Inteligência artificial - a história por trás da revolução que chegou ao dia a dia
Quando alguém abre um chat de IA hoje para escrever um e-mail, gerar uma imagem ou debugar um código, é fácil ter a impressão de que essa tecnologia surgiu do nada nos últimos anos. Mas a inteligência artificial é um campo com mais de sete décadas de história — cheio de promessas, frustrações, invernos de financiamento e reviravoltas — até chegar no ponto em que está agora, integrada ao trabalho de milhões de pessoas. Entender essa trajetória ajuda a enxergar o presente com menos hype e mais clareza.
O nascimento de uma ideia (anos 1950)
Em 1950, o matemático britânico Alan Turing publicou o artigo "Computing Machinery and Intelligence", propondo o que ficaria conhecido como o teste de Turing: se uma máquina conseguisse conversar de forma indistinguível de um humano, faria sentido dizer que ela "pensa"? A pergunta era provocadora para a época, mas lançou as bases filosóficas do campo.
O nome "inteligência artificial", porém, só nasceu em 1956, durante a Conferência de Dartmouth, organizada por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. O grupo propôs, com otimismo típico da época, que "todo aspecto do aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito com tal precisão que uma máquina pode ser feita para simulá-lo". Pouco depois, os primeiros programas começaram a aparecer: o Logic Theorist (1956), capaz de provar teoremas matemáticos, e o General Problem Solver (1959), que tentava resolver problemas genéricos imitando o raciocínio humano.
Também nessa década, Frank Rosenblatt criou o Perceptron (1958), o primeiro modelo de rede neural artificial capaz de aprender a partir de exemplos — uma ideia que pareceria adormecida por quase três décadas antes de voltar com força total.
A era simbólica e os primeiros invernos
Ao longo dos anos 1960 e 1970, a abordagem dominante foi a IA simbólica: sistemas que representavam conhecimento como regras lógicas explícitas, escritas à mão por especialistas humanos. O auge dessa fase foram os sistemas especialistas — programas como o MYCIN, criado em Stanford para sugerir diagnósticos e tratamentos de infecções bacterianas, ou o XCON, usado pela Digital Equipment Corporation para configurar computadores automaticamente. Funcionavam bem em domínios bem delimitados, mas eram frágeis: bastava um caso fora do previsto para o sistema falhar sem qualquer capacidade de generalizar.
O excesso de promessas cobrou seu preço. Em 1969, Minsky e Seymour Papert publicaram o livro "Perceptrons", demonstrando limitações matemáticas sérias dos perceptrons de camada única — o que praticamente interrompeu o financiamento para pesquisa em redes neurais por quase 15 anos. Em 1973, o relatório Lighthill, encomendado pelo governo britânico, criticou duramente a falta de resultados práticos da área, levando a cortes de verba que ficaram conhecidos como o primeiro inverno da IA. Um segundo inverno viria no fim dos anos 1980, quando o mercado de sistemas especialistas comerciais simplesmente colapsou — as empresas descobriram que manter milhares de regras escritas à mão era caro demais e não escalava.
"A IA sempre prometeu demais no curto prazo e entregou mais do que o esperado no longo prazo." — uma síntese comum entre pesquisadores veteranos da área, e talvez o resumo mais honesto de toda essa história.
A virada estatística
O que sobreviveu aos invernos foi uma mudança silenciosa de filosofia: em vez de codificar regras manualmente, por que não construir sistemas que aprendem padrões a partir de dados? Em 1986, David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram o algoritmo de retropropagação (backpropagation), que finalmente permitia treinar redes neurais com múltiplas camadas de forma eficiente — resolvendo, na prática, a limitação apontada por Minsky quase duas décadas antes.
Nos anos 1990 e 2000, o campo se consolidou em torno de métodos estatísticos: máquinas de vetores de suporte (SVMs), árvores de decisão, florestas aleatórias e redes bayesianas. Dois eventos simbólicos marcaram essa fase para o público em geral: em 1997, o supercomputador Deep Blue, da IBM, venceu o campeão mundial de xadrez Garry Kasparov; em 2011, o Watson, também da IBM, venceu campeões humanos no programa de perguntas e respostas Jeopardy!. Eram vitórias construídas mais sobre força bruta computacional e busca eficiente do que sobre aprendizado propriamente dito, mas ajudaram a manter a IA no imaginário popular.
O boom do deep learning (2012 em diante)
O verdadeiro divisor de águas aconteceu em 2012. Uma rede neural profunda batizada AlexNet, desenvolvida por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, venceu a competição ImageNet de reconhecimento de imagens por uma margem enorme — usando GPUs para treinar em uma escala até então inviável. Foi o momento em que o deep learning deixou de ser curiosidade acadêmica e virou o motor principal do campo, puxado por três fatores que finalmente se alinharam: volumes gigantescos de dados (a própria internet), poder computacional acessível (GPUs) e algoritmos mais eficientes.
Os anos seguintes trouxeram uma sequência acelerada de marcos:
| Ano | Marco | Por que importou |
|---|---|---|
| 2012 | AlexNet vence o ImageNet | Prova que deep learning supera métodos clássicos em escala |
| 2016 | AlphaGo (DeepMind) vence Lee Sedol no Go | Mostra que aprendizado por reforço resolve problemas considerados "intuitivos demais" para máquinas |
| 2017 | Paper "Attention Is All You Need" (Google) | Introduz a arquitetura Transformer, base de quase toda IA generativa atual |
| 2018 | BERT (Google) | Modelos de linguagem passam a entender contexto bidirecional em texto |
| 2020 | GPT-3 (OpenAI) | Mostra que escala (parâmetros + dados) gera capacidades emergentes, sem treino específico por tarefa |
| 2022 | Stable Diffusion, Midjourney e DALL-E 2 | IA generativa de imagens sai do laboratório e vira ferramenta popular |
O momento ChatGPT
Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT — tecnicamente não muito diferente de modelos anteriores da família GPT, mas embrulhado numa interface de chat simples o suficiente para qualquer pessoa usar. O resultado foi a adoção de tecnologia mais rápida da história até então: cerca de 100 milhões de usuários em pouco mais de dois meses. Pela primeira vez, IA generativa deixou de ser assunto de desenvolvedores e pesquisadores para virar conversa de mesa de bar, sala de aula e reunião de diretoria.
Dali em diante, a corrida se intensificou rapidamente: GPT-4 trouxe capacidades multimodais (texto e imagem); a Anthropic consolidou a família Claude com foco em segurança e uso corporativo; o Google respondeu com o Gemini; e a Meta apostou em modelos abertos com a família Llama, democratizando o acesso a modelos de ponta fora dos laboratórios das grandes empresas. Paralelamente, a própria forma de usar IA evoluiu: de responder perguntas isoladas para agentes capazes de planejar múltiplas etapas, usar ferramentas externas, escrever e executar código, e operar com um grau crescente de autonomia.
O que realmente mudou até hoje
A diferença entre a IA de 2012 e a de 2026 não é só técnica — é de acesso. Antes, IA era coisa de laboratório de pesquisa, artigo acadêmico ou ficção científica. Hoje, ela está embutida em editores de texto, IDEs, ferramentas de atendimento ao cliente, apps de design e até em salas de aula, e passou de "responder perguntas" para efetivamente executar tarefas.
Como Tech Lead, sinto essa mudança na prática: tarefas que antes consumiam horas — escrever testes, revisar código, esboçar uma arquitetura, investigar um bug em produção — hoje são aceleradas por assistentes de IA, o que muda o tipo de trabalho que times de engenharia priorizam. Deixa de fazer sentido medir produtividade por linhas de código escritas e passa a importar mais a qualidade das decisões de arquitetura e a capacidade de revisar criticamente o que a IA produz. E como professor, vejo o outro lado dessa moeda: formar profissionais que saibam usar essas ferramentas com senso crítico — sabendo quando confiar, quando questionar e quando assumir o controle manual — é hoje tão importante quanto ensinar os fundamentos de programação.
Isso não significa que os problemas acabaram. Modelos ainda "alucinam" informações com total confiança, o custo computacional e energético de treinar e rodar esses sistemas em escala é enorme, e questões sérias sobre direitos autorais, vieses embutidos nos dados de treino, impacto no mercado de trabalho e regulação — como a EU AI Act — seguem em aberto e provavelmente vão continuar em debate por anos.
Uma jornada ainda em andamento
Do Perceptron de Rosenblatt em 1958 até um agente de IA escrevendo código em produção em 2026, o caminho foi longo, cheio de becos sem saída e reviravoltas que ninguém antecipou. Vale lembrar: cada geração de pesquisadores que viveu um "inverno da IA" também não fazia ideia do que viria a seguir. Se a história do campo ensina alguma coisa, é que os próximos anos provavelmente vão surpreender de novo — para o bem e para o mal. O trabalho de quem constrói e ensina tecnologia, então, não é prever o futuro com exatidão, mas manter o pensamento crítico afiado o suficiente para navegar o que vier.