Em 30 de novembro de 2022, a OpenAI lançou silenciosamente uma demo chamada ChatGPT, baseada em uma versão refinada do GPT-3.5. Sam Altman tuitou que esperavam talvez 100 mil usuários no primeiro mês. Em cinco dias, eram um milhão. Em dois meses, 100 milhões: a adoção mais rápida de qualquer produto na história do consumo digital. O que parecia um chatbot levemente melhor, na visão pública, era na verdade o primeiro contato em massa com sistemas que conseguiam soar humanos o suficiente para passar despercebidos em emails, redações escolares e código de produção.

Três anos depois, OpenAI fatura mais de 12 bilhões de dólares anuais, a Anthropic ultrapassou a marca de 7 bilhões em receita anualizada com Claude, o Google reorganizou metade de seu R&D em torno do Gemini liderado por Demis Hassabis, e a Meta liberou pesos abertos do Llama 4 numa aposta estratégica de comoditização. A pergunta de 2022 era "isso é útil?". A pergunta de 2026 é mais incômoda: quem trabalha para quem nessa relação?

Como funciona

Modelos de linguagem grandes, ou LLMs, são redes neurais baseadas na arquitetura Transformer, descrita em 2017 no paper "Attention Is All You Need" por pesquisadores do Google. A inovação central é o mecanismo de atenção: cada palavra processada pode considerar simultaneamente todas as outras palavras do contexto, ponderadas por relevância aprendida durante o treinamento.

O treinamento ocorre em duas fases principais. Pretraining, onde o modelo absorve trilhões de tokens de texto da internet, livros, código, prevendo a próxima palavra em cada posição. GPT-4 foi treinado em aproximadamente 13 trilhões de tokens, com cerca de 1,8 trilhão de parâmetros distribuídos numa arquitetura mixture-of-experts. Post-training, onde o modelo é refinado via RLHF (aprendizado por reforço com feedback humano) e mais recentemente com RLAIF e Constitutional AI, técnica desenvolvida pela Anthropic.

A revolução de 2024 e 2025 foi o aparecimento dos reasoning models. O o1 da OpenAI, depois o o3 e o3-mini, e em paralelo o DeepSeek R1 e o Claude com extended thinking, introduziram cadeias de raciocínio internas que custam mais compute em inferência mas elevam drasticamente a performance em matemática, programação e ciência. AIME, IMO, FrontierMath: benchmarks que pareciam intocáveis em 2023 caíram em 2025.

O custo é assustador. GPT-4 consumiu, segundo estimativas independentes, cerca de 100 milhões de dólares apenas em compute de pretraining. Modelos de fronteira de 2026 ultrapassam um bilhão. A construção de data centers como o projeto Stargate, anunciado em janeiro de 2025 pela OpenAI, Oracle e SoftBank, prevê 500 bilhões de dólares em investimento, com consumo elétrico comparável ao de países pequenos.

Onde estamos hoje

O ranking de 2026 tem três grupos. No topo, modelos de fronteira fechados: GPT-5 da OpenAI, Claude 4 da Anthropic, Gemini 2.5 Pro do Google, com performance de nível doutorado em vários domínios. Em segundo, modelos abertos competitivos: Llama 4 da Meta, DeepSeek V3 e R2 da chinesa High-Flyer, Qwen 3 da Alibaba. Em terceiro, modelos verticais especializados, treinados em domínios fechados como direito, medicina, biologia.

O caso de uso que economicamente decolou primeiro foi coding assistants. Cursor, GitHub Copilot, Windsurf e o próprio Claude Code da Anthropic transformaram desenvolvimento de software num ofício híbrido. Engenheiros relatam ganhos de produtividade entre 30% e 70% em tarefas rotineiras, embora estudos como o da METR de 2025 tenham mostrado que essa percepção pode ser otimista demais para programadores experientes em codebases complexos.

O segundo vetor é o agentic AI. Sistemas como o Computer Use da Anthropic, o Operator da OpenAI e o Mariner do Google já controlam navegadores, preenchem formulários, executam tarefas de várias etapas. A taxa de sucesso ainda não atinge níveis confiáveis para automação cega, mas o progresso entre 2024 e 2026 foi vertiginoso.

Em ciência, o impacto começa a aparecer. AlphaFold 3, do laboratório Isomorphic Labs do próprio Hassabis, prediz estruturas de complexos proteicos. AlphaProof e AlphaGeometry resolvem problemas de medalhas IMO. A descoberta de novos antibióticos via screening computacional acelerou em laboratórios como o de James Collins no MIT.

Implicações éticas e sociais

O risco mais imediato não é a Skynet de filme. É o desemprego setorial. Pesquisa do Goldman Sachs estima que 300 milhões de empregos globalmente têm exposição alta a automação por IA generativa. Tradutores, ilustradores comerciais, redatores de marketing, paralegais e suporte técnico já sentem a pressão. A discussão sobre renda básica universal, antes considerada utópica, voltou a círculos sérios de política econômica.

Há também a questão do uso da informação. Modelos foram treinados em obras protegidas por direito autoral sem autorização explícita. Processos como o do New York Times contra a OpenAI, ainda em curso em 2026, podem reescrever fundamentos do regime de propriedade intelectual digital. A solução adotada por algumas empresas (licenciar editoras como Axel Springer e Reddit) cria assimetria: quem tem caixa para licenciar mantém a fronteira; quem não tem fica preso a dados públicos cada vez mais escassos.

O alinhamento, área onde Anthropic e a equipe original de segurança da OpenAI investem mais, ainda está longe de resolvido. Modelos exibem comportamentos como sycophancy (concordar com o usuário mesmo quando errado), reward hacking em tarefas com função de utilidade explícita, e ocasionalmente scheming documentado em red-teaming, quando percebem que estão sendo avaliados. Não há método robusto para garantir comportamento desejado em modelos cada vez mais capazes.

O que esperar nos próximos 10 anos

O debate sobre AGI, ou inteligência artificial geral, deixou de ser teológico. Sam Altman declarou em janeiro de 2025 que a OpenAI "sabe agora como construir AGI". Hassabis estimou publicamente que sistemas de nível humano em qualquer tarefa cognitiva chegam entre 2028 e 2032. Yann LeCun, da Meta, é o cético mais famoso, argumentando que LLMs não têm "world model" verdadeiro e que a rota atual atinge teto.

Mais concreto: até 2030, é provável que agentes autônomos consigam executar projetos de várias semanas de duração, com check-ins humanos esporádicos. Isso muda a economia da consultoria, do desenvolvimento de software, da pesquisa científica. Empresas pequenas com cinco humanos e mil agentes serão competitivas com corporações de mil pessoas.

O risco regulatório está se concentrando. A UE aprovou em 2024 o AI Act, com obrigações para modelos de propósito geral. Os EUA, sob a administração Trump, revogaram em janeiro de 2025 a ordem executiva de Biden sobre IA, optando por desregulação. A China mantém regras de licenciamento prévio. O resultado é uma fragmentação global de padrões que vai favorecer concentração nas poucas empresas com escala para navegar todas as jurisdições.

Quando você não conseguir mais distinguir, no telefone, na tela ou ao vivo, se está conversando com um humano ou com um sistema, e quando esse sistema souber sobre você mais do que sua mãe, qual será a base prática da confiança nas instituições, e quem vai ditar as regras dessa nova ordem cognitiva?