Antes do hype: a inteligência artificial já estava entre nós

A inteligência artificial não começou com os chatbots. Durante décadas, ela reconheceu padrões, calculou riscos e orientou decisões longe dos olhos do público. No texto a seguir, você vai ler sobre:

Você acorda, pega o celular e a tela reconhece o seu rosto. O e-mail sugere o fim da frase que você começou a escrever. O aplicativo de mapas recalcula a rota, o banco aprova uma compra em milissegundos e, à noite, o streaming oferece uma fileira de títulos que parecem escolhidos especialmente para você.

Nada disso depende de um chatbot.

Ainda assim, tudo isso é inteligência artificial.

Essa presença cotidiana e quase invisível abre “Antes do Hype”, primeiro episódio da temporada do podcast do InovaSocial sobre os impactos da IA. Em vez de começar pelas ferramentas generativas, o programa olha para trás: quando essas tecnologias começaram a organizar nossa vida? E por que só agora passamos a enxergá-las como uma ruptura?

A resposta atravessa laboratórios, programas de televisão, bancos e conversas com máquinas. No áudio, a ambientação sonora, os arquivos históricos e as entrevistas aproximam essa história técnica da experiência humana.

Antes do chatbot, uma pergunta

O ponto de partida está em 1950. Naquele ano, o matemático britânico Alan Turing publicou um artigo sobre máquinas e inteligência e propôs uma pergunta que continua atual: uma máquina pode pensar?

Em vez de tentar definir pensamento, Turing sugeriu observar o comportamento. Se uma pessoa conversasse por texto com uma máquina e não conseguisse distinguir quem estava do outro lado, aquela interação poderia ser considerada inteligente? A proposta ficou conhecida como Teste de Turing e antecipou, muitas décadas antes, o desconforto de conversar com sistemas que parecem compreender o que dizemos.

Pouco depois, a inteligência artificial começou a se consolidar como campo de pesquisa. A aposta inicial era a chamada IA simbólica: programadores criavam regras lógicas para orientar cada resposta. Se determinada condição acontecesse, o sistema deveria executar determinada ação.

Eliza, desenvolvida nos anos 1960, tornou essa lógica visível. O programa simulava uma terapeuta: identificava padrões e devolvia perguntas. Não entendia sentimentos. Mesmo assim, muita gente se abria diante da tela.

O mais intrigante talvez não fosse a máquina, mas a nossa disposição para enxergar escuta onde havia cálculo.

No podcast, essa história funciona como um espelho incômodo das conversas atuais com assistentes generativos. A tecnologia mudou muito; o impulso humano de atribuir intenção, inteligência e até afeto à interface continua surpreendentemente familiar.

Além do tabuleiro

Sistemas baseados em regras funcionavam especialmente bem em ambientes fechados. O xadrez é um exemplo perfeito: as peças têm movimentos definidos, o tabuleiro tem limites e cada jogada pode ser calculada em relação a inúmeras possibilidades.

Foi nesse cenário que, em 1997, o Deep Blue, da IBM, derrotou o campeão mundial Garry Kasparov. A partida entrou para a história como um confronto entre homem e máquina. Mas o computador era resultado do trabalho de engenheiros, cientistas e programadores. Sua vitória também era humana.

Além disso, o Deep Blue dominava uma tarefa muito específica. Podia calcular jogadas em uma escala inalcançável para uma pessoa, mas não entendia uma piada, uma ironia ou o significado cultural de uma partida de xadrez.

A vida real não cabe tão bem num tabuleiro.

Linguagem, comportamento, trânsito, consumo e relações sociais são ambientes instáveis, cheios de exceções. Criar uma lista de regras capaz de ensinar uma máquina a reconhecer todos os cachorros, por exemplo, seria impraticável: há variações de raça, tamanho, posição, luz e enquadramento.

A saída foi inverter a lógica. Em vez de explicar cada regra, pesquisadores passaram a oferecer grandes conjuntos de exemplos para que os sistemas identificassem padrões. Assim ganhou força o aprendizado de máquina, ou machine learning.

A IA deixou de depender apenas do “se isso, faça aquilo” e passou a calcular probabilidades. Com dados do passado, podia estimar o trânsito, recomendar conteúdo ou identificar uma transação suspeita.

Foi aí que ela começou a se espalhar sem fazer barulho.

A inteligência que chegou ao Brasil sem alarde

Muito antes de a IA virar assunto de grupo de WhatsApp, bancos e grandes empresas já utilizavam modelos para atendimento, segurança, análise de risco e prevenção a fraudes.

O Watson, também da IBM, ajudou a tornar essa mudança mais visível. Em 2011, o sistema participou do programa norte-americano Jeopardy! e venceu competidores humanos em um jogo que exigia velocidade, cultura geral e interpretação de linguagem. Na televisão, parecia um espetáculo. Nos bastidores, indicava uma transformação mais profunda: computadores começavam a lidar com perguntas formuladas por pessoas, ambiguidades e diferentes fontes de informação.

Levar essa capacidade para o cotidiano brasileiro exigia muito mais do que traduzir comandos.

Era preciso ensinar sistemas a interpretar o português como ele realmente é falado: com sotaques, gírias, abreviações, erros de digitação e expressões regionais. “Meu aplicativo travou”, “não consigo entrar” e “deu ruim aqui” podem apontar para o mesmo problema — mas reconhecer essa proximidade demanda dados, treinamento e contexto.

É nesse trecho que a entrevista com Bruno Garcia, da IBM, ajuda a abrir a caixa-preta. A conversa mostra como a IA corporativa evoluiu antes de ganhar a aparência acessível das ferramentas atuais e por que sua adoção nunca foi tão simples quanto “ligar uma máquina”.

O sistema financeiro oferece uma imagem concreta dessa evolução. Houve um tempo em que pagar com cartão envolvia papel carbono, uma máquina manual e, em algumas compras, uma ligação para que alguém autorizasse a transação. Hoje, o pagamento acontece em segundos enquanto sistemas cruzam valor, horário, localização, estabelecimento, dispositivo e histórico de comportamento.

Para quem compra, resta apenas o som da aprovação.

A inteligência está escondida no intervalo entre aproximar o cartão e ouvir o bipe.

A nuvem tem peso (e aprende com o nosso mundo)

A facilidade da interface cria uma ilusão: a de que a tecnologia existe em algum lugar abstrato, limpo e distante. Mas a nuvem ocupa prédios, consome energia e água, utiliza minerais e depende de trabalho humano.

Por trás de processos chamados de automáticos, há pessoas classificando imagens, revisando respostas e ajudando a decidir o que um sistema deve aceitar, rejeitar ou bloquear. Esse trabalho costuma desaparecer da narrativa futurista, assim como desaparecem os centros de dados e os territórios que sustentam a infraestrutura digital.

Também desaparecem as escolhas presentes nos dados.

Algoritmos aprendem com registros produzidos por sociedades desiguais. Se esses conjuntos carregam exclusões e preconceitos históricos, os sistemas podem repeti-los – agora com velocidade e aparência de neutralidade matemática. A máquina não chega ao mundo sem passado. Ela lê o passado que oferecemos a ela.

Por isso, tratar a IA como uma decisão puramente técnica é insuficiente. Toda base envolve escolhas: o que foi coletado, quem aparece, quem ficou de fora, qual erro é tolerado e quem sofre suas consequências.

No episódio, esse debate faz parte da própria história da inovação. A inteligência artificial nunca foi apenas código; sempre dependeu de estruturas econômicas, recursos materiais e decisões humanas.

Quando a máquina entrou no território da linguagem

Se a IA já recomendava filmes, calculava riscos e detectava fraudes, por que o impacto público cresceu tanto nos últimos anos?

Porque ela mudou de posição.

Durante muito tempo, os sistemas atuaram principalmente nos bastidores: classificavam, previam, ordenavam e priorizavam. A IA generativa apareceu na superfície. Passou a escrever textos, criar imagens, imitar vozes e sustentar conversas. Entrou em áreas que associamos à expressão, ao raciocínio e à criatividade.

O episódio apresenta essa passagem como uma nova “ferida narcísica”. A humanidade já precisou aceitar que a Terra não ocupa o centro do universo, que fazemos parte da evolução animal e que nem sequer controlamos completamente a própria mente. Agora, encontra máquinas capazes de reproduzir habilidades que costumávamos tratar como exclusivamente humanas.

Mas reproduzir não é sentir.

Modelos de linguagem calculam probabilidades para formar respostas coerentes. Não têm medo, desejo, memória afetiva ou responsabilidade moral. A fluidez da conversa pode esconder essa diferença e nos levar a confundir uma boa simulação com compreensão.

É aí que a pergunta se torna menos tecnológica e mais humana: o que estamos dispostos a delegar?

Ouvir a história muda a forma de olhar o presente

“Antes do Hype” não apresenta a inteligência artificial como vilã nem como solução automática. O episódio mostra uma tecnologia construída ao longo de décadas, capaz de gerar eficiência e ampliar possibilidades, mas também de reproduzir desigualdades e esconder seus custos sob interfaces cada vez mais simples.

A principal virada talvez seja esta: a IA não nasceu quando começou a conversar conosco. Ela apenas saiu dos bastidores.

O texto organiza esse percurso. O áudio, porém, entrega outra experiência: sons cotidianos, pausas, registros históricos e vozes que revelam o estranhamento por trás de uma tecnologia já incorporada à rotina.

E deixam uma pergunta no ar: em que momento essa ferramenta antiga passou a ser vendida não apenas como útil, mas como resposta para grandes problemas sociais e ambientais?

Essa é a ponte para o próximo episódio. Antes dela, vale voltar ao começo – colocar os fones, ouvir os bipes, as máquinas e as vozes – e perceber quanto da inteligência artificial já estava ao nosso redor antes mesmo de aprendermos a chamá-la pelo nome.