Por Kathleen Desveaud – Doutora em ciências da gestão, professora de marketing, Kedge Business School
Entre otimismo, superexposição midiática, conscientização de suas limitações e desilusões, os sistemas de inteligência artificial têm um impacto ainda limitado.
A inteligência artificial (IA) é frequentemente apresentada como a próxima revolução que transformará nossas vidas. Desde o lançamento do ChatGPT em 2022, as IAs generativas têm gerado um verdadeiro entusiasmo em escala global. Em 2023, a NVidia, ator chave na fabricação de chips usados para o treinamento de modelos de IA, ultrapassou a marca de 1 trilhão de dólares em valorização de mercado. E no ano seguinte, ultrapassou os 3 trilhões de dólares.
No entanto, esse entusiasmo vem acompanhado de dúvidas. De fato, embora a IA esteja em pleno destaque midiático, seu impacto econômico concreto ainda é modesto e sua adoção pelas empresas, limitada. Um estudo recente estima que apenas 5% das empresas utilizam ativamente tecnologias de IA em seus processos, seja IA generativa, análise preditiva ou sistemas de automação. Em alguns casos, a IA é até acusada de desviar a atenção dos líderes de questões operacionais mais urgentes.
Essa discrepância entre expectativas e resultados concretos levanta a questão: a IA está simplesmente passando por um “ciclo de hype”, onde um entusiasmo excessivo é rapidamente seguido por uma desilusão, como observamos com outras tecnologias desde os anos 90? Ou estamos testemunhando um real declínio no interesse por essa tecnologia?
Das origens da IA ao ChatGPT: ondas de otimismo e questionamentos
A história da IA é marcada por ciclos de otimismo e ceticismo. Desde os anos 50, os pesquisadores imaginavam um futuro povoado por máquinas capazes de pensar e resolver problemas tão eficientemente quanto humanos. Esse entusiasmo levou a promessas ambiciosas, como a criação de sistemas capazes de traduzir automaticamente qualquer idioma ou entender perfeitamente a linguagem humana.
No entanto, essas expectativas se mostraram irrealistas diante das limitações das tecnologias da época. Assim, as primeiras decepções levaram aos “invernos da IA” no final dos anos 70 e, posteriormente, no final dos anos 80, períodos em que os financiamentos caíram diante da incapacidade das tecnologias de cumprir as promessas feitas.
No entanto, os anos 90 marcaram uma virada importante graças a três elementos-chave: a explosão do big data, o aumento das capacidades de computação e o surgimento de algoritmos mais eficientes. A internet facilitou a coleta massiva de dados, essenciais para treinar modelos de machine learning. Esses vastos conjuntos de dados são cruciais, pois fornecem os exemplos necessários para que a IA possa “aprender” e realizar tarefas complexas. Paralelamente, os avanços nos processadores tornaram possível a execução de algoritmos avançados, como redes neurais profundas, que são a base do deep learning. Eles permitiram o desenvolvimento de IAs capazes de realizar tarefas antes inacessíveis, como reconhecimento de imagens e geração automática de textos.
Essas capacidades ampliadas reavivaram a esperança de ver a revolução antecipada pelos pioneiros da área, com IAs onipresentes e eficazes para uma infinidade de tarefas. No entanto, elas vêm acompanhadas de desafios e riscos significativos que começam a moderar o entusiasmo em torno da IA.
Uma progressiva conscientização das limitações técnicas que pesam hoje sobre o futuro da IA
Recentemente, os atentos ao desenvolvimento da IA tomaram consciência das limitações dos sistemas atuais, que podem frear sua adoção e limitar os resultados esperados.
Em primeiro lugar, os modelos de deep learning são frequentemente chamados de “caixas pretas” devido à sua complexidade, o que torna suas decisões difíceis de explicar. Essa opacidade pode diminuir a confiança dos usuários, limitando a adoção por medo de riscos éticos e jurídicos.
Os vieses algorítmicos constituem outro desafio importante. As IAs atuais utilizam volumes enormes de dados que raramente estão livres de vieses. Assim, as IAs reproduzem esses vieses em seus resultados, como foi o caso, por exemplo, do algoritmo de recrutamento da Amazon, que discriminava sistematicamente mulheres. Várias empresas tiveram que recuar devido a vieses detectados em seus sistemas. Por exemplo, a Microsoft retirou seu chatbot Tay após ele gerar discursos de ódio, enquanto o Google suspendeu sua ferramenta de reconhecimento facial, que era menos eficaz para pessoas de cor.
Esses riscos tornam algumas empresas relutantes em adotar esses sistemas, com medo de prejudicar sua reputação.
A pegada ecológica das IAs também é preocupante. Os modelos avançados exigem muita capacidade de computação e geram um consumo massivo de energia. Por exemplo, treinar grandes modelos como o GPT-3 emitiria tanto CO₂ quanto cinco viagens de ida e volta entre Nova York e São Francisco. Em um contexto de luta contra as mudanças climáticas, isso questiona a pertinência de um uso em larga escala dessas tecnologias.
De forma geral, essas limitações explicam por que algumas expectativas iniciais, como a promessa de uma automação generalizada e confiável, não foram totalmente realizadas e enfrentam desafios concretos que podem frear o entusiasmo pela IA.
Rumo a uma adoção mais moderada e regulada da IA?
A IA, já bem integrada em nosso cotidiano, parece estar muito enraizada para desaparecer, tornando improvável um “inverno da IA” como os dos anos 70 e 80. Em vez de um declínio duradouro dessa tecnologia, alguns observadores sugerem a emergência de uma bolha. Os anúncios, amplificados pelo uso repetido do termo “revolução”, contribuíram de fato para um entusiasmo muitas vezes desproporcional e para a formação de uma certa bolha. Há dez anos, era o machine learning; hoje, é a IA generativa. Diferentes conceitos foram popularizados um após o outro, cada um prometendo uma nova revolução tecnológica.
No entanto, as IAs modernas estão longe de ser uma “revolução”: elas fazem parte de uma continuidade das pesquisas passadas, que permitiram o desenvolvimento de modelos mais sofisticados, eficientes e úteis.
No entanto, essa sofisticação tem um custo prático, bem distante dos anúncios sensacionalistas. De fato, a complexidade dos modelos de IA explica em parte por que tantas empresas consideram a adoção da IA difícil. Frequentemente volumosos e difíceis de dominar, os modelos de IA exigem infraestruturas dedicadas e expertise rara, particularmente custosa. Implantar sistemas de IA pode, portanto, ser mais caro do que vantajoso, tanto financeiramente quanto energeticamente. Estima-se, por exemplo, que um algoritmo como o ChatGPT custa até 700 mil dólares por dia para operar, devido aos imensos recursos de computação e energia necessários.
A isso se soma a questão regulatória. Princípios como a minimização da coleta de dados pessoais, exigida pelo GDPR, contradizem a essência das IAs atuais. O AI Act, em vigor desde agosto de 2024, também pode questionar o desenvolvimento desses sistemas sofisticados. Foi demonstrado que IAs como o GPT-4 da OpenAI ou o PaLM2 do Google não atendem a 12 requisitos-chave desse ato. Essa não conformidade pode questionar os métodos atuais de desenvolvimento das IAs, afetando assim sua implantação.
Todas essas razões podem levar ao estouro dessa bolha da IA, o que nos leva a reconsiderar a representação exagerada de seu potencial na mídia. É necessário adotar uma abordagem mais equilibrada, reorientando os discursos para perspectivas mais realistas e concretas que reconheçam as limitações dessas tecnologias.
Essa conscientização também deve nos guiar para um desenvolvimento mais moderado da IA, com sistemas mais adaptados às nossas necessidades e menos arriscados para a sociedade.
