Estudos sobre Inteligência Artificial, sejam entusiastas ou críticos, costumam provar a mesma coisa: o que já existe. Eles medem o que os modelos atuais fazem bem ou mal, onde acertam, onde falham e a quem prejudicam. É um trabalho necessário, mas carrega um limite que quase nunca se admite. Nenhum desses estudos prova o que ainda está sendo decidido. E o que está sendo decidido, agora, é quem tem o poder de ligar e desligar esses sistemas, quem define quais perguntas merecem ser feitas, e quem jamais terá acesso às ferramentas para percorrer os caminhos que ninguém, nem mesmo nos grandes laboratórios, ainda consegue enxergar.
A questão, portanto, não é de viés nem de acurácia, temas que já dominaram o debate. É de quem produz o conhecimento. Os caminhos que alguém no Brasil, na Nigéria ou na Índia poderia percorrer com as mesmas ferramentas simplesmente não existem no mapa, não porque sejam impossíveis, e sim porque quem os percorreria não tem acesso ao que coloca a IA de pé. Esse vazio é invisível, e é sobre ele que vale a pena escrever.
Vale insistir nesse limite, porque ele atinge até a crítica. Quem pesquisa esses sistemas de fora, sem acesso aos pesos, aos dados e ao treino, mede o sintoma, não o mecanismo. Observa o que o modelo faz com as pessoas, porque não consegue observar o que o modelo é. A própria precariedade da pesquisa sobre IA é, ela mesma, um sintoma do fechamento: quando o objeto é trancado, o conhecimento que se pode produzir sobre ele também encolhe, e o melhor que se alcança é um retrato parcial e datado, nunca o todo.
Quem decide o ligar e o desligar
A camada que de fato importa, a dos modelos fundacionais, está concentrada num punhado de empresas, entre elas Microsoft, Google, Amazon, Meta, OpenAI e Anthropic. Não se trata apenas de concentração de mercado, e sim de concentração de poder epistêmico. São essas empresas que decidem quais hipóteses recebem capacidade de cálculo, quais dados são coletados, quais respostas são bloqueadas e quais arquiteturas passam a definir o chamado estado da arte. O AI Now Institute, no relatório Artificial Power, de 2025, assinado por Kate Brennan, Amba Kak e Sarah Myers West, sintetiza o ponto: a IA, do jeito que vem sendo construída, é antes de tudo uma forma de concentração de poder, e tem sido usada mais sobre as pessoas do que por elas.
A própria lógica de que maior é sempre melhor, em que escala de computação e volume de dados viram medida de desempenho, não é uma lei da natureza. É o reflexo direto dos incentivos de quem controla esses recursos. E os números do acesso são duros. Segundo o índice de IA da Universidade de Stanford, a África subsaariana responde por menos de 1% da pesquisa global em IA, e o continente africano capta cerca de 0,3% do investimento mundial projetado na área. Esses números não medem apenas exclusão do benefício. Medem exclusão da própria produção do conhecimento.
Os pensadores que previram isso
Não é um problema novo. Foi antecipado por gente que passou décadas pensando o que o computador poderia ser, e o que ele não deveria se tornar. Norbert Wiener, que fundou a cibernética em 1948, avisou que o perigo da máquina não vem dela mesma, mas do que as pessoas fazem com ela, e antecipou tanto a automação do trabalho quanto a chance de que sistemas inteligentes decidissem de formas que ninguém previu nem desejou. Joseph Weizenbaum, que criou o programa ELIZA e assistiu horrorizado às pessoas confiarem nele como se fosse humano, foi mais longe em Computer Power and Human Reason, de 1976. Para ele, o problema não era a máquina ser incapaz, e sim a abdicação do julgamento humano em nome da eficiência, que já era, em si, um dano.
Do outro lado do mesmo arco estão J.C.R. Licklider e Douglas Engelbart. Em Man-Computer Symbiosis, de 1960, Licklider imaginou não a máquina substituindo o humano, mas uma simbiose que o liberasse das tarefas mecânicas para o que só ele faz, pensar, julgar contexto, navegar a ambiguidade. Sonhou com uma rede que tornasse o conhecimento acessível a todos, distribuindo o acesso em vez de concentrá-lo. Engelbart levou isso adiante em 1968, mostrando não que o computador era inteligente, mas que ele podia amplificar a inteligência coletiva. Juntos, os quatro formam um aviso: Wiener sobre o poder mal distribuído, Weizenbaum sobre o julgamento terceirizado, Licklider sobre o que a distribuição do acesso poderia ter construído. O que existe hoje inverte os três de uma vez, poder concentrado, julgamento delegado, acesso restrito.
A matemática como contraexemplo
O melhor argumento para o que a IA poderia ser, e não é, vem de um campo vizinho. Em 2002, o matemático russo Grigori Perelman publicou no arXiv, o repositório aberto de preprints, o primeiro de três textos com a prova da Conjectura de Poincaré, um problema que resistira por um século. Ele não submeteu a nenhum periódico nem pediu validação institucional. Apenas postou, e qualquer pessoa com conhecimento suficiente podia seguir dali. Grupos independentes ao redor do mundo verificaram e estenderam a prova nos anos seguintes. Perelman recebeu a Medalha Fields em 2006 e a recusou.
O que o caso mostra não é que gênios solitários resolvem tudo. É que, quando o conhecimento é acessível, a verificação, a extensão e a inovação se distribuem. A Conjectura de Poincaré não foi resolvida por um laboratório com bilhões em computação, e sim por uma mente com acesso livre a décadas de resultados abertos. O arXiv, criado em 1991 por Paul Ginsparg, hoje hospeda mais de dois milhões de artigos e tornou o conhecimento verificável por quem tivesse condições de segui-lo. Dessa abertura brotaram avanços que nenhum laboratório centralizado teria produzido sozinho, porque vieram de colaborações inesperadas entre campos distantes. A IA tomou o caminho oposto. Os maiores modelos são fechados, os dados de treino são proprietários, as arquiteturas são secretas, e os próprios critérios de avaliação são definidos por quem treina os modelos. O que não é acessível não pode ser verificado, contestado nem estendido por quem está fora do centro.
O que está sendo decidido agora
Os estudos sobre o que a IA faz bem ou mal medem o que já existe. Mas as decisões que vão definir o que a IA será nas próximas décadas estão sendo tomadas agora, por um número muito pequeno de atores, em sua maioria no Vale do Silício. São eles que, ao mesmo tempo em que constroem os sistemas, tentam moldar as regras que os governariam, pressionando por menos regulação e por mais subsídio. O dissenso até existe, mas existe dentro do mesmo circuito fechado de recursos, talento e infraestrutura.
O que está fora desse circuito não está sendo desenvolvido. Perguntas que não se formulam em inglês, problemas que não emergem do contexto do norte global, arquiteturas que não escalam para bilhões de parâmetros, mas que poderiam funcionar em lugares de baixa conectividade, nada disso avança. Não porque seja impossível, e sim porque falta acesso ao que viabiliza a IA: computação, dados, infraestrutura e o poder de decidir quais perguntas merecem ser feitas. Para o Brasil, isso significa herdar a IA pronta, como produto a ser consumido, e não como conhecimento a ser continuado.
Vale imaginar o que isso significa em concreto. Modelos que entendam bem as línguas indígenas brasileiras, que funcionem com pouca conexão no semiárido, que reconheçam condições de saúde mais frequentes na população negra, que leiam o nosso ordenamento jurídico e não o americano. Nada disso é tecnicamente impossível. Falta a quem o construiria o mesmo que falta a quase todo mundo fora do centro: dados representativos, capacidade de cálculo e a legitimidade de afirmar que essas perguntas importam tanto quanto as que o Vale do Silício escolhe responder. São caminhos que ficam no escuro, e que não aparecem em estatística nenhuma justamente porque nunca foram percorridos.
A costura que falta
O paradoxo central é que o que fica de fora não aparece como ausência. Os benchmarks medem o que foi construído. Os estudos avaliam o que existe. As conferências debatem o que foi publicado. O que nunca foi construído, porque quem o construiria não tinha acesso, esse vazio não tem nome, não tem dado, não tem citação. É a parte mais importante da história, e é justamente a que nenhum estudo consegue medir.
O contraponto a isso não é recusar a IA nem repetir que ela emburrece, ladainha que já cansou. É exigir que ela possa ser lida e continuada como uma prova: pesos abertos, dados documentados, treino auditável, infraestrutura que não dependa do humor de meia dúzia de empresas. A matemática prosperou porque muitos puderam construir uns sobre os outros, através do tempo e da distância, sem pedir licença. A pergunta que fica não é se a IA vai mudar o mundo, isso é certo. É se ela vai ser construída como uma prova que qualquer um pode seguir, ou como uma caixa que pouquíssimos podem ligar e desligar. E essa pergunta, ao contrário dos pesos de um modelo, ainda está aberta.
Nina da Hora
