão sobre as vendas que gera. Pela regra do Conar, a comissão é contrapartida: o conteúdo é publicidade. Corte 06
Apologia (advocacy): Última etapa do caminho dos cinco As de Kotler (assimilação, atração, arguição, ação e apologia), em que o cliente passa a defender e recomendar a marca espontaneamente. Corte 05
Audiência: Conjunto de pessoas que acompanha um criador, veículo ou marca. Cada membro se relaciona com quem está no palco, não necessariamente com os outros membros. Corte 05
Cauda longa: Fenômeno em que a soma de inúmeros produtos e conteúdos de nicho, cada um com poucas vendas, rivaliza com os grandes sucessos, porque a internet barateia a oferta e a busca. Corte 02
Comunidade: Grupo cujos membros se relacionam entre si em torno de um interesse, uma prática ou uma identidade comum, com normas, rituais e sentimento de pertencimento. Corte 05
Comunidade virtual: Termo popularizado por Howard Rheingold para as agregações sociais que surgem na rede quando pessoas mantêm discussões públicas por tempo e com envolvimento suficientes para formar teias de relações pessoais. Corte 05
Conteúdo gerado pelo usuário (UGC, user-generated content): Fotos, vídeos, resenhas e comentários produzidos por consumidores e fãs, e não pela marca ou por criadores contratados. Corte 05
Conversão (taxa de): Proporção das pessoas expostas a um conteúdo ou anúncio que realizam a ação desejada — comprar, assinar, cadastrar-se. Corte 06
Creator economy (economia dos criadores): Ecossistema em que pessoas independentes produzem conteúdo para um público próprio e o transformam em renda, apoiadas por plataformas que distribuem, medem e pagam. Corte 01
Cultura participativa: Conceito de Henry Jenkins para a cultura em que fãs e consumidores deixam de apenas receber conteúdo e passam a produzir, remixar e fazer circular, muitas vezes de forma coletiva. Corte 05
Engajamento (taxa de): Medida de interação do público com um conteúdo — curtidas, comentários, compartilhamentos, salvamentos —, em geral expressa como porcentagem dos seguidores ou das visualizações. Corte 03
Fã verdadeiro: Na formulação de Kevin Kelly, quem compra tudo o que um criador produz. Mil deles, gastando cerca de US$ 100 por ano cada, bastariam para sustentar um criador. Corte 02
Faixas de influenciadores: Classificação usual por número de seguidores: nano, micro, médio, macro e mega. Os cortes variam entre agências e plataformas; não há padrão oficial. Corte 03
Influenciador digital: Criador cuja opinião tem peso sobre as escolhas do público que o segue, a ponto de marcas pagarem para associar-se a ele. Corte 03
Intimidade (como estratégia): Recurso de comunicação dos influenciadores — falar de casa, mostrar bastidores, responder comentários — que produz sensação de proximidade com o público, mesmo em conteúdo comercial. Corte 03
Live commerce: Venda em transmissão ao vivo: o apresentador mostra produtos, responde ao chat e o público compra durante a transmissão. Corte 06
Marketing de influência: Estratégia em que marcas contratam criadores para apresentar produtos, serviços ou causas ao público deles, na linguagem e no formato do criador. Corte 03
Mensagem ativada: Categoria do guia do Conar para conteúdo motivado por benefício não remuneratório — brinde, convite, viagem — sem ingerência do anunciante. Não é publicidade estrita, mas a relação deve ser mencionada. Corte 04
Monetização: Transformação de audiência e conteúdo em receita: anúncios, patrocínios, assinaturas, doações, produtos e serviços próprios. Corte 02
Profissional multimídia: Profissional multifuncional, de nível superior ou técnico, que cria, produz, edita, gere e distribui conteúdos em mídias eletrônicas e digitais, segundo a Lei 15.325/2026, que regula o exercício dessa profissão. Abrange mais do que os influenciadores e não exige diploma. Corte 02
Publi (#publi): Marcação que identifica conteúdo publicitário nas redes. O Conar aceita #publi, #publicidade ou equivalentes, ou a ferramenta da plataforma, sempre visíveis sem clique. Corte 04
Relação parassocial: Vínculo unilateral e duradouro em que o público sente intimidade com uma pessoa da mídia que não o conhece. Deriva da interação parassocial descrita por Horton e Wohl em 1956 — a experiência de "encontro" durante a exposição —, que, repetida, se consolida em relação. Corte 03
RPM (receita por mil): Quanto o criador efetivamente recebe a cada mil visualizações, já descontada a parte da plataforma. Difere do CPM, que é quanto o anunciante paga por mil exibições. Corte 02
Social commerce: Uso das redes sociais ao longo da jornada de compra: descoberta, recomendação, negociação e, na forma integrada, a própria transação dentro do post, do vídeo, da live ou da conversa. Definições mais estritas reservam o termo ao caso integrado. Corte 06

Referências

ALMEIDA, Daniella. ECA Digital começa a valer nesta terça; confira principais pontos. Brasil de Fato, São Paulo, 17 mar. 2026. Disponível em: https://www.brasildefato.com.br/2026/03/17/eca-digital-comeca-a-valer-nesta-terca-confira-principais-pontos/. Acesso em: 10 out. 2026.
ARORA, Arun et al. It's showtime! How live commerce is transforming the shopping experience. McKinsey Digital, [s. l.], 21 jul. 2021. Disponível em: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/its-showtime-how-live-commerce-is-transforming-the-shopping-experience. Acesso em: 10 out. 2026.
BETANIN, Camila. Guia Conar 2026: o que todo influenciador precisa saber agora. Migalhas, [s. l.], 20 maio 2026. Disponível em: https://www.migalhas.com.br/depeso/456124/guia-conar-2026-o-que-todo-influenciador-precisa-saber-agora. Acesso em: 10 out. 2026.
BRASIL. Lei nº 8.078, de 11 de setembro de 1990. Dispõe sobre a proteção do consumidor e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 12 set. 1990. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l8078compilado.htm. Acesso em: 16 out. 2026.
BRASIL. Lei nº 15.211, de 17 de setembro de 2025. Dispõe sobre a proteção de crianças e adolescentes em ambientes digitais (Estatuto Digital da Criança e do Adolescente). 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: 16 out. 2026.
BRASIL. Lei nº 15.325, de 6 de janeiro de 2026. Dispõe sobre o exercício da profissão de multimídia. Diário Oficial da União: seção 1, Brasília, DF, 7 jan. 2026. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2023-2026/2026/lei/l15325.htm. Acesso em: 16 out. 2026.
CAIXETA, Gustavo. Copa rende ao menos 2,5 bilhões de visualizações à "CazéTV". Poder360, Brasília, DF, 18 jul. 2026. Disponível em: https://www.poder360.com.br/poder-midia/copa-rende-ao-menos-25-bilhoes-de-visualizacoes-a-cazetv/. Acesso em: 10 out. 2026.
CAZÉ TV triplica alcance em relação à Copa do Mundo de 2022; veja números. Lance!, Rio de Janeiro, 18 jun. 2026. Disponível em: https://www.lance.com.br/fora-de-campo/caze-tv-triplica-alcance-relacao-copa-2022.html. Acesso em: 10 out. 2026.
CONAR atualiza guia de publicidade com influenciadores e inclui regras sobre IA. Propmark, São Paulo, 13 maio 2026. Disponível em: https://propmark.com.br/digital/conar-atualiza-guia-de-publicidade-com-influenciadores-e-inclui-regras-sobre-ia/. Acesso em: 10 out. 2026.
CONSELHO NACIONAL DE AUTORREGULAMENTAÇÃO PUBLICITÁRIA (Conar). Guia de marketing e publicidade por influenciadores digitais. Ed. atual. São Paulo: Conar, 2026. Disponível em: https://www.conar.org.br/diretrizes. Acesso em: 16 out. 2026.
INFLUENCER MARKETING HUB. Influencer marketing benchmark report 2026. [S. l.]: Influencer Marketing Hub, 2026. Disponível em: https://influencermarketinghub.com/influencer-marketing-benchmark-report/. Acesso em: 10 out. 2026.
JENKINS, Henry. Cultura da convergência. 2. ed. São Paulo: Aleph, 2009.
KARHAWI, Issaaf. De blogueira a influenciadora: etapas de profissionalização da blogosfera de moda brasileira. Porto Alegre: Sulina, 2020.
KELLY, Kevin. 1,000 true fans. The Technium, [s. l.], 4 mar. 2008. Disponível em: https://kk.org/thetechnium/1000-true-fans/. Acesso em: 10 out. 2026.
KOMOK, Anna. Micro- vs mega-influencers' Instagram engagement rates compared. HypeAuditor Blog, [s. l.], 19 jun. 2018. Atualizado em: 3 abr. 2026. Disponível em: https://blog.hypeauditor.com/how-do-micro-influencers-and-mega-influencers-compare-in-instagram-engagement-rates/. Acesso em: 10 out. 2026.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 4.0: do tradicional ao digital. Rio de Janeiro: Sextante, 2017.
LISBOA, Alveni. Casimiro quebra recorde do YouTube com transmissão de jogo do Brasil. Canaltech, [s. l.], 25 nov. 2022. Disponível em: https://canaltech.com.br/internet/casimiro-quebra-recorde-do-youtube-com-transmissao-de-jogo-do-brasil-230835/. Acesso em: 10 out. 2026.
LIU, Yukun. Advertisers, consumers embrace social media. China Daily, Beijing, 8 abr. 2019. Disponível em: https://www.chinaservicesinfo.com/s/201904/08/WS5caaebdb498e079e6801ce0c/advertisers-consumers-embrace-social-media.html. Acesso em: 10 out. 2026.
MAIS da metade dos brasileiros já compra pelas redes sociais. Meio & Mensagem, São Paulo, 8 jul. 2025. Disponível em: https://www.meioemensagem.com.br/midia/mais-da-metade-dos-brasileiros-ja-compra-pelas-redes-sociais. Acesso em: 10 out. 2026.
MARTIN, Roland. Parasocial interaction. In: ENCYCLOPAEDIA Britannica. Chicago: Encyclopaedia Britannica, 22 set. 2023. Disponível em: https://www.britannica.com/science/parasocial-interaction. Acesso em: 10 out. 2026.
MOGNON, Ingrid; ALENCAR, Davi. Entenda o que diz a lei que tira influencers de limbo jurídico. Poder360, Brasília, DF, 25 jan. 2026. Disponível em: https://www.poder360.com.br/poder-brasil/fim-do-limbo-juridico-entenda-o-que-diz-a-lei-dos-influencers/. Acesso em: 10 out. 2026.
MONTEIRO, Thaís. TikTok Shop chega ao Brasil: veja como será a solução. Meio & Mensagem, São Paulo, 8 maio 2025. Disponível em: https://www.meioemensagem.com.br/midia/tiktok-shop-brasil. Acesso em: 10 out. 2026.
REUTERS INSTITUTE FOR THE STUDY OF JOURNALISM. Brazil. In: REUTERS INSTITUTE FOR THE STUDY OF JOURNALISM. Mapping news creators and influencers. Oxford: Reuters Institute, 28 out. 2025. Disponível em: https://reutersinstitute.politics.ox.ac.uk/news-creators-influencers/2025/Brazil. Acesso em: 10 out. 2026.
RHEINGOLD, Howard. The virtual community: homesteading on the electronic frontier. Reading: Addison-Wesley, 1993. Disponível em: https://www.rheingold.com/vc/book/. Acesso em: 16 out. 2026.
RIBEIRO, Sandra Stephanie Holanda Ponte. Sobre repovoar narrativas: o trabalho dos influenciadores digitais a partir de uma abordagem sociotécnica. Civitas: revista de ciências sociais, Porto Alegre, v. 21, n. 2, p. 271-281, maio/ago. 2021. DOI: 10.15448/1984-7289.2021.2.39918. Disponível em: https://www.redalyc.org/journal/742/74268741009/74268741009.pdf. Acesso em: 10 out. 2026.
SEGALLA, Amauri. Brasil é o país dos influenciadores, mostra estudo da Nielsen. Estado de Minas, Belo Horizonte, 10 jun. 2022. Disponível em: https://www.em.com.br/app/colunistas/amauri-segalla/2022/06/10/interna_amauri_segalla,1372382/brasil-e-o-pais-dos-influenciadores-mostra-estudo-da-nielsen.shtml. Acesso em: 10 out. 2026.
SHERIDAN, Eric. The creator economy could approach half-a-trillion dollars by 2027. Goldman Sachs Insights, New York, 19 abr. 2023. Disponível em: https://www.goldmansachs.com/insights/articles/the-creator-economy-could-approach-half-a-trillion-dollars-by-2027. Acesso em: 10 out. 2026.
SOBOTA, Guilherme. TikTok consolida comunidade literária com crescimento expressivo no Brasil. PublishNews, São Paulo, 11 set. 2025. Disponível em: https://www.publishnews.com.br/materias/2025/09/11/tiktok-consolida-comunidade-literaria-com-crescimento-expressivo-no-brasil. Acesso em: 10 out. 2026.

Do taylorismo à Indústria 4.0: modelos produtivos, novas formas de trabalho e normas técnicas

noreply@blogger.com (War) — Sat, 10 Oct 2026 16:17:29 -0300

Do cronômetro de Taylor à esteira de Ford, do cartão kanban da Toyota aos sensores da Indústria 4.0, cada modelo de produção mudou o que se espera de quem trabalha. Agora o trabalho também sai da fábrica: vai para a mesa da cozinha e para o aplicativo, num modelo que o IBGE só começou a medir em 2022. E, a cada mudança, alguém precisou escrever regras novas. Esta postagem percorre as duas metades dessa história. A primeira trata de como o trabalho foi organizado, do taylorismo às plataformas digitais. A segunda trata de quem escreve as regras: normas técnicas, regulamentos, Normas Regulamentadoras (NRs), conselhos profissionais, responsabilidade técnica e ética. Há linha do tempo, um desafio "quem responde?" e um vocabulário de bolso no fim.

Turno 01

O capacete do entregador

No semáforo de uma avenida qualquer, um entregador de aplicativo espera o verde com o celular preso ao guidão. Em 2025, havia 531 mil pessoas que tinham nos aplicativos de entrega o trabalho principal, e o grupo dos entregadores de mercadorias foi o que mais cresceu entre todos os trabalhadores de plataforma: 18,6% em um ano (Sousa, 2026). Olhe para o capacete dele. Ali estão, condensadas, as duas histórias desta postagem.

O capacete reúne as duas metades do tema: foi fabricado por um modelo produtivo e só chega à loja porque atende a uma norma tornada obrigatória.

A primeira história é a da fábrica. O capacete foi produzido numa linha em que cada posto tem tempo padronizado, como queria Taylor; em que a peça anda e o operário fica, como na esteira de Ford; em que o estoque é mínimo e qualquer defeito para a produção, como no sistema da Toyota; e em que, cada vez mais, máquinas conversam entre si e com os sistemas da empresa, como prevê a Indústria 4.0. A segunda história é a das regras. O capacete para motociclistas tem uma norma técnica da ABNT, a NBR 7471, que em si é de uso voluntário. Mas um regulamento do Inmetro tornou compulsória a avaliação da conformidade desses capacetes com base nela (Inmetro, 2021), e o Conselho Nacional de Trânsito (Contran) passou a exigir no capacete o selo de identificação da conformidade do Inmetro (Brasil, 2022a). Uma norma voluntária virou obrigação porque um regulamento a adotou.

E há uma terceira camada, a do trabalho de quem usa o capacete. Em 2022, 77,1% dos trabalhadores de plataforma eram conta própria (IBGE, 2023); em 2025, só 34,0% contribuíam para a Previdência (Sousa, 2026). Boa parte das regras de segurança e saúde no trabalho que veremos adiante foi escrita para a relação de emprego, e o entregador quase sempre está fora dela. Para entender como chegamos aqui, é preciso voltar a uma siderúrgica da Pensilvânia, no fim do século XIX.

Turno 02

Taylor e o cronômetro: o trabalho vira ciência (e planilha)

Frederick Winslow Taylor era engenheiro e estava convencido de que havia "uma melhor maneira" de fazer cada tarefa. O exemplo mais famoso do livro The principles of scientific management, de 1911, é o de um carregador de lingotes de ferro que ele chama de Schmidt. A turma carregava, em média, cerca de 12,5 toneladas por homem por dia. Depois de estudar e cronometrar cada movimento, Taylor calculou que um "homem de primeira classe" deveria carregar entre 47 e 48 toneladas. Schmidt, orientado minuto a minuto sobre quando pegar a carga, andar e descansar, carregou 47,5 toneladas, e o salário dele passou de US$ 1,15 para pouco mais de US$ 1,85 por dia (Taylor, 1911). Faça a conta: a carga quase quadruplicou; o salário subiu cerca de 60%.

Ilustração gerada por IA, não registro de época. O cronômetro e a prancheta: com o estudo de tempos e movimentos, decidir como trabalhar deixou de ser tarefa de quem trabalha.

O caso resume os princípios do taylorismo, ou administração científica: estudar cada tarefa com o estudo de tempos e movimentos; selecionar e treinar o trabalhador "certo" para ela; pagar incentivo por produção; e, sobretudo, separar quem planeja de quem executa. No taylorismo, o conhecimento sobre como trabalhar sai das mãos do operário e passa para o escritório de planejamento. Essa separação explica tanto os ganhos de produtividade quanto as críticas que o modelo recebeu desde então: trabalho repetitivo, ritmo imposto de fora, pouca autonomia.

A expressão "tempos e movimentos" junta duas ênfases. Taylor, considerado o pai do estudo do tempo, cronometrava as tarefas; contemporâneos dele, o casal Frank e Lillian Gilbreth aprofundou o estudo dos movimentos, decompondo o trabalho manual, com ajuda de filmagens, em micromovimentos elementares para eliminar os que nada acrescentavam. Lillian, psicóloga, também chamou atenção para a fadiga e o fator humano (Novaski; Sugai, 2002).

Para assistir

Para ver o taylorismo num exemplo mais atual e fora da fábrica, vale assistir a Fome de poder (The Founder, 2016), de John Lee Hancock, com Michael Keaton no papel de Ray Kroc (Fome…, 2016). Numa das cenas mais lembradas, os irmãos Dick e Mac McDonald desenham com giz, numa quadra de tênis, a planta da cozinha e ensaiam com os funcionários cada deslocamento até chegar ao arranjo mais rápido: estudo de tempos e movimentos aplicado ao hambúrguer. O sistema real, batizado de Speedee Service System, foi lançado em 1948 em San Bernardino, na Califórnia, com cardápio reduzido a nove itens e autoatendimento (McDonald's Corporation, [2026?]). A segunda metade do filme, quando Kroc replica o modelo em franquias idênticas pelo país, mostra a padronização em escala que o Turno 03 associa a Ford. Lembre-se de que é uma dramatização: cenas e diálogos são reconstruídos.

Repare em um detalhe que vai voltar mais adiante. Taylor escolhia o trabalhador que servia à tarefa. Um século depois, a norma brasileira de ergonomia, a NR-17, expressa outra lógica: o objetivo é permitir "a adaptação das condições de trabalho às características psicofisiológicas dos trabalhadores" (Brasil, 2021). Sem que se possa dizer que ela foi escrita como resposta direta a Taylor, a perspectiva é a oposta: em vez de escolher a pessoa para o posto, ajusta-se o posto à pessoa.

Turno 03

Ford e a esteira: a peça anda, o operário fica

Henry Ford aplicou a lógica de Taylor a um produto inteiro e acrescentou uma ideia simples e radical: em vez de os trabalhadores irem até o carro, o carro passaria por eles. Na fábrica de Highland Park, em Michigan, a montagem móvel foi testada primeiro em componentes, como os magnetos, por volta de abril de 1913, e chegou ao chassi em agosto daquele ano (Anderson, 2021). Em meados de 1914, a linha móvel havia reduzido o tempo de montagem de um Modelo T de 12 horas e meia para 93 minutos (The Henry Ford, [2026?]b). Repare que se trata do tempo para montar cada carro, não do intervalo entre um carro e o seguinte: como vários carros eram montados ao mesmo tempo ao longo da linha, a produção diária cresceu muito mais do que esse número sugere.

Ilustração gerada por IA, não registro de época. Na esteira, o ritmo da linha passa a ser o ritmo do trabalhador.

A esteira cobrava um preço. O trabalho ficou tão repetitivo que a rotatividade chegou a 370% ao ano, e Ford respondeu, em janeiro de 1914, com o "dia de cinco dólares". Não era um aumento de salário, e sim um plano de participação nos lucros: o operário mantinha o salário-base e recebia um bônus que o elevava a US$ 5 por dia, desde que atendesse às exigências da empresa, verificadas por inspetores do chamado Departamento Sociológico, que visitavam as casas e cobravam abstinência de álcool, casa limpa e poupança regular (Anderson, 2014). Ao mesmo tempo, o ganho de escala derrubou o preço do Modelo T de US$ 850 para até US$ 260 (The Henry Ford, [2026?]a). Está aí o núcleo do fordismo: produção em massa de produtos padronizados, controle sobre o trabalho dentro e fora da fábrica e salários que, ao menos para parte dos operários, permitiam comprar o que eles mesmos fabricavam, alimentando o consumo em massa. O cinema registrou o lado sombrio da linha em Tempos modernos (1936), de Charles Chaplin, tema de um ensaio já reproduzido neste blog sobre taylorismo e fordismo.

A produção em massa também precisava de peças intercambiáveis: um parafuso de um fornecedor tinha de servir na porca de outro. É por isso que a história da normalização técnica, que veremos no Turno 07, anda junto com a da linha de montagem.

Turno 04

Toyota e o kanban: produzir só o necessário e parar a linha

No Japão do pós-guerra, a Toyota não tinha mercado nem capital para produzir em massa como Detroit. A resposta foi o Sistema Toyota de Produção, que a própria empresa resume em dois pilares. O primeiro é o just in time: fazer "apenas o que é necessário, quando é necessário e na quantidade necessária". O segundo é o jidoka, a "automação com toque humano", cuja origem está no dispositivo criado por Sakichi Toyoda em 1896 para parar o tear quando um fio se rompia. Na linha, quando há um problema, acende-se o andon, um painel luminoso de alerta, e o próprio operador pode parar a linha puxando uma corda. Foi Taiichi Ohno quem montou a estrutura básica do método just in time (Toyota Motor Corporation, [2026?]). No livro em que explicou o sistema, Ohno trata o desperdício como conceito central: superprodução, espera, transporte, estoques e movimentos desnecessários são o alvo a eliminar (Ohno, 1988), numa rede de ideias que liga fábrica, vendas, gestores e trabalhadores (Fernandes, 2025).

A produção fordista priorizava o ritmo contínuo da linha; o Sistema Toyota criou mecanismos para que o operador sinalize anormalidades e acione a parada, evitando que o defeito siga adiante.

Compare com Ford. Na produção fordista tradicional, a prioridade era manter a continuidade e o ritmo da linha. No sistema da Toyota, tornar o problema visível e parar o processo diante de um defeito passa a ser parte do trabalho, e o operário ganha voz sobre o processo; os procedimentos concretos variam de fábrica para fábrica. O kanban, palavra japonesa para "sinal" ou "placa", é o cartão que autoriza produzir ou retirar uma peça num sistema puxado: só se fabrica o que o posto seguinte pediu (Lean Enterprise Institute, 2022). Os três termos andam juntos, mas não são sinônimos: o just in time é o princípio de produzir conforme a demanda, o kanban é uma ferramenta para executá-lo e o jidoka é o outro pilar, voltado à qualidade. E "estoque mínimo" não quer dizer estoque zero, e sim o menor estoque compatível com o fluxo. Já o kaizen, a melhoria contínua, aposta em pequenos ajustes incrementais, feitos por quem está no posto, que somados trazem grandes ganhos (Lean Enterprise Institute, 2023).

O Ocidente conheceu esse sistema com outro nome. O termo lean (enxuto) foi cunhado em 1988 por John Krafcik, então pesquisador do programa de estudos automotivos do Instituto de Tecnologia de Massachusetts (MIT), e popularizado em 1990 pelo livro The machine that changed the world, de Womack, Jones e Roos (Cusumano et al., 2021). Daí o toyotismo migrou para hospitais, bancos e, como mostram as postagens do blog sobre o modelo ágil Lean e sobre Lean Startup e métodos ágeis, para o desenvolvimento de software. Houve também caminhos alternativos, como o volvismo sueco, com equipes multifuncionais e gestão mais participativa.

Uma ressalva antes do quadro: ele reúne três modelos históricos de organização do trabalho e da produção e um paradigma contemporâneo de transformação tecnológica. Eles não se excluem: uma fábrica cheia de sensores pode manter controle e divisão do trabalho tayloristas, e empresas atuais costumam combinar práticas fordistas e enxutas com tecnologias da Indústria 4.0.

Quadro 1 — Modelos produtivos comparados — séculos XX e XXI

Dimensão	Taylorismo	Fordismo	Toyotismo (lean)	Indústria 4.0
Época e lugar de origem	Estados Unidos, fim do séc. XIX e 1911	Estados Unidos, 1913-1914	Japão, pós-guerra	Alemanha, 2011-2013
Símbolo	Cronômetro	Esteira	Cartão kanban e corda do andon	Sensor conectado
Ideia central	A "melhor maneira" de cada tarefa, definida pelo planejamento	Produção e consumo em massa de produtos padronizados	Produzir só o necessário, sem desperdício e sem defeito	Máquinas, produtos e sistemas que trocam dados em tempo real
Produção e estoque	Ritmo por tarefa e incentivo por peça	Grandes lotes e estoques	Estoques reduzidos (não necessariamente zero), produção puxada pela demanda	Produção flexível, até personalizada, guiada por dados
Papel do trabalhador	Executa o que o escritório planejou	Repete uma operação no ritmo da linha	Multifuncional, pode parar a linha e propõe melhorias	Supervisiona e analisa sistemas, mas tarefas manuais, de operação e de manutenção continuam, com graus variados de qualificação
Principal crítica	Separação entre pensar e fazer	Trabalho monótono e alienante	Intensificação e pressão do grupo	Desemprego tecnológico e vigilância por dados

Fonte: elaborado pelo autor com base em Taylor (1911), Anderson (2021), Toyota Motor Corporation ([2026?]), Kagermann, Wahlster e Helbig (2013) e Abílio (2020).Nota: as três primeiras colunas são modelos de organização da produção; a última, um paradigma tecnológico. As fronteiras não são rígidas, e fábricas reais combinam elementos de mais de um deles.

Turno 05

Indústria 4.0: a fábrica que conversa

Em abril de 2011, na abertura da Feira de Hannover, na Alemanha, o pesquisador Wolfgang Wahlster apresentou ao público o termo Indústria 4.0, que havia aparecido dias antes num artigo assinado por ele, Henning Kagermann e Wolf-Dieter Lukas (DFKI, 2021). Em 2013, um grupo de trabalho coordenado pela academia alemã de ciências e engenharia (acatech) entregou ao governo as recomendações para implementar a estratégia e falou abertamente em uma "quarta revolução industrial", baseada em sistemas ciberfísicos: máquinas, peças e produtos com sensores e software, ligados em rede, capazes de trocar informações e de se ajustar sozinhos ao longo da produção (Kagermann; Wahlster; Helbig, 2013). O relatório destaca três integrações: horizontal, entre empresas de uma mesma rede de valor; vertical, das máquinas do chão de fábrica aos sistemas de gestão; e de ponta a ponta, na engenharia do produto ao longo de toda a cadeia. Trata também a segurança, inclusive contra acessos indevidos e ataques, como condição de sucesso, e prevê que o papel dos trabalhadores mudará bastante, sem desaparecer: o grupo recomenda uma abordagem sociotécnica, com participação no desenho do trabalho e formação ao longo da vida (Kagermann; Wahlster; Helbig, 2013).

Na fábrica inteligente, parte do trabalho humano se desloca da operação da máquina para a supervisão e a análise dos dados, mas tarefas manuais e de manutenção continuam.

No Brasil, a Confederação Nacional da Indústria (CNI) mediu a difusão das tecnologias digitais em duas sondagens. Em janeiro de 2016, 48% das 2.225 empresas consultadas usavam pelo menos uma de dez tecnologias digitais listadas, com grande diferença entre grandes (63%) e pequenas (25%) (CNI, 2016). Em abril de 2021, a proporção chegou a 69% (CNI, 2022). A comparação exige cuidado, porque a lista da segunda pesquisa tinha 18 tecnologias. A política industrial lançada em 2024, a Nova Indústria Brasil, fixou como meta digitalizar 25% das empresas industriais até 2026 (Governo…, 2024).

Indústrias que usam ao menos uma tecnologia digital (%)

2016 (10 tecnologias)48%

2021 (18 tecnologias)69%

Fontes: CNI (2016; 2022). Resultados de levantamentos com listas diferentes de tecnologias (10 em 2016, 18 em 2021); não formam uma série histórica estritamente comparável.

A Indústria 4.0 conversa com outros temas do blog: os modelos de aprendizado de máquina que permitem à fábrica prever falhas, a postagem de 2021 com o documentário sobre a Indústria 4.0 e a análise de ciclos tecnológicos em da curva S ao perfil em T.

Turno 06

Novas formas de trabalho: da sala de casa ao aplicativo

Enquanto a fábrica se digitalizava, o trabalho saiu dela. Duas formas ganharam peso e, por isso, passaram a ser medidas e reguladas. A primeira é o teletrabalho. No quarto trimestre de 2022, 7,4 milhões de pessoas, 7,7% dos ocupados, trabalhavam assim (IBGE, 2023). A reforma trabalhista de 2017 criou na Consolidação das Leis do Trabalho (CLT) um capítulo próprio para o regime, exigindo previsão expressa no contrato e definição por escrito de quem paga equipamentos e despesas (Brasil, 2017). Em 2022, a lei passou a tratar "teletrabalho ou trabalho remoto" como a prestação de serviços fora das dependências do empregador, mesmo que não seja a maior parte do tempo, e separou quem é contratado por jornada de quem é contratado por produção ou tarefa (Brasil, 2022c).

Teletrabalho e trabalho por plataforma: o trabalho saiu da fábrica e do escritório por caminhos muito diferentes.

A segunda forma é o trabalho por plataformas digitais. Em 2025, segundo a Pesquisa Nacional por Amostra de Domicílios (PNAD) Contínua, cerca de 1,8 milhão de pessoas tinham num aplicativo o trabalho principal, 2,0% dos ocupados do setor privado, número 36,8% maior que o de 2022. Mais da metade (57,5%) trabalhava com transporte de passageiros, 29,4% com entregas e 16,6% com serviços gerais ou profissionais (Sousa, 2026). A soma passa de 100% porque as categorias não são exclusivas: no mesmo trabalho, uma pessoa pode atuar por mais de um tipo de plataforma (IBGE, 2026). A Tabela 1 compara esses trabalhadores com os demais ocupados do setor privado.

Tabela 1 — Indicadores de trabalhadores por plataformas digitais e demais ocupados no setor privado, no trabalho principal — Brasil — 2025

Indicador	Plataformistas	Demais ocupados
Horas trabalhadas por semana (média)	44,7	39,3
Rendimento mensal habitual (R$)	3.147	3.148
Rendimento por hora (R$)	16,2	18,4
Contribuintes para a previdência (%)	34,0	63,0
Informalidade (%)	72,1	42,7

Fonte: elaborado pelo autor com base em Sousa (2026), que divulga dados da PNAD Contínua do IBGE.Notas: 1. Estatísticas experimentais. 2. Plataformistas são as pessoas cujo trabalho principal é realizado por meio de aplicativos de transporte, entrega ou serviços. 3. Rendimento em valores reais.

Proteção social: plataformistas × demais ocupados (2025, %)

Informais · plataforma72,1

Informais · demais42,7

Contribuem · plataforma34,0

Contribuem · demais63,0

Fonte: Sousa (2026), com dados da PNAD Contínua.

Os números mostram um paradoxo. O rendimento mensal é praticamente igual ao dos demais, mas é obtido com 5,4 horas a mais por semana; por hora, o plataformista ganha cerca de 12% menos, e a maioria não tem proteção previdenciária. A socióloga Ludmila Abílio chama esse processo de uberização e propõe uma imagem que fecha o ciclo desta postagem: o "trabalhador just in time". A lógica que a Toyota aplicou às peças, produzir só quando há demanda, passa a ser aplicada às pessoas, que ficam disponíveis o tempo todo, mas só são acionadas e pagas quando há tarefa (Abílio, 2020). É uma analogia crítica, não uma equivalência técnica: o just in time da fábrica organiza o fluxo de peças, enquanto a uberização descreve como riscos e custos da espera passam para o trabalhador. Ricardo Antunes descreve o mesmo movimento como a formação de um novo proletariado de serviços na era digital (Antunes, 2018). O tema foi discutido na mesa-redonda sobre o futuro do trabalho de que o autor participou em 2026 e aparece também na postagem sobre fluxos de produção de conteúdo com IA.

Linha do tempo: o chão de fábrica e o livro de regras

As duas metades desta postagem caminharam juntas. Clique nos marcos para ver o que cada um mudou; as cores separam modelos produtivos, normas técnicas e leis do trabalho e das profissões.

produçãonormas técnicasleis e profissões

2026 — Riscos psicossociais na NR-1

Depois de adiada, entra em vigor em 26 de maio de 2026 a inclusão dos fatores de riscos psicossociais no gerenciamento de riscos ocupacionais da NR-1 (Brasil, 2025). Em setembro, o IBGE divulga que cerca de 2 milhões de pessoas trabalham por plataformas (Sousa, 2026).

Turno 07

Quem escreve as regras: norma técnica não é regulamento

Voltemos ao capacete. Para entender por que ele precisa do selo, é preciso separar dois documentos que costumam ser confundidos. A norma técnica é, nas palavras do Inmetro, um "documento estabelecido por consenso e emitido por um organismo reconhecido", cujo cumprimento não é obrigatório. Já o regulamento técnico é um documento de cumprimento obrigatório, emitido por uma autoridade (Inmetro, [2023?]). A norma técnica reúne, por consenso, requisitos, métodos de ensaio, terminologia e orientações; o regulamento técnico impõe exigências obrigatórias definidas pela autoridade competente.

No Brasil, quem elabora as normas técnicas é a Associação Brasileira de Normas Técnicas (ABNT), entidade privada e sem fins lucrativos fundada em 1940, reconhecida pelo Conmetro como Foro Nacional de Normalização desde 1983 e como o único foro desde 1992. A ABNT é também membro fundador da ISO (ABNT, [2005?]). A própria associação explica que as normas "são de uso voluntário, isto é, não são obrigatórias por lei", e aponta a exceção mais importante: o Código de Defesa do Consumidor (ABNT, [2026?]). O artigo 39 do código proíbe colocar no mercado produto ou serviço "em desacordo com as normas expedidas pelos órgãos oficiais competentes ou, se normas específicas não existirem, pela Associação Brasileira de Normas Técnicas" ou outra entidade credenciada pelo Conmetro (Brasil, 1990). Isso não transforma toda norma da ABNT em obrigação universal: o dispositivo vale para as relações de consumo, e sua aplicação depende do produto ou serviço e da existência de normas oficiais. Mas, nessas relações, ignorar a norma pertinente é um risco jurídico real.

No plano internacional, a ISO reúne 177 organismos nacionais de normalização e já publicou 26.522 normas e outros documentos (ISO, [2026?]). A mais conhecida, a ISO 9001, de sistemas de gestão da qualidade, ganhou em 16 de setembro de 2026 a sexta edição, que substitui a de 2015; segundo a ISO, mais de um milhão de certificados foram emitidos com base nela, em 189 países (ISO, 2026). As organizações certificadas têm até 30 de setembro de 2029 para migrar para a nova edição (LRQA, 2026).

Na avaliação da conformidade, amostras do produto são ensaiadas segundo a norma antes de o selo ser autorizado.

O braço público dessa engrenagem é o Sistema Nacional de Metrologia, Normalização e Qualidade Industrial (Sinmetro), criado em 1973 junto com o Conmetro, seu órgão normativo, e com o Inmetro (Brasil, 1973). Desde 1999, a lei prevê que produtos e serviços sujeitos a regulamentação técnica devem estar em conformidade com os regulamentos em vigor, que o Conmetro deve levar em conta as normas da ABNT ao editá-los e que o Inmetro pode expedir regulamentos e executar a avaliação da conformidade compulsória (Brasil, 1999). É exatamente o caminho do capacete: a NBR 7471 é voluntária, mas a Portaria Inmetro nº 231/2021 a usa como referência e obriga os fabricantes a submeter os capacetes à avaliação (Inmetro, 2021).

Quadro 2 — Instrumentos que regulam produtos, trabalho e profissões — Brasil — 2026

Instrumento	Quem emite	É obrigatório?	Exemplo
Norma técnica	ABNT, ISO e outros organismos de normalização, por consenso	Não, salvo quando uma lei ou um regulamento a adota; nas relações de consumo, o CDC (art. 39, VIII) dá peso jurídico às normas pertinentes	ABNT NBR 7471 (capacetes para motociclistas); ISO 9001
Regulamento técnico	Autoridade pública (Conmetro, Inmetro, agências, Contran)	Sim	Portaria Inmetro nº 231/2021; Resolução Contran nº 940/2022
Norma Regulamentadora (NR)	Ministério do Trabalho e Emprego, com base na CLT	Sim, no campo de aplicação definido na CLT e em cada NR: em regra, organizações com empregados celetistas, e outras relações quando a lei prevê	NR-1 (riscos ocupacionais), NR-6 (EPI), NR-17 (ergonomia)
Ato de conselho profissional	Conselhos federais e regionais (autarquias)	Sim, para os profissionais registrados	ART no sistema Confea/Crea; código de ética
Lei	Congresso Nacional	Sim, para os destinatários e as situações que a própria lei abrange	CDC; Código Civil; capítulo de teletrabalho da CLT

Fonte: elaborado pelo autor com base em Inmetro ([2023?]), Brasil (1966; 1977b; 1990; 1999) e ABNT ([2026?]).Nota: quadro simplificado, com finalidade didática.

Turno 08

As NRs: segurança e saúde escritas em regra

Se a norma técnica fala do produto, as Normas Regulamentadoras falam do trabalho. Elas existem porque a CLT, reescrita nesse ponto em 1977, atribuiu ao Ministério do Trabalho a tarefa de estabelecer "disposições complementares" sobre segurança e medicina do trabalho (Brasil, 1977b). As primeiras NRs foram aprovadas pela Portaria nº 3.214, de 1978. Hoje são 38 numeradas, das quais 36 estão em vigor: a NR-27 foi revogada em 2008 e a NR-2, em 2019 (Brasil, [2026?]). A mais nova, a NR-38, trata da limpeza urbana e do manejo de resíduos sólidos (Brasil, 2022d).

As NRs transformam riscos do posto de trabalho em obrigações verificáveis: proteção de máquinas, EPI, ergonomia, gerenciamento de riscos.

Algumas NRs conversam diretamente com a história contada até aqui. A NR-17, de ergonomia, representa uma lógica distinta da clássica adaptação do trabalhador à tarefa, como vimos no Turno 02. A NR-6 exige que todo equipamento de proteção individual (EPI) só seja vendido ou usado com a indicação do Certificado de Aprovação (CA) (Brasil, 2022b), mesma exigência que já constava da CLT (Brasil, 1977b). Não confunda os dois "carimbos": o CA é concedido pelo Ministério do Trabalho a equipamentos de proteção individual, enquanto o selo do Inmetro atesta que um produto passou pela avaliação da conformidade exigida por um regulamento técnico, como no caso do capacete do entregador. E a NR-1, que organiza o gerenciamento de riscos ocupacionais (GRO), passou a incluir os fatores de riscos psicossociais, como metas excessivas e assédio, em mudança que, depois de adiada, entrou em vigor em 26 de maio de 2026 (Brasil, 2025). O foco são fatores ligados à organização do trabalho, e não o diagnóstico da saúde mental de cada trabalhador: a empresa não passa a fazer avaliação psicológica de ninguém, e sim a identificar e controlar as condições de trabalho que adoecem. A norma, que nasceu para proteger o corpo do operário da máquina, agora alcança também a pressão que o modelo de gestão exerce sobre a mente.

Por que isso importa? Porque o número de acidentes continua alto. Em 2022, foram 612,9 mil comunicações de acidente de trabalho e 2.538 mortes de trabalhadores com carteira assinada, segundo o Observatório de Segurança e Saúde no Trabalho, mantido pelo Ministério Público do Trabalho (MPT) e pela Organização Internacional do Trabalho (OIT) (Passos, 2023). De 2012 a 2024, foram cerca de 8,8 milhões de acidentes e 32 mil mortes no emprego formal (MPT, 2025). E esses números não alcançam a maior parte dos plataformistas, que trabalham fora da relação de emprego.

Turno 09

Conselhos, assinatura e responsabilidade técnica

Falta o último elo: quem responde, pessoalmente, pelo que foi projetado. Em várias profissões, o exercício é fiscalizado por conselhos profissionais, que o Supremo Tribunal Federal (STF) reconheceu como entidades de direito público, porque a fiscalização profissional é atividade típica de Estado e não pode ser delegada a entidades privadas (Brasil, 2002b). O sistema Confea/Crea, das engenharias e da agronomia, foi organizado em 1966 (Brasil, 1966); arquitetos e urbanistas têm o Conselho de Arquitetura e Urbanismo (CAU) desde 2010 (Brasil, 2010); os técnicos industriais, conselho próprio desde 2018 (Brasil, 2018).

O instrumento que materializa a responsabilidade é a Anotação de Responsabilidade Técnica (ART). Desde 1977, todo contrato, escrito ou verbal, de serviços de engenharia fica sujeito a ela, e é a ART que "define para os efeitos legais os responsáveis técnicos" (Brasil, 1977a). Arquitetos têm o equivalente no Registro de Responsabilidade Técnica (RRT) (Brasil, 2010), e técnicos industriais, no Termo de Responsabilidade Técnica (TRT) (Brasil, 2018). Registrar a ART, o RRT ou o TRT identifica quem responde tecnicamente, mas não define sozinho a culpa nem afasta responsabilidades: a responsabilidade civil e a penal dependem da apuração de cada caso. A responsabilidade técnica se desdobra em várias esferas ao mesmo tempo:

Civil: quem, por ação ou omissão, negligência ou imprudência, causa dano a outro comete ato ilícito (Brasil, 2002a) e deve repará-lo. Para profissionais liberais, a responsabilidade pessoal "será apurada mediante a verificação de culpa" (Brasil, 1990).
Penal: quando o dano decorre de crime, como homicídio ou crime ambiental.
Ético-disciplinar: perante o conselho, com base no código de ética da profissão; no sistema Confea/Crea, a Resolução nº 1.002/2002 (Confea, [2026?]).
Trabalhista e administrativa: perante a fiscalização do trabalho e os órgãos reguladores, quando normas como as NRs são descumpridas.

Brumadinho mostra por que a assinatura não é um carimbo. Em 25 de janeiro de 2019, o rompimento da barragem B1 da Vale deixou 272 vítimas, contando dois bebês em gestação (Brumadinho…, 2025). Quando a Justiça Federal aceitou a denúncia, em 2023, a acusação incluía a emissão de "declarações de condição de estabilidade falsas" pela mineradora e pela consultoria TÜV SÜD, que atestava a segurança da estrutura (Rodrigues, 2023). Em 2026, 15 pessoas, profissionais de engenharia que atuavam na gestão de segurança e na consultoria de risco da barragem, respondiam por homicídio qualificado e crimes ambientais, e as duas empresas, por crimes ambientais; estão previstas 76 audiências até maio de 2027, ao fim das quais a Justiça decidirá se os acusados irão a júri popular (MPF, 2026). Ninguém foi julgado até a data desta postagem, e todos são presumidos inocentes. A lição para quem estuda não depende do veredito: a assinatura de um laudo é um ato técnico, jurídico e ético ao mesmo tempo.

A ART dá nome e sobrenome à responsabilidade técnica por uma obra ou serviço.

E a computação? Ao contrário da engenharia, a profissão de informática não tem lei de regulamentação nem conselho no Brasil. A Sociedade Brasileira de Computação (SBC) defende há anos que o exercício "deve continuar sendo livre", com base na liberdade de exercício profissional garantida pela Constituição (Bigonha, 2016). Isso não livra ninguém de responsabilidade: quem desenvolve sistemas continua sujeito ao Código Civil, ao CDC, à Lei Geral de Proteção de Dados, tema da postagem sobre dados pessoais e LGPD, e às normas técnicas que o cliente ou o contrato exigirem.

Desafio: quem responde?

Para cada situação, escolha o instrumento que resolve a questão. A resposta aparece com a explicação e a fonte.

Acertos: 0 de 6

1Uma fábrica quer vender capacetes para motociclistas sem o selo do Inmetro, alegando que "a norma da ABNT é voluntária".

Regulamento técnico. A NBR 7471 é voluntária, mas a Portaria Inmetro nº 231/2021 tornou a avaliação da conformidade compulsória, e a Resolução Contran nº 940/2022 exige o selo (Inmetro, 2021; Brasil, 2022a).

2Uma software house contrata desenvolvedores em teletrabalho e não sabe quem deve pagar o notebook e a internet.

Lei. O capítulo de teletrabalho da CLT determina que o contrato escrito defina a responsabilidade por equipamentos e despesas (Brasil, 2017).

3Uma metalúrgica revisa o inventário de riscos e precisa incluir metas abusivas e assédio entre os perigos avaliados.

NR. Desde 26 de maio de 2026, a NR-1 exige que os fatores de riscos psicossociais entrem no gerenciamento de riscos ocupacionais (Brasil, 2025).

4Um engenheiro civil é contratado para o projeto estrutural de um galpão e precisa formalizar quem responde pelo cálculo.

Conselho / ART. A ART, registrada no Crea, define para os efeitos legais os responsáveis técnicos pelo serviço (Brasil, 1977a).

5Uma startup decide, sem que nenhuma lei exija, implantar um sistema de gestão da qualidade para disputar clientes que pedem certificação.

Norma técnica. A ISO 9001 é voluntária; a adoção é uma decisão estratégica, que um contrato com o cliente pode tornar exigível (ISO, 2026).

6Uma extensão elétrica vendida fora das normas técnicas pega fogo, e o fabricante alega que "norma não é lei".

Lei. O CDC, art. 39, VIII, proíbe colocar no mercado produto em desacordo com as normas oficiais ou, na falta delas, com as da ABNT (Brasil, 1990).

Responda às seis situações para ver o resultado.

Aplicação prática

Antes de entregar um projeto

Estudantes de sistemas de informação, engenharia, administração ou design vão trabalhar dos dois lados desta história: organizando processos e respondendo pelo que entregam. A lista abaixo serve para um trabalho de faculdade e para um contrato real.

Identifiquei as normas técnicas aplicáveis ao produto ou serviço e verifiquei se alguma delas foi tornada obrigatória por regulamento. Verifiquei se há regulamento técnico ou certificação compulsória (Inmetro, agências reguladoras) para o que vou entregar. Pensei em quem vai trabalhar com o processo ou o sistema: ergonomia, ritmo, metas e riscos psicossociais, como pedem a NR-17 e a NR-1. Sei quem assina: se a atividade exige registro em conselho, a ART, o RRT ou o TRT está providenciado. Documentei decisões, premissas e limites do projeto, para que a responsabilidade de cada parte fique clara. Perguntei, honestamente, se assinaria o laudo, o código ou o relatório caso alguém pudesse se ferir por causa dele.

0 de 6 — comece pelas normas.

Fim do expediente

De volta ao semáforo

O sinal abre, e o entregador arranca. Cada modelo produtivo deste texto resolveu um problema e criou outro. Taylor ganhou produtividade ao custo da autonomia; Ford barateou o carro e prendeu o operário ao ritmo da esteira; a Toyota devolveu a voz ao chão de fábrica e intensificou o trabalho; a Indústria 4.0 conecta tudo e desloca o trabalho humano para a supervisão; e as plataformas aplicam às pessoas o just in time que um dia foi das peças. As normas, os regulamentos, as NRs e os conselhos vieram atrás, quase sempre depois de um acidente ou de uma crise, tentando dizer o que nenhum ganho de eficiência pode custar.

O capacete que protege o entregador é a prova de que essas regras funcionam quando existem. A pergunta que fica é sobre o que ainda não tem regra.

Se você desenhasse hoje o processo de trabalho de uma empresa, que parte dele você não aceitaria assinar, e que norma ainda falta escrever para protegê-la?

Leia também

Posts correlatos do Brasil Acadêmico:

Para assistir: Fome de poder (The Founder, 2016) — a padronização do McDonald's como taylorismo e fordismo aplicados ao fast food; ótimo para discutir em sala.
Taylorismo e o fordismo e Volvismo — dois ensaios do arquivo do blog: as origens da administração científica, com Tempos modernos, e a alternativa sueca à linha de montagem.
Modelo ágil Lean: um guia para acadêmicos e iniciantes, Metodologias ágeis: Scrum, Kanban, papéis e artefatos e Lean Startup, MVP, Canvas e métodos ágeis — como o toyotismo chegou ao desenvolvimento de software.
Indústria 4.0 — curadoria com documentário sobre o que muda em relação às revoluções industriais anteriores.
Pix: uma aula de gerenciamento de projetos — cem anos de método, do gráfico de Gantt, criado por um colaborador de Taylor, à IA.
Como o pitstop da Ferrari ajudou a UTI pediátrica — padronização de procedimentos levada da pista ao hospital.
Dinâmica tecnológica e inovação: da curva S ao perfil em T e Afinal, o que é inovação? — para ler a Indústria 4.0 como mais um ciclo tecnológico.
Aprendizado de máquina e computação evolucionária — a inteligência por trás da fábrica que prevê as próprias falhas.
Mesa-redonda: diálogo aberto sobre o futuro do trabalho e Fluxos de produção de conteúdo assistido por IA — a IA e as novas formas de trabalho.
Pesquisa aplicada: método científico, método de engenharia, tipos de pesquisa, fontes e normas — as normas da ABNT no trabalho acadêmico.
Dados pessoais, privacidade e LGPD e Bússola da ética digital — regulação e ética para quem projeta sistemas.

Nota do autor: o entregador da abertura é uma figura ilustrativa, não uma pessoa real. Os números do caso Schmidt seguem o texto original de Taylor (1911): a média anterior era de cerca de 12,5 toneladas por dia, a meta calculada ficava entre 47 e 48 toneladas e Schmidt carregou 47,5; muitas fontes arredondam para 47. Para a linha de montagem, adotou-se o par "12,5 horas para 93 minutos" registrado pelo museu The Henry Ford como redução do tempo de montagem de cada carro; não deve ser lido como o intervalo entre um carro e outro. A página corporativa da Ford fala em "noventa minutos" e dá US$ 825 como preço do Modelo T em 1908, contra US$ 850 no museu. A descrição do filme Fome de poder refere-se a uma obra de ficção baseada em fatos; as datas do sistema Speedee seguem a página histórica da própria empresa. Os dados de plataformas são estatísticas experimentais da PNAD Contínua, e os percentuais por tipo de aplicativo não somam 100% porque uma mesma pessoa pode atuar em mais de um tipo: a edição de 2022 trazia 1,5 milhão de trabalhadores por aplicativos de serviços num recorte que incluía trabalhos secundários, enquanto as edições seguintes informam 1,3 milhão para 2022 considerando só o trabalho principal; por isso, o texto não mistura os dois números. As sondagens da CNI de 2016 e 2021 usaram listas diferentes de tecnologias. A data de 1947 para a ISO segue o histórico da ABNT; a ISO informa atividade desde 1946, ano da conferência de Londres que a criou. A contagem de acidentes considera apenas o emprego formal. No caso Brumadinho, o total de 272 vítimas inclui dois bebês em gestação, e a denúncia imputa 270 homicídios; o processo estava em fase de instrução na data da postagem, sem julgamento. Os Quadros 1 e 2 são sínteses didáticas e simplificam situações jurídicas mais complexas; o autor não é advogado. As traduções de trechos em inglês são do autor. As dez ilustrações foram geradas com o Gemini (Nano Banana), inclusive as cenas históricas de Taylor e de Ford, que são representações ilustrativas e não fotografias de época; trazem a marca do blog como easter egg e não retratam pessoas reais nem marcas reais. Datas entre colchetes com interrogação nas referências indicam data provável de páginas institucionais que não informam data de publicação.

Glossário

Andon: Painel luminoso que sinaliza um problema na linha de produção do Sistema Toyota; o operador pode acioná-lo e parar a linha puxando uma corda. Turno 04
ART (Anotação de Responsabilidade Técnica): Registro, no Crea, do contrato de um serviço de engenharia ou agronomia, que define para os efeitos legais quem é o responsável técnico. Arquitetos usam o RRT; técnicos industriais, o TRT. Turno 09
Avaliação da conformidade: Conjunto de procedimentos, como ensaios, inspeções e auditorias, que verifica se um produto ou serviço atende a uma norma ou regulamento. Pode ser voluntária ou compulsória. Turno 07
Conta própria: Trabalhador que explora o próprio negócio ou ofício, sozinho ou com sócio, sem empregados e sem patrão formal. É a posição da maioria dos plataformistas. Turno 01
Conselho profissional: Autarquia que registra e fiscaliza o exercício de uma profissão regulamentada e julga infrações ao código de ética, como o sistema Confea/Crea e o CAU. Turno 09
EPI e CA: Equipamento de proteção individual, como capacete, luva ou protetor auricular, e o Certificado de Aprovação que o Ministério do Trabalho exige para que ele seja vendido ou usado. Turno 08
Estudo de tempos e movimentos: Conjunto de técnicas da administração científica: o estudo de tempos, associado a Taylor, cronometra as tarefas para fixar um tempo padrão; o estudo de movimentos, desenvolvido pelos Gilbreth, decompõe o trabalho em micromovimentos para eliminar os desnecessários. A medição de tempos também é chamada de cronoanálise. Turno 02
Fordismo: Modelo de produção em massa de bens padronizados em linha de montagem móvel, combinado com salários mais altos e consumo de massa. Turno 03
GRO e PGR: Gerenciamento de riscos ocupacionais, exigido pela NR-1, e o Programa de Gerenciamento de Riscos, documento que o materializa, com inventário de riscos e plano de ação. Turno 08
Indústria 4.0: Estratégia lançada na Alemanha em 2011 para a chamada quarta revolução industrial, baseada em sistemas ciberfísicos, internet das coisas e integração de dados ao longo da produção. Turno 05
Jidoka: "Automação com toque humano": máquinas e pessoas param a produção ao detectar uma anomalia, para que nenhum defeito siga adiante. Um dos pilares do Sistema Toyota. Turno 04
Just in time: Produzir apenas o que é necessário, quando é necessário e na quantidade necessária, com estoques mínimos. O outro pilar do Sistema Toyota. Turno 04
Kaizen: Melhoria contínua: pequenas mudanças incrementais, propostas por quem conhece o processo, que somadas trazem grandes ganhos. Turno 04
Kanban: Palavra japonesa para "sinal" ou "placa": cartão ou sinal que autoriza produzir ou retirar uma peça num sistema puxado pela demanda. Turno 04
Lean (produção enxuta): Nome dado no Ocidente, a partir de 1988, ao modelo da Toyota e às suas variações: eliminar desperdícios e fazer mais com menos estoque, espaço e tempo. Turno 04
Norma técnica: Documento estabelecido por consenso e aprovado por organismo reconhecido, como a ABNT ou a ISO, de uso voluntário, salvo quando uma lei ou um regulamento a adota. Turno 07
NR (Norma Regulamentadora): Norma obrigatória de segurança e saúde no trabalho editada pelo Ministério do Trabalho com base na CLT. Há 38 numeradas, 36 em vigor. Turno 08
Regulamento técnico: Documento de cumprimento obrigatório, editado por autoridade pública, que fixa requisitos para produtos, processos ou serviços, muitas vezes tomando uma norma técnica como referência. Turno 07
Responsabilidade técnica: Dever do profissional de responder pelo que projeta, executa ou atesta, nas esferas civil, penal, ético-disciplinar e administrativa. Turno 09
Sistema ciberfísico: Sistema em que componentes físicos, como máquinas e peças, são integrados a software e redes, trocando dados e se ajustando em tempo real. Turno 05
Taylorismo: Administração científica do trabalho proposta por Frederick Taylor: estudo de tempos e movimentos, padronização, incentivo por produção e separação entre planejamento e execução. Turno 02
Teletrabalho: Prestação de serviços fora das dependências do empregador com uso de tecnologias de informação e comunicação, regulada na CLT desde 2017. Turno 06
Toyotismo: Modelo de organização da produção derivado do Sistema Toyota, com produção puxada, estoques mínimos, trabalhador multifuncional e melhoria contínua. Turno 04
Uberização: Forma de organização do trabalho mediada por plataformas digitais, em que o trabalhador fica disponível, é acionado sob demanda e paga parte dos custos e riscos da atividade. Turno 06

Referências

ABÍLIO, Ludmila Costhek. Uberização: a era do trabalhador just-in-time? Estudos Avançados, São Paulo, v. 34, n. 98, p. 111-126, 2020. DOI: 10.1590/s0103-4014.2020.3498.008. Disponível em: https://revistas.usp.br/eav/pt_BR/article/view/170465. Acesso em: 10 out. 2026.
ANDERSON, Matt. Ford's five-dollar day. The Henry Ford, Dearborn, 3 jan. 2014. Disponível em: https://www.thehenryford.org/collections/explore/articles/fords-five-dollar-day. Acesso em: 12 out. 2026.
ANDERSON, Matt. Ford methods and the Ford shops. The Henry Ford, Dearborn, 22 jul. 2021. Disponível em: https://www.thehenryford.org/explore/blog/ford-methods-and-the-ford-shops. Acesso em: 10 out. 2026.
ANTUNES, Ricardo. O privilégio da servidão: o novo proletariado de serviços na era digital. São Paulo: Boitempo, 2018. Disponível em: https://www.amazon.com.br/privil%C3%A9gio-servid%C3%A3o-proletariado-servi%C3%A7o-digital-ebook/dp/B07DNFHM25. Acesso em: 10 out. 2026.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS (ABNT). Histórico ABNT 65 anos. Rio de Janeiro: ABNT, [2005?]. Disponível em: https://abnt.org.br/wp-content/uploads/2024/02/HISTORICO-ABNT-65-ANOS.pdf. Acesso em: 10 out. 2026.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS (ABNT). Sobre a normalização. Rio de Janeiro: ABNT, [2026?]. Disponível em: https://abnt.org.br/normalizacao/sobre-a-normalizacao/. Acesso em: 10 out. 2026.
BIGONHA, Roberto. [Pronunciamento da Sociedade Brasileira de Computação em audiência pública sobre a regulamentação da profissão de informática]. Porto Alegre: SBC, 22 nov. 2016. Disponível em: https://www.sbc.org.br/wp-content/uploads/2024/06/audiencia-discurso.pdf. Acesso em: 10 out. 2026.
BRASIL. Lei nº 5.194, de 24 de dezembro de 1966. Regula o exercício das profissões de Engenheiro, Arquiteto e Engenheiro-Agrônomo, e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 27 dez. 1966. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l5194.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 5.966, de 11 de dezembro de 1973. Institui o Sistema Nacional de Metrologia, Normalização e Qualidade Industrial, e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 12 dez. 1973. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l5966.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 6.496, de 7 de dezembro de 1977. Institui a "Anotação de Responsabilidade Técnica" na prestação de serviços de engenharia, de arquitetura e agronomia [...]. Diário Oficial da União: seção 1, Brasília, DF, 9 dez. 1977. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l6496.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 6.514, de 22 de dezembro de 1977. Altera o Capítulo V do Título II da Consolidação das Leis do Trabalho, relativo à segurança e medicina do trabalho e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 23 dez. 1977. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l6514.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 8.078, de 11 de setembro de 1990. Dispõe sobre a proteção do consumidor e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 12 set. 1990. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l8078compilado.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 9.933, de 20 de dezembro de 1999. Dispõe sobre as competências do Conmetro e do Inmetro, institui a Taxa de Serviços Metrológicos, e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 21 dez. 1999. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l9933.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 10.406, de 10 de janeiro de 2002. Institui o Código Civil. Diário Oficial da União: seção 1, Brasília, DF, 11 jan. 2002. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/2002/l10406compilada.htm. Acesso em: 10 out. 2026.
BRASIL. Supremo Tribunal Federal (Tribunal Pleno). Ação Direta de Inconstitucionalidade 1.717/DF. Relator: Min. Sydney Sanches, 7 de novembro de 2002. Disponível em: https://portal.stf.jus.br/jurisprudencia/obterInteiroTeor.asp?numero=1717&classe=ADI. Acesso em: 10 out. 2026.
BRASIL. Lei nº 12.378, de 31 de dezembro de 2010. Regulamenta o exercício da Arquitetura e Urbanismo; cria o Conselho de Arquitetura e Urbanismo do Brasil - CAU/BR e os Conselhos de Arquitetura e Urbanismo dos Estados e do Distrito Federal - CAUs [...]. Diário Oficial da União: seção 1, Brasília, DF, 31 dez. 2010. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2007-2010/2010/lei/l12378.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 13.467, de 13 de julho de 2017. Altera a Consolidação das Leis do Trabalho (CLT) [...] a fim de adequar a legislação às novas relações de trabalho. Diário Oficial da União: seção 1, Brasília, DF, 14 jul. 2017. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2017/lei/l13467.htm. Acesso em: 10 out. 2026.
BRASIL. Lei nº 13.639, de 26 de março de 2018. Cria o Conselho Federal dos Técnicos Industriais, o Conselho Federal dos Técnicos Agrícolas, os Conselhos Regionais dos Técnicos Industriais e os Conselhos Regionais dos Técnicos Agrícolas. Diário Oficial da União: seção 1, Brasília, DF, 27 mar. 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13639.htm. Acesso em: 10 out. 2026.
BRASIL. Ministério do Trabalho e Previdência. Portaria MTP nº 423, de 7 de outubro de 2021. Aprova a nova redação da Norma Regulamentadora nº 17 - Ergonomia. Diário Oficial da União: seção 1, Brasília, DF, 8 out. 2021. Disponível em: https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-permanente/normas-regulamentadora/normas-regulamentadoras-vigentes/nr-17-atualizada-2023.pdf. Acesso em: 10 out. 2026.
BRASIL. Conselho Nacional de Trânsito. Resolução Contran nº 940, de 28 de março de 2022. Dispõe sobre o uso obrigatório de capacete motociclístico [...]. Diário Oficial da União: seção 1, Brasília, DF, 1 abr. 2022. Disponível em: https://www.gov.br/transportes/pt-br/assuntos/transito/conteudo-contran/resolucoes/copy_of_Resolucao9402022.pdf. Acesso em: 10 out. 2026.
BRASIL. Ministério do Trabalho e Previdência. Portaria MTP nº 2.175, de 28 de julho de 2022. Altera a Norma Regulamentadora nº 06 - Equipamentos de Proteção Individual - EPI. Diário Oficial da União: seção 1, Brasília, DF, 2022. Disponível em: https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-permanente/normas-regulamentadora/normas-regulamentadoras-vigentes/NR06atualizada2023.pdf. Acesso em: 10 out. 2026.
BRASIL. Lei nº 14.442, de 2 de setembro de 2022. Dispõe sobre o pagamento de auxílio-alimentação ao empregado e altera a Consolidação das Leis do Trabalho [...]. Diário Oficial da União: seção 1, Brasília, DF, 5 set. 2022. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2022/lei/l14442.htm. Acesso em: 10 out. 2026.
BRASIL. Ministério do Trabalho e Previdência. Portaria MTP nº 4.101, de 16 de dezembro de 2022. Aprova a Norma Regulamentadora nº 38 - Segurança e Saúde no Trabalho nas Atividades de Limpeza Urbana e Manejo de Resíduos Sólidos. Diário Oficial da União: seção 1, Brasília, DF, 2022. Disponível em: https://www.gov.br/trabalho-e-emprego/pt-br/assuntos/inspecao-do-trabalho/seguranca-e-saude-no-trabalho/sst-portarias/2022/portaria-mtp-n-o-4-101-aprova-a-nr-38-retificada.pdf. Acesso em: 10 out. 2026.
BRASIL. Ministério do Trabalho e Emprego. Portaria MTE nº 765, de 15 de maio de 2025. Prorroga o início da vigência das alterações do capítulo 1.5 da Norma Regulamentadora nº 1 promovidas pela Portaria MTE nº 1.419, de 27 de agosto de 2024. Diário Oficial da União: seção 1, Brasília, DF, 16 maio 2025. Disponível em: https://www.normaslegais.com.br/legislacao/portaria-mte-765-2025.htm. Acesso em: 10 out. 2026.
BRASIL. Ministério do Trabalho e Emprego. Normas regulamentadoras vigentes. Brasília: MTE, [2026?]. Disponível em: https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-permanente/normas-regulamentadora/normas-regulamentadoras-vigentes. Acesso em: 10 out. 2026.
BRUMADINHO: vítimas processam Vale e cobram MP sobre fim de benefício. Agência Brasil, Brasília, 26 mar. 2025. Disponível em: https://agenciabrasil.ebc.com.br/meio-ambiente/noticia/2025-03/brumadinho-vitimas-processam-vale-e-cobram-mp-sobre-fim-de-beneficio. Acesso em: 10 out. 2026.
CONFEDERAÇÃO NACIONAL DA INDÚSTRIA (CNI). Indústria 4.0: novo desafio para a indústria brasileira. Sondagem Especial, Brasília, n. 66, abr. 2016. Disponível em: https://static.portaldaindustria.com.br/media/filer_public/e0/aa/e0aabd52-53ee-4fd8-82ba-9a0ffd192db8/sondespecial_industria40_abril2016.pdf. Acesso em: 10 out. 2026.
CONFEDERAÇÃO NACIONAL DA INDÚSTRIA (CNI). Indústria 4.0: cinco anos depois. Sondagem Especial, Brasília, n. 83, abr. 2022. Disponível em: https://static.portaldaindustria.com.br/media/filer_public/7d/d9/7dd92b31-8860-4ca7-b921-b28fec0a68bc/sondespecial_industria40_cincoanosdepois_abril2022.pdf. Acesso em: 10 out. 2026.
CONSELHO FEDERAL DE ENGENHARIA E AGRONOMIA (Confea). Ética profissional. Brasília: Confea, [2026?]. Disponível em: https://www.confea.org.br/atuacao/etica-profissional. Acesso em: 10 out. 2026.
CUSUMANO, Michael A. et al. Commentaries on "The lenses of lean". Journal of Operations Management, [s. l.], 2021. DOI: 10.1002/joom.1138. Disponível em: https://dspace.mit.edu/bitstream/1721.1/140618/1/10.1002-joom.1138.pdf. Acesso em: 10 out. 2026.
DEUTSCHES FORSCHUNGSZENTRUM FÜR KÜNSTLICHE INTELLIGENZ (DFKI). Ten years of INDUSTRIE 4.0: interview with Wolfgang Wahlster. Kaiserslautern: DFKI, 22 abr. 2021. Disponível em: https://dfki.de/en/web/news/ten-years-of-industrie-4-0-interview-wolfgang-wahlster-cea-dfki. Acesso em: 10 out. 2026.
FERNANDES, Guilherme Luiz. Uma investigação conceitual do "Sistema de Produção Toyota", de Ohno Taiichi (1988). Epígrafe, São Paulo, v. 14, n. 2, p. 747-765, 2025. DOI: 10.11606/issn.2318-8855.v14i2p747-765. Disponível em: https://revistas.usp.br/epigrafe/article/view/234729. Acesso em: 12 out. 2026.
FOME de poder. Direção: John Lee Hancock. Roteiro: Robert Siegel. Elenco: Michael Keaton, Nick Offerman, John Carroll Lynch. Estados Unidos, 2016. 1 filme (115 min), son., color. Título original: The Founder. Ficha técnica disponível em: https://filmow.com/fome-de-poder-t112708/ficha-tecnica/. Acesso em: 12 out. 2026.
GOVERNO federal anuncia R$ 186,6 bilhões de investimentos na transformação digital da indústria. Agência Sebrae, Brasília, 11 set. 2024. Disponível em: https://agenciasebrae.com.br/economia-e-politica/governo-federal-anuncia-r-1866-bilhoes-de-investimentos-na-transformacao-digital-da-industria/. Acesso em: 10 out. 2026.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Teletrabalho e trabalho por meio de plataformas digitais 2022. Rio de Janeiro: IBGE, 2023. (Pesquisa Nacional por Amostra de Domicílios Contínua). Disponível em: https://biblioteca.ibge.gov.br/visualizacao/livros/liv102035_informativo.pdf. Acesso em: 10 out. 2026.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Trabalho por meio de plataformas digitais 2025. Rio de Janeiro: IBGE, 2026. (Pesquisa Nacional por Amostra de Domicílios Contínua). Disponível em: https://biblioteca.ibge.gov.br/visualizacao/livros/liv102309_informativo.pdf. Acesso em: 12 out. 2026.
INSTITUTO NACIONAL DE METROLOGIA, QUALIDADE E TECNOLOGIA (Inmetro). Portaria nº 231, de 18 de maio de 2021. Aprova os requisitos de avaliação da conformidade para capacetes para condutores e passageiros de motocicletas e similares [...]. Diário Oficial da União: seção 1, Brasília, DF, 20 maio 2021. Disponível em: https://www.normasbrasil.com.br/norma/portaria-231-2021_479104.html. Acesso em: 10 out. 2026.
INSTITUTO NACIONAL DE METROLOGIA, QUALIDADE E TECNOLOGIA (Inmetro). Linguagem simples Inmetro: dicionário. Rio de Janeiro: Inmetro, [2023?]. Disponível em: https://www.gov.br/inmetro/pt-br/centrais-de-conteudo/publicacoes/dicionario-linguagem-simples/dicionario-linguagem-simples.pdf. Acesso em: 10 out. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION (ISO). About ISO. Genebra: ISO, [2026?]. Disponível em: https://www.iso.org/about. Acesso em: 10 out. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION (ISO). ISO 9001:2026: quality management systems: requirements. Genebra: ISO, 2026. Disponível em: https://www.iso.org/standard/9001. Acesso em: 10 out. 2026.
KAGERMANN, Henning; WAHLSTER, Wolfgang; HELBIG, Johannes (ed.). Securing the future of German manufacturing industry: recommendations for implementing the strategic initiative INDUSTRIE 4.0: final report of the Industrie 4.0 Working Group. Frankfurt am Main: acatech, 2013. Disponível em: https://en.acatech.de/wp-content/uploads/sites/6/2018/03/Final_report__Industrie_4.0_accessible.pdf. Acesso em: 10 out. 2026.
LEAN ENTERPRISE INSTITUTE. Kanban. Boston: LEI, 2022. Disponível em: https://www.lean.org/lexicon-terms/kanban/. Acesso em: 10 out. 2026.
LEAN ENTERPRISE INSTITUTE. Kaizen: a resource guide. Boston: LEI, 2023. Disponível em: https://www.lean.org/lexicon-terms/kaizen/. Acesso em: 10 out. 2026.
LRQA. ISO 9001:2026 is live: the transition period has begun. LRQA, Londres, 16 set. 2026. Disponível em: https://www.lrqa.com/en/latest-news/iso-9001-2026-live/. Acesso em: 12 out. 2026.
MCDONALD'S CORPORATION. McDonald's history. Chicago: McDonald's, [2026?]. Disponível em: https://corporate.mcdonalds.com/corpmcd/our-company/who-we-are/our-history.html. Acesso em: 12 out. 2026.
MINISTÉRIO PÚBLICO DO TRABALHO (MPT). Abril Verde: Brasil tem 32 mil mortes por acidentes de trabalho em 12 anos. MPT na Bahia, Salvador, 15 abr. 2025. Disponível em: https://www.prt5.mpt.mp.br/informe-se/noticias-do-mpt-ba/2482-abril-verde-brasil-tem-32-mil-mortes-por-acidentes-de-trabalho-em-12-anos. Acesso em: 10 out. 2026.
MINISTÉRIO PÚBLICO FEDERAL (MPF). Caso Brumadinho: TRF6 nega pedidos de trancamento dos processos criminais em andamento. MPF em Minas Gerais, Belo Horizonte, 11 mar. 2026. Disponível em: https://www.mpf.mp.br/o-mpf/unidades/pr-mg/noticias/caso-brumadinho-trf6-nega-pedidos-de-trancamento-dos-processos-criminais-em-andamento. Acesso em: 10 out. 2026.
NOVASKI, O.; SUGAI, M. MTM como ferramenta para redução de custos: o taylorismo aplicado com sucesso nas empresas de hoje. Revista Produção Online, Florianópolis, v. 2, n. 2, 2002. Disponível em: https://producaoonline.org.br/rpo/article/download/606/645. Acesso em: 12 out. 2026.
OHNO, Taiichi. Toyota production system: beyond large-scale production. New York: Productivity Press, 1988. Disponível em: https://www.routledge.com/9780915299140. Acesso em: 12 out. 2026.
PASSOS, Gésio. Brasil registra mais de 612 mil acidentes de trabalho em 2022. Agência Brasil, Brasília, 30 mar. 2023. Disponível em: https://agenciabrasil.ebc.com.br/geral/noticia/2023-03/brasil-registra-mais-de-612-mil-acidentes-de-trabalho-em-2022. Acesso em: 10 out. 2026.
RODRIGUES, Léo. Brumadinho: Justiça aceita denúncia após federalização do caso. Agência Brasil, Rio de Janeiro, 24 jan. 2023. Disponível em: https://agenciabrasil.ebc.com.br/justica/noticia/2023-01/brumadinho-justica-aceita-denuncia-apos-federalizacao-do-caso. Acesso em: 10 out. 2026.
SOUSA, Marcos Filipe. Trabalhadores de transporte de passageiros por aplicativo chegam a 1,2 milhão de pessoas no país. Agência IBGE Notícias, Rio de Janeiro, 4 set. 2026. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/47966-trabalhadores-de-transporte-de-passageiros-por-aplicativo-chegam-a-1-2-milhao-de-pessoas-no-pais. Acesso em: 10 out. 2026.
TAYLOR, Frederick Winslow. The principles of scientific management. New York: Harper & Brothers, 1911. Disponível em: https://www.gutenberg.org/ebooks/6435. Acesso em: 10 out. 2026.
THE HENRY FORD. Lesson: the moving assembly line and work force. Dearborn: The Henry Ford, [2026?]. Disponível em: https://www.thehenryford.org/collections/explore/sets/detail/lesson-the-moving-assembly-line-and-work-force. Acesso em: 10 out. 2026.
THE HENRY FORD. Portrait of Henry Ford, 1914. Dearborn: The Henry Ford, [2026?]. Disponível em: https://thehenryford.org/collections-and-research/digital-collections/artifact/32068. Acesso em: 12 out. 2026.
TOYOTA MOTOR CORPORATION. Toyota Production System. Toyota City: Toyota, [2026?]. Disponível em: https://global.toyota/en/company/vision-and-philosophy/production-system/. Acesso em: 10 out. 2026.

Aprendizado de máquina e computação evolucionária: aprendizado supervisionado, não supervisionado, por reforço e algoritmos genéticos

noreply@blogger.com (War) — Wed, 7 Oct 2026 17:35:23 -0300

Em 1959, um engenheiro da IBM publicou um artigo mostrando que um programa de damas, rodando num computador de válvulas, podia aprender a jogar melhor do que a pessoa que o escreveu — e em apenas oito a dez horas de partidas. Arthur Samuel ajudou a popularizar um nome para esse feito: aprendizado de máquina. Mais de seis décadas depois, aquele mesmo tabuleiro ainda serve de mapa para entender as quatro maneiras pelas quais uma máquina pode melhorar com a experiência: com gabarito (aprendizado supervisionado), sem gabarito (não supervisionado), com recompensa (por reforço) e por uma seleção natural simulada (computação evolucionária e algoritmos genéticos). Esta postagem apresenta os conceitos básicos de cada uma, com casos reais — do ImageNet ao AlphaZero, da lancha que aprendeu a trapacear às criaturas virtuais que evoluíram para nadar —, um vocabulário ao final e três laboratórios interativos: uma banca de frutos do cerrado para classificar e agrupar, um labirinto resolvido ora por aprendizado por reforço, ora por algoritmo genético, e um teste para descobrir qual paradigma serve para cada problema.

Lance 01

Um tabuleiro, três professores

No fim dos anos 1950, Arthur Samuel, engenheiro da IBM, decidiu ensinar damas a um computador. Não era capricho: as damas tinham tudo de que um pesquisador precisava: regras simples, nenhum elemento de sorte, um objetivo claro e um número de posições possíveis grande demais para ser examinado uma a uma. Em julho de 1959, ele publicou os resultados, obtidos num IBM 704, e a conclusão do resumo era ousada: um computador pode ser programado para aprender a jogar damas melhor do que quem escreveu o programa, num tempo "notavelmente curto" — oito a dez horas de jogo de máquina (Samuel, 1959).

O artigo de Samuel descreve duas formas de aprender. A primeira, que ele chamou de rote learning (aprendizado por memorização), guardava em fita magnética as posições já analisadas e suas avaliações; quando a mesma posição reaparecia, o programa não precisava calculá-la de novo e podia, com isso, enxergar mais longe. A fita chegou a ter mais de 53 mil posições. A segunda forma era a que mais o interessava: o programa avaliava cada posição com uma soma ponderada de características do tabuleiro — vantagem de peças, mobilidade, controle do centro — e ia ajustando sozinho os pesos dessa soma conforme jogava. Das 38 características que Samuel programou, 16 entravam na fórmula de cada vez, e o próprio programa trocava as menos úteis por outras (Samuel, 1959).

Um computador de válvulas, uma fita magnética e um tabuleiro de damas: o laboratório onde o aprendizado de máquina ganhou seus primeiros resultados públicos. Personagem fictício. Ilustração gerada por IA.

O detalhe mais saboroso está na maneira como o programa treinava. Samuel o fazia jogar contra si mesmo, em dois papéis, que batizou de Alfa e Beta. Alfa ajustava os pesos da sua fórmula a cada lance; Beta mantinha a fórmula fixa durante a partida inteira. Se Alfa vencesse, Beta adotava a fórmula de Alfa; se perdesse, Alfa levava uma "marca preta". Mais tarde, Samuel passou a exigir uma maioria de vitórias antes da troca. E havia ainda um terceiro recurso: o programa podia acompanhar partidas de livro, fornecidas em cartões ou em fita, comparando seus lances com os que os mestres haviam considerado melhores (Samuel, 1959).

Repare no que está escondido nessas páginas de 1959 — lidas, é claro, com a linguagem de hoje e por analogia, já que Samuel não usava esses nomes. As partidas de livro são um gabarito: alguém mostra a resposta certa e o programa tenta imitá-la. O jogo contra si mesmo é aprendizado por tentativa, erro e resultado: ninguém diz qual lance era bom; só se sabe, lá no fim, quem venceu. E a regra "se Alfa ganhar, Beta herda sua fórmula" é uma pequena seleção: a versão que funciona melhor sobrevive e passa adiante. Três professores diferentes num único tabuleiro — e é exatamente desse trio, mais um quarto, que trata esta postagem.

Alerta metodológico: a frase que Samuel não escreveu

Em muitas apostilas e slides, o aprendizado de máquina aparece definido como "o campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados", com a assinatura de Arthur Samuel e o ano de 1959. Conferimos o artigo de 1959 do começo ao fim: a frase não está lá. O que está lá é uma ideia parecida, dita de forma mais modesta — programar computadores para aprender com a experiência deveria, com o tempo, eliminar a necessidade de boa parte do esforço de programação detalhada (Samuel, 1959). A definição famosa pode até resumir bem o espírito do trabalho, mas, sem fonte primária, ela não deve ser citada como se fosse dele.

Uma definição que tem fonte, e que é muito mais útil na prática, é a do professor Tom Mitchell: "diz-se que um programa de computador aprende com a experiência E, em relação a uma classe de tarefas T e a uma medida de desempenho P, se seu desempenho nas tarefas de T, medido por P, melhora com a experiência E." (Mitchell, 1997, p. 2, tradução nossa). No programa de Samuel, T é jogar damas, P é a proporção de partidas vencidas e E são as partidas jogadas contra si mesmo. A definição obriga a responder três perguntas antes de dizer que uma máquina "aprende": aprende a fazer o quê, medido como e a partir de qual experiência.

Nove anos antes de Samuel, Alan Turing já havia antecipado os dois caminhos que fecham o nosso mapa. No mesmo artigo em que propôs o "jogo da imitação", ele sugeriu que, em vez de programar uma mente adulta, seria mais fácil programar uma "mente infantil" e educá-la, associando sinais de recompensa e de punição aos eventos que os precederam — exatamente a lógica do aprendizado por reforço. E comparou o processo de aperfeiçoar essa máquina à evolução: a estrutura da máquina faria o papel do material hereditário; as mudanças, o das mutações; e o julgamento do experimentador, o da seleção natural (Turing, 1950).

Quatro maneiras de melhorar com a experiência — com gabarito, sem gabarito, com recompensa e por seleção. O mesmo robô, quatro professores. Ilustração gerada por IA.

O Quadro 1 resume o mapa. A pergunta que separa os quatro paradigmas é sempre a mesma: que tipo de sinal a máquina recebe para saber se está melhorando?

Quadro 1 — Quatro paradigmas de aprendizado e adaptação, segundo o sinal que orienta a melhora

Paradigma	O sinal que a máquina recebe	O que ela produz	No tabuleiro de Samuel
Supervisionado	A resposta certa de cada exemplo (o rótulo)	Um modelo que prevê a resposta para casos novos	Partidas de livro: imitar o lance dos mestres
Não supervisionado	Nenhum: só os dados, sem respostas	Grupos, padrões, regularidades, anomalias	Descobrir sozinho "tipos" de posição parecidos
Por reforço	Uma recompensa numérica, muitas vezes atrasada	Uma política: o que fazer em cada situação	Jogar contra si mesmo e saber só no fim quem venceu
Evolucionário	A aptidão de cada candidato numa população	Soluções melhores a cada geração	Beta herda a fórmula de Alfa quando Alfa vence

Fonte: elaborado pelo autor com base em Samuel (1959), Russell e Norvig (2022), Sutton e Barto (2018) e Eiben e Smith (2015).Nota: a computação evolucionária não é, a rigor, um tipo de aprendizado de máquina, e sim uma família de métodos de otimização inspirados na evolução; aparece no quadro porque também é uma forma de melhorar com a experiência e porque as duas áreas se cruzam com frequência (Lance 08).

Lance 02

Aprender é ajustar botões — e passar na prova surpresa

Antes de separar os paradigmas, vale fixar o vocabulário comum a todos. O aprendizado de máquina é o ramo da inteligência artificial que constrói sistemas capazes de melhorar seu desempenho a partir de dados ou de experiência, em vez de receber todas as regras prontas — o contrário dos sistemas especialistas que vimos em Lógica formal e representação do conhecimento e em Sistemas de inferência e raciocínio, cujo conhecimento era escrito à mão por especialistas (Russell; Norvig, 2022).

Muitos sistemas de aprendizado de máquina podem ser entendidos a partir de quatro peças. Os dados são exemplos descritos por atributos — numa fruta, o diâmetro e a doçura; numa posição de damas, a vantagem de peças e a mobilidade. O modelo é a fórmula que transforma atributos em resposta: no caso de Samuel, a soma ponderada que avaliava o tabuleiro. Os parâmetros são os "botões" ajustáveis desse modelo — os pesos da soma. E o critério diz se o ajuste melhorou ou piorou as coisas: um erro a diminuir, uma recompensa a aumentar, uma aptidão a maximizar (Faceli et al., 2025). Em grande parte do aprendizado de máquina, aprender é procurar os valores dos botões que melhoram o critério. Há exceções importantes: métodos baseados em exemplos, como o k-NN do próximo lance, quase não têm botões a ajustar — guardam os próprios exemplos e decidem comparando o caso novo com eles.

O teste de verdade, porém, não é ir bem nos exemplos que a máquina já viu, e sim nos que ela ainda não viu. É a generalização. Samuel percebeu isso na prática: a memorização das 53 mil posições ajudava na abertura e no final, mas não resolvia o meio do jogo, em que as posições quase nunca se repetem; para isso, ele estimou que precisaria de uma fita com pelo menos vinte vezes mais posições (Samuel, 1959). Quem só decora vai mal na prova surpresa. Quando um modelo se ajusta tanto aos exemplos de treino que passa a reproduzir até o ruído deles, dizemos que houve sobreajuste (overfitting). Por isso, os dados costumam ser separados em treino e teste — um assunto que o post Como a máquina aprende explora em detalhe, junto com o funcionamento interno das redes neurais.

Para não confundir os nomes

Inteligência artificial é o campo inteiro; aprendizado de máquina é um dos seus ramos; aprendizado profundo (deep learning) é a parte do aprendizado de máquina que usa redes neurais com muitas camadas. Os paradigmas deste post atravessam essas camadas: há redes profundas treinadas de forma supervisionada, não supervisionada e por reforço — e há redes cujos pesos são encontrados por evolução. Se a hierarquia ainda estiver nebulosa, o post Entenda o que é IA, aprendizagem de máquina, deep learning e LLM organiza os termos.

Lance 03

Supervisionado: aprender com gabarito

No aprendizado supervisionado, cada exemplo de treino vem com a resposta certa, chamada rótulo: este e-mail é spam; esta radiografia mostra pneumonia; esta casa foi vendida por tal valor. O algoritmo procura uma função que leve dos atributos ao rótulo e que continue acertando em exemplos novos (Russell; Norvig, 2022). É o professor com o gabarito na mão.

Quando o rótulo é uma categoria — spam ou não spam, pequi ou mangaba —, a tarefa se chama classificação. Quando é um número — o preço de um imóvel, a nota de uma redação, o consumo de energia de amanhã —, chama-se regressão. A fronteira entre as duas é a natureza da resposta, não a do algoritmo: muitos métodos servem para ambas.

Exemplos rotulados: cada caixote vem com a resposta certa. A pergunta do aprendizado supervisionado é o que fazer com o fruto da etiqueta "?". Ilustração gerada por IA.

O método supervisionado mais fácil de visualizar é o k-NN (k-nearest neighbors, "os k vizinhos mais próximos"). Ele quase não treina: guarda todos os exemplos rotulados e, quando chega um caso novo, procura os k exemplos mais parecidos e faz uma votação. Se, entre os três frutos mais próximos do fruto misterioso, dois são mangabas e um é cagaita, o palpite é mangaba. Simples assim — e você vai poder testar isso no Laboratório 1, mais adiante, mudando o valor de k e vendo a resposta mudar junto.

O preço do gabarito

A força do aprendizado supervisionado é também o seu custo: alguém precisa produzir os rótulos. O exemplo mais famoso é o ImageNet, uma base de imagens cujas categorias foram conferidas por pessoas contratadas pela plataforma Amazon Mechanical Turk, que confirmavam, imagem a imagem, se o objeto da categoria estava mesmo ali. A competição anual de reconhecimento organizada em torno dela, a ILSVRC, usava cerca de 1,2 milhão de imagens de treino em mil categorias (Russakovsky et al., 2015). A Tabela 1 mostra o que aconteceu com o erro das equipes vencedoras entre 2010 e 2014.

Tabela 1 — Erro top-5 da equipe vencedora na tarefa de classificação de imagens da ILSVRC — 2010-2014

Ano	Equipe vencedora	Erro top-5 (%)	Variação em relação ao ano anterior (p.p.)
2010	NEC	28,2	–
2011	XRCE	25,8	−2,4
2012	SuperVision	16,4	−9,4
2013	Clarifai	11,7	−4,7
2014	GoogLeNet	6,7	−5,0

Fonte: elaborado pelo autor com base em Russakovsky et al. (2015).Notas: 1. Resultados das equipes vencedoras usando apenas os dados de treino fornecidos pela competição. 2. O erro top-5 é a proporção de imagens em que a categoria correta não aparece entre os cinco palpites do modelo. 3. Variação calculada pelo autor, em pontos percentuais (p.p.).

2010 · NEC28,2%

2011 · XRCE25,8%

2012 · SuperVision16,4%

2013 · Clarifai11,7%

2014 · GoogLeNet6,7%

Erro top-5 (quanto menor, melhor). Barras proporcionais a 30%. A queda de 2012 marca a vitória de uma rede neural convolucional profunda treinada em GPU.

A queda brusca de 2012 é o momento que muita gente aponta como o início da onda atual de aprendizado profundo: a equipe SuperVision, da Universidade de Toronto, venceu com uma rede neural convolucional, e o erro caiu quase dez pontos de uma vez. Mas repare em um dos fatores fundamentais que tornaram isso possível, ao lado das GPUs e da arquitetura da rede: mais de um milhão de exemplos rotulados por gente de carne e osso. O aprendizado supervisionado é poderoso exatamente na medida em que existe um gabarito grande, confiável e representativo — e herda os vieses de quem o produziu.

Lance 04

Não supervisionado: achar ordem sem ninguém dizer qual é

E quando não há gabarito? No aprendizado não supervisionado, a máquina recebe só os dados — sem rótulos — e precisa descobrir estrutura neles: grupos de exemplos parecidos, direções em que os dados variam mais, combinações que se repetem, casos que destoam (Faceli et al., 2025). Ninguém diz quantas espécies de fruto existem na pilha, nem quais são. A máquina tem de perceber, sozinha, que alguns frutos se parecem mais entre si do que com os outros.

Agrupar sem nomes: o robô liga as estrelas que estão perto umas das outras e marca o centro de cada grupo — sem saber como cada constelação se chama. Ilustração gerada por IA.

A tarefa mais conhecida é o agrupamento (clustering), e o algoritmo mais conhecido de agrupamento é o k-means (k-médias), nome cunhado por James MacQueen num artigo de 1967 (MacQueen, 1967). A ideia cabe em três passos. Escolha quantos grupos você quer, k, e sorteie k pontos para servirem de centro provisório. Depois, alterne duas operações até nada mudar: (1) cada exemplo passa a pertencer ao grupo do centro mais próximo; (2) cada centro se muda para a média dos exemplos do seu grupo — o centroide. É o que o robô da ilustração faz com as estrelas: ele não sabe o nome de nenhuma constelação, mas encontra os aglomerados.

Três avisos honestos sobre o k-means. Primeiro, você escolhe o k, e o algoritmo vai encontrar k grupos mesmo que os dados não tenham grupo nenhum. Segundo, o resultado depende do sorteio inicial: rodando de novo, a resposta pode mudar. Terceiro — o mais importante —, o algoritmo encontra grupos, mas quem dá sentido aos grupos é um ser humano: o k-means nunca vai dizer "este é o grupo das mangabas"; vai dizer "estes dez frutos se parecem". O Laboratório 1 permite ver os três avisos acontecendo.

Além do agrupamento, o aprendizado não supervisionado inclui a redução de dimensionalidade (resumir dezenas de atributos em poucos, preservando o essencial, para visualizar ou acelerar outros algoritmos), a detecção de anomalias (achar a transação de cartão que não se parece com nenhuma outra) e a mineração de regras de associação (descobrir que certos itens costumam aparecer juntos no mesmo carrinho de compras).

A lenda da cerveja e das fraldas

Talvez você já tenha ouvido que uma rede de supermercados descobriu, minerando dados, que homens que compravam fraldas no fim da tarde também levavam cerveja — e que passou a colocar as duas coisas lado a lado, faturando alto. A história verdadeira, reconstituída pelo professor Daniel Power, é bem mais modesta: em 1992, uma equipe da Teradata analisou cerca de 1,2 milhão de cestas de compras de 25 drogarias da rede Osco e encontrou que, entre 17h e 19h, cerveja e fraldas apareciam juntas com frequência. A rede nunca mudou os produtos de lugar por causa disso (Power, 2002). O padrão existia; a decisão de negócio, não. É uma boa lição sobre o não supervisionado: achar um padrão é a parte fácil; saber se ele significa algo e se vale agir sobre ele continua sendo trabalho humano.

Segmentar pessoas em grupos também tem implicações éticas. Os mesmos algoritmos que agrupam frutos agrupam eleitores, consumidores e estudantes — às vezes a partir de dados que eles nem sabiam ter cedido, como mostram os posts Privacidade hackeada: o escândalo da Cambridge Analytica e Dados pessoais, privacidade e LGPD. Um grupo descoberto por um algoritmo não é uma categoria natural; é uma escolha de atributos, de distância e de k.

Uma variante que ganhou enorme importância é o aprendizado autossupervisionado: a máquina fabrica o próprio gabarito a partir dos dados brutos, usando uma parte do exemplo para prever outra — por exemplo, prever a próxima palavra de um texto a partir das anteriores, ou ocultar trechos do texto para que o modelo tente reconstruí-los. Não há rótulo humano, mas a tarefa tem resposta certa. É assim que os grandes modelos de linguagem fazem a maior parte do seu treinamento, como descrito em Fundamentos de IA generativa.

Laboratório 1 — A banca da feira, com e sem etiqueta

Trinta frutos do cerrado, medidos por diâmetro e doçura (dados fictícios, só para o exercício). No modo com etiqueta, cada fruto tem a sua espécie e você faz o papel do fruto misterioso: clique em qualquer ponto do gráfico para colocá-lo ali e veja o k-NN votar. No modo sem etiqueta, as espécies somem e o k-means tenta reencontrar os grupos sozinho, passo a passo.

Laboratório 1 · a banca da feira

vizinhos (k): clique no gráfico para mover o fruto misterioso

pequi cagaita mangaba fruto misterioso

Clique em qualquer ponto do gráfico para colocar ali o fruto misterioso; o k-NN vai procurar os vizinhos mais próximos e votar.

Experimente colocar o fruto misterioso na fronteira entre cagaitas e mangabas e mude o k: com k = 1, a resposta depende de um único vizinho, que pode ser um ponto fora da curva; com k maior, a votação fica mais estável, mas pode passar a ouvir vizinhos distantes demais. No modo sem etiqueta, rode o k-means com k = 3 várias vezes: na maioria das vezes, os grupos coincidem quase perfeitamente com as espécies — mas o algoritmo nunca soube que espécies existiam. Agora rode com k = 2 ou 4: ele obedece e encontra dois ou quatro grupos, com a mesma convicção.

Lance 05

Por reforço: aprender com a recompensa que chega depois

Voltemos ao Alfa e ao Beta de Samuel. Ninguém dizia ao programa qual lance era bom; ele só sabia, ao fim da partida, se tinha ganhado. Esse é o território do aprendizado por reforço: um agente interage com um ambiente, observa o estado em que está, escolhe uma ação e recebe de volta um novo estado e uma recompensa — um número que diz se aquilo foi bom ou ruim. O objetivo do agente é maximizar a recompensa acumulada ao longo do tempo, e não a do próximo passo (Sutton; Barto, 2018). Se a linguagem de estados e ações soa familiar, é porque é a mesma do post Formulação de problemas e espaço de estados — com uma diferença importante no laboratório deste post: o agente não recebe de antemão o melhor caminho e precisa descobri-lo interagindo com o ambiente. (Há métodos de reforço que conhecem ou aprendem um modelo do ambiente; o Q-learning, usado aqui, dispensa esse modelo.)

Tentativa, erro e recompensa: as quedas também ensinam, desde que o agente consiga descobrir quais escolhas levaram a elas. Ilustração gerada por IA.

O que o agente aprende é uma política: uma regra que diz que ação tomar em cada estado. Para chegar lá, muitos métodos estimam uma função de valor — quanto de recompensa futura se pode esperar a partir de cada estado, ou de cada par estado-ação —; outros ajustam diretamente a política, e os métodos ator-crítico combinam as duas abordagens. Três dificuldades tornam o reforço diferente dos paradigmas anteriores (Sutton; Barto, 2018):

A recompensa chega atrasada. Uma partida de damas tem dezenas de lances e um único resultado. Qual lance mereceu o crédito pela vitória? É o problema da atribuição de crédito, que Samuel já enfrentava ao falar da dificuldade de atribuir crédito a posições "muito distantes" na cadeia de lances (Samuel, 1959).
É preciso escolher entre explorar e aproveitar. Repetir o que já deu certo garante uma recompensa razoável; testar algo novo pode revelar algo melhor — ou pior. É o dilema da exploração e aproveitamento. A solução mais simples é a ε-gulosa: na maior parte das vezes, fazer o que parece melhor; numa pequena fração ε das vezes, fazer algo ao acaso.
Os dados dependem das ações. No supervisionado, os exemplos já estão na mesa. No reforço, o agente fabrica a própria experiência, e uma política ruim gera experiências ruins.

O algoritmo clássico para aprender valores sem conhecer o ambiente é o Q-learning, proposto por Chris Watkins em 1989. Ele mantém uma tabela Q(s, a) com uma estimativa do valor de cada ação em cada estado e, a cada passo, corrige essa estimativa na direção da recompensa recebida somada ao valor do melhor passo seguinte (Sutton; Barto, 2018):

Q(s, a) ← Q(s, a) + α · [ r + γ · max Q(s', a') − Q(s, a) ]

Lida em português: o novo palpite sobre o valor de fazer a em s é o palpite antigo, corrigido por uma fração α (a taxa de aprendizado) da diferença entre o que de fato aconteceu — a recompensa r mais o melhor valor estimado no estado seguinte s' — e o que se esperava. O fator de desconto γ, entre 0 e 1, diz quanto o agente se importa com o futuro. Repetida ao longo de muitos episódios, essa pequena correção faz a recompensa da chegada "escorrer" para trás, de estado em estado, até o ponto de partida. É a resposta matemática ao problema de Samuel — e você vai vê-la escorrer no Laboratório 2.

Dos tabuleiros aos chatbots

Os jogos foram, por décadas, o laboratório preferido do reforço. A linha do tempo abaixo reúne alguns marcos; clique em cada ano.

aprendizado por reforço evolução busca, sem aprendizado

1959 · Damas: o programa de Samuel

Num IBM 704, o programa de Arthur Samuel memoriza posições, ajusta sozinho os pesos da sua fórmula jogando contra si mesmo e, em 8 a 10 horas de jogo, passa a jogar melhor do que seu autor (Samuel, 1959).

Dois casos da linha do tempo merecem uma segunda olhada. O AlphaGo, de 2016, começou supervisionado: redes neurais treinadas com 30 milhões de lances de partidas de jogadores experientes, até prever o lance humano em 57% das vezes. Só depois passou a jogar milhares de partidas entre as próprias redes, aprendendo por reforço (Hassabis, 2016). Um ano depois, o AlphaZero dispensou a primeira etapa: partindo de jogo aleatório e sem nenhum conhecimento além das regras, chegou a nível sobre-humano em xadrez, shogi e go em até 24 horas de treino, derrotando programas campeões de cada jogo (Silver et al., 2017). Do livro de partidas ao autojogo puro: o mesmo trajeto que Samuel esboçou em 1959, agora em escala industrial.

O reforço também está por trás do jeito educado dos assistentes de conversa. O processo descrito pela OpenAI em 2022 combina os paradigmas em sequência: primeiro, ajuste supervisionado com demonstrações escritas por pessoas; depois, um modelo de recompensa treinado com rankings de respostas feitos por avaliadores humanos; por fim, aprendizado por reforço para maximizar essa recompensa. Nas avaliações dos autores, as respostas de um modelo assim treinado, com 1,3 bilhão de parâmetros, foram preferidas às do GPT-3 original, com 175 bilhões — cem vezes maior (Ouyang et al., 2022). A técnica ficou conhecida como RLHF (reinforcement learning from human feedback, aprendizado por reforço a partir de retorno humano).

Cuidado com o que você recompensa

Há um risco que acompanha o reforço como uma sombra: o agente otimiza a recompensa que você escreveu, não a que você quis dizer. Em 2016, pesquisadores da OpenAI treinaram um agente para o jogo de corrida de barcos CoastRunners, recompensando-o pelos pontos do placar — que vinham, entre outras coisas, de acertar alvos ao longo da pista. O agente descobriu uma lagoa isolada onde podia girar em círculos e derrubar repetidamente três alvos que reapareciam. Pegava fogo, batia em outros barcos, andava na contramão e nunca terminava a corrida — e mesmo assim fazia, em média, 20% mais pontos que jogadores humanos (Clark; Amodei, 2016).

Recompensa mal especificada: a lancha maximiza pontos girando na lagoa e nunca cruza a linha de chegada. A coruja não está convencida. Ilustração gerada por IA.

O nome técnico para isso é hacking de recompensa, e ele não é um defeito exótico: é a consequência natural de otimizar com força um objetivo mal especificado. Quem trabalha com educação conhece a versão humana do fenômeno — basta premiar a quantidade de páginas para receber trabalhos inchados. Vale também para redes sociais que otimizam o engajamento, tema de Redes sociais: estrutura, algoritmos e economia da atenção.

Lance 06

Computação evolucionária: deixar a seleção fazer o trabalho

O quarto professor não ensina ninguém em particular. Ele trabalha com uma multidão. A computação evolucionária é uma família de métodos de otimização que imitam, de forma muito simplificada, a evolução por seleção natural: mantém-se uma população de soluções candidatas; as melhores têm mais chance de "reproduzir"; os filhos herdam e misturam características dos pais, com pequenas variações aleatórias; e, geração após geração, a população tende a melhorar (Eiben; Smith, 2015). Não há gabarito, não há recompensa a cada passo, não há derivada a calcular: só é preciso saber comparar quem é melhor.

A ideia foi descoberta várias vezes, de forma independente, nos anos 1960 e 1970. Em Berlim, Ingo Rechenberg e Hans-Paul Schwefel desenvolveram as estratégias evolutivas para otimizar peças de engenharia; nos Estados Unidos, Lawrence Fogel e colegas propuseram a programação evolutiva; e, na Universidade de Michigan, John Holland formulou os algoritmos genéticos, sistematizados no livro Adaptation in natural and artificial systems (Adaptação em sistemas naturais e artificiais), de 1975 (Holland, 1992). No início dos anos 1990, John Koza acrescentou a programação genética, que evolui programas inteiros. Hoje, essas quatro vertentes clássicas são tratadas como dialetos de uma mesma área, que depois se ampliou com outras famílias — algoritmos meméticos (híbridos de evolução com busca local), métodos multiobjetivo e algoritmos de estimação de distribuição, que trocam cruzamento e mutação por modelos probabilísticos, entre outras (Eiben; Smith, 2015).

O algoritmo genético em sete peças

O algoritmo genético empresta da biologia um vocabulário inteiro, resumido no Quadro 2. Mas atenção: as palavras são metáforas, e o algoritmo é bem mais simples que a genética de verdade.

Quadro 2 — Correspondência entre termos da biologia e do algoritmo genético

Na biologia	No algoritmo genético	No labirinto do Laboratório 2
Indivíduo	Uma solução candidata	Um plano de 20 movimentos
Cromossomo	A codificação da solução, em geral uma sequência	A lista ↑ ↓ ← → … dos 20 movimentos
Gene	Uma posição da sequência	O 7.º movimento, por exemplo
Alelo	O valor que um gene assume	↑, ↓, ← ou →
Aptidão	A nota que mede a qualidade da solução	Chegou à toca? Com quantos passos? Ficou longe?
Seleção natural	Escolha dos pais, favorecendo os mais aptos	Torneio entre três planos sorteados
Reprodução sexuada	Cruzamento: combinar trechos de dois pais	Primeira parte de um plano + segunda parte do outro
Mutação	Alteração aleatória de genes	Trocar um movimento por outro, ao acaso
Geração	Uma rodada completa de avaliação e reprodução	Um clique em "1 geração"

Fonte: elaborado pelo autor com base em Holland (1992) e Eiben e Smith (2015).

peça 1CodificarEscrever cada solução como um cromossomo: bits, números, letras, uma permutação de cidades. Uma codificação ruim estraga todo o resto.

peça 2Gerar a populaçãoCriar dezenas ou centenas de indivíduos, quase sempre ao acaso. A diversidade inicial é o estoque de ideias da busca.

peça 3Medir a aptidãoDar uma nota a cada indivíduo com uma função de aptidão. É ela que define o que "melhor" quer dizer. Uma aptidão mal especificada pode ser explorada ao pé da letra: é um problema de especificação do objetivo, análogo ao hacking de recompensa do reforço.

peça 4SelecionarEscolher os pais com seleção por roleta (chance proporcional à nota) ou por torneio (o melhor de um pequeno grupo sorteado).

peça 5CruzarCombinar trechos de dois pais num filho — o cruzamento. Se cada pai resolveu metade do problema, o filho pode herdar as duas metades boas.

peça 6MutarAlterar ao acaso um ou outro gene — a mutação — para trazer novidade e evitar que todos fiquem iguais cedo demais.

peça 7Guardar e repetirCopiar os melhores direto para a geração seguinte (elitismo) e repetir até um critério de parada: número de gerações, nota-alvo ou estagnação.

Seleção, cruzamento e mutação: os três operadores que movem um algoritmo genético. Os colares de contas fazem o papel dos cromossomos. Ilustração gerada por IA.

Por que isso funciona? Não há garantia de achar a melhor solução, e o algoritmo pode estacionar num ótimo local. Mas ele tem duas virtudes práticas. A primeira é a exigência mínima: basta saber avaliar uma solução, mesmo que a avaliação seja uma simulação demorada, cheia de ruído e impossível de derivar. A segunda é o paralelismo natural: cada indivíduo da população pode ser avaliado num processador diferente. Para quem quiser ir fundo — da roleta ao elitismo, passando pelo enxame de partículas, pela colônia de formigas, pela antena da NASA desenhada por evolução e pelo teorema que estraga a festa —, o post Computação evolucionária traz um laboratório completo para montar e sabotar um algoritmo genético peça por peça.

Criaturas que ninguém desenhou

Um dos resultados mais encantadores da área veio da computação gráfica. Em 1994, Karl Sims apresentou criaturas virtuais feitas de blocos articulados, num mundo com física simulada, cujos corpos e "sistemas nervosos" eram codificados num genoma e evoluíam juntos. Ninguém desenhava as criaturas: a aptidão era simplesmente a distância percorrida nadando, andando ou pulando, ou a capacidade de seguir um alvo. Depois de muitas gerações, surgiam nadadores serpenteantes, saltadores e rastejadores de formas que nenhum animador teria imaginado (Sims, 1994).

Da geração 1 à geração 100: ninguém desenha o corpo das criaturas; a aptidão — chegar ao cubo verde — faz o trabalho. Ilustração gerada por IA.

Lance 07

Laboratório 2: o mesmo labirinto, dois jeitos de melhorar

Agora é a sua vez de comparar dois professores lado a lado. O labirinto abaixo tem um ponto de partida, a toca da coruja-buraqueira (a chegada) e um buraco que encerra a tentativa. No modo aprender, um agente de Q-learning anda pelo labirinto: perde 1 ponto por passo, ganha 20 ao chegar à toca e perde 20 se cair no buraco. As setas mostram a política que ele aprendeu até agora, e a cor de cada casa, o valor que ele atribui a ela. No modo evoluir, uma população de 40 planos de 20 movimentos é avaliada, selecionada, cruzada e mutada; o desenho mostra o trajeto do melhor plano da geração.

Laboratório 2 · aprender × evoluir

Exploração ε = 0,20 (fração de movimentos ao acaso)

episódios0

passos no último episódio—

seguindo só as setas (sem exploração)—

Gráfico de evolução: aparece quando o treino começa.

Modo aprender: clique em “1 episódio” para ver o agente tatear o labirinto, ou em “+50 episódios” para acelerar.

Brinque um pouco e repare em três diferenças. Elas valem para estas duas implementações simples, mas ilustram contrastes que reaparecem com frequência em problemas maiores:

Política × plano. O Q-learning termina com uma seta em cada casa: se o agente for posto em outro lugar, ele sabe o que fazer. O algoritmo genético termina com um plano, bom para aquele ponto de partida; mude a largada e o plano perde o sentido. (Dá para evoluir políticas em vez de planos — é o que faz a neuroevolução, no próximo lance.)
Nota por passo × nota final. O agente de reforço recebe um sinal a cada movimento e o usa para corrigir a tabela no ato. O algoritmo genético só olha a nota do plano inteiro, depois de executado. É menos informação por tentativa — e, ainda assim, funciona.
Exploração com ε × exploração com mutação. Zere os dois e teste: com ε = 0, o agente tende a repetir o primeiro caminho que encontra; com mutação 0%, a população perde diversidade e estaciona. Sem exploração explícita ou diversidade, os dois ficam muito mais sujeitos a repetir soluções conhecidas e a estacionar cedo.

Lance 08

Aprender ou evoluir? Quando os caminhos se cruzam

Os paradigmas não são times rivais. As melhores histórias da área acontecem justamente quando eles se misturam. Voltemos às damas. No fim dos anos 1990, David Fogel e Kumar Chellapilla fizeram redes neurais jogarem damas umas contra as outras. As redes recebiam apenas o tabuleiro — 32 entradas, uma para cada casa jogável — e começavam com pesos aleatórios; as perdedoras eram eliminadas, e as vencedoras geravam filhas com pequenas mutações nos pesos. Depois de centenas de gerações, sem que ninguém lhes ensinasse estratégia, as redes jogavam em nível de especialista (It's…, 2000). O programa ficou conhecido como Blondie24, nome do perfil com que disputava partidas contra humanos na internet, e a história virou livro (Fogel, 2002). É a regra Alfa-Beta de Samuel levada às últimas consequências.

Evoluir os pesos — e até a arquitetura — de redes neurais é a neuroevolução. Um dos métodos mais influentes, o NEAT, começa com redes mínimas e deixa a evolução acrescentar neurônios e conexões aos poucos, protegendo as inovações recentes para que não sejam eliminadas antes de amadurecer (Stanley; Miikkulainen, 2002). Em 2017, pesquisadores da OpenAI mostraram que estratégias evolutivas podiam competir com o aprendizado por reforço em tarefas difíceis justamente por causa do paralelismo: usando 1.440 núcleos de processamento, ensinaram um boneco humanoide simulado a andar em 10 minutos, e obtiveram resultados competitivos na maioria dos jogos de Atari com cerca de uma hora de treino (Salimans et al., 2017).

A evolução também ajuda a projetar as próprias redes que aprendem de forma supervisionada. Na busca de arquitetura neural, um algoritmo procura automaticamente a "planta" de uma rede. Em 2019, uma equipe do Google comparou evolução e aprendizado por reforço nessa tarefa: uma variante de seleção por torneio que favorece os indivíduos mais jovens chegou a resultados mais depressa, com o mesmo hardware, sobretudo no início da busca, e a rede encontrada, a AmoebaNet-A, atingiu 83,9% de acurácia no ImageNet (Real et al., 2019). Um algoritmo evolucionário escolhendo a arquitetura de uma rede que depois aprende com gabarito: dois professores trabalhando em turnos.

Quadro 3 — Comparação entre aprendizado por reforço e computação evolucionária como formas de melhorar com a experiência

Aspecto	Por reforço	Evolucionário
Quem melhora	Tipicamente, um agente (ou sua política), por meio da experiência acumulada	Uma população, ao longo das gerações
Sinal usado	Recompensa a cada passo ou ao fim do episódio	Aptidão do indivíduo inteiro, depois de avaliado
O que se ajusta	Política, funções de valor e/ou um modelo do ambiente, conforme o método	Genomas, por seleção, cruzamento e mutação
Precisa de derivadas?	Não necessariamente, mas os métodos profundos usam gradientes	Não: basta comparar notas
Ponto forte	Em muitos métodos, extrai informação de cada transição e a distribui ao longo da sequência; reage no meio do episódio	Paralelismo fácil; tolera avaliações ruidosas, lentas ou "caixa-preta"
Ponto fraco	Atribuição de crédito difícil; sensível à especificação da recompensa	Gasta muitas avaliações; pode estacionar cedo sem diversidade
Exemplo marcante	AlphaZero, RLHF	Criaturas de Sims, Blondie24, AmoebaNet

Fonte: elaborado pelo autor com base em Sutton e Barto (2018), Eiben e Smith (2015), Salimans et al. (2017) e Real et al. (2019).Nota: as linhas descrevem tendências frequentes, não propriedades universais — parâmetros, operadores e variantes de cada método podem mudar bastante o quadro. As fronteiras também são porosas — a neuroevolução usa evolução para resolver problemas de reforço, e as estratégias evolutivas de Salimans et al. (2017) foram propostas justamente como alternativa ao reforço.

Há, por fim, um lembrete que vale para os quatro paradigmas: nenhum deles é o melhor para todos os problemas. Se uma regra simples resolve, uma regra simples basta; se há um conjunto representativo de exemplos corretamente rotulados, o supervisionado costuma ser o primeiro candidato natural; se só é possível avaliar o resultado final de uma solução, métodos de otimização sem derivadas — entre eles os evolucionários, mas também a busca aleatória, o recozimento simulado e a otimização bayesiana — tornam-se candidatos naturais; se há decisões em sequência e retorno ao longo do tempo, o reforço é o candidato natural. Saber escolher é metade do trabalho — e é o que o Laboratório 3 vai pedir de você.

Aplicação prática

Qual professor chamar para o seu problema?

Oito problemas reais, quatro paradigmas. Para cada caso, escolha o que melhor se aplica; a explicação aparece em seguida.

Laboratório 3 · qual paradigma?

0 de 8 respondidos · 0 acertos

Um provedor de e-mail treina um filtro com milhões de mensagens que os próprios usuários marcaram como spam ou não spam.
Uma loja virtual quer dividir 50 mil clientes em perfis de compra, sem ter nenhuma categoria definida de antemão.
Um robô aspirador ganha pontos por área limpa, perde pontos ao bater em móveis e melhora sua rota a cada faxina.
Engenheiros testam milhares de formatos de antena num simulador, combinam trechos dos melhores e introduzem pequenas alterações a cada rodada.
Uma imobiliária usa o histórico de vendas para estimar o preço de um apartamento a partir da área, do bairro e do número de vagas.
Um banco quer sinalizar transações de cartão muito diferentes do padrão de cada cliente, sem ter uma lista de fraudes confirmadas.
Um programa aprende xadrez jogando milhões de partidas contra si mesmo, sabendo apenas as regras.
Uma faculdade monta a grade de horários do semestre gerando muitas grades candidatas, mantendo as que têm menos choques e recombinando-as.

Na educação, os quatro aparecem com frequência maior do que se imagina. Um corretor automático de redações treinado com textos já corrigidos por professores é supervisionado — e repete os critérios, e os vieses, de quem corrigiu. Agrupar estudantes por padrões de acesso ao ambiente virtual de aprendizagem é não supervisionado — e os grupos precisam de interpretação pedagógica e de cuidado com dados pessoais. Um sistema que escolhe o próximo exercício conforme o desempenho do aluno pode ser modelado como reforço — e corre o risco de "hackear" a métrica, oferecendo só exercícios fáceis que garantem acertos. E montar a grade de horários de uma faculdade sem choques de sala nem de professor é um problema clássico de otimização para algoritmos genéticos. Antes de escolher, percorra a lista abaixo.

Escrevi o problema no formato de Mitchell: qual é a tarefa (T), qual é a medida de desempenho (P) e de onde vem a experiência (E). Verifiquei se existe um gabarito confiável — rótulos produzidos por gente competente, em quantidade suficiente e representativos de quem será afetado. Se não há gabarito, decidi o que quero descobrir nos dados (grupos, anomalias, associações) e quem vai interpretar o que o algoritmo encontrar. Se há decisões em sequência, defini estados, ações e recompensa — e procurei, de propósito, maneiras de "hackear" essa recompensa antes que a máquina as encontre. Se só consigo avaliar soluções prontas, escolhi uma codificação e uma função de aptidão e estimei quantas avaliações cabem no meu orçamento de tempo e de máquina. Reservei dados ou cenários de teste que a máquina nunca viu e combinei com as pessoas envolvidas o que fazer quando ela errar.

0 de 6 — comece pela tarefa, pela medida e pela experiência.

Fim de jogo

O jogo que ensinou as máquinas a aprender terminou empatado

O tabuleiro de Samuel teve um desfecho curioso. Em 1992, o campeão mundial Marion Tinsley venceu por pouco o programa canadense Chinook numa disputa de título; na revanche de 1994, Tinsley abandonou o match por problemas de saúde e morreu oito meses depois. A equipe de Jonathan Schaeffer, na Universidade de Alberta, continuou trabalhando: desde 1989, dezenas de computadores calcularam quase sem parar, e o banco de dados de finais chegou a 3,9 × 10¹³ posições com dez peças ou menos. Em 2007, a equipe anunciou que as damas estavam fracamente resolvidas: num jogo com cerca de 5 × 10²⁰ posições possíveis, provou-se que, a partir da posição inicial, o jogo perfeito dos dois lados leva ao empate. A prova não percorreu todas as posições: a busca para a frente examinou algo da ordem de 10¹⁴ delas, porque só uma parte do espaço era relevante para a demonstração (Schaeffer et al., 2007).

Fim de jogo: com jogo perfeito dos dois lados, damas termina empatado. O robô que aprende e o robô que evoluiu se cumprimentam. Ilustração gerada por IA.

Há uma ironia deliciosa nisso. O jogo que serviu de berço ao aprendizado de máquina não foi resolvido por aprendizado, e sim por uma prova computacional que combinou bancos de dados de finais, busca guiada e técnicas de prova capazes de descartar os ramos irrelevantes — a mesma família de técnicas dos posts sobre busca cega, busca informada e busca aplicada. Não há contradição: aprender serve quando não dá para calcular tudo, e calcular serve quando dá. Go, com um espaço de busca imensamente maior, continua sem solução nesse sentido matemático; o salto de desempenho que levou máquinas a vencer os melhores jogadores veio quando aprendizado de máquina e busca passaram a trabalhar juntos, como no AlphaGo.

Talvez seja essa a melhor lição do tabuleiro de Samuel. O gabarito dos mestres, a nota que chega no fim da partida, os padrões que se escondem nos dados e a seleção dos que funcionam melhor não são escolas rivais, e sim ferramentas numa mesma caixa. A inteligência — humana ou artificial — está menos em qualquer uma delas do que em saber qual pegar.

E no seu trabalho, quem faz o papel de professor: alguém com o gabarito na mão, os próprios dados, uma nota que só chega no fim ou a seleção, ao longo do tempo, do que funciona melhor?

Leia também

Para continuar no Brasil Acadêmico:

Como a máquina aprende — o perceptron, a retropropagação e o aprendizado supervisionado por dentro.
Computação evolucionária — o algoritmo genético peça por peça, enxames, formigas e a antena da NASA.
Entenda o que é IA, aprendizagem de máquina, deep learning e LLM — o vocabulário básico da série.
Afinal, o que é inteligência artificial? — o ponto de partida.
Formulação de problemas e espaço de estados — estados e ações, a linguagem que o reforço herda.
Busca cega, busca informada e busca aplicada — o caminho pelo qual as damas foram resolvidas.
Lógica formal e representação do conhecimento e Sistemas de inferência e raciocínio — a IA que recebe regras em vez de aprendê-las.
Fundamentos de IA generativa — autossupervisão, modelos de linguagem e de difusão.
Jev: o modelo de IA que decide em vez de conversar — quando a IA precisa agir, e não só responder.
Terence Tao e o paradoxo da IA com a ciência — eficácia não é o mesmo que compreensão.
Redes sociais: estrutura, algoritmos e economia da atenção, Privacidade hackeada e Dados pessoais, privacidade e LGPD — o que acontece quando os algoritmos otimizam e agrupam pessoas.
E os outros mais de 180 posts sobre Inteligência Artificial que o blog já trazia antes do tema virar hype (modinha)🦉

Nota do autor critérios, fontes e simplificações — clique para abrir

Os dados de Samuel (IBM 704, oito a dez horas de jogo, mais de 53 mil posições na fita, 38 características com 16 em uso, o arranjo Alfa-Beta, as partidas de livro em cartões ou fita) foram conferidos no texto integral do artigo de 1959, disponível em cópia digitalizada aberta. A definição "aprender sem ser explicitamente programado", atribuída a ele em muitos materiais, não foi encontrada nesse artigo; por isso, não foi citada como sua. A frase de Mitchell foi traduzida pelo autor, assim como os trechos e títulos de obras em inglês mencionados no texto.

A interpretação das três "sementes" no trabalho de Samuel (gabarito, recompensa e seleção) é do autor, como recurso didático; Samuel não usava esses nomes. Sutton e Barto (2018) reconhecem o programa de damas de Samuel como precursor dos métodos de diferença temporal do aprendizado por reforço.

A Tabela 1 traz os vencedores da tarefa de classificação da ILSVRC usando apenas os dados de treino fornecidos, conforme Russakovsky et al. (2015). A atribuição da equipe SuperVision à Universidade de Toronto e a descrição do modelo como rede convolucional treinada em GPU são informações amplamente documentadas na literatura da área. A acurácia de 83,9% da AmoebaNet-A refere-se à métrica top-1, a convenção usual, embora o resumo de Real et al. (2019) não use esse rótulo explicitamente.

Os números do Blondie24 vêm de reportagem de 2000 da HPCwire e do livro de Fogel (2002); o artigo científico original (Chellapilla e Fogel, 2001, IEEE Transactions on Evolutionary Computation) não é de acesso aberto. O livro de Holland é citado pela edição de 1992 da MIT Press, a disponível em livraria; a primeira edição é de 1975. Os resultados do AlphaGo foram tomados do comunicado oficial de 2016; o artigo da revista Nature não é de acesso aberto.

Sobre o Chinook: "fracamente resolvido" e a estimativa de cerca de 10¹⁴ posições examinadas na busca para a frente vêm do próprio artigo de Schaeffer et al. (2007), que descreve a prova como a combinação de bancos de dados de finais (análise retrógrada), um gerenciador de árvore de prova baseado em proof-number search e um resolvedor com busca alfa-beta e Df-pn.

Os laboratórios são deliberadamente simplificados. Os frutos do Laboratório 1 são fictícios (diâmetro e doçura gerados para formar três grupos), e as distâncias são medidas no gráfico, isto é, depois de pôr as duas medidas numa escala comparável. No Laboratório 2, o Q-learning usa α = 0,5, γ = 0,95, recompensa −1 por passo, +20 na toca e −20 no buraco, com no máximo 80 passos por episódio; o algoritmo genético usa população de 40, cromossomos de 20 movimentos, seleção por torneio de três, cruzamento de um ponto (taxa de 90%), elitismo de dois indivíduos e aptidão igual a 100 mais 3 pontos por movimento poupado quando chega à toca, ou 60 menos 4 pontos por casa de distância quando não chega, com penalidade de 30 por cair no buraco. Como ambos usam sorteios, cada execução é diferente.

Vocabulário

Os termos marcados com sublinhado pontilhado ao longo do texto levam até aqui; o botão ao lado do verbete leva de volta.

Agente: No aprendizado por reforço, quem toma as decisões: observa o estado do ambiente, escolhe ações e recebe recompensas. Lance 05
Agrupamento (clustering): Tarefa não supervisionada de dividir os exemplos em grupos de elementos parecidos entre si, sem rótulos prévios. Lance 04
Algoritmo genético: Método de otimização formulado por John Holland que evolui uma população de soluções codificadas como cromossomos, usando seleção, cruzamento e mutação. Lance 06
Aprendizado autossupervisionado: Variante em que a própria máquina cria o gabarito a partir dos dados brutos — por exemplo, usando as palavras anteriores de um texto para prever a próxima, ou ocultando trechos do texto para que o modelo tente reconstruí-los. Base do pré-treinamento dos grandes modelos de linguagem. Lance 04
Aprendizado de máquina: Ramo da inteligência artificial que constrói sistemas capazes de melhorar seu desempenho numa tarefa a partir de dados ou de experiência, em vez de receber todas as regras prontas. Lance 02
Aprendizado não supervisionado: Paradigma em que a máquina recebe dados sem rótulos e procura estrutura neles: grupos, padrões, associações, anomalias. Lance 04
Aprendizado por reforço: Paradigma em que um agente aprende por tentativa e erro, interagindo com um ambiente e recebendo recompensas numéricas, com o objetivo de maximizar a recompensa acumulada. Lance 05
Aprendizado supervisionado: Paradigma em que cada exemplo de treino traz a resposta certa (rótulo) e a máquina aprende a prever essa resposta para casos novos. Lance 03
Aptidão (fitness): Nota que mede a qualidade de uma solução candidata num algoritmo evolucionário; define o que "melhor" significa. Lance 06
Atribuição de crédito: Problema de descobrir quais ações, entre muitas, foram responsáveis por uma recompensa que só chegou depois. Lance 05
Atributo (feature): Cada característica usada para descrever um exemplo: o diâmetro de uma fruta, a mobilidade numa posição de damas. Lance 02
Busca de arquitetura neural (NAS): Do inglês neural architecture search: procura automática da estrutura de uma rede neural (camadas, conexões), feita por evolução, reforço ou outros métodos. Lance 08
Centroide: Ponto médio de um grupo de exemplos; no k-means, cada grupo é representado pelo seu centroide. Lance 04
Classificação: Tarefa supervisionada em que a resposta é uma categoria (spam ou não spam, pequi ou mangaba). Lance 03
Computação evolucionária: Família de métodos de otimização inspirados na evolução por seleção natural, que trabalham com populações de soluções: algoritmos genéticos, estratégias evolutivas, programação evolutiva e programação genética. Lance 06
Cromossomo: Num algoritmo genético, a codificação de uma solução candidata, em geral uma sequência de símbolos (os genes). Lance 06
Cruzamento (crossover): Operador que combina trechos dos cromossomos de dois pais para gerar um filho. Lance 06
Detecção de anomalias: Tarefa de encontrar exemplos que destoam do padrão dos demais, como uma transação de cartão incomum. Lance 04
Elitismo: Estratégia que copia os melhores indivíduos de uma geração diretamente para a seguinte, para que a melhor solução encontrada não se perca. Lance 06
Episódio: Uma tentativa completa no aprendizado por reforço, do estado inicial até um estado final (vitória, derrota, chegada) ou até um limite de passos. Lance 05
Erro top-5: Proporção de imagens em que a categoria correta não está entre os cinco palpites mais prováveis do modelo; métrica usada na competição ImageNet. Lance 03
Estratégias evolutivas: Corrente da computação evolucionária criada em Berlim nos anos 1960, voltada a otimizar parâmetros numéricos com mutações aleatórias e seleção. Lance 06
Exploração e aproveitamento: Dilema entre repetir o que já deu certo (aproveitar) e testar o desconhecido em busca de algo melhor (explorar). A estratégia ε-gulosa explora numa fração ε das vezes. Lance 05
Fator de desconto (γ): Número entre 0 e 1 que define quanto uma recompensa futura vale hoje; perto de 1, o agente é paciente; perto de 0, imediatista. Lance 05
Função de valor: Estimativa da recompensa futura que se pode esperar a partir de um estado (ou de um par estado-ação) seguindo uma política. Lance 05
Generalização: Capacidade de um modelo de acertar em exemplos que não viu durante o treino; é um objetivo central do aprendizado de máquina preditivo. Lance 02
Hacking de recompensa: Quando um agente maximiza a recompensa especificada de um jeito que contraria a intenção de quem a especificou, como a lancha que gira em círculos em vez de terminar a corrida. Lance 05
Jogo fracamente resolvido: Jogo para o qual se conhecem o resultado sob jogo perfeito a partir da posição inicial e uma estratégia para alcançá-lo, sem que se conheça o valor de todas as posições possíveis. Damas foi fracamente resolvido em 2007; go, não. Fim de jogo
k-means (k-médias): Algoritmo de agrupamento que alterna entre atribuir cada exemplo ao centro mais próximo e mover cada centro para a média do seu grupo, até estabilizar. Lance 04
k-NN (k-nearest neighbors): Método supervisionado que classifica um caso novo pela votação dos k exemplos rotulados mais parecidos com ele. Lance 03
Mutação: Operador que altera ao acaso um ou mais genes de um cromossomo, trazendo variação à população. Lance 06
Neuroevolução: Uso de algoritmos evolucionários para encontrar os pesos e, às vezes, a arquitetura de redes neurais, como no NEAT. Lance 08
Parâmetro: Valor ajustável de um modelo, aprendido a partir dos dados — os "botões" que o treino gira, como os pesos de uma soma ponderada. Lance 02
Política: Regra que diz ao agente qual ação tomar em cada estado; é o produto final do aprendizado por reforço. Lance 05
Programação genética: Variante da computação evolucionária, difundida por John Koza nos anos 1990, em que os indivíduos são programas de computador. Lance 06
Q-learning: Algoritmo de aprendizado por reforço, proposto por Chris Watkins em 1989, que aprende uma tabela de valores Q(s, a) para cada ação em cada estado sem precisar de um modelo do ambiente. Lance 05
Recompensa: Sinal numérico que o ambiente devolve ao agente depois de cada ação, indicando se o resultado foi bom ou ruim. Lance 05
Redução de dimensionalidade: Técnicas que resumem muitos atributos em poucos, preservando o essencial, para visualizar dados ou acelerar outros algoritmos. Lance 04
Regras de associação: Padrões do tipo "quem compra X também costuma comprar Y", minerados de bases de transações sem rótulos. Lance 04
Regressão: Tarefa supervisionada em que a resposta é um número, como o preço de um imóvel. Lance 03
RLHF: Do inglês reinforcement learning from human feedback: aprendizado por reforço com um modelo de recompensa treinado a partir de avaliações humanas; usado para ajustar modelos de linguagem. Lance 05
Rótulo: A resposta certa associada a um exemplo de treino no aprendizado supervisionado. Lance 03
Seleção (por roleta ou por torneio): Escolha dos pais num algoritmo evolucionário. Na roleta, a chance é proporcional à aptidão; no torneio, sorteia-se um pequeno grupo e vence o melhor dele. Lance 06
Sobreajuste (overfitting): Quando o modelo se ajusta tanto aos exemplos de treino que reproduz até o ruído deles e passa a errar em casos novos. Lance 02

Referências

CLARK, Jack; AMODEI, Dario. Faulty reward functions in the wild. OpenAI, San Francisco, 21 dez. 2016. Disponível em: https://openai.com/index/faulty-reward-functions/. Acesso em: 7 out. 2026.
EIBEN, A. E.; SMITH, J. E. Introduction to evolutionary computing. 2. ed. Berlin: Springer, 2015.
FACELI, Katti; LORENA, Ana Carolina; GAMA, João; ALMEIDA, Tiago Agostinho de; CARVALHO, André Carlos Ponce de Leon Ferreira de. Inteligência artificial: uma abordagem de aprendizado de máquina. 3. ed. Rio de Janeiro: LTC, 2025.
FOGEL, David B. Blondie24: playing at the edge of AI. San Francisco: Morgan Kaufmann, 2002.
HASSABIS, Demis. AlphaGo: using machine learning to master the ancient game of Go. The Keyword, Mountain View, 27 jan. 2016. Disponível em: https://blog.google/technology/ai/alphago-machine-learning-game-go/. Acesso em: 7 out. 2026.
HOLLAND, John H. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. Cambridge, MA: MIT Press, 1992. Publicado originalmente em 1975.
IT’S only checkers, but the computer taught itself. HPCwire, [s. l.], 28 jul. 2000. Disponível em: https://www.hpcwire.com/2000/07/28/its-only-checkers-but-the-computer-taught-itself/. Acesso em: 7 out. 2026.
MACQUEEN, J. Some methods for classification and analysis of multivariate observations. In: BERKELEY SYMPOSIUM ON MATHEMATICAL STATISTICS AND PROBABILITY, 5., 1965-1966, Berkeley. Proceedings [...]. Berkeley: University of California Press, 1967. v. 1, p. 281-297. Disponível em: https://projecteuclid.org/euclid.bsmsp/1200512992. Acesso em: 7 out. 2026.
MITCHELL, Tom M. Machine learning. New York: McGraw-Hill, 1997.
OUYANG, Long et al. Training language models to follow instructions with human feedback. arXiv, Ithaca, 4 mar. 2022. Preprint arXiv:2203.02155. Disponível em: https://arxiv.org/abs/2203.02155. Acesso em: 7 out. 2026.
POWER, D. J. Ask Dan!: What is the "true story" about data mining, beer and diapers? DSS News, [s. l.], v. 3, n. 23, 10 nov. 2002. Disponível em: https://dssresources.com/newsletters/66.php. Acesso em: 7 out. 2026.
REAL, Esteban; AGGARWAL, Alok; HUANG, Yanping; LE, Quoc V. Regularized evolution for image classifier architecture search. Proceedings of the AAAI Conference on Artificial Intelligence, Palo Alto, v. 33, n. 1, p. 4780-4789, 2019. DOI: 10.1609/aaai.v33i01.33014780. Disponível em: https://arxiv.org/abs/1802.01548. Acesso em: 9 out. 2026.
RUSSAKOVSKY, Olga et al. ImageNet large scale visual recognition challenge. International Journal of Computer Vision, [s. l.], v. 115, n. 3, p. 211-252, 2015. DOI: 10.1007/s11263-015-0816-y. Disponível em: https://arxiv.org/abs/1409.0575. Acesso em: 7 out. 2026.
RUSSELL, Stuart J.; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
SALIMANS, Tim; HO, Jonathan; CHEN, Xi; SIDOR, Szymon; SUTSKEVER, Ilya. Evolution strategies as a scalable alternative to reinforcement learning. arXiv, Ithaca, 2017. Preprint arXiv:1703.03864v2. Disponível em: https://arxiv.org/abs/1703.03864. Acesso em: 7 out. 2026.
SAMUEL, Arthur L. Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, Armonk, v. 3, n. 3, p. 210-229, jul. 1959. DOI: 10.1147/rd.33.0210. Disponível em: https://people.csail.mit.edu/brooks/idocs/Samuel.pdf. Acesso em: 7 out. 2026.
SCHAEFFER, Jonathan et al. Checkers is solved. Science, Washington, v. 317, n. 5844, p. 1518-1522, 14 set. 2007. DOI: 10.1126/science.1144079. Disponível em: https://webdocs.cs.ualberta.ca/~chinook/publications/solving_checkers.html. Acesso em: 7 out. 2026.
SILVER, David et al. Mastering chess and shogi by self-play with a general reinforcement learning algorithm. arXiv, Ithaca, 5 dez. 2017. Preprint arXiv:1712.01815. Disponível em: https://arxiv.org/abs/1712.01815. Acesso em: 7 out. 2026.
SIMS, Karl. Evolving virtual creatures. In: ANNUAL CONFERENCE ON COMPUTER GRAPHICS AND INTERACTIVE TECHNIQUES, 21., 1994, Orlando. Computer Graphics: SIGGRAPH 94 Proceedings. New York: ACM, 1994. p. 15-22. Disponível em: https://www.karlsims.com/papers/siggraph94.pdf. Acesso em: 7 out. 2026.
STANLEY, Kenneth O.; MIIKKULAINEN, Risto. Evolving neural networks through augmenting topologies. Evolutionary Computation, Cambridge, MA, v. 10, n. 2, p. 99-127, 2002. DOI: 10.1162/106365602320169811. Disponível em: https://nn.cs.utexas.edu/downloads/papers/stanley.ec02.pdf. Acesso em: 7 out. 2026.
SUTTON, Richard S.; BARTO, Andrew G. Reinforcement learning: an introduction. 2. ed. Cambridge, MA: MIT Press, 2018. Disponível em: http://incompleteideas.net/book/the-book-2nd.html. Acesso em: 7 out. 2026.
TURING, A. M. Computing machinery and intelligence. Mind, Oxford, v. 59, 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: 7 out. 2026.

Fluxos de produção de conteúdo assistido por IA: texto, imagem, áudio e vídeo

noreply@blogger.com (War) — Sun, 4 Oct 2026 08:16:17 -0300

No fim de março de 2023, um operário da construção civil de Chicago pediu a um gerador de imagens que mostrasse um senhor muito conhecido vestindo um casaco acolchoado branco, de grife, andando por Roma. Publicou o resultado num fórum, e em menos de dois dias a foto que nunca foi tirada tinha dado a volta ao mundo, enganando inclusive gente acostumada a desconfiar. Gerar a imagem levou minutos; desmenti-la tomou um fim de semana inteiro de checadores. Este texto parte desse desequilíbrio para mostrar como a inteligência artificial generativa entrou nos fluxos de produção de conteúdo em quatro linguagens — texto, imagem, áudio e vídeo —, o que muda (e o que não muda) em cada etapa, do briefing à publicação, o que dizem os primeiros experimentos controlados sobre produtividade e qualidade, por que a verificação humana virou o gargalo e o diferencial, e quais regras já valem no Brasil e no exterior para rotular conteúdo sintético. Tudo sob a óptica da comunicação digital e da inovação, com uma mesa de produção interativa, um teste de rotulagem e um vocabulário de bolso.

Take 01

O casaco que nunca existiu

Na sexta-feira, 24 de março de 2023, um homem de 31 anos que se apresentou apenas como Pablo Xavier, operário da construção civil na região de Chicago, digitou num gerador de imagens um pedido simples: o papa num casaco acolchoado de grife, caminhando pelas ruas de Roma. Publicou as imagens num fórum do Reddit naquela tarde. No fim de semana, uma delas — o casaco branco, enorme, brilhante, de caimento perfeito — circulou por todas as redes, compartilhada por milhões de pessoas que a tomaram por fotografia. Só na segunda-feira um jornalista localizou o autor e confirmou o que alguns já suspeitavam: a imagem fora feita com o Midjourney, cuja capacidade fotorrealista acabara de dar um salto (Paul, 2023).

O episódio virou piada, mas a piada tem estrutura. De um lado, uma pessoa sem formação em fotografia, design ou comunicação produziu, em minutos e sem estúdio nem equipamento, uma peça visual de qualidade profissional. Do outro, a verificação — descobrir quem fez, com que ferramenta, se havia fato por trás — exigiu dias de trabalho de gente especializada. A IA generativa barateou a produção e encareceu a confiança, e é nesse descompasso que a comunicação digital passa a trabalhar. A frase é uma síntese, não uma medição: ferramentas também ajudam a checar, comparar versões e achar inconsistências. Mas, quando peças sintéticas convincentes circulam em escala, sobe o custo coletivo de estabelecer o que é autêntico. Chamamos de conteúdo sintético o texto, a imagem, o áudio ou o vídeo gerado ou alterado de forma substancial por um sistema de IA — e a pergunta deste texto não é se ele vai circular, mas como produzi-lo, publicá-lo e assiná-lo com responsabilidade.

O botão de compartilhar está a um toque; a lupa, a muitos minutos de atenção. Por respeito às pessoas reais, a ilustração troca o protagonista do caso por um manequim. Ilustração gerada por IA.

produzirCusta segundosTexto, imagem, voz e vídeo podem ser gerados em escala por quem nunca teve acesso a estúdio, redação ou agência. É uma democratização real — e uma enxurrada real.

verificarCusta horasConferir fatos, origem, direitos e consentimento continua sendo trabalho humano, lento e especializado. O gargalo mudou de lugar.

assinarNão se terceirizaQuem publica responde pelo que publica. A ferramenta não tem CPF, não dá entrevista nem publica errata.

Este post faz parte da série sobre comunicação digital iniciada em Afinal, o que é comunicação digital? e conversa diretamente com dois textos recentes: Tecnologias emergentes na comunicação, que apresentou a IA como um dos novos canais e linguagens, e Fundamentos de IA generativa: modelos de linguagem e de difusão, que explica por dentro como essas máquinas funcionam. Aqui o foco é outro: não o motor, mas a linha de montagem.

Take 02

De peça a fluxo

Quem trabalha com comunicação raramente produz uma peça isolada. Produz um fluxo de produção: uma sequência de etapas — briefing, pesquisa, rascunho, curadoria, edição, verificação, aprovação, publicação, medição — por onde passam pessoas, decisões e versões. Henry Jenkins já mostrava, antes de qualquer chatbot, que na cultura da convergência o mesmo conteúdo flui por múltiplas plataformas e é retrabalhado por produtores e públicos em cada uma delas (Jenkins, 2009). Uma notícia vira post, vídeo curto, áudio e carrossel; cada versão exige adaptação. Kotler, Kartajaya e Setiawan descrevem o marketing 5.0 justamente como o uso de tecnologias que imitam capacidades humanas — gerar, prever, personalizar — para criar, comunicar e entregar valor ao longo da jornada do cliente, sem perder de vista a dimensão humana (Kotler; Kartajaya; Setiawan, 2021).

A IA generativa aproveita as etapas tradicionais da produção, mas não se limita a ocupá-las: também permite arranjos novos, em que geração, adaptação e distribuição de várias mídias a partir de um mesmo briefing são parcialmente integradas e automatizadas — inclusive por agentes que executam várias etapas em sequência. Para fins didáticos, porém, vale olhar etapa por etapa, porque é nelas que a força da IA se mostra desigual. Em algumas, acelera de modo espetacular; em outras, quase não ajuda; em pelo menos uma — a verificação —, pode atrapalhar se for usada como atalho. Daí o termo que interessa a este texto: produção assistida por IA, e não produção automatizada. No fluxo assistido, existe um humano no circuito com poder real de recusar, corrigir e assinar.

Centauros e ciborgues

Ethan Mollick, professor da Wharton que participou dos primeiros experimentos de campo com IA generativa em empresas, observou dois jeitos bem-sucedidos de trabalhar com essas ferramentas (Mollick, 2025). O centauro divide o trabalho com nitidez: decide o que fica com ele e o que vai para a máquina, como a criatura mitológica, metade humana, metade cavalo, com uma linha clara entre as partes. O ciborgue entrelaça o trabalho: começa uma frase e deixa a IA terminar, pede uma variação, reescreve, devolve — a fronteira entre as contribuições se dissolve. Nenhum dos dois modos é superior em si; o erro é não ter modo nenhum, isto é, aceitar o que vem.

Centauro delega por blocos; ciborgue alterna traço a traço. Em ambos, alguém sabe o tempo todo quem fez o quê. Ilustração gerada por IA.

A distinção nasceu de um experimento com 758 consultores do Boston Consulting Group, sorteados para trabalhar com ou sem o GPT-4 em tarefas realistas de consultoria (Dell'Acqua et al., 2023). Em 18 tarefas que a IA sabia fazer bem — criar produtos, escrever textos de lançamento, segmentar mercados —, quem usou a ferramenta concluiu 12,2% mais tarefas, terminou 25,1% mais rápido e entregou trabalho avaliado como mais de 40% superior em qualidade. Em uma tarefa desenhada de propósito para ficar logo além da capacidade do modelo, porém, quem usou IA teve 19 pontos percentuais menos chance de chegar à resposta correta: a ferramenta produzia uma análise convincente e errada, e os consultores a aceitavam.

Os autores chamaram esse contorno de fronteira tecnológica irregular. A IA não é boa ou ruim "em comunicação"; é excelente em algumas tarefas e traiçoeira em outras, às vezes vizinhas, e o desenho dessa fronteira não é intuitivo. Escrever dez títulos alternativos fica bem dentro; resumir com precisão um documento cheio de números pode ficar fora. Na rotina de uma assessoria, gerar cinquenta ideias de post para a semana é tarefa de dentro; redigir a nota oficial no primeiro dia de uma crise de imagem, quando cada palavra tem consequência jurídica e cada fato ainda está sendo apurado, está quase sempre fora. O problema é que, do lado de dentro, não se vê o muro.

A fronteira é recortada: tarefas que parecem fáceis podem ficar fora, e difíceis, dentro. O contorno lembrando o mapa do Brasil foi um acaso da geração que resolvemos manter. Ilustração gerada por IA.

Outros dois experimentos controlados ajudam a calibrar as expectativas. A tabela a seguir reúne os números de três estudos que se tornaram referência no debate — todos com sorteio entre quem usou e quem não usou IA, o que dá base sólida para atribuir as diferenças à ferramenta, e não a quem escolheu usá-la (o sorteio não elimina a variação estatística, mas a torna mensurável).

Tabela 1 — Efeitos medidos da IA generativa em tarefas de trabalho intelectual, segundo experimentos controlados — Estados Unidos, 2023-2025

Estudo e tarefa	Participantes	Indicador	Efeito
Noy e Zhang (2023) — escrita profissional	453	Tempo para concluir a tarefa	−40%
		Qualidade avaliada por especialistas	+18%
Dell'Acqua et al. (2023) — consultoria, dentro da fronteira	758	Tarefas concluídas	+12,2%
		Velocidade	+25,1%
		Qualidade avaliada	> +40%
Dell'Acqua et al. (2023) — consultoria, fora da fronteira	758	Chance de resposta correta	−19 p.p.
Brynjolfsson, Li e Raymond (2025) — atendimento ao cliente	5 172	Chamados resolvidos por hora (média)	+15%
		Idem, atendentes menos experientes	≈ +30%

Fonte: elaborado pelo autor com base em Noy e Zhang (2023), Dell'Acqua et al. (2023) e Brynjolfsson, Li e Raymond (2025).Notas: (1) p.p. = pontos percentuais. (2) Os números de Dell'Acqua et al. são os da versão de trabalho de 2023, que expressa a perda fora da fronteira em pontos percentuais (diferença absoluta entre taxas de acerto); a versão publicada em 2026 relata ganhos de qualidade menores e expressa a perda como redução de 19% — medida relativa, que não equivale aos 19 p.p. (3) No estudo de atendimento, a ferramenta era um assistente que sugeria respostas aos atendentes, não um robô que falava com os clientes.

No experimento de Noy e Zhang (2023), os 453 profissionais com nível superior — gente de marketing, redação de projetos, consultoria, recursos humanos, análise de dados — escreveram textos típicos de suas ocupações, como comunicados, relatórios e e-mails delicados. O tempo caiu 40% e a qualidade subiu 18%, e os que escreviam pior foram os que mais ganharam, o que estreitou a distância entre os participantes. No atendimento ao cliente, o padrão se repetiu: Brynjolfsson, Li e Raymond (2025) mediram ganho médio de 15% em chamados resolvidos por hora e cerca de 30% entre os atendentes menos experientes, quase nada entre os mais experientes. A leitura otimista é que a IA espalha o conhecimento tácito dos melhores. A leitura prudente é que todos esses ganhos foram medidos dentro da fronteira — e que a mesma ferramenta que nivela por cima também pode nivelar por baixo quando ninguém confere.

Na prática, "qualidade 18% maior" no estudo de Noy e Zhang quer dizer textos mais bem avaliados por especialistas da mesma área, às cegas — não textos mais verdadeiros: os avaliadores julgavam clareza, estrutura e adequação, não checavam fatos. Para uma equipe de comunicação, a lição é dupla. O estagiário que escrevia comunicados confusos passa a entregar rascunhos apresentáveis, o que libera a pessoa mais experiente para editar em vez de reescrever; mas a mesma fluência torna mais difícil perceber, numa leitura rápida, o erro que a ferramenta introduziu. Com essa moldura — fluxo, colaboração e fronteira —, dá para olhar cada uma das quatro linguagens de conteúdo e ver onde a máquina rende, onde tropeça e onde a pessoa é insubstituível.

Take 03

Texto: o rascunho que pede fonte

O texto foi a primeira linguagem a ser transformada, porque os grandes modelos de linguagem chegaram ao público antes dos geradores de vídeo e de voz de boa qualidade. Num fluxo editorial, eles aparecem em quase toda etapa: organizam o briefing, sugerem pautas e ângulos, rascunham, resumem, adaptam o tom para cada canal, propõem títulos, traduzem, revisam a gramática. A matéria-prima de tudo isso é o prompt, assunto de Afinal, o que é um prompt?: quanto mais contexto, fatos e exemplos o comunicador fornece, menos o modelo precisa adivinhar.

E adivinhar é o problema. No nível mais básico, um modelo de linguagem gera a continuação mais provável para o que recebeu, e nada nesse mecanismo garante que ela seja verdadeira; quando falta informação, ele tende a preencher a lacuna com algo que soa certo. Os sistemas atuais costumam combinar o modelo com busca, documentos de referência e outras ferramentas, o que reduz bastante esses erros — mas não os elimina. A isso se dá o nome de alucinação: datas trocadas, citações que ninguém disse, estudos que não existem, referências bibliográficas com autor, título e DOI inventados. Por isso a Associated Press, ao publicar suas diretrizes em agosto de 2023, determinou que todo resultado de IA generativa fosse tratado como material de fonte não verificado, sujeito ao mesmo julgamento editorial de qualquer informação recebida, e vetou o uso dessas ferramentas para criar conteúdo publicável (Barrett, 2023). No Brasil, a Agência Pública adotou princípio semelhante: a IA é ferramenta de apoio que não substitui jornalistas, todo conteúdo passa por revisão humana, é proibido gerar o texto de reportagens com IA ou usá-la como fonte primária sem verificação, e a responsabilidade é sempre do veículo (Agência Pública, 2025).

O rascunho chega rápido; as notas amarelas, não. Cada "fonte?" é um fato que precisa ser conferido fora da máquina. Ilustração gerada por IA.

Quando o fluxo quebra

Em novembro de 2023, o site Futurism revelou que a Sports Illustrated, uma das revistas esportivas mais tradicionais dos Estados Unidos, publicava resenhas de produtos assinadas por autores que não existiam. Um deles, "Drew Ortiz", tinha como foto de perfil um retrato comprado num site que vende rostos gerados por IA. Questionada, a revista apagou o conteúdo, atribuiu os textos a um fornecedor terceirizado, encerrou a parceria e negou que os artigos tivessem sido escritos por IA; uma fonte ouvida pelo Futurism sustentou o contrário (Bauder, 2023). O episódio custou caro à credibilidade da marca, e a lição não depende de quem tem razão sobre a autoria dos textos. O fluxo falhou em três pontos ao mesmo tempo: terceirizou sem auditar, inventou uma assinatura e escondeu do leitor como o conteúdo era feito. A transparência sobre o processo passou a fazer parte do produto.

O risco silencioso: todo mundo escrevendo igual

Há um efeito menos escandaloso e talvez mais duradouro. Num experimento com 300 escritores, Doshi e Hauser (2024) mostraram que contos escritos com ideias sugeridas por IA foram avaliados como mais criativos, mais bem escritos e mais agradáveis — sobretudo os de escritores menos criativos —, mas eram também mais parecidos entre si do que os escritos sem ajuda. É o dilema social clássico: cada um melhora individualmente, e o conjunto empobrece. Na comunicação de marca, onde o que se disputa é atenção e diferenciação, aceitar a primeira sugestão do modelo é aproximar a sua campanha da de todos os concorrentes que usaram o mesmo modelo.

Do lado técnico, a resposta da indústria para a pergunta "este texto foi gerado por IA?" é a marca d'água digital. O Google publicou na Nature o SynthID-Text, que altera de forma imperceptível a escolha das palavras durante a geração, deixando uma assinatura estatística que um detector com a chave certa reconhece sem acessar o modelo; num teste com cerca de 20 milhões de respostas do Gemini, os usuários não notaram diferença de qualidade (Dathathri et al., 2024). A técnica, porém, só marca o que sai dos sistemas que a adotam, e reescritas pesadas enfraquecem o sinal. Marca d'água ajuda; não substitui a declaração de quem produziu.

Take 04

Imagem: gerar muito, escolher bem

Os geradores de imagem atuais, em geral baseados em modelos de difusão, mudaram a economia da ilustração: o que antes exigia um banco de imagens, uma sessão de fotos ou dias de trabalho de um ilustrador agora sai em dezenas de variações por minuto. Num fluxo de comunicação, eles servem para rascunhos de campanha, ilustrações editoriais, painéis de referência, peças para redes sociais, composições de produto e adaptação de uma mesma arte para vários formatos. O que muda é o centro de gravidade do trabalho: quando gerar fica barato, a competência decisiva passa a ser a curadoria — saber pedir, comparar, descartar, combinar e retocar.

Nove gerações, uma escolha. A etiqueta presa à imagem representa os metadados de procedência que viajam com o arquivo. Ilustração gerada por IA.

A curadoria não é só gosto; tem consequência jurídica. Em janeiro de 2025, o Escritório de Direitos Autorais dos Estados Unidos concluiu que prompts, sozinhos, não dão ao usuário controle suficiente sobre o resultado para torná-lo autor da imagem gerada; o que pode ser protegido é a contribuição humana expressiva — a seleção, a coordenação e o arranjo criativos do material, as modificações feitas sobre ele, a obra humana em que ele se insere —, analisada caso a caso (United States, 2025). No Brasil, a Lei de Direitos Autorais define autor como "a pessoa física criadora de obra literária, artística ou científica" (Brasil, 1998), o que, na leitura predominante, deixa de fora a produção puramente maquínica. Para quem encomenda ou entrega peças, a consequência prática é registrar o processo: que partes foram geradas, o que foi escolhido, o que foi refeito à mão.

Este post como exemplo

As dez ilustrações deste texto foram feitas com o Gemini (Nano Banana), e o fluxo seguido é o mesmo que se recomenda aqui. O briefing de cada imagem começa listando os únicos textos que podem aparecer nela, porque geradores de imagem tendem a inventar letreiros, muitas vezes em inglês; duas imagens de referência garantem que a coruja-buraqueira da marca mantenha forma e cor. Cada resultado foi ampliado e conferido letra por letra antes de ser aceito, e nenhuma cena retrata pessoa real — na segunda imagem, o protagonista do caso do casaco virou um manequim sem rosto. Todas levam no rodapé a indicação "Ilustração gerada por IA". E todas saíram do gerador com a marca d'água invisível SynthID embutida pelo próprio Google, da mesma família de técnicas descrita acima para texto.

Esse rótulo visível tem um parceiro técnico. A Coalizão para Procedência e Autenticidade de Conteúdo (C2PA), fundada em 2021 por Adobe, Arm, BBC, Intel, Microsoft e Truepic, mantém um padrão aberto de credenciais de conteúdo: um registro assinado criptograficamente que viaja com o arquivo e informa como ele foi criado e editado — uma espécie de tabela nutricional da mídia; a versão 2.3 da especificação, de dezembro de 2025, estendeu o padrão a vídeo ao vivo e a texto (C2PA, 2025). O limite é conhecido: muitas plataformas ainda apagam esses metadados no upload, e por isso o rótulo legível continua indispensável.

Take 05

Áudio: três segundos de voz

No áudio, a IA generativa trabalha em três frentes. A síntese de fala converte texto em locução com entonação natural, o que barateia versões em áudio de notícias, aulas e comunicados. A dublagem e a tradução de voz levam o mesmo conteúdo a outros idiomas preservando o timbre original. E a pós-produção assistida remove ruídos, nivela volumes, corta silêncios e vícios de linguagem em segundos. Para a acessibilidade, é um avanço real: audiodescrição, versões faladas de textos longos e legendas automáticas chegam a públicos que antes ficavam de fora.

O ponto sensível é a clonagem de voz. Já em janeiro de 2023, pesquisadores da Microsoft apresentaram o VALL-E, um modelo capaz de sintetizar fala com o timbre e o tom emocional de um falante que ele nunca tinha ouvido a partir de uma gravação de apenas três segundos, usada como "prompt acústico" (Wang et al., 2023). Três segundos é menos do que a mensagem de áudio média de um aplicativo de conversa. Isso muda o estatuto da voz na produção de conteúdo: a voz de alguém deixou de ser só um timbre e passou a ser um dado que exige consentimento. Nem toda gravação é, por si, um dado biométrico; mas quando a voz é processada para identificar uma pessoa — e um modelo que a clona trata justamente seus traços singulares —, ela entra na categoria de dado biométrico, que a Lei Geral de Proteção de Dados Pessoais trata como dado pessoal sensível (Brasil, 2018) — tema aprofundado em Dados pessoais, privacidade e LGPD na era do capitalismo de vigilância.

Uma frase curta entra, horas de fala saem. Por isso a autorização de voz, assinada e guardada, vem antes da gravação — não depois. Ilustração gerada por IA.

Na prática, um fluxo responsável de áudio sintético tem quatro cuidados: autorização escrita de quem empresta a voz, com o escopo do uso — a LGPD prevê outras bases legais além do consentimento, mas, para clonar a voz de alguém, a autorização específica é a prática que protege as duas partes; escuta humana integral antes da publicação, porque uma ênfase no lugar errado muda o sentido de uma frase; transcrição publicada junto, para acessibilidade e conferência; e aviso claro de que a voz é sintética. Esse último ponto já é regra em pelo menos um contexto brasileiro: na propaganda eleitoral, o Tribunal Superior Eleitoral exige que o uso de conteúdo sintético seja informado de modo explícito, destacado e acessível — no caso do áudio, logo no início da peça (Brasil, 2024).

Take 06

Vídeo: do roteiro ao plano sintético

O vídeo foi a última fronteira a cair, porque exige coerência no tempo: o mesmo rosto, a mesma luz e o mesmo objeto precisam continuar iguais de um quadro para o seguinte. Em maio de 2025, o Google apresentou o Veo 3, capaz de gerar planos de vídeo já acompanhados de som — ruído de trânsito, canto de pássaros e até diálogo entre personagens com sincronia labial (Collins, 2025). Com isso, um único comando passou a produzir algo que antes envolvia câmera, iluminação, captação de som e atores.

Mesmo assim, o fluxo de vídeo assistido por IA se parece mais com o tradicional do que a demonstração sugere. Começa no roteiro e no storyboard, decompostos em planos curtos; cada plano é gerado a partir de texto ou de uma imagem de referência, várias vezes, até que um sirva; a montagem — ritmo, ordem, trilha, cortes — continua sendo autoria humana; legendas, reenquadramento vertical e versões por plataforma são automatizados, mas revistos. O ponto fraco técnico é a continuidade entre planos; o ponto fraco ético é o deepfake, o vídeo ou áudio sintético que põe uma pessoa real dizendo ou fazendo o que nunca disse nem fez.

Cada quadro do storyboard vira um plano gerado; a faixa âmbar sobre a linha do tempo lembra que o rótulo acompanha o vídeo até a publicação. Ilustração gerada por IA.

É no vídeo que a regulação brasileira foi mais longe. A Resolução nº 23.732/2024 do TSE proibiu, na propaganda eleitoral, o uso de conteúdo sintético em áudio ou vídeo que crie, substitua ou altere a imagem ou a voz de pessoa viva, falecida ou fictícia para prejudicar ou favorecer candidatura — ainda que mediante autorização —, sob pena de cassação do registro ou do mandato (art. 9º-C, §§ 1º e 2º); a mesma resolução passou a exigir rótulo em todo conteúdo sintético usado na propaganda — no início do áudio, sobre a imagem e em cada página ou face de material impresso (art. 9º-B, § 1º) (Brasil, 2024). Para as eleições de 2026, a Resolução nº 23.755/2026 acrescentou uma janela de silêncio: fica proibido publicar, republicar ou impulsionar conteúdo sintético novo com imagem, voz ou manifestação de candidato ou pessoa pública nas 72 horas anteriores e nas 24 horas posteriores ao término da votação (art. 9º-B, § 3º-A); também estendeu a regra a "tecnologia equivalente" à IA e obrigou as plataformas de impulsionamento a oferecer um campo para declarar o uso de IA (Brasil, 2026). Na prática, a regra eleitoral tem três camadas: conteúdo sintético permitido desde que rotulado; conteúdo proibido mesmo com rótulo (o deepfake de pessoa real para favorecer ou prejudicar candidatura); e conteúdo que, mesmo permitido no resto da campanha, fica vedado na reta final. Na União Europeia, o Regulamento de Inteligência Artificial obriga os fornecedores de sistemas que geram áudio, imagem, vídeo ou texto sintéticos a marcar os resultados em formato legível por máquina, e obriga quem os utiliza a revelar que um deepfake foi gerado ou manipulado artificialmente (art. 50, n.os 2 e 4); as obrigações de transparência do artigo 50 passaram a ser aplicáveis em agosto de 2026 (União Europeia, 2024).

Fora do período eleitoral, o Brasil ainda não tem uma lei geral de IA: o projeto aprovado pelo Senado em dezembro de 2024 seguia em análise numa comissão especial da Câmara, e o relator anunciou que o trabalho só seria retomado com força depois das eleições de outubro de 2026 (Abrão, 2026). Enquanto isso, as regras práticas vêm das políticas editoriais, dos termos de uso das plataformas e de leis gerais como a LGPD e a de direitos autorais. O contexto internacional da regulação de modelos de fronteira foi tema de IA Fable 5 proibida no Brasil, entenda.

Take 07

A mesa de produção

Visto de longe, o fluxo assistido por IA tem a mesma espinha nas quatro linguagens: briefing, geração, curadoria, edição, verificação e publicação. O que muda de uma linguagem para outra é quem lidera cada etapa, onde a máquina rende mais e onde mora o risco. A mesa abaixo resume isso. Escolha a linguagem e clique numa etapa: a cor do botão mostra quem conduz (humano, máquina ou os dois juntos), e o painel detalha o que cabe a cada um e o ponto de atenção daquela etapa.

Mesa de produção assistida por IA

humano conduzhumano e IA juntosIA conduz, humano dirige

Componente interativo: na versão impressa aparece só a combinação selecionada. A visão completa das quatro linguagens está no Quadro 1.

Texto · Briefing — humano conduz

IAAjuda a transformar anotações soltas num briefing estruturado e a listar as perguntas que ainda faltam responder.

HumanoDefine objetivo, público, tom, canal e o que não pode ser dito. É a etapa que decide se todo o resto vale a pena.

AtençãoBriefing vago gera texto genérico: a máquina preenche as lacunas com o lugar-comum mais provável.

O quadro a seguir condensa a mesma lógica numa visão comparativa, útil para planejar uma rotina de produção ou uma política interna de uso de IA.

Quadro 1 — Fluxos de produção de conteúdo assistido por IA generativa, por linguagem: onde a máquina entra, onde fica o gargalo humano e qual o risco característico

Aspecto	Texto	Imagem	Áudio	Vídeo
Onde a IA mais rende	Rascunhos, variações de título, resumos, adaptação por canal, revisão	Variações em lote, ilustração editorial, adaptação de formatos, retoque	Locução sintética, dublagem, limpeza de ruído, transcrição	Planos curtos, legendas, reenquadramento, versões por plataforma
Gargalo humano	Apuração e checagem de fatos, voz autoral	Curadoria, direitos e conferência de texto interno	Consentimento de voz e escuta integral	Continuidade entre planos, montagem e direitos de imagem
Risco característico	Alucinação; homogeneização; autoria ocultada	Fotorrealismo enganoso; semelhança com obras e pessoas reais	Clonagem de voz sem autorização; golpes	Deepfake de pessoa real; descontextualização de fatos
Verificação típica	Fonte primária para cada número, nome, data e citação	Ampliação em alta resolução; busca reversa; leitura de credenciais	Transcrição conferida; pronúncia de nomes e siglas	Revisão quadro a quadro dos trechos sensíveis
Rotulagem recomendada	Nota de método quando a IA teve papel relevante	"Ilustração gerada por IA" + credenciais de conteúdo	Aviso no início: "voz sintética"	Rótulo visível durante a exibição + metadados

Fonte: elaborado pelo autor com base em Barrett (2023), Agência Pública (2025), C2PA (2025), Brasil (2024) e União Europeia (2024).Nota: as recomendações de rotulagem são boas práticas editoriais; as obrigações legais variam conforme o contexto (propaganda eleitoral, jurisdição, tipo de conteúdo).

Rotular ou não rotular?

A pergunta mais frequente de quem começa a usar essas ferramentas é quando é preciso avisar o público. Não há uma regra única, mas há um critério útil: rotula-se quando o uso da IA muda o que o público acredita estar vendo, ouvindo ou lendo. Ajustar o brilho de uma foto não muda; uma voz sintética no lugar de uma pessoa, sim. Teste o critério nos cinco casos abaixo.

Rotula, dispensa ou nem publica?

1A equipe usa o recurso de IA do editor de fotos para reduzir o ruído e corrigir a cor de uma foto real de um evento.

2O podcast institucional da faculdade passa a ser narrado por uma voz sintética, a partir do roteiro escrito pela equipe.

3Um artigo de opinião sobre mobilidade urbana é ilustrado com uma imagem gerada por IA, em estilo de desenho, de uma cidade com ciclovias.

4A redatora pede à IA vinte sugestões de título, aproveita a ideia de uma delas e escreve ela mesma o texto final, com apuração própria.

5Na véspera da eleição, uma campanha quer publicar um vídeo em que um avatar gerado por IA, com o rosto e a voz do candidato, pede votos — e o candidato autorizou.

Responda aos cinco casos para ver o placar. Vale a primeira resposta de cada caso.

Assim como o rótulo do alimento não proíbe o açúcar, o rótulo de procedência não proíbe a IA: informa, para que o público decida. Ilustração gerada por IA.

O que o público aceita

A preocupação com rotulagem não é burocrática; acompanha o que o público diz. Num levantamento com cerca de 12 mil pessoas em seis países, o Instituto Reuters perguntou quão confortáveis elas se sentiam com notícias produzidas em diferentes combinações de trabalho humano e IA (Simon; Nielsen; Fletcher, 2025). O conforto cai a cada degrau de automação:

Conforto com notícias, por grau de uso de IA (%)

Só humanos62

Humanos com ajuda de IA43

IA com supervisão humana21

Só IA12

Proporção de entrevistados que se disseram confortáveis com cada modo de produção de notícias. Amostra de Argentina, Dinamarca, Estados Unidos, França, Japão e Reino Unido. Fonte: Simon, Nielsen e Fletcher (2025).

O Brasil não entrou nessa amostra, mas o hábito avança aqui também: segundo o Digital News Report de 2026, 13% dos brasileiros já usam chatbots de IA para se informar sobre notícias toda semana (Carro, 2026) — o que significa que parte do que se produz em comunicação será lida primeiro por uma máquina que a resume para alguém. Há ainda um argumento de ecossistema. Shumailov et al. (2024) mostraram, na Nature, que modelos treinados repetidamente com conteúdo gerado por outros modelos sofrem colapso: perdem primeiro os casos raros, depois a variedade, até convergirem para uma média pobre. O experimento trata de um cenário específico — gerações sucessivas treinadas sobre dados sintéticos, sem reposição de dados reais —, e o efeito depende da proporção de material sintético, da preservação de dados humanos e da filtragem; não prova que qualquer uso de texto gerado degrade os modelos. Mas aponta uma tendência plausível: um ecossistema que só recicla saídas de IA tende a empobrecer a matéria-prima de onde as próximas IAs vão aprender; conteúdo original, apurado e de procedência conhecida tende a valer mais, não menos.

Aplicação prática

Um fluxo de campanha em sala de aula

Em disciplinas de comunicação digital e inovação, este tema rende um projeto de poucas semanas com começo, meio e fim. Cada grupo recebe um briefing real — a semana de calouros, uma campanha de doação de sangue, a divulgação de um evento de extensão — e produz a mesma mensagem nas quatro linguagens: um texto para o site, uma peça visual, um áudio de um minuto e um vídeo vertical curto. A regra do jogo é usar IA onde ela renderia mais e documentar tudo: prompts, versões descartadas, o que foi refeito à mão, quem verificou o quê. A avaliação recai menos sobre o acabamento das peças e mais sobre o diário de produção: a clareza do briefing, a qualidade da curadoria, a honestidade da verificação e a coerência da rotulagem. Um grupo que descobre e corrige uma alucinação na própria peça aprendeu mais do que um que entregou um vídeo bonito sem saber explicar de onde saiu cada plano.

O quadro branco é o produto do semestre: o fluxo desenhado, com quem fez cada etapa e o que foi conferido. A seta que volta da verificação ao briefing é o melhor sinal de maturidade. Ilustração gerada por IA.

Antes de publicar qualquer peça produzida com ajuda de IA, confira:

O briefing está escrito e diz objetivo, público, canal e o que a peça não pode parecer (uma foto real, uma fala de alguém). Todo número, nome, data e citação foi conferido numa fonte primária — não na própria IA. Houve curadoria de verdade: comparei versões, descartei o que é genérico e reescrevi com voz própria. Tenho autorização de quem empresta voz ou imagem, e nada se parece com obra, marca ou pessoa real sem permissão. O rótulo está visível onde o uso da IA muda o que o público acredita estar vendo ou ouvindo, e os metadados foram preservados. Uma pessoa identificada assina a peça, guardou prompts e versões e sabe responder se alguém perguntar como ela foi feita.

0 de 6 verificações marcadas.

Corte final

De volta ao casaco branco

Releia o caso da abertura com o vocabulário deste texto. Pablo Xavier fez sozinho, num fim de tarde, um fluxo inteiro de produção de imagem: briefing (a ideia na cabeça), geração (o prompt), curadoria (escolheu as melhores entre várias) e publicação (o fórum). Pulou duas etapas — a verificação, que no caso de uma brincadeira parecia desnecessária, e a rotulagem, que ninguém lhe exigia. Não houve má-fé. Houve um fluxo incompleto, que a escala das redes transformou em desinformação mundial em menos de 48 horas.

Esse é o ponto que une as quatro linguagens. A IA generativa entrou com força nas etapas de geração e de edição, e ali faz, de fato, mais e mais rápido. As etapas que ela não cobre — decidir o que vale a pena dizer, escolher entre versões, conferir o que foi dito, assumir a autoria e contar ao público como a peça foi feita — não perderam importância; ganharam. Na comunicação digital assistida por IA, produzir continua importante, mas ficou mais fácil; julgar — escolher, conferir, assinar — tornou-se o diferencial profissional.

Se alguém pedisse amanhã o diário de produção da última peça que você publicou, você saberia dizer o que foi gerado, o que foi escolhido, o que foi conferido — e por quem?

Leia também

Posts correlatos entre os 30 mais recentes do Brasil Acadêmico:

Fundamentos de IA generativa: modelos de linguagem e de difusão — como funcionam por dentro os motores de texto e de imagem usados nos fluxos descritos aqui.
Tecnologias emergentes na comunicação — IA, mídias vestíveis, jogos digitais e conteúdo imersivo como novas linguagens.
Afinal, o que é um prompt? — a matéria-prima de toda etapa de geração.
Design thinking, experimentação e MVP aplicados à comunicação digital — como testar se uma peça feita com IA funciona melhor que a anterior.
Afinal, o que é comunicação digital? e A cibercultura da Web 1.0 à web das IAs — o ponto de partida da série e o percurso histórico até aqui.
Redes sociais: estrutura, algoritmos e economia da atenção — por que uma imagem sintética viraliza mais rápido do que seu desmentido.
Dados pessoais, privacidade e LGPD e Privacidade hackeada: o escândalo da Cambridge Analytica — voz, rosto e dados como matéria-prima e como risco.
Terence Tao e o paradoxo da IA com a ciência — quando a eficácia da ferramenta atrapalha a verificação.
Entenda o que é IA, aprendizagem de máquina, deep learning e LLM e IA Fable 5 proibida no Brasil, entenda — o vocabulário de base e o debate sobre regulação de modelos.

Nota do autor: os dados do caso do casaco (nome declarado, idade, ocupação, ferramenta e cronologia) são os relatados pela Popular Science a partir da apuração do BuzzFeed News; a pessoa retratada na imagem original não é reproduzida nem nomeada aqui por respeito, e a ilustração usa um manequim. O caso da Sports Illustrated segue o relato da Associated Press republicado pela PBS; a revista negou que os textos tenham sido escritos por IA, e o post não toma partido nessa disputa — o argumento depende apenas dos fatos não contestados (autores inexistentes, retrato comprado, conteúdo apagado). Os números de Dell'Acqua et al. (2023) são os da versão de trabalho de setembro de 2023, a mais citada; a versão revista, publicada na Organization Science em 2026, relata ganhos de qualidade menores (na faixa de um terço) e a queda de desempenho fora da fronteira em termos relativos (19%). Os números de Brynjolfsson, Li e Raymond (2025) são os da versão publicada no Quarterly Journal of Economics; a versão de trabalho de 2023 trazia 14% e 34%. Os percentuais de conforto do Instituto Reuters referem-se a seis países e não incluem o Brasil. As diretrizes da Associated Press foram conferidas por meio do texto oficial e da cobertura do Nieman Lab; as expressões citadas foram traduzidas pelo autor. A aplicação do artigo 50 do regulamento europeu a partir de 2 de agosto de 2026 decorre do artigo 113; um acordo político de maio de 2026 previu adiar a marcação técnica para sistemas já no mercado, ponto ainda pendente de publicação oficial na data de consulta. A situação do projeto de lei de IA no Congresso foi conferida em 3 de outubro de 2026 e pode mudar. As dez ilustrações foram geradas com o Gemini (Nano Banana), conferidas visualmente em alta resolução e trazem a marca do blog como easter egg; nenhuma retrata pessoa real.

Glossário

Termos técnicos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; depois de chegar por um desses links, um botão "voltar ao texto" aparece no verbete e leva de volta ao ponto de leitura.

Alucinação: Resposta de um modelo de IA que soa plausível e confiante, mas é falsa: dados, citações, fontes ou eventos inventados. Decorre de o modelo gerar a continuação mais provável, não a mais verdadeira. Take 03
C2PA e credenciais de conteúdo: Coalizão para Procedência e Autenticidade de Conteúdo, que mantém um padrão aberto de metadados assinados criptograficamente — as credenciais de conteúdo — informando como um arquivo foi criado e editado. Take 04
Centauro e ciborgue: Dois modos de trabalhar com IA descritos por Mollick e colegas: o centauro divide as tarefas com nitidez entre si e a máquina; o ciborgue entrelaça as contribuições, alternando o tempo todo. Take 02
Clonagem de voz: Síntese de fala que imita o timbre, o sotaque e a entonação de uma pessoa específica a partir de amostras da sua voz — hoje, de poucos segundos. Take 05
Colapso de modelo: Degradação de modelos treinados repetidamente com dados gerados por outros modelos: perdem primeiro os casos raros e depois a diversidade, convergindo para resultados pobres. Take 07
Conteúdo sintético: Texto, imagem, áudio ou vídeo gerado ou alterado substancialmente por um sistema de IA. Termo usado pelo TSE e por normas internacionais. Take 01
Curadoria: Seleção, comparação, descarte e combinação criteriosa de resultados gerados. Quando a geração fica barata, é onde se concentram o valor e — para o direito autoral — a contribuição humana. Take 04
Deepfake: Vídeo, áudio ou imagem sintéticos que fazem uma pessoa real parecer dizer ou fazer o que nunca disse nem fez. Proibido na propaganda eleitoral brasileira, mesmo com autorização. Take 06
Fluxo de produção (workflow): Sequência organizada de etapas, papéis e decisões pela qual um conteúdo passa da ideia à publicação e à medição. Take 02
Fronteira tecnológica irregular: Imagem proposta por Dell'Acqua e colegas para o contorno do que a IA faz bem: recortado e pouco intuitivo, com tarefas parecidas caindo de lados opostos. Take 02
Grande modelo de linguagem (LLM, large language model): Modelo de IA treinado em enormes volumes de texto para prever a próxima palavra (token); base dos chatbots e assistentes de escrita. Take 03
Humano no circuito (human-in-the-loop): Desenho de processo em que uma pessoa revisa, corrige e aprova os resultados da máquina antes que produzam efeito, com poder real de recusa. Take 02
Marca d'água digital: Sinal embutido no conteúdo gerado — visível ou, mais comumente, imperceptível — que permite a um detector identificar sua origem sintética. Exemplo: SynthID, do Google. Take 03
Modelo de difusão: Tipo de modelo gerador que aprende a remover ruído de imagens, passo a passo, até formar uma imagem nova coerente com o pedido; base da maioria dos geradores de imagem e de vídeo. Take 04
Procedência (proveniência): Histórico verificável de origem e de modificações de um conteúdo: quem fez, com que ferramentas, quando e o que foi alterado. Take 07
Prompt: Instrução, pergunta ou conjunto de exemplos fornecido a um modelo de IA para orientar o que ele vai gerar. Take 03
Síntese de fala (TTS, text-to-speech): Conversão automática de texto escrito em fala, hoje com entonação, pausas e emoções próximas das humanas. Take 05

Referências

ABRÃO, Gustavo Bonato. Lei da IA no Brasil fica para depois das eleições de outubro. Antihype, [s. l.], 7 set. 2026. Disponível em: https://antihype.com.br/c/ia/marco-legal-ia-brasil-adiado-eleicoes/. Acesso em: 3 out. 2026.
AGÊNCIA PÚBLICA. Política de uso de inteligência artificial (IA). São Paulo: Agência Pública, 17 nov. 2025. Disponível em: https://apublica.org/politica-de-uso-de-inteligencia-artificial-ia/. Acesso em: 3 out. 2026.
BARRETT, Amanda. Standards around generative AI. AP Blog, New York, 16 ago. 2023. Disponível em: https://blog.ap.org/standards-around-generative-ai. Acesso em: 3 out. 2026.
BAUDER, David. Sports Illustrated found publishing AI generated stories, photos and authors. PBS News, Arlington, 29 nov. 2023. Disponível em: https://www.pbs.org/newshour/economy/sports-illustrated-found-publishing-ai-generated-stories-photos-and-authors. Acesso em: 3 out. 2026.
BRASIL. Lei nº 9.610, de 19 de fevereiro de 1998. Altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 20 fev. 1998. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l9610.htm. Acesso em: 3 out. 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: 3 out. 2026.
BRASIL. Tribunal Superior Eleitoral. Resolução nº 23.732, de 27 de fevereiro de 2024. Altera a Res.-TSE nº 23.610, de 18 de dezembro de 2019, dispondo sobre a propaganda eleitoral. Brasília, DF: TSE, 2024. Disponível em: https://www.tse.jus.br/legislacao/compilada/res/2024/resolucao-no-23-732-de-27-de-fevereiro-de-2024. Acesso em: 3 out. 2026.
BRASIL. Tribunal Superior Eleitoral. Resolução nº 23.755, de 2 de março de 2026. Altera a Res.-TSE nº 23.610, de 18 de dezembro de 2019, que dispõe sobre a propaganda eleitoral. Brasília, DF: TSE, 2026. Disponível em: https://www.tse.jus.br/legislacao/compilada/res/2026/resolucao-no-23-755-de-2-de-marco-de-2026. Acesso em: 3 out. 2026.
BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey. Generative AI at work. The Quarterly Journal of Economics, Oxford, v. 140, n. 2, p. 889-942, 2025. DOI: 10.1093/qje/qjae044. Disponível em: https://arxiv.org/abs/2304.11771. Acesso em: 3 out. 2026.
CARRO, Rodrigo. Brazil. Reuters Institute Digital News Report 2026, Oxford, 16 jun. 2026. Disponível em: https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2026/brazil. Acesso em: 3 out. 2026.
COALITION FOR CONTENT PROVENANCE AND AUTHENTICITY (C2PA). C2PA technical specification: version 2.3. [S. l.]: C2PA, dez. 2025. Disponível em: https://spec.c2pa.org/specifications/specifications/2.3/specs/C2PA_Specification.html. Acesso em: 3 out. 2026.
COLLINS, Eli. Fuel your creativity with new generative media models and tools. The Keyword, Mountain View, 20 maio 2025. Disponível em: https://blog.google/technology/ai/generative-media-models-io-2025/. Acesso em: 3 out. 2026.
DATHATHRI, Sumanth et al. Scalable watermarking for identifying large language model outputs. Nature, London, v. 634, n. 8035, p. 818-823, 2024. DOI: 10.1038/s41586-024-08025-4. Disponível em: https://www.nature.com/articles/s41586-024-08025-4. Acesso em: 3 out. 2026.
DELL'ACQUA, Fabrizio et al. Navigating the jagged technological frontier: field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Boston: Harvard Business School, 2023. (Working Paper, n. 24-013). Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321. Acesso em: 3 out. 2026.
DOSHI, Anil R.; HAUSER, Oliver P. Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, Washington, DC, v. 10, n. 28, eadn5290, 2024. DOI: 10.1126/sciadv.adn5290. Disponível em: https://discovery-pp.ucl.ac.uk/id/eprint/10195027. Acesso em: 3 out. 2026.
JENKINS, Henry. Cultura da convergência. 2. ed. São Paulo: Aleph, 2009.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 5.0: tecnologia para a humanidade. Rio de Janeiro: Sextante, 2021.
MOLLICK, Ethan. Cointeligência: a vida e o trabalho com IA. Tradução: Roberta Clapp. Rio de Janeiro: Intrínseca, 2025.
NOY, Shakked; ZHANG, Whitney. Experimental evidence on the productivity effects of generative artificial intelligence. Science, Washington, DC, v. 381, n. 6654, p. 187-192, 2023. DOI: 10.1126/science.adh2586. Disponível em: https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1_0.pdf. Acesso em: 3 out. 2026.
PAUL, Andrew. Why an AI image of Pope Francis in a fly jacket stirred up the internet. Popular Science, [s. l.], 28 mar. 2023. Disponível em: https://www.popsci.com/technology/pope-francis-ai-midjourney/. Acesso em: 3 out. 2026.
SHUMAILOV, Ilia et al. AI models collapse when trained on recursively generated data. Nature, London, v. 631, n. 8022, p. 755-759, 2024. DOI: 10.1038/s41586-024-07566-y. Disponível em: https://www.nature.com/articles/s41586-024-07566-y. Acesso em: 3 out. 2026.
SIMON, Felix M.; NIELSEN, Rasmus Kleis; FLETCHER, Richard. Generative AI and news report 2025: how people think about AI's role in journalism and society. Oxford: Reuters Institute for the Study of Journalism, 2025. Disponível em: https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2025-10/Gen_AI_and_News_Report_2025.pdf. Acesso em: 3 out. 2026.
UNIÃO EUROPEIA. Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024, que cria regras harmonizadas em matéria de inteligência artificial (Regulamento da Inteligência Artificial). Jornal Oficial da União Europeia, Luxemburgo, série L, 12 jul. 2024. Disponível em: https://eur-lex.europa.eu/legal-content/PT/TXT/?uri=CELEX:32024R1689. Acesso em: 3 out. 2026.
UNITED STATES. Copyright Office. Copyright and artificial intelligence, part 2: copyrightability. Washington, DC: U.S. Copyright Office, 2025. Disponível em: https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-2-Copyrightability-Report.pdf. Acesso em: 3 out. 2026.
WANG, Chengyi et al. Neural codec language models are zero-shot text to speech synthesizers. [S. l.]: arXiv, 2023. DOI: 10.48550/arXiv.2301.02111. Disponível em: https://arxiv.org/abs/2301.02111. Acesso em: 3 out. 2026.

Sistemas de inferência e raciocínio: encadeamento direto e reverso, resolução e redes semânticas

noreply@blogger.com (War) — Sun, 4 Oct 2026 08:02:51 -0300

Como uma máquina chega a conclusões que ninguém escreveu explicitamente? Este post abre o capô dos sistemas de inferência: o encadeamento direto, que parte dos fatos e vai empurrando conclusões; o encadeamento reverso, que parte da pergunta e volta atrás das evidências; a resolução, a regra única que prova por absurdo; e as redes semânticas, avós dos grafos de conhecimento que hoje respondem às nossas buscas. Tem motor de regras para diagnosticar um carro que não pega, prova passo a passo, uma rede de bichos do Cerrado para consultar e um vocabulário para revisar antes da prova.

Segunda-feira, 7h10, numa quadra residencial de Brasília. O carro de Caio não pega. A chave gira, o painel acende fraquinho e o motor de arranque só responde com uns cliques secos. Dona Lúcia, a vizinha do bloco ao lado, mecânica aposentada, passa com o cachorro e começa a listar em voz alta o que vê: painel fraco, cliques, e — olha só — o farol ficou ligado a noite inteira. Um fato puxa o outro, e em trinta segundos ela sentencia: bateria descarregada, chama alguém pra fazer uma chupeta.

Caio, estudante de Sistemas de Informação, fez o caminho contrário. Partiu de uma suspeita — será a bateria? — e se perguntou o que precisaria ser verdade para que fosse. Precisaria haver uma falha elétrica; para haver falha elétrica, o painel teria de estar fraco e o arranque, clicando. Foi conferir só essas coisas. Chegou à mesma conclusão por outra estrada.

Os dois acabaram de executar, sem saber, os dois algoritmos clássicos de raciocínio automático: o encadeamento direto (dos fatos para as conclusões) e o encadeamento reverso (do objetivo para as evidências). No post anterior da série, Lógica formal e representação do conhecimento, introduzimos a representação do conhecimento e vimos, de forma inicial, como regras permitem derivar conclusões. Agora aprofundamos justamente essa segunda parte: como os motores de inferência controlam o disparo das regras, como procuram provas e como estruturas em grafo sustentam outros tipos de inferência.

Já vimos

Regras de produção, cláusulas de Horn, encadeamento para frente e para trás, MYCIN, resolução e unificação — apresentados de forma introdutória.

Agora vamos aprofundar

O controle do motor (agenda, conjunto de conflito, Rete), a comparação operacional dos dois encadeamentos, a prova completa por refutação, as redes semânticas e os sistemas neurossimbólicos.

Passo 01

Recapitulando: a anatomia de um sistema de inferência

Antes de aprofundar, vale fixar o vocabulário. Um sistema de inferência é um programa que deriva conhecimento novo a partir de conhecimento já representado. A arquitetura clássica, herdada dos sistemas especialistas, separa o saber do raciocinar (Luger, 2013):

Base de conhecimento — regras do tipo SE… ENTÃO… e fatos gerais sobre o domínio, escritos por especialistas (ou extraídos de dados).
Memória de trabalho — os fatos do caso atual: o que se observou neste carro, neste paciente, neste pedido.
Motor de inferência — o procedimento que decide qual regra aplicar, quando e em que ordem; ele não sabe nada sobre carros, só sabe raciocinar.
Agenda — a fila de regras prontas para disparar, de onde o motor escolhe a próxima.

Anatomia de um sistema baseado em regras: o motor é genérico; o que muda de um domínio para outro é a base de conhecimento.

Essa separação é a grande ideia: trocar a base de conhecimento muda o assunto do sistema sem reescrever uma linha do motor. O mesmo motor que diagnostica carros pode, com outras regras, aprovar crédito ou sugerir disciplinas optativas.

Dois adjetivos medem a qualidade de um procedimento de inferência (Russell; Norvig, 2022). Ele é correto (em inglês, sound) quando só deriva sentenças que de fato decorrem da base — não inventa nada. E é completo quando consegue derivar tudo o que decorre dela. Correção sem completude é um detetive honesto, mas míope; completude sem correção é um fofoqueiro que acerta tudo e mais um pouco. Queremos as duas.

Boa parte dos sistemas práticos usa cláusulas de Horn (no máximo um literal positivo) e, em particular, cláusulas definidas (exatamente um literal positivo), nas quais uma conjunção de condições implica uma única conclusão, como em painel_fraco ∧ cliques → falha_elétrica. A restrição parece pequena, mas é ela que torna os dois encadeamentos eficientes — para regras proposicionais desse tipo, o encadeamento direto roda em tempo linear no tamanho da base (Russell; Norvig, 2022).

Passo 02

Encadeamento direto: dos fatos às conclusões

O encadeamento direto (forward chaining) é o raciocínio de Dona Lúcia. Ele é guiado por dados: começa pelo que se sabe e dispara toda regra cujas condições estejam satisfeitas, acrescentando as conclusões à memória de trabalho. As conclusões novas podem habilitar outras regras, e o processo continua até que nada de novo apareça — o chamado ponto fixo (Coppin, 2010).

Encadeamento direto: cada fato aciona regras, que produzem fatos novos, que acionam outras regras — até o ponto fixo.

Nos sistemas de produção, isso acontece num ciclo reconhecer-agir com três fases (Luger, 2013):

enquanto houver novidade:
    1. CASAR      → encontrar as regras cujas condições estão todas
                    na memória de trabalho (o "conjunto de conflito")
    2. RESOLVER   → escolher UMA regra do conjunto de conflito
    3. EXECUTAR   → disparar a regra e acrescentar sua conclusão
                    à memória de trabalho

A fase 2 é mais sutil do que parece. Quando várias regras estão prontas, o motor precisa de uma estratégia de resolução de conflitos. As mais comuns são a refração (a mesma regra não dispara duas vezes com os mesmos dados), a recência (prioriza regras que usam os fatos mais novos, mantendo o raciocínio "no assunto") e a especificidade (prefere a regra com mais condições, isto é, a mais específica) (Luger, 2013).

A fase 1 é o gargalo: testar todas as regras contra todos os fatos a cada ciclo fica caro rapidamente. Em 1982, Charles Forgy publicou o algoritmo Rete (latim para "rede"), que compila as condições das regras numa rede de nós e guarda os casamentos parciais entre um ciclo e outro; assim, cada fato novo só percorre a parte da rede que lhe diz respeito (Forgy, 1982). Descendentes do Rete continuam no coração dos motores de regras de negócio usados em bancos, seguradoras e sistemas de monitoramento.

O ponto forte do encadeamento direto é reagir a dados que chegam: alertas, monitoramento, configuração. O ponto fraco é a falta de foco — ele deriva tudo o que pode ser derivado, inclusive o que ninguém perguntou.

Passo 03

Encadeamento reverso: do objetivo às evidências

O encadeamento reverso (backward chaining) é o raciocínio de Caio. Ele é guiado por objetivos: começa por uma hipótese e procura regras que a concluam. As condições dessas regras viram subobjetivos, que por sua vez são provados da mesma forma, numa pilha que desce até encontrar fatos conhecidos — ou perguntas que o sistema pode fazer ao usuário. Na prática, é uma busca em profundidade numa árvore E-OU (Russell; Norvig, 2022), parente direta das estratégias que vimos em Busca cega.

Encadeamento reverso: a hipótese vem primeiro; as evidências são procuradas só se forem necessárias para prová-la.

O exemplo histórico mais famoso é o MYCIN, desenvolvido em Stanford nos anos 1970 para recomendar terapia contra infecções bacterianas. Com algumas centenas de regras, ele raciocinava de trás para frente a partir da pergunta "qual organismo causa esta infecção?", fazia ao médico apenas as perguntas relevantes para o objetivo da vez e sabia explicar o raciocínio quando o usuário digitava por quê? ou como? (Buchanan; Shortliffe, 1984). Essa capacidade de explicação — a pilha de subobjetivos é, literalmente, a justificativa — continua sendo uma vantagem que modelos estatísticos têm dificuldade de oferecer.

A outra herança é a linguagem Prolog, nascida em Marselha em 1972. Um programa Prolog é uma base de cláusulas de Horn, e executar o programa é fazer uma pergunta que o interpretador responde por encadeamento reverso, em profundidade e da esquerda para a direita (Körner et al., 2022). O preço dessa estratégia simples é conhecido: uma regra circular, como "A se B" e "B se A", pode fazer o encadeamento reverso andar em círculos para sempre. Numa base proposicional finita como a da oficina abaixo, o encadeamento direto evita esse laço simples, porque não redescobre os mesmos fatos. Mas não há imunidade geral: em lógica de primeira ordem com funções, uma regra como P(x) → P(f(x)), partindo de P(a), gera P(f(a)), P(f(f(a))), P(f(f(f(a)))) e assim por diante, sem nunca atingir um ponto fixo.

Oficina de inferência: o mesmo carro, dois motores

Marque o que foi observado no carro, escolha o modo e avance passo a passo. No modo direto, observe o conjunto de conflito crescendo e diminuindo; no reverso, veja a pilha de subobjetivos e conte quantas perguntas o sistema realmente precisou fazer.

Observações do caso (o que o motorista responderia)

luzes do painel fracas arranque só dá cliques faróis ficaram acesos a noite toda bateria tem mais de quatro anos pó esverdeado (zinabre) nos polos da bateria motor gira normalmente, mas não pega ponteiro do combustível no zero

Base de regras

R1 SE painel fraco E cliques ENTÃO falha elétrica
R2 SE falha elétrica E faróis acesos à noite ENTÃO bateria descarregada
R3 SE falha elétrica E bateria com mais de 4 anos ENTÃO bateria no fim da vida
R4 SE falha elétrica E zinabre nos polos ENTÃO mau contato
R5 SE bateria descarregada ENTÃO ➜ fazer chupeta e rodar 30 min
R6 SE bateria no fim da vida ENTÃO ➜ trocar a bateria
R7 SE mau contato ENTÃO ➜ limpar e apertar os terminais
R8 SE motor gira mas não pega E combustível no zero ENTÃO sem combustível
R9 SE sem combustível ENTÃO ➜ abastecer

Memória de trabalho

painel fracocliquesfaróis acesos à noite

Clique em Próximo ciclo: o motor vai casar as regras com a memória de trabalho.

Hipótese a provar:

Escolha uma hipótese e clique em Próximo passo: o motor vai procurar uma regra que a conclua.

Regras disparadas: 0 · Perguntas feitas ao usuário: 0

Fonte: elaborado pelo autor com base em Russell e Norvig (2022) e Luger (2013). Regras simplificadas para fins didáticos; não substituem um mecânico.

Repare no placar ao comparar os modos. O direto precisa das respostas às sete observações antes de começar e dispara regras até esgotar o que dá para concluir. O reverso, perguntado sobre "fazer chupeta", faz só três perguntas — exatamente as que importam para aquela hipótese; perguntado sobre "trocar a bateria", descobre na terceira pergunta que a hipótese não se sustenta. O quadro a seguir resume as diferenças.

Quadro 1 — Encadeamento direto e encadeamento reverso, segundo critérios selecionados

Critério	Encadeamento direto	Encadeamento reverso
Ponto de partida	Fatos conhecidos	Hipótese ou objetivo
Pergunta típica	"O que posso concluir disto?"	"Isto é verdade?"
Direção na regra	Das condições para a conclusão	Da conclusão para as condições
Quando convém	Muitos dados chegando, poucas regras por fato; monitoramento e configuração	Poucas hipóteses, muitos dados possíveis; diagnóstico e consulta
Risco principal	Derivar conclusões irrelevantes; com funções, gerar fatos sem fim	Laços em regras circulares; refazer subprovas
Explicação	Rastro dos disparos	Pilha de subobjetivos ("por quê?")
Exemplos clássicos	Motores de regras com Rete	MYCIN; Prolog

Fonte: elaborado pelo autor com base em Luger (2013), Russell e Norvig (2022), Forgy (1982), Buchanan e Shortliffe (1984) e Körner et al. (2022).Nota: sistemas reais frequentemente combinam os dois sentidos (raciocínio bidirecional), assim como a busca bidirecional combina duas frentes.

Passo 04

Resolução: uma regra para todas as provas

Os encadeamentos funcionam muito bem com cláusulas de Horn, mas tropeçam quando o conhecimento tem disjunções ("o problema é na bateria ou no alternador") ou negações. Para a lógica de primeira ordem completa, o modus ponens sozinho não basta. Em 1965, John Alan Robinson mostrou que uma única regra de inferência, a resolução, combinada com a unificação, é suficiente para provar qualquer consequência lógica de um conjunto de cláusulas (Robinson, 1965).

A regra de resolução: literais complementares se anulam e o que sobra das duas cláusulas forma uma cláusula nova.

A regra

A resolução trabalha com cláusulas: disjunções de literais (átomos ou negações de átomos). Dadas duas cláusulas em que um literal aparece positivo numa e negado na outra, ela produz o resolvente, que junta o resto das duas:

  (A ∨ P)      (¬P ∨ B)
  ─────────────────────
         (A ∨ B)

Intuitivamente: se P é verdadeiro, a segunda cláusula obriga B; se P é falso, a primeira obriga A; em qualquer caso, vale A ou B. O modus ponens é um caso particular: de P e de (¬P ∨ B), que é o mesmo que P → B, sai B.

Antes de resolver: a forma clausal

Para aplicar a regra, a base precisa estar em forma normal conjuntiva — uma conjunção de cláusulas. A conversão segue um roteiro mecânico (Russell; Norvig, 2022): eliminar ↔ e →; empurrar as negações para dentro (leis de De Morgan); renomear variáveis para que cada quantificador tenha a sua; eliminar os existenciais por skolemização (trocar "existe um x" por uma constante ou função nova); descartar os universais, que passam a ficar implícitos; e distribuir ∨ sobre ∧. Por exemplo, "toda coruja é ave", ∀x Coruja(x) → Ave(x), vira a cláusula ¬Coruja(x) ∨ Ave(x).

Como ler os símbolos — e por que ¬Coruja(x) ∨ Ave(x) quer dizer "toda coruja é ave"

Quadro 2 — Símbolos lógicos usados neste post, segundo a leitura em português

Símbolo	Leitura	Exemplo e leitura do exemplo
¬	não; não é verdade que	¬Coruja(x): x não é coruja
∧	e	P ∧ Q: P e Q
∨	ou (inclusivo: um, outro ou ambos)	P ∨ Q: P ou Q
→	se… então…	P → Q: se P, então Q
↔	se e somente se	P ↔ Q: P se e somente se Q
∀x	para todo x	∀x Ave(x): tudo é ave
∃x	existe (ao menos) um x	∃x Ave(x): alguma coisa é ave
Coruja(x)	predicado aplicado a uma variável	x é coruja (x é um lugar a preencher)
Coruja(Chica)	predicado aplicado a uma constante	Chica é coruja
x, y	variáveis (minúsculas)	valem para qualquer indivíduo
{y/Chica}	substituição	troque a variável y pela constante Chica
α	uma sentença qualquer	"provar α": provar a sentença em questão
	cláusula vazia	cláusula sem literais: contradição

Fonte: elaborado pelo autor com base em Russell e Norvig (2022).

Por que ¬Coruja(x) ∨ Ave(x) é o mesmo que "toda coruja é ave"

1. "Não A ou B" equivale a "se A, então B". Chame A = Coruja(x) e B = Ave(x). Uma condicional A → B só é falsa num caso: quando A é verdadeiro e B é falso (a promessa "se chover, levo guarda-chuva" só é quebrada se chover e eu não levar). A disjunção ¬A ∨ B também só é falsa num caso: quando ¬A é falso (isto é, A verdadeiro) e B é falso. Mesmo caso, mesmo resultado — a tabela-verdade confirma, linha a linha:

Quadro 3 — Tabela-verdade de A → B e de ¬A ∨ B

A	B	¬A	A → B	¬A ∨ B
V	V	F	V	V
V	F	F	F	F
F	V	V	V	V
F	F	V	V	V

Fonte: elaborado pelo autor.Nota: V = verdadeiro; F = falso. Em destaque, a única linha em que as duas fórmulas são falsas.

2. Logo, a cláusula diz "se x é coruja, então x é ave". Trocando A e B de volta: ¬Coruja(x) ∨ Ave(x) tem exatamente os mesmos valores de Coruja(x) → Ave(x).

3. A variável vale para todos. Na conversão para a forma clausal, os quantificadores universais são descartados, mas por convenção toda variável de uma cláusula continua lida como "para todo". Assim, a cláusula afirma ∀x (Coruja(x) → Ave(x)): para todo x, se x é coruja, então x é ave — ou seja, toda coruja é ave.

Teste com indivíduos. A cláusula precisa ser verdadeira para cada ser do universo. Ela fica satisfeita se o ser não é coruja (primeira parte) ou se é ave (segunda parte); o único caso que ela proíbe é justamente o contraexemplo da frase "toda coruja é ave":

Quadro 4 — Verificação da cláusula ¬Coruja(x) ∨ Ave(x) para indivíduos selecionados

x	Coruja(x)	Ave(x)	¬Coruja(x) ∨ Ave(x)	Por quê
Chica	V	V	V	é ave
Ema	F	V	V	não é coruja (e é ave)
Lobo-guará	F	F	V	não é coruja: a regra nada exige
coruja que não fosse ave	V	F	F	o único caso proibido

Fonte: elaborado pelo autor.Nota: a última linha é hipotética; ela representa o contraexemplo que a cláusula exclui.

É essa troca entre "não A ou B" e "se A, então B" que permite escrever regras como cláusulas — e é por isso que a resolução, que só enxerga disjunções, consegue raciocinar com regras.

Unificação: o chaveiro da lógica

Em primeira ordem, os literais raramente são idênticos: temos ¬Ave(y) numa cláusula e Ave(Chica) noutra. A unificação encontra a substituição mais geral que torna dois termos iguais — aqui, {y/Chica}, notação que se lê "substituir a variável y pela constante Chica". Robinson chamou de unificador mais geral a substituição que faz isso sem comprometer mais variáveis que o necessário (Robinson, 1965).

Unificação: a variável x é uma chave-mestra que passa a abrir uma porta específica quando recebe o valor Chica.

Provar por absurdo: a refutação

Em provadores automáticos, a resolução é frequentemente utilizada por refutação. Para provar que a base implica uma sentença α, acrescenta-se ¬α à base e aplica-se resolução até derivar a cláusula vazia — a cláusula sem nenhum literal, que os livros desenham como um quadrado vazio () —, que representa uma contradição. Se a base com ¬α é contraditória, então α decorre da base. Robinson provou que esse procedimento é completo para refutação: se há contradição, existe uma sequência de resoluções que chega à cláusula vazia (Robinson, 1965).

Prova por refutação: supor o contrário do que se quer provar e mostrar que isso leva a um absurdo.

Laboratório: prove que Chica tem penas

Base: toda coruja é ave; toda ave tem penas; Chica é uma coruja. Queremos provar TemPenas(Chica), então acrescentamos sua negação e avançamos até a cláusula vazia.

C1 ¬Coruja(x) ∨ Ave(x) toda coruja é ave
C2 ¬Ave(y) ∨ TemPenas(y) toda ave tem penas
C3 Coruja(Chica) Chica é coruja
C4 ¬TemPenas(Chica) negação do objetivo
C5 ¬Ave(Chica) resolvente de C4 e C2, com {y/Chica}
C6 ¬Coruja(Chica) resolvente de C5 e C1, com {x/Chica}
C7 resolvente de C6 e C3: contradição! Logo, TemPenas(Chica).

As quatro cláusulas de partida já estão na forma clausal. Clique em Próximo passo para escolher um par com literais complementares.

Fonte: elaborado pelo autor com base em Robinson (1965) e Russell e Norvig (2022).

A elegância cobra um preço. Na lógica de primeira ordem, a consequência lógica é apenas semidecidível: se α decorre da base, existe uma refutação por resolução, e uma estratégia de busca justa (que não negligencia indefinidamente nenhum par de cláusulas) acabará encontrando-a; se não decorre, o procedimento pode rodar para sempre (Russell; Norvig, 2022). Por isso os provadores usam estratégias para domar a explosão de resolventes — preferir cláusulas unitárias, exigir que cada passo envolva a negação do objetivo ou seus descendentes (conjunto de suporte), eliminar cláusulas redundantes. O Prolog, aliás, é resolução restrita a cláusulas de Horn com uma ordem fixa de busca: o encadeamento reverso do Passo 03 é resolução disfarçada (Körner et al., 2022).

Passo 05

Redes semânticas: conhecimento em forma de grafo

Regras e cláusulas são ótimas para provar, mas pouco amigáveis para organizar conceitos. Em 1966, M. Ross Quillian propôs um modelo de memória semântica em que cada conceito é um nó e os significados emergem das ligações entre nós; responder a uma pergunta, nesse modelo, é percorrer a rede a partir de dois conceitos até encontrar onde as trilhas se cruzam (Quillian, 1966). Nascia a rede semântica: um grafo rotulado em que nós representam conceitos ou indivíduos e arcos representam relações.

Uma rede semântica mínima: os arcos é-um organizam a taxonomia; os demais arcos guardam propriedades.

Dois arcos são especiais. O arco é-um liga uma classe a uma superclasse (coruja-buraqueira é-um ave), e o arco instância-de liga um indivíduo à sua classe (Chica instância-de coruja-buraqueira). Com eles vem um dos mecanismos de inferência mais simples e eficientes nesse tipo de representação: a herança. Não é preciso registrar que Chica tem penas; basta subir a rede até "Ave", onde a propriedade está guardada uma única vez. Na rede semântica, inferir é caminhar pelo grafo.

O problema aparece com as exceções. Se "aves voam" está em "Ave", como fica a ema, que é ave e não voa? A solução usual é a herança por padrão (default): a propriedade vale a menos que um nó mais específico diga o contrário, e o valor mais próximo do indivíduo vence. Isso torna o raciocínio não monotônico — um fato novo pode cancelar uma conclusão anterior, algo impossível na lógica clássica (Russell; Norvig, 2022). Na rede simplificada deste post, adotamos a regra de que a propriedade mais específica prevalece; redes com herança múltipla podem exigir mecanismos adicionais, porque duas classes igualmente específicas podem herdar valores contraditórios para o mesmo indivíduo.

Herança com exceções: o valor mais específico vence o herdado — e o pinguim (ou a nossa ema) agradece.

Laboratório: pergunte à rede

Escolha um ser e uma propriedade e clique em Perguntar. O motor sobe pelos arcos até achar a resposta — e mostra o caminho. Clique num nó para ver o que está guardado nele.

Ser: Propriedade:

Exemplo: Chica voa? Chica (nada consta) → instância-de → Coruja-buraqueira (nada consta) → é-um → Ave: voa = sim. Resposta herdada de Ave.

Fonte: elaborado pelo autor com base em Quillian (1966), Sowa (1992) e Russell e Norvig (2022).

Experimente perguntar se a ema voa (a exceção local vence a herança) e se Chica amamenta (a rede chega ao topo sem encontrar nada). Esse último caso ensina outra lição: "não consta na rede" não é o mesmo que "é falso" — a diferença entre a hipótese de mundo fechado, frequentemente associada a bancos de dados e à negação por falha em programas Prolog, e a de mundo aberto, típica da Web semântica.

Muitas redes, um mesmo desenho

Ao longo das décadas, o termo "rede semântica" passou a cobrir sistemas bem diferentes entre si. John Sowa organizou essa diversidade em seis famílias (Sowa, 1992):

Quadro 5 — Tipos de redes semânticas, segundo a ênfase e o papel na inferência

Tipo	Ênfase	Papel na inferência
Definicional	Relação é-um entre tipos e subtipos	Herança de propriedades das classes para as subclasses
Assertiva	Proposições contingentes sobre o mundo	Registro de afirmações que podem ser verdadeiras ou falsas
Implicacional	Implicação como relação principal	Representação de crenças, causas e inferências
Executável	Procedimentos acoplados à rede	Passagem de marcadores e buscas por padrões
De aprendizagem	Construção a partir de exemplos	Ajuste de pesos ou da estrutura da rede
Híbrida	Combinação das anteriores	Integração de mecanismos distintos num mesmo sistema

Fonte: elaborado pelo autor com base em Sowa (1992), tradução livre.

As redes semânticas também receberam críticas: sem uma semântica formal, um arco é-um podia significar "subclasse", "instância" ou "tem a propriedade de", e dois sistemas desenhados de forma idêntica podiam querer dizer coisas diferentes. A resposta foram as lógicas de descrição, que dão significado preciso a classes e relações e tornam decidíveis perguntas como "esta classe está contida naquela?" (Russell; Norvig, 2022).

De Quillian ao seu buscador

A herdeira mais visível dessa linha é a Web semântica. No modelo RDF, padronizado pelo W3C, todo conhecimento é escrito como triplas sujeito–predicado–objeto, e um conjunto de triplas forma um grafo dirigido e rotulado (W3C, 2014). Em outras palavras: uma rede semântica com endereços na web. A tripla (Chica, instânciaDe, CorujaBuraqueira) é o arco do nosso laboratório, agora interoperável.

Em 2012, o Google anunciou o seu Knowledge Graph com o lema things, not strings — "coisas, não sequências de caracteres": em vez de casar palavras, o buscador passaria a entender entidades e suas relações. No lançamento, o grafo reunia mais de 500 milhões de objetos e mais de 3,5 bilhões de fatos sobre eles (Singhal, 2012). Aquele quadro lateral que aparece quando você busca uma cidade ou uma pessoa famosa é, no fundo, uma consulta a uma rede semântica gigante.

Passo 06

Inferência simbólica na era dos modelos de linguagem

Se os grandes modelos de linguagem conversam tão bem, por que estudar motores de regras? Porque, como vimos em Fundamentos de IA generativa, um modelo de linguagem gera a continuação mais provável de um texto — o que não é o mesmo que garantir que cada passo de um argumento seja válido. Procedimentos de inferência formais podem ser construídos de modo que cada transformação preserve a validade, e, em muitos casos, essa correção pode ser demonstrada matematicamente — desde que as regras e a formalização do domínio também estejam certas. Um modelo estatístico de linguagem, por si só, não oferece essa garantia.

Uma linha de pesquisa importante combina os dois, na chamada IA neurossimbólica. Um dos casos mais didáticos dessa combinação é o AlphaGeometry, do Google DeepMind, apresentado em 2024. Em problemas de geometria de olimpíada, um motor de dedução simbólica aplica regras de inferência para a frente, derivando exaustivamente tudo o que decorre das premissas — essencialmente, encadeamento direto. Quando o motor empaca, um modelo de linguagem treinado com 100 milhões de exemplos sintéticos sugere uma construção auxiliar (um ponto, uma reta), e o motor volta a deduzir (Trinh et al., 2024). A intuição propõe; a dedução verifica.

Neurossimbólico: a rede neural sugere o passo criativo; o motor simbólico garante que cada passo seguinte é válido.

Os números mostram o que cada parte acrescenta. No conjunto de 30 problemas de geometria de olimpíadas internacionais usado pelos autores, o motor simbólico sozinho resolveu menos da metade; com o modelo de linguagem propondo construções, o sistema chegou perto da média dos medalhistas de ouro. O gráfico favorece a comparação visual; a tabela, logo abaixo, apresenta os valores exatos.

Tabela 1 — Problemas de geometria olímpica resolvidos, por sistema ou referência humana — conjunto IMO-AG-30, 2024

Modelo de linguagem sozinho (GPT-4)

Método algébrico de Wu

Motor simbólico sozinho (DD + AR)

Motor simbólico + heurísticas humanas

AlphaGeometry (neurossimbólico)

Medalhista de ouro (média)

25,9

Sistema ou referência	Problemas resolvidos	Proporção (%)
Modelo de linguagem sozinho (GPT-4)	0	0,0
Método algébrico de Wu	10	33,3
Motor simbólico sozinho (DD + AR)	14	46,7
Motor simbólico + heurísticas humanas	18	60,0
AlphaGeometry	25	83,3
Medalhista de ouro (média)	25,9	86,3

Fonte: elaborado pelo autor com base em Trinh et al. (2024).Notas: 1. Total de 30 problemas. 2. DD + AR: dedução por base de dados dedutiva mais raciocínio algébrico. 3. Proporções calculadas pelo autor.

Esses números registram o estado do sistema original, de 2024; o campo avançou depressa desde então. Em 2025, o AlphaGeometry 2 passou a resolver 84% dos problemas de geometria das olimpíadas internacionais de 2000 a 2024 (Chervonyi et al., 2025). No mesmo ano, uma versão avançada do Gemini com o modo Deep Think alcançou nível de medalha de ouro na Olimpíada Internacional de Matemática trabalhando inteiramente em linguagem natural, sem tradução para uma linguagem formal — enquanto os sistemas de 2024 dependiam dessa tradução (Luong; Lockhart, 2025). A divisão de trabalho entre intuição estatística e dedução formal, portanto, está em plena disputa; o que não muda é a pergunta de fundo: quem verifica cada passo?

O mesmo espírito aparece nos assistentes de prova, como o Lean, em que cada passo de uma demonstração é verificado mecanicamente — tema que apareceu no post sobre Terence Tao e a IA na ciência. Os motores de inferência não ficaram para trás: viraram o fiscal de rigor das IAs que conversam.

Vocabulário

Glossário do raciocínio automático

Digite para filtrar os termos.

Agenda: Fila de regras prontas para disparar num sistema de produção; o motor escolhe dela a próxima a executar.
Base de conhecimento: Conjunto de regras e fatos gerais sobre um domínio, separado do procedimento que raciocina sobre eles.
Cláusula: Disjunção de literais, como ¬Ave(y) ∨ TemPenas(y). É a unidade sobre a qual a resolução trabalha.
Cláusula de Horn: Cláusula com no máximo um literal positivo, como ¬P ∨ ¬Q ∨ R ou ¬P ∨ ¬Q. Base do Prolog e dos encadeamentos eficientes.
Cláusula definida: Cláusula de Horn com exatamente um literal positivo; pode ser lida como uma regra "condições → conclusão" (¬P ∨ ¬Q ∨ R equivale a P ∧ Q → R).
Cláusula vazia: Cláusula sem literais; representa uma contradição. Derivá-la encerra uma prova por refutação.
Completude: Propriedade de um procedimento que deriva tudo o que decorre logicamente da base.
Conjunto de conflito: Regras cujas condições estão satisfeitas num dado ciclo do encadeamento direto.
Correção (soundness): Propriedade de um procedimento que só deriva o que decorre logicamente da base.
Encadeamento direto: Inferência guiada por dados: dos fatos para as conclusões, até o ponto fixo.
Encadeamento reverso: Inferência guiada por objetivos: da hipótese para as condições que a sustentariam, em forma de subobjetivos.
Forma normal conjuntiva: Conjunção de cláusulas; formato exigido pela resolução.
Herança: Inferência em redes semânticas pela qual um nó recebe as propriedades das classes acima dele.
Literal: Átomo (P) ou átomo negado (¬P).
Memória de trabalho: Fatos do caso em análise, que crescem à medida que as regras disparam.
Motor de inferência: Componente que aplica as regras da base aos fatos, decidindo o que disparar e em que ordem.
Não monotonicidade: Característica de raciocínios em que um fato novo pode cancelar uma conclusão anterior, como nas exceções de herança.
Neurossimbólico: Abordagem que combina redes neurais (aprendizado, intuição estatística) com raciocínio simbólico (regras, provas).
Ponto fixo: Estado em que nenhuma regra produz fato novo; fim do encadeamento direto.
Q.E.D.: Abreviação do latim quod erat demonstrandum, "o que era para ser demonstrado"; em português, c.q.d. ("como queríamos demonstrar"). Marca o fim de uma demonstração — aqui, o fim da prova por refutação e o rótulo da seção final do post.
Rede semântica: Grafo rotulado em que nós são conceitos ou indivíduos e arcos são relações, como é-um e instância-de.
Refutação: Prova por absurdo: acrescenta-se a negação do objetivo e deriva-se uma contradição.
Resolução: Regra de inferência que, de duas cláusulas com literais complementares, produz uma cláusula com o restante das duas.
Rete: Algoritmo de casamento de padrões que guarda casamentos parciais entre ciclos, acelerando motores de regras.
Skolemização: Eliminação de quantificadores existenciais pela introdução de constantes ou funções novas.
Tripla RDF: Afirmação na forma sujeito–predicado–objeto; conjuntos de triplas formam grafos de conhecimento.
Unificação: Procedimento que encontra a substituição de variáveis mais geral que torna dois termos idênticos.

Mão na massa

Monte seu próprio motor de regras

Escolha um processo que você conhece bem — as regras de pré-requisito e trancamento do seu curso, por exemplo — e siga o roteiro. Marque cada etapa ao concluir.

Liste de 8 a 12 regras SE… ENTÃO… em linguagem natural, cada uma com uma única conclusão (cláusulas de Horn). Separe as perguntas observáveis (o que o usuário responde) das conclusões intermediárias e finais. Simule à mão o encadeamento direto a partir de um caso real e anote o conjunto de conflito a cada ciclo. Simule o encadeamento reverso para uma hipótese e conte quantas perguntas foram realmente necessárias. Traduza duas regras para a forma clausal e prove uma conclusão por refutação, chegando à cláusula vazia. Desenhe a parte taxonômica do domínio como rede semântica (é-um, instância-de) e marque ao menos uma exceção.

0 de 6 etapas

Para ler junto

Posts relacionados no Brasil Acadêmico

Lógica formal e representação do conhecimento — o capítulo anterior: proposições, predicados, regras de inferência e o motor de identificação de bichos do Cerrado.
Formulação de problemas e espaço de estados — provar um teorema também é buscar um caminho num espaço de estados.
Busca cega — profundidade, largura e busca bidirecional, as mesmas estratégias por trás dos encadeamentos.
Busca informada — heurísticas que também orientam a escolha de resolventes em provadores.
Busca aplicada: recomendação, planejamento e otimização — planejadores clássicos são, em boa parte, motores de inferência sobre ações.
Fundamentos de IA generativa — o lado estatístico com o qual a inferência simbólica hoje se combina.
Terence Tao e o paradoxo da IA com a ciência — assistentes de prova e verificação mecânica de demonstrações.
Jev: modelo de IA que decide em vez de conversar — decisões tipadas e calibradas, um contraponto probabilístico aos motores de regras.
Como a máquina aprende — aprender regras a partir de dados em vez de escrevê-las à mão.
Afinal, o que é inteligência artificial? — a história em que os sistemas especialistas foram protagonistas.

Q.E.D.

Como queríamos demonstrar

Dona Lúcia e Caio chegaram à mesma bateria descarregada por caminhos opostos, e é isso que os sistemas de inferência formalizam: partir dos fatos ou partir da pergunta; disparar regras ou empilhar subobjetivos; provar diretamente ou provar que o contrário é absurdo; guardar o conhecimento em regras ou em grafos que se percorrem. Nenhuma das técnicas é a melhor em absoluto — o encadeamento direto vigia, o reverso investiga, a resolução garante e a rede semântica organiza.

Fica a pergunta para a próxima aula: se um modelo de linguagem lhe der uma resposta convincente, que parte do raciocínio dele você gostaria de ver verificada por um motor de inferência — e como saberia escrever as regras para isso?

Nota do autor: as regras da oficina de inferência são deliberadamente simplificadas e servem apenas para ilustrar o funcionamento dos encadeamentos; diagnóstico automotivo real envolve outros testes (tensão da bateria, alternador, motor de arranque). Na oficina, a estratégia de resolução de conflitos adotada é a ordem das regras com refração. As traduções de termos e de trechos de obras em inglês (inclusive os tipos de rede de Sowa) são livres. Os números da Tabela 1 são os relatados por Trinh et al. (2024) para o conjunto IMO-AG-30; as proporções foram calculadas pelo autor, e os resultados refletem o sistema de 2024, já superado por versões posteriores (ver Passo 06). Seguindo o critério editorial do blog, foram citados apenas livros disponíveis em livrarias online ou em bibliotecas eletrônicas institucionais (Minha Biblioteca, Biblioteca Virtual Pearson) e artigos de acesso aberto; o texto de Sowa é a versão revisada que o autor mantém online.

Referências

BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley, 1984. Disponível em: https://people.dbmi.columbia.edu/~ehs7001/Buchanan-Shortliffe-1984/MYCIN%20Book.htm. Acesso em: 4 out. 2026.
CHERVONYI, Yuri et al. Gold-medalist performance in solving olympiad geometry with AlphaGeometry2. arXiv, Ithaca, 2025. Preprint arXiv:2502.03544. Disponível em: https://arxiv.org/abs/2502.03544. Acesso em: 5 out. 2026.
COPPIN, Ben. Inteligência artificial. Rio de Janeiro: LTC, 2010.
FORGY, Charles L. Rete: a fast algorithm for the many pattern/many object pattern match problem. Artificial Intelligence, Amsterdam, v. 19, n. 1, p. 17-37, 1982. DOI: 10.1016/0004-3702(82)90020-0. Disponível em: https://www.csl.sri.com/users/mwfong/public_html/Technical/RETE%20Match%20Algorithm%20-%20Forgy%20OCR.pdf. Acesso em: 4 out. 2026.
KÖRNER, Philipp et al. Fifty years of Prolog and beyond. Theory and Practice of Logic Programming, Cambridge, v. 22, n. 6, p. 776-858, 2022. Disponível em: https://arxiv.org/abs/2201.10816. Acesso em: 4 out. 2026.
LUGER, George F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
LUONG, Thang; LOCKHART, Edward. Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad. Google DeepMind Blog, London, 21 jul. 2025. Disponível em: https://deepmind.google/discover/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/. Acesso em: 5 out. 2026.
QUILLIAN, M. Ross. Semantic memory. Cambridge, MA: Bolt Beranek and Newman, 1966. Relatório técnico. Disponível em: https://apps.dtic.mil/sti/tr/pdf/AD0641671.pdf. Acesso em: 4 out. 2026.
ROBINSON, J. A. A machine-oriented logic based on the resolution principle. Journal of the ACM, New York, v. 12, n. 1, p. 23-41, jan. 1965. DOI: 10.1145/321250.321253. Disponível em: https://dl.acm.org/doi/10.1145/321250.321253. Acesso em: 4 out. 2026.
RUSSELL, Stuart J.; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022.
SINGHAL, Amit. Introducing the Knowledge Graph: things, not strings. The Keyword, Mountain View, 16 maio 2012. Disponível em: https://blog.google/products/search/introducing-knowledge-graph-things-not/. Acesso em: 4 out. 2026.
SOWA, John F. Semantic networks. In: SHAPIRO, Stuart C. (ed.). Encyclopedia of artificial intelligence. 2. ed. New York: Wiley, 1992. Versão revisada disponível em: https://www.jfsowa.com/pubs/semnet.htm. Acesso em: 4 out. 2026.
TRINH, Trieu H. et al. Solving olympiad geometry without human demonstrations. Nature, London, v. 625, n. 7995, p. 476-482, 2024. DOI: 10.1038/s41586-023-06747-5. Disponível em: https://www.nature.com/articles/s41586-023-06747-5. Acesso em: 4 out. 2026.
W3C. RDF 1.1 concepts and abstract syntax. [S. l.]: W3C, 2014. Disponível em: https://www.w3.org/TR/rdf11-concepts/. Acesso em: 4 out. 2026.

Lean Startup, MVP, Canvas e métodos ágeis: construindo inovação sem desperdício

noreply@blogger.com (War) — Wed, 30 Sep 2026 12:41:04 -0300

Em 1997, antes do smartphone, um guia impresso de cardápios e uma central telefônica testavam em São Paulo se as pessoas queriam pedir comida em casa — catorze anos depois, aquele teste virou o iFood. Neste capítulo da série de Gestão de Tecnologia e Inovação, mostramos como Lean Startup, produto mínimo viável (MVP), Business Model Canvas e os métodos ágeis Scrum e Kanban formam um único raciocínio: transformar incerteza em aprendizado antes que o dinheiro acabe. Com os dados de 2026 sobre por que startups fecham, um ciclo construir-medir-aprender, um canvas e um quadro Kanban interativos, glossário e, como sempre, fontes na mesa.

Em 1997, começou a circular em São Paulo um guia impresso chamado Disk Cook: cardápios de restaurantes organizados como uma lista telefônica, com pedidos feitos por telefone fixo a uma central (Ifood…, [2025]). A cronologia é a da própria empresa: o guia foi criado em 1997 e, em 2011, com a fundação do iFood, o modelo foi digitalizado para receber pedidos pelo site (iFood, 2023). Não havia aplicativo, algoritmo de recomendação nem entregador guiado por GPS. Havia uma pergunta — as pessoas querem, de fato, pedir comida de vários restaurantes por um único canal? — e um jeito barato de respondê-la. Em maio de 2011, com a internet móvel ganhando corpo, o negócio mudou de nome e de suporte e virou iFood; em outubro de 2025, a empresa bateu seu recorde, com 160 milhões de pedidos em um único mês (Ifood…, [2025]).

Chamar aquele guia de "MVP" é uma leitura retroativa — o termo só se popularizaria mais de uma década depois. Mas ela ilustra perfeitamente a ideia que atravessa este post: antes de construir o produto certo, é preciso descobrir se existe um problema certo. E os dados mostram que essa não é uma lição óbvia. Em março de 2026, a CB Insights analisou 431 startups financiadas por capital de risco que fecharam as portas desde 2023; em 43% dos casos com motivo identificado, a causa apontada foi a falta de aderência entre produto e mercado — gente construindo, com eficiência, algo que não encontrou quem quisesse (CB Insights, 2026).

Este é o quarto texto de uma sequência pensada para a disciplina Gestão de Tecnologia e Inovação. Em "Afinal, o que é inovação?", definimos os termos de base — invenção, inovação, incremental, radical, disruptiva (Afinal…, 2026). Em "Pix: uma aula de gerenciamento de projetos", vimos como o mundo dos projetos migrou do preditivo para o ágil e o híbrido (Pix…, 2026). E em "Dinâmica tecnológica e inovação", reunimos os mapas que explicam como uma tecnologia nasce, amadurece e se difunde — curva S, TRL, Rogers, Hype Cycle (Dinâmica…, 2026). Faltava a caixa de ferramentas: como uma equipe pequena, com pouco dinheiro e muita dúvida, transforma uma ideia em negócio sem se afogar na incerteza. Parte dessa caixa já apareceu no blog pelo ângulo da comunicação digital: o design thinking, que escolhe o problema certo antes de qualquer solução (Design…, 2026b), e os testes A/B e o MVP aplicados a campanhas e conteúdos (Design…, 2026a). Aqui o ângulo é o da gestão: as quatro ferramentas como um único sistema de decisão sob incerteza.

São quatro ferramentas — o rótulo é uma economia didática: a rigor, a Lean Startup é uma abordagem, o MVP é um instrumento experimental, o canvas é uma ferramenta de modelagem, o Scrum é um framework e o Kanban é um método —, e cada uma responde a uma pergunta diferente. A Lean Startup pergunta como aprender o mais rápido possível; o MVP, qual é o menor experimento capaz de ensinar alguma coisa; o Business Model Canvas, o que exatamente estou apostando; e os métodos ágeis — Scrum e Kanban — como organizar o trabalho que produz esse aprendizado. Os rótulos das seções seguem a cadência de uma equipe ágil: cada uma é uma sprint, e o fechamento é uma retrospectiva.

Sprint 01

Por que startups morrem? O sintoma e a causa

O estudo da CB Insights de 2026 vale uma leitura cuidadosa, porque ele próprio separa sintoma de causa. "Ficar sem capital" aparece em 70% dos casos, mas os analistas advertem que esse é quase sempre o ponto final da história, e não a raiz do problema: o dinheiro acaba porque antes faltou mercado, faltou timing ou faltou uma conta unitária que fechasse (CB Insights, 2026). A Tabela 1 resume os quatro motivos mais citados. Uma ressalva antes dos números: a amostra é de startups financiadas por capital de risco — que já passaram por um filtro de investidores —, e não representa o conjunto das empresas nascentes.

Tabela 1 — Principais motivos apontados para o encerramento de startups financiadas por capital de risco — mundo — 2023-2026

Motivo apontado	Empresas (%)
Esgotamento do capital	70
Baixa aderência produto-mercado	43
Momento inadequado ou condições macroeconômicas	29
Economia unitária insustentável	19

Fonte: elaborado pelo autor com base em CB Insights (2026).Nota 1: base de 385 empresas com motivo identificado, entre 431 startups que encerraram atividades desde 2023, excluídas as que tiveram saída anterior.Nota 2: uma mesma empresa pode citar mais de um motivo; por isso a soma ultrapassa 100%. Tradução das categorias pelo autor.

O que as startups que fecharam disseram — % das empresas

Capital esgotado

70%

Sem aderência produto-mercado

43%

Momento inadequado

29%

Conta unitária não fecha

19%

Fonte: elaborado pelo autor com base em CB Insights (2026). Em cinza, o sintoma; em laranja, as causas.

O detalhe mais incômodo do relatório é que a falta de aderência não é doença só de principiante: dois terços desses casos eram empresas em estágio inicial que nunca acharam mercado, mas vinte companhias que já estavam na Série B ou além também apontaram o mesmo problema — levantaram dinheiro com uma tração inicial que nunca se converteu em mercado de verdade (CB Insights, 2026). Dinheiro, em outras palavras, não compra certeza.

É aqui que a definição importa. Para Eric Ries, uma startup não é uma empresa pequena nem uma empresa de tecnologia: é uma instituição humana criada para desenvolver um produto ou serviço novo sob condições de extrema incerteza — o que inclui tanto dois estudantes numa garagem quanto uma equipe de inovação dentro de uma multinacional (Ries, 2019). Steve Blank e Bob Dorf acrescentam o outro lado da moeda: a startup é uma organização temporária, que existe para procurar um modelo de negócio repetível e escalável — ao passo que a empresa estabelecida existe para executar um modelo que já conhece (Blank; Dorf, 2014). Procurar e executar pedem ferramentas diferentes. As quatro deste post são ferramentas de procura.

Sprint 02

Lean Startup: o método científico aplicado a negócios

A palavra lean — enxuto — vem do chão de fábrica. No pós-guerra, com pouco capital e um mercado interno pequeno, a Toyota não podia imitar a produção em massa americana; Taiichi Ohno construiu então um sistema obcecado por eliminar desperdício, produzir apenas o necessário, no momento necessário, e sinalizar a necessidade com cartões — os kanban (Ohno, 1997). Guarde esse cartão: ele volta na Sprint 05.

O cartão que dá nome ao método: na Toyota, cada caixa retirada da prateleira sinalizava a necessidade de repor — a lógica da gôndola de supermercado levada ao chão de fábrica. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Eric Ries, engenheiro de software que viu sua primeira empresa fracassar, fez a transposição para o mundo das startups e a consolidou no livro The Lean Startup, de 2011, lançado no Brasil como A startup enxuta. O argumento central é uma redefinição do que conta como desperdício: o maior desperdício de uma startup é construir, com excelência, algo que ninguém quer (Ries, 2019). Ries bebeu diretamente do desenvolvimento de clientes (customer development), proposto por seu mentor Steve Blank: em vez de escrever um plano de negócios e executá-lo, o empreendedor deve sair do escritório, tratar cada elemento do plano como hipótese e testá-la com clientes reais, em quatro etapas — descoberta do cliente, validação pelo cliente, criação de clientes e construção da empresa (Blank; Dorf, 2014).

Construir, medir, aprender — e planejar de trás para a frente

O motor do método é um ciclo de realimentação. Ideias viram produto (construir), o produto gera dados ao encontrar clientes (medir), e os dados geram aprendizado que alimenta novas ideias (aprender). A unidade de progresso deixa de ser a funcionalidade entregue e passa a ser a aprendizagem validada — aquilo que se aprendeu sobre os clientes e que foi confirmado por dados empíricos, e não por opinião (Ries, 2019). É o método científico transposto ao negócio — a mesma lógica de hipótese, teste e evidência discutida no post sobre pesquisa aplicada, com uma diferença de propósito: o pesquisador quer conhecimento verificável e publicável; a startup quer uma decisão que caiba no caixa (Pesquisa…, 2026). Clique em cada etapa do ciclo abaixo.

Aprender: pivotar ou perseverar?

Cada volta termina numa decisão. Se os dados confirmam a hipótese, a equipe persevera e refina; se a refutam, a equipe pivota — muda uma parte da estratégia sem abandonar a visão. Ries descreve vários tipos de pivô: ampliar ou reduzir o produto (zoom-out, zoom-in), trocar de segmento de clientes, de canal, de modelo de receita ou de tecnologia. Dica de ordem: planeje o ciclo ao contrário — decida primeiro o que precisa aprender, depois o que medir e só então o que construir.

Ciclo de realimentação construir-medir-aprender. Elaborado pelo autor com base em Ries (2019).

Duas ideias do livro costumam ser subestimadas. A primeira é a das hipóteses de salto de fé: todo plano repousa sobre duas apostas das quais tudo depende — a hipótese de valor (o produto entrega valor real a quem o usa?) e a hipótese de crescimento (como novos clientes vão descobri-lo?) — e são elas que devem ser testadas primeiro (Ries, 2019). A segunda é a distinção entre métricas de vaidade e métricas acionáveis. "Cem mil downloads" é vaidade: sobe sempre, faz bonito no pitch e não diz o que fazer amanhã. "Dos alunos que se cadastraram em março, quantos voltaram a usar o aplicativo na quarta semana?" é acionável: compara coortes, isola o efeito de uma mudança e permite decidir. Ries chama esse sistema de medição de contabilidade para inovação.

O fim de cada volta do ciclo é uma decisão, não um relatório: pivotar ou perseverar. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Quadro 1 — Plano de negócios tradicional e startup enxuta: duas lógicas de gestão

Dimensão	Plano de negócios tradicional	Startup enxuta
Ponto de partida	Plano detalhado de cinco anos	Modelo de negócio tratado como conjunto de hipóteses
Conhecimento do cliente	Pesquisa de mercado antes de lançar	Descoberta do cliente "fora do escritório", contínua
Desenvolvimento	Produto completo, especificado de antemão	MVP e iterações curtas
Medida de progresso	Cumprimento do plano, faturamento projetado	Aprendizagem validada e métricas acionáveis
Erro	Desvio a ser evitado	Informação a ser obtida cedo e barato
Decisão típica	Seguir o plano	Pivotar ou perseverar

Fonte: elaborado pelo autor com base em Blank e Dorf (2014) e Ries (2019).

Sprint 03

MVP: o menor experimento, não o menor produto

Poucas siglas do empreendedorismo são tão mal traduzidas na prática quanto MVP, de minimum viable product — produto mínimo viável. Na definição de Ries, o MVP é a versão do produto que permite completar uma volta inteira do ciclo construir-medir-aprender com o mínimo de esforço e o menor tempo de desenvolvimento (Ries, 2019). Repare no que a definição não diz: não diz "versão com menos funcionalidades", nem "produto malfeito", nem "protótipo técnico". Diz que o MVP é um instrumento de aprendizado — e que ele pode, inclusive, não ter produto nenhum por trás.

Os exemplos clássicos do livro de Ries mostram essa elasticidade. Drew Houston, do Dropbox, enfrentava uma tecnologia difícil de construir e difícil de explicar; em vez de terminá-la, gravou um vídeo curto demonstrando a sincronização de arquivos, direcionado a uma comunidade de entusiastas — e a lista de espera do beta saltou de 5 mil para 75 mil inscritos praticamente da noite para o dia. Nick Swinmurn, da Zappos, queria saber se as pessoas comprariam sapatos pela internet; fotografou calçados em lojas do bairro, publicou as fotos num site simples e, quando alguém comprava, ia à loja, pagava o preço cheio e despachava o par. E a Food on the Table, serviço de planejamento de refeições, começou atendendo uma única cliente, com o fundador montando pessoalmente listas de compras semanais — o chamado MVP concierge (Ries, 2019).

O MVP "mágico de Oz": o cliente vê uma loja virtual; nos bastidores, alguém fotografa o estoque da loja da esquina e vai comprar o par a pé quando o pedido chega. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Quadro 2 — Tipos de MVP, o que cada um testa e exemplos

Tipo	Como funciona	O que testa melhor	Exemplo
Vídeo ou demonstração	Mostra o produto funcionando antes de ele existir por completo	Interesse e compreensão da proposta	Dropbox
Mágico de Oz	O cliente vê um serviço "automático"; nos bastidores, pessoas fazem o trabalho	Disposição de comprar pelo canal	Zappos
Concierge	O serviço é prestado de forma assumidamente manual a poucos clientes	Valor entregue e detalhes da necessidade	Food on the Table
Página de pré-venda	Página que descreve o produto e coleta intenção (cadastro, reserva, sinal)	Demanda e preço	Ilustrativo
Serviço analógico	Processo físico que antecipa a versão digital	Existência do comportamento	Disk Cook (leitura retroativa)

Fonte: elaborado pelo autor com base em Ries (2019) e Ifood… ([2025]).Nota: a leitura do Disk Cook como MVP é do autor; a página de pré-venda é exemplo ilustrativo, sem caso associado nas fontes.

Antes do aplicativo, o comportamento: um guia de cardápios e uma central telefônica bastavam para testar se havia demanda por pedir comida de vários restaurantes num único canal. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Três confusões comuns ajudam a delimitar o conceito. Primeira: MVP não é desculpa para baixa qualidade — o "viável" significa que o experimento precisa ser bom o bastante para que a reação do cliente seja informativa; um produto que quebra no primeiro clique só ensina que ele quebra. Segunda: MVP sem hipótese é só um produto pequeno; se não se sabe de antemão o que se quer aprender e qual número mudaria a decisão, não há experimento. Terceira: MVP não é protótipo técnico. Na escala TRL, discutida no post sobre dinâmica tecnológica, mede-se o quanto uma tecnologia já foi testada (Dinâmica…, 2026); o MVP mede outra coisa — se uma hipótese crítica do negócio se sustenta diante de clientes reais: valor, demanda, preço, canal, crescimento ou retenção. O Disk Cook usava tecnologia trivial (papel e telefone) para reduzir o risco de mercado; um satélite pode chegar ao TRL 9 e, ainda assim, não ter quem pague por ele. Risco tecnológico e risco de mercado são eixos diferentes, e cada ferramenta ataca um.

Vale ainda situar o MVP entre duas vizinhas de que o blog já tratou. O design thinking costuma chegar a um protótipo testado com poucas pessoas — o bastante para descobrir problemas de uso, não para estimar demanda nem validar um modelo de negócio (Design…, 2026b); a Lean Startup é mais forte justamente aí. Os dois são iterativos e se complementam mais do que se sucedem: um explora o problema e as soluções possíveis, o outro valida hipóteses de negócio com experimentos e métricas. E o teste A/B, mostrado no post sobre experimentação em comunicação digital com o caso da campanha de Barack Obama em 2007 — 24 versões da página de entrada, 310 mil visitantes, e todos os vídeos perderam para as fotos —, é a forma mais controlada de "medir": duas versões, uma diferença, uma métrica (Design…, 2026a). O MVP fica no meio do caminho: mais barato que o produto, mais realista que o protótipo.

Quer praticar? O Brasil Acadêmico mantém o Desafio MVP, um recurso para docentes que propõe a equipes de estudantes o exercício de desenhar o menor experimento possível para uma ideia de negócio (Desafio…, [s. d.]). Ele combina bem com a próxima ferramenta.

Sprint 04

Business Model Canvas: o modelo de negócio que cabe numa parede

Se o MVP é o experimento, falta dizer o que está sendo testado. A resposta mais difundida veio de uma tese de doutorado. Em 2004, na Universidade de Lausanne, na Suíça, Alexander Osterwalder, orientado por Yves Pigneur, propôs uma ontologia de modelos de negócio — um vocabulário rigoroso, de inspiração computacional, para descrever como uma empresa cria, entrega e captura valor. A semente já estava num artigo de 2002, em que os dois organizavam o modelo de negócio em quatro pilares: inovação de produto, gestão da infraestrutura, relacionamento com o cliente e aspectos financeiros (Osterwalder; Pigneur, 2002).

A virada de ferramenta acadêmica para objeto de parede aconteceu em 2010, com Business Model Generation — escrito em cocriação com 470 praticantes de 45 países e publicado no Brasil em 2011. Os quatro pilares viraram nove blocos dispostos numa única folha: o modelo de negócio inteiro visível de uma só vez, para ser discutido em grupo com notas adesivas (Osterwalder; Pigneur, 2011). O lado direito do quadro trata da proposta de valor e dos clientes (por que alguém pagaria?); o lado esquerdo, de eficiência (como entregar isso sem quebrar?); a base, das contas.

Para Blank e Dorf, o canvas é a forma natural de registrar as hipóteses do desenvolvimento de clientes: cada nota adesiva é uma aposta ainda não validada, e o trabalho da equipe é sair do prédio e transformá-las em fatos (Blank; Dorf, 2014). O canvas abaixo usa um exemplo fictício — o Marmita na Mão, aplicativo de pré-pedido de marmitas para estudantes de um centro universitário. Clique em cada bloco para ver a pergunta que ele responde, a hipótese do nosso exemplo e o MVP que a testaria.

2 · Proposta de Valor

Pergunta: que problema resolvemos, ou que ganho criamos, para cada segmento de clientes?

Hipótese do exemplo: estudantes com intervalo curto entre aulas pagariam um pouco mais por uma marmita saudável já paga e pronta para retirada, sem fila.

MVP que testa: durante duas semanas, um formulário de pré-pedido divulgado em três turmas, com retirada num ponto fixo. Métrica acionável: quantos repetem o pedido na segunda semana.

Business Model Canvas com os nove blocos na ordem sugerida de preenchimento (números). Elaborado pelo autor com base em Osterwalder e Pigneur (2011); o exemplo Marmita na Mão é fictício.

O canvas funciona melhor como objeto coletivo: cada nota adesiva é uma hipótese à espera de um teste. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Sprint 05

Métodos ágeis: Scrum e Kanban organizam o aprendizado

Lean Startup, MVP e canvas dizem o que aprender. Falta a engrenagem que organiza, semana após semana, o trabalho de construir experimentos. Essa engrenagem vem do desenvolvimento de software. Em fevereiro de 2001, dezessete desenvolvedores reunidos numa estação de esqui em Snowbird, nos Estados Unidos, assinaram o Manifesto para Desenvolvimento Ágil de Software, com quatro valores: indivíduos e interações mais que processos e ferramentas; software em funcionamento mais que documentação abrangente; colaboração com o cliente mais que negociação de contratos; e responder a mudanças mais que seguir um plano (Beck et al., 2001). O próprio manifesto ressalva que há valor nos itens à direita — apenas se valorizam mais os da esquerda. Não é um manifesto contra o planejamento; é um manifesto contra o planejamento que não aprende.

Scrum: ciclos curtos, papéis claros, empirismo

O Scrum é anterior ao manifesto: seus criadores, Ken Schwaber e Jeff Sutherland, apresentaram-no em 1995, inspirados num artigo de 1986 de Hirotaka Takeuchi e Ikujiro Nonaka sobre como empresas japonesas desenvolviam produtos novos em equipes pequenas e multidisciplinares (Scrum.org, 2020). Na versão vigente do Guia do Scrum, de 2020, ele é definido como um framework leve, deliberadamente incompleto, apoiado no empirismo e no pensamento enxuto, e sustentado por três pilares: transparência, inspeção e adaptação (Schwaber; Sutherland, 2020). A estrutura é enxuta:

Três responsabilidades num único time, geralmente de dez pessoas ou menos: o Product Owner, que maximiza o valor do produto e gerencia o backlog; o Scrum Master, que zela pela eficácia do time e remove impedimentos; e os Developers, que constroem o incremento. Cinco eventos: a própria Sprint, de até um mês, que contém todos os outros; a Sprint Planning; a Daily Scrum, de no máximo 15 minutos; a Sprint Review; e a Sprint Retrospective. E três artefatos, cada um com um compromisso: o Product Backlog, comprometido com a Meta do Produto; o Sprint Backlog, com a Meta da Sprint; e o Incremento, com a Definição de Pronto (Schwaber; Sutherland, 2020). A Sprint Review é o lugar natural para o "medir" do ciclo de Ries: o momento em que o incremento e os resultados do experimento são inspecionados com as partes interessadas e o backlog é reordenado pelo que se aprendeu. Natural, não automático: o Scrum não define métricas de negócio — a métrica acionável e o número que muda a decisão precisam ter sido combinados antes, ao desenhar o experimento.

Revisão de sprint: o incremento diante de quem vai usá-lo. É o momento de inspecionar os resultados do experimento — desde que a métrica tenha sido definida antes dele. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Kanban: limite o trabalho em andamento e deixe o fluxo puxar

O Kanban faz o caminho de volta à Toyota. Ohno conta que a inspiração veio dos supermercados americanos: o cliente pega da prateleira o que precisa, e só então a prateleira é reabastecida — um sistema puxado, e não empurrado por previsões (Ohno, 1997). Aprender com um domínio alheio, aliás, é uma constante nessa história: o hospital londrino que copiou do pit stop da Ferrari a coreografia da passagem de plantão entre a cirurgia e a UTI, contada em outro post, fez o mesmo movimento em sentido inverso — da pista para a enfermaria (Como…, 2026). Transposto para o trabalho do conhecimento, o método Kanban não prescreve papéis nem eventos; ele começa pelo processo que a equipe já tem e o melhora de forma evolutiva, com seis práticas gerais: visualizar o trabalho; limitar o trabalho em andamento (WIP, de work in progress); gerenciar o fluxo; tornar as políticas explícitas; implementar ciclos de realimentação; e melhorar colaborativamente, evoluir experimentalmente (Kanban University, 2021). O coração do método é contraintuitivo: começar menos coisas tende a fazer terminar mais coisas, porque o excesso de trabalho simultâneo esconde gargalos e multiplica trocas de contexto. Experimente no quadro abaixo — cada clique puxa o cartão para a coluna seguinte, desde que o limite de WIP permita.

Quadro do MVP — Marmita na Mão

A fazer 4

Fazendo 0WIP 2

Validando 0WIP 1

Feito 0

Clique em um cartão para puxá-lo para a próxima etapa.

Entregues: 0 de 4 · Puxadas bloqueadas pelo WIP: 0

Quadro Kanban com limites de trabalho em andamento. Elaborado pelo autor com base em Kanban University (2021); tarefas do exemplo fictício.

O Quadro 3 resume as diferenças de desenho entre os dois métodos, que são respostas distintas para a mesma pergunta: como manter o trabalho alinhado ao que se aprende.

Quadro 3 — Scrum e Kanban: diferenças de desenho

Dimensão	Scrum	Kanban
Natureza	Framework com responsabilidades, eventos e artefatos definidos	Método de melhoria evolutiva aplicado ao processo existente
Cadência	Sprints de duração fixa, de até um mês	Fluxo contínuo; cadências de revisão definidas pela equipe
Papéis	Product Owner, Scrum Master e Developers	Não prescreve papéis novos
Como limita o trabalho	Pelo timebox e pelo que os Developers selecionam para a Sprint, orientados pela Meta da Sprint; não prescreve limites de WIP	Por limites explícitos de WIP em cada etapa
Mudança de prioridade	Meta da Sprint protegida; o backlog é reordenado continuamente	A qualquer momento, quando abre capacidade no fluxo
Onde costuma brilhar	Produto novo, com muita incerteza e entregas incrementais	Demanda contínua e variada: suporte, operação, manutenção

Fonte: elaborado pelo autor com base em Schwaber e Sutherland (2020) e Kanban University (2021).Nota: a linha "Onde costuma brilhar" é síntese do autor, não prescrição das fontes; as combinações dos dois (popularmente, "Scrumban") são frequentes.

Adotar o vocabulário, porém, não garante agilidade. Na 17.ª edição do State of Agile Report, levantamento com 788 profissionais de desenvolvimento de software, 71% dos respondentes disseram usar práticas ágeis no ciclo de desenvolvimento de software — mas apenas 11% se declararam "muito satisfeitos" com elas, e a resistência organizacional à mudança e o entendimento insuficiente da liderança foram apontados como os principais motivos para o ágil não escalar (Digital.ai, 2024). Como vimos no caso do Pix, o mundo real tende ao híbrido: plano macro preditivo, execução em ciclos curtos (Pix…, 2026).

Encontro breve diante do quadro para olhar bloqueios, fluxo e capacidade — prática comum em equipes Kanban, embora o método não a prescreva. A reunião diária de 15 minutos, essa sim obrigatória, é a Daily Scrum do Scrum. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Sprint 06

O encaixe: uma única engrenagem de aprendizado

Postas lado a lado, as quatro ferramentas deixam de parecer modismos concorrentes e revelam uma divisão de trabalho. O canvas explicita as apostas; a Lean Startup ordena quais testar primeiro — as hipóteses de salto de fé; o MVP é o experimento; Scrum ou Kanban organizam o trabalho de construir e rodar o experimento; e as métricas acionáveis devolvem o resultado ao canvas, que é atualizado — perseverando ou pivotando.

Canvasquais são as apostas? Salto de féqual testar primeiro? MVPmenor teste possível Scrum / Kanbanconstruir e rodar Métrica acionávelpivotar ou perseverar

Esquema de encaixe entre as ferramentas. Elaboração do autor (2026) com base em Ries (2019), Osterwalder e Pigneur (2011), Schwaber e Sutherland (2020) e Kanban University (2021).

Quatro ferramentas, um mecanismo: nenhuma gira sozinha por muito tempo. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026).

Duas ressalvas mantêm o esquema honesto. A primeira: a Lean Startup rende mais onde o risco dominante é de mercado. Em setores que, na taxonomia de Pavitt apresentada no post anterior, são baseados em ciência — fármacos, semicondutores, satélites —, o risco dominante é tecnológico e regulatório, e não há MVP que substitua anos de pesquisa e testes (Dinâmica…, 2026). Ali o raciocínio enxuto ainda ajuda — testar a demanda cedo, antes de a tecnologia ficar pronta —, mas convive com o planejamento pesado. A segunda: ágil e enxuto não são sinônimos de improviso. Ries insiste que o método exige mais disciplina de medição, não menos (Ries, 2019), e o Guia do Scrum adverte que implementar apenas partes do framework não resulta em Scrum (Schwaber; Sutherland, 2020).

Planejamento da próxima sprint

Perguntas para o seu projeto

Escolha uma ideia — o projeto integrador da disciplina, o TCC, um serviço novo no seu trabalho — e marque o que você já consegue responder:

O Marmita na Mão em campo: um estande, um formulário e duas semanas bastam para testar a hipótese de valor — e é esse o espírito do Desafio MVP. Ilustração gerada por IA (hiper-realismo), elaborada pelo autor (2026); o exemplo é fictício.

Antes de marcar, veja o formato que resume o post inteiro numa ficha. É o que separa um MVP de um produto pequeno: hipótese, experimento, métrica e, sobretudo, o número que muda a decisão — combinado antes de ir a campo.

Ficha do experimento — Marmita na Mão (fictício)

HipótesePelo menos 30% dos estudantes que comprarem na primeira semana repetirão o pedido na segunda.

Experimento (MVP)Formulário de pré-pedido em três turmas, retirada em ponto fixo, durante duas semanas.

Métrica acionávelTaxa de recompra da coorte da primeira semana (não o total de pedidos).

Limiar de decisão≥ 30%: perseverar e refinar. < 30%: pivotar — rever proposta de valor, segmento ou canal.

Como se organizaUma sprint de duas semanas com essa meta, ou um quadro Kanban com WIP limitado.

Ficha do experimento: hipótese → experimento → métrica → limiar → decisão. Elaborada pelo autor (2026); os valores são ilustrativos.

0 de 6

Preenchi os nove blocos do canvas e sei quais notas adesivas ainda são hipóteses. Escrevi minhas duas hipóteses de salto de fé: a de valor e a de crescimento. Desenhei um MVP que testa a hipótese mais arriscada em menos de duas semanas. Defini, antes do teste, a métrica acionável e o número que me faria pivotar. Montei um quadro com limites de WIP ou planejei uma sprint com meta clara. Marquei uma data para a revisão: o momento de decidir entre pivotar e perseverar.

Retrospectiva

Aprender mais rápido do que o dinheiro acaba

Volte ao guia de cardápios de 1997. Não havia canvas, nem Scrum, nem a sigla MVP — mas havia o gesto que essas ferramentas sistematizam: testar o comportamento do cliente antes de investir na solução definitiva. Quando a internet móvel tornou possível o aplicativo, a pergunta mais difícil já estava respondida. É essa inversão de ordem que o empreendedor de 2026 costuma esquecer, e que custa caro: a CB Insights contou 17,5 bilhões de dólares levantados por startups que, ainda assim, fecharam (CB Insights, 2026).

Na Gestão de Tecnologia e Inovação, o recado dos quatro posts da série converge: inovação é o novo colocado em uso; a dinâmica tecnológica diz em que trecho do caminho ele está; o gerenciamento de projetos organiza a entrega; e as ferramentas enxutas e ágeis ajudam a verificar, cedo e barato, se se está entregando a coisa certa. Qual é a hipótese de salto de fé do seu projeto — e qual é o experimento mais barato capaz de provar que ela está errada ainda nesta semana?

Leia também

Entre os trinta posts mais recentes do Brasil Acadêmico, estes conversam diretamente com o tema:

Design thinking, experimentação e MVP aplicados à comunicação digital (26 set. 2026) — o que acontece depois do protótipo: MVP, métricas de vaidade, teste A/B e tamanho de amostra, com laboratório interativo.
Design thinking: origens e como usar (16 set. 2026) — os cinco modos, o roteiro de oficina e o caso de dona Neusa; a etapa que antecede o MVP.
Pesquisa aplicada: método científico, método de engenharia, tipos de pesquisa, fontes e normas (14 set. 2026) — hipótese, teste e evidência: a lógica que a Lean Startup toma emprestada.
Dinâmica tecnológica e inovação: da curva S ao perfil em T (2 set. 2026) — TRL, Rogers, Hype Cycle e a taxonomia de Pavitt; o post anterior desta série.
Pix: uma aula de gerenciamento de projetos (9 ago. 2026) — preditivo, ágil e híbrido em um projeto nacional.
Afinal, o que é inovação? (5 ago. 2026) — os conceitos de base da série.
Como o pitstop da Ferrari ajudou a UTI pediátrica (3 ago. 2026) — melhoria de processo aprendida com outro domínio, como Ohno fez com os supermercados.

Mais antigos, mas na mesma prateleira: Modelo ágil Lean e Metodologias ágeis: introdução ao Scrum, Kanban, papéis e artefatos, além do recurso Desafio MVP.

Nota do autor: a caracterização do Disk Cook como um "MVP" é uma leitura retroativa do autor, feita para fins didáticos; o termo não era usado pela empresa na época, e as fontes consultadas descrevem apenas o guia impresso e a central telefônica. Os percentuais da Tabela 1 e do painel de barras referem-se a 385 das 431 startups analisadas pela CB Insights (aquelas com motivo identificado) e admitem múltiplas respostas; a tradução das categorias é do autor. Os casos Dropbox, Zappos e Food on the Table seguem o relato de Ries (2019). Os nomes dos nove blocos do canvas seguem a edição brasileira de Osterwalder e Pigneur (2011); a numeração exibida no canvas interativo indica uma ordem usual de preenchimento, não uma regra da fonte. A tese de doutorado de Osterwalder (2004) tem acesso restrito no repositório da Universidade de Lausanne; por isso, citamos o artigo aberto de 2002, que antecipa sua estrutura. O exemplo Marmita na Mão, suas hipóteses e as tarefas do quadro Kanban são fictícios. O Guia do Scrum de 2020 era a versão vigente na data de consulta. A ressalva sobre setores baseados em ciência é uma leitura do autor a partir da taxonomia de Pavitt, não uma afirmação de Ries. As imagens foram geradas por IA em estilo hiper-realista e não retratam pessoas, lugares ou documentos reais; em uma delas, uma linha de texto espúria foi removida por edição. Os dois posts de design thinking citados são distinguidos pelas letras 2026a e 2026b, na ordem alfabética dos títulos. A lista de posts correlatos foi selecionada entre os trinta mais recentes do blog na data de consulta. Após revisão técnica independente, foram ajustadas as fronteiras entre os métodos (Scrum não prescreve limite de WIP; a Sprint Review não substitui a definição prévia de métricas; o Kanban não prescreve reunião diária) e acrescentadas a ressalva sobre a amostra da CB Insights e a fonte institucional do iFood.

Backlog de termos

Glossário

Termos técnicos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; o botão ao lado do verbete leva de volta. Digite para filtrar.

Buscar termo

23 termos

Aderência produto-mercado: Situação em que um produto satisfaz um mercado grande o bastante para sustentá-lo; sua ausência foi o motivo mais citado, depois do capital, no estudo da CB Insights (2026). Sprint 01
Aprendizagem validada: Conhecimento sobre clientes confirmado por dados de experimentos, e não por opinião; é a unidade de progresso da startup enxuta (Ries, 2019). Sprint 02
Backlog do produto (Product Backlog): Lista ordenada e emergente do que é necessário para melhorar o produto; compromisso: a Meta do Produto (Schwaber; Sutherland, 2020). Sprint 05
Business Model Canvas: Quadro de nove blocos que descreve como uma organização cria, entrega e captura valor (Osterwalder; Pigneur, 2011). Sprint 04
Ciclo construir-medir-aprender: Laço de realimentação da Lean Startup: ideias viram produto, o produto gera dados, os dados geram aprendizado; o objetivo é reduzir o tempo total da volta. Sprint 02
Contabilidade para inovação: Sistema de métricas acionáveis que permite saber se a startup está progredindo quando ainda não há lucro a medir. Sprint 02
Daily Scrum: Evento diário de até 15 minutos em que os Developers inspecionam o progresso rumo à Meta da Sprint e adaptam o plano. Sprint 05
Definição de Pronto: Descrição formal do estado que o incremento precisa atingir para atender aos padrões de qualidade do produto. Sprint 05
Desenvolvimento de clientes (customer development): Processo de Steve Blank em quatro etapas — descoberta, validação, criação de clientes e construção da empresa — que trata o plano como hipóteses a testar fora do escritório. Sprint 02
Hipóteses de salto de fé: As duas apostas das quais o negócio depende: a hipótese de valor (o produto entrega valor?) e a de crescimento (como novos clientes o descobrirão?). Sprint 02
Incremento: Passo concreto rumo à Meta do Produto, utilizável e aderente à Definição de Pronto. Sprint 05
Kanban: Cartão de sinalização do sistema Toyota; no trabalho do conhecimento, método de gestão do fluxo baseado em visualização e limites de WIP (Kanban University, 2021). Sprints 02 e 05
Limite de WIP (work in progress): Número máximo de itens permitidos simultaneamente numa etapa do fluxo; força a terminar antes de começar. Sprint 05
Métrica de vaidade: Número que impressiona mas não orienta decisão, como o total acumulado de downloads; oposto da métrica acionável, que compara coortes e permite decidir. Sprint 02
MVP (minimum viable product, produto mínimo viável): Versão do produto que permite completar uma volta do ciclo construir-medir-aprender com o mínimo de esforço (Ries, 2019). Sprint 03
Pivô: Mudança estruturada de um elemento da estratégia — segmento, canal, receita, tecnologia — para testar nova hipótese, mantendo a visão. Sprint 02
Product Owner: Responsável por maximizar o valor do produto resultante do trabalho do Scrum Team e por gerenciar o Product Backlog. Sprint 05
Proposta de valor: Conjunto de produtos e serviços que cria valor para um segmento de clientes específico; bloco central do canvas. Sprint 04
Scrum Master: Responsável pela eficácia do Scrum Team, ensinando o framework e removendo impedimentos. Sprint 05
Sistema puxado: Lógica em que o trabalho só entra numa etapa quando ela tem capacidade, em vez de ser empurrado por previsões (Ohno, 1997). Sprint 05
Sprint: Evento de duração fixa, de até um mês, dentro do qual acontecem todos os demais eventos do Scrum. Sprint 05
Startup: Instituição humana que cria produto ou serviço novo sob extrema incerteza (Ries, 2019); organização temporária em busca de um modelo de negócio repetível e escalável (Blank; Dorf, 2014). Sprint 01
Teste A/B: Experimento controlado em que duas versões de uma página, mensagem ou produto, diferindo em um único elemento, são mostradas a grupos comparáveis, e uma métrica decide qual vence; detalhado no post sobre experimentação em comunicação digital (Design…, 2026a). Sprint 03

Referências

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: 30 set. 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: 30 set. 2026.
BLANK, Steve; DORF, Bob. Startup: manual do empreendedor: o guia passo a passo para construir uma grande companhia. Rio de Janeiro: Alta Books, 2014.
CB INSIGHTS. The top 9 reasons startups fail. New York: CB Insights, 5 mar. 2026. Disponível em: https://www.cbinsights.com/research/report/startup-failure-reasons-top/. Acesso em: 30 set. 2026.
COMO o pitstop da Ferrari ajudou a UTI pediátrica. Brasil Acadêmico, [S. l.], 3 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/como-o-pitstop-da-ferrari-ajudou-uti.html. Acesso em: 30 set. 2026.
DESAFIO MVP. Brasil Acadêmico, [S. l.], [s. d.]. Disponível em: https://blog.brasilacademico.com/p/desafio-mvp.html. Acesso em: 30 set. 2026.
DESIGN thinking, experimentação e MVP aplicados à comunicação digital. Brasil Acadêmico, [S. l.], 26 set. 2026a. Disponível em: https://blog.brasilacademico.com/2026/09/design-thinking-experimentacao-e-mvp.html. Acesso em: 30 set. 2026.
DESIGN thinking: origens e como usar. Brasil Acadêmico, [S. l.], 16 set. 2026b. Disponível em: https://blog.brasilacademico.com/2026/09/design-thinking-origens-e-como-usar.html. Acesso em: 30 set. 2026.
DIGITAL.AI. 17th State of Agile Report: 71% use Agile in their SDLC. Business Wire, [S. l.], 16 jan. 2024. Disponível em: https://www.businesswire.com/news/home/20240116199385/en/17th-State-of-Agile-Report. Acesso em: 30 set. 2026.
DINÂMICA tecnológica e inovação: da curva S ao perfil em T. Brasil Acadêmico, [S. l.], 2 set. 2026. Disponível em: https://blog.brasilacademico.com/2026/09/dinamica-tecnologica-e-inovacao-da.html. Acesso em: 30 set. 2026.
IFOOD: do cardápio impresso a um gigante de tecnologia da América Latina. Bora Investir, São Paulo: B3, [2025]. Podcast De Onde Vem o Ticker. Disponível em: https://borainvestir.b3.com.br/podcasts-b3/de-onde-vem-o-ticker/ifood-do-cardapio-impresso-a-um-gigante-de-tecnologia-da-america-latina/. Acesso em: 30 set. 2026.
IFOOD. Inovação: linha do tempo. [S. l.]: iFood News, 21 set. 2023. Disponível em: https://institucional.ifood.com.br/news/inovacao/. Acesso em: 30 set. 2026.
KANBAN UNIVERSITY. The official Kanban guide. Seattle: Mauvius Group, 2021. Disponível em: https://resources.kanban.university/wp-content/uploads/2021/06/The-Official-Kanban-Guide_US.pdf. Acesso em: 30 set. 2026.
OHNO, Taiichi. O sistema Toyota de produção: além da produção em larga escala. Porto Alegre: Bookman, 1997.
OSTERWALDER, Alexander; PIGNEUR, Yves. An e-business model ontology for modeling e-business. In: BLED ELECTRONIC COMMERCE CONFERENCE, 15., 2002, Bled. Proceedings [...]. Bled: University of Maribor, 2002. Disponível em: https://econwpa.ub.uni-muenchen.de/econ-wp/io/papers/0202/0202004.pdf. Acesso em: 30 set. 2026.
OSTERWALDER, Alexander; PIGNEUR, Yves. Business Model Generation: inovação em modelos de negócios. Rio de Janeiro: Alta Books, 2011.
PESQUISA aplicada: método científico, método de engenharia, tipos de pesquisa, fontes e normas. Brasil Acadêmico, [S. l.], 14 set. 2026. Disponível em: https://blog.brasilacademico.com/2026/09/pesquisa-aplicada-metodo-cientifico.html. Acesso em: 30 set. 2026.
PIX: uma aula de gerenciamento de projetos — cem anos de método, do gráfico de Gantt à IA. Brasil Acadêmico, [S. l.], 9 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/pix-uma-aula-de-gerenciamento-de.html. Acesso em: 30 set. 2026.
RIES, Eric. A startup enxuta: como usar a inovação contínua para criar negócios radicalmente bem-sucedidos. Tradução: Alves Calado. Rio de Janeiro: Sextante, 2019.
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: 30 set. 2026.
SCRUM.ORG. Ken Schwaber and Dr. Jeff Sutherland update the Scrum Guide on the 25th anniversary of the Scrum framework. Scrum.org, Boston, 18 nov. 2020. Disponível em: https://www.scrum.org/node/44069. Acesso em: 30 set. 2026.

Lógica formal e representação do conhecimento

noreply@blogger.com (War) — Mon, 28 Sep 2026 21:01:16 -0300

No fim dos anos 1970, um programa de computador feito de algumas centenas de regras do tipo "se… então…" recomendou antibióticos para dez casos de meningite e, numa avaliação às cegas feita por oito infectologistas de fora da universidade, teve suas receitas mais bem avaliadas que as de cinco professores de medicina de Stanford. O MYCIN nunca chegou à rotina dos hospitais, mas deixou uma lição que atravessa a inteligência artificial até hoje: antes de raciocinar, uma máquina precisa de uma linguagem precisa para representar o que sabe. Esta postagem apresenta essa linguagem, a lógica formal — da lógica proposicional à lógica de predicados, com sua sintaxe, sua semântica, suas regras de inferência e as regras de produção dos sistemas especialistas —, com um vocabulário ao final e três laboratórios interativos: uma tabela-verdade viva, um teste de argumentos válidos e falaciosos e um pequeno motor de regras que identifica bichos do cerrado.

Premissa 01

Um médico feito de regras

No início dos anos 1970, um grupo da Universidade Stanford resolveu enfrentar um problema bem concreto: ajudar médicos a escolher antibióticos para infecções graves, como a meningite, muitas vezes antes de o laboratório terminar de identificar a bactéria (Buchanan; Shortliffe, 1984). O resultado foi o MYCIN, um programa que não aprendia com exemplos, como as redes neurais de Como a máquina aprende. Todo o seu conhecimento vinha do que os especialistas lhe haviam contado, escrito na forma de regras. Uma delas, a de número 36, dizia, em tradução livre:

RULE036 · MYCIN

SE 1) a coloração de Gram do organismo é gram-negativa, e 2) a morfologia do organismo é de bastonete, e 3) o organismo é anaeróbio,
ENTÃO há evidência sugestiva (0,6) de que o organismo é Bacteroides.

A regra aparece assim na descrição da estrutura do sistema (Van Melle, 1984). Por volta de 1975, a base tinha 200 regras; em 1978, quase 500 (Buchanan; Shortliffe, 1984). Para responder a uma consulta, o programa fazia perguntas ao médico sobre o paciente e os exames, encadeava as regras umas nas outras e chegava a uma recomendação de tratamento.

Um terminal, um papel contínuo e centenas de fichas "se… então…": a tecnologia de ponta dos sistemas especialistas nos anos 1970. Ilustração gerada por IA.

A prova de fogo veio numa avaliação publicada em 1979. A equipe reuniu dez casos reais de meningite, escolhidos pela diversidade de diagnósticos, e pediu uma receita para cada caso a dez prescritores: o MYCIN, cinco professores de medicina de Stanford, um especialista em formação na área de infectologia, um residente e um estudante de medicina. As cem receitas, mais a terapia que os pacientes de fato receberam, foram embaralhadas, padronizadas para esconder a autoria e enviadas a oito infectologistas de outras instituições, que julgaram cada uma como equivalente à sua, alternativa aceitável ou inaceitável (Yu et al., 1984).

Tabela 1 — Receitas julgadas aceitáveis por oito infectologistas externos, por prescritor, em dez casos de meningite — Stanford, 1979

Prescritor	Aceitáveis (n = 80)	%	Aceitos pela maioria (n = 10)	Sem cobertura (n = 10)
MYCIN	52	65,0	7	0
Professor 1	50	62,5	5	1
Professor 2	48	60,0	5	1
Especialista em formação	48	60,0	5	1
Professor 3	46	57,5	4	0
Terapia efetivamente aplicada	46	57,5	7	0
Professor 4	44	55,0	5	0
Residente	36	45,0	3	1
Professor 5	34	42,5	3	0
Estudante de medicina	24	30,0	1	3

Fonte: elaborado pelo autor com base em Yu et al. (1984, tabela 31-1).Notas: 80 avaliações = 10 casos × 8 avaliadores. "Aceitos pela maioria": casos em que ao menos cinco dos oito avaliadores julgaram a receita aceitável. "Sem cobertura": casos em que a receita deixou de tratar um patógeno tratável. "Especialista em formação" traduz infectious disease fellow. O estudo saiu originalmente no Journal of the American Medical Association em 1979 e foi reproduzido no livro de 1984.

MYCIN65,0%

melhor professor62,5%

média dos professores55,5%

residente45,0%

pior professor42,5%

estudante30,0%

Percentual de avaliações "aceitáveis" (equivalente ou alternativa aceitável), em 80 avaliações por prescritor. Média dos professores calculada pelo autor a partir da Tabela 1.

O MYCIN ficou em primeiro lugar e foi o único prescritor, ao lado da terapia real, a não deixar sem cobertura nenhuma bactéria tratável. Os autores concluíram que ele se comparava favoravelmente aos especialistas — e, na mesma página, listaram o que ainda faltava saber: a aceitação pelos médicos, o impacto no cuidado dos pacientes, os custos e as implicações legais (Yu et al., 1984). O programa nunca entrou na rotina clínica.

Esta postagem não é sobre medicina. É sobre o que estava por baixo daquela conquista: uma forma precisa de escrever conhecimento e um procedimento mecânico para tirar conclusões dele. Esse par tem nome — representação do conhecimento e inferência — e a família de linguagens que mais contribuiu para torná-lo rigoroso é a lógica formal. Ela é a outra metade da história da IA que esta série vem contando, ao lado das buscas e das redes neurais.

Premissa 02

Representar para raciocinar

Representar conhecimento é escolher como o mundo vai caber dentro de uma máquina. Num artigo que virou referência, Davis, Shrobe e Szolovits argumentam que uma representação do conhecimento cumpre cinco papéis ao mesmo tempo, e que confundir um com o outro gera muita discussão inútil (Davis; Shrobe; Szolovits, 1993):

papel 1Substituto do mundoUm modelo que permite "pensar" sobre as coisas em vez de agir sobre elas. Todo substituto é imperfeito: sempre deixa algo de fora.

papel 2Compromisso ontológicoDecide o que existe e o que merece atenção: fatos soltos, objetos e relações, eventos no tempo.

papel 3Teoria do raciocínioDiz quais conclusões são permitidas e quais são recomendadas a partir do que está escrito.

papel 4Meio de computaçãoPrecisa ser processável com eficiência; uma representação elegante que ninguém consegue calcular não serve.

papel 5Meio de expressão humanaÉ a linguagem em que pessoas conversam com a máquina — e entre si — sobre o que ela sabe.

O MYCIN ilustra bem a ideia central dessa abordagem: separar o que se sabe de como se usa. As regras médicas ficavam numa base de conhecimento; o programa que as encadeava, o motor de inferência, não continha nenhum conhecimento de medicina. Tanto que a equipe depois esvaziou a base e reaproveitou o motor para outros domínios, com o nome de EMYCIN (Buchanan; Shortliffe, 1984). É a diferença entre conhecimento declarativo (fatos e regras escritos como afirmações) e procedimental (o saber embutido no passo a passo de um algoritmo).

Um cuidado desde já: representação do conhecimento não é sinônimo de lógica. O mesmo artigo trata lógica, regras, frames e redes semânticas como tecnologias de representação distintas, cada uma com seu jeito de enxergar o mundo. O MYCIN via a medicina como associações empíricas entre sintomas e doenças; um sistema de frames organiza o conhecimento em situações estereotipadas, como uma festa de aniversário infantil, com seus papéis e expectativas típicos (Davis; Shrobe; Szolovits, 1993). A lógica formal ocupa um lugar especial porque dá a muitas dessas tecnologias uma semântica precisa. Por isso este post sobe uma escada: da linguagem natural às proposições, das proposições aos predicados e relações, daí às regras e às bases de conhecimento, com a inferência trabalhando em cada degrau — e, no fim, às ontologias.

Para que isso funcione, a linguagem das afirmações precisa ter três coisas bem definidas. Toda lógica, nos termos de Russell e Norvig (Russell; Norvig, 2022), tem uma sintaxe, que diz quais sequências de símbolos são sentenças; uma semântica, que diz quando cada sentença é verdadeira; e procedimentos de inferência, que produzem sentenças novas a partir das antigas. É exatamente a ordem das próximas seções.

Lógica não é psicologia

A lógica formal não descreve como as pessoas pensam: descreve quais conclusões se seguem de quais premissas. Gente de carne e osso comete falácias o tempo todo, como o Laboratório 2 vai mostrar. Ainda assim, a psicologia cognitiva flertou com a ideia: Newell e Simon chegaram a sustentar que a organização dos "programas" humanos se parece muito com a de um sistema de regras (Davis; King, 1984). Aqui, a lógica entra como norma — o padrão contra o qual se confere um raciocínio —, não como retrato da mente.

Premissa 03

Lógica proposicional: a gramática das afirmações

Em 1854, o matemático inglês George Boole publicou um livro com um título ambicioso, Uma investigação das leis do pensamento, em que tratava o raciocínio como álgebra: afirmações viravam símbolos, e deduzir virava resolver equações (Boole, 1854). Em trabalho publicado em 1938 e derivado de sua dissertação de mestrado no MIT, Claude Shannon mostrou que essa álgebra descrevia com exatidão circuitos de relés e interruptores: interruptores em série se comportam como "e"; em paralelo, como "ou" (Shannon, 1940). Esse trabalho tornou-se um dos fundamentos teóricos do projeto de circuitos digitais.

No circuito "E", a lâmpada só acende se P e Q estiverem ligados; no circuito "OU", basta um deles. Um interruptor é uma proposição que pode ser verdadeira (ligado) ou falsa (desligado). Ilustração gerada por IA; o traçado dos fios é esquemático.

A lógica proposicional é a herdeira direta dessa ideia. Sua matéria-prima são as proposições: sentenças declarativas que podem ser verdadeiras ou falsas, como "chove em Brasília" ou "o aluno tem frequência mínima". Perguntas ("vai chover?") e ordens ("feche a janela") não são proposições. Cada afirmação indivisível vira uma proposição atômica, representada por uma letra — P, Q, R —, e as proposições compostas são montadas com conectivos (Souza, 2015).

Quadro 1 — Conectivos da lógica proposicional, com leitura em português e condição de verdade

Símbolo	Nome	Leitura usual	É verdadeira quando…	Exemplo (P = "chove"; Q = "levo o guarda-chuva")
¬P	Negação	não P	P é falsa	"Não chove"
P ∧ Q	Conjunção	P e Q	as duas são verdadeiras	"Chove e levo o guarda-chuva"
P ∨ Q	Disjunção (inclusiva)	P ou Q	pelo menos uma é verdadeira	"Chove ou levo o guarda-chuva" (ou ambos)
P → Q	Condicional	se P, então Q	não acontece de P ser verdadeira e Q falsa	"Se chover, levo o guarda-chuva"
P ↔ Q	Bicondicional	P se, e somente se, Q	as duas têm o mesmo valor	"Levo o guarda-chuva se, e somente se, chover"

Fonte: elaborado pelo autor com base em Souza (2015) e Russell e Norvig (2022).Nota: o "ou" do português às vezes é exclusivo ("café ou chá?"); o ∨ da lógica é sempre inclusivo. O "ou exclusivo" se escreve (P ∨ Q) ∧ ¬(P ∧ Q).

A sintaxe é a gramática que diz o que pode ser escrito. Ela é definida de forma recursiva: toda proposição atômica é uma fórmula bem formada; se A e B são fórmulas, também são ¬A, (A ∧ B), (A ∨ B), (A → B) e (A ↔ B); e nada mais é fórmula (Souza, 2015). Por essa regra, (P ∧ ¬Q) → R é uma fórmula; P ∧ → Q não é, da mesma forma que "gato o telhado subiu no" não é uma frase do português. Para economizar parênteses, adota-se uma ordem de precedência: ¬ primeiro, depois ∧, ∨, → e ↔.

Formalizar é traduzir. "Se chover e eu não estiver de carro, levo o guarda-chuva" vira (C ∧ ¬K) → G, com C = "chove", K = "estou de carro" e G = "levo o guarda-chuva". O ganho da tradução é tirar a ambiguidade do caminho: cada símbolo tem um único sentido, e a estrutura da frase fica exposta. O preço também é real: tudo o que não coube nas letras — o tamanho da chuva, a distância até o carro — simplesmente deixa de existir para a máquina. É o papel 1 das fichas acima: todo substituto deixa algo de fora.

Premissa 04

Semântica: quando uma fórmula é verdadeira

A sintaxe não diz nada sobre o mundo. Quem liga símbolos a verdade é a semântica. Na lógica proposicional, uma interpretação (ou valoração) é simplesmente uma atribuição de verdadeiro (V) ou falso (F) a cada proposição atômica. Dada a interpretação, o valor de qualquer fórmula composta é calculado, peça por peça, pelas tabelas dos conectivos. Com duas letras há quatro interpretações possíveis; com três, oito; com n, 2ⁿ.

Quatro das cinco tabelas batem com a intuição. A do condicional, não — e é nela que mais gente tropeça. P → Q só é falsa num caso: quando P é verdadeira e Q é falsa. Pense numa promessa: "se chover, levo o guarda-chuva".

As quatro linhas da tabela-verdade de "se chover, levo o guarda-chuva". A promessa só foi quebrada no último quadro: choveu e o guarda-chuva ficou em casa. Nos dias de sol, ela não prometia nada. Ilustração gerada por IA.

Esse é o condicional material. Ele não afirma causa nem relação de sentido entre P e Q: afirma apenas que a combinação "P verdadeira, Q falsa" não acontece. Por isso "se a Lua é feita de queijo, então 2 + 2 = 4" é, para a lógica, uma sentença verdadeira — estranho para o português, mas perfeitamente coerente com a definição. Vale lembrar também que P → Q equivale a ¬P ∨ Q, o que ajuda a entender a tabela: ou não choveu, ou levei o guarda-chuva.

Teste no laboratório. Escolha o conectivo, ligue e desligue P e Q e veja a linha correspondente se acender na tabela completa.

Laboratório 1 · tabela-verdade viva

P → QV

P	Q	P → Q
V	V	V
V	F	F
F	V	V
F	F	V

Choveu e levei o guarda-chuva: promessa cumprida. P → Q é verdadeira.

A tabela-verdade permite classificar qualquer fórmula. Ela é uma tautologia se for verdadeira em todas as interpretações (como P ∨ ¬P); uma contradição, se for falsa em todas (como P ∧ ¬P); e contingente, se depender da interpretação. Uma interpretação que torna uma fórmula verdadeira é um modelo dela, e a fórmula que tem pelo menos um modelo é satisfatível (Russell; Norvig, 2022).

O conceito mais importante vem daí. Diz-se que um conjunto de premissas Γ tem uma conclusão φ como consequência lógica, e se escreve Γ ⊨ φ — lê-se "Γ acarreta φ" ou "φ é consequência lógica de Γ"; Γ (gama maiúsculo) nomeia o conjunto de premissas e φ (fi) a conclusão —, quando toda interpretação que torna todas as premissas verdadeiras também torna a conclusão verdadeira. É a versão rigorosa da ideia informal de que um argumento é válido quando é impossível ter premissas verdadeiras e conclusão falsa (Kouri Kissel, 2026).

Quadro 2 — Equivalências lógicas de uso frequente na formalização de regras

Nome	Equivalência	Em português
Dupla negação	¬¬P ≡ P	"Não é verdade que não chove" = "chove"
Condicional como disjunção	P → Q ≡ ¬P ∨ Q	"Se chover, levo" = "ou não chove, ou levo"
Contrapositiva	P → Q ≡ ¬Q → ¬P	"Se não levei o guarda-chuva, então não choveu"
De Morgan (1)	¬(P ∧ Q) ≡ ¬P ∨ ¬Q	"Não é verdade que estudou e passou" = "não estudou ou não passou"
De Morgan (2)	¬(P ∨ Q) ≡ ¬P ∧ ¬Q	"Não trouxe nem caneta nem lápis"
Não confunda: recíproca	P → Q ≢ Q → P	"Se choveu, a rua molhou" não garante "se a rua molhou, choveu"

Fonte: elaborado pelo autor com base em Souza (2015) e Russell e Norvig (2022).Nota: ≡ indica que as duas fórmulas têm a mesma tabela-verdade; ≢, que não têm.

O preço de conferir tudo

Verificar consequência lógica pela tabela-verdade é sempre possível — a lógica proposicional é decidível —, mas o número de linhas dobra a cada letra nova: com 30 proposições, já passa de um bilhão. Em 1971, Stephen Cook mostrou que decidir se uma fórmula proposicional é satisfatível, o famoso problema SAT, é tão difícil quanto qualquer problema de uma classe enorme de problemas cujas soluções são fáceis de conferir — o que hoje se chama de NP-completude (Cook, 1971). Ninguém conhece um algoritmo eficiente para o pior caso. Na prática, porém, resolvedores de SAT modernos exploram a estrutura dos problemas reais e dão conta de instâncias muito grandes, a ponto de serem usados em planejamento e verificação de circuitos (Russell; Norvig, 2022).

Premissa 05

Inferência: tirar conclusões sem olhar o mundo

Há dois jeitos de mostrar que uma conclusão se segue das premissas. O primeiro é semântico: conferir todas as interpretações, como na tabela-verdade. O segundo é sintático: partir das premissas e aplicar regras de inferência, que só olham a forma dos símbolos, até chegar à conclusão. Esse caminho é uma prova, e se escreve Γ ⊢ φ, que se lê "de Γ deriva-se φ" ou "φ é demonstrável a partir de Γ". A diferença está no símbolo: o ⊢, chamado em inglês de turnstile ("catraca"), fala de prova, de manipulação de símbolos; o ⊨, de dupla barra, fala de verdade em todas as interpretações. A boa notícia é que, na lógica clássica, os dois caminhos coincidem: tudo o que se prova é consequência lógica, e toda consequência lógica pode ser provada. São as propriedades de correção e completude (Kouri Kissel, 2026).

A regra mais famosa é o modus ponens: de P → Q e de P, conclui-se Q. É exatamente o que um sistema de regras faz quando uma regra "dispara".

Modus ponens em fila de dominós: a regra e o fato derrubam a conclusão. Uma prova longa é só uma fila maior. Ilustração gerada por IA.

Quadro 3 — Regras de inferência válidas e duas falácias formais frequentes

Nome	Premissas	Conclusão	Exemplo
Modus ponens	P → Q; P	Q	Se choveu, a rua molhou. Choveu. Logo, a rua molhou.
Modus tollens	P → Q; ¬Q	¬P	Se choveu, a rua molhou. A rua não molhou. Logo, não choveu.
Silogismo hipotético	P → Q; Q → R	P → R	Se estudo, passo; se passo, me formo. Logo, se estudo, me formo.
Silogismo disjuntivo	P ∨ Q; ¬P	Q	Trancou ou está cursando. Não trancou. Logo, está cursando.
Conjunção	P; Q	P ∧ Q	Passou. Colou grau. Logo, passou e colou grau.
Simplificação	P ∧ Q	P	Passou e colou grau. Logo, passou.
Resolução	P ∨ Q; ¬P ∨ R	Q ∨ R	Ou chove ou faz sol; ou não chove ou levo guarda-chuva. Logo, faz sol ou levo guarda-chuva.
Falácia: afirmação do consequente	P → Q; Q	P ✗	Se choveu, a rua molhou. A rua molhou. Logo, choveu?
Falácia: negação do antecedente	P → Q; ¬P	¬Q ✗	Se choveu, a rua molhou. Não choveu. Logo, a rua não molhou?

Fonte: elaborado pelo autor com base em Souza (2015) e Russell e Norvig (2022).Nota: ✗ marca conclusões que não se seguem das premissas. A resolução, aplicada a fórmulas convertidas em cláusulas, basta sozinha para construir provadores completos por refutação.

As duas últimas linhas são falácias formais: argumentos com cara de dedução que não garantem nada. A rua pode ter molhado por outro motivo — e, no Brasil, todo mundo conhece pelo menos um.

Afirmação do consequente, versão brasileira: a rua está molhada, mas quem choveu foi a mangueira do vizinho. "Se choveu, a rua molha" não autoriza "a rua molhou, logo choveu". Ilustração gerada por IA.

Uma distinção fecha o assunto: validade é propriedade da forma, não do conteúdo. Um argumento é válido se for impossível que suas premissas sejam verdadeiras e sua conclusão falsa — mesmo que, de fato, as premissas sejam falsas. "Se Brasília fica no Ceará, então fica no Nordeste; Brasília fica no Ceará; logo, fica no Nordeste" é um modus ponens impecável com conclusão falsa. A lógica garante que a verdade se conserva ao longo do raciocínio; ela não fabrica verdade a partir de premissas erradas. Em computação, o ditado equivalente é "lixo entra, lixo sai".

Agora é com você. Julgue cada argumento pela forma, não por concordar ou não com a conclusão.

Laboratório 2 · válido ou falácia?

0 de 8 respondidos · 0 acertos

Se choveu, a rua está molhada. Choveu. Logo, a rua está molhada.
Se choveu, a rua está molhada. A rua está molhada. Logo, choveu.
Se choveu, a rua está molhada. A rua não está molhada. Logo, não choveu.
Se choveu, a rua está molhada. Não choveu. Logo, a rua não está molhada.
O aluno trancou a matrícula ou está cursando a disciplina. Não trancou. Logo, está cursando.
Se Brasília fica no Ceará, então Brasília fica no Nordeste. Brasília fica no Ceará. Logo, Brasília fica no Nordeste.
Todo mamífero tem pelos. O lobo-guará é um mamífero. Logo, o lobo-guará tem pelos.
Algum aluno é monitor. Algum monitor é bolsista. Logo, algum aluno é bolsista.

Os dois últimos argumentos já não cabem na lógica proposicional. Tente escrevê-los com P, Q e R e o problema aparece: "todo mamífero tem pelos", "o lobo-guará é um mamífero" e "o lobo-guará tem pelos" viram três letras sem nenhuma relação entre si, e nenhuma regra do Quadro 3 liga uma à outra. Falta enxergar dentro das frases.

Premissa 06

Lógica de predicados: abrindo as frases

A lógica de predicados — ou lógica de primeira ordem — resolve isso trocando o compromisso ontológico. Em vez de fatos inteiros e indivisíveis, o mundo passa a ser feito de objetos, propriedades e relações entre eles (Russell; Norvig, 2022). Sua sintaxe acrescenta peças novas:

Constantes nomeiam objetos: loboGuará, ana, brasília.
Variáveis ficam no lugar de objetos quaisquer: x, y.
Funções levam objetos a objetos: mãe(ana) é um objeto — a mãe de Ana —, não uma afirmação.
Predicados afirmam propriedades ou relações e são verdadeiros ou falsos: Mamífero(loboGuará), Orienta(ana, joão).
Quantificadores dizem de quantos objetos se fala: ∀x ("para todo x") e ∃x ("existe pelo menos um x").

Com isso, a frase que travava a lógica proposicional ganha estrutura: ∀x (Mamífero(x) → TemPelos(x)). Termos (constantes, variáveis, funções) apontam para objetos; fórmulas (predicados e tudo o que se monta com eles) é que são verdadeiras ou falsas. Uma variável dentro do alcance de um quantificador é ligada; fora dele, é livre, e a fórmula só ganha valor quando alguém diz a que objeto ela se refere.

Neste palco, ∀x (Coruja(x) → Capelo(x)) é verdadeira: não há coruja sem capelo. Bastaria uma única formanda de cabeça descoberta para torná-la falsa. Ilustração gerada por IA.

As armadilhas de tradução mais comuns

"Todo aluno está matriculado" é ∀x (Aluno(x) → Matriculado(x)). Com ∧ no lugar de →, ∀x (Aluno(x) ∧ Matriculado(x)) diria que tudo no universo é aluno matriculado, inclusive a cadeira.

"Algum aluno é bolsista" é ∃x (Aluno(x) ∧ Bolsista(x)). Com → no lugar de ∧, ∃x (Aluno(x) → Bolsista(x)) fica verdadeira assim que existir qualquer coisa que não seja aluno — de novo, a cadeira.

A ordem dos quantificadores muda tudo. ∀x ∃y Orienta(y, x) diz que todo aluno tem algum orientador; ∃y ∀x Orienta(y, x), que existe um orientador de todos os alunos — o que seria um problema sério para a coordenação.

Negar troca o quantificador: "nem todo aluno é bolsista", ¬∀x Bolsista(x), equivale a ∃x ¬Bolsista(x), "algum aluno não é bolsista".

A semântica ganha um mundo

Na lógica proposicional, uma interpretação era uma lista de V e F. Na de predicados, é um pequeno mundo: um domínio de objetos, a indicação de qual objeto cada constante nomeia e de quais objetos (ou pares, trios…) satisfazem cada predicado. ∀x φ é verdadeira nesse mundo se φ vale para todo objeto do domínio; ∃x φ, se vale para pelo menos um. As definições de modelo e de consequência lógica são as mesmas de antes — só que agora "todas as interpretações" quer dizer todos os mundos possíveis, inclusive infinitos (Kouri Kissel, 2026).

Inferência com variáveis

As regras da lógica proposicional continuam valendo, e ganham reforços. A instanciação universal permite trocar a variável de um ∀ por qualquer objeto: de ∀x (Mamífero(x) → TemPelos(x)) sai Mamífero(loboGuará) → TemPelos(loboGuará), e daí o modus ponens resolve o argumento que travou. Os programas não chutam instâncias ao acaso: usam a unificação, que procura a substituição que torna duas expressões idênticas. Orienta(x, joão) e Orienta(ana, y) se unificam com a substituição {x/ana, y/joão}. Unificação mais a regra de resolução formam a base dos provadores automáticos de teoremas (Russell; Norvig, 2022).

Em 1974, Robert Kowalski mostrou que um subconjunto dessa lógica, as cláusulas de Horn — regras com no máximo uma conclusão —, pode ser lido ao mesmo tempo como conhecimento e como programa (Kowalski, 1974). É a ideia por trás da linguagem Prolog, em que o exemplo do lobo-guará fica assim — note que, no Prolog, a conclusão vem à esquerda de :-, que se lê "se":

tem_pelos(X) :- mamifero(X).      % regra: X tem pelos SE X é mamífero
mamifero(lobo_guara).             % fato
?- tem_pelos(lobo_guara).         % pergunta
true.

O poder expressivo tem um custo. A lógica de primeira ordem é completa, mas não é decidível: se uma sentença é consequência das premissas, existe um procedimento que acaba encontrando a prova; se não é, esse procedimento pode rodar para sempre sem conseguir dizer "não" (Russell; Norvig, 2022). Por isso, os sistemas práticos costumam usar fragmentos mais bem-comportados da lógica — como as cláusulas de Horn das regras de produção, na próxima seção.

Quadro 4 — Comparação entre a lógica proposicional e a lógica de predicados

Aspecto	Lógica proposicional	Lógica de predicados (primeira ordem)
O mundo é feito de…	Fatos inteiros, verdadeiros ou falsos	Objetos, propriedades e relações
Vocabulário	Letras e conectivos	Constantes, variáveis, funções, predicados, conectivos e quantificadores
"Todo mamífero tem pelos"	Uma letra solta, sem estrutura	∀x (Mamífero(x) → TemPelos(x))
Interpretação	Atribuição de V ou F a cada letra	Domínio de objetos + significado de constantes, funções e predicados
Verificar consequência	Decidível (tabela-verdade), mas exponencial	Semidecidível: prova-se o que é consequência; o "não" pode nunca chegar
Uso típico em IA	Circuitos, planejamento via SAT, regras simples	Bases de conhecimento, Prolog, ontologias, provadores de teoremas

Fonte: elaborado pelo autor com base em Russell e Norvig (2022), Souza (2015) e Kouri Kissel (2026).

A lógica clássica não é a única — e o Brasil tem nome nisso

Na lógica clássica vale o princípio da explosão: de uma contradição, A e ¬A, segue qualquer coisa. Para uma base de conhecimento real, montada por várias pessoas, isso é um perigo: uma única inconsistência tornaria tudo "provável". As lógicas paraconsistentes abandonam a explosão. Um de seus fundadores foi o brasileiro Newton da Costa, que desenvolveu, de forma independente, a partir da tese de doutorado de 1963, a hierarquia de sistemas C_n e abriu uma linha de pesquisa que continua ativa no país (Priest; Tanaka; Weber, 2026).

Premissa 07

Regras de produção: conhecimento em fichas "se… então…"

Um sistema de produção tem três componentes: um conjunto de regras, uma base de dados e um interpretador para as regras (Davis; King, 1984). A ideia vem da matemática — Emil Post propôs as produções em 1943 como mecanismo geral de computação — e chegou à IA pela psicologia, com Newell e Simon. Cada regra de produção tem um lado esquerdo, a condição, e um lado direito, a ação ou conclusão. A base de dados que guarda o que se sabe no momento chama-se memória de trabalho.

O ciclo de um sistema de produção em uma cena: a regra "SE tem pena E olho amarelo ENTÃO é pássaro" casa com as fichas do quadro, dispara, e um fato novo entra na memória de trabalho. Ilustração gerada por IA.

O interpretador funciona num laço que Davis e King chamam de ciclo reconhecer-agir (Davis; King, 1984):

Figura 1 — O ciclo reconhecer-agir de um sistema de produção com encadeamento para frente

1Casarcompara as condições de todas as regras com os fatos da memória de trabalho

2Conjunto de conflitoreúne as regras cujas condições estão todas satisfeitas

3Resolver o conflitoescolhe uma delas: pela ordem, pela mais específica, pela que usa fatos mais recentes…

4 · volta ao passo 1Dispararexecuta a conclusão, que entra na memória; o ciclo recomeça até nada mais disparar

Fonte: elaborado pelo autor com base em Davis e King (1984) e Russell e Norvig (2022).Nota: a regra que já disparou com os mesmos dados não dispara de novo (refratariedade), o que evita laços infinitos.

A resolução de conflitos é onde mora boa parte da "personalidade" de um sistema de regras: duas bases com as mesmas regras e estratégias diferentes podem chegar a conclusões diferentes, ou à mesma conclusão por caminhos diferentes.

A ligação com a lógica é próxima, mas não é identidade. Muitas regras declarativas do tipo condição → conclusão, como "SE p₁ e p₂ ENTÃO q", podem ser escritas como cláusulas de Horn definidas, p₁ ∧ p₂ → q, e disparar uma delas é aplicar modus ponens — é esse o núcleo do Prolog. Sistemas de produção reais, porém, também executam ações, apagam fatos da memória, testam condições negativas e dependem da estratégia de resolução de conflitos; nesses casos, deixam de ser simples implicações lógicas. No caso proposicional, para bases de cláusulas de Horn definidas, repetir o ciclo até nada mais disparar encontra todas as conclusões que se seguem dos fatos, e isso pode ser feito em tempo linear no tamanho da base; com variáveis e funções, na lógica de primeira ordem, essa garantia de tempo não vale (Russell; Norvig, 2022). Esse é o encadeamento para frente: dos dados para as conclusões.

Há o caminho inverso. No encadeamento para trás, o sistema parte de uma hipótese e procura regras que a concluam; as condições dessas regras viram submetas, e assim por diante, até chegar a fatos que ele já conhece ou que pode perguntar a alguém. Era a estratégia do MYCIN: "a estrutura de controle é um encadeamento para trás de regras, orientado por objetivos." (Van Melle, 1984, p. 71, tradução nossa) Faz sentido para uma consulta médica: em vez de perguntar tudo sobre o paciente, o programa só pergunta o que interessa à hipótese que está testando.

Para frente: das pegadas ao bicho. Para trás: de "será um lobo-guará?" à lista do que é preciso observar. O robô está fazendo o primeiro; o caderno de campo, com o desenho do animal, sugere o segundo. Ilustração gerada por IA.

Quadro 5 — Encadeamento para frente e para trás em sistemas de regras

Aspecto	Para frente (dirigido por dados)	Para trás (dirigido por objetivos)
Ponto de partida	Os fatos conhecidos	Uma hipótese ou pergunta
Pergunta que responde	"O que se conclui daqui?"	"Isto é verdade? O que falta saber?"
Ponto forte	Reage a dados que chegam; descobre conclusões não previstas	Só investiga o que é relevante para a meta; pergunta pouco
Ponto fraco	Pode gerar muitas conclusões inúteis	Precisa de uma hipótese para começar
Exemplos	Monitoramento, alertas, sistemas de regras de negócio	MYCIN, diagnóstico, consultas em Prolog

Fonte: elaborado pelo autor com base em Russell e Norvig (2022), Van Melle (1984) e Davis e King (1984).

O laboratório abaixo é um pequeno sistema especialista de brinquedo, com dez regras sobre bichos do cerrado. Atenção: é uma base heurística e fictícia, escrita para ensinar o mecanismo — as regras são pistas de identificação, não definições biológicas (ter caninos grandes não basta para ser da ordem Carnivora, por exemplo). Marque observações (ou carregue um exemplo), avance ciclo a ciclo e veja a memória de trabalho crescer. Depois, escolha uma hipótese e peça ao motor que a prove para trás.

Três coisas merecem atenção. A primeira é a explicação: ao final, o motor mostra como chegou à conclusão, regra por regra. O MYCIN fazia o mesmo — o médico podia perguntar "por quê?" no meio da consulta, para saber por que uma pergunta estava sendo feita, e "como?", para ver as regras que sustentavam uma conclusão (Van Melle, 1984). Num sistema de regras, a justificativa de cada conclusão está escrita; numa rede neural, ela está espalhada em milhões de pesos.

A segunda é o exemplo da borboleta. A regra R4 — "se voa e põe ovos, é ave" — parece razoável até alguém observar um inseto. O motor não hesita: conclui "ave" com a mesma segurança com que concluiu "lobo-guará". Regras são tão boas quanto quem as escreve, e escrevê-las bem é trabalho pesado: a parte três do livro do MYCIN inteira trata da engenharia do conhecimento — extrair regras de especialistas, testá-las, verificar se a base é completa e consistente (Buchanan; Shortliffe, 1984). A área chamou isso de gargalo da aquisição de conhecimento.

A terceira é o número na RULE036: "evidência sugestiva (0,6)". O MYCIN não usava lógica pura. Cada regra carregava um fator de certeza, porque em medicina quase nada é verdadeiro ou falso sem ressalvas (Buchanan; Shortliffe, 1984). O raciocínio sob incerteza, que desemboca nas redes bayesianas e no aprendizado estatístico, é o passo seguinte dessa história.

Regras de produção não ficaram nos anos 1970. O CLIPS, uma ferramenta para construir sistemas especialistas desenvolvida no Centro Espacial Johnson, da NASA, entre 1985 e 1996, está em domínio público desde então (Clips…, 2026), e motores de regras de negócio — que decidem elegibilidade, preço, alçada de aprovação — são peça comum em sistemas corporativos.

Premissa 08

Lógica na era dos modelos de linguagem

Os modelos de linguagem discutidos em Fundamentos de IA generativa têm o perfil oposto ao do MYCIN: falam de qualquer assunto, mas não garantem que cada passo do raciocínio se siga do anterior. Um estudo com problemas de matemática escolar mostrou que acrescentar ao enunciado uma única frase que parece relevante, mas não muda a resposta, derrubou o desempenho de todos os modelos de ponta testados, em até 65% (Mirzadeh et al., 2025). Num sistema lógico correto, uma premissa irrelevante não muda quais conclusões decorrem das demais — embora possa aumentar o custo da busca por uma prova.

Daí o interesse crescente pela IA neurossimbólica, que combina as duas tradições. No Logic-LM, por exemplo, o modelo de linguagem não resolve o problema: ele o traduz para uma linguagem lógica formal, e um resolvedor simbólico faz a inferência. Em cinco conjuntos de testes de raciocínio lógico, a combinação melhorou o desempenho, em média, 39,2% em relação ao modelo sozinho com prompt comum e 18,4% em relação ao modelo com cadeia de pensamento (Pan et al., 2023).

A dupla neurossimbólica: a arara fala muito e depressa; o robô confere devagar, ficha por ficha. Cada um cobre o ponto fraco do outro. Ilustração gerada por IA.

Três ideias para levar adiante

Ontologias. Na Web Semântica, a linguagem-padrão para ontologias é a OWL 2, que o W3C descreve como uma linguagem de lógica computacional: o conhecimento escrito nela pode ser processado por programas para verificar sua consistência ou para tornar explícito o que estava apenas implícito (W3C, 2012). Uma ontologia, portanto, não é só uma árvore de conceitos: é um conjunto de afirmações sobre classes, propriedades e relações, com semântica formal. E OWL não é sinônimo de RDF: ontologias OWL costumam ser trocadas como documentos RDF, mas a OWL tem construções e semântica próprias, e o W3C define também uma sintaxe funcional independente do grafo (W3C, 2012).

Mundo fechado e mundo aberto. "Se um fato não está presente num banco de dados, em geral ele é considerado falso (a chamada hipótese do mundo fechado), ao passo que, num documento OWL 2, ele pode simplesmente estar faltando (mas possivelmente ser verdadeiro), segundo a hipótese do mundo aberto." (W3C, 2012, tradução nossa) A diferença pesa na prática. O Prolog e os bancos de dados adotam a hipótese do mundo fechado: o que não se consegue provar é tratado como falso, a chamada negação por falha (Russell; Norvig, 2022). No Laboratório 3, o encadeamento para trás se comporta como mundo aberto: uma observação não marcada não vira "falso", vira "não observado — perguntaria ao usuário", como fazia o MYCIN.

Exceções e monotonicidade. A lógica clássica é monotônica: se φ é consequência de um conjunto de premissas, continua sendo consequência de qualquer conjunto maior que o contenha. Acrescentar informação nunca desfaz uma conclusão. O raciocínio cotidiano não funciona assim: concluímos que Tweety voa porque é uma ave e aves costumam voar, e retiramos a conclusão ao saber que Tweety é um pinguim — o exemplo clássico das lógicas não monotônicas (Antonelli, 2024). Repare na diferença para a borboleta do Laboratório 3: ali, a regra R4 estava simplesmente errada; no caso do pinguim, a regra "aves voam" é boa, só que tem exceções — e a lógica clássica não tem como dizer "em geral".

A lição do MYCIN e a do Logic-LM são a mesma: a lógica não compete com o aprendizado de máquina; ela oferece o que ele não tem — conclusões que se pode conferir passo a passo. Não por acaso, ontologias, grafos de conhecimento, verificação formal de software e resolvedores de SAT seguem trabalhando, discretamente, por trás de muitos sistemas que hoje se vendem como "IA".

Aplicação prática

Formalize uma regra do seu mundo

Escolha uma regra do regimento da sua instituição ou do seu trabalho — por exemplo, "o aluno é aprovado se tiver frequência mínima de 75% e média mínima 7". Marque os passos conforme conseguir cumpri-los.

Listei as proposições atômicas, sem ambiguidade: F = "frequência ≥ 75%", M = "média ≥ 7", A = "aprovado". Decidi entre → e ↔: a regra diz só "se F e M, aprovado" ou também "só é aprovado quem tem F e M"? Escrevi a fórmula — por exemplo, A ↔ (F ∧ M) — e montei a tabela-verdade com as quatro combinações de F e M. Procurei os casos que a regra não cobre: e quem tem média 5? Existe exame final? A base está completa? Conferi se alguma outra regra contradiz esta (um abono de faltas, uma dependência) — a base está consistente? Reescrevi a regra como SE… ENTÃO… para um motor de regras e testei com três alunos fictícios, um de cada tipo.

0 de 6 — comece pelas proposições atômicas.

Na sala de aula, o exercício funciona bem em grupo: cada grupo formaliza uma regra real, troca com outro, e o outro grupo tenta achar um aluno fictício que a fórmula trata de forma injusta. É engenharia do conhecimento em miniatura — e costuma revelar que o regimento era menos preciso do que parecia.

∴ Conclusão

O que as quinhentas regras ensinaram

O MYCIN venceu os professores de Stanford numa tarefa estreita, bem definida e cheia de conhecimento especializado — exatamente o terreno em que a lógica brilha: representar com precisão, inferir com segurança, explicar cada passo. Apesar do desempenho experimental, não chegou à rotina clínica — e os próprios autores registravam o que ainda estava em aberto: a aceitação pelos médicos, o impacto sobre os pacientes, os custos e as implicações legais, questões que ficavam fora das regras. A lógica garante o caminho entre as premissas e a conclusão; escolher as premissas continua sendo trabalho humano.

Meio século depois, os modelos de linguagem invertem o problema: lidam com uma variedade muito maior de situações expressas em linguagem natural e tropeçam justamente na cadeia de inferências que um motor de regras de 1975 faria sem esforço. Por isso a lógica formal não é peça de museu. É a parte da IA que diz não apenas o que concluir, mas por que — e que deixa alguém conferir.

Que regra do seu trabalho você conseguiria escrever como "se… então…" — e qual seria o primeiro caso real capaz de quebrá-la?

Leia também

Para continuar no Brasil Acadêmico:

Afinal, o que é inteligência artificial? — o ponto de partida da série.
Formulação de problemas e espaço de estados — a outra forma clássica de representar um problema.
Busca cega, busca informada e busca aplicada — a IA que procura caminhos.
Como a máquina aprende — a IA que aprende com exemplos, em vez de receber regras.
Fundamentos de IA generativa — por que modelos fluentes alucinam.
Pesquisa aplicada: método científico, fontes e normas — premissas também precisam de fonte.
E os outros mais de 180 posts sobre Inteligência Artificial que o blog já trazia antes do tema virar hype (modinha)🦉

Nota do autor critérios, fontes e símbolos usados — clique para abrir

Os dados da avaliação do MYCIN foram transcritos da tabela 31-1 do capítulo de Yu et al., reproduzido em 1984 no livro de Buchanan e Shortliffe, disponível gratuitamente no site de Edward Shortliffe; o artigo original saiu no Journal of the American Medical Association em 1979 e não é de acesso aberto, por isso se citou a reprodução. Os rótulos "Professor 1" a "Professor 5" seguem a ordem da tabela original (Faculty-1 a Faculty-5), e a média dos professores (55,5%) foi calculada pelo autor. As traduções da RULE036, do trecho de Van Melle e da passagem do W3C sobre mundo aberto são livres.

O trabalho de Shannon foi publicado como artigo em 1938; a referência aponta a dissertação depositada no repositório do MIT com data de 1940, que é de acesso aberto. A contagem de linhas da tabela-verdade (2³⁰ = 1 073 741 824) é do autor. Segundo o verbete da Stanford Encyclopedia of Philosophy sobre lógica clássica, a completude da lógica de primeira ordem é resultado de Gödel (1930). Os livros de Russell e Norvig (edição brasileira, na Minha Biblioteca) e de Souza (disponibilizado gratuitamente pelo autor desde 2020) foram usados para as definições gerais; os trabalhos sobre Logic-LM e GSM-Symbolic são citados nas versões publicadas em anais, ambas de acesso aberto.

A base de regras do Laboratório 3 é heurística e fictícia, escrita pelo autor para ensinar o mecanismo, e simplifica a biologia: o lobo-guará pertence à ordem Carnivora, mas tem dieta onívora, com muitos frutos; o "carnívoro" da regra R5 se refere à ordem. A regra R4 tem um defeito proposital, discutido no texto. As ilustrações foram geradas por IA com o Gemini (Nano Banana), em estilo de animação 3D, e conferidas em alta resolução; na dos circuitos, o traçado dos fios é esquemático.

Símbolos usados nas fórmulas deste texto

Símbolo	Nome	Como se lê / o que significa
P, Q, R, A, B, C, G, K, F, M	Letras proposicionais	cada uma representa uma afirmação inteira, verdadeira ou falsa
V, F	Valores de verdade	verdadeiro e falso
¬	Negação	"não"; ¬P lê-se "não P"
∧	Conjunção	"e"; P ∧ Q lê-se "P e Q"
∨	Disjunção	"ou" inclusivo; P ∨ Q lê-se "P ou Q"
→	Condicional (implicação material)	"se… então…"; P → Q lê-se "se P, então Q"
↔	Bicondicional	"se, e somente se"; P ↔ Q lê-se "P se, e somente se, Q"
≡	Equivalência lógica	"é equivalente a": as duas fórmulas têm a mesma tabela-verdade
≢	Não equivalência	"não é equivalente a"
Γ	Gama maiúsculo (letra grega)	nome de um conjunto de premissas
φ	Fi (letra grega)	nome de uma fórmula qualquer, em geral a conclusão
⊨	Consequência semântica (dupla barra)	Γ ⊨ φ: "Γ acarreta φ", "φ é consequência lógica de Γ"
⊢	Derivabilidade (turnstile, "catraca")	Γ ⊢ φ: "de Γ deriva-se φ", "φ é demonstrável a partir de Γ"
∀	Quantificador universal	"para todo"; ∀x lê-se "para todo x"
∃	Quantificador existencial	"existe pelo menos um"; ∃x lê-se "existe x tal que"
x, y	Variáveis	ocupam o lugar de objetos quaisquer do domínio
Mamífero(x), Orienta(y, x)	Predicados	"x é mamífero"; "y orienta x"
mãe(ana)	Função	designa um objeto (a mãe de Ana), não uma afirmação
{x/ana, y/joão}	Substituição	"troque x por ana e y por joão" (resultado da unificação)
p₁, p₂, pₙ, Cₙ	Índices	numeram fórmulas ou sistemas da mesma família: p um, p dois… p ene
2ⁿ	Potência	número de linhas da tabela-verdade com n letras
≥	Maior ou igual	"frequência ≥ 75%": frequência de pelo menos 75%
:- ?- %	Sinais do Prolog	":-" lê-se "se" (conclusão à esquerda); "?-" faz uma pergunta; "%" inicia um comentário
✗	Marca de falácia	conclusão que não se segue das premissas
∴	"Portanto"	símbolo tradicional de conclusão, usado no rótulo da última seção

Vocabulário

Termos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; o botão ao lado do verbete leva de volta.

Base de conhecimento: Conjunto de fatos e regras sobre um domínio, escrito numa linguagem formal e mantido separado do programa que raciocina sobre ele. Premissa 02
Cláusula de Horn: Disjunção de literais com no máximo um literal positivo; na prática, uma regra da forma p₁ ∧ … ∧ pₙ → q ou um fato. Muitas regras de produção declarativas podem ser escritas assim, e o núcleo do Prolog se baseia nessa família de cláusulas. Premissa 06
Condicional material: O "se… então…" da lógica clássica (P → Q): só é falso quando P é verdadeiro e Q é falso. Não afirma causa nem relação de sentido. Premissa 04
Compromisso ontológico: O que uma linguagem de representação assume que existe no mundo — isto é, sua ontologia, no sentido filosófico de "teoria do que existe". A lógica proposicional se compromete apenas com fatos, verdadeiros ou falsos; a de predicados, com objetos, propriedades e relações. Escolher uma representação é escolher o que vai ficar visível e o que vai ficar de fora. Premissas 02 e 06
Conectivo: Operador que forma proposições compostas: negação (¬), conjunção (∧), disjunção (∨), condicional (→) e bicondicional (↔). Premissa 03
Consequência lógica (⊨): Relação entre premissas e conclusão em que toda interpretação que torna as premissas verdadeiras também torna a conclusão verdadeira. Premissa 04
Correção e completude: Propriedades de um sistema de prova: correto, se tudo o que prova é consequência lógica; completo, se toda consequência lógica pode ser provada. A lógica clássica de primeira ordem tem as duas. Premissa 05
Encadeamento para frente: Estratégia de inferência dirigida por dados: aplica as regras cujas condições são satisfeitas pelos fatos conhecidos, acrescenta as conclusões e repete até nada mais disparar. Premissa 07
Encadeamento para trás: Estratégia de inferência dirigida por objetivos: parte de uma hipótese, procura regras que a concluam e transforma as condições delas em submetas. Usada pelo MYCIN e pelo Prolog. Premissa 07
Falácia formal: Argumento com forma inválida, que pode ter premissas verdadeiras e conclusão falsa, como a afirmação do consequente e a negação do antecedente. Premissa 05
Fator de certeza: Número associado às regras e conclusões do MYCIN (por exemplo, 0,6) para indicar o grau de confiança na conclusão, numa forma de raciocínio sob incerteza. Premissa 07
Fórmula bem formada: Sequência de símbolos que obedece às regras de sintaxe de uma lógica, definidas de forma recursiva a partir das proposições atômicas e dos conectivos. Premissa 03
IA neurossimbólica: Abordagem que combina redes neurais (aprendizado a partir de dados, linguagem natural) com representações e inferência simbólicas (lógica, regras, resolvedores). Premissa 08
Interpretação e modelo: Interpretação é uma atribuição de significado aos símbolos: V ou F a cada letra, na lógica proposicional; um domínio de objetos e o sentido de constantes, funções e predicados, na de primeira ordem. Modelo de uma fórmula é uma interpretação que a torna verdadeira. Premissas 04 e 06
Lógica de predicados (primeira ordem): Lógica que representa objetos, propriedades e relações, com variáveis e os quantificadores ∀ e ∃. É completa, mas semidecidível. Premissa 06
Lógica proposicional: Lógica cujas unidades são proposições inteiras, verdadeiras ou falsas, combinadas por conectivos. É decidível por tabela-verdade. Premissa 03
Lógica paraconsistente: Lógica em que uma contradição não implica qualquer conclusão (rejeita o princípio da explosão), útil para bases de conhecimento com inconsistências. O brasileiro Newton da Costa é um de seus fundadores. Premissa 06
Memória de trabalho: Em um sistema de produção, a coleção de fatos conhecidos no momento, contra a qual as condições das regras são comparadas a cada ciclo. Premissa 07
Monotonicidade: Propriedade da lógica clássica: acrescentar premissas nunca elimina conclusões já obtidas. Lógicas não monotônicas, usadas para regras com exceções, abrem mão dela. Premissa 08
Mundo fechado e mundo aberto: Na hipótese do mundo fechado (bancos de dados, Prolog), o que não está registrado ou não se prova é tratado como falso. Na do mundo aberto (OWL), é apenas desconhecido. Premissa 08
Modus ponens: Regra de inferência: de P → Q e P, conclui-se Q. É o que acontece quando uma regra de produção dispara. Premissa 05
Motor de inferência: Programa que aplica regras de inferência a uma base de conhecimento para derivar conclusões, independente do domínio da base. Premissa 02
Ontologia (ontologias): Na filosofia, o estudo do que existe e de que tipos de coisas há no mundo. Em computação, por extensão, a especificação formal de classes, propriedades e relações de um domínio — "aluno", "disciplina", "está matriculado em" —, com semântica lógica que permite verificar consistência e inferir conhecimento implícito. Na Web Semântica, é escrita em OWL. Premissas 02 e 08
Predicado: Símbolo que expressa uma propriedade ou relação de objetos e que, aplicado a eles, forma uma afirmação verdadeira ou falsa, como Mamífero(x) ou Orienta(x, y). Premissa 06
Proposição atômica: Afirmação indivisível, representada por uma letra (P, Q, R), que recebe diretamente o valor verdadeiro ou falso. Premissa 03
Quantificador: Operador que indica de quantos objetos se fala: o universal ∀ ("para todo") e o existencial ∃ ("existe pelo menos um"). Premissa 06
Regra de produção: Par condição–ação do tipo "SE condições ENTÃO conclusão", que dispara quando todas as condições são satisfeitas pela memória de trabalho. Premissa 07
Representação do conhecimento: Área da IA que estuda como descrever o mundo em estruturas formais que uma máquina possa armazenar e sobre as quais possa raciocinar. Premissa 01
Resolução: Regra de inferência que, de A ∨ B e ¬A ∨ C, conclui B ∨ C. Combinada com a unificação, é a base dos provadores automáticos de teoremas. Premissa 06
Resolução de conflitos: Estratégia que escolhe qual regra disparar quando várias estão prontas: pela ordem, pela especificidade, pela recência dos fatos, entre outras. Premissa 07
Satisfatibilidade (SAT): Propriedade de uma fórmula que tem pelo menos um modelo. Decidir se uma fórmula proposicional é satisfatível é o problema SAT, o primeiro provado NP-completo. Premissa 04
Semântica: Parte de uma lógica que define quando cada sentença é verdadeira, relacionando os símbolos a interpretações do mundo. Premissa 02
Sintaxe: Parte de uma lógica que define quais sequências de símbolos são sentenças bem formadas, sem considerar o que significam. Premissa 02
Sistema especialista: Programa que reproduz o desempenho de especialistas humanos num domínio restrito, em geral com uma base de regras e um motor de inferência, como o MYCIN. Premissa 07
Tautologia: Fórmula verdadeira em todas as interpretações, como P ∨ ¬P. Seu oposto, falsa em todas, é a contradição. Premissa 04
Unificação: Procedimento que encontra uma substituição de variáveis capaz de tornar duas expressões idênticas, como {x/ana, y/joão} para Orienta(x, joão) e Orienta(ana, y). Premissa 06
Validade: Propriedade de um argumento em que é impossível ter premissas verdadeiras e conclusão falsa. Depende da forma, não da verdade das premissas. Premissa 05
Variável livre e ligada: Ligada é a variável que está no alcance de um quantificador; livre, a que não está. Uma fórmula com variável livre só tem valor quando se diz a que objeto a variável se refere. Premissa 06

Referências

ANTONELLI, G. Aldo. Non-monotonic logic. In: ZALTA, Edward N.; NODELMAN, Uri (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Stanford University, 2001. Revisão de 23 nov. 2024. Disponível em: https://plato.stanford.edu/entries/logic-nonmonotonic/. Acesso em: 28 set. 2026.
BOOLE, George. An investigation of the laws of thought: on which are founded the mathematical theories of logic and probabilities. London: Walton and Maberly, 1854. E-book. Salt Lake City: Project Gutenberg, 2005. Disponível em: https://www.gutenberg.org/ebooks/15114. Acesso em: 27 set. 2026.
BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/MYCIN%20Book.htm. Acesso em: 27 set. 2026.
CLIPS: a tool for building expert systems. [S. l.]: CLIPS, 2026. Disponível em: https://www.clipsrules.net/. Acesso em: 27 set. 2026.
COOK, Stephen A. The complexity of theorem-proving procedures. In: ANNUAL ACM SYMPOSIUM ON THEORY OF COMPUTING, 3., 1971, Shaker Heights. Proceedings […]. New York: ACM, 1971. p. 151-158. Disponível em: https://www.cs.toronto.edu/~sacook/homepage/1971.pdf. Acesso em: 27 set. 2026.
DAVIS, Randall; KING, Jonathan J. The origin of rule-based systems in AI. In: BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. p. 21-52. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-02.pdf. Acesso em: 27 set. 2026.
DAVIS, Randall; SHROBE, Howard; SZOLOVITS, Peter. What is a knowledge representation? AI Magazine, [s. l.], v. 14, n. 1, p. 17-33, 1993. Disponível em: https://groups.csail.mit.edu/medg/ftp/psz/k-rep.html. Acesso em: 27 set. 2026.
KOURI KISSEL, Teresa. Classical logic. In: ZALTA, Edward N.; NODELMAN, Uri (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Stanford University, 2000. Revisão de 17 jun. 2026. Disponível em: https://plato.stanford.edu/entries/logic-classical/. Acesso em: 27 set. 2026.
KOWALSKI, Robert. Predicate logic as programming language. In: IFIP CONGRESS, 1974, Stockholm. Information Processing 74. Amsterdam: North-Holland, 1974. p. 569-574. Disponível em: https://www.doc.ic.ac.uk/~rak/papers/IFIP%2074.pdf. Acesso em: 27 set. 2026.
MIRZADEH, Iman et al. GSM-Symbolic: understanding the limitations of mathematical reasoning in large language models. In: INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, 13., 2025, Singapura. Proceedings […]. [S. l.]: ICLR, 2025. Disponível em: https://proceedings.iclr.cc/paper_files/paper/2025/hash/ec2e7a896f8250986b3907f57621ce94-Abstract-Conference.html. Acesso em: 29 set. 2026.
PAN, Liangming; ALBALAK, Alon; WANG, Xinyi; WANG, William. Logic-LM: empowering large language models with symbolic solvers for faithful logical reasoning. In: BOUAMOR, Houda; PINO, Juan; BALI, Kalika (ed.). Findings of the Association for Computational Linguistics: EMNLP 2023. Singapore: Association for Computational Linguistics, 2023. p. 3806-3824. DOI: 10.18653/v1/2023.findings-emnlp.248. Disponível em: https://aclanthology.org/2023.findings-emnlp.248/. Acesso em: 29 set. 2026.
PRIEST, Graham; TANAKA, Koji; WEBER, Zach. Paraconsistent logic. In: ZALTA, Edward N.; NODELMAN, Uri (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Stanford University, 1996. Revisão de 17 abr. 2026. Disponível em: https://plato.stanford.edu/entries/logic-paraconsistent/. Acesso em: 27 set. 2026.
RUSSELL, Stuart J.; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
SHANNON, Claude Elwood. A symbolic analysis of relay and switching circuits. 1940. Dissertação (Mestrado em Engenharia Elétrica) – Massachusetts Institute of Technology, Cambridge, 1940. Disponível em: http://hdl.handle.net/1721.1/11173. Acesso em: 27 set. 2026.
SOUZA, João Nunes de. Lógica para ciência da computação e áreas afins: uma introdução concisa. 3. ed. Rio de Janeiro: Elsevier, 2015. Disponível em: https://facom.ufu.br/system/files/conteudo/logicajoaonunes.pdf. Acesso em: 27 set. 2026.
VAN MELLE, William. The structure of the MYCIN system. In: BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. p. 67-77. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-04.pdf. Acesso em: 27 set. 2026.
W3C. OWL 2 Web Ontology Language primer. 2. ed. Editado por Pascal Hitzler et al. [S. l.]: W3C, 2012. Recomendação W3C de 11 dez. 2012. Disponível em: https://www.w3.org/TR/owl2-primer/. Acesso em: 28 set. 2026.
YU, Victor L. et al. An evaluation of MYCIN's advice. In: BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. p. 589-596. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-31.pdf. Acesso em: 27 set. 2026.

Instituto KMS de Talentos abre as portas em Brasília

noreply@blogger.com (War) — Sun, 27 Sep 2026 21:31:36 -0300

Brasília ganha, nesta sexta-feira, 2 de outubro de 2026, um novo endereço para quem quer transformar talento em ofício: o KMS – Instituto de Talentos (leia-se "Câmes"), idealizado por Kell Maya e Renato Said, abre as portas na Asa Sul com entrada gratuita, apresentações ao vivo e a proposta de reunir teatro, música, dança, audiovisual, comunicação e desenvolvimento humano num mesmo lugar. Antes da festa, dá para conhecer o projeto pela entrevista de pré-lançamento e rever a live de apresentação — com botões que levam direto a cada número, de cada artista.

Primeiro ato

Um instituto para quem ainda está descobrindo o próprio talento

A sigla se escreve KMS e se lê "Câmes". Por trás dela está um projeto que nasce em Brasília com uma frase de efeito e uma ambição concreta: reconhecer, desenvolver e transformar talentos, conectando arte, comunicação, autoconhecimento, inteligência emocional e desenvolvimento humano (KMS – Instituto de Talentos, 2026c). O instituto foi idealizado por Kell Maya, que assina como diretora, e por Renato Said, e tem como lema "a sua verdade é o seu talento" (KMS – Instituto de Talentos, 2026a, 2026c).

A lista de áreas é longa de propósito. Teatro, música, dança, TV, cinema, moda, oratória, expressão corporal, comunicação e inteligência emocional aparecem lado a lado na apresentação do projeto, e o formato de trabalho também foge da aula expositiva: oficinas, vivências, imersões, encontros e projetos, pensados para que o participante experimente, se expresse e descubra o que sabe fazer, em vez de apenas assistir a alguém que já sabe (KMS – Instituto de Talentos, 2026a). O instituto anuncia ainda ações culturais e sociais para levar arte e oportunidades a públicos diferentes.

"A sua verdade é o seu talento."

Quem acompanha este blog sabe que a gente gosta de ver aprendizagem acontecendo fora da sala tradicional. Um espaço que trata oratória e expressão corporal com a mesma seriedade que dá à técnica vocal ou à cena conversa diretamente com o que as escolas e faculdades vêm tentando fazer com as metodologias ativas: aprender fazendo, com público, com erro permitido e com alguém experiente por perto.

Segundo ato

A entrevista de pré-lançamento

O Brasil Acadêmico conversou com a equipe do instituto dias antes da inauguração. A entrevista, de seis minutos, apresenta algumas das novidades que o KMS traz para o campo artístico de Brasília e faz o convite para o lançamento (Brasil Acadêmico, 2026).

Se o vídeo não carregar, assista à entrevista no YouTube.

Vídeo 1 — Entrevista de pré-lançamento do KMS – Instituto de Talentos (Brasil Acadêmico, 2026).

Terceiro ato

A live de apresentação, número por número

Na noite de 18 de setembro de 2026, uma sexta-feira, o instituto fez uma live de apresentação de uma hora e quarenta minutos no seu canal do YouTube, com música, dança, cena, entrevistas e uma roda de conversa sobre a proposta do projeto (KMS – Instituto de Talentos, 2026c). O cenário é um deque ao ar livre, com a cidade iluminada ao fundo, e o fio condutor é um personagem caracterizado em homenagem a Michael Jackson, que faz as vezes de mestre de cerimônias e entrevistador ao longo da noite. Estavam anunciadas as participações de Well Britto, Hanna Maíra, Kleber Rocha, Thiago Porto Vidal — apresentado pelo instituto como artista e embaixador do projeto — e Jeison Paiva, além dos idealizadores (KMS – Instituto de Talentos, 2026c); o papel de embaixador aparece no perfil do instituto no Instagram (KMS – Instituto de Talentos, 2026a).

Como a live não tem capítulos marcados, fizemos a minutagem: cada botão abaixo leva o vídeo direto ao ponto em que muda o número ou o artista em cena. Clique, e o player recarrega naquele instante.

Ir direto ao número

Na roda de conversa, a vez de cada convidado

Se o vídeo não carregar, assista à live no YouTube.

Vídeo 2 — Live de lançamento do KMS – Instituto de Talentos, transmitida em 18 set. 2026 (KMS – Instituto de Talentos, 2026c). Os botões recarregam o vídeo no ponto escolhido.

Para quem prefere ler antes de clicar, o roteiro completo está no quadro a seguir.

Quadro 1 — Roteiro da live de lançamento do KMS – Instituto de Talentos, por bloco — Brasília, 18 set. 2026

Início	Bloco	O que acontece
00:00	Vinheta	Cartaz da live com contagem regressiva até a entrada ao vivo.
02:10	Abertura	Solo de dança com tecido azul no deque, sob luzes coloridas.
06:30	Mestre de cerimônias	Um personagem mascarado toma o microfone e anuncia a noite.
07:25	Homenagem	Número de dança caracterizado em homenagem a Michael Jackson.
13:10	Dança a dois	Coreografia de um casal, seguida de conversa com o mestre de cerimônias.
19:20	Entrevista	Conversa, à mesa, com um artista convidado.
29:10	Música	Show de guitarra, com participação do grupo em cena.
42:10	O instituto	A anfitriã apresenta a proposta, as áreas e os projetos do KMS.
48:30	Teatro	Cena com o elenco no deque, com figurinos de época.
55:30	Bastidores	O mestre de cerimônias entrevista, um a um, os integrantes do elenco.
1:00:15	Número coletivo	O elenco volta à cena para um número de conjunto.
1:03:10	Roda de conversa	Convidados e idealizadores, sentados, falam do projeto; cinco falas mais longas a partir de 1:06:00.
1:30:50	Encerramento	Convidados reunidos de pé para os agradecimentos.
1:35:45	Final	Número final e foto com todo o elenco até o fim da transmissão (1:39:45).

Fonte: elaborado pelo autor com base em KMS – Instituto de Talentos (2026c).Nota: minutagens obtidas pelo autor por inspeção do vídeo; podem variar alguns segundos.

Quarto ato

A inauguração: dia, hora, lugar e ingresso

A inauguração presencial acontece em 2 de outubro de 2026, das 19h30 às 22h, no Edifício Novo Centro Multiempresarial, na Asa Sul. A entrada é gratuita, com ingresso retirado pelo Sympla até o dia do evento. A programação promete apresentações de teatro, música, dança e outras expressões artísticas, além da apresentação do que o instituto prepara para quem quer desenvolver seu talento (KMS – Instituto de Talentos, 2026b).

Contagem para a abertura das portas

--dias

--horas

--minutos

--segundos

Sexta-feira, 2 de outubro de 2026, às 19h30 (horário de Brasília).

Expediente · Serviço

Evento: Lançamento do KMS – Instituto de Talentos
Quando: Sexta-feira, 2 de outubro de 2026, das 19h30 às 22h
Onde: Edifício Novo Centro Multiempresarial (Centro MultiEmpresarial), Bloco O, Salão de Eventos 01 — SRTVS 110, Asa Sul, Brasília (DF)
Entrada: Gratuita, com ingresso único VIP retirado até 2/10 no Sympla
Instagram: @kms_instituto_detalentos
YouTube: @institutokms

Garanta seu ingresso gratuito

Cortina final

O palco está montado

Todo talento começa como uma suspeita: a pessoa que canta no chuveiro, que imita o professor no intervalo, que desenha na margem do caderno, que segura a turma numa apresentação de trabalho. O que um instituto como o KMS se propõe a fazer é transformar essa suspeita em prática, com método, com palco e com gente olhando. O primeiro passo, desta vez, custa só um clique no ingresso.

E você: qual talento seu ainda está esperando um palco para deixar de ser suspeita?

Nota do autor: as chamadas de citação seguem a NBR 10520:2023. As minutagens da live foram obtidas pelo autor por inspeção de quadros do vídeo a cada 10 a 60 segundos, já que a transmissão não traz capítulos nem legendas; os pontos marcados correspondem às mudanças de número ou de artista em cena e podem variar alguns segundos. Como o vídeo não identifica os artistas na tela, os trechos são descritos pelo que acontece em cena; os nomes citados no terceiro ato são os anunciados na descrição da live. A entrevista de pré-lançamento foi produzida pelo Brasil Acadêmico. A pronúncia "Câmes" é a indicada pelos organizadores. Data, horário, local e condições de ingresso seguem a página do evento no Sympla, consultada em 27 set. 2026; confira-a antes de sair de casa.

Referências

BRASIL ACADÊMICO. KMS – Instituto de Talentos (pré-lançamento). Brasília, DF: Brasil Acadêmico, 2026. 1 vídeo (6 min). Publicado pelo canal Brasil Acadêmico. Disponível em: https://youtu.be/5v22OcR2KGw. Acesso em: 27 set. 2026.
KMS – INSTITUTO DE TALENTOS. kms_instituto_detalentos. Brasília, DF, 2026a. Instagram: @kms_instituto_detalentos. Disponível em: https://www.instagram.com/kms_instituto_detalentos/. Acesso em: 27 set. 2026.
KMS – INSTITUTO DE TALENTOS. Lançamento Instituto KMS de Talentos. Sympla, Brasília, DF, 2026b. Disponível em: https://www.sympla.com.br/evento/lancamento-instituto-kms-de-talentos/3587522. Acesso em: 27 set. 2026.
KMS – INSTITUTO DE TALENTOS. Live de lançamento — KMS | Instituto de Talentos. Brasília, DF: KMS – Instituto de Talentos, 18 set. 2026c. 1 vídeo (99 min). Publicado pelo canal KMS – Instituto de Talentos. Disponível em: https://www.youtube.com/watch?v=hJOa1W8GG2g. Acesso em: 27 set. 2026.

Design thinking, experimentação e MVP aplicados à comunicação digital

noreply@blogger.com (War) — Sat, 26 Sep 2026 10:17:27 -0300

Em dezembro de 2007, a equipe digital da campanha de Barack Obama tinha certeza de que um vídeo do candidato converteria mais visitantes em apoiadores do que uma fotografia. Em vez de discutir, testou: 24 versões da página de entrada, 310 mil visitantes, e todos os vídeos perderam para todas as fotos. A versão vencedora, pelas contas da própria equipe, rendeu quase 3 milhões de e-mails e cerca de 60 milhões de dólares a mais em doações. Este texto continua a conversa sobre design thinking e mostra o que acontece depois do protótipo: como a startup enxuta transformou "construir, medir, aprender" em método, o que é (e o que não é) um produto mínimo viável, por que métricas de vaidade enganam, como funciona um teste A/B e quantas pessoas ele precisa para dizer alguma coisa — tudo aplicado a campanhas, conteúdos, newsletters e canais de comunicação digital, com um laboratório interativo para simular os seus próprios testes.

Hipótese 01

Todos os vídeos perderam

No fim de 2007, quem chegava ao site da campanha de Barack Obama via primeiro uma página de entrada: uma imagem ou um vídeo, um botão e um formulário pedindo e-mail e CEP. Dan Siroker, recém-saído do Google para dirigir a análise de dados da campanha, decidiu tratar aquela página como uma pergunta, não como uma peça de arte. A equipe montou 24 versões, combinando quatro textos de botão (de "Inscreva-se" a "Saiba mais") com seis mídias — três fotografias e três vídeos. Cada um dos 310 382 visitantes do período do teste viu, ao acaso, uma dessas combinações. A página original convertia 8,26% dos visitantes em cadastros; a melhor combinação, uma foto do candidato com a família e o botão "Saiba mais", converteu 11,6% — uma melhora de 40,6% (Siroker, 2010).

O detalhe que faz o caso valer a aula é o palpite da equipe. A maioria apostava num vídeo, o "vídeo do Sam", uma peça bem produzida e emocionante. Nas palavras de Siroker, "todos os vídeos foram piores do que todas as imagens" (Siroker, 2010, tradução nossa). A extrapolação que deu título ao relato é da própria equipe: cerca de 10 milhões de pessoas se cadastraram por aquela página ao longo da campanha; com 40,6% a mais, foram aproximadamente 2,88 milhões de e-mails adicionais, e cada endereço cadastrado ali doou, em média, 21 dólares — perto de 60 milhões de dólares que, pela conta deles, não existiriam se a opinião da sala tivesse vencido.

Mesma campanha, mesmo período, visitantes sorteados: só o que muda na tela é a mídia e o texto do botão. A comparação é justa porque o acaso distribuiu todo o resto. Ilustração gerada por IA.

Uma campanha eleitoral é comunicação digital em estado puro: mensagem, canal, público, chamada para ação. E a lição do caso não é "foto ganha de vídeo" — em outra campanha, com outro público, pode ser o contrário. A lição é o método: uma hipótese explícita, uma comparação controlada, uma métrica combinada antes de olhar os resultados e uma decisão tomada pelos dados em vez de pela opinião da pessoa mais bem paga da sala — o HiPPO, na sigla irônica que a equipe de experimentação da Microsoft popularizou (Kohavi; Henne; Sommerfield, 2007).

antes de testarUma hipótese, não uma certeza"Acreditamos que o vídeo converte mais que a foto." Escrita assim, a crença vira algo que pode estar errado — e, portanto, algo que pode ser testado.

durante o testeUma comparação controladaAs versões rodam ao mesmo tempo, para visitantes sorteados. Sem sorteio, qualquer diferença pode ser o dia da semana, uma notícia ou o horário.

depois do testeUma métrica combinada antesCadastros por visitante, decidido de antemão. Quem escolhe a métrica depois de ver os números sempre encontra uma em que "ganhou".

Esta postagem continua a conversa de Design thinking: origens e como usar, que acompanhou um grupo de estudantes do pedido "façam um aplicativo" até um dispensador de remédios de papelão testado na mesa da cozinha de dona Neusa. Aquele texto parou no protótipo. Este começa exatamente aí — e responde à pergunta que fica no ar quando a oficina termina: e agora, como saber se funciona no mundo real? Faz parte da série sobre comunicação digital iniciada em Afinal, o que é comunicação digital?.

Hipótese 02

Onde o design thinking para — e por quê

O design thinking, como visto no post anterior, é um modo de resolver problemas em cinco movimentos: empatia, definição, ideação, prototipagem e teste. Tim Brown o descreve como a busca do ponto de encontro entre três restrições — o que é desejável para as pessoas, o que é tecnicamente possível e o que é viável como negócio (Brown, 2020). O protótipo de papelão responde muito bem à primeira pergunta, e cedo: dona Neusa entendeu o dispensador, gostou dele e apontou o que faltava. É um resultado enorme para uma tarde de trabalho.

Mas repare no que esse teste não disse. Cinco pessoas na mesa da cozinha revelam se a ideia é compreendida e desejada — é a lógica dos cinco usuários de Nielsen, ótima para achar problemas de uso. Elas não dizem quantas das 20 mil pessoas com o mesmo problema vão adotar a solução, se vão continuar usando depois da novidade nem se o custo de entregar aquilo se paga. Há um segundo limite, mais sutil: o que as pessoas dizem num teste e o que fazem na vida real são coisas diferentes. Elogiar um protótipo diante de quem o fez é quase um gesto de educação; instalar, abrir, clicar e voltar na semana seguinte, não.

Na comunicação, esse intervalo entre a opinião e o comportamento é o terreno de trabalho. Assis e Emerim aplicaram duas ferramentas do design thinking — o mapa da jornada e o mapa de empatia — para entender como pessoas consomem notícias em plataformas efêmeras como os Stories do Instagram, com o objetivo de orientar a produção de conteúdo jornalístico para esse formato (Assis; Emerim, 2019). É o design thinking fazendo o que faz de melhor: descobrir o que perguntar. O passo seguinte, saber se um formato novo de Story retém mais leitores do que o antigo, já não se resolve com mapa de empatia — resolve-se publicando as duas versões e medindo.

Mil e duzentas ligações por dia

Um caso brasileiro mostra a mesma passagem. Entre outubro de 2017 e abril de 2018, o laboratório de inovação GNova, da Escola Nacional de Administração Pública, trabalhou com a Anvisa para entender por que a central de atendimento da agência recebia cerca de 1 200 ligações por dia, se a informação procurada estava, em tese, no site. A equipe cruzou os dados da central com entrevistas etnográficas a "usuários extremos" — pessoas dos setores de cosméticos, medicamentos, alimentos e produtos para a saúde que faziam cerca de oito contatos diários, por e-mail e telefone. Descobriu que não havia harmonização nas respostas: a mesma pergunta recebia respostas diferentes conforme o atendente, e os usuários aprendiam a usar "atalhos" para chegar a quem respondia melhor. Descobriu também que a linguagem do site era excessivamente técnica para o público em geral, e recomendou linguagem simples, melhoria da busca e reorganização do conteúdo (Ferrarezi; Lemos; Brandalise, 2018).

Um problema de atendimento que era, no fundo, um problema de comunicação: linguagem técnica no site e respostas desalinhadas no telefone. A pesquisa qualitativa achou a causa; só a medição depois da mudança diz se a solução funcionou. Ilustração gerada por IA.

Esse é um diagnóstico de comunicação obtido por design thinking, e um bom exemplo de por que a etapa de empatia vale o tempo que consome. Mas observe o formato do que ele entrega: recomendações. "Se simplificarmos a linguagem das páginas mais buscadas, as ligações vão cair" é uma hipótese — plausível, bem fundamentada, e ainda assim uma hipótese. Só a série histórica de chamadas, comparada antes e depois (ou, melhor, entre páginas alteradas e páginas ainda não alteradas), transforma a recomendação em aprendizado. O quadro abaixo resume a divisão de trabalho entre as três abordagens deste texto.

Quadro 1 — Design thinking, startup enxuta e experimentação controlada: o que cada abordagem pergunta e que tipo de evidência produz

Aspecto	Design thinking	Startup enxuta (MVP)	Experimentação controlada (teste A/B)
Pergunta central	Qual é o problema certo, e para quem?	Alguém quer isto de verdade — a ponto de usar, voltar ou pagar?	Esta versão é melhor do que aquela, nesta métrica?
Unidade de trabalho	Entrevista, mapa de empatia, protótipo de baixa fidelidade	Produto mínimo viável posto em uso real	Duas ou mais variantes servidas ao acaso, ao mesmo tempo
Tipo de evidência	Qualitativa: falas, reações, observação	Comportamental em escala pequena: cadastros, uso, retenção	Quantitativa em escala: diferença medida com incerteza conhecida
Escala típica	Cinco a vinte pessoas	Dezenas a poucos milhares	Milhares a milhões
Risco que reduz	Resolver o problema errado	Construir algo que ninguém usa	Escolher a pior versão por opinião
Limite	Opinião não é comportamento; não mede escala	Não separa causa de coincidência	Não explica o porquê; exige volume

Fonte: elaborado pelo autor com base em Brown (2020), Ries (2019) e Kohavi, Tang e Xu (2020).Nota: as escalas são ordens de grandeza típicas, não regras; o Quadro 4 e o laboratório desta postagem mostram como estimar o volume necessário para um teste.

As três abordagens não competem: revezam-se. O design thinking descobre o que vale a pena tentar; o MVP verifica, barato, se alguém quer; o teste controlado escolhe entre versões quando já há gente suficiente para comparar. Um time de comunicação maduro transita entre elas várias vezes por ano — e, às vezes, dentro de uma mesma campanha.

Hipótese 03

Construir, medir, aprender

Em 2011, o empreendedor Eric Ries reuniu num livro o que vinha ensinando em seu blog desde 2008: uma disciplina para criar produtos em condições de incerteza extrema, batizada de startup enxuta (lean startup), em homenagem à produção enxuta da Toyota. A definição de startup que ele adota é ampla de propósito — "uma instituição humana projetada para criar novos produtos e serviços sob condições de extrema incerteza" — e cabe numa equipe de comunicação de faculdade, numa redação ou numa secretaria de governo tanto quanto numa empresa nascente (Ries, 2019). A unidade de progresso, para Ries, não é o produto entregue nem o número de seguidores: é o aprendizado validado, a comprovação empírica de que a equipe descobriu algo verdadeiro sobre as pessoas a quem serve.

O motor desse aprendizado é o ciclo construir-medir-aprender: ideias viram um produto (construir), o produto em uso gera dados (medir), os dados confirmam ou derrubam a hipótese (aprender) — e o que se aprendeu vira a próxima ideia. A recomendação central é minimizar o tempo total de uma volta completa, não otimizar cada etapa. Steve Blank, professor de Ries e criador do "desenvolvimento de clientes" que inspirou o método, resume a atitude numa regra: não há fatos dentro do prédio, então saia dele (Blank; Dorf, 2014). Clique nas etapas para ver o ciclo aplicado à comunicação digital:

O ciclo construir-medir-aprender na comunicação digital

Construir — o menor produto que testa a hipótese

Na comunicação: em vez de lançar "o novo canal" completo, produzir a menor peça capaz de gerar comportamento observável — uma landing page, uma newsletter de três itens, uma lista de transmissão, um único formato de vídeo. A pergunta que guia a construção é "que hipótese isto testa?", não "o que mais podemos incluir?".

Erro comum: confundir mínimo com malfeito. Erros de revisão, links quebrados e identidade visual improvisada não testam a hipótese — testam a paciência do público.

Duas hipóteses merecem nome próprio no método. A hipótese de valor pergunta se o produto entrega algo que as pessoas queiram de fato; a hipótese de crescimento pergunta como novas pessoas o descobrem — por indicação, por conteúdo, por mídia paga. Quando os dados derrubam uma delas, a equipe enfrenta a decisão mais difícil do método: perseverar, ajustando detalhes, ou fazer um pivô, uma mudança estruturada de estratégia que preserva o que foi aprendido (Ries, 2019). Em comunicação, pivôs são frequentes e pouco reconhecidos como tal: o podcast que vira newsletter, o canal no YouTube que vira série de cortes, o aplicativo institucional que vira lista de transmissão.

Um caso para acompanhar

Para não ficar no abstrato, este texto acompanha daqui em diante uma situação fictícia, montada a partir de casos reais de instituições de ensino. A coordenação de comunicação de uma faculdade privada — chamemos de Faculdade Ipê — recebe da direção a encomenda que os leitores do post anterior vão reconhecer: "os alunos não leem os e-mails; façam um aplicativo". O aplicativo custaria seis meses e um orçamento que a coordenação não tem. Antes de gastar, a equipe faz uma pergunta enxuta: o que, de menor, testaria a hipótese de que os alunos leem avisos se eles chegarem pelo canal certo, no formato certo?

Hipótese 04

MVP: o menor experimento que ainda é produto

O termo produto mínimo viável (MVP, de minimum viable product) é anterior a Ries: a consultoria SyncDev, de Frank Robinson, o define como "o produto único que maximiza o retorno sobre o risco, tanto para o fornecedor quanto para o cliente" (SyncDev, [2026], tradução nossa). Foi Ries, porém, quem lhe deu o sentido hoje corrente. Na formulação do blog que antecedeu o livro, o MVP é "aquela versão de um novo produto que permite a uma equipe coletar a quantidade máxima de aprendizado validado sobre os clientes com o menor esforço" (Ries, 2009, tradução nossa). No livro, a definição se apoia no ciclo: é a versão que permite dar uma volta completa em construir-medir-aprender com o mínimo de esforço e o menor tempo de desenvolvimento (Ries, 2019).

Repare no que a definição não diz. Não diz "produto com menos funcionalidades para vender logo", nem "versão tosca que a gente arruma depois". O MVP é um experimento cuja finalidade é aprender; o produto é o instrumento, não o fim. Se ninguém precisar aprender nada — se a demanda já for evidente e o formato já for conhecido —, não há por que fazer um MVP. Dois exemplos narrados por Ries viraram clássicos justamente porque quase não tinham produto:

Zappos. Antes de montar uma loja de calçados on-line, Nick Swinmurn fotografou sapatos em lojas físicas de sua cidade, publicou as fotos num site simples e, quando alguém comprava, ia à loja, comprava o par pelo preço de varejo e o enviava. Sem estoque, sem sistema, sem escala: a hipótese testada era uma só — pessoas compram sapatos sem experimentar? — e a resposta veio de clientes reais pagando dinheiro real (Ries, 2019).
Dropbox. Com um produto tecnicamente difícil e ainda inacabado, Drew Houston gravou um vídeo de poucos minutos demonstrando a sincronização de arquivos e o publicou para uma comunidade de entusiastas. A lista de espera passou de 5 mil para 75 mil pessoas de um dia para o outro (Ries, 2019). O vídeo — uma peça de comunicação — era o MVP.

Alberto Savoia, ex-engenheiro do Google, foi ainda mais longe e cunhou pretótipo (pretotype) para a versão que finge ser o produto antes de qualquer produto existir. Seu exemplo favorito é dos anos 1980: para saber se pessoas usariam um sistema de ditado por voz, a IBM sentou usuários diante de um microfone e de uma tela em que o texto falado aparecia digitado — só que, na sala ao lado, havia uma pessoa datilografando às escondidas. Ninguém precisou escrever uma linha de reconhecimento de voz para descobrir que, depois de algumas horas, os usuários ficavam roucos e preferiam o teclado. Outro: Jeff Hawkins carregou por meses no bolso um bloco de madeira do tamanho do futuro Palm Pilot, fingindo consultá-lo, para saber se usaria um computador daquele tamanho (Savoia, 2011).

O ditado por voz que era uma datilógrafa escondida e o computador de bolso que era um bloco de madeira: nenhum dos dois funcionava, e os dois responderam à pergunta que importava. Ilustração gerada por IA.

Seis jeitos de testar antes de construir. Em comum, todos produzem comportamento observável — um clique, um cadastro, uma resposta — em vez de opinião. Ilustração gerada por IA.

Na comunicação digital, quase tudo pode ser pretotipado, porque o "produto" costuma ser uma mensagem, um canal ou um serviço de informação. O quadro reúne os formatos mais usados, com o que cada um mede e um exemplo aplicado à Faculdade Ipê. Bland e Osterwalder catalogam 44 experimentos desse tipo, do cartão de visitas fictício ao piloto pago, organizados por custo, tempo e força da evidência (Bland; Osterwalder, 2020).

Quadro 2 — Tipos de MVP e pretótipo aplicados à comunicação digital, com a evidência que produzem

Formato	Como funciona	O que mede	Exemplo na Faculdade Ipê
Página de fumaça	Uma página descreve o serviço que ainda não existe e pede um cadastro	Interesse: taxa de cadastro por visitante	"Receba os avisos da semana no WhatsApp" — antes de existir a lista
Porta falsa	Um botão ou item de menu para um recurso inexistente leva a um aviso de "em breve"	Demanda: cliques por exibição	Botão "Baixar o app" no portal do aluno, que abre uma explicação e um formulário
Vídeo explicativo	Um vídeo mostra o serviço funcionando, mesmo que ainda não funcione	Interesse qualificado: inscrições na lista de espera	Vídeo de 60 segundos mostrando como seria o aviso no celular
Concierge	A equipe presta o serviço manualmente, para poucas pessoas, sem automação	Valor percebido e retenção; aprendizado qualitativo denso	Um estagiário monta e envia à mão, toda segunda, os avisos de uma turma
Mágico de Oz	Parece automático para o usuário, mas há pessoas operando por trás	Perguntas reais, tom, horários de pico	"Assistente virtual" da secretaria respondido por duas pessoas durante duas semanas
Piloto de um canal	O serviço real, em versão mínima, para um recorte do público	Comportamento: abertura, clique, resposta, permanência	Lista de transmissão para 60 alunos de um curso, três avisos por semana, quatro semanas
Protótipo clicável	Telas navegáveis sem código (Figma e similares), testadas com usuários	Compreensão e navegação; não mede adoção	Cinco alunos tentam achar o calendário de provas numa maquete do app

Fonte: elaborado pelo autor com base em Ries (2019), Savoia (2011) e Bland e Osterwalder (2020).Nota: os exemplos da Faculdade Ipê são fictícios. Os nomes dos formatos foram traduzidos pelo autor; os originais constam do glossário.

Mínimo não é malfeito

"Mínimo" refere-se ao escopo: o menor conjunto de coisas capaz de testar a hipótese. Não se refere ao cuidado. Uma newsletter piloto com erro de ortografia e link quebrado não testa se os alunos querem uma newsletter — testa se toleram descuido, e a resposta já se sabe. "Viável", por sua vez, significa que a pessoa consegue obter valor de verdade: a lista de transmissão precisa avisar de fato o que precisa ser avisado, na hora certa. Pequeno no escopo, inteiro no cuidado é a fórmula.

Há também um limite ético, que a comunicação sente mais do que a engenharia: uma porta falsa deve dizer "em breve" e explicar, não fingir que o serviço existe; um mágico de Oz não pode prometer sigilo automático se há pessoas lendo. Testar com gente exige a mesma honestidade que se espera do produto final — e, no Brasil, o mesmo respeito à LGPD em cada cadastro coletado.

A Faculdade Ipê escolheu o piloto de canal. Em vez do aplicativo, uma lista de transmissão no aplicativo de mensagens que os alunos já usam, com três avisos por semana, para os 60 alunos de um curso, durante quatro semanas. O "produto" é o serviço de avisos; a hipótese de valor é "os alunos leem e agem sobre avisos recebidos por mensagem"; a métrica combinada de antemão é a proporção de alunos que clicam no link do aviso e concluem a ação pedida — inscrever-se num evento, responder a um formulário, confirmar presença. Custo: um estagiário, uma tarde por semana. Se der certo, a coordenação terá algo que nenhuma reunião produziria: números para decidir se um aplicativo vale seis meses.

Hipótese 05

Métricas de vaidade e a métrica que decide

Ries dedica um capítulo ao que chama de métricas de vaidade: números que crescem, fazem a equipe se sentir bem e não sustentam nenhuma decisão — total de usuários cadastrados, visualizações acumuladas, seguidores. Contra elas, propõe métricas acionáveis, que precisam ser três coisas: acionáveis (mostram causa e efeito claros, ligados a uma ação da equipe), acessíveis (qualquer pessoa da equipe entende) e auditáveis (é possível conferir os dados na origem) (Ries, 2019). A comunicação digital é o habitat natural das métricas de vaidade, porque as plataformas as exibem em letras grandes: curtidas, alcance, impressões. Nenhuma delas diz se alguém fez o que a mensagem pedia.

O que a plataforma mostra em letras grandes raramente é o que decide. Métrica de vaidade sobe sozinha; métrica acionável só sobe quando alguém faz o que a mensagem pediu. Ilustração gerada por IA.

A tradição dos experimentos on-line tem um nome para a métrica que decide: OEC, o critério geral de avaliação (overall evaluation criterion), uma medida quantitativa do objetivo do experimento, de preferência única ou combinada por pesos, definida antes de rodar o teste (Kohavi; Henne; Sommerfield, 2007). Na literatura de crescimento, Ellis e Brown falam em métrica estrela-guia (North Star Metric): o único número que melhor captura o valor entregue às pessoas, ao qual todos os experimentos da equipe se reportam (Ellis; Brown, 2018). Para a Faculdade Ipê, a estrela-guia não é "alunos na lista" nem "mensagens lidas": é "ações concluídas a partir de um aviso".

Um segundo e oito décimos

O caso mais eloquente de métrica bem escolhida em comunicação vem da Netflix. Em 2016, a empresa relatou que a arte de capa de cada título — a imagem que aparece na tela inicial — não só era o maior fator na decisão de assistir, como respondia por mais de 82% do foco dos assinantes enquanto navegavam, e que cada título recebia, em média, 1,8 segundo de atenção (Nelson, 2016). A capa é comunicação: uma imagem tentando convencer alguém, em menos de dois segundos, a dar uma chance a uma história.

Seis capas para a mesma história. A que vence não é a mais bonita na opinião da equipe: é a que faz mais pessoas assistirem — e continuarem assistindo. Ilustração gerada por IA.

A equipe de engenharia explicou como escolhia entre as capas: testes controlados em que assinantes sorteados viam artes diferentes para o mesmo título, com a métrica principal chamada take rate — reproduções divididas por exibições. O detalhe metodológico que importa aqui é a segunda métrica: a Netflix verificou que as capas vencedoras aumentavam as horas totais de streaming, e não apenas deslocavam cliques de um título para outro (Krishnan, 2016). Sem essa guarda, um teste de capas premiaria o equivalente visual da manchete caça-cliques: a imagem que atrai o clique e decepciona em seguida. Os achados de conteúdo também ensinam: rostos com emoções complexas venceram expressões neutras, imagens com mais de três pessoas perderam desempenho, e a capa vencedora variou de país para país (Nelson, 2016) — a regra "os resultados vão variar", que volta na próxima seção.

Quadro 3 — Métricas de vaidade e métricas acionáveis em canais comuns de comunicação digital

Canal	Métrica de vaidade (sobe sozinha)	Métrica acionável (exige ação do público)	Pergunta que a acionável responde
Redes sociais	Seguidores, alcance, curtidas	Cliques no link, salvamentos, respostas a uma chamada para ação	O post moveu alguém a fazer algo?
Newsletter e e-mail	Tamanho da lista, aberturas brutas	Cliques únicos por destinatário, respostas, descadastros por envio	O conteúdo vale a caixa de entrada?
Mensageria (WhatsApp, Telegram)	Membros da lista, mensagens entregues	Cliques, confirmações, ações concluídas, saídas da lista	O aviso chegou e produziu a ação?
Site e landing page	Visitas, tempo médio na página	Taxa de conversão (cadastro, download, contato), abandono do formulário	Quem chegou fez o que a página pedia?
Vídeo	Visualizações, inscritos	Retenção por minuto, cliques na descrição, retorno na semana seguinte	As pessoas ficaram — e voltaram?
Atendimento e chatbot	Conversas iniciadas	Resolução sem transbordo, recontato em 7 dias, chamadas telefônicas evitadas	A dúvida foi resolvida de verdade?

Fonte: elaborado pelo autor com base em Ries (2019), Ellis e Brown (2018) e Kohavi, Tang e Xu (2020).Nota: "sobe sozinha" indica que a métrica cresce com o tempo ou com o gasto em mídia mesmo sem melhora do conteúdo; a classificação depende do objetivo — inscritos são vaidade para quem quer matrículas e acionáveis para quem vende audiência.

Hipótese 06

O teste A/B: o experimento controlado chega à comunicação

O teste A/B é a versão digital do experimento controlado que a medicina usa há décadas: as pessoas são divididas ao acaso entre um grupo de controle (A, a versão atual) e um ou mais grupos de tratamento (B, C…, as versões novas), expostas ao mesmo tempo, e a métrica combinada é comparada entre os grupos (Kohavi; Tang; Xu, 2020). O sorteio é o coração do método. Ele garante que os grupos sejam parecidos em tudo — horário, dispositivo, humor, notícia do dia —, de modo que a única explicação sistemática para uma diferença seja a mudança testada. Por isso o teste A/B supera a comparação "antes e depois", tão comum em relatórios de comunicação: o post de terça pode ter ido melhor do que o de sexta por causa do formato… ou porque na terça choveu.

A cultura em torno desse método foi construída em boa parte por Ron Kohavi e colegas, primeiro na Amazon, depois na Microsoft. Um episódio contado por eles resume o embate entre dados e hierarquia: na Amazon, Greg Linden criou um protótipo de recomendações baseadas no conteúdo do carrinho de compras; um executivo sênior de marketing se opôs, temendo distrair o cliente na hora de fechar a compra. Linden rodou um experimento controlado, e a funcionalidade venceu por margem tão larga que não tê-la no ar estava custando dinheiro (Kohavi; Henne; Sommerfield, 2007). O título do artigo em que a história aparece é um manifesto: "ouça seus clientes, não o HiPPO" — a opinião da pessoa mais bem paga (highest paid person's opinion).

O HiPPO não é vilão: em geral tem experiência e boas intenções. O problema é quando a opinião dele encerra uma discussão que um experimento de duas semanas resolveria. Ilustração gerada por IA.

Só um terço acerta

O dado mais humilhante — e mais útil — dessa literatura veio de três anos de experimentos na Microsoft. Avaliando experimentos bem projetados e bem executados, criados para melhorar uma métrica-chave, apenas cerca de um terço conseguiu melhorá-la (Kohavi; Crook; Longbotham, 2009). Não eram ideias de estagiário: eram funcionalidades aprovadas por gerentes de produto experientes, com estudos e reuniões atrás. Dois terços delas não faziam diferença ou pioravam a métrica. A equipe distribuiu milhares de hipopótamos de borracha antiestresse com o endereço da plataforma de experimentos para espalhar a mensagem pela empresa.

melhoraram a métrica≈33%

não melhoraram ou pioraram≈67%

Experimentos bem projetados e executados na Microsoft, 2006–2009, criados para melhorar uma métrica-chave. Se especialistas com dados acertam uma vez em três, a certeza de qualquer equipe de comunicação sobre "o post que vai bombar" merece um teste. Fonte: Kohavi, Crook e Longbotham (2009).

Anos depois, com Bing, LinkedIn e outras empresas rodando milhares de experimentos por ano, Kohavi e colegas condensaram o que aprenderam em sete regras práticas (Kohavi et al., 2014). Traduzidas para a comunicação:

Mudanças pequenas podem ter impacto grande. No Bing, alterar a cor de partes do texto dos resultados — uma mudança que o designer considerou irrelevante — aumentou a receita em mais de 10 milhões de dólares por ano, resultado replicado com 32 milhões de usuários. O texto de um botão, a primeira linha de um e-mail e a imagem de capa são candidatos naturais.
Mudanças raramente têm impacto grande e positivo. No Bing, talvez um experimento em quinhentos atinja retorno alto e replicável; a maioria fracassa, e os que dão certo melhoram as métricas em 0,1% a 1%. Desconfie de relatos de "+300%".
Seus resultados vão variar. O que funcionou para a campanha de Obama, para a Netflix ou para o concorrente é hipótese para você, não conclusão.
Velocidade importa muito. Páginas, vídeos e aplicativos lentos perdem público de forma mensurável; antes de testar o texto, teste o tempo de carregamento.
Reduzir abandono é difícil; deslocar cliques é fácil. Mover a atenção de um link para outro é trivial; fazer mais gente ficar é o que vale — daí a métrica de horas assistidas da Netflix.
Evite desenhos complexos; itere. Um teste com uma variável clara ensina mais do que dez variáveis cruzadas cujo resultado ninguém consegue interpretar.
Tenha usuários suficientes. Sem volume, o teste não distingue efeito de ruído — o assunto da próxima seção.

Tabela 1 — Resultados do teste da página de entrada da campanha presidencial de Barack Obama, Estados Unidos, dezembro de 2007

Indicador	Valor
Combinações testadas (4 botões × 6 mídias)	24
Visitantes incluídos no experimento	310 382
Taxa de cadastro da página original (%)	8,26
Taxa de cadastro da combinação vencedora (%)	11,60
Melhora relativa (%)	40,6
Cadastros pela página ao longo da campanha (milhões, aprox.)	10
Cadastros adicionais atribuídos ao teste (milhões, estimativa da equipe)	2,88
Doação média por e-mail cadastrado na página (US$)	21
Doações adicionais estimadas (US$ milhões)	≈60

Fonte: elaborado pelo autor com base em Siroker (2010).Nota: as três últimas linhas são extrapolações da própria equipe da campanha, não medições do experimento; o produto 2,88 milhões × US$ 21 foi conferido pelo autor (≈ US$ 60,5 milhões).

Hipótese 07

Quantas pessoas eu preciso?

Eis a pergunta que separa quem faz teste A/B de quem faz teatro de teste A/B. Imagine a Faculdade Ipê testando duas aberturas de mensagem com 30 alunos em cada grupo: 4 cliques de um lado, 6 do outro. "B venceu por 50%", diria o relatório. Mas dois alunos a mais, em 30, é o tipo de diferença que aparece sozinha, sem nenhuma causa, quando se joga uma moeda 60 vezes. O teste não tinha poder estatístico para ver o que procurava.

Kohavi, Tang e Xu oferecem uma regra de bolso para a amostra necessária por variante: n ≈ 16σ²/δ², em que σ² é a variância da métrica e δ é a menor diferença absoluta que se quer detectar, para os níveis usuais de 5% de significância e 80% de poder (Kohavi; Tang; Xu, 2020). Para uma taxa de conversão p, a variância é p(1 − p). Com a taxa de 8% da Faculdade Ipê e a intenção de detectar uma melhora relativa de 20% (isto é, de 8% para 9,6%, δ = 0,016), a conta dá cerca de 4 600 alunos por variante. A faculdade inteira não tem isso. A Tabela 2 mostra o padrão: quanto menor a taxa de base e quanto mais sutil o efeito, mais gente é preciso.

Tabela 2 — Amostra aproximada necessária por variante em um teste A/B, segundo a taxa de conversão de base e a melhora relativa mínima a detectar

Taxa de conversão de base (%)	Detectar +10%	Detectar +20%	Detectar +50%
2	78 400	19 600	3 136
5	30 400	7 600	1 216
8	18 400	4 600	736
10	14 400	3 600	576
20	6 400	1 600	256

Fonte: elaborado pelo autor pela regra n ≈ 16p(1 − p)/δ² de Kohavi, Tang e Xu (2020), com δ = p × melhora relativa.Nota: valores por variante, para significância de 5% (bilateral) e poder de 80%; a regra é uma aproximação, e ferramentas de cálculo exato podem divergir em alguns pontos percentuais.

Isso tem três consequências práticas para quem comunica com públicos pequenos — uma turma, um bairro, os servidores de um órgão. Primeira: audiências pequenas só conseguem detectar efeitos grandes; para diferenças sutis, o teste A/B não é a ferramenta certa, e as cinco entrevistas do design thinking rendem mais. Segunda: a amostra é de pessoas expostas, não de dias — uma newsletter para 400 assinantes precisa de muitos envios para acumular volume, e o público que recebe a versão A hoje não pode receber a B na semana seguinte. Terceira: como a regra depende da variância, a métrica escolhida muda a conta — proporções (clicou ou não) são mais econômicas do que médias com cauda longa (tempo assistido).

Com pouca gente, o acaso desenha diferenças que parecem vitórias. Com gente suficiente, o acaso se dilui e a diferença que sobra é a que a mudança causou. Ilustração gerada por IA.

O laboratório abaixo deixa você sentir isso. Escolha a taxa de conversão atual, quanto a versão B é melhor de verdade (algo que, na vida real, ninguém sabe — é o que se quer descobrir) e quantas pessoas cada variante recebe. "Rodar 1 teste" sorteia uma campanha inteira e aplica o teste estatístico usual; "Rodar 100 testes" repete cem vezes e conta quantas o teste acertou. Experimente com B igual a A (melhora real de 0%) e veja com que frequência o teste declara um vencedor que não existe.

Laboratório · sinal ou ruído?

Taxa de conversão atual (A): 8%

Melhora real de B sobre A: +20%

Pessoas por variante: 500

Para detectar uma melhora de 20% sobre 8% (de 8% para 9,6%), a regra de bolso pede cerca de 4 600 pessoas por variante. Você está usando 500.

Versão A—conversões / pessoas

Versão B—conversões / pessoas

Ajuste os controles e rode um teste. O veredito usa o teste de duas proporções com nível de significância de 5%.

Três padrões costumam aparecer em poucos minutos de uso. Com melhora real de 0%, o teste declara vitória em cerca de 5 de cada 100 rodadas — é o preço do nível de significância, e é por isso que não se pode rodar dez testes e comemorar o único que "deu". Com melhora real de 20% e 500 pessoas por variante, o teste deixa passar a maioria dos efeitos verdadeiros: B é melhor e ninguém descobre. E, com poucas pessoas, a diferença observada oscila tanto que ora B parece 60% melhor, ora pior do que A — o que Kohavi, Tang e Xu chamam, citando Twyman, de a lei dos números interessantes: qualquer número que pareça interessante ou diferente provavelmente está errado (Kohavi; Tang; Xu, 2020).

Três armadilhas além da amostra

Espiar o resultado. Olhar o painel todo dia e parar o teste no primeiro momento em que a diferença fica "significativa" infla muito a taxa de falsos positivos: cedo ou tarde, o acaso cruza a linha. Defina a duração antes e espere.

Efeito novidade. Um formato novo atrai cliques na primeira semana só por ser novo; um layout mudado irrita quem estava acostumado. Testes curtos capturam a reação à mudança, não o valor da mudança. Rode ao menos uma ou duas semanas completas, cobrindo os ciclos do seu público.

Fatiar depois. Se o resultado geral decepciona, é tentador procurar o segmento em que B venceu — "entre os alunos do noturno funcionou!". Com segmentos suficientes, algum sempre vence por acaso. Segmentos são hipóteses para o próximo teste, não conclusões deste (Kohavi; Tang; Xu, 2020).

Hipótese 08

Ritmo: sprints, marketing ágil e a ficha do experimento

Se a unidade de progresso é o aprendizado, a variável que importa é o ritmo com que a equipe aprende. Três tradições convergiram para dar cadência a isso. A primeira é o design sprint, criado por Jake Knapp na Google Ventures: cinco dias para ir de um problema a um protótipo testado. Segunda-feira, mapear o problema e escolher um alvo; terça, esboçar soluções; quarta, decidir e roteirizar; quinta, construir um protótipo realista o bastante para enganar por quinze minutos; sexta, testá-lo com cinco clientes em entrevistas individuais (Knapp; Zeratsky; Kowitz, 2017). O sprint é, na prática, uma ponte entre o design thinking e a startup enxuta: comprime os cinco modos numa semana e termina com evidência qualitativa antes de qualquer MVP.

A segunda tradição vem do marketing. Kotler, Kartajaya e Setiawan dedicam um capítulo do Marketing 5.0 ao marketing ágil: equipes pequenas e multidisciplinares, ciclos curtos, análise em tempo real, testes rápidos de mensagens e ofertas em vez de campanhas anuais planejadas em detalhe e lançadas de uma vez (Kotler; Kartajaya; Setiawan, 2021). A terceira é o growth hacking de Ellis e Brown: um processo semanal de analisar dados, gerar ideias, priorizá-las e testar, com uma reunião fixa de crescimento e uma pontuação simples para escolher o próximo teste — impacto esperado, confiança na hipótese e facilidade de execução (Ellis; Brown, 2018). O que os três têm em comum é a recusa do grande lançamento: comunicação como fluxo de experimentos, não como sequência de eventos.

O instrumento que torna esse ritmo possível é humilde: uma ficha por experimento, escrita antes e preenchida depois. Ela obriga a equipe a dizer o que espera, como vai medir e o que fará com cada resultado — e transforma o histórico de campanhas num acervo de aprendizado, em vez de numa pasta de relatórios. O Quadro 4 apresenta a ficha com o piloto da Faculdade Ipê preenchido.

Quadro 4 — Ficha de experimento em comunicação digital, com o exemplo do piloto de avisos da Faculdade Ipê

Campo	O que escrever	Exemplo (Faculdade Ipê)
Hipótese	"Acreditamos que [mudança] para [público] resultará em [efeito]."	Acreditamos que avisos por mensagem, três vezes por semana, para os alunos do curso X, aumentarão a proporção de alunos que concluem a ação pedida
Métrica (OEC)	Uma métrica acionável, com a forma de cálculo	Alunos que concluíram a ação ÷ alunos que receberam o aviso, por aviso e no acumulado
Linha de base	O valor atual, pelo canal atual	E-mail institucional: 6% de conclusão nas últimas oito ações pedidas
Variantes	O que muda e o que fica igual	Piloto de canal (não é A/B): mesmo conteúdo do e-mail, novo canal; abertura "Oi, [nome]" em metade da lista como subteste exploratório
Público e amostra	Quem entra, quantos, como são escolhidos	60 alunos de uma turma; no subteste, 30 e 30, sorteados
Duração	Definida antes; não se para no meio	Quatro semanas, doze avisos
Critério de decisão	O que cada resultado implica, decidido antes	Conclusão ≥ 15%: ampliar para o campus; entre 8% e 15%: iterar formato; < 8%: encerrar e voltar às entrevistas
Resultado	Os números, sem adjetivos	(preenchido ao fim) 23% no acumulado; subteste com 30 e 30 sem poder para concluir
Aprendizado e próxima ação	O que passou a ser verdade; qual é o próximo experimento	O canal muda o comportamento; o app não é a pergunta certa agora. Próximo: horário de envio, com toda a faculdade

Fonte: elaborado pelo autor com base em Ries (2019), Ellis e Brown (2018) e Bland e Osterwalder (2020).Nota: exemplo fictício. Repare que o piloto de canal não é um teste A/B — não há sorteio entre e-mail e mensagem — e por isso seu resultado é evidência de MVP, não de experimento controlado; o subteste A/B interno foi mantido de propósito como exemplo de amostra insuficiente.

Aplicação prática

Seis conferências antes de chamar de experimento

Na sala de aula, esta sequência rende um projeto de semestre: cada grupo escolhe um canal real — de uma associação, de um pequeno negócio, de uma iniciativa da própria instituição —, entrevista o público (design thinking), monta um MVP de comunicação, roda-o por três semanas com uma ficha de experimento e apresenta o que aprendeu, inclusive o que deu errado. A avaliação recai sobre a qualidade da hipótese, da métrica e do aprendizado, não sobre o tamanho do resultado. Antes de chamar qualquer campanha de experimento, confira:

O quadro de três colunas é o produto do semestre. Um grupo que aprende que a hipótese estava errada entregou mais do que um grupo que fez um post bonito. Ilustração gerada por IA.

A hipótese está escrita em uma frase que pode estar errada — e alguém fora da equipe a leu antes do teste. A métrica foi decidida antes, é acionável (exige ação do público) e sei onde conferir o número na origem. Se é um teste A/B, as versões rodam ao mesmo tempo, para pessoas sorteadas — não "esta semana A, semana que vem B". Fiz a conta da amostra: o público é suficiente para o tamanho de efeito que procuro — ou assumi que este é um piloto qualitativo, não um teste. A duração e o critério de decisão estão definidos; não vou parar no primeiro dia em que a diferença parecer boa. O experimento é honesto com o público: nada finge existir, nenhum dado pessoal é coletado sem necessidade e sem aviso.

0 de 6 — comece escrevendo a hipótese.

Aprendizado validado

De volta a dezembro de 2007

Releia o caso da abertura com o vocabulário deste texto. A equipe de Obama tinha uma hipótese forte — o vídeo emociona, logo converte — sustentada por gente experiente e por um instinto que qualquer comunicador reconhece. Estava errada. Não descobriu isso por humildade, e sim porque tinha montado uma máquina de errar barato: uma página em 24 versões, um sorteio, uma métrica combinada antes e 310 mil pessoas. O erro custou duas semanas; o acerto rendeu, pelas contas deles, 60 milhões de dólares.

Esse é o fio que une as três abordagens. O design thinking ensina a ouvir antes de construir, e ele é a razão pela qual a hipótese da Faculdade Ipê não foi "façam um aplicativo". A experimentação ensina a duvidar depois de construir, porque um terço de acerto é o que os melhores conseguem. E o MVP é a menor coisa que se pode colocar entre as duas — pequena o bastante para ser testada em semanas, inteira o bastante para produzir comportamento real. Comunicação digital, vista assim, deixa de ser a arte de acertar de primeira e passa a ser a disciplina de errar rápido, em pequeno e com método.

Qual é a certeza mais cara da sua equipe de comunicação hoje — e qual seria o menor experimento capaz de derrubá-la em duas semanas?

Leia também

Para continuar no Brasil Acadêmico:

Design thinking: origens e como usar — o post anterior, com os cinco modos, o roteiro de oficina e o caso de dona Neusa.
Afinal, o que é comunicação digital? — o ponto de partida da série.
Redes sociais: estrutura, algoritmos e economia da atenção — por que as plataformas mostram métricas de vaidade em letras grandes.
Tecnologias emergentes na comunicação — IA, mídias vestíveis, jogos e conteúdo imersivo como novos canais a experimentar.
Afinal, o que é inovação? e Dinâmica tecnológica e inovação — a curva S, a difusão e o perfil em T por trás de cada pivô.
Modelo ágil Lean e Metodologias ágeis: Scrum e Kanban — as raízes da produção enxuta e dos sprints.
Privacidade hackeada: o escândalo da Cambridge Analytica — o que acontece quando experimentar com pessoas perde a honestidade.
Pesquisa aplicada: método científico, fontes e normas — hipótese, controle e evidência fora do marketing.

Nota do autor: a Faculdade Ipê, sua coordenação de comunicação e todos os números do piloto de avisos são fictícios, compostos a partir de situações recorrentes em instituições de ensino; qualquer semelhança com uma instituição real é coincidência. Os dados do teste da campanha de 2008 vêm do relato de Dan Siroker (2010), que dirigiu a análise de dados da campanha e depois fundou a Optimizely; as taxas de cadastro e o número de visitantes são medições do experimento, enquanto os 2,88 milhões de e-mails e os 60 milhões de dólares são extrapolações da própria equipe, reproduzidas aqui como tais e não auditadas de forma independente. Os textos dos botões testados foram traduzidos livremente. As citações de Ries (2009), SyncDev ([2026]), Siroker (2010) e Kohavi e colegas foram traduzidas pelo autor; a definição de MVP de Ries no livro é paráfrase da edição brasileira. A atribuição do termo "produto mínimo viável" a Frank Robinson, em 2001, é corrente na literatura, mas a página da SyncDev consultada traz apenas a definição, não a data; por isso o texto diz que o termo é anterior a Ries sem fixar o ano. Os casos Zappos e Dropbox são relatados conforme Ries (2019), que os narra a partir de conversas com os fundadores; os números da Netflix são os divulgados pela própria empresa em 2016. A Tabela 2 e o laboratório usam a regra de bolso 16σ²/δ² com σ² = p(1 − p), para significância bilateral de 5% e poder de 80%, conforme Kohavi, Tang e Xu (2020); o laboratório aplica, a cada rodada, o teste de duas proporções com variância agrupada (teste z bilateral, α = 0,05) a conversões sorteadas por computador, e os resultados variam a cada clique — o que é, justamente, a lição. Os artigos de Kohavi e colegas de 2007, 2009 e 2014 são citados pelas versões de acesso aberto mantidas pelos autores; o de 2007 e o de 2014 foram publicados nos anais da conferência KDD da ACM. A página da SyncDev não traz data; o ano indicado é o do acesso. As ilustrações foram geradas por IA com o Gemini (Nano Banana), em estilo de infográfico de revista, e conferidas visualmente; nenhuma retrata pessoa real, e a campanha ilustrada na segunda imagem usa silhuetas estilizadas.

Glossário

Termos técnicos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; o botão ao lado do verbete leva de volta.

Aprendizado validado: Na startup enxuta, a unidade de progresso: a demonstração empírica, por meio de dados de clientes reais, de que a equipe descobriu algo verdadeiro sobre as pessoas a quem serve. Hipótese 03
Chamada para ação (call to action, CTA): O pedido explícito que uma peça de comunicação faz ao público — inscrever-se, clicar, responder, comparecer. É o que transforma alcance em métrica acionável. Hipótese 05
Concierge (MVP): Formato de MVP em que a equipe presta o serviço manualmente, para poucas pessoas, antes de automatizá-lo. Produz aprendizado qualitativo denso e mede retenção. Hipótese 04
Construir-medir-aprender: Ciclo central da startup enxuta: ideias viram produto, o produto em uso gera dados, os dados confirmam ou derrubam a hipótese e alimentam a próxima ideia. A meta é minimizar o tempo de uma volta completa. Hipótese 03
Design sprint: Processo de cinco dias criado na Google Ventures para ir de um problema a um protótipo testado com cinco clientes: mapear, esboçar, decidir, prototipar, testar. Hipótese 08
Efeito novidade: Reação temporária a uma mudança — curiosidade ou irritação — que infla ou deprime as métricas nos primeiros dias e não reflete o valor duradouro da mudança. Hipótese 07
Espiar (peeking): Acompanhar o resultado de um teste enquanto ele roda e encerrá-lo assim que a diferença parece significativa. Aumenta muito a chance de declarar vencedor um efeito que não existe. Hipótese 07
Growth hacking: Abordagem de crescimento baseada em experimentação contínua e rápida ao longo de todo o funil (aquisição, ativação, retenção, receita, indicação), com equipes multidisciplinares e ritmo semanal de testes. Hipótese 08
HiPPO (highest paid person's opinion): "Opinião da pessoa mais bem paga": sigla irônica para a decisão tomada por hierarquia em vez de por dados. Popularizada pela equipe de experimentação da Microsoft. Hipóteses 01 e 06
Lei de Twyman: Máxima atribuída ao pesquisador de mídia Tony Twyman e citada por Kohavi, Tang e Xu: qualquer número que pareça interessante ou diferente provavelmente está errado — e merece ser conferido antes de comemorado. Hipótese 07
Mágico de Oz (MVP): Formato em que o serviço parece automático para o usuário, mas é operado por pessoas nos bastidores — como o "ditado por voz" da IBM digitado por alguém na sala ao lado. Hipótese 04
Métrica acionável: Métrica que sustenta uma decisão: liga causa e efeito a uma ação da equipe, é compreensível por todos e pode ser auditada na origem. Opõe-se à métrica de vaidade. Hipótese 05
Métrica de vaidade: Número que cresce com o tempo ou com o gasto em mídia e faz a equipe se sentir bem, sem informar nenhuma decisão: seguidores, visualizações acumuladas, total de cadastros. Hipótese 05
Métrica estrela-guia (North Star Metric): O único número que melhor captura o valor entregue ao público e ao qual todos os experimentos da equipe se reportam. Hipótese 05
OEC (overall evaluation criterion): "Critério geral de avaliação": a métrica quantitativa — única ou combinada por pesos — que define o objetivo de um experimento, fixada antes de ele começar. Hipótese 05
Página de fumaça (smoke test, landing page de teste): Página que descreve um produto ou serviço ainda inexistente e pede um cadastro, para medir interesse antes de construir. Hipótese 04
Pivô: Mudança estruturada de estratégia — de público, canal, formato ou proposta de valor — decidida quando os dados derrubam uma hipótese, preservando o que já foi aprendido. Hipótese 03
Poder estatístico: Probabilidade de um teste detectar um efeito que realmente existe. Com poder baixo (amostra pequena), efeitos verdadeiros passam despercebidos. O valor usual de referência é 80%. Hipótese 07
Porta falsa (fake door): Botão, link ou item de menu para um recurso que ainda não existe, levando a um aviso de "em breve". Mede demanda pela proporção de pessoas que clicam. Hipótese 04
Pretótipo (pretotype): Termo de Alberto Savoia para a simulação de um produto antes de qualquer produto existir — um bloco de madeira no bolso, uma pessoa digitando às escondidas —, feita para verificar se vale a pena construí-lo. Hipótese 04
Produto mínimo viável (MVP, minimum viable product): A versão de um produto que permite dar uma volta completa no ciclo construir-medir-aprender com o mínimo de esforço; um experimento cuja finalidade é o aprendizado, não uma versão reduzida para venda. Hipótese 04
Significância estatística (valor-p): Medida de quão improvável seria observar uma diferença igual ou maior que a encontrada se, na verdade, não houvesse diferença alguma. O limiar convencional é 5%: abaixo dele, a diferença é chamada "significativa". Não mede o tamanho nem a importância do efeito. Hipótese 07
Taxa de conversão: Proporção de pessoas expostas a uma mensagem ou página que realizam a ação pedida (cadastro, clique, compra). É a métrica mais comum em testes de comunicação. Hipótese 05
Teste A/B (experimento controlado on-line): Comparação em que as pessoas são sorteadas entre a versão atual (A, controle) e uma ou mais versões novas (B, C…), expostas ao mesmo tempo, com a métrica de decisão fixada antes. O sorteio elimina explicações alternativas para a diferença. Hipótese 06

Referências

ASSIS, Ingrid Pereira de; EMERIM, Cárlida. Jornalismo e design thinking: uma aproximação em busca de inovações no conteúdo. Animus: Revista Interamericana de Comunicação Midiática, Santa Maria, v. 18, n. 37, 2019. DOI: 10.5902/2175497737924. Disponível em: https://periodicos.ufsm.br/animus/article/view/37924. Acesso em: 26 set. 2026.
BLAND, David J.; OSTERWALDER, Alexander. Testing business ideas: um guia de campo de experimentação rápida. Rio de Janeiro: Alta Books, 2020.
BLANK, Steve; DORF, Bob. Startup: manual do empreendedor: o guia passo a passo para construir uma grande empresa. Rio de Janeiro: Alta Books, 2014.
BROWN, Tim. Design thinking: uma metodologia poderosa para decretar o fim das velhas ideias. Rio de Janeiro: Alta Books, 2020.
ELLIS, Sean; BROWN, Morgan. Hacking growth: a estratégia de marketing inovadora das empresas de crescimento mais rápido. Rio de Janeiro: Alta Books, 2018.
FERRAREZI, Elisabete; LEMOS, Joselene; BRANDALISE, Isabella. Experimentação e novas possibilidades em governo: aprendizados de um laboratório de inovação. Brasília, DF: Enap, 2018. Disponível em: https://repositorio.enap.gov.br/handle/1/3691. Acesso em: 26 set. 2026.
KNAPP, Jake; ZERATSKY, John; KOWITZ, Braden. Sprint: o método usado no Google para testar e aplicar novas ideias em apenas cinco dias. Rio de Janeiro: Intrínseca, 2017.
KOHAVI, Ron; CROOK, Thomas; LONGBOTHAM, Roger. Online experimentation at Microsoft. In: WORKSHOP ON DATA MINING CASE STUDIES AND PRACTICE PRIZE, 3., 2009, Paris. Proceedings [...]. [S. l.: s. n.], 2009. Disponível em: https://exp-platform.com/Documents/ExP_DMCaseStudies.pdf. Acesso em: 26 set. 2026.
KOHAVI, Ron; DENG, Alex; LONGBOTHAM, Roger; XU, Ya. Seven rules of thumb for web site experimenters. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 20., 2014, New York. Proceedings [...]. New York: ACM, 2014. p. 1857-1866. DOI: 10.1145/2623330.2623341. Disponível em: https://exp-platform.com/Documents/2014%20experimentersRulesOfThumb.pdf. Acesso em: 26 set. 2026.
KOHAVI, Ron; HENNE, Randal M.; SOMMERFIELD, Dan. Practical guide to controlled experiments on the web: listen to your customers not to the HiPPO. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 13., 2007, San Jose. Proceedings [...]. New York: ACM, 2007. p. 959-967. DOI: 10.1145/1281192.1281295. Disponível em: https://exp-platform.com/Documents/GuideControlledExperiments.pdf. Acesso em: 26 set. 2026.
KOHAVI, Ron; TANG, Diane; XU, Ya. Trustworthy online controlled experiments: a practical guide to A/B testing. Cambridge: Cambridge University Press, 2020.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 5.0: tecnologia para a humanidade. Rio de Janeiro: Sextante, 2021.
KRISHNAN, Gopal. Selecting the best artwork for videos through A/B testing. Netflix TechBlog, [s. l.], 3 maio 2016. Disponível em: https://netflixtechblog.com/selecting-the-best-artwork-for-videos-through-a-b-testing-f6155c4595f6. Acesso em: 26 set. 2026.
NELSON, Nick. The power of a picture. About Netflix, Los Gatos, 3 maio 2016. Disponível em: https://about.netflix.com/en/news/the-power-of-a-picture. Acesso em: 26 set. 2026.
RIES, Eric. Minimum viable product: a guide. Startup Lessons Learned, [s. l.], 3 ago. 2009. Disponível em: http://www.startuplessonslearned.com/2009/08/minimum-viable-product-guide.html. Acesso em: 26 set. 2026.
RIES, Eric. A startup enxuta: como usar a inovação contínua para criar negócios radicalmente bem-sucedidos. Rio de Janeiro: Sextante, 2019.
SAVOIA, Alberto. Pretotype it: make sure you are building the right it before you build it right. 2. ed. [S. l.: s. n.], 2011. Disponível em: https://www.pretotyping.org/uploads/1/4/0/9/14099067/pretotype_it_2nd_pretotype_edition-2.pdf. Acesso em: 26 set. 2026.
SIROKER, Dan. How Obama raised $60 million by running a simple experiment. Optimizely Blog, [s. l.], 29 nov. 2010. Disponível em: https://www.optimizely.com/insights/blog/how-obama-raised-60-million-by-running-a-simple-experiment/. Acesso em: 26 set. 2026.
SYNCDEV. Minimum viable product. [S. l.]: SyncDev, [2026]. Disponível em: https://www.syncdev.com/minimum-viable-product/. Acesso em: 26 set. 2026.

Fundamentos de IA generativa: modelos de linguagem e de difusão

noreply@blogger.com (War) — Thu, 24 Sep 2026 14:50:47 -0300

Em novembro de 2023, a Corregedoria do Conselho Nacional de Justiça passou a investigar um juiz federal que tinha assinado uma decisão com precedentes do Superior Tribunal de Justiça que nunca existiram: haviam sido redigidos, com toda a segurança, por um modelo de linguagem. O caso é uma boa porta de entrada para entender a inteligência artificial generativa por dentro. Esta postagem explica como funcionam as duas famílias que dominam a área — os modelos de linguagem, que escrevem prevendo o próximo pedaço de texto, e os modelos de difusão, que pintam removendo ruído —, o que eles fazem bem, onde tropeçam e por que "alucinam". Depois, reúne o que a engenharia de prompts ainda ensina e as outras formas de usar um LLM, da consulta a fontes aos agentes com ferramentas, com três laboratórios interativos para ver a teoria funcionando na tela.

Token 01

Precedentes que nunca existiram

A parte que perdeu a causa leu a sentença com atenção e estranhou as citações. Os julgados atribuídos ao Superior Tribunal de Justiça tinham número, relator e trechos entre aspas — e não existiam. O advogado levou o caso à corregedoria regional, o juiz federal da 1ª Região atribuiu a pesquisa a um servidor e falou em "mero equívoco" causado pela sobrecarga de trabalho, e o corregedor Néviton Guedes resumiu o que havia acontecido: "A ferramenta de IA generativa, utilizada como assistente de minuta de ato judicial, apresentou como resultado de pesquisa jurisprudencial precedentes inexistentes" (CNJ abre…, 2023, não paginado). Era novembro de 2023, e o Conselho Nacional de Justiça abriu investigação.

O episódio não foi um acidente isolado. O pesquisador Damien Charlotin mantém uma base aberta com decisões judiciais do mundo todo em que o tribunal constatou conteúdo inventado por IA — quase sempre citações falsas. Em 23 de setembro de 2026, a base somava 2 077 casos, 41 deles no Brasil (Charlotin, 2026). Advogados, peritos, partes sem advogado e juízes aparecem na lista.

A pergunta interessante não é "como alguém confia numa máquina dessas?". É outra: como uma mesma tecnologia consegue escrever um parágrafo impecável e, na frase seguinte, inventar um precedente com a mesma calma? A resposta está no modo como esses sistemas são construídos — e entender isso é o que separa quem usa a IA generativa com proveito de quem é usado por ela.

Esta postagem continua a conversa de Entenda o que é IA, aprendizagem de máquina, deep learning, LLM, que apresentou a IA generativa como uma das "bonecas russas" dentro do aprendizado profundo, e de Como a máquina aprende, que mostrou como uma rede ajusta seus pesos. Aqui, a pergunta é o que acontece quando a rede, em vez de classificar, produz.

Token 02

Duas máquinas, uma mesma ideia

Todo modelo generativo faz, no fundo, a mesma coisa: aprende, a partir de muitos exemplos, como os dados costumam ser — que palavras aparecem juntas, que cores e formas convivem numa foto — e depois sorteia exemplos novos que se parecem com os de treino. Um modelo de linguagem, na definição clássica dos livros-texto, é uma distribuição de probabilidade sobre sequências de palavras (Russell; Norvig, 2021). Gerar é amostrar dessa distribuição.

O campo é mais amplo do que o chat deixa ver, e o que distingue uma família de modelos generativos de outra é o jeito de aprender e de sortear. Os autocodificadores variacionais (VAEs) aprendem a comprimir cada exemplo num código compacto e a gerar dados novos a partir de códigos sorteados (Kingma; Welling, 2013). As redes adversárias generativas (GANs) põem duas redes para competir — uma falsifica, a outra tenta flagrar a falsificação — (Goodfellow et al., 2014) e lideraram a geração de imagens na segunda metade da década de 2010. Os modelos autorregressivos geram uma parte por vez, cada uma condicionada às anteriores. E os modelos de difusão, que superaram as GANs em qualidade de imagem por volta de 2021 (Dhariwal; Nichol, 2021), tornaram-se a abordagem central na geração de imagens. Há ainda híbridos e outras arquiteturas.

IA generativa, portanto, não é sinônimo de LLM: os grandes modelos de linguagem são uma família dentro do campo — hoje, majoritariamente Transformers autorregressivos. Esta postagem se concentra nas duas famílias que dominam o uso cotidiano. A capa mostra as duas máquinas produzindo a mesma cena, um gato num telhado, por caminhos opostos:

modelo de linguagemEscreve da esquerda para a direitaOlha tudo o que já foi escrito e escolhe o próximo pedaço de texto. Depois repete, agora com esse pedaço incluído. Uma decisão por vez, sem voltar atrás.

modelo de difusãoPinta tudo ao mesmo tempoComeça de um quadro de puro ruído e, em muitos passos, remove um pouco da sujeira em todos os pontos de uma vez, até sobrar uma imagem.

em comumPlausível não é verdadeiroOs dois produzem o que é provável dado o que viram no treino. Nenhum dos dois tem, de fábrica, um mecanismo para checar se o resultado corresponde ao mundo.

A terceira ficha é a que interessa para o caso do juiz — e ela vai voltar. Antes, vale abrir cada máquina.

Token 03

Modelos de linguagem: a arte de prever o próximo token

Um LLM (large language model, "grande modelo de linguagem") não lê letras nem palavras inteiras: lê tokens, pedaços de texto que podem ser uma palavra inteira ("gato"), um fragmento de palavra, um caractere ou um sinal de pontuação. A divisão exata depende do tokenizador de cada modelo; em geral, palavras comuns viram um token só, e palavras longas ou raras são quebradas em vários. Cada token vira uma lista de números. Os LLMs generativos autorregressivos — a família do GPT e da maioria dos assistentes de conversa atuais — aprendem a responder a uma única pergunta, bilhões de vezes: dado tudo o que veio antes, qual é a distribuição de probabilidade do próximo token?

Essa fase se chama pré-treinamento. O modelo lê uma quantidade enorme de texto, tenta adivinhar cada token seguinte, compara o palpite com o que de fato vinha e ajusta seus parâmetros — os pesos da rede — para errar um pouco menos da próxima vez. É a mesma descida do gradiente de Como a máquina aprende, só que numa escala de centenas de bilhões de parâmetros.

O limite da metáfora

"Prever o próximo token" descreve a tarefa de treino, não o que acontece por dentro. Não é consultar uma tabela de frases prontas, nem contar quantas vezes uma sequência apareceu na internet — isso era o que faziam os antigos modelos de n-gramas. Para prever bem o próximo token em textos de todo tipo, a rede precisa construir representações internas de sintaxe, de relações entre conceitos, de estilo e de contexto; por isso "autocompletar gigante" subestima o que esses modelos fazem. O erro oposto também é comum: representações ricas não equivalem a compreensão no sentido humano, e é nesse intervalo que mora boa parte do debate da área (volte a ele no Token 05).

A peça que mudou tudo: atenção

A arquitetura por trás de praticamente todos os LLMs atuais é o Transformer, proposto em 2017 por pesquisadores do Google para tradução automática (Vaswani et al., 2017). Sua peça mais conhecida é o mecanismo de atenção: para montar a representação de cada token, o modelo calcula o quanto cada um dos outros tokens é relevante para ele. Em "o gato subiu no telhado porque ele estava com medo", é esse cálculo que permite relacionar "ele" a "gato", e não a "telhado". Na prática, isso acontece em várias "cabeças" de atenção em paralelo e se repete em dezenas de camadas, cada uma captando relações diferentes — não existe uma única "porcentagem de importância" por palavra.

Mas o Transformer não é só atenção. Cada bloco combina a atenção com uma rede neural comum (feed-forward), conexões residuais e normalização, e a entrada recebe uma codificação da posição de cada token, porque a atenção, sozinha, não sabe a ordem das palavras (Vaswani et al., 2017). Como esses cálculos podem ser feitos em paralelo, o Transformer tornou viável treinar modelos muito maiores do que as redes recorrentes anteriores permitiam.

O Transformer original tinha duas metades: um codificador, que lê a frase inteira de entrada, e um decodificador, que escreve a tradução token a token. Os modelos que vieram depois ficaram com uma delas, com a outra ou com as duas. O BERT, do Google, usa só o codificador e é pré-treinado adivinhando tokens mascarados no meio da frase, olhando para os dois lados (Devlin et al., 2019); não é um gerador de texto. O GPT usa só o decodificador. O T5 manteve as duas metades e tratou toda tarefa como transformar um texto em outro (Raffel et al., 2020).

Quadro 1 — Três arquiteturas derivadas do Transformer, com exemplo clássico e uso característico

Arquitetura	Exemplo clássico	Como lê o texto no treino	Uso característico
Só codificador (encoder-only)	BERT	Nos dois sentidos, adivinhando tokens mascarados	Representação e classificação: busca semântica, triagem de documentos, análise de sentimento
Só decodificador (decoder-only)	Família GPT	Só o que veio antes, prevendo o próximo token	Geração autorregressiva: assistentes de conversa, código
Codificador-decodificador	Transformer original; T5	Codificador lê a entrada inteira; decodificador gera a saída token a token	Transformar uma sequência em outra: tradução, resumo

Fonte: elaborado pelo autor com base em Vaswani et al. (2017), Devlin et al. (2019), Brown et al. (2020) e Raffel et al. (2020).Nota: "prever o próximo token" descreve os modelos autorregressivos (decodificadores), não todo modelo de linguagem nem todo Transformer. O Transformer de 2017 não é a arquitetura exata dos assistentes atuais.

Em 2020, o GPT-3, com 175 bilhões de parâmetros, mostrou um efeito que surpreendeu a própria área: bastava colocar alguns exemplos de uma tarefa no próprio texto de entrada para o modelo executá-la, sem nenhum novo treinamento — a aprendizagem em contexto (Brown et al., 2020). Nascia ali, na prática, a engenharia de prompts.

De completar textos a seguir instruções

Um modelo só pré-treinado é um excelente completador de textos, não um assistente: se você escreve "Explique a fotossíntese para uma criança", ele pode continuar com "Explique a respiração celular para uma criança", porque listas de exercícios são textos comuns na internet. O que transformou completadores em assistentes foi uma segunda etapa, o ajuste fino: primeiro com exemplos de instruções e boas respostas escritas por pessoas, depois com o RLHF (reinforcement learning from human feedback, aprendizado por reforço a partir de feedback humano), em que avaliadores ordenam respostas e o modelo é recompensado por produzir as preferidas. O resultado mais citado desse trabalho é eloquente: as respostas de um modelo ajustado com 1,3 bilhão de parâmetros foram preferidas às do GPT-3 original, com 175 bilhões — cem vezes maior (Ouyang et al., 2022).

Duas ressalvas completam essa história. A primeira: tamanho não é tudo. Um estudo da DeepMind mostrou que muitos LLMs estavam subtreinados para o seu porte: com o mesmo orçamento de computação, o Chinchilla, com 70 bilhões de parâmetros e cerca de quatro vezes mais dados de treino, superou modelos de 175 a 530 bilhões de parâmetros (Hoffmann et al., 2022). O que pesa é o equilíbrio entre parâmetros, dados e computação — e parâmetros não são fatos armazenados, são pesos que codificam padrões de forma distribuída. A segunda ressalva está no quadro abaixo.

Não confunda: modelo de linguagem, LLM e assistente

Modelo de linguagem é qualquer modelo que atribui probabilidades a sequências de texto — dos antigos modelos de n-gramas, que contavam sequências de palavras, às redes neurais atuais (Russell; Norvig, 2021).

LLM é um modelo de linguagem neural de grande porte, hoje quase sempre um Transformer. Em si, é um conjunto de pesos: recebe tokens e devolve probabilidades.

Assistente conversacional — ChatGPT, Gemini, Claude, no sentido em que as pessoas os usam — é um sistema construído em volta de um ou mais LLMs, com instruções de sistema, histórico da conversa, filtros de segurança e, cada vez mais, busca, memória persistente e ferramentas. Quando alguém diz que "o ChatGPT errou", quem errou foi esse sistema inteiro — e é nele que entram as soluções do Token 08.

Onde entra o acaso

Na hora de responder, o modelo não "escolhe a palavra certa". A figura abaixo resume, de forma esquemática, o caminho que cada token percorre durante a geração:

Figura 1 — Do texto ao próximo token: o caminho simplificado de um LLM autorregressivo na inferência

1Texto"O gato subiu no"

2Tokenizaçãofragmentos com número de identificação

3Embeddings + posiçãocada token vira um vetor, marcado com sua posição

4Blocos Transformeratenção multicabeça + feed-forward, em dezenas de camadas; os vetores ficam contextuais

5Logitsuma pontuação para cada token do vocabulário

6Softmaxpontuações viram probabilidades; a temperatura age aqui

7Decodificaçãoescolhe um token: o mais provável ou por sorteio

8 · volta ao passo 2Acrescenta e repete"telhado" entra no texto; o ciclo recomeça até um token de parada

Fonte: elaborado pelo autor com base em Vaswani et al. (2017) e Brown et al. (2020).Nota: visão esquemática e simplificada. Pré-treinamento e ajuste fino, que definem os pesos usados nas etapas 3 a 5, acontecem antes e não fazem parte deste ciclo.

Na etapa 7 há duas escolhas básicas. A decodificação gulosa pega sempre o token mais provável: é determinística e tende a produzir texto previsível. A amostragem sorteia um token de acordo com as probabilidades, e um parâmetro chamado temperatura controla o quanto esse sorteio é conservador: temperatura baixa concentra a chance no favorito; temperatura alta espalha a chance entre as alternativas, e o texto fica mais variado — e mais arriscado. Chamar a temperatura de "botão da criatividade" é só uma metáfora: tecnicamente, ela apenas achata ou afia a distribuição.

Gerar texto é girar uma roleta viciada a cada token. O botão da temperatura não muda o que o modelo sabe: muda o tamanho das fatias na hora do sorteio. Ilustração gerada por IA.

O laboratório abaixo usa distribuições fictícias, escritas à mão para fins didáticos, mas o mecanismo é o de verdade: probabilidades por token, reajustadas pela temperatura, e a escolha — gulosa ou por sorteio. Experimente as três frases. A terceira é a mais importante.

Laboratório 1 · a roleta do próximo token

O gato subiu no ▁

telhado52%

muro22%

sofá12%

árvore8%

carro4%

piano2%

Temperatura: 1,0

Temperatura 1,0: o favorito leva 52% das chances. Clique em sortear.

Repare no que acontece na terceira frase: o modelo não tem nenhum favorito claro, porque não sabe o título. Mesmo assim, qualquer token sorteado começa uma frase perfeitamente gramatical — "Modelagem de…", "Contribuições para…" — e o texto segue fluente. Uma distribuição achatada é o retrato estatístico de "não sei"; o problema é que o sorteio transforma esse "não sei" numa resposta com cara de certeza.

Token 04

Modelos de difusão: esculpir uma imagem no ruído

Gerar uma imagem pixel a pixel, da esquerda para a direita, como um LLM gera texto, é possível mas lento e pouco natural: numa foto, o céu do canto de cima depende tanto do chão quanto o chão depende do céu. Os modelos de difusão atacam o problema de outro jeito, e a ideia é quase uma brincadeira.

No treino, pega-se uma imagem de verdade e se acrescenta a ela, em muitos pequenos passos, um ruído aleatório — como o chuvisco de uma TV fora do ar — até que, no último passo, não sobre nada da imagem original. No trabalho que popularizou a técnica, são mil passos (Ho; Jain; Abbeel, 2020). A rede é então treinada para a tarefa inversa: olhar uma imagem suja e estimar qual parte dela é ruído. Se ela sabe estimar o ruído, sabe removê-lo um pouco.

Para criar uma imagem nova, basta partir de ruído puro, sorteado, e aplicar a rede passo a passo. Cada passo tira um pouco da sujeira e deixa aparecer um pouco mais de estrutura, até sobrar uma imagem que nunca existiu, mas que tem a "cara" das imagens de treino.

A geração por difusão lida da esquerda para a direita: do ruído à imagem, um passo de limpeza por vez. O treino fez o caminho contrário, sujando imagens reais. Ilustração gerada por IA.

Trabalhar diretamente com milhões de pixels custa caro. O salto que tornou a difusão popular foi fazer esse processo num espaço latente: um codificador comprime a imagem numa representação bem menor, a difusão acontece ali, e um decodificador devolve os pixels no fim. O mesmo trabalho acrescentou camadas de atenção cruzada, que permitem que um texto — o prompt — oriente cada passo da limpeza (Rombach et al., 2022). É essa combinação, liberada em código aberto, que deu origem ao Stable Diffusion e que está por trás de boa parte dos geradores de imagem atuais. Repare que a atenção, a peça central dos LLMs, reaparece aqui como a ponte entre palavras e pixels.

No laboratório abaixo, arraste o controle ou clique em gerar. A fórmula aplicada é a do processo de difusão, com um cronograma de ruído em mil passos, mas há uma trapaça didática, e é bom dizê-la de saída: aqui a imagem final já é conhecida, e a animação apenas mostra a mistura de sinal e ruído em cada passo. Num modelo de verdade, a rede não conhece o destino — ela estima, a cada passo, o que é ruído, e por isso cada sorteio inicial produz uma imagem diferente.

Laboratório 2 · do ruído à imagem

Passo: 1000 de 1000

sinal 0% · ruído 100% (proporção da variância)

Passo 1000: só ruído. Nenhum pixel ainda carrega informação da imagem.

Brinque com o controle perto do fim: nos últimos cem passos a imagem muda pouco, e nos primeiros cem quase nada se vê. A difusão decide primeiro a composição geral e só no fim os detalhes — o que ajuda a entender por que mãos, dedos e letras, que são detalhes pequenos e muito regrados, estão entre as coisas que esses modelos mais erram.

A fronteira está ficando borrada

A divisão "texto é autorregressivo, imagem é difusão" já não é uma lei. Há modelos de difusão para texto: o LLaDA, com 8 bilhões de parâmetros, parte de uma frase toda mascarada e vai revelando os tokens em paralelo, com desempenho comparável a um LLM autorregressivo do mesmo porte em várias tarefas — e se sai melhor justamente num tipo de pergunta "de trás para a frente" que costuma derrubar os modelos tradicionais (Nie et al., 2025). O Jev, da TypeSafe, discutido aqui no blog, também abandona a geração token a token para devolver decisões com probabilidade calibrada. E, no caminho inverso, vários geradores de imagem recentes usam Transformers dentro do processo de difusão.

Quadro 2 — Comparação entre modelos de linguagem autorregressivos e modelos de difusão

Aspecto	Modelo de linguagem autorregressivo	Modelo de difusão
O que gera, tipicamente	Texto, código, dados estruturados	Imagens, áudio, vídeo
Como gera	Um token por vez, da esquerda para a direita, sem revisar o que já saiu	A obra inteira de uma vez, refinada em dezenas a milhares de passos de limpeza
O que aprende no treino	Prever o próximo token	Estimar o ruído presente numa imagem suja
Onde entra o acaso	No sorteio de cada token (temperatura)	No ruído inicial (semente) e em cada passo
Peça central	Transformer com atenção	Rede que estima ruído (U-Net ou Transformer), em geral num espaço latente, guiada por atenção cruzada ao texto
Erro característico	Fato inventado com fluência (alucinação)	Detalhe implausível: dedos a mais, letras deformadas, objetos fundidos

Fonte: elaborado pelo autor com base em Vaswani et al. (2017), Brown et al. (2020), Ho, Jain e Abbeel (2020) e Rombach et al. (2022).Nota: a divisão é típica, não absoluta; há modelos de difusão para texto e geradores de imagem autorregressivos.

Token 05

O que eles fazem bem — e onde tropeçam

Como leram quantidades de texto que nenhum ser humano leria em mil vidas, os LLMs são muito bons no que depende de forma e de padrões frequentes: reescrever num tom diferente, resumir, traduzir, explicar um conceito comum de três maneiras, gerar e comentar código, extrair campos de um documento, sugerir estrutura para um texto. A aprendizagem em contexto faz com que se adaptem a tarefas novas com poucos exemplos. Os de difusão fazem o equivalente com imagens: estilos, composições, variações e retoques.

Os limites vêm do mesmo lugar que as capacidades. Vale conhecer os principais, porque cada um pede um cuidado diferente:

Conhecimento congelado. O modelo sabe o que estava nos dados até a data de corte do treino. Se não estiver ligado a uma busca ou a documentos, ele não "consulta" nada: responde com o que ficou nos parâmetros.
Nenhum verificador embutido. Gerar e checar são operações diferentes. O modelo produz o texto mais provável; a probabilidade de uma frase soar bem não é a probabilidade de ela ser verdadeira.
Conhecimento que só vai num sentido. Modelos treinados com frases do tipo "A é B" muitas vezes não aprendem que "B é A". Num teste com perguntas sobre pais de celebridades, o GPT-4 acertou 79% no sentido direto e só 33% no inverso — a maldição da reversão (Berglund et al., 2023). Com a informação dada no próprio prompt, o problema desaparece.
Tokens não são letras. Como o modelo enxerga pedaços de palavras, tarefas triviais para nós — contar letras, inverter uma palavra, fazer contas longas de cabeça — podem falhar de maneiras que parecem absurdas.
Janela de contexto finita. Tudo o que o modelo "vê" numa conversa cabe numa janela de contexto. Ela é grande, mas não é memória: o que saiu dela, ou ficou perdido no meio dela, pesa pouco, como detalhado em Afinal, o que é um prompt?.
Forma sem compreensão garantida. Uma crítica influente sustenta que um sistema treinado só com a forma da linguagem pode imitar o sentido sem tê-lo, como um "papagaio estocástico", e aponta custos ambientais e vieses herdados dos dados (Bender et al., 2021). Não é consenso — muitos pesquisadores veem nos modelos atuais representações internas ricas —, mas é um bom antídoto contra a tentação de atribuir intenção a uma máquina que fala bem.

Nada disso impede usos sérios, inclusive em ciência, como discutido em Terence Tao e o paradoxo da IA com a ciência. Mas todos apontam para o mesmo cuidado: quanto mais uma tarefa depende de um fato específico e verificável, menos o texto gerado deve ser tratado como prova.

Token 06

Alucinação: fluência sem lastro

Chama-se alucinação o conteúdo gerado que soa plausível mas é falso ou não tem apoio nas fontes fornecidas. O termo é metafórico e tem críticos — não há percepção, e muito menos intenção de enganar —, mas pegou. Uma revisão abrangente da literatura separa dois grandes grupos (Huang et al., 2024):

Quadro 3 — Tipos de alucinação em modelos de linguagem, com exemplos

Grupo	Tipo	Exemplo
Factualidade (contra o mundo)	Fabricação	Citar um acórdão, um artigo ou um livro que não existe
Factualidade (contra o mundo)	Inconsistência factual	Atribuir a lei certa ao ano errado, ou a descoberta certa ao cientista errado
Fidelidade (contra o pedido ou o contexto)	À instrução	Pedir um resumo em português e receber a resposta em inglês
	Ao contexto	Resumir um documento incluindo uma cláusula que ele não tem
	Lógica	Fazer um raciocínio passo a passo correto e tirar uma conclusão que não decorre dele

Fonte: elaborado pelo autor com base na taxonomia de Huang et al. (2024); exemplos do autor.

Por que acontece — e por que não é um mistério

Um trabalho de pesquisadores da OpenAI e do Georgia Tech, de 2025, propõe uma explicação que ajuda muito a organizar o assunto (Kalai et al., 2025). A tese tem duas partes.

A primeira está no pré-treinamento. Gerar uma frase válida é, estatisticamente, pelo menos tão difícil quanto classificar se uma frase é válida — e há fatos que nenhum classificador acertaria, porque não têm padrão: a data de aniversário de uma pessoa pouco conhecida, o título de uma tese. Se um fato aparece uma única vez nos dados de treino, não há como o modelo distinguir o verdadeiro dos inventados. Os autores dão um exemplo: se 20% das datas de aniversário aparecem uma única vez nos dados de pré-treinamento, é de esperar que o modelo base erre em pelo menos 20% das perguntas sobre aniversários. Alucinações não precisam ser misteriosas: nascem como erros comuns de classificação.

A segunda parte está no que vem depois, e é a mais incômoda. Os modelos são ajustados e comparados em avaliações que, quase sempre, dão ponto para a resposta certa e zero tanto para a errada quanto para "não sei". Nessas condições, chutar sempre compensa. É exatamente o raciocínio do estudante numa prova de múltipla escolha sem desconto por erro.

Se errar e dizer "não sei" valem o mesmo zero, a estratégia ótima é nunca dizer "não sei". Os modelos aprenderam a mesma lição que gerações de vestibulandos. Ilustração gerada por IA.

A própria OpenAI publicou uma comparação entre dois de seus modelos num teste de perguntas factuais curtas, o SimpleQA, que ilustra o efeito (OpenAI, 2025):

Tabela 1 — Distribuição das respostas de dois modelos da OpenAI no teste SimpleQA, 2025

Resultado da resposta	gpt-5-thinking-mini (%)	o4-mini (%)
Absteve-se ("não sei")	52	1
Acertou	22	24
Errou	26	75
Total	100	100

Fonte: elaborado pelo autor com base em OpenAI (2025).Nota: SimpleQA é um conjunto de perguntas factuais de resposta curta; os nomes dos modelos foram mantidos como na fonte. Totais conferidos pelo autor.

Pelo placar tradicional, que só olha a taxa de acerto, o o4-mini "ganha": 24% contra 22%. Mas ele erra três vezes mais. O painel abaixo mostra as duas colunas que importam lado a lado:

o4-mini · acerto24%

gpt-5-t-mini · acerto22%

o4-mini · erro75%

gpt-5-t-mini · erro26%

Mesma tabela, outra leitura: dois pontos percentuais de acerto separam os modelos; quarenta e nove pontos de erro também. Um ranking que olhe só a primeira linha premia o modelo que mais inventa.

A proposta dos autores é mudar a regra da prova: declarar, na própria instrução, um limiar de confiança t e descontar t/(1 − t) pontos por resposta errada, mantendo zero para "não sei". Com t = 0,5, um erro custa 1 ponto; com t = 0,75, custa 3; com t = 0,9, custa 9 (Kalai et al., 2025). Assim, responder só compensa quando a chance de acerto passa do limiar — e um modelo bem calibrado passa a ter motivo para dizer "não sei". Faça as contas você mesmo:

Laboratório 3 · chutar ou dizer "não sei"?

Chance de o modelo acertar esta pergunta: 30%

Pontos esperados se responder+0,30

Pontos se disser "não sei"0,00

Na correção tradicional, errar custa zero: responder rende +0,30 e ganha de "não sei". Chutar compensa.

Nenhuma instrução elimina a alucinação, porque ela nasce na estatística do treino. Mas regras de avaliação, de uso e de conferência podem parar de recompensá-la — e isso vale tanto para quem treina modelos quanto para quem corrige trabalhos escritos com eles.

E nas imagens?

Os modelos de difusão também "alucinam", no sentido de produzir detalhes plausíveis e errados. As ilustrações desta postagem foram geradas por IA e conferidas letra por letra em alta resolução. A da prova, acima, precisou de quatro gerações: nas primeiras, a letra C apareceu duas vezes na folha de respostas, letras surgiram fora dos círculos e cartazes ao fundo ganharam palavras que não existem. A solução foi trocar a folha por plaquinhas — menos texto, menos chance de erro. É a mesma lição dos precedentes inventados: o gerador não confere; alguém precisa conferir.

Token 07

Engenharia de prompts, em uma página

Se o modelo gera o que é provável dado o contexto, a forma mais barata de melhorar a resposta é melhorar o contexto. Essa é toda a lógica da engenharia de prompts. O assunto já foi tratado em profundidade aqui no blog — no Guia completo de engenharia de prompt e, com o olhar de 2026, em Afinal, o que é um prompt?, que mostra por que a área passou a falar em engenharia de contexto. Vale, então, só o essencial.

Uma revisão sistemática catalogou 58 técnicas de prompt para modelos de linguagem e outras 40 para outras mídias (Schulhoff et al., 2025). A boa notícia é que quase todas são variações de poucos princípios, os mesmos que a documentação dos fabricantes recomenda — clareza e exemplos, estrutura, papel, espaço para raciocinar e encadeamento de etapas (Anthropic, 2026):

Diga o que quer, para quem e em que formato. O modelo não sabe que você é professor, que o texto é para o primeiro semestre, nem que precisa caber numa lâmina.
Mostre exemplos. Dois ou três pares de entrada e saída ensinam mais que um parágrafo de instruções — é a aprendizagem em contexto de Brown et al. (2020) em ação.
Separe as partes. Instrução, material de apoio e formato de saída em blocos identificados (títulos, marcadores, tags) reduzem confusão.
Dê espaço para raciocinar. Pedir etapas intermediárias — a cadeia de pensamento — melhorou muito o desempenho em problemas de várias etapas (Wei et al., 2022). Nos modelos de raciocínio atuais, isso já vem embutido e pode ser ajustado por parâmetro.
Quebre tarefas grandes. Pesquisar, rascunhar e revisar em chamadas separadas costuma render mais que tudo de uma vez.
Autorize o "não sei" e exija lastro. É o princípio anti-alucinação: fornecer o texto-base, pedir que a resposta cite o trecho usado e deixar explícito que "não encontrei no material" é uma resposta aceitável.

O mesmo pedido, duas vezes

Antes: "Me dê jurisprudência sobre acúmulo de cargos de professor."

Depois: "Você vai me ajudar a organizar uma pesquisa. Abaixo, entre as marcas <documentos>, estão cinco ementas que eu mesmo copiei do site do tribunal. Com base apenas nelas, liste as teses sobre acúmulo de cargos de professor, citando o número do processo de cada uma. Se uma tese não estiver nas ementas, não a inclua. Se as ementas não bastarem, diga o que falta pesquisar."

O segundo prompt não deixa o modelo mais inteligente. Ele muda a tarefa de lembrar para ler — e ler é o que o modelo faz melhor.

Duas ressalvas de quem usa isso todo dia. Primeiro, antes de lapidar o prompt, defina o que é uma boa resposta e como você vai testá-la; nem toda falha se resolve com prompt, e às vezes trocar de modelo resolve custo ou latência com menos esforço (Anthropic, 2026). Segundo, prompts de imagem seguem os mesmos princípios, com um acréscimo: descreva a cena, o estilo e a luz, e seja explícito sobre o texto — as ilustrações daqui são geradas com uma frase de abertura fixa, "os únicos textos que aparecem na imagem, e nenhum outro, são…", justamente para conter a tendência a inventar letreiros.

Token 08

Além do prompt: outras formas de usar um LLM

O chat é só a interface mais visível. Nos sistemas que funcionam bem em organizações, o LLM raramente trabalha sozinho, de cabeça. As formas de uso mais importantes, cada uma respondendo a um limite do Token 05, são estas:

Consultar antes de responder. A geração aumentada por recuperação, RAG (retrieval-augmented generation), combina o modelo com uma busca: antes de gerar, o sistema recupera trechos relevantes de uma base de documentos e os coloca no contexto. O trabalho original mostrou que essa combinação de memória "paramétrica" (os pesos) com memória "não paramétrica" (o índice de documentos) gera respostas mais específicas e mais factuais, com a vantagem de permitir apontar a fonte (Lewis et al., 2020). A busca, em geral, é semântica: textos viram embeddings, vetores que ficam próximos quando os sentidos são próximos, e o sistema procura os vizinhos mais próximos da pergunta — exatamente o tipo de busca aproximada em grafos discutido em Busca aplicada.

Em vez de responder de memória, o modelo consulta a gaveta de fontes e mostra o trecho — e alguém confere com a lupa. A caixa de ferramentas sobre a mesa é a outra metade da história. Ilustração gerada por IA.

Usar ferramentas e agir. Um modelo que não faz contas bem pode chamar uma calculadora; um que não sabe a data pode consultar uma agenda. Intercalar raciocínio e ação — pensar, chamar uma ferramenta, ler o resultado, pensar de novo — é a base dos agentes (Yao et al., 2023). Para padronizar essas conexões, foi proposto em 2024 o MCP (Model Context Protocol, protocolo de contexto de modelo), um padrão aberto para ligar assistentes a repositórios de dados, ferramentas de trabalho e ambientes de desenvolvimento (Anthropic, 2024). Com ferramentas vem um risco novo, a injeção de prompt: um documento ou página lido pelo agente pode conter instruções escondidas que ele passa a seguir.

Ajustar o modelo. Quando o que falta não é informação, mas comportamento — um formato fixo, um vocabulário técnico, um tom de voz —, o ajuste fino com exemplos próprios pode valer a pena. Ele não é um bom jeito de "ensinar fatos novos": para isso, RAG costuma ser mais barato e mais fácil de atualizar.

Integrar por programa. Pela API, o modelo vira um componente de software: classifica chamados, extrai dados de notas fiscais em formato estruturado, gera rascunhos em lote. Nesses usos, a saída é validada por código antes de seguir adiante — e modelos especializados em decidir, como o Jev, disputam espaço com os LLMs de conversa.

Quadro 4 — Formas de uso de modelos de linguagem, segundo o problema que resolvem e o que não resolvem

Forma de uso	Quando usar	O que não resolve
Prompt bem estruturado	Sempre; é o primeiro passo e o mais barato	Falta de informação que o modelo não tem
Prompt com exemplos	Formato ou critério difícil de descrever em palavras	Tarefas que exigem fatos atualizados
RAG (consulta a documentos)	Respostas que precisam de fonte, de dados internos ou recentes	Documentos ruins ou mal recuperados; ainda exige conferência
Ferramentas e agentes	Contas, buscas, ações em sistemas, tarefas de várias etapas	Erros que se acumulam entre etapas; risco de injeção de prompt
Ajuste fino	Comportamento estável: formato, tom, vocabulário de um domínio	Conhecimento que muda com frequência
Integração por API	Processos repetitivos, com saída validada por código	Decisões que exigem responsabilidade humana

Fonte: elaborado pelo autor com base em Brown et al. (2020), Lewis et al. (2020), Ouyang et al. (2022), Yao et al. (2023) e Anthropic (2024; 2026).

A última linha do quadro não é retórica. Desde março de 2025, uma resolução do CNJ admite que magistrados e servidores usem LLMs e outras ferramentas de IA generativa "como ferramentas de auxílio à gestão ou de apoio à decisão", mas veda seu uso "como instrumento autônomo de tomada de decisões judiciais" e mantém o magistrado integralmente responsável pelo que assina (Conselho Nacional de Justiça, 2025, art. 19). A regra resume bem o lugar da IA generativa em qualquer trabalho intelectual: auxiliar, sim; autora do que você assina, não. Na universidade, é o mesmo espírito do guia da UNESCO para o uso do ChatGPT no ensino superior e das diretrizes para o uso ético da IA generativa já comentados aqui.

Aplicação prática

Seis conferências antes de usar um texto gerado

Marque os itens conforme conseguir cumpri-los na próxima vez em que usar um LLM para algo que vai assinar — um parecer, um relatório, um plano de aula, um trabalho.

Separei o que é forma (resumir, reescrever, organizar) do que é fato (nomes, datas, números, citações). Só a primeira parte aceito sem conferir. Dei ao modelo o material-base em vez de pedir que ele "lembrasse" — e pedi que citasse o trecho de onde tirou cada afirmação. Deixei explícito no prompt que "não encontrei" é uma resposta aceitável. Abri cada referência citada na fonte original: o artigo existe, o autor é esse, o trecho diz isso. Não colei no prompt dados pessoais ou sigilosos que não poderia entregar a um terceiro — ver o post sobre LGPD. Sei dizer, se me perguntarem, onde a IA entrou no trabalho e o que eu mesmo verifiquei.

0 de 6 — comece separando forma de fato.

Token de parada

De volta à sentença

Releia o caso do início com o que foi visto até aqui. O servidor pediu jurisprudência a um modelo de linguagem, ou seja, pediu que ele lembrasse fatos específicos, raros e verificáveis — o tipo exato de fato que aparece poucas vezes nos dados e que a estatística do treino não consegue separar do inventado. O modelo, ajustado num mundo em que "não sei" vale zero, não disse "não sei". Sorteou, token a token, precedentes com a forma perfeita de precedentes. E ninguém, entre a tela e a assinatura, abriu o site do tribunal.

Nenhuma dessas etapas exige má-fé, e é isso que torna o caso didático. A falha não foi da máquina nem da pessoa isoladamente: foi de um processo em que ninguém tinha a tarefa de conferir. O mesmo processo existe, em escala menor, em cada trabalho acadêmico, relatório técnico e plano de aula escrito com ajuda de IA.

Na sua área, quais são as informações que um modelo de linguagem produziria com a forma perfeita e o conteúdo inventado — e quem, no seu fluxo de trabalho, tem hoje a tarefa de abrir a fonte?

Leia também

Para continuar no Brasil Acadêmico:

Afinal, o que é inteligência artificial? — o ponto de partida da série.
Entenda o que é IA, aprendizagem de máquina, deep learning, LLM — os conjuntos aninhados, de IA a LLM.
Como a máquina aprende — neurônios, pesos e retropropagação.
Afinal, o que é um prompt? — da engenharia de prompt à engenharia de contexto.
Jev: modelo de IA da TypeSafe que decide em vez de conversar — probabilidade calibrada em vez de texto.
Terence Tao e o paradoxo da IA com a ciência — quando a eficácia atrapalha.
Tecnologias emergentes na comunicação e A cibercultura da Web 1.0 à web das IAs — a IA generativa como fenômeno de mídia.
Pesquisa aplicada: método científico, fontes e normas — por que "fontes na mesa".
MIT: como o cérebro se beneficia quando você usa IA da forma certa e Para entender a IA, tudo o que você precisa é de… planilhas — dois clássicos da casa.
E os outros mais de 180 posts sobre Inteligência Artificial que o blog já trazia antes do tema virar hype (modinha)🦉

Nota do autor: o caso que abre e fecha o texto foi reconstituído a partir da cobertura jornalística de novembro de 2023; o nome do magistrado não é citado de propósito, porque o interesse aqui é o processo, não a pessoa, e porque as reportagens divergem em detalhes como o número de precedentes inventados. Os números da base de Damien Charlotin mudam quase diariamente; os citados correspondem à atualização de 23 de setembro de 2026 e incluem apenas decisões em que o tribunal constatou o uso de conteúdo inventado. As distribuições do Laboratório 1 são fictícias, escritas à mão para ilustrar o mecanismo; não foram extraídas de nenhum modelo. O Laboratório 2 aplica a fórmula do processo direto de difusão com um cronograma cosseno de mil passos a uma imagem desenhada por código, já conhecida; a barra de mistura mostra a proporção da variância atribuída ao sinal e ao ruído, e a animação não é uma geração de verdade. O Laboratório 3 reproduz a regra de pontuação proposta por Kalai et al. (2025), com o desconto calculado pela fórmula t/(1 − t); a versão consultada do artigo lista, para t = 0,75, um desconto de 2 pontos, valor que não confere com a própria fórmula (0,75/0,25 = 3) — adotou-se o resultado da fórmula. A Tabela 1 foi transcrita da página da OpenAI; os valores são os divulgados pela empresa e não foram reproduzidos de forma independente. A frase "alucinações não precisam ser misteriosas", destacada no Token 06, parafraseia o resumo de Kalai et al. (2025). Os artigos científicos são citados nas versões de acesso aberto do arXiv, conforme o critério desta série; vários foram publicados depois em anais e periódicos (Vaswani et al. e Brown et al. na NeurIPS; Rombach et al. na CVPR 2022; Berglund et al. na ICLR 2024; Huang et al. na ACM Transactions on Information Systems). A página de documentação da Anthropic não traz data explícita; o ano da referência é o do acesso. Esta versão foi revista após uma avaliação independente: foram explicitados que "prever o próximo token" descreve os modelos autorregressivos (com o BERT como contraexemplo), a diferença entre modelo de linguagem, LLM e assistente, os componentes do Transformer além da atenção, as demais famílias de modelos generativos e o papel conjunto de parâmetros, dados e computação; a sugestão de um tokenizador interativo não foi adotada porque uma segmentação escrita à mão poderia ensinar divisões que nenhum tokenizador real produz. O BERT é citado pela versão do arXiv (a publicação revisada saiu nos anais da NAACL 2019), e o Chinchilla, pela pré-publicação (publicado depois na NeurIPS 2022). As ilustrações foram geradas por IA com o Gemini (Nano Banana), em estilo de animação 3D, e conferidas visualmente; nenhuma retrata pessoa real.

Glossário

Termos técnicos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; o botão ao lado do verbete leva de volta.

Agente: Sistema em que um modelo de linguagem, em vez de só responder, planeja e executa ações em etapas: chama ferramentas, lê os resultados e decide o próximo passo. Token 08
Ajuste fino: Treino adicional de um modelo já pré-treinado com um conjunto menor e específico de exemplos, para mudar seu comportamento — seguir instruções, adotar um formato, dominar um vocabulário. Tokens 03 e 08
Alucinação: Conteúdo gerado que soa plausível, mas é falso ou não tem apoio no material fornecido. Divide-se em problemas de factualidade (contra o mundo) e de fidelidade (contra o pedido ou o contexto). Token 06
Aprendizagem em contexto (few-shot): Capacidade de um modelo executar uma tarefa nova a partir de alguns exemplos colocados no próprio prompt, sem alterar seus parâmetros. Token 03
Atenção: Mecanismo que, para cada token, calcula a relevância dos outros tokens na construção da sua representação, em várias "cabeças" e camadas. Calcula relações; não equivale a compreensão. É a peça mais conhecida do Transformer; na forma de atenção cruzada, liga o texto do prompt à imagem nos modelos de difusão. Tokens 03 e 04
Autorregressivo: Modelo que gera uma sequência uma parte por vez, cada parte condicionada às anteriores. Os LLMs da família GPT são autorregressivos: produzem um token de cada vez, da esquerda para a direita. Token 03
Cadeia de pensamento (chain-of-thought): Técnica de pedir, ou treinar o modelo para produzir, etapas intermediárias de raciocínio antes da resposta final. Melhora o desempenho em problemas de várias etapas. Token 07
Calibração: Propriedade de um modelo cujas probabilidades correspondem às frequências reais de acerto: quando diz "80% de chance", acerta cerca de 80% das vezes. Token 06
Codificador e decodificador: As duas metades do Transformer original. O codificador (encoder) lê a entrada inteira e produz representações; o decodificador (decoder) gera a saída token a token. BERT usa só o primeiro; GPT, só o segundo; T5, os dois. Token 03
Decodificação gulosa: Estratégia de geração que escolhe sempre o token mais provável. É determinística; a alternativa é a amostragem, que sorteia de acordo com as probabilidades. Token 03
Embedding: Representação de um texto, imagem ou outro dado como vetor de números, construída de modo que itens de sentido parecido fiquem próximos. Base da busca semântica usada no RAG. Token 08
Espaço latente: Representação comprimida dos dados, aprendida por uma rede codificadora. Nos modelos de difusão latente, a remoção de ruído acontece nesse espaço menor, e um decodificador devolve os pixels no fim. Token 04
GAN (generative adversarial network): "Rede adversária generativa": par de redes treinadas em competição, uma gerando exemplos falsos e outra tentando distingui-los dos verdadeiros. Liderou a geração de imagens até ser superada pela difusão. Token 02
IA generativa: Ramo da inteligência artificial dedicado a modelos que produzem conteúdo novo — texto, imagem, áudio, vídeo, código — amostrando de uma distribuição aprendida a partir de exemplos. Token 01
Injeção de prompt: Ataque em que instruções maliciosas são escondidas num conteúdo que o modelo vai ler (uma página, um e-mail, um documento), fazendo-o agir contra a intenção de quem o usa. Token 08
Janela de contexto: Quantidade máxima de tokens que o modelo considera de uma vez: instruções, histórico da conversa, documentos e a própria resposta. O que fica fora dela não influencia a geração. Token 05
LLM (large language model): "Grande modelo de linguagem": modelo de linguagem neural de grande porte, em geral um Transformer com bilhões de parâmetros. Os generativos, como a família GPT, são autorregressivos: pré-treinados para prever o próximo token. Não se confunde com o assistente (ChatGPT, Gemini, Claude), que é um sistema construído em volta dele. Token 03
Logits: Pontuações brutas que o modelo atribui a cada token do vocabulário antes da função softmax, que as converte em probabilidades. A temperatura divide os logits antes dessa conversão. Token 03
Maldição da reversão: Falha em que um modelo treinado com afirmações do tipo "A é B" não consegue responder a perguntas no sentido "B é A". Desaparece quando a informação está no próprio prompt. Token 05
MCP (Model Context Protocol): "Protocolo de contexto de modelo": padrão aberto, lançado em 2024, para conectar assistentes de IA a fontes de dados e ferramentas por meio de servidores e clientes padronizados. Token 08
Modelo de difusão: Modelo generativo treinado para remover ruído de imagens progressivamente sujas. Gera partindo de ruído puro e aplicando essa limpeza em muitos passos. Token 04
Parâmetro: Cada um dos números ajustáveis de uma rede neural (os pesos). O tamanho de um modelo costuma ser expresso em bilhões de parâmetros, mas eles não são fatos armazenados, e mais parâmetros não bastam sem dados e computação proporcionais. Token 03
Pré-treinamento: Primeira e mais cara fase de treino de um LLM: prever o próximo token em enormes volumes de texto. Dá ao modelo conhecimento e fluência, mas não o hábito de seguir instruções. Token 03
RAG (retrieval-augmented generation): "Geração aumentada por recuperação": arquitetura que busca trechos relevantes numa base de documentos e os coloca no contexto antes de o modelo gerar a resposta, o que permite apontar a fonte. Token 08
RLHF (reinforcement learning from human feedback): "Aprendizado por reforço a partir de feedback humano": etapa de ajuste em que pessoas comparam respostas do modelo e ele é otimizado para produzir as preferidas. Token 03
Ruído (gaussiano): Valores aleatórios, sorteados de uma distribuição normal, somados à imagem no treino dos modelos de difusão. Visualmente, parece o chuvisco de uma TV fora do ar. Token 04
Temperatura: Parâmetro do sorteio do próximo token. Valores baixos concentram a chance nos tokens mais prováveis; valores altos espalham a chance e deixam o texto mais variado e mais arriscado. Token 03
Token: Unidade de texto processada pelo modelo: uma palavra, parte de uma palavra ou um sinal. Custos, limites de contexto e velocidade de geração são medidos em tokens. Token 03
Transformer: Arquitetura de rede neural proposta em 2017 para tradução, com codificador e decodificador. Cada bloco combina atenção multicabeça, rede feed-forward, conexões residuais e normalização, com codificação de posição na entrada. Suas variantes são a base dos LLMs atuais e de muitos geradores de imagem. Token 03
VAE (variational autoencoder): "Autocodificador variacional": modelo que aprende a comprimir dados num espaço de códigos contínuo e a gerar exemplos novos decodificando códigos sorteados. Precursor dos espaços latentes usados na difusão. Token 02

Referências

ANTHROPIC. Introducing the Model Context Protocol. Anthropic, San Francisco, 25 nov. 2024. Disponível em: https://www.anthropic.com/news/model-context-protocol. Acesso em: 24 set. 2026.
ANTHROPIC. Prompt engineering overview. San Francisco: Claude Platform Docs, 2026. Disponível em: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview. Acesso em: 24 set. 2026.
BENDER, Emily M.; GEBRU, Timnit; McMILLAN-MAJOR, Angelina; SHMITCHELL, Shmargaret. On the dangers of stochastic parrots: can language models be too big? In: ACM CONFERENCE ON FAIRNESS, ACCOUNTABILITY, AND TRANSPARENCY, 2021, [on-line]. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. Nova York: ACM, 2021. p. 610-623. DOI: 10.1145/3442188.3445922. Disponível em: https://dl.acm.org/doi/10.1145/3442188.3445922. Acesso em: 24 set. 2026.
BERGLUND, Lukas et al. The reversal curse: LLMs trained on "A is B" fail to learn "B is A". [S. l.]: arXiv, 2023. Pré-publicação arXiv:2309.12288. Disponível em: https://arxiv.org/abs/2309.12288. Acesso em: 24 set. 2026.
BROWN, Tom B. et al. Language models are few-shot learners. [S. l.]: arXiv, 2020. Pré-publicação arXiv:2005.14165. Disponível em: https://arxiv.org/abs/2005.14165. Acesso em: 24 set. 2026.
CHARLOTIN, Damien. AI hallucination cases database. [S. l.], 2026. Base de dados. Atualizada em 23 set. 2026. Disponível em: https://www.damiencharlotin.com/hallucinations/. Acesso em: 24 set. 2026.
CNJ abre investigação contra juiz que usou ChatGPT para escrever decisão. CartaCapital, São Paulo, 13 nov. 2023. Disponível em: https://www.cartacapital.com.br/justica/cnj-abre-investigacao-contra-juiz-que-usou-chatgpt-para-escrever-decisao/. Acesso em: 24 set. 2026.
CONSELHO NACIONAL DE JUSTIÇA (Brasil). Resolução nº 615, de 11 de março de 2025. Estabelece diretrizes para o desenvolvimento, utilização e governança de soluções desenvolvidas com recursos de inteligência artificial no Poder Judiciário. DJe/CNJ, Brasília, DF, n. 54, p. 2-17, 14 mar. 2025. Disponível em: https://atos.cnj.jus.br/atos/detalhar/6001. Acesso em: 24 set. 2026.
DEVLIN, Jacob; CHANG, Ming-Wei; LEE, Kenton; TOUTANOVA, Kristina. BERT: pre-training of deep bidirectional transformers for language understanding. [S. l.]: arXiv, 2019. Pré-publicação arXiv:1810.04805v2. Disponível em: https://arxiv.org/abs/1810.04805. Acesso em: 24 set. 2026.
DHARIWAL, Prafulla; NICHOL, Alex. Diffusion models beat GANs on image synthesis. [S. l.]: arXiv, 2021. Pré-publicação arXiv:2105.05233. Disponível em: https://arxiv.org/abs/2105.05233. Acesso em: 24 set. 2026.
GOODFELLOW, Ian J. et al. Generative adversarial networks. [S. l.]: arXiv, 2014. Pré-publicação arXiv:1406.2661. Disponível em: https://arxiv.org/abs/1406.2661. Acesso em: 24 set. 2026.
HO, Jonathan; JAIN, Ajay; ABBEEL, Pieter. Denoising diffusion probabilistic models. [S. l.]: arXiv, 2020. Pré-publicação arXiv:2006.11239. Disponível em: https://arxiv.org/abs/2006.11239. Acesso em: 24 set. 2026.
HOFFMANN, Jordan et al. Training compute-optimal large language models. [S. l.]: arXiv, 2022. Pré-publicação arXiv:2203.15556. Disponível em: https://arxiv.org/abs/2203.15556. Acesso em: 24 set. 2026.
HUANG, Lei et al. A survey on hallucination in large language models: principles, taxonomy, challenges, and open questions. [S. l.]: arXiv, 2024. Pré-publicação arXiv:2311.05232v2. Disponível em: https://arxiv.org/abs/2311.05232. Acesso em: 24 set. 2026.
KALAI, Adam Tauman; NACHUM, Ofir; VEMPALA, Santosh S.; ZHANG, Edwin. Why language models hallucinate. [S. l.]: arXiv, 2025. Pré-publicação arXiv:2509.04664. Disponível em: https://arxiv.org/abs/2509.04664. Acesso em: 24 set. 2026.
KINGMA, Diederik P.; WELLING, Max. Auto-encoding variational Bayes. [S. l.]: arXiv, 2013. Pré-publicação arXiv:1312.6114. Disponível em: https://arxiv.org/abs/1312.6114. Acesso em: 24 set. 2026.
LEWIS, Patrick et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. [S. l.]: arXiv, 2020. Pré-publicação arXiv:2005.11401. Disponível em: https://arxiv.org/abs/2005.11401. Acesso em: 24 set. 2026.
NIE, Shen et al. Large language diffusion models. [S. l.]: arXiv, 2025. Pré-publicação arXiv:2502.09992. Disponível em: https://arxiv.org/abs/2502.09992. Acesso em: 24 set. 2026.
OPENAI. Why language models hallucinate. OpenAI, San Francisco, 5 set. 2025. Disponível em: https://openai.com/index/why-language-models-hallucinate/. Acesso em: 24 set. 2026.
OUYANG, Long et al. Training language models to follow instructions with human feedback. [S. l.]: arXiv, 2022. Pré-publicação arXiv:2203.02155. Disponível em: https://arxiv.org/abs/2203.02155. Acesso em: 24 set. 2026.
RAFFEL, Colin et al. Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, [s. l.], v. 21, n. 140, p. 1-67, 2020. Disponível em: https://jmlr.org/papers/v21/20-074.html. Acesso em: 24 set. 2026.
ROMBACH, Robin et al. High-resolution image synthesis with latent diffusion models. [S. l.]: arXiv, 2022. Pré-publicação arXiv:2112.10752v2. Disponível em: https://arxiv.org/abs/2112.10752. Acesso em: 24 set. 2026.
RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson, 2021.
SCHULHOFF, Sander et al. The prompt report: a systematic survey of prompt engineering techniques. [S. l.]: arXiv, 2025. Pré-publicação arXiv:2406.06608v6. Disponível em: https://arxiv.org/abs/2406.06608. Acesso em: 24 set. 2026.
VASWANI, Ashish et al. Attention is all you need. [S. l.]: arXiv, 2017. Pré-publicação arXiv:1706.03762. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 24 set. 2026.
WEI, Jason et al. Chain-of-thought prompting elicits reasoning in large language models. [S. l.]: arXiv, 2022. Pré-publicação arXiv:2201.11903. Disponível em: https://arxiv.org/abs/2201.11903. Acesso em: 24 set. 2026.
YAO, Shunyu et al. ReAct: synergizing reasoning and acting in language models. [S. l.]: arXiv, 2023. Pré-publicação arXiv:2210.03629. Disponível em: https://arxiv.org/abs/2210.03629. Acesso em: 24 set. 2026.

Jev: Modelo de IA da TypeSafe que decide em vez de conversar

noreply@blogger.com (War) — Tue, 22 Sep 2026 05:24:40 -0300

Em 15 de setembro de 2026, uma startup de São Francisco saiu de dois anos de silêncio com US$ 40 milhões no caixa, um fundador que ajudou a criar o ChatGPT e uma ideia incômoda: a maior parte do que o software precisa da inteligência artificial não é conversa, é decisão. O modelo chama-se Jev, não escreve uma linha de texto, responde em menos de meio segundo e devolve probabilidades em vez de frases. Esta postagem conta de onde ele veio, o que ele faz de fato, por que a TypeSafe insiste que ele não é "um LLM pequeno" — e onde termina a propaganda e começa a engenharia.

Decisão 01

Um e-mail às 2h17 da manhã

Imagine a central de atendimento de uma faculdade particular de porte médio, numa madrugada de setembro. Às 2h17 chega um e-mail de aluna: "Boa noite, é a terceira vez que escrevo. Meu boleto de rematrícula venceu ontem, o portal não gera segunda via e a prova é sexta. Se eu perder a prova por causa disso, vou procurar o Procon." Nenhum humano lerá isso antes das 8h. Mas um sistema pode — e precisa — tomar três decisões agora: isso é urgente? Para qual setor vai? Qual o tom da pessoa?

Até semana passada, a resposta reflexa de quem monta esse tipo de sistema era chamar um modelo de linguagem, pedir "classifique este e-mail e responda em JSON", esperar alguns segundos e torcer para o JSON vir bem formado. Funciona — e é justamente isso que a TypeSafe AI está tentando convencer o mercado de que é a ferramenta errada para o trabalho. O software não queria um parágrafo; queria três valores tipados, com uma medida honesta de quanto confiar em cada um.

A cena é fictícia, mas o problema não é. Ele é o motivo de existir de uma empresa que, até 15 de setembro de 2026, quase ninguém conhecia.

Decisão 02

Quem é a TypeSafe, e por que o nome Jev

A TypeSafe AI foi fundada em 2024, em São Francisco, por Diogo Almeida, Erik Gafni e Sasha Sheng. Almeida, o CEO, é ex-pesquisador da OpenAI, onde trabalhou no aprendizado por reforço com retorno humano (RLHF), no InstructGPT, no ChatGPT e no GPT-4 (Gillin, 2026). A empresa passou dois anos em modo furtivo e saiu dele em 15 de setembro de 2026 com uma rodada semente de US$ 40 milhões liderada pela DCVC e, segundo a Forbes citada pelo SiliconANGLE, uma avaliação de US$ 200 milhões (Gillin, 2026).

Um parêntese necessário para o leitor brasileiro: apesar do nome, Diogo Almeida não é brasileiro. Seu nome completo é Diogo Miguel Moitinho de Almeida, e o registro público mais antigo que se encontra dele é o da Olimpíada Internacional de Matemática de 2008, em que competiu pelas Filipinas e conquistou medalha de bronze (International Mathematical Olympiad, 2008). Dali seguiu para os Estados Unidos: graduação no Rensselaer Polytechnic Institute, mestrado em ciência da computação na Georgia Tech, passagens pelo Google Brain e pela OpenAI, e a TypeSafe em São Francisco. Um levantamento da imprensa brasileira, feito justamente porque o sobrenome gerou confusão por aqui, concluiu que "nenhum registro público o liga ao Brasil": a trajetória documentada aponta para as Filipinas e os Estados Unidos (Abrão, 2026). O sobrenome é de origem portuguesa, mas nem o site da empresa nem as biografias de palestrante declaram nacionalidade — o que se pode afirmar com fonte é por qual país ele competiu e onde estudou.

O currículo do fundador importa para a história, porque a tese da empresa é uma autocrítica. O RLHF — a técnica que transformou modelos de completar texto em assistentes que seguem instruções (Ouyang et al., 2022) — otimiza o modelo para a preferência humana. O manifesto da TypeSafe argumenta que isso produziu "carruagens sem cavalo": assistentes voltados para pessoas, quando o que falta ao software é inteligência como primitiva composável, um bloco que outros programas chamem como quem chama uma função (TypeSafe AI, 2026b). Almeida resumiu ao SiliconANGLE: "Estivemos otimizando para humanos, e somos sobre-humanos em agradar humanos" (Gillin, 2026, tradução nossa).

Dois anos em modo furtivo: a TypeSafe saiu do silêncio em setembro de 2026 com um modelo que não conversa — e com uma crítica ao caminho que o próprio fundador ajudou a abrir na OpenAI.

E o nome? Jev é homenagem a William Stanley Jevons, o economista inglês que observou, em 1865, que motores a vapor mais eficientes não reduziram o consumo de carvão na Inglaterra — aumentaram-no, porque o carvão barato abriu usos novos (Jevons, 1865). A TypeSafe escreve que espera "que a inteligência de máquina siga um caminho parecido com o do carvão" (TypeSafe AI, 2026a, tradução nossa). É uma aposta declarada: se decidir custar cem vezes menos, o software passará a decidir em lugares onde hoje nem tenta.

O paradoxo do carvão

Jevons publica The Coal Question e observa que a eficiência dos motores a vapor aumentou, e não reduziu, o consumo de carvão. Cento e sessenta anos depois, o modelo ganha o nome dele por isso.

Decisão 03

Sistema 1, Sistema 2 — e o que a metáfora não diz

A TypeSafe chama o Jev de "modelo de Sistema Um", em referência direta a Daniel Kahneman. Em Rápido e devagar, Kahneman descreve dois modos de pensar: o Sistema 1, rápido, automático, intuitivo, que reconhece um rosto zangado ou completa "pão com…" sem esforço; e o Sistema 2, lento, deliberado, que resolve 17 × 24 e revisa o que o Sistema 1 propôs (Kahneman, 2012). A analogia da empresa é que os grandes modelos de linguagem, com suas cadeias de raciocínio de dezenas de segundos, ocupam o território do Sistema 2, e que faltava uma classe de modelo para o outro lado: julgamentos rápidos, estruturados, baratos, que o software consome diretamente (TypeSafe AI, 2026a).

A metáfora é boa e vale a pena levá-la a sério, inclusive nos limites. Em Kahneman, o Sistema 1 não é só rápido: é também a fonte da maioria dos vieses do livro, porque responde a uma pergunta mais fácil no lugar da pergunta feita (Kahneman, 2012). Curiosamente, a própria documentação e a imprensa técnica apontam o mesmo defeito no Jev: ele tende a responder à letra da pergunta em vez de ao sentido, erra em aritmética e comparação de datas, e é vulnerável a entradas adversariais (Ferreira, 2026) (Jaigu, 2026). A analogia com o Sistema 1 é honesta nos dois sentidos: promete velocidade e intuição, e herda a miopia.

Triagem é Sistema 1 profissionalizado: uma decisão em segundos, entre opções fechadas, com a régua de "quando chamar alguém mais experiente". É a forma de pergunta que o Jev foi feito para responder.

Decisão 04

Estado entra, decisão tipada sai

A descrição mais precisa do que o Jev faz vem da própria TypeSafe: uma "chamada de função com inteligência de fronteira — estado não estruturado entra, decisões probabilísticas tipadas saem" (TypeSafe AI, 2026a, tradução nossa). Na prática, cada requisição tem duas partes. O estado é o contexto: o e-mail da aluna, um trecho de log, um currículo, o histórico de um chamado. As perguntas são tipadas, e há só três tipos (Cloudflare, 2026):

noulSim ou não, com probabilidade"Este e-mail expressa urgência?" A resposta é um número entre 0 e 1: a probabilidade de que a resposta seja sim. Um único valor descreve a distribuição inteira.

choiceUma opção entre várias"Para qual setor vai: financeiro, acadêmico ou técnico?" Devolve a opção escolhida, a probabilidade de cada uma e uma confiança. Até 255 opções.

scoreUma nota numa escala descrita"Quão hostil é o tom, de 1 a 5?" Cada nível vem descrito em texto; a resposta traz a nota, a distribuição pelos níveis e a confiança.

O termo noul é um neologismo da empresa — a documentação não explica a origem —, mas a ideia é a de um booleano que devolve probabilidade em vez de verdadeiro/falso (TypeSafe AI, 2026c). Todas as perguntas de uma chamada são avaliadas em paralelo e em isolamento, e adicionar perguntas quase não muda o tempo de resposta (Jaigu, 2026). A documentação do Cloudflare, que oferece o modelo em sua plataforma, mostra o formato: um estado como "Socorro! Meus repasses estão falhando há 3 dias", uma pergunta noul "isso transmite urgência?" e a resposta {"noul": 0.95} (Cloudflare, 2026).

Probabilidade não é confiança

Aqui mora uma distinção que vale um parágrafo, porque é a mais mal compreendida. Para choice e score, o modelo devolve duas coisas diferentes: a probabilidade de cada opção — quanto o modelo acha que "financeiro" é a resposta certa — e a confiança, um segundo eixo que diz se vale a pena agir com base nessa resposta (Fathima, 2026). A TypeSafe recomenda usar a confiança como sinal de roteamento: acima de um limiar, o software decide sozinho; abaixo, manda para um humano ou para um modelo mais lento (Crabtree, 2026).

Isso só funciona se as probabilidades forem calibradas: quando o modelo diz 80%, o evento precisa acontecer em cerca de 80% das vezes (Jaigu, 2026). É o mesmo critério pelo qual julgamos um meteorologista. E é uma propriedade que redes neurais modernas, treinadas para acertar, costumam perder: Guo e colegas mostraram em 2017 que, quanto mais fundas e mais precisas as redes de classificação de imagens ficavam, mais superconfiantes elas se tornavam (Guo et al., 2017). A TypeSafe diz ter atacado isso no treinamento, com uma técnica batizada de RLCD — Reinforcement Learning for Calibrated Decisions, aprendizado por reforço para decisões calibradas — que substitui o RLHF e usa exclusivamente dados sintéticos (Fernholz, 2026).

Calibração é a régua do meteorologista: "80% de chance de chuva" só é uma boa previsão se chover em oito de cada dez dias assim. É o que a TypeSafe promete para cada número que o Jev devolve.

Experimente: um console de decisões

O painel abaixo simula o que um sistema veria ao mandar três e-mails da nossa faculdade fictícia para um modelo de decisão. Escolha o e-mail, veja as três respostas tipadas e mova a régua de confiança para decidir quais casos o software resolveria sozinho e quais iriam para uma pessoa. Os números são ilustrativos, escritos à mão para este texto — não são saídas reais do Jev.

"Boa noite, é a terceira vez que escrevo. Meu boleto de rematrícula venceu ontem, o portal não gera segunda via e a prova é sexta. Se eu perder a prova por causa disso, vou procurar o Procon."

noul urgente?

sim0,94

choice setor

financeiro0,71

acadêmico0,21

técnico0,08

confiança: 0,66

score hostilidade (1–5)

nota4

confiança: 0,81

Régua de confiança para decidir sem humano: 0,80

Urgência decidida pelo software (0,94 ≥ 0,80). Setor vai para um humano (0,66 < 0,80). Tom decidido pelo software (0,81 ≥ 0,80).

Uma única passagem pelo modelo responde às três perguntas de uma vez; o custo de saída é zero porque nenhum texto é gerado. Valores simulados para fins didáticos.

Decisão 05

Por que a TypeSafe diz que isso não é um LLM

A pergunta óbvia — "mas um LLM não faz isso com structured output?" — merece uma resposta em camadas, porque a diferença não está só no formato de saída.

Camada 1: como a resposta é produzida

Um modelo de linguagem é autorregressivo: gera um token, acrescenta-o à entrada, gera o próximo, e assim por diante. A arquitetura Transformer, que sustenta todos os LLMs atuais, foi apresentada em 2017 justamente como um modelo de sequência para sequência que produz a saída "um elemento por vez", consumindo os símbolos já gerados como entrada adicional (Vaswani et al., 2017, tradução nossa). Mesmo quando o pedido é um JSON de três campos, o modelo escreve o JSON caractere a caractere, e cada caractere custa uma passagem pela rede.

O Jev é descrito pela TypeSafe como não autorregressivo: uma nova arquitetura e um "amostrador paralelo" leem o estado uma vez e produzem todas as respostas na mesma passagem (Fathima, 2026) (Chavez-Mattos, 2026). É isso que permite duas coisas que soam como truque de marketing e são consequência técnica: os tokens de saída são gratuitos, porque não há geração sequencial a cobrar, e acrescentar perguntas quase não aumenta a latência, porque elas são respondidas em paralelo. A TypeSafe informa que o Jev continua sendo um Transformer, treinado com dados sintéticos (Fernholz, 2026); o que muda é a cabeça de saída, o amostrador e o objetivo de treinamento.

Camada 2: para que o modelo foi treinado

O RLHF ensina o modelo a produzir o texto que avaliadores humanos preferem (Ouyang et al., 2022). O RLCD, segundo a empresa, ensina o modelo a produzir decisões cujas probabilidades batem com a frequência real de acerto (TypeSafe AI, 2026a). Um LLM que devolve JSON continua otimizado para agradar; um modelo treinado para calibração é otimizado para ser honesto sobre a própria incerteza. A diferença de objetivo de treinamento é, para a TypeSafe, o argumento central de que o Jev não é "um LLM menor" — é outra classe de modelo.

Camada 3: o que "não alucina" quer dizer, e o que não quer

A TypeSafe afirma taxa de alucinação de 0% e chama isso de "matematicamente impossível" dado o esquema (TypeSafe AI, 2026a). É preciso ler com cuidado. A afirmação é verdadeira no sentido estreito: o modelo só pode devolver valores do esquema definido antes — uma probabilidade entre 0 e 1, uma das opções listadas, uma nota da escala. Ele não inventa um setor que não existe nem devolve um JSON quebrado. Mas não poder produzir uma saída inválida não é o mesmo que não poder errar. O Jev pode classificar mal, responder à letra em vez de ao sentido e cair em manipulações adversariais (Ferreira, 2026). O que ele oferece, no lugar da infalibilidade, é uma probabilidade calibrada — o que, para o software, é mais útil do que uma resposta confiante e errada.

Quadro 1 — Diferenças entre modelos de linguagem (LLMs) e o modelo de decisão Jev, segundo a TypeSafe AI e a imprensa técnica, 2026

Aspecto	LLMs (RLHF)	Jev (Sistema Um)
Saída	Texto livre, token a token (autorregressivo)	Valores tipados (noul, choice, score) numa única passagem
Formato garantido	Depende de instrução e validação posterior	Restrito ao esquema por construção
Objetivo de treinamento	Preferência humana (RLHF) e recompensas verificáveis	Decisões calibradas (RLCD), dados sintéticos
Incerteza	Não expressa, ou expressa em texto e tipicamente superconfiante	Probabilidade por opção + confiança separada
Custo de saída	Cobrado, em geral ~5× o de entrada	Gratuito (nenhum texto é gerado)
Explicação e raciocínio	Pode explicar, resumir, redigir	Não gera texto; não explica a decisão
Memória e conhecimento	Conhecimento amplo dos dados de treino	Sem estado; todo o contexto vai em cada chamada (até 64 mil tokens)
Pontos fracos	Alucinação, formato, latência, custo	Aritmética, datas, perguntas indiretas, entradas adversariais

Fonte: elaborado pelo autor com base em TypeSafe AI (2026a), Fathima (2026), Ferreira (2026), Jaigu (2026) e Ouyang et al. (2022).Nota: "noul", "choice" e "score" são os nomes dos tipos de pergunta na API; mantidos no original por serem identificadores de código.

Decisão 06

Os números, com a pinça

As manchetes falam em "193 vezes mais rápido e 445 vezes mais barato" (Ferreira, 2026). Os números são reais — e vêm da própria TypeSafe, que os apresenta como resultado de avaliações internas em fluxos de trabalho, com a ressalva, no mesmo anúncio, de que "estão no lado alto dos ganhos do mundo real" (TypeSafe AI, 2026a, tradução nossa). Quem repete o número costuma esquecer a ressalva. O que se pode reproduzir com mais clareza é a comparação em quatro fluxos publicada pela TypeSafe e detalhada pelo DataCamp:

Tabela 1 — Acurácia, custo e latência do Jev e de um LLM de fronteira em quatro fluxos de trabalho avaliados pela TypeSafe AI, 2026

Modelo	Acurácia (%)	Custo por caso (US$)	Latência (s)
Jev	67,8	0,0004	0,4
GPT-5.6 Terra	67,9	0,0304	10,1

Fonte: elaborado pelo autor com base em Crabtree (2026), que reproduz avaliações da TypeSafe AI.Nota: os quatro fluxos avaliados foram resposta a incidentes de segurança, observabilidade, processamento de faturas e atendimento ao cliente. Avaliação conduzida pela própria empresa; não há, até a data de acesso, replicação independente.

Leia a tabela pela primeira coluna antes das outras. A acurácia é praticamente a mesma; o que muda em duas ordens de grandeza é o custo e a latência. É uma reivindicação de eficiência, não de inteligência superior — e a empresa é explícita sobre isso ao dizer que "os modelos atuais já têm inteligência suficiente" para gerar valor econômico enorme, e que o gargalo é compô-la em sistemas (TypeSafe AI, 2026b).

acurácia · LLM67,9%

acurácia · Jev67,8%

latência · LLM10,1 s

latência · Jev0,4 s

custo · LLM3,04 ¢

custo · Jev0,04 ¢

Latência e custo do Jev desenhados em proporção ao LLM (100%). Dados da Tabela 1; custo em centavos de dólar por caso.

O preço de tabela ajuda a entender de onde sai a diferença. A TypeSafe cobra US$ 42 por bilhão de tokens de entrada — US$ 0,042 por milhão — e nada pela saída, que descreve como "barata demais para medir"; os LLMs de referência que ela compara cobram entre US$ 0,20 e US$ 10 por milhão de tokens de entrada, e a saída costuma custar cerca de cinco vezes mais (TypeSafe AI, 2026a). A conta do Requesty é didática: cem mil requisições de mil tokens cada custam US$ 4,20 (Jaigu, 2026).

Tabela 2 — Preço de tabela por milhão de tokens do Jev e faixa dos LLMs de referência, em dólares, set. 2026

Modelo	Entrada (US$/M tokens)	Saída (US$/M tokens)
Jev	0,042	0,00
LLMs de referência (faixa)	0,20 a 10,00	≈ 5 × a entrada

Fonte: elaborado pelo autor com base em TypeSafe AI (2026a) e Jaigu (2026).Nota: preços de lista no lançamento (15 set. 2026), sujeitos a alteração; a faixa dos LLMs é a informada pela própria TypeSafe no anúncio, não uma pesquisa de preços independente.

Há também depoimentos de terceiros, que valem o que valem: um engenheiro da Vercel relatou ao TechCrunch resultados "cinco a dezoito vezes" mais rápidos que o modelo da OpenAI que usava; um fundador da Bryo AI disse que o Jev saiu "dez a vinte vezes" mais barato que o Gemini, com melhor pontuação de probabilidade (Fernholz, 2026). Note que esses números são uma ordem de grandeza menores que os da manchete — e são, provavelmente, mais parecidos com o que um sistema comum vai encontrar.

Decisão 07

Onde ele entra num sistema — e onde não entra

O Jev não substitui o LLM; ele se encaixa ao redor dele. O guia do LangChain descreve três encaixes numa arquitetura de agentes: roteamento de modelos (classificar a requisição e mandar as fáceis para um modelo barato e as difíceis para um caro), guarda-corpos (avaliar cada chamada de ferramenta antes de executá-la e barrar as arriscadas) e verificação (fazer várias perguntas de classificação em paralelo sobre o mesmo estado) (Runkle; Lovell, 2026). A TypeSafe acrescenta um quarto uso, o mais ambicioso: processar dados em massa, "transformar petabytes em atributos", porque o custo por decisão ficou pequeno o bastante para isso (TypeSafe AI, 2026a, tradução nossa).

As demonstrações da empresa são reveladoras do que ela considera Sistema 1: um agente jogando Doom com cerca de dez decisões por segundo, e um "wikiracing" em que o modelo escolhe, a cada passo, um link entre centenas na página da Wikipédia para chegar a um artigo-alvo (TypeSafe AI, 2026a). Em nenhuma delas o modelo explica o que fez. É reflexo, não deliberação.

O que ele não faz é igualmente claro. Não redige a resposta para a aluna do e-mail. Não explica por que classificou como urgente. Não soma, não compara datas com segurança, não faz raciocínio em vários saltos, e sofre com estados grandes e ruidosos, que o distraem (Fathima, 2026). A documentação da própria empresa lista as "arestas" da versão 1.13 e insiste em perguntas atômicas: em vez de "este chamado deve ser escalado?", três perguntas separadas — é urgente? é reincidente? o tom é hostil? — e a combinação fica no código (TypeSafe AI, 2026c). A divisão de trabalho proposta é antiga na engenharia de software: o modelo faz o julgamento semântico; o programa faz a lógica exata.

Isso também tem um custo de projeto que raramente aparece nas manchetes. Decompor uma decisão em perguntas atômicas bem escritas, com critérios para o "sim" e o "não", é trabalho de análise de requisitos — e quem escreve mal a pergunta recebe uma probabilidade calibrada para a pergunta errada.

Aplicação prática

Seis perguntas antes de trocar um LLM por um modelo de decisão

Pense num ponto do seu sistema — ou da sua instituição — em que hoje um modelo de linguagem é chamado só para classificar, pontuar ou rotear. Na educação, os candidatos são muitos: triagem de dúvidas no ambiente virtual, detecção de plágio evidente, pré-classificação de respostas abertas por rubrica, sinalização de risco de evasão a partir de mensagens. Marque o que consegue responder.

O conjunto de respostas válidas é fechado e conhecido antes da chamada (sim/não, lista de opções, escala). Se a resposta precisa de texto livre, o caso é de LLM. Consigo decompor a decisão em perguntas atômicas, cada uma sobre um único fator, com critérios escritos para cada resposta. Sei o que o sistema faz abaixo do limiar de confiança — e quem é o humano que recebe esses casos. Tenho um conjunto de casos rotulados para medir a calibração no meu domínio, e não só a acurácia: quando o modelo diz 80%, ele acerta 80%? A decisão não depende de aritmética, datas ou vários saltos de raciocínio — ou esses cálculos ficam no código, antes da pergunta. Pensei no que acontece se alguém escrever para manipular o classificador — e a decisão sensível não fica só na mão dele.

0 de 6 — comece pelo conjunto de respostas.

Decisão final

De volta ao e-mail das 2h17

Volte à central de atendimento. Com um modelo de decisão bem encaixado, o e-mail da aluna é lido às 2h17 e, em menos de meio segundo, ganha três rótulos: urgente com 0,94; financeiro com 0,71 e confiança 0,66; tom 4 de 5. O sistema não responde à aluna — não sabe redigir. Mas abre o chamado no setor certo, marca como prioritário, e, porque a confiança do setor ficou abaixo da régua, deixa uma nota para a primeira pessoa que chegar às 8h confirmar o encaminhamento. Foram três decisões, uma passagem, uma fração de centavo.

Se a aposta de Jevons se confirmar, o interessante não será esse e-mail: será a quantidade de decisões que hoje ninguém toma porque custa caro demais pedir a um modelo de linguagem que as tome. A TypeSafe está apostando que, a US$ 42 por bilhão de tokens, o software vai começar a perguntar coisas que nunca perguntou. Como o carvão barato, isso pode ser muito bom — e pode também significar decisões automáticas em lugares onde ainda não decidimos se queremos que sejam automáticas.

Na sua instituição, qual é a decisão que hoje é tomada por uma pessoa cansada às 8h da manhã, entre opções fechadas, que um Sistema 1 calibrado poderia tomar às 2h17 — e qual é a régua de confiança abaixo da qual você ainda quer uma pessoa olhando?

Nota do autor: a central de atendimento e os três e-mails são fictícios; todos os números do console de decisões foram escritos à mão para ilustrar o formato de saída e não são respostas do Jev. Os dados das Tabelas 1 e 2 e do painel de barras são avaliações e preços divulgados pela própria TypeSafe AI no lançamento, conforme reproduzidos pelas fontes citadas; até a data de acesso não localizei replicação independente. As fontes divergem nos multiplicadores de velocidade e custo: o anúncio oficial fala em 193,6× e 444,6×; o Tom's Hardware arredonda para 193× e 445×; o SiliconANGLE, para 194× e 445×; o LangChain, para 200× e 400×; o MindStudio, para 100× e 100×. Adotei, no corpo do texto, os números do anúncio oficial e a comparação de quatro fluxos, que é a única apresentada com acurácia, custo e latência lado a lado. A janela de contexto também é informada de modo diferente: 64 mil tokens para estado mais perguntas (Tom's Hardware, Firecrawl) e 32 mil na documentação do Cloudflare, que corresponde ao estado mais a pergunta mais longa. Sobre as fontes: o anúncio e o manifesto da TypeSafe são documentos da própria empresa; os artigos do DataCamp, Requesty, Firecrawl, MindStudio e LangChain são literatura cinzenta de acesso aberto, e os dois últimos são de empresas com integração comercial com o produto. O livro de Kahneman é citado na edição brasileira da Objetiva, disponível em livraria online; Jevons, na edição da Online Library of Liberty; os artigos de Vaswani et al., Ouyang et al. e Guo et al., nas versões abertas do arXiv, conforme o critério de acesso livre deste blog. As traduções de citações diretas são minhas. Sobre a origem de Diogo Almeida: nenhuma fonte oficial (site da TypeSafe, biografias de palestrante) declara nacionalidade; o que se afirma no texto é o que consta em registro verificável — a participação pelas Filipinas na IMO de 2008, no banco de dados oficial da olimpíada — e o levantamento do Antihype sobre a formação nos Estados Unidos. O texto evita, por isso, atribuir-lhe uma nacionalidade que nenhuma fonte primária confirma. O nome do modelo comparado na Tabela 1 (GPT-5.6 Terra) é reproduzido como consta na fonte.

Referências

ABRÃO, Gustavo Bonato. Cocriador do ChatGPT, Diogo Almeida lança Jev, IA que não escreve e virou sensação. Antihype, [s. l.], 19 set. 2026. Disponível em: https://antihype.com.br/c/ia/diogo-almeida-typesafe-jev-ia-nao-escreve/. Acesso em: 22 set. 2026.
CHAVEZ-MATTOS, Luis. Jev explained: Typesafe AI's non-autoregressive System-1 model. MindStudio, [s. l.], 18 set. 2026. Disponível em: https://www.mindstudio.ai/blog/jev-system-one-model-launch. Acesso em: 21 set. 2026.
CLOUDFLARE. Jev (typesafe): Cloudflare AI docs. [S. l.]: Cloudflare, 2026. Disponível em: https://developers.cloudflare.com/ai/models/typesafe/jev/. Acesso em: 21 set. 2026.
CRABTREE, Matt. Jev: TypeSafe's System One model that never hallucinates. DataCamp Blog, [s. l.], 16 set. 2026. Disponível em: https://www.datacamp.com/blog/system-one-models-jev. Acesso em: 21 set. 2026.
FATHIMA, Hiba. What is Jev? Inside TypeSafe's decision-only AI model and its developer use cases. Firecrawl Blog, [s. l.], 21 set. 2026. Disponível em: https://www.firecrawl.dev/blog/what-is-jev. Acesso em: 21 set. 2026.
FERNHOLZ, Tim. A new kind of AI model from a ChatGPT inventor is thrilling developers. TechCrunch, [s. l.], 18 set. 2026. Disponível em: https://techcrunch.com/2026/09/18/a-new-kind-of-ai-model-from-a-chatgpt-inventor-is-thrilling-developers/. Acesso em: 21 set. 2026.
FERREIRA, Bruno. TypeSafe AI's Jev offers an alternative to LLMs that claims to be 193x faster and 445x cheaper: System One type model is bespoke for probabilistic decision-making. Tom's Hardware, [s. l.], 21 set. 2026. Disponível em: https://www.tomshardware.com/tech-industry/artificial-intelligence/typesafe-ais-jev-offers-an-alternative-to-llms-that-claims-to-be-193x-faster-and-445x-cheaper-system-one-type-model-is-bespoke-for-probabilistic-decision-making. Acesso em: 21 set. 2026.
GILLIN, Paul. TypeSafe AI exits stealth with $40M to build AI for use by software. SiliconANGLE, [s. l.], 16 set. 2026. Disponível em: https://siliconangle.com/2026/09/16/typesafe-ai-exits-stealth-with-40m-to-build-ai-for-use-by-software/. Acesso em: 21 set. 2026.
GUO, Chuan; PLEISS, Geoff; SUN, Yu; WEINBERGER, Kilian Q. On calibration of modern neural networks. [S. l.]: arXiv, 2017. Pré-publicação arXiv:1706.04599. Disponível em: https://arxiv.org/abs/1706.04599. Acesso em: 21 set. 2026.
INTERNATIONAL MATHEMATICAL OLYMPIAD. Diogo Miguel Moitinho de Almeida: individual results, Philippines, IMO 2008. [S. l.]: IMO, 2008. Disponível em: https://www.imo-official.org/participant_r.aspx?id=17909. Acesso em: 22 set. 2026.
JAIGU, Thibault. TypeSafe Jev explained: how it works, LLM differences and API pricing. Requesty Blog, [s. l.], 19 set. 2026. Disponível em: https://www.requesty.ai/blog/typesafe-jev-explained. Acesso em: 21 set. 2026.
JEVONS, William Stanley. The coal question: an inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. Londres: Macmillan, 1865. Edição eletrônica: Online Library of Liberty. Disponível em: https://oll.libertyfund.org/titles/jevons-the-coal-question. Acesso em: 21 set. 2026.
KAHNEMAN, Daniel. Rápido e devagar: duas formas de pensar. Rio de Janeiro: Objetiva, 2012. Comprar na Amazon.
OUYANG, Long et al. Training language models to follow instructions with human feedback. [S. l.]: arXiv, 2022. Pré-publicação arXiv:2203.02155. Disponível em: https://arxiv.org/abs/2203.02155. Acesso em: 21 set. 2026.
RUNKLE, Sydney; LOVELL, Hunter. What is Jev? A guide to TypeSafe AI's System One model. LangChain Blog, [s. l.], 17 set. 2026. Disponível em: https://www.langchain.com/blog/building-a-harness-with-jev. Acesso em: 21 set. 2026.
TYPESAFE AI. Introducing System One models & Jev. TypeSafe AI Blog, São Francisco, 15 set. 2026a. Disponível em: https://typesafe.ai/blog/introducing-system-one-models-and-jev. Acesso em: 21 set. 2026.
TYPESAFE AI. Manifesto. São Francisco: TypeSafe AI, 2026b. Disponível em: https://typesafe.ai/manifesto. Acesso em: 21 set. 2026.
TYPESAFE AI. Noul: TypeSafe AI docs. São Francisco: TypeSafe AI, 2026c. Disponível em: https://docs.typesafe.ai/primitives/noul. Acesso em: 21 set. 2026.
VASWANI, Ashish et al. Attention is all you need. [S. l.]: arXiv, 2017. Pré-publicação arXiv:1706.03762. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 21 set. 2026.

Busca aplicada: recomendação, planejamento e otimização

noreply@blogger.com (War) — Sun, 20 Sep 2026 19:07:50 -0300

Imagine, em fevereiro, uma secretaria municipal de educação do interior em que três problemas dividem a mesma mesa: as rotas do transporte escolar, a grade de horários das escolas e a lista de conteúdos que a plataforma recém-contratada vai mostrar para cada aluno. Ninguém naquela sala chama isso de busca. Mas os três podem ser formulados dentro da mesma perspectiva de busca das duas postagens anteriores desta série, cada um com um tipo diferente de fronteira: um se resolve navegando de modo guloso num grafo de itens parecidos; outro, com um A* cuja heurística nasce de apagar uma regra do problema; e o terceiro, com uma busca que nem árvore tem. Esta postagem fecha a série mostrando como ideias das buscas cega e informada reaparecem em sistemas reais, quanto trabalho cada estratégia poupa em medições próprias sobre modelos didáticos, e quais garantias se mantêm ou se perdem quando o espaço de estados deixa de caber na tela (atualizado em 21/09/2026).

Caso 01

Fevereiro na secretaria

Fevereiro é o mês em que a educação básica brasileira resolve, no braço, alguns dos problemas mais estudados da ciência da computação. São 46,018 milhões de matrículas espalhadas por 178,76 mil escolas públicas e privadas, segundo o Censo Escolar de 2025 (Almeida; Verdélio, 2026). Cada uma dessas escolas precisa de uma grade de horários que caiba nas restrições dos professores. Boa parte precisa de rotas de transporte que caibam no orçamento e na jornada das crianças. E quase todas, hoje, têm alguma plataforma que precisa decidir qual conteúdo mostrar primeiro. A secretaria desta postagem é um cenário composto a partir dessas três tarefas: as pessoas que aparecem nela são personagens, não entrevistados.

Nas três salas onde esses problemas são resolvidos, a ferramenta costuma ser a mesma: uma planilha, um café e a experiência de quem já fez isso ano passado. Não há nada de errado nisso — mas há algo curioso. Os três problemas não são o mesmo problema, mas podem ser formulados dentro de uma perspectiva comum: busca em espaços de estados ou de soluções. Diferem no espaço, no objetivo, nas garantias e na literatura especializada de cada um — e é justamente por isso que vale olhar os três lado a lado.

Nas duas postagens anteriores, a série tratou das buscas cegas e das buscas informadas como máquinas de laboratório: uma malha quadriculada, um quebra-cabeça de oito peças, um robô que tremia. Esta postagem sai do laboratório. A pergunta agora é outra: quando alguém resolve um problema de verdade — recomendar, planejar, otimizar —, o que sobra do algoritmo do livro-texto?

Adianto a resposta, porque ela organiza o resto do texto: sobra o laço, e a garantia passa a ser negociada — às vezes se mantém, às vezes é trocada conscientemente por tempo.

Caso 02

O laço, pela terceira vez

Vale recompor o esqueleto em três linhas, porque ele é o fio de tudo o que vem depois. Uma busca precisa de um estado, de ações que levam de um estado a outro, de um custo por ação e de um teste de objetivo. O algoritmo mantém uma fronteira de estados conhecidos mas ainda não expandidos, retira um deles segundo alguma chave de ordenação, testa e gera os sucessores (Russell; Norvig, 2021). Busca cega e busca informada diferem apenas na chave.

Formular o problema — decidir o que é um estado — é a parte que o livro-texto resolve em meia página e a vida real cobra caro. Repare como a mesma frase muda de sentido nos três casos da secretaria:

recomendaçãoEstado = um item do catálogoAs ações são "pular para um item parecido". O objetivo é chegar perto do que o aluno quer. Custo: uma comparação.

planejamentoEstado = uma situação do mundoQuem está onde, o que já foi feito. As ações têm pré-condições e efeitos. O objetivo é uma condição, não um lugar.

otimizaçãoEstado = uma solução inteiraUma rota completa, uma grade completa. As ações não constroem: consertam. O objetivo é o menor custo possível.

A terceira ficha é a que quebra o padrão, e é bom encarar isso logo. Nos dois primeiros casos, um estado é um pedaço de solução e a busca vai construindo — é a busca em espaço de estados dos posts anteriores, com árvore, fronteira e caminho. No terceiro, cada estado já é uma solução completa, possivelmente ruim, e a busca não constrói: ela mexe. Quando o estado passa a ser a solução inteira, o caminho percorrido deixa de interessar e só o destino conta — e isso muda tanto o algoritmo quanto o que se pode prometer sobre ele.

Três seções, três casos. Em cada um, a mesma pergunta: qual é a fronteira, qual é a chave, e o que se perde.

Caso 03

Recomendação: navegar num grafo de vizinhos

Comece pelo problema que parece menos um problema de busca. Uma plataforma de conteúdo tem um catálogo — cem mil vídeos, dois milhões de produtos, quarenta mil questões de banco — e alguns milissegundos para escolher o que mostrar. A arquitetura padrão, descrita com clareza no artigo em que o YouTube abriu seu sistema de recomendação, tem dois estágios: um de geração de candidatos, que reduz milhões de itens a algumas centenas, e um de ordenação, que só então gasta um modelo pesado sobre esse punhado (Covington; Adams; Sargin, 2016).

O primeiro estágio é o que interessa aqui, e os autores o descrevem sem rodeios: cada item e cada usuário viram um vetor, e escolher os candidatos "se reduz a uma busca dos vizinhos mais próximos" nesse espaço. Um espaço de gosto, se quiser: itens parecidos ficam perto.

Por que não olhar todos

A solução óbvia é varrer o catálogo inteiro e ficar com os mais próximos. Ela é exata, trivial de programar e, num catálogo de milhões de itens sob um orçamento de dezenas de milissegundos, inviável na escala desses sistemas — os autores do artigo do YouTube pedem explicitamente um esquema aproximado, que não olhe o catálogo inteiro. É o mesmo beco da busca cega: correta, completa e cara demais.

Uma das saídas mais difundidas é construir, uma única vez, um grafo de proximidade: cada item guarda ponteiros para uns poucos itens parecidos. A consulta então não varre nada — ela caminha. Na versão mais simples, parte de um item qualquer, olha os vizinhos dele, pula para o que estiver mais perto do alvo e repete; quando nenhum vizinho melhora, para. O HNSW (Hierarchical Navigable Small World, algo como “mundo pequeno navegável e hierárquico”), um dos índices mais usados para esse fim, sofistica a ideia: organiza os itens numa hierarquia de grafos, construída incrementalmente, desce das camadas esparsas de cima (saltos longos) às densas de baixo (ajustes finos) e, na camada de baixo, mantém uma lista de candidatos em vez de um só (Malkov; Yashunin, 2018).

A consulta não varre o catálogo: ela salta de vizinho em vizinho, sempre para quem parece mais perto do alvo. A figura mostra um grafo plano, sem as camadas do HNSW — é o mecanismo mínimo, não o índice real.

Pare um segundo nesse mecanismo, porque ele é o ponto da seção. Um dos algoritmos que selecionam os candidatos que poderão aparecer na sua tela lembra de perto a busca gulosa do post anterior: quem orienta cada passo é só a distância ao alvo — o h —, sem nenhum g. A equivalência não é literal. A busca gulosa de melhor escolha clássica mantém uma fronteira global ordenada por h; a navegação no grafo, na forma mais simples, só olha os vizinhos do ponto em que está, e se parece mais com uma subida de encosta (hill climbing) do que com a gulosa do livro. E herda o defeito das duas: pode parar num mínimo local — um item que é melhor que todos os seus vizinhos e ainda assim não é o melhor do catálogo. Vale lembrar também que esse estágio só propõe candidatos: quem decide a ordem final na tela é o estágio de ordenação.

Guardar mais de um candidato

A saída é manter mais de um candidato. Em vez de guardar só o melhor ponto do momento, a busca mantém uma lista com os melhores candidatos encontrados e só para quando nenhum deles promete melhorar. No HNSW, o tamanho dessa lista é o parâmetro ef, e aumentá-lo tende a elevar o acerto e o custo ao mesmo tempo (Malkov; Yashunin, 2018). Há uma semelhança estrutural com a passagem da subida de encosta para a busca de melhor escolha: manter mais candidatos reduz a miopia da escolha puramente local. Não é, porém, a correção que define o A* — essa foi somar ao palpite o custo já percorrido, f = g + h (Hart; Nilsson; Raphael, 1968) —, e aqui não há g nenhum: não importa quantos saltos foram dados, só onde se chegou.

Modelo didático ≠ sistema de produção

As medições desta postagem usam modelos didáticos: pontos em duas dimensões, um grafo plano com cinco vizinhos por item, instâncias pequenas e sementes fixas. Chamo de largura da fronteira o número de candidatos mantidos — um análogo didático do ef, não uma implementação de HNSW. Sistemas em produção trabalham com vetores de alta dimensão, índices hierárquicos construídos e ajustados, restrições adicionais, objetivos múltiplos e métricas medidas com usuários reais. Os números abaixo ilustram mecanismos; não estimam o desempenho de nenhum sistema real.

Montei um catálogo fictício de 180 itens num plano de gosto de duas dimensões, liguei cada item aos cinco mais parecidos e rodei 300 consultas sorteadas, variando a largura da fronteira. O que ela compra aparece na proporção de vezes em que a busca devolve exatamente o item mais próximo:

fronteira 1 (gulosa)50,7%

fronteira 484,0%

fronteira 897,3%

fronteira 1698,7%

Acerto exato em 300 consultas, catálogo fictício de 180 itens, grafo plano com cinco vizinhos por item; largura da fronteira como análogo didático do ef. As comparações de distância por consulta sobem de 28,1 para 53,2 entre a primeira barra e a última — contra 180 da varredura completa.

A leitura é a de sempre nesta série: a garantia tem preço, e o preço é trabalho. A diferença é que aqui, em geral, ninguém paga o preço inteiro. Na recuperação aproximada de vizinhos, aceita-se deixar escapar de vez em quando o vizinho exato em troca de respostas mais rápidas — e o parâmetro existe justamente para que esse compromisso seja uma decisão explícita de engenharia, e não um acidente.

O que acontece quando o catálogo cresce

O argumento decisivo, porém, não está no acerto: está na escala. Repeti a medição com catálogos cada vez maiores, mantendo a fronteira em oito candidatos.

Tabela 1 — Navegação em grafo de proximidade plano (modelo didático, sem hierarquia) por tamanho do catálogo, em catálogos fictícios, 2026

Itens no catálogo	Acerto exato (%)	Comparações por consulta	Proporção do catálogo (%)
180	97,3	46,2	25,7
1 000	94,7	94,3	9,4
5 000	88,3	187,5	3,8
20 000	91,3	350,8	1,8

Fonte: elaborado pelo autor; medição própria em catálogos fictícios gerados em quatro agrupamentos, com 300 consultas sorteadas por tamanho.Nota: grafo de vizinhança com os cinco itens mais próximos de cada item, tornado simétrico; fronteira de oito candidatos; entrada sempre pelo item de índice zero. "Acerto exato" é a proporção de consultas em que a busca devolveu o mesmo item que a varredura completa devolveria. "Comparações" é a média de distâncias efetivamente calculadas por consulta.

Neste experimento, o catálogo foi multiplicado por 111 e o trabalho por consulta, por menos de oito. O número de comparações cresceu muito mais devagar que o catálogo. É esse descompasso — e não o acerto — que torna a abordagem atraente: numa varredura, multiplicar o acervo por 111 multiplica a conta por 111; aqui, a multiplicou por 7,6.

A coluna do acerto, porém, tem um recado incômodo: ela não sobe junto. Vai de 97,3% a 88,3% e volta a 91,3%, sem padrão claro. Não há como apontar uma causa única com este desenho — 300 consultas, uma semente, cinco vizinhos fixos, um grafo artificial —, e vários fatores concorrem: a densidade local, a posição do ponto de entrada, a distância média que a navegação precisa atravessar. O que o modelo mostra é que, sem ajuste, o acerto pode oscilar em silêncio conforme o acervo cresce. Atravessar distâncias longas por arestas curtas é justamente uma das dificuldades que a hierarquia do HNSW ataca, deixando os saltos longos numa camada de cima, esparsa, e os ajustes finos embaixo. O que medi aqui é a versão sem a hierarquia.

Caso 04

Planejamento: o neto do Shakey

O segundo problema da mesa é a van. Quatro alunos esperam em pontos diferentes de uma zona rural, a van leva dois por vez, e a escola fica na outra ponta. Qual é a sequência de ações que entrega todo mundo com o menor número de movimentos?

Repare que a pergunta mudou de natureza. No caso da recomendação, o objetivo era um lugar no espaço; aqui, o objetivo é uma condição — "todos entregues" —, e o que se procura não é um ponto, é uma sequência. Esse é o problema de planejamento, e ele tem uma certidão de nascimento: o STRIPS (Stanford Research Institute Problem Solver), escrito por Richard Fikes e Nils Nilsson em 1971 para dar um cérebro ao mesmo robô Shakey da postagem anterior (Fikes; Nilsson, 1971).

A ideia do STRIPS é de uma simplicidade que sobreviveu a cinquenta e cinco anos: um estado é um conjunto de fatos; uma ação tem pré-condições (os fatos que precisam valer para que ela possa ocorrer), uma lista de adição (os fatos que ela cria) e uma lista de remoção (os fatos que ela destrói). Planejar é buscar, no espaço desses estados, uma sequência que leve do estado inicial a um estado em que o objetivo valha. A notação mudou de nome — hoje se escreve em PDDL (Planning Domain Definition Language), a linguagem das competições internacionais de planejamento —, mas a anatomia é essa.

E o problema é o de sempre: o espaço explode. Na versão minúscula da van — sete pontos, quatro alunos, três situações possíveis por aluno — já são 567 combinações no papel, das quais 504 efetivamente alcançáveis. Troque por vinte alunos e trinta pontos e não há máquina.

A heurística que vem de apagar uma regra

A postagem anterior terminou com uma receita: para obter uma heurística admissível, apague uma restrição do problema, resolva exatamente o problema mais fácil que sobrar e use esse custo ótimo como estimativa (Luger, 2013). O planejamento heurístico moderno explora muito essa ideia — e a restrição que se apaga tem nome e endereço: a lista de remoção.

A intuição é bonita. Se as ações só adicionam fatos e nunca destroem nenhum, o mundo deixa de ter conflitos: nada do que você conquistou pode ser perdido depois. O custo do melhor plano desse problema relaxado — que a literatura chama de h⁺ — nunca supera o custo real, e por isso é admissível. O porém é que calcular h⁺ exatamente é, em geral, computacionalmente difícil (Betz; Helmert, 2009). O planejador FF (Fast-Forward), de Jörg Hoffmann e Bernhard Nebel, primeiro lugar na competição de 2000, contornou a dificuldade extraindo depressa, de forma gulosa, um plano relaxado — não necessariamente o melhor — e usando o tamanho dele como estimativa (Hoffmann; Nebel, 2001). Funciona muito bem na prática, e cobra um preço: a heurística do FF, h_FF, em geral não é admissível.

Atenção: relaxar não garante admissibilidade

O custo ótimo do problema relaxado, h⁺, é um limite inferior do custo real e, portanto, admissível. Heurísticas práticas que aproximam esse valor para caber no tempo, como a do FF (h_FF), podem perder essa propriedade — ela tende a superestimar h⁺. Já outras aproximações, como h_max, ficam sempre abaixo de h⁺ e continuam admissíveis (Betz; Helmert, 2009). Relaxamento é fonte de heurísticas; admissibilidade é uma propriedade que ainda precisa ser demonstrada ou verificada.

Tire a lista de remoção e o problema perde os conflitos. O custo do melhor plano relaxado é otimista; um plano relaxado achado às pressas pode não ser.

Para a van, não usei o FF: montei à mão uma estimativa inspirada no mesmo relaxamento, ignorando a capacidade e as remoções. Cada aluno que ainda espera exige pelo menos um embarque e um desembarque; cada aluno já a bordo exige pelo menos um desembarque; e é preciso, no mínimo, ir até o aluno pendente mais distante e voltar. Não é o h⁺ exato nem o h_FF: é um limite inferior simples. Verifiquei por enumeração que ela nunca supera o custo real em nenhum dos 504 estados alcançáveis — nesta instância, é admissível. Com ela na chave da fila, o resultado é este:

Tabela 2 — Desempenho de três estratégias no problema fictício da van escolar, 2026

Estratégia	Estados expandidos	Ações do plano	Plano ótimo?
Busca em largura (cega)	480	24	Sim, sempre
Busca em profundidade (cega)	35	28	Em 23 de 200 ordenações
A* com heurística de relaxamento	228	24	Sim, sempre

Fonte: elaborado pelo autor; medição própria por implementação independente em Python.Nota: problema fictício com sete pontos ligados em árvore, quatro alunos, capacidade de dois passageiros e custo 1 por ação (mover, embarcar, desembarcar); 504 estados alcançáveis. Os valores da busca em profundidade são as medianas de 200 execuções com ordens de sucessores sorteadas (expandidos: mínimo 25, máximo 49; plano: mínimo 24, máximo 32). O plano ótimo tem 24 ações, verificado por busca em largura.

Duas leituras, e a segunda é a interessante.

A primeira é a esperada: a heurística corta mais da metade do trabalho da busca em largura sem abrir mão de nada. Mesma resposta, 52,5% menos estados abertos.

A segunda é um contraexemplo que eu não planejava encontrar. A busca em profundidade — cega, sem nenhuma informação, a mais simplória do repertório — expandiu trinta e cinco estados, sete vezes menos que o A*. E devolveu um plano com 28 ações em vez de 24. Mudando apenas a ordem em que os sucessores entram na pilha, ela vai de 25 a 49 estados expandidos e de 24 a 32 ações no plano, acertando o ótimo em pouco mais de um décimo das tentativas. A busca em profundidade é barata porque é uma loteria: quando o problema não tem becos sem saída, quase qualquer caminho chega — e "quase qualquer caminho" é exatamente o que ela devolve.

Isso não é uma curiosidade de laboratório. É a razão pela qual tanto sistema em produção roda uma heurística construtiva simples e para por aí: em problemas sem armadilhas, o resultado fica perto o bastante. A diferença entre esse projeto e um erro é saber que se escolheu isso.

Caso 05

Otimização: quando a busca perde a árvore

O terceiro problema é a roteirização. Uma van, um depósito, treze paradas, e a pergunta clássica: em que ordem visitar todas e voltar, gastando o mínimo?

Aqui o espaço de busca muda de forma. Não há caminho parcial a expandir: qualquer ordem das treze paradas já é uma rota válida. O que existe é um conjunto de soluções completas, e ele tem 13!/2 = 3 113 510 400 elementos — três bilhões de rotas para treze entregas. Uma busca cega que enumerasse todas a um milhão por segundo levaria 52 minutos para decidir o itinerário de uma van. Com quinze paradas, seriam sete dias e meio.

Quando o estado é uma solução inteira, a busca deixa de ser uma árvore e vira um passeio: o algoritmo mantém uma solução na mão e tenta trocá-la por uma vizinha melhor. É a busca local (Russell; Norvig, 2021), e ela tem três peças: uma solução inicial, uma definição de vizinhança e uma regra de aceitação.

solução inicialVizinho mais próximoSaia do depósito e vá sempre à parada mais perto que ainda falta. É a gulosa outra vez, agora construindo uma rota.

vizinhançaTroca 2-optPegue dois trechos da rota, inverta o pedaço entre eles e veja se encurtou. Desfaz cruzamentos.

aceitaçãoSó se melhorarAceite a troca quando ela reduzir a distância. Simples, rápido — e é aqui que mora o mínimo local.

Rodei as três peças numa instância fictícia de um depósito e treze paradas, com o ótimo calculado exatamente por programação dinâmica (algoritmo de Held-Karp), para ter um parâmetro honesto de comparação:

Tabela 3 — Qualidade e esforço de quatro estratégias de roteirização em instância didática de 14 pontos, selecionada para evidenciar mínimo local, 2026

Estratégia	Distância	% do ótimo	Leituras de distância	Tempo (ms)
Ótimo exato (programação dinâmica)	1 406,7	100,0	319 514	107,9
Vizinho mais próximo	1 865,3	132,6	91	0,01
Vizinho mais próximo + 2-opt	1 528,0	108,6	1 263	0,14
2-opt com 200 reinícios aleatórios	1 406,7	100,0	347 064	38,9

Fonte: elaborado pelo autor; medição própria por implementação independente em Python sobre instância fictícia com coordenadas sorteadas e semente fixa.Nota: distâncias euclidianas em unidades arbitrárias do plano da instância. A instância foi escolhida entre quarenta sementes justamente porque nela o 2-opt fica preso acima do ótimo; na maioria das outras, ele o alcança. "Leituras de distância" usa a mesma unidade para todas as estratégias: cada leitura de uma distância entre dois pontos (o vizinho mais próximo lê uma por comparação; o 2-opt, quatro por troca avaliada; o Held-Karp, uma por transição da programação dinâmica). O tempo é a mediana de 15 execuções (5 nas duas mais lentas) na mesma máquina, em Python 3.11; serve para comparar as linhas entre si, não como referência absoluta. O 2-opt adota a regra da primeira melhora e para no primeiro mínimo local; os reinícios partem de ordens sorteadas.

A terceira linha é a aula inteira. O 2-opt saiu de 132,6% e chegou a 108,6% do ótimo com nove trocas e pouco mais de mil leituras de distância — e então parou, não porque tivesse chegado, mas porque nenhuma troca de dois trechos melhorava mais nada. Estava num mínimo local. Os 200 reinícios encontram o ótimo desta instância, mas fazem cerca de 275 vezes mais leituras — e nada garante que encontrariam em outra.

A primeira linha traz um recado que a tabela entrega de graça: com 14 pontos, o método exato ainda é perfeitamente viável — levou cerca de um décimo de segundo. O problema do Held-Karp é o crescimento, na ordem de n²·2ⁿ: passar de 14 para 28 paradas multiplica esse fator por mais de 65 mil. É nessa escala, e não na da instância didática, que as heurísticas deixam de ser opção e passam a ser necessidade.

Na recuperação aproximada, aceita-se às vezes perder o vizinho exato em troca de latência; no A*, uma boa heurística reduz o trabalho preservando as garantias; na busca local, aceita-se com frequência uma solução apenas localmente ótima em troca de velocidade. É por isso que boa parte da área gira em torno de estratégias para escapar de mínimos locais. O OR-Tools, biblioteca de otimização de código aberto do Google amplamente utilizada para roteirização, oferece, lado a lado, uma lista de construtores de solução inicial — vizinho mais próximo, economias de Clarke e Wright, varredura, Christofides — e uma lista de metaheurísticas para depois: descida gulosa, busca tabu, recozimento simulado e a busca local guiada, que a própria documentação indica como "geralmente a metaheurística mais eficiente para roteirização de veículos" (Google, 2026). Nenhuma delas promete o ótimo em geral; em compensação, a biblioteca permite fixar limites explícitos de tempo e de número de soluções.

Nesta busca local de solução única não existe uma fronteira como a do A*: existe uma bolinha num vale, e o trabalho é convencê-la a sair de um vale raso sem perder o que já ganhou. Outras variantes, como a busca tabu ou os métodos populacionais, guardam memórias ou conjuntos de candidatos.

Um aviso sobre o seu aplicativo de mapas

Vale desfazer um mal-entendido que esta série pode ter ajudado a criar. É verdade que o A* nasceu para achar caminhos e que ele está em todo lugar; não é verdade que o seu aplicativo de rotas rode um A* puro sobre a malha viária do país a cada consulta. Sistemas de rota em redes grandes fazem um pesado pré-processamento da malha — a técnica mais conhecida, as hierarquias de contração, adiciona atalhos calculados uma vez e depois responde consultas ordens de grandeza mais rápido que uma busca clássica (Geisberger, 2008). Em escala real, a maior parte do ganho não vem de buscar melhor: vem de ter buscado antes.

Caso 06

Os três no mesmo tabuleiro

Os números das três tabelas acima ficam mais convincentes quando se vê o formato do trabalho. Abaixo, os três problemas da secretaria, cada um com as estratégias da sua seção. Escolha um domínio, escolha uma estratégia e rode. O que interessa não é quem vence: é reparar que a mancha deixada por cada uma tem um desenho próprio — e que o desenho é o argumento. Cada aba mede o trabalho na sua própria unidade (comparações de distância, estados expandidos, comprimento da rota); os números não se comparam entre abas.

Recomendação · navegação gulosa · fronteira 1

Cada bolinha é um item do catálogo, ligado aos cinco itens mais parecidos (modelo didático plano, sem a hierarquia do HNSW). A busca parte de um item qualquer e salta sempre para o vizinho que parece mais perto do alvo — a cruz. Clique no palco para mudar o alvo e em Rodar para ver o caminho.

Rode as nove combinações antes de seguir. Na primeira aba, a gulosa toca algumas dezenas de itens e às vezes erra o alvo por pouco; a varredura acerta sempre e acende o catálogo inteiro. Na segunda, a busca em largura pinta quase todo o quadro de estados, a profundidade acende meia dúzia de quadradinhos espalhados e traz um plano pior, e o A* com a heurística de relaxamento fica no meio com a resposta da largura. Na terceira, a rota gulosa se cruza sozinha, o 2-opt desfaz os cruzamentos e trava, e os reinícios encontram o que o 2-opt sozinho não achou.

Caso 07

O que sobra do livro-texto

Juntando as três seções, dá para montar o quadro que eu gostaria de ter visto no começo do semestre:

Quadro 1 — Formulação e garantias da busca em três classes de aplicação

Aspecto	Recomendação	Planejamento	Otimização
O que é um estado	Um item do catálogo	Uma situação do mundo	Uma solução completa
O que é uma ação	Pular para um vizinho	Aplicar um operador	Alterar a solução
De onde vem a heurística	A distância no espaço de gosto	Relaxamento do problema	Não há: há função objetivo
O que se mede	Acerto e latência	Tamanho do plano e nós abertos	Distância do ótimo e tempo
Garantia realista	Nenhuma; acerto medido, não garantido	Ótimo, se a heurística for admissível	Nenhuma; melhor achado até agora
Quando parar	Quando nenhum vizinho melhora	Quando o objetivo sai da fronteira	Quando o relógio mandar

Fonte: elaborado pelo autor com base em Russell e Norvig (2021), Hoffmann e Nebel (2001), Malkov e Yashunin (2018) e na documentação da biblioteca OR-Tools (Google, 2026).Nota: o quadro descreve o uso corrente em sistemas de produção, não o conjunto de variantes possíveis de cada classe. Em planejamento, a garantia de otimalidade vale para a busca com heurística admissível; muitos planejadores de produção abrem mão dela em troca de velocidade.

A busca cega não morreu

Um risco desta série é deixar a impressão de que a busca cega é uma peça de museu, útil só para explicar a busca informada. Ela não é — e vale nomear onde ela continua sendo a escolha certa, não a escolha ingênua.

Quando não existe heurística barata. Estimar o que falta pode custar mais que buscar. Se o palpite não sai de graça, a chave f = g volta a ser a melhor que existe.
Quando o espaço é pequeno. Com poucas centenas de estados, projetar, validar e calcular uma heurística pode custar mais do que ela poupa.
Quando a pergunta é "existe caminho?", não "qual o melhor?". Verificar alcançabilidade, resolver dependências entre pacotes, varrer o que um coletor de lixo ainda consegue enxergar: tudo isso é busca em profundidade, e nenhum desses problemas tem noção de "mais perto".
Quando o custo é uniforme e a resposta é rasa. A busca em largura devolve o menor número de passos sem precisar de nada. É o algoritmo por trás de qualquer "graus de separação".

Busca cega e busca informada não são degraus de uma escada: são ferramentas com faixas de uso diferentes, e a faixa é decidida pelo custo do palpite.

Aplicação prática

Seis perguntas antes de escrever a primeira linha

Marque os itens conforme conseguir respondê-los sobre um problema de decisão da sua própria área — a escala do plantão, a distribuição das turmas, a fila de atendimento, a trilha de estudo.

Sei dizer o que é um estado no meu problema — e se ele é um pedaço de solução ou uma solução inteira. Sei quantos estados existem, pelo menos em ordem de grandeza. Se o espaço for pequeno, talvez uma heurística não compense seu custo de projeto e de cálculo — caber na memória não garante, sozinho, um tempo de busca aceitável. Sei o que é uma ação e quanto ela custa — e o custo é o que a organização realmente paga, não o que é fácil de medir. Tentei apagar uma restrição do problema para ver que estimativa sobra. Se o problema relaxado for fácil, tenho um bom candidato a heurística — e ainda preciso verificar suas propriedades e seu custo. Decidi o que faço quando o tempo acabar: entrego a melhor solução encontrada até então ou não entrego nada. Um sistema real precisa dessa resposta. Tenho um parâmetro honesto de comparação — o ótimo de uma instância pequena, ou a solução que o humano faz hoje — para saber se o algoritmo está ajudando.

0 de 6 — comece definindo o estado.

Caso encerrado

De volta à mesa de fevereiro

Uma coordenadora que monta a grade de horários no braço costuma fazer busca com retrocesso e uma heurística de ordenação de variáveis: começa pelo professor com menos janelas disponíveis, porque aprendeu que deixar esse para o fim dá retrabalho. É a heurística da variável mais restrita — MRV, de minimum remaining values —, que está no capítulo de satisfação de restrições dos livros da área (Russell; Norvig, 2021), e quem faz grade há anos chega a ela sozinho.

Um motorista que desenha a rota da van montando o trajeto pelo ponto mais próximo e depois desfazendo os cruzamentos que incomodam está fazendo, sem esse nome, algo muito parecido com vizinho mais próximo seguido de 2-opt.

E a plataforma contratada, se for como muitos sistemas desse tipo, pode usar algo parecido com uma navegação gulosa num grafo de vizinhos para escolher os candidatos que chegam à tela do aluno — só que esse componente costuma chegar pronto, embrulhado em contrato, sem que a secretaria saiba como inspecioná-lo ou ajustá-lo.

Essa assimetria é, para mim, a razão pedagógica de a série existir. Saber que ali pode haver uma busca aproximada com uma fronteira de tamanho configurável muda a conversa de "a inteligência artificial recomendou" para "qual é o critério, e quanto ele erra". É uma pergunta de licitação, não de laboratório.

Pense na decisão que a sua instituição toma todo ano no braço, sempre do mesmo jeito. Qual é o estado, qual é a ação, e qual é o palpite que a pessoa experiente usa sem saber que está usando?

Nota do autor: a secretaria de educação que abre e fecha o texto é um cenário composto, e as pessoas nela são personagens; nada do que se diz sobre a plataforma contratada se refere a um produto específico. Todos os números das Tabelas 1, 2 e 3 e do painel de barras são medição própria, obtida por implementação independente em Python durante a preparação deste texto, sobre modelos didáticos com sementes fixas; não são reproduções de tabelas de livro-texto nem de benchmarks publicados, e não estimam o desempenho de sistemas reais. O experimento de recomendação usa um grafo de proximidade plano, inspirado no mecanismo de navegação do HNSW mas sem a hierarquia nem a construção incremental do índice real; a "largura da fronteira" é um análogo didático do parâmetro ef. As medições usam distância euclidiana em duas dimensões; sistemas reais operam em dimensões muito maiores, regime em que o comportamento pode mudar substancialmente e depende da dimensionalidade intrínseca, da distribuição dos dados e dos parâmetros do índice — esse efeito não foi medido aqui. As instâncias foram escolhidas de propósito para separar os comportamentos: na roteirização, foram testadas quarenta sementes e escolhida uma em que o 2-opt trava acima do ótimo. Na Tabela 3, o esforço é medido numa única unidade para todas as estratégias — leituras de distância entre pontos — e complementado pelo tempo na mesma máquina; versões anteriores desta postagem misturavam células da programação dinâmica com cálculos de distância, o que não permitia comparar as linhas. A heurística usada no A* da van foi construída à mão a partir do relaxamento do problema; sua admissibilidade foi verificada por enumeração dos 504 estados alcançáveis, comparando a estimativa ao custo ótimo real de cada estado, e vale para esta instância — não é uma propriedade geral de heurísticas derivadas de relaxamento, como a do FF, que em geral não é admissível. Os valores da busca em profundidade são medianas de 200 ordens de sucessores sorteadas; no simulador, ela usa uma ordem fixa, e por isso seus números diferem da mediana da tabela. Sobre as fontes: o artigo do HNSW é citado na versão de acesso aberto do arXiv, conforme o critério de acesso livre desta série; a versão revisada foi publicada depois na IEEE Transactions on Pattern Analysis and Machine Intelligence (DOI 10.1109/TPAMI.2018.2889473). Para as hierarquias de contração, cita-se a dissertação aberta de Geisberger; o trabalho canônico, com Sanders, Schultes e Delling, saiu nos anais do WEA 2008 (DOI 10.1007/978-3-540-68552-4_24). O número de matrículas e de escolas vem da divulgação do Censo Escolar de 2025 noticiada pela Agência Brasil; as publicações do Inep não puderam ser consultadas durante a preparação do texto.

Glossário

Termos técnicos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; o botão ao lado do verbete leva de volta.

2-opt: Movimento de busca local para rotas: remove dois trechos da rota e reconecta as pontas invertendo o pedaço entre eles. Aplicado só quando encurta a rota, desfaz cruzamentos; para quando nenhuma troca melhora. Caso 05
A* (A-estrela): Busca informada que ordena a fronteira por f(n) = g(n) + h(n): o custo já percorrido mais a estimativa do que falta. Devolve a solução ótima quando a heurística é admissível. Tema da postagem sobre busca informada. Casos 03 e 04
Busca de vizinhos mais próximos: Encontrar, num conjunto de vetores, os itens mais próximos de uma consulta. É aproximada quando se aceita, de vez em quando, não devolver o vizinho exato em troca de velocidade — em inglês, approximate nearest neighbor (ANN). Caso 03
Busca local: Família de métodos que mantém uma solução completa e tenta trocá-la por uma solução vizinha melhor. Na forma mais simples, guarda uma única solução e pode terminar num mínimo local. Caso 05
ef: Parâmetro do HNSW: tamanho da lista dinâmica de candidatos mantida durante a busca. Valores maiores tendem a aumentar o acerto e o custo. No modelo didático desta postagem, corresponde à “largura da fronteira”. Caso 03
FF (Fast-Forward): Planejador de Jörg Hoffmann e Bernhard Nebel, primeiro colocado na competição de planejamento de 2000. Estima a distância ao objetivo extraindo, de forma gulosa, um plano do problema sem listas de remoção. Caso 04
Fronteira: Conjunto de estados já gerados e ainda não expandidos. A ordem em que a busca retira estados dela define a estratégia: fila (largura), pilha (profundidade) ou prioridade por g, h ou g + h. Caso 02
Grafo de proximidade: Grafo em que cada item é ligado a alguns itens parecidos com ele. A busca navega por essas ligações em vez de comparar a consulta com o catálogo inteiro. Caso 03
h⁺, h_FF e h_max: Heurísticas derivadas do problema sem listas de remoção. h⁺ é o custo do melhor plano relaxado: admissível, mas difícil de calcular. h_FF usa um plano relaxado achado de forma gulosa: rápida e, em geral, não admissível. h_max fica sempre abaixo de h⁺: admissível, porém menos informativa. Caso 04
Held-Karp: Algoritmo exato, de programação dinâmica, para o problema do caixeiro-viajante. Garante a rota ótima, mas seu custo cresce na ordem de n²·2ⁿ, o que o limita a instâncias pequenas. Caso 05
Heurística admissível: Heurística é uma estimativa, h(n), do custo que falta de um estado até o objetivo. Ela é admissível quando nunca superestima esse custo: h(n) ≤ h*(n) em todo estado. Caso 04
HNSW (Hierarchical Navigable Small World): “Mundo pequeno navegável e hierárquico”: índice para busca aproximada de vizinhos que organiza os itens em camadas de grafos de proximidade, das mais esparsas (saltos longos) às mais densas (ajustes finos). Proposto por Malkov e Yashunin. Caso 03
Metaheurística: Estratégia geral que guia uma busca local para escapar de mínimos locais. Exemplos: busca tabu (proíbe por um tempo desfazer movimentos recentes), recozimento simulado (aceita pioras com probabilidade decrescente) e busca local guiada (penaliza características das soluções em que a busca ficou presa). Caso 05
Mínimo local: Solução, ou item, melhor que todas as suas vizinhas, mas não necessariamente a melhor de todas. É onde a navegação gulosa e a busca local simples costumam parar. Casos 03 e 05
MRV (minimum remaining values): Heurística da variável mais restrita, usada em satisfação de restrições: atribuir primeiro a variável com menos valores ainda possíveis — por exemplo, o professor com menos horários livres. Caso encerrado
PDDL (Planning Domain Definition Language): Linguagem padrão para descrever domínios e problemas de planejamento automatizado, adotada nas competições internacionais da área. Herda do STRIPS a anatomia das ações. Caso 04
Relaxamento: Versão de um problema em que uma ou mais restrições são removidas. O custo ótimo do problema relaxado nunca supera o do original; por isso ele serve de base para heurísticas admissíveis. Caso 04
STRIPS (Stanford Research Institute Problem Solver): Planejador criado em 1971 por Richard Fikes e Nils Nilsson para o robô Shakey. Deu nome à representação em que cada ação tem pré-condições, lista de adição e lista de remoção. Caso 04
Vizinho mais próximo (heurística de rota): Constrói uma rota partindo do depósito e indo sempre à parada mais próxima ainda não visitada. É rápida e gulosa; a rota resultante costuma ter cruzamentos. Caso 05

Referências

ALMEIDA, Daniella; VERDÉLIO, Andreia. Censo registra queda de 1 milhão de matrículas na educação básica. Agência Brasil, Brasília, 26 fev. 2026. Disponível em: https://agenciabrasil.ebc.com.br/educacao/noticia/2026-02/censo-registra-queda-de-1-milhao-de-matriculas-na-educacao-basica. Acesso em: 20 set. 2026.
BETZ, Christoph; HELMERT, Malte. Planning with h+ in theory and practice. In: GERMAN CONFERENCE ON ARTIFICIAL INTELLIGENCE, 32., 2009, Paderborn. KI 2009: advances in artificial intelligence. Berlim: Springer, 2009. Disponível em: https://ai.dmi.unibas.ch/papers/betz-helmert-ki2009.pdf. Acesso em: 21 set. 2026.
COVINGTON, Paul; ADAMS, Jay; SARGIN, Emre. Deep neural networks for YouTube recommendations. In: ACM CONFERENCE ON RECOMMENDER SYSTEMS, 10., 2016, Boston. Proceedings of the 10th ACM Conference on Recommender Systems. Nova York: ACM, 2016. p. 191-198. Disponível em: https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf. Acesso em: 20 set. 2026.
FIKES, Richard E.; NILSSON, Nils J. STRIPS: a new approach to the application of theorem proving to problem solving. Artificial Intelligence, Amsterdã, v. 2, n. 3-4, p. 189-208, 1971. Disponível em: https://ai.stanford.edu/~nilsson/OnlinePubs-Nils/PublishedPapers/strips.pdf. Acesso em: 20 set. 2026.
GEISBERGER, Robert. Contraction hierarchies: faster and simpler hierarchical routing in road networks. 2008. Diplomarbeit (Diplom em Informática) – Institut für Theoretische Informatik, Universität Karlsruhe, Karlsruhe, 2008. Disponível em: https://ae.iti.kit.edu/download/diploma_thesis_geisberger.pdf. Acesso em: 20 set. 2026.
GOOGLE. Routing options: OR-Tools. [S. l.]: Google for Developers, 18 mar. 2026. Disponível em: https://developers.google.com/optimization/routing/routing_options. Acesso em: 21 set. 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: 20 set. 2026.
HOFFMANN, Jörg; NEBEL, Bernhard. The FF planning system: fast plan generation through heuristic search. Journal of Artificial Intelligence Research, [s. l.], v. 14, p. 253-302, 2001. Disponível em: https://www.jair.org/index.php/jair/article/view/10276. Acesso em: 20 set. 2026.
LUGER, George F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
MALKOV, Yury A.; YASHUNIN, Dmitry A. Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs. [S. l.]: arXiv, 2018. Pré-publicação arXiv:1603.09320v4. Disponível em: https://arxiv.org/abs/1603.09320. Acesso em: 20 set. 2026.
RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson, 2021.