A palavra “inverno” soa suave. Neve nos galhos. Ruas quietas. Café quente. Mas na IA, inverno significa algo brutal: laboratórios fechando, pesquisadores fugindo para outras áreas, o financiamento evaporando e décadas inteiras de progresso travando enquanto o resto da computação dispara.

A IA passou por dois grandes invernos. Os dois quase mataram o campo. E os dois foram causados pelo mesmo padrão básico: pesquisadores prometeram demais, entregaram de menos, e quem bancava se queimou.

Agora estamos no que talvez seja o verão de IA mais longo da história. O investimento segue quebrando recordes. O ChatGPT chegou a 100 milhões de usuários mais rápido do que qualquer aplicativo já criado. A pergunta que assombra quem está prestando atenção: desta vez estamos construindo algo real, ou estamos preparando o maior inverno de todos?

O padrão que ninguém queria ver

Tem algo estranho nisso. Nas duas vezes, gente de dentro do campo viu os invernos chegando. Avisaram todo mundo. Ninguém ouviu.

Em 1984, os pesquisadores de IA Roger Schank e Marvin Minsky subiram ao palco no encontro anual da American Association of Artificial Intelligence e fizeram um aviso que se provaria profético em três anos. Eles tinham vivido o primeiro inverno da IA nos anos 1970, vendo o financiamento desabar depois que pesquisadores falharam em entregar tradução automática e outras promessas ambiciosas.

Agora eles viam aquilo acontecer de novo. Sistemas especialistas estavam em alta. Corporações gastavam mais de um bilhão de dólares por ano com IA. Todo mundo queria participar.

Schank e Minsky disseram à comunidade empresarial: esse entusiasmo é exagerado, a decepção é inevitável, e vocês deveriam se preparar para outro inverno.

A comunidade empresarial não se preparou.

Três anos depois, o colapso começou.

Bilhões evaporaram

O segundo inverno da IA, aproximadamente de 1987 a 1993, devastou o campo de formas que hoje parecem quase impossíveis, dado o nível atual de empolgação e o fluxo de investimento.

Em 1986, computadores pessoais tinham no máximo 44MB de armazenamento, o que tornava impraticável construir as grandes bases de conhecimento que sistemas especialistas exigiam; e os custos de desenvolvimento ficaram impossíveis de justificar para empresas individuais quando abordagens mais simples resolviam a maioria das necessidades de negócio por uma fração do custo.

Empresas especializadas em IA como Lisp Machines e Symbolics tinham criado hardware caro, otimizado para programação em IA, e cobravam preços premium por seus sistemas proprietários. Aí a Apple e a Sun Microsystems lançaram estações de trabalho de propósito geral que igualavam o desempenho por uma fração do custo. O mercado de hardware especializado colapsou por volta de 1987. Não eram empresas pequenas. Elas sumiram.

A iniciativa japonesa Fifth Generation Computer Systems, que tinha investido cerca de $500 milhões para criar computadores massivamente paralelos para IA, foi encerrada depois de uma década de trabalho. A U.S. Strategic Computing Initiative, que a DARPA financiou com sonhos de máquinas que poderiam “see, hear, speak, and think like a human,” teve seu orçamento cortado. Um relato descreveu os cortes como “deep and brutal.”

A seguradora que ganhou e perdeu

No Hacker News, um usuário chamado blankfrank compartilhou uma perspectiva que captura a realidade complicada dos sistemas especialistas naquela era, escrevendo sobre a experiência dele construindo IA em uma seguradora de 1988 a 1996: “Our expert system ran on PCs in our 30 branches then migrated to a mainframe.”

O sistema “captured $4 million in additional revenue.” Isso parece sucesso. Mas o desenvolvedor mais tarde questionou o custo social quando o quadro de funcionários foi reduzido depois que o projeto terminou. A tecnologia funcionou. Ela também eliminou empregos.

Esse era o padrão. Sistemas especialistas entregavam valor estreito, mas não transformavam indústrias inteiras como prometido. A distância entre expectativa e realidade criou as condições para o inverno.

No que os sistemas especialistas erraram

Os sistemas especialistas que impulsionaram o boom dos anos 1980 pareciam uma boa ideia na época e, no papel, o conceito fazia todo sentido. Capturar a expertise humana em regras. Deixar computadores aplicarem essas regras. Escalar a expertise infinitamente.

O sistema XCON da Digital Equipment Corporation configurava pedidos de computadores VAX e, segundo relatos, economizou $40 milhões para a empresa ao longo de seis anos. Casos de sucesso como esse atraíram investimento corporativo massivo e, em 1985, empresas no mundo todo estavam gastando mais de um bilhão de dólares por ano com hardware, software e consultoria em IA.

Mas sistemas especialistas tinham problemas fundamentais que só ficaram claros em escala. Eles não aprendiam. Cada situação nova exigia que um especialista humano escrevesse novas regras. Eles sofriam com o “problema da qualificação”, que é só um jeito chique de dizer que não conseguiam antecipar entradas incomuns e produziam erros grotescos quando encontravam algo inesperado.

Outro comentarista do Hacker News, KineticLensman, que trabalhou com sistemas especialistas no começo dos anos 1990, descobriu que a abordagem baseada em regras funcionava bem para “getting domain experts to articulate the heuristics they used,” mas o valor real acabou sendo o processo de extração de conhecimento, e não o sistema de IA em si. A interface gráfica que eles construíram para o componente baseado em frames “was repurposed for a successful in-house modelling tool” que sobreviveu à IA.

A IA morreu. A ferramenta sobreviveu.

O momento de 2012 que mudou tudo

O que encerrou o segundo inverno da IA não foi um único avanço, mas uma convergência que levou décadas para acontecer: algoritmos melhores, hardware mais rápido e muito mais dados, tudo chegando mais ou menos no mesmo momento.

O evento decisivo veio em 2012, quando uma equipe da University of Toronto, liderada por Geoffrey Hinton, venceu a competição ImageNet usando uma rede neural profunda que eles chamaram de AlexNet. A taxa de erro deles foi de 15,3%. O sistema em segundo lugar, usando técnicas tradicionais, teve taxa de erro de 26,2%.

Essa diferença mudou tudo.

Redes neurais existiam desde os anos 1950. A retropropagação, a técnica de treinamento que torna o aprendizado profundo possível, foi popularizada nos anos 1980. Mas o hardware não era potente o suficiente. Os dados não eram abundantes o suficiente. As redes continuavam rasas.

Em 2012, as duas limitações tinham diminuído. GPUs originalmente projetadas para videogames se mostraram perfeitas para treinar redes neurais porque conseguem executar milhares de operações de matriz em paralelo. A internet tinha gerado conjuntos de dados enormes. Só o banco de dados ImageNet continha mais de um milhão de imagens rotuladas, todas categorizadas por humanos.

Pesquisadores perceberam que redes maiores treinadas com mais dados tinham desempenho consistentemente melhor, e essa observação, mais tarde formalizada em leis de escala, impulsionou o progresso de 2012 até hoje: mais parâmetros, mais dados de treinamento e mais computação produziam resultados melhores de forma confiável.

O verão mais longo

Estamos agora em um verão de IA ininterrupto há mais de treze anos. O investimento segue crescendo. Em 2025, projeta-se que grandes empresas de tecnologia gastem $364 bilhões em infraestrutura de IA, um número que teria parecido inimaginável dez anos atrás.

O boom atual difere dos anteriores de formas importantes para avaliar se esse verão vai durar. Os verões anteriores de IA produziram artigos acadêmicos e contratos governamentais, trabalhos interessantes que raramente tocavam pessoas comuns. Este está produzindo produtos que centenas de milhões de pessoas usam todos os dias. O ChatGPT tem 800 milhões de usuários ativos semanais. 92% das empresas da Fortune 500 o usam.

Mas um usuário do Hacker News chamado “jerf” ofereceu uma distinção útil em uma discussão de outubro de 2024 sobre se um inverno da IA estava se aproximando: “You seem to be unable to separate the concept of ‘hype’ from ‘value.’ The original ‘AI Winter’ was near-total devastation. But it’s probably reasonable to think that after the hype train of the last year or two we’re headed into the Trough of Disillusionment.”

O ciclo de hype do Gartner descreve um padrão em que novas tecnologias passam por uma fase de “expectativas infladas”, seguida por um “vale da desilusão”, antes de eventualmente chegar a um “platô de produtividade”, onde a tecnologia encontra seu papel de verdade. Muitos observadores acham que a IA está entrando nesse vale agora.

Os sinais de alerta

Gary Marcus, pesquisador de IA e cientista cognitivo que tem sido cético em relação a grandes modelos de linguagem há anos, escreveu em suas 25 AI Predictions for 2025: “Corporate adoption is far more limited than most people expected, and total profits across all companies (except of course hardware companies like NVidia, which profits from chips rather than models) have been modest at best. Most companies involved have thus far lost money.”

Isso ecoa o padrão de invernos anteriores com uma precisão desconfortável. Empresas investem pesado. O retorno decepciona. O financiamento encolhe.

Consultores estimam que a onda atual de gastos com infraestrutura de IA vai exigir $2 trilhões em receita anual de IA até 2030 só para justificar o investimento, o que é mais do que a receita combinada de 2024 de Amazon, Apple, Alphabet, Microsoft, Meta e Nvidia. A conta é dura.

Limitações técnicas continuam também. Alucinações seguem sem solução. Sistemas geram informação falsa com confiança, sem qualquer indicação de que estão inventando. Capacidades de raciocínio, apesar de demonstrações impressionantes que circulam amplamente nas redes sociais, quebram diante de problemas novos que exigem entendimento de verdade.

Por que desta vez pode ser diferente

Os invernos anteriores de IA aconteceram porque a tecnologia simplesmente não conseguia fazer o que havia sido prometido, não importava quanto dinheiro ou tempo se colocasse. Sistemas especialistas não lidavam com entradas inesperadas. Redes neurais dos anos 1960 não conseguiam aprender padrões complexos. A distância entre promessa e capacidade era fundamental.

Hoje a distância é diferente. A tecnologia funciona de forma demonstrável para muitas tarefas. A questão é se ela funciona bem o suficiente, com confiabilidade suficiente, para tarefas suficientes, a um custo baixo o bastante, para justificar os níveis atuais de investimento.

Isso é mais uma pergunta de negócios do que uma pergunta técnica.

Ferramentas de IA estão reduzindo custos de atendimento ao cliente em empresas de todos os tamanhos. Estão aumentando a eficiência de programação ao lidar com código repetitivo e encontrar erros. Estão automatizando geração de conteúdo, análise de dados e tarefas de pesquisa que antes exigiam horas de trabalho humano. Isso não é pesquisa parada em laboratório. São produtos em produção economizando dinheiro.

As aplicações são reais, mesmo que a euforia em torno de uma inteligência artificial geral talvez não seja. Como um analista de tecnologia colocou, a IA virou “the new Excel. Everyone uses it, but experts still dominate.”

A avaliação honesta

Outro inverno da IA é possível. O investimento pode encolher. Startups podem quebrar. Congelamentos de contratação podem se espalhar pela indústria. O campo pode entrar num período de consolidação e ambição menor.

Mas um inverno completo, em que a pesquisa em IA recua para um punhado de laboratórios acadêmicos e a tecnologia desaparece do uso comum? Parece improvável. Existem aplicações reais demais. Infraestrutura demais já foi construída. Gente demais já integrou essas ferramentas ao trabalho do dia a dia.

O mais provável é o que um comentarista do Hacker News chamou de um “AI fall.” Um esfriamento das expectativas. Uma mudança de “AI will replace all jobs” para “AI is a useful tool that requires human oversight.” Uma migração do investimento de pesquisa especulativa para aplicações comprovadas.

O que a história ensina

As pessoas que viveram invernos anteriores têm uma perspectiva útil que os entusiastas de IA de hoje fariam bem em ouvir. A tecnologia também foi vendida além do que entregava naquela época. Mas cada inverno foi seguido por progresso real. Redes neurais sobreviveram ao segundo inverno e, no fim, viraram a base do boom atual.

O recado não é que o alarde seja inofensivo, nem que invernos não machuquem. O recado é que tecnologia útil sobrevive à decepção.

Invernos de IA podam o excesso. Eles encerram carreiras e fecham empresas. Eles limpam o caminho dos especuladores e dos charlatões. Eles não encerram o campo.

Orientação prática

Se você trabalha com IA profissionalmente, a história sugere algumas lições práticas.

Construa sobre capacidades que existem hoje, não sobre as que talvez existam amanhã. Sistemas especialistas fracassaram em parte porque empresas investiram em capacidades futuras teóricas, em vez de capacidades atuais comprovadas. As organizações que sobreviveram a invernos anteriores focaram em aplicações estreitas em que a IA ajudava de forma demonstrável.

Espere uma peneira entre fornecedores. Nem toda startup de IA vai sobreviver aos próximos anos. Escolha ferramentas de empresas com modelos de negócio sustentáveis e receita real, não só demonstrações impressionantes e capital de risco.

Desenvolva expertise de verdade. Quando a euforia baixar, pessoas que entendem como esses sistemas realmente funcionam se tornam mais valiosas, não menos. Os desenvolvedores que prosperaram depois de invernos anteriores foram os que entendiam as capacidades e limitações reais da tecnologia.

E reconheça que a história da IA não é uma linha reta para cima. O progresso vem em ondas. Entender essas ondas ajuda você a se posicionar para aproveitar o verão enquanto se prepara para a possibilidade de um outono.