Fabiano Alves

← Voltar para publicações

· 8 min de leitura · Ver no LinkedIn

A IA real, sem hype: o que ela já faz, onde tropeça e para onde a ciência aponta

A IA real, sem hype: o que ela já faz, onde tropeça e para onde a ciência aponta

Toda semana surge uma manchete dizendo que a IA "resolveu" algo. Ontem mesmo, por exemplo, vimos provas matemáticas geradas por IA, um modelo encontrando falhas críticas em softwares usados por bilhões de pessoas e um estudo mostrando que especialistas seguem a "opinião" de agentes de IA com uma frequência surpreendente.

Para quem trabalha com tecnologia, a pergunta útil não é "a IA é incrível?" ou "a IA é uma bolha?". É: o que a evidência mostra que ela faz hoje, onde ela falha de forma previsível e quais tendências têm dados por trás?

Neste artigo, separo três coisas com cuidado: evidência (dados medidos e publicados), tendência (extrapolação de dados com incerteza declarada) e especulação (o que ninguém pode afirmar ainda).

1. O que a IA comprovadamente faz hoje

O retrato mais completo continua sendo o AI Index 2026, da Universidade Stanford. Alguns achados merecem atenção:

  • Programação: no SWE-bench Verified, um benchmark com problemas reais de repositórios de software, o desempenho saiu de cerca de 60% para perto de 100% em um único ano.
  • Ciência e matemática: vários modelos já igualam ou superam a linha de base humana em perguntas científicas de nível de doutorado, raciocínio multimodal e matemática de competição. O Gemini Deep Think conquistou medalha de ouro na Olimpíada Internacional de Matemática.
  • Agentes: no OSWorld, que testa agentes em tarefas reais de computador em diferentes sistemas operacionais, a taxa de sucesso saltou de 12% para cerca de 66%.
  • Adoção: 88% das organizações relatam usar IA, e a IA generativa chegou a 53% de adoção pela população em três anos — mais rápido que o PC ou a internet.

No Brasil, a direção é a mesma. Uma pesquisa da FGV Ibre com 3 mil empresas, noticiada pelo Jornal Nacional em outubro, mostra o uso de IA subindo de 28,7% (2025) para 45% (2026). A parcela que percebe ganho de produtividade foi de 52% para 64%. E um quarto das empresas aponta falta de profissionais qualificados como obstáculo.

Há também sinais fortes vindos da segurança e da ciência. A Anthropic relatou nesta semana que um modelo interno encontrou cinco cadeias de ataque em softwares críticos, como navegadores e sistemas operacionais, algumas com execução remota de código, todas reportadas aos fabricantes. Na biologia, o AlphaFold (Jumper et al., Nature, 2021) mudou a previsão de estruturas de proteínas. Nos materiais, o GNoME (Merchant et al., Nature, 2023) propôs centenas de milhares de cristais potencialmente estáveis.

Evidência: a IA atual é muito forte em tarefas com objetivo claro e verificação possível — código que passa ou não nos testes, provas que podem ser checadas, estruturas que podem ser comparadas com experimentos.

2. Onde ela ainda tropeça (e por quê)

### A "fronteira irregular" O próprio AI Index usa um exemplo didático: o mesmo tipo de sistema que ganha ouro na Olimpíada de Matemática lê um relógio analógico corretamente apenas 50,1% das vezes. Os agentes, apesar do salto, ainda falham em cerca de 1 a cada 3 tentativas em benchmarks estruturados.

Para quem implanta IA em empresa, essa é a lição mais importante: desempenho alto em média não garante confiabilidade no caso específico.

### Alucinação Modelos de linguagem continuam produzindo respostas plausíveis e erradas. Um trabalho da OpenAI (Kalai et al., 2025, Why Language Models Hallucinate) argumenta que parte do problema vem de como treinamos e avaliamos esses modelos: benchmarks que premiam "chutar" em vez de admitir incerteza incentivam respostas confiantes mesmo sem base. Isso tem uma implicação prática: o problema não é só técnico, é também de incentivo e avaliação.

### Avaliação que não acompanha O AI Index 2026 alerta que as avaliações estão sendo superadas pelo progresso que deveriam medir, e que a confiabilidade dos benchmarks está sendo questionada. Benchmarks saturam, vazam para os dados de treino e nem sempre representam o trabalho real.

### O fator humano Um estudo da Anthropic publicado em 27/10 colocou 50 analistas experientes para fazer uma análise causal com um agente de IA que, sem que eles soubessem, favorecia um lado em cada escolha. Os analistas seguiram a inclinação do agente em 86% das decisões (o acaso daria cerca de 50%). Ou seja: um limite real da IA hoje não está só no modelo, mas em como nós decidimos ao lado dele.

### Energia e computação Segundo a Epoch AI, o poder computacional usado para treinar modelos de linguagem de fronteira cresce cerca de 5x por ano desde 2020, e o custo de treino cresce cerca de 3,5x ao ano. A Agência Internacional de Energia (IEA) projeta que o consumo elétrico de data centers sai de cerca de 415 TWh (2024) para cerca de 945 TWh em 2030, pouco menos de 3% da eletricidade global, com a IA como principal motor. O AI Index registra ainda que quase todos os chips de IA de ponta são fabricados por uma única empresa, a TSMC.

### Responsabilidade Incidentes documentados com IA subiram de 233 (2024) para 362 (2025), segundo o AI Index, e os relatos sobre benchmarks de IA responsável seguem irregulares.

3. Para onde a evidência aponta

Aqui separo o que tem dados de tendência do que ainda é aposta.

### Agentes — tendência forte O salto de 12% para ~66% no OSWorld e a movimentação das empresas para conectar agentes a sistemas corporativos (como o anúncio de OpenAI e Oracle nesta semana, levando aplicações e dados Oracle para o ChatGPT) indicam que a IA está saindo do "chat" e indo para a execução de tarefas dentro dos sistemas. O gargalo deixa de ser capacidade e passa a ser governança: permissões, trilhas de auditoria e aprovação.

### Descoberta científica — tendência real, com controvérsia O AI Index 2026 criou, pela primeira vez, capítulos dedicados a IA na ciência e na medicina. Ao mesmo tempo, a Scientific American relatou que provas geradas por IA divulgadas pela OpenAI — incluindo trabalho relacionado ao problema de Yang-Mills — geraram críticas de matemáticos pela falta de transparência sobre prompts, computação e raciocínio utilizados. A capacidade avança; os padrões de verificação científica ainda estão sendo negociados.

### Multimodalidade e modelos de mundo — tendência inicial O Google DeepMind anunciou o Genie 4, um modelo de mundo que gera ambientes interativos com áudio e diálogo. A própria empresa reconhece limites: consistência de longo prazo, interações físicas complexas e precisão espacial ainda são áreas de pesquisa. O AI Index também observa que modelos de vídeo começam a aprender como o mundo físico funciona, mas robôs ainda têm dificuldade em ambientes não estruturados.

### Eficiência — tendência necessária Com os custos de treino crescendo e a energia virando restrição, eficiência deixa de ser detalhe técnico. A própria Epoch AI aponta que prazos maiores de infraestrutura devem limitar o crescimento do estoque de computação. O AI Index nota que, com capacidade deixando de ser diferencial claro entre modelos de ponta, a competição migra para custo, confiabilidade e utilidade real.

### Regulação — em construção No Brasil, o PL 2338/2023 foi aprovado no Senado em dezembro de 2024 e aguarda parecer na Câmara. Enquanto isso, a ANPD atua com base na LGPD e mantém um sandbox regulatório de IA e proteção de dados, cujo 3º relatório foi publicado em outubro de 2026.

### Especulação (e eu sinalizo como tal) Datas para "IA geral", substituição em massa de profissões ou fim dos limites de escala não têm base empírica sólida hoje. Projeções de longo prazo dependem de energia, chips, dados e regulação — variáveis com incerteza alta.

4. Minha leitura como profissional de TI e pesquisador em formação

Trabalhando com infraestrutura, dados e IA aplicada no dia a dia, e no caminho do doutorado em IA, a conclusão que tiro desses dados é menos dramática e mais útil:

  1. A capacidade é real — especialmente onde existe verificação objetiva.
  2. A confiabilidade ainda não é — 1 falha em 3 tentativas é inaceitável em processos críticos sem supervisão bem desenhada.
  3. O maior risco está na integração, não no modelo: dados ruins, permissões amplas demais e humanos que aprovam sem decidir.
  4. Quem vai capturar valor são as organizações que tratarem IA como sistema — com monitoramento, métricas, rastreabilidade e gente qualificada — e não como ferramenta mágica.

A melhor postura diante da IA hoje é a do método científico: entusiasmo pela hipótese, rigor na evidência.

Se este conteúdo foi útil, assine a newsletter para receber as próximas análises e me conte nos comentários: na sua área, a IA já é confiável o suficiente para decidir sozinha — ou ainda só para sugerir?

Referências

  1. Stanford HAI. The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report (arXiv: https://arxiv.org/abs/2606.15708)
  2. Stanford HAI. AI Index 2026 — Chapter 2: Technical Performance. https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_2_technical.pdf
  3. Epoch AI. Trends in AI. https://epoch.ai/trends
  4. Epoch AI. Training compute of frontier AI models grows by 4-5x per year. https://epoch.ai/publications/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year
  5. Epoch AI. Compute scaling will slow down due to increasing lead times. https://epoch.ai/gradient-updates/compute-scaling-will-slow-down-due-to-increasing-lead-times
  6. IEA. Energy and AI (2025). https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
  7. Anthropic. How AI agents shape experts' judgment calls (27/10/2026). https://www.anthropic.com/research/agents-judgment-calls
  8. Anthropic Frontier Red Team. Discovering and exploiting vulnerabilities in critical, real-world software with Claude (27/10/2026). https://www.anthropic.com/research/discovering-vulnerabilities-with-claude
  9. Scientific American. Dueling proofs from OpenAI and Anthropic astound scientists (27/10/2026). https://www.scientificamerican.com/article/dueling-proofs-from-openai-and-anthropic-astound-scientists/
  10. Google DeepMind. Genie 4: A new generation of world simulation (27/10/2026). https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/
  11. OpenAI. OpenAI expands partnership with Oracle to bring its apps to ChatGPT (27/10/2026). https://openai.com/index/oracle-apps-in-chatgpt/
  12. G1/Jornal Nacional. Pesquisa FGV Ibre sobre adoção de IA em empresas brasileiras (06/10/2026). https://g1.globo.com/jornal-nacional/noticia/2026/10/06/empresas-brasileiras-que-adotaram-ia-enfrentam-desafio-de-encontrar-profissionais-preparados-para-usar-a-tecnologia-diz-estudo.ghtml
  13. IA.BR. Panorama da IA no Brasil 2026: regulação e políticas públicas. https://institutobrasileiro.ia.br/publicacoes/panorama-regulacao-ia-brasil-outubro-2026/texto-integral/
  14. ANPD. 3º Relatório Parcial do Sandbox Regulatório em IA. https://www.gov.br/anpd/pt-br/assuntos/noticias/anpd-publica-3o-relatorio-parcial-de-monitoramento-do-sandbox-regulatorio-em-ia
  15. Jumper, J. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589. https://doi.org/10.1038/s41586-021-03819-2
  16. Merchant, A. et al. (2023). Scaling deep learning for materials discovery. Nature 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9
  17. Kalai, A. T. et al. (2025). Why Language Models Hallucinate. arXiv:2509.04664. https://arxiv.org/abs/2509.04664

← Voltar para publicações