Blog de IA

Tag: Academia

  • Fapeg é exemplo em Referencial Nacional pelo fomento responsável à inteligência artificial

    Fapeg é exemplo em Referencial Nacional pelo fomento responsável à inteligência artificial

    A Fundação de Amparo à Pesquisa do Estado de Goiás (Fapeg) foi destacada como exemplo na primeira edição do Referencial para Desenvolvimento e Uso Responsáveis de Inteligência Artificial na Educação. Lançado pelo Ministério da Educação (MEC) em 2026, o guia reconhece a Fapeg por sua liderança na criação de políticas públicas, formação de especialistas e desenvolvimento de soluções em IA com impacto social e foco na inovação responsável.

    A iniciativa da Fapeg é um modelo concreto de como o fomento público pode impulsionar o desenvolvimento estratégico da inteligência artificial no Brasil. A fundação não apenas fortalece a infraestrutura de pesquisa, mas também promove a formação de recursos humanos altamente qualificados e a criação de soluções tecnológicas para a gestão pública.

    Referencial nacional destaca o papel da fapeg

    O documento federal, que serve como um norte para o país, ressalta que a Fapeg exerce um papel central na indução de ecossistemas de inovação. Esses ecossistemas são capazes de integrar universidades, governo e setor produtivo, fundamentais para o avanço tecnológico.

    Além disso, o Referencial do MEC aponta uma carência de diretrizes explícitas sobre o uso de inteligência artificial em projetos financiados com recursos públicos. Segundo o texto, essa ausência deixa pesquisadores e instituições sem referenciais para lidar com questões como soberania de dados, propriedade intelectual e validação de resultados em IA.

    É neste cenário que a Fapeg se sobressai, demonstrando como as agências de fomento podem ser indutoras decisivas do desenvolvimento tecnológico. Isso ocorre por meio de editais temáticos e investimentos direcionados à pesquisa, inovação e formação de capacidades nacionais em inteligência artificial, conforme explicitado no guia no portal Goiás.gov.br/fapeg.

    Ações concretas e o centro de excelência em ia

    Um dos projetos mais emblemáticos citados pelo Referencial é o Centro de Excelência em Inteligência Artificial (Ceia) em Goiás. Esta iniciativa envolve:

    • Aportes financeiros para estruturação da pesquisa.
    • Formação de recursos humanos qualificados, incluindo o primeiro curso de graduação em IA do País, em parceria com a Universidade Federal de Goiás (UFG).
    • Desenvolvimento de soluções tecnológicas aplicadas à gestão pública.

    O reconhecimento da Fapeg se estende aos próprios pesquisadores. O professor André Carlos Silva, da Universidade Federal de Catalão (UFCat), recentemente contemplado em edital, ressalta o apoio encontrado em Goiás. Ele vai coordenar um centro emergente, fruto da política da Fapeg de apoiar a estruturação de centros de excelência – atualmente são dez centros recebendo fomento do Estado – e de centros emergentes com potencial de referência nacional e internacional.

    “Os cientistas muitas vezes são pouco valorizados e reconhecidos, apesar de dedicarem suas vidas à produção de conhecimento, mas que em Goiás têm encontrado apoio nas universidades e na Fapeg”, afirma o professor Silva.

    Prêmio go.ia: inovação aberta e responsável

    Reforçando seu compromisso, a Fapeg lançou o Prêmio Anual Goiás Aberto para a Inteligência Artificial (GO.IA). O edital já teve seu resultado final divulgado, contemplando três propostas nas áreas de Saúde, Educação e Segurança Pública, todas baseadas em IA.

    A iniciativa busca premiar soluções inovadoras com impacto social, econômico e ambiental positivo no estado, incentivando abordagens alinhadas à “IA aberta”, que preza pela transparência, colaboração e possibilidade de auditoria dos modelos, dados e resultados. Embora o uso de tecnologias open source seja preferencial, o edital valoriza o compromisso com a responsabilidade pública, a reprodutibilidade e a abertura das soluções.

    O edital ainda exige que as propostas apresentem nível mínimo de maturidade tecnológica e impacto concreto no contexto goiano, com apoio financeiro para aprimoramento, validação e expansão das soluções. Isso inclui investimentos em infraestrutura computacional, aquisição de dados, testes e capacitação de equipes.

    Pioneirismo legislativo em goiás

    A solidez do fomento à IA em Goiás é complementada pela Lei Complementar nº 205, de 19 de maio de 2025, que instituiu a Política Estadual de Fomento à Inovação em Inteligência Artificial. Goiás foi o primeiro estado do Brasil a ter uma legislação específica para o fomento da IA.

    A lei estabelece diretrizes para o desenvolvimento e uso da IA no estado, reforçando princípios como ética, transparência, segurança, desenvolvimento sustentável e incentivo à pesquisa aplicada. Esse alinhamento entre instrumentos normativos e ações de fomento consolida um ambiente estruturado e favorável à inovação tecnológica.

    Compromisso da fapeg com o futuro

    Para Marcos Arriel, presidente da Fapeg, ser citado como exemplo em um documento federal tão relevante é fruto de um trabalho responsável de toda a equipe de servidores. “Nosso compromisso é fazer com que a inteligência artificial desenvolvida em Goiás seja não apenas tecnicamente avançada, mas também socialmente responsável, transparente e acessível”, destaca Arriel.

    Ao apoiar pesquisadores, empreendedores e instituições, a Fapeg busca construir um ecossistema onde o conhecimento gerado se converta em soluções concretas para a sociedade, fortalecendo a soberania tecnológica e ampliando oportunidades para o estado de Goiás. A experiência goiana, segundo Arriel, demonstra que o investimento coordenado, respaldado por marcos legais e orientado por demandas locais, contribui para a construção de capacidades nacionais em inteligência artificial, evidenciando a necessidade de maior reconhecimento público para todos os envolvidos.

  • Apple Cancela Vision Pro e Foca em Óculos Inteligentes IA em Nova Estratégia

    Apple Cancela Vision Pro e Foca em Óculos Inteligentes IA em Nova Estratégia

    Apple Cancela Vision Pro e Foca em Óculos Inteligentes IA

    A Apple anunciou uma mudança drástica em sua estratégia de hardware vestível, cancelando os planos de reformulação do Vision Pro para direcionar todos os esforços ao desenvolvimento de óculos inteligentes com inteligência artificial (IA). A decisão visa competir diretamente com a linha Ray-Ban da Meta e marca um abandono do foco em headsets de realidade virtual e aumentada de alta complexidade.

    Segundo informações divulgadas pela Bloomberg, a empresa interrompeu o desenvolvimento de uma versão mais acessível e leve do Vision Pro, prevista para 2027. Em vez disso, as equipes foram realocadas para acelerar a criação de diversos modelos de óculos inteligentes. Essa movimentação reflete um reconhecimento de que o mercado ainda não está pronto para produtos premium como o Vision Pro, que enfrentou barreiras significativas como preço elevado, design pesado e baixa aceitação pública.

    Nova Geração de Óculos Inteligentes Apple

    A Apple está trabalhando em duas versões distintas de óculos inteligentes, cada uma voltada para um segmento de mercado específico e com cronogramas de lançamento escalonados. O primeiro modelo, com lançamento previsto para 2027, funcionará como um acessório conectado ao iPhone. Ele não possuirá tela integrada, mas priorizará a interação por voz, com recursos de IA impulsionados por uma versão aprimorada do Siri. Alto-falantes integrados, câmeras para processamento visual e sensores para monitoramento de saúde completarão o pacote.

    A segunda versão, ainda com um cronograma mais ambicioso, incluirá uma tela integrada, posicionando-se como um concorrente direto dos óculos Display da Meta. O sucesso de ambos os dispositivos dependerá fortemente da reformulação do Siri, que a Apple busca aprimorar para oferecer capacidades de IA conversacional mais avançadas, essenciais para a navegação e controle por voz.

    Concorrência Direta com a Meta Ray-Ban

    A Meta já estabeleceu uma presença consolidada no mercado de óculos inteligentes com sua linha Ray-Ban, lançando novos modelos e expandindo seu portfólio. A empresa considera os óculos como o “fator de forma ideal” para a IA pessoal, e os números de mercado parecem validar essa visão, com um foco em designs familiares e funcionalidades práticas.

    Em contraste, a Apple ainda enfrenta desafios para conquistar seu espaço. As limitações atuais do Siri em comparação com os assistentes da concorrência são um ponto fraco que precisa ser superado. Enquanto a Meta já se beneficia do feedback de usuários reais com seus produtos atuais, a Apple ainda está na fase de desenvolvimento, o que representa uma desvantagem competitiva.

    Impacto na Indústria de IA Vestível

    A mudança de estratégia da Apple sinaliza uma validação da abordagem da Meta de que óculos inteligentes são mais promissores para adoção em massa do que headsets complexos. Ao abandonar o Vision Pro, a Apple admite que o mercado de VR/AR premium ainda não está maduro.

    Este movimento intensifica a corrida pela liderança em IA vestível, um campo que promete ser o próximo grande campo de batalha entre as gigantes da tecnologia. Espera-se uma aceleração na inovação, potencial redução de preços devido à concorrência e um maior investimento em IA conversacional por parte de todos os players. Para o setor de IA, isso demonstra que a praticidade supera a sofisticação técnica na adoção pelo consumidor.

    Cronograma e Expectativas para 2027

    Com 2027 como meta para o lançamento da primeira geração de óculos inteligentes, a Apple adota um cronograma ambicioso. A expectativa é que esses dispositivos ofereçam:

    • Integração fluida com o ecossistema Apple.
    • Qualidade de construção premium.
    • Recursos avançados de privacidade.
    • Um preço mais competitivo, aprendendo com os erros do Vision Pro.

    O sucesso dependerá crucialmente da capacidade da Apple de entregar uma experiência de IA superior através de um Siri reformulado. Sem essa base tecnológica sólida, os óculos correm o risco de enfrentar os mesmos problemas de adoção do Vision Pro. O prazo de 2027 também permite que a Apple aprenda com a evolução dos produtos da Meta no mercado real.

  • GLM 4.7: Tudo sobre a IA que desafia o GPT-5 e Claude

    GLM 4.7: Tudo sobre a IA que desafia o GPT-5 e Claude

    GLM 4.7: Tudo sobre a IA que desafia o GPT-5 e Claude

    O cenário da inteligência artificial recebe um novo e poderoso competidor: o GLM 4.7. Desenvolvido pela Zhipu AI, este modelo chega com a promessa de entregar resultados que rivalizam e, em muitos aspectos, superam gigantes estabelecidos como GPT-5 e Claude. Com foco em raciocínio complexo e desenvolvimento de software, o GLM 4.7 se apresenta como uma alternativa viável e inovadora, pronta para transformar fluxos de trabalho.

    Para aqueles que acompanham a evolução das IAs, o GLM 4.7 representa um salto significativo, especialmente em eficiência e profundidade de análise. As inovações trazidas por este modelo da Zhipu AI merecem atenção detalhada, desde sua arquitetura única até suas aplicações práticas no desenvolvimento de código.

    Potencial e inovações do modelo GLM 4.7

    A arquitetura de Mistura de Especialistas (MoE) é um dos pilares do GLM 4.7. Diferentemente de modelos densos, o MoE ativa apenas os parâmetros necessários para cada tarefa. Isso resulta em um processamento mais ágil, eficiente em termos de energia e computação, tornando a ferramenta acessível sem sacrificar a profundidade do raciocínio.

    Outro diferencial marcante é a vasta capacidade de retenção de contexto. Com suporte para janelas de contexto que podem atingir até 200 mil tokens, o GLM 4.7 mantém a coerência em conversas extensas e na análise de grandes bases de código. Desenvolvedores e analistas de dados se beneficiam dessa funcionalidade, pois o assistente pode compreender projetos inteiros, oferecendo sugestões mais holísticas.

    Raciocínio intercalado e preservação de pensamento

    O mecanismo de “pensar antes de agir” é uma das características mais impressionantes do GLM 4.7. Ele utiliza um processo de raciocínio intercalado, planejando a execução de tarefas complexas antes de gerar a resposta final. Isso minimiza drasticamente a taxa de erros em instruções com múltiplas etapas.

    Adicionalmente, a tecnologia de “Preserved Thinking” (Pensamento Preservado) garante que o sistema mantenha sua linha de raciocínio lógico ativa durante toda a interação. Em cenários que exigem ações sequenciais, como em agentes autônomos, essa memória de trabalho assegura que o objetivo inicial não se perca, eliminando a necessidade de reexplicar o contexto.

    Revolução no desenvolvimento de software e ‘Vibe Coding’

    No campo da engenharia de software, o GLM 4.7 demonstra uma competência notável. O conceito de ‘Vibe Coding’ foca na estética e usabilidade do código gerado, especialmente para interfaces de usuário (front-end). O sistema não apenas produz código funcional, mas também se preocupa com o design visual, criando páginas web e apresentações com layouts modernos.

    A precisão em tarefas de terminal e automação foi aprimorada. Testes indicam que a capacidade de lidar com linhas de comando e scripts de automação supera modelos concorrentes, auxiliando profissionais de DevOps e engenheiros de sistemas. A integração com ferramentas como Claude Code e ambientes de desenvolvimento populares é fluida, funcionando como um par programador sênior.

    Benchmarks: Números comprovam a eficácia

    Os resultados em plataformas de avaliação como o SWE-bench, que mede a habilidade de resolver problemas reais de engenharia de software, colocam o GLM 4.7 no topo do ranking de código aberto. Houve uma melhoria de dois dígitos em comparação com versões anteriores, consolidando sua liderança.

    No teste “Humanity’s Last Exam” (HLE), conhecido por sua dificuldade para IAs, o modelo alcançou uma pontuação que demonstra capacidade de generalização e lógica abstrata. Esses dados indicam que o GLM 4.7 está preparado para desafios que exigem rigor técnico e criatividade simultaneamente.

    Comparativo direto: desempenho frente à concorrência global

    Em comparação com o GPT-5 e o Claude Sonnet, o GLM 4.7 se destaca pelo equilíbrio entre pragmatismo e potência. Em tarefas de raciocínio matemático e lógica dedutiva, os testes mostram paridade técnica ou até uma leve vantagem para o modelo da Zhipu AI.

    Além do desempenho, a relação custo-benefício é um ponto forte. Com um preço por milhão de tokens significativamente menor que seus rivais ocidentais, o GLM 4.7 democratiza o acesso a inteligência de ponta, permitindo que empresas e desenvolvedores independentes integrem capacidades avançadas de IA sem comprometer o orçamento.

    Integração com agentes e ferramentas externas

    A habilidade de uso de ferramentas externas (Tool Use) é outro ponto forte do GLM 4.7. O sistema navega na web, executa código Python em ambientes isolados e interage com APIs de forma autônoma com alta taxa de sucesso. Comparado a outros modelos, a fluidez com que ele alterna entre geração de texto e ação prática é notável.

    Essa competência é crucial para a criação de agentes autônomos capazes de realizar tarefas como pesquisa de mercado, compilação de relatórios e envio de e-mails sem intervenção humana constante. A arquitetura foi otimizada para reduzir alucinações durante o uso de ferramentas, garantindo ações precisas e seguras.

    Em suma, o GLM 4.7 da Zhipu AI surge como um marco na evolução das IAs, oferecendo um conjunto robusto de capacidades que desafiam o status quo e abrem novas possibilidades para desenvolvedores e empresas. Sua combinação de raciocínio avançado, eficiência e custo-benefício o posiciona como um forte concorrente no mercado global de inteligência artificial.

  • Nuclear + AI: NVIDIA e AtkinsRéalis impulsionam o futuro dos data centers

    Nuclear + AI: NVIDIA e AtkinsRéalis impulsionam o futuro dos data centers

    Nuclear + IA: NVIDIA e AtkinsRéalis impulsionam o futuro dos data centers

    A NVIDIA e a AtkinsRéalis anunciaram uma colaboração pioneira para explorar a criação de “fábricas de IA” em larga escala, alimentadas por energia nuclear. O objetivo é suportar a próxima geração de computação de inteligência artificial com uma fonte de energia estável e de baixo carbono, combinando a expertise em engenharia e nuclear da AtkinsRéalis com as ferramentas digitais e de IA da NVIDIA.

    Essa parceria visa utilizar ferramentas de IA, como as bibliotecas Omniverse da NVIDIA e sistemas de computação acelerada, para auxiliar engenheiros no design e teste de infraestruturas físicas em ambientes digitais 3D antes da construção. A AtkinsRéalis prevê que essa abordagem possa acelerar a implantação de centros de computação altamente eficientes, com energia proveniente de fontes nucleares.

    A importância da energia nuclear para a IA

    A energia nuclear emerge como uma solução promissora para atender às demandas energéticas massivas de centros de dados de IA e computação de alto desempenho. Diferentemente de fontes intermitentes como solar ou eólica, as usinas nucleares podem operar continuamente, fornecendo a eletricidade constante que essas operações intensivas em energia exigem.

    O consumo de eletricidade por data centers globais atingiu aproximadamente 415 terawatt-hora (TWh) em 2024, volume suficiente para abastecer o Japão inteiro por um ano. Projeções indicam um crescimento para 800 TWh até 2026, impulsionado pela rápida expansão das cargas de trabalho de IA, que alguns analistas preveem aumentar em até 165% a demanda de energia dos data centers no mesmo período.

    Goldman Sachs estima a necessidade de uma nova capacidade nuclear de 85 a 90 gigawatts (GW) até 2030 para suprir a demanda global de data centers. A energia nuclear oferece uma fonte de energia contínua e estável, conhecida como energia de base, crucial para a operação confiável de sistemas de computação sem interrupções. Além disso, usinas nucleares apresentam emissões operacionais muito baixas em comparação com combustíveis fósseis.

    IA como ferramenta para projetar futuras usinas

    O acordo entre AtkinsRéalis e NVIDIA também destaca uma tendência emergente: a IA não é apenas uma consumidora de energia, mas também uma ferramenta poderosa para projetar e otimizar novas infraestruturas energéticas. As plataformas Omniverse e de análise de IA da NVIDIA permitem simular diversos aspectos de sistemas complexos, desde fluxo de calor até carga elétrica.

    Essa capacidade possibilita aos engenheiros projetar layouts e fluxos de trabalho com precisão, além de apoiar a modelagem de gêmeos digitais – réplicas virtuais de sistemas físicos para testes de desempenho. Essas ferramentas podem ser aplicadas desde o design de reatores nucleares e planejamento de segurança até a integração com instalações de computação, otimizando operações, reduzindo custos e melhorando a confiabilidade.

    A parceria foca em três áreas chave para o desenvolvimento de infraestrutura de IA alimentada por nuclear:

    • Integração Nuclear + IA: Ligação dos reatores CANDU® da AtkinsRéalis com data centers de IA, com a NVIDIA fornecendo ferramentas de computação e gêmeos digitais.
    • Entrega Acelerada de Projetos: Uso de IA, simulação e ferramentas Omniverse para agilizar design, construção e melhorar a segurança.
    • Engenharia de Data Center: Entrega de sistemas de energia, resfriamento e modulares pela AtkinsRéalis para implantação eficiente de instalações de IA.

    Analistas de energia acreditam que a aplicação de ferramentas digitais na energia nuclear pode acelerar novos projetos, incluindo os Pequenos Reatores Modulares (SMRs), vistos como uma fonte essencial de energia livre de carbono no futuro. Espera-se a comercialização completa da tecnologia SMR por volta de 2030.

    O boom dos data centers e a demanda energética global

    O crescimento exponencial da IA está remodelando a demanda energética global. As necessidades de energia dos data centers podem dobrar ou mais até 2030 em comparação com os níveis de 2024. Prevê-se que o consumo de eletricidade por data centers possa representar até 12% da demanda total de energia dos EUA até 2028.

    Globalmente, cerca de 15% da energia de data centers provém da energia nuclear, uma porcentagem em crescimento. Embora renováveis como eólica e solar também estejam expandindo sua participação, os combustíveis fósseis ainda respondem por aproximadamente 56% da energia de data centers mundialmente, resultando em emissões de carbono crescentes.

    Grandes empresas de tecnologia buscam suprir seus data centers com eletricidade de zero carbono, melhorar a eficiência energética e adotar novas tecnologias como a energia nuclear para atingir metas ambiciosas de emissões líquidas zero.

    Desafios e o futuro da energia para data centers

    Investimentos em energia nuclear estão em ascensão, com projeções de crescimento de capacidade global em cerca de 29 GW em 2025. Países como a França já obtêm mais de 70% de sua eletricidade de fontes nucleares e planejam expandir seu uso para instalações de IA.

    No entanto, a construção de infraestrutura nuclear é cara e demorada. Barreiras regulatórias, processos de licenciamento e aceitação pública podem atrasar a implantação. A percepção pública sobre a segurança nuclear também impacta os cronogramas dos projetos.

    Apesar dos desafios, a colaboração entre AtkinsRéalis e NVIDIA aponta para um futuro onde energia e computação estão intrinsecamente ligadas. A necessidade de energia confiável e de baixo carbono para suportar a IA é cada vez mais urgente. A energia nuclear oferece uma resposta potencial, capaz de fornecer energia ininterrupta e sem emissões.

    Empresas como Meta e Google já exploram soluções nucleares para seus data centers. A integração de ferramentas de design de IA com engenharia nuclear pode agilizar o planejamento, aumentar a segurança e reduzir os riscos de custo, sendo fundamental para a construção de infraestruturas de IA em larga escala de forma sustentável. Essa convergência pode redefinir as estratégias energéticas de data centers e atender à crescente demanda de energia da era da IA com soluções de baixo carbono.

  • Elon Musk surpreende ao apontar quem realmente vai dominar a inteligência artificial e deixa de fora nomes como ChatGPT e sua própria xAI na disputa global

    Elon Musk surpreende ao apontar quem realmente vai dominar a inteligência artificial e deixa de fora nomes como ChatGPT e sua própria xAI na disputa global

    Musk revela divisão inesperada da liderança em inteligência artificial

    Elon Musk agitou o cenário tecnológico em 19 de março de 2026 ao apresentar uma visão peculiar sobre a corrida global da inteligência artificial (IA). Em uma declaração concisa publicada na plataforma X, o empresário delineou um futuro onde a liderança da IA seria dividida entre o Google no Ocidente, a China na Terra e a SpaceX no espaço. Essa projeção deixou de fora de forma notável gigantes como o ChatGPT e até mesmo a sua própria iniciativa, a xAI, gerando imediatas repercussões e questionamentos sobre os rumos da tecnologia.

    A divisão proposta por Musk, embora sem detalhes adicionais, fragmenta a disputa tecnológica em três frentes distintas. A clareza dessa divisão tem provocado um intenso debate entre especialistas e entusiastas, que analisam as implicações dessa nova configuração de poder no desenvolvimento e aplicação da IA em escala mundial.

    Google, China e SpaceX: as novas potências da IA segundo Musk

    A análise de Elon Musk organiza a futura disputa pela inteligência artificial em blocos geográficos e tecnológicos bem definidos. No mercado ocidental, o Google emerge como o principal nome para a liderança. A gigante de tecnologia tem investido massivamente em modelos de linguagem e em soluções baseadas em nuvem, consolidando sua posição como um player chave e frequentemente citado ao lado de outros grandes nomes do setor.

    Para a China, Musk reservou o domínio no cenário terrestre. O país asiático tem demonstrado um crescimento acelerado em suas capacidades de IA, impulsionado por robusto financiamento governamental e um ecossistema vasto de dados. Essa combinação de fatores fortalece sua influência e amplia sua participação no desenvolvimento global da tecnologia.

    A ascensão da SpaceX na IA espacial

    Um dos pontos mais surpreendentes da declaração foi o destaque dado à SpaceX como líder em sistemas de inteligência artificial voltados para o espaço. Com uma atuação já consolidada em redes de satélites e transporte espacial, a expectativa é que a IA desempenhe um papel crucial em futuras missões. Isso abrange desde a automação de sistemas até o suporte a operações de exploração em ambientes extremos, como o espaço profundo.

    Essa projeção posiciona a SpaceX como responsável por expandir o uso da IA para além da atmosfera terrestre, estabelecendo uma nova fronteira tecnológica. A empresa se tornaria a pioneira em consolidar uma frente de atuação da IA focada na exploração e utilização do espaço.

    Reações e questionamentos à visão de Musk

    A publicação de Elon Musk não tardou a gerar reações diversas. Enquanto parte do público tecnológico concordou com a análise, outros levantaram sérias dúvidas sobre a viabilidade de uma divisão tão segmentada do futuro da IA. Um dos pontos de preocupação levantados foi o domínio chinês, com questionamentos sobre como o Google poderia liderar no Ocidente diante de um avanço global chinês.

    Houve também especulações sobre o surgimento de novas tecnologias, como a IA quântica, que poderiam alterar completamente o cenário atual da disputa. Questionamentos diretos a Musk também surgiram, como a implicação de sua visão para a própria xAI e seu modelo Grok, sugerindo que estas poderiam já estar fora da corrida principal.

    Apesar da brevidade, a declaração de Elon Musk ampliou o debate sobre a complexidade e os múltiplos atores envolvidos na corrida pela inteligência artificial, reforçando a percepção de que o futuro desta tecnologia se desdobrará em diversas frentes e áreas de atuação.

  • Luiza Helena Trajano defende mais protagonismo feminino nos projetos de IA

    Luiza Helena Trajano defende mais protagonismo feminino nos projetos de IA

    Luiza Helena Trajano defende mais protagonismo feminino nos projetos de IA

    A inteligência artificial (IA) não é uma tecnologia neutra. Ela aprende a partir de dados, e esses dados foram gerados em um contexto histórico de desigualdade. Luiza Trajano, presidente do Conselho do Magazine Luiza e fundadora do Grupo Mulheres do Brasil, tem alertado com crescente urgência: a ausência de mulheres na programação, liderança e tomada de decisões em projetos de IA pode levar à sistematização e escalada de preconceitos já existentes no mundo real. Este é um risco concreto, com implicações mensuráveis para empresas e para a sociedade.

    A premissa central é clara: quando os dados utilizados para treinar modelos de IA refletem décadas de sub-representação feminina, o algoritmo aprende o desequilíbrio como norma e o reproduz em diversas áreas, como processos seletivos, concessão de crédito e diagnósticos médicos. A solução, segundo Trajano, começa com a inclusão de mais mulheres nos espaços de criação e decisão tecnológica.

    A origem do problema: dados e desequilíbrio

    Modelos de inteligência artificial são treinados com base em padrões históricos. Quando esses padrões mostram a sub-representação feminina em áreas como o mercado de trabalho, ciência e liderança, o resultado é que os algoritmos passam a perpetuar esse desequilíbrio. Isso pode se manifestar em processos seletivos enviesados, dificuldades na obtenção de crédito ou diagnósticos médicos imprecisos para mulheres.

    “Precisamos de mais mulheres programando, mais mulheres liderando projetos e participando das decisões sobre inteligência artificial”, declarou Trajano, enfatizando que a inclusão é o ponto de partida para evitar que a tecnologia escale desigualdades.

    Tecnologia: ferramenta de emancipação ou exclusão?

    Trajano reconhece o imenso potencial transformador da tecnologia para as mulheres, abrindo portas para vendas online, estudos a distância e criação de negócios digitais. No entanto, esse potencial só se concretiza com acesso e formação adequados. Sem uma inclusão deliberada, a tecnologia tende a concentrar poder, em vez de democratizá-lo.

    “Tecnologia sem inclusão pode ampliar desigualdades. Com inclusão, ela transforma vidas”, ressalta Trajano. Essa distinção é crucial e, muitas vezes, negligenciada nas estratégias corporativas de inovação.

    Desigualdade salarial: uma questão de gestão

    Em relação à diferença salarial entre homens e mulheres em cargos iguais, Luiza Helena Trajano é categórica: não se trata de um problema estrutural sem solução, mas sim de uma decisão de gestão. Ela afirma que, quando há um compromisso real da liderança, o ajuste salarial acontece. A falta de equidade, em muitos casos, reside na ausência de prioridade.

    Muitas organizações encaram a desigualdade salarial como um tema complexo, mas Trajano desmonta esse argumento, indicando que a solução existe e depende da vontade de implementá-la.

    Cotas: instrumentos para corrigir desigualdades

    A presidente do Conselho da Magalu é defensora do uso de cotas para mulheres em conselhos e cargos de liderança, classificando-as como instrumentos temporários essenciais para corrigir desigualdades históricas, e não como privilégios. Através do Grupo Mulheres do Brasil, ela participou ativamente da aprovação da Lei 15.177/2025, que estabelece a reserva mínima de 30% de vagas para mulheres em conselhos de administração de empresas públicas e sociedades de economia mista.

    Para Trajano, o impacto das cotas transcende a representatividade. Uma maior diversidade na liderança, segundo ela, aprimora a governança corporativa, enriquece a tomada de decisões e fortalece os resultados das organizações, configurando uma lógica empresarial e não meramente social.

    Gestão com visão de longo prazo e cultura organizacional

    A trajetória à frente do Magazine Luiza ensinou a Trajano a importância de construir valor a longo prazo, cuidando das pessoas. Empresas que focam apenas no resultado trimestral, segundo ela, dificilmente constroem um legado duradouro. No Magalu, a cultura de proximidade, escuta e valorização das pessoas é uma prática cotidiana, que antecede os conceitos de ESG.

    Essa cultura, que sustenta décadas de crescimento em um mercado predominantemente masculino, também se reflete na política de combate ao assédio. A posição é clara: assédio é inegociável e no Magalu resulta em demissão. Canais seguros de denúncia são uma obrigação, não um benefício.

    O que está em jogo: o futuro moldado pela IA

    O debate sobre a presença feminina na IA é central para definir como a tecnologia mais poderosa da história será construída e para quem. As decisões tomadas nos próximos meses e anos definirão os padrões que os sistemas de IA carregarão por décadas. Aqueles que estiverem presentes nessas decisões moldarão o futuro, enquanto os ausentes herdarão um sistema que não foi pensado para suas necessidades.

    Luiza Trajano compreendeu a urgência dessa questão estratégica. A pergunta que fica é se as organizações entenderão a tempo a importância da inclusão feminina no desenvolvimento da inteligência artificial.

  • Ferramentas de IA do Google para programação atingem limite; decisão, não código, é o novo gargalo

    Ferramentas de IA do Google para programação atingem limite; decisão, não código, é o novo gargalo

    Google’s AI programming tools are reaching a limit in boosting productivity—now, decision-making rather than coding has become the main constraint

    As ferramentas de programação baseadas em inteligência artificial (IA) se tornaram ubíquas no desenvolvimento de software, com 90% dos profissionais de tecnologia incorporando-as em suas rotinas diárias. Apesar dessa ampla adoção, um paradoxo emergiu: o aumento do uso dessas tecnologias não se traduziu em um ganho proporcional na velocidade de entrega de software. Pelo contrário, um estudo indica que para cada 25% de aumento no uso de IA, a vazão (throughput) cai 1,5% e a estabilidade do sistema diminui 7,2%.

    O ponto crucial dessa mudança é que o gargalo na produtividade de software migrou. Se antes a escrita de código era um processo demorado, agora, com o auxílio da IA, essa etapa foi significativamente otimizada. O desafio atual reside em tarefas de nível superior, como decisões arquiteturais, integração de sistemas e garantia de qualidade, que se tornaram os principais limitadores.

    O paradoxo da produtividade: mais IA nem sempre é melhor

    Um experimento controlado com desenvolvedores experientes evidenciou essa contradição. Ao receberem ferramentas de IA de ponta para meados de 2025, os participantes levaram, em média, 19% mais tempo para concluir suas tarefas, contrariando a expectativa de serem 24% mais rápidos. A pesquisa, focada em projetos open-source do mundo real, atribui essa ineficiência a fatores como a dificuldade em criar prompts eficazes, gerenciar o contexto da IA e revisar o código gerado.

    O novo gargalo: o julgamento humano

    Esse sucesso inicial das ferramentas de IA, que facilitou tarefas como geração de código repetitivo e documentação, atingiu um platô. Dave Rensin, do Google, observa que “O julgamento é o valor humano na era da IA. O design é o código.” Com a IA assumindo grande parte da codificação, o verdadeiro desafio agora reside no pensamento de ordem superior: identificar problemas relevantes, definir limites funcionais e tomar decisões críticas de arquitetura.

    AI-first coding e a evolução dos papéis do desenvolvedor

    A direção do Google, com ferramentas como o Gemini Code Assist, aponta para uma transição para o “AI-first coding”. O objetivo é integrar agentes de IA em fluxos de trabalho mais amplos, mas isso implica uma evolução no papel dos engenheiros. Em vez de apenas escrever código, os desenvolvedores utilizam essas ferramentas para questionar premissas e manter a documentação de design atualizada. O foco se desloca da geração de código para o gerenciamento das decisões estratégicas que sustentam softwares valiosos.

    Agentes autônomos de IA: o próximo salto

    O próximo avanço significativo virá de agentes de IA capazes de executar processos complexos e multi-etapas de forma independente. Um exemplo disso é o agente AlphaEvolve do Google, que combina modelos de linguagem grandes com avaliadores automatizados para desenvolver e otimizar algoritmos. Esses agentes não apenas escrevem código, mas descobrem e refinam algoritmos centrais, exigindo profundo insight estratégico. O desafio se transforma da geração de código para a definição dos problemas que a IA deve abordar e a supervisão de suas soluções autônomas.

    Implicações de infraestrutura e estratégia de monetização

    Este platô técnico influencia a estratégia de negócios do Google. Em vez de focar na adoção incremental de ferramentas, a empresa investe na infraestrutura fundamental para a próxima mudança de paradigma. O Google acelera a transição de descobertas em pesquisa para impacto no mundo real, como destacado em seu relatório de pesquisa de 2025. A monetização e a vantagem competitiva do Google passam a ser impulsionadas pelo uso da IA para aumentar sua própria eficiência operacional. O AlphaEvolve, por exemplo, demonstrou uma melhoria de 0,7% na recuperação de computação de data centers e uma aceleração de 23% no treinamento do Gemini, reduzindo custos e aumentando a escalabilidade.

    A estratégia de monetização do Google envolve a integração dessas ferramentas de produtividade em seu ecossistema corporativo. Ao incorporar soluções como o Gemini Code Assist diretamente nos fluxos de trabalho dos desenvolvedores, a empresa incentiva licenciamento empresarial e fortalece seu ecossistema.

    Construindo a próxima geração de infraestrutura de software

    Em resumo, o Google está preparando o terreno para a próxima era do desenvolvimento de software. Ao investir em pesquisa fundamental, otimizar custos de computação com IA e empacotar esses avanços para uso profissional, a empresa constrói a infraestrutura para a próxima curva exponencial na engenharia de software. Catalisadores como agentes de IA autônomos e riscos como o débito técnico acumulado moldarão essa transição, exigindo fluxos de trabalho mais disciplinados e focados no design.

  • Modelos de IA ainda longe de um raciocínio em nível AGI, apontam pesquisadores da Apple

    Modelos de IA ainda longe de um raciocínio em nível AGI, apontam pesquisadores da Apple

    Modelos de inteligência artificial (IA) atuais, apesar de demonstrarem avanços impressionantes que simulam processos de pensamento, ainda se encontram distantes de alcançar o nível de raciocínio esperado para uma inteligência artificial geral (AGI), capaz de capacidades humanas em diversas tarefas. Essa é a conclusão de pesquisadores da Apple, conforme aponta uma análise publicada pelo Cointelegraph.

    Recentes atualizações em modelos de linguagem de grande porte (LLMs), como o ChatGPT da OpenAI e o Claude da Anthropic, introduziram o que chamam de modelos de raciocínio ampliado (LRMs). No entanto, um estudo intitulado “The Illusion of Thinking” levanta questionamentos sobre as propriedades fundamentais desses sistemas, sua escalabilidade e suas limitações inerentes, que permanecem pouco compreendidas.

    Testando os limites do raciocínio artificial

    Para avaliar o desempenho desses modelos, os pesquisadores da Apple desenvolveram uma série de jogos e quebra-cabeças. Eles compararam variantes “pensantes” e “não-pensantes” de sistemas como o Claude Sonnet, OpenAI’s o3-mini, o o1, e os chatbots DeepSeek-R1 e V3. Essa abordagem foi além dos tradicionais benchmarks matemáticos, buscando entender de forma mais profunda a capacidade de raciocínio.

    As investigações revelaram uma falha significativa: os LRMs mais avançados apresentaram uma queda drástica na acurácia à medida que a complexidade dos problemas aumentava. Isso indica uma dificuldade em generalizar o raciocínio de maneira eficaz, um pilar fundamental para o desenvolvimento da AGI.

    “Observamos que os LRMs possuem limitações em cálculos exatos: eles não utilizam algoritmos explícitos e exibem raciocínio inconsistente em diferentes desafios.”

    Desafios e a “ilusão de pensamento”

    Além da inconsistência e da superficialidade no raciocínio, os testes apontaram uma tendência preocupante: os chatbots de IA, ao fornecerem respostas corretas inicialmente, acabavam por se perder em justificativas equivocadas conforme a complexidade das questões se elevava. Esse fenômeno, que pode ser interpretado como uma “ilusão de pensamento”, desafia a expectativa de que a AGI esteja ao virar da esquina.

    Esses achados ressaltam barreiras fundamentais que precisam ser superadas para se alcançar um raciocínio verdadeiramente generalizado. A busca pela inteligência artificial geral, considerada o “santo graal” da área, enfrenta obstáculos consideráveis com as abordagens atuais.

    O caminho para a inteligência artificial geral

    A AGI representa o estágio em que as máquinas seriam capazes de pensar e raciocinar em um nível equiparável ao dos humanos. Apesar de líderes do setor, como Sam Altman da OpenAI e Dario Amodei da Anthropic, terem expressado otimismo sobre um futuro próximo para essas capacidades, as pesquisas da Apple demonstram que os métodos vigentes ainda estão aquém desse objetivo.

    Essas descobertas sublinham a necessidade urgente de desenvolver novas abordagens. O foco deve ser em permitir que os modelos de IA internalizem e generalizem processos de raciocínio, condicionando assim os futuros avanços rumo à tão almejada inteligência artificial geral.

  • Ilo Live: os impactos macroeconômicos da inteligência artificial em 2026

    Ilo Live: os impactos macroeconômicos da inteligência artificial em 2026

    Ilo Live: os impactos macroeconômicos da inteligência artificial em 2026

    A inteligência artificial (IA) avança em ritmo acelerado, impulsionando investimentos globais. No entanto, a compreensão completa de seus efeitos na economia ainda é um desafio. Enquanto estudos focados em empresas e tarefas se multiplicam, as projeções macroeconômicas variam de ganhos modestos de produtividade a transformações econômicas significativas. Essa incerteza dificulta a tomada de decisões estratégicas por parte dos formuladores de políticas públicas.

    Para suprir essa lacuna, o evento ILO Live apresentou um novo quadro de modelagem do Banco Mundial. A abordagem inovadora trata a IA não apenas como um impulsionador de produtividade, mas como um agente de transformação estrutural nos processos de produção. O objetivo é munir os formuladores de políticas com ferramentas mais precisas para navegar nesta nova era.

    Uma nova abordagem para modelar a IA

    A ferramenta desenvolvida pelo Banco Mundial integra o paradigma de produção de hardware e software em seu modelo de Equilíbrio Geral Computável (CGE) dinâmico, o MANAGE. Ao fazer isso, é possível simular como a adoção da IA remodela setores econômicos, ocupações e preços ao longo do tempo, sempre dentro de restrições orçamentárias.

    O framework incorpora dados detalhados de ocupações em nível de tarefa, baseados no Índice de Exposição à GenAI da Organização Internacional do Trabalho (OIT). Essa integração permite que os padrões de substituição de mão de obra variem entre os setores. Além disso, a IA é modelada como um conjunto de capital duplo, combinando dados, software e capital intangível.

    Analisando cenários e promovendo desenvolvimento inclusivo

    Este novo modelo capacita os formuladores de políticas a avaliar diferentes cenários de adoção da IA e suas respectivas implicações para o crescimento econômico, mudanças estruturais e equidade social. Ao transcender abordagens de equilíbrio parcial, a ferramenta oferece uma lente macroeconômica mais coerente para o desenho de estratégias de IA.

    O intuito é garantir que essas estratégias promovam um desenvolvimento inclusivo e sustentável. A discussão em 2026 focará na aplicação inicial do framework em um estudo de caso na Polônia e na possibilidade de expansão para outros contextos, especialmente economias emergentes e de renda média, onde o desenho de políticas será crucial para moldar o impacto desenvolvimentista da IA.

    A incerteza em torno dos impactos macroeconômicos da IA torna a tomada de decisão eficaz um desafio para os formuladores de políticas.

    A discussão no ILO Live, parte da série AI for Good da União Internacional de Telecomunicações (ITU), destacou a necessidade de ferramentas analíticas robustas para antecipar e gerenciar as complexas interações entre a IA e a economia global.

  • Transição de IA muito rápida: o custo permanente da adoção acelerada

    Transição de IA muito rápida: o custo permanente da adoção acelerada

    Transição de IA muito rápida: o custo permanente da adoção acelerada

    A rápida adoção da Inteligência Artificial (IA) pode ter um impacto duradouro e, em alguns casos, permanente no mercado de trabalho. Ao contrário do que se pode pensar, o maior choque não vem da novidade tecnológica em si, mas da velocidade com que as capacidades existentes são disseminadas e reorganizam a produção. Este fenômeno, impulsionado por iniciativas ambiciosas no cenário empresarial em 2026, levanta questões cruciais sobre a capacidade de ajuste da força de trabalho.

    A analogia histórica com a eletrificação, que revolucionou a produção décadas após sua invenção, serve como um alerta. O ponto de inflexão ocorreu não com a tecnologia, mas com a reorganização produtiva em torno dela, como a linha de montagem de Henry Ford. Na era da IA, a transição de ferramentas de aumento para a reestruturação completa de processos produtivos, liderada por projetos como o de Jeff Bezos e Jack Dorsey, exige uma análise aprofundada da velocidade de adaptação e seus custos associados.

    A velocidade como fator de dano permanente

    Um novo modelo dinâmico, apresentado em 2026 por Levy Yeyati, formaliza a intuição de que a velocidade de adoção da IA, denotada por κ, pode ser determinante para o futuro do mercado de trabalho. Quando a capacidade de requalificação dos trabalhadores deslocados pela automação é finita, uma adoção mais rápida significa que a economia se move mais depressa em direção a uma fronteira de automação, mas com o risco de sobrecarregar o sistema de treinamento.

    O ponto crítico surge quando o fluxo de trabalhadores deslocados excede a capacidade de absorção do sistema de requalificação. A velocidade de adoção, neste contexto, não altera a fronteira de automação de longo prazo, mas comprime a janela de deslocamento. Isso significa que um grande volume de trabalhadores chega simultaneamente ao sistema de treinamento, exacerbando a pressão e elevando o custo de oportunidade de aguardar.

    Congestionamento, sinais enganosos e o custo da espera

    O aumento da congestão na fila de requalificação torna a permanência no mercado de trabalho mais custosa. Os trabalhadores enfrentam tempos de espera mais longos, salários esperados menores e maior incerteza. Em um cálculo racional, se o tempo de espera ultrapassar o valor presente esperado dos salários futuros em setores não rotineiros, alguns podem optar por sair permanentemente da força de trabalho. Essa saída é absorvente, sem retorno.

    Portanto, o custo social da adoção rápida não se reflete apenas na taxa de emprego final, mas na profundidade e duração da queda na participação na força de trabalho, e na compressão da renda ao longo do processo. Duas economias podem convergir para a mesma fronteira de automação, mas experimentar transições radicalmente diferentes. Aquela em que a adoção supera a capacidade de realocação sofrerá danos sociais permanentes.

    Sinais iniciais e o descompasso do mercado

    Um resultado menos intuitivo é que os indicadores iniciais de uma transição acelerada podem ser enganosos. Pode haver um aumento precoce no emprego não rotineiro e ganhos de produtividade que levem decisores a acreditar que a adaptação está ocorrendo com sucesso. No entanto, enquanto isso ocorre, o número de trabalhadores desencorajados pode aumentar silenciosamente.

    Posteriormente, pode ocorrer um cruzamento de trajetórias: os salários caem mais acentuadamente durante a transição à medida que trabalhadores requalificados entram no setor não rotineiro mais rápido do que a demanda se expande. A saída permanente da força de trabalho continua a crescer. Paradoxalmente, em longo prazo, os salários dos trabalhadores remanescentes podem até aumentar, precisamente porque menos trabalhadores deslocados conseguiram se requalificar e retornar.

    O problema de coordenação e a corrida contra o tempo

    Essas dinâmicas – congestão, saída permanente e sinais iniciais enganosos – levam a um resultado normativo central: o bem-estar social é côncavo em relação à velocidade de adoção e é maximizado abaixo da taxa de mercado. As empresas individuais internalizam os ganhos de produtividade da IA, mas não o congestionamento imposto às filas de requalificação de outros trabalhadores, nem as saídas irreversíveis que essa congestão desencadeia.

    A velocidade de adoção, portanto, transcende a mera escolha tecnológica, configurando-se como um problema de coordenação. A questão fundamental para os formuladores de políticas não é se automatizar, mas se as instituições existentes podem absorver a automação na velocidade em que ela ocorre. A corrida que importa é entre a velocidade de adoção e a capacidade de requalificação, com a saída permanente da força de trabalho como linha de chegada.

    Alinhando o ritmo da difusão à capacidade de absorção

    A intuição política aponta para a necessidade de alinhar o ritmo da difusão tecnológica com a capacidade de absorção da economia. Dois vetores são essenciais: a capacidade de requalificação em si e o momento de sua construção.

    O primeiro envolve políticas ativas de mercado de trabalho, reforma de credenciais, apoio à mobilidade e mecanismos institucionais que aumentem a eficiência da realocação de trabalhadores. O segundo, e crucial, é o timing. A capacidade de requalificação construída antes do pico de deslocamento é significativamente mais valiosa do que aquela criada após o pico, pois o desânimo e a saída crescem quando a congestão é mais intensa.

    Em suma, economias com acesso às mesmas tecnologias de ponta podem enfrentar custos sociais muito distintos, dependendo da robustez de suas instituições para sustentar a requalificação. Mesmo que o progresso na fronteira tecnológica se desacelere, o choque no mercado de trabalho pode se intensificar à medida que as empresas finalmente se reorganizam em torno de sistemas já existentes. A capacidade de ajuste da força de trabalho e a estrutura institucional que a suporta definirão o custo permanente dessas transições.