Cinco coisas incríveis para fazer com inteligência artificial - resenha crítica

Tem um problema antigo na biologia que ficou sem resposta por cinquenta anos. Proteínas são moléculas que controlam quase tudo no corpo humano: a digestão, a imunidade, a resposta a vírus. Para entender como elas funcionam, os cientistas precisam saber a forma que assumem no espaço... e descobrir isso levava meses, às vezes anos, para cada proteína. Em dois mil e vinte, um programa chamado AlphaFold, desenvolvido pelo laboratório DeepMind, do Google, resolveu esse problema em questão de minutos.

O feito foi tão extraordinário que, em outubro de dois mil e vinte e quatro, dois dos seus criadores, Demis Hassabis e John Jumper, ganharam o Prêmio Nobel de Química. Já existem mais de duzentos milhões de estruturas proteicas mapeadas pelo sistema, que hoje é acessado livremente por mais de três milhões de pesquisadores em cento e noventa países. Trinta por cento das pesquisas feitas com esses dados miram doenças humanas. É como se uma ferramenta tivesse aberto uma biblioteca que estava trancada há meio século.

Esse é o primeiro ponto que vale entender

Sobre o que a inteligência artificial já faz de concreto no mundo: ela está resolvendo problemas científicos que o cérebro humano, sozinho, não conseguia resolver em escala. Não como substituto do cientista, mas como infraestrutura. Como um microscópio que ninguém havia inventado ainda.

A medicina caminha no mesmo ritmo. Em dois mil e vinte e quatro, a Universidade College London desenvolveu um exame de sangue capaz de prever o Parkinson até sete anos antes dos primeiros sintomas aparecerem. Usou inteligência artificial para identificar padrões em biomarcadores que o olho humano não consegue distinguir. Outros estudos ampliaram o uso da tecnologia para detecção precoce de câncer pancreático... um dos tipos mais letais justamente porque costuma aparecer tarde demais. No Brasil, a empresa Neomed desenvolveu um sistema que realiza triagem de eletrocardiogramas em até treze segundos, identificando anomalias que em outro cenário esperariam horas na fila de um pronto-socorro.

O segundo ponto é mais próximo do cotidiano e mais ambíguo.

A inteligência artificial já escreve, compõe músicas, gera vídeos e ilustra histórias. Ferramentas como Sora, Veo e Runway tornaram acessível a produção de vídeos com som sincronizado sem precisar de uma equipe de produção. Ilustradores usam programas como Midjourney para gerar rascunhos que servem de ponto de partida. Músicos mesclam composições geradas por algoritmo com gravações reais. Isso é real e acontece todos os dias.

Mas há um lado que não dá para ignorar: grande parte desses sistemas foi treinada com obras de artistas humanos, geralmente sem permissão e sem remuneração. Em dois mil e vinte e quatro, mais de dez mil criadores, entre eles o escritor Kazuo Ishiguro, a atriz Julianne Moore e o músico Thom Yorke, do Radiohead, assinaram uma carta aberta denunciando o uso não autorizado de obras criativas para treinar modelos de inteligência artificial. O debate legal ainda está aberto. O que existe de concreto é que a criatividade humana e a criatividade automatizada já disputam o mesmo espaço no mercado, e as regras do jogo ainda estão sendo escritas.

O terceiro ponto é sobre dinheiro... e sobre o que acontece quando uma tecnologia muda de era.

Jensen Huang fundou a Nvidia em mil novecentos e noventa e três para fabricar chips gráficos para videogames. Por décadas, esse era o negócio. Quando a inteligência artificial começou a demandar processamento em escala massiva, os chips da Nvidia se revelaram exatamente o que os laboratórios de pesquisa precisavam. Huang apostou nisso antes da maioria. Em julho de dois mil e vinte e cinco, a Nvidia ultrapassou quatro trilhões de dólares em valor de mercado, a primeira empresa da história a alcançar esse número. O patrimônio pessoal de Huang chegou a cento e cinquenta e quatro bilhões de dólares.

Alexandr Wang tem outro tipo de trajetória. Fundou a Scale AI aos dezenove anos, em dois mil e dezesseis, depois de abandonar o MIT. A empresa faz um trabalho que parece invisível: organiza e rotula dados para que os modelos de inteligência artificial aprendam. É como ensinar uma criança a distinguir o que é um carro do que é uma bicicleta... mas em escala de bilhões de exemplos. Aos vinte e oito anos, Wang acumula uma fortuna estimada em três virgula dois bilhões de dólares e foi nomeado Chief AI Officer da Meta depois que Zuckerberg investiu quatorze vírgula três bilhões de dólares na Scale AI.

Pieter Levels é o caso mais acessível dos três. Um desenvolvedor holandês que, desde dois mil e doze, testa ideias na internet e descarta o que não funciona. A partir de dois mil e vinte e dois, começou a usar inteligência artificial generativa para construir produtos digitais com ciclos de desenvolvimento muito mais curtos. Hoje fatura cerca de três vírgula cinco milhões de dólares por ano, operando sozinho, com margens de lucro superiores a noventa por cento. Sua estrutura de custo se resume a servidores e assinaturas de API.

Esses três exemplos não são uma receita. São um retrato de como a mesma onda atinge pessoas em pontos diferentes: um executivo com três décadas de empresa, um fundador de startup de vinte e oito anos e um desenvolvedor independente trabalhando do computador de casa.

O quarto ponto envolve produtividade... e não é exatamente o que a maioria imagina.

Segundo o Barômetro Global de Empregos em Inteligência Artificial, publicado pela PwC em dois mil e vinte e quatro, setores que adotaram inteligência artificial registraram crescimento de produtividade quatro vírgula oito vezes maior do que a média anterior. Não se trata de trabalhar mais. Trata-se de reduzir tempo em tarefas repetitivas para concentrar esforço no que exige julgamento humano: estratégia, relação com pessoas, decisões que dependem de contexto.

O lado difícil dessa equação existe. Funções baseadas em reconhecimento de padrões estão entre as mais vulneráveis à automação: triagem de documentos, leitura de dados, atendimento padronizado. O relatório Future Skills da Accenture estima que noventa e sete milhões de novas funções podem surgir até dois mil e vinte e cinco justamente na fronteira entre humanos e tecnologia. A transição, porém, não é automática. Ela exige formação, adaptação e tempo... recursos que nem todos têm em igual medida.

O quinto ponto é sobre o clima e sobre infraestrutura do planeta.

O sistema GNoME, também da DeepMind, identificou dois vírgula dois milhões de novas estruturas químicas em dois mil e vinte e três, muitas delas com potencial para baterias mais eficientes, painéis solares mais baratos e materiais para eletrônica de baixo consumo. Projetos-piloto na China e na Alemanha já testam alguns desses materiais em escala. Ao mesmo tempo, modelos como o GraphCast, do Google, provaram ser mais precisos do que métodos tradicionais de previsão do tempo em várias métricas. Isso importa para gestão de energia, logística e resposta a desastres climáticos.

O potencial é real. A pergunta que fica é se a velocidade do desenvolvimento vai superar a capacidade de regulação e distribuição dos benefícios... ou se chegará antes a concentração dos ganhos nas mãos de poucos.

O que fazer com essa informação

Cenário um: você trabalha em qualquer setor que depende de dados, documentos ou comunicação. O momento atual não pede que você vire programador. Pede que você entenda quais partes do seu trabalho são mais vulneráveis à automação e quais são mais difíceis de substituir. Habilidades como síntese, julgamento e relação interpessoal ganham mais valor quando o processamento bruto passa a ser barato.

Cenário dois: você tem uma ideia de produto ou serviço mas achava que precisaria de uma equipe grande para colocá-la em pé. O caso de Pieter Levels é um exemplo de que ciclos de teste mais curtos e infraestrutura mais barata já existem. Não é garantia de sucesso. É uma mudança real nas condições de entrada.

Cenário três: você acompanha o mercado financeiro ou pensa em onde alocar capital. A Nvidia é o caso mais estudado, mas a onda de valorização de empresas de infraestrutura de inteligência artificial veio com volatilidade. Em janeiro de dois mil e vinte e cinco, a empresa perdeu quase seiscentos bilhões de dólares em valor de mercado em um único dia. A promessa existe. O risco também.

Cenário quatro: você é criador de qualquer tipo... artista, músico, escritor, designer. O debate sobre direitos autorais e uso de obras para treinar modelos ainda não tem resposta legal definitiva em nenhum país. Acompanhar o movimento de legislação internacional e entender os termos de uso das ferramentas que você usa é, neste momento, tão importante quanto aprender a usá-las.

O mundo não está esperando consenso. Ele está se movendo. E a pergunta mais útil talvez não seja "o que a inteligência artificial vai fazer?" mas "o que eu faço com o que ela já está fazendo?"