O debate sobre Inteligência Artificial está mudando de eixo. Se antes o foco recaía sobre vieses e acurácia, a questão fundamental agora é outra: quem tem o poder de construir, ligar e desligar esses sistemas? A discussão deixa de ser sobre o que a IA faz de errado e passa a ser sobre quem define o que ela sequer tentará fazer. O problema não é mais apenas o sintoma, mas o mecanismo de poder por trás dele.

A tese, explorada em uma análise da MIT Technology Review Brasil, é que o desenvolvimento da IA vive uma era de profunda concentração. Um pequeno grupo de empresas — Microsoft, Google, Meta, OpenAI, Anthropic — não detém apenas capital e infraestrutura, mas um poder que o AI Now Institute chama de "epistêmico". Elas decidem quais hipóteses recebem capacidade de cálculo, quais dados são usados e quais arquiteturas definem o "estado da arte". O custo real é invisível: são os caminhos de pesquisa que jamais serão percorridos.

O poder de definir o mapa

A concentração de recursos cria um ciclo vicioso. A lógica de que modelos maiores são inerentemente melhores não é uma lei da física, mas um reflexo direto dos incentivos de quem controla a infraestrutura computacional. O resultado é a exclusão. Segundo o índice de IA da Universidade de Stanford, a África subsaariana responde por menos de 1% da pesquisa global na área. Não se trata de uma exclusão do benefício, mas da própria capacidade de produzir conhecimento relevante para seus contextos.

Essa dinâmica inverte a visão de pioneiros da computação. Norbert Wiener alertou sobre o perigo do poder concentrado em sistemas automatizados. Joseph Weizenbaum criticou a abdicação do julgamento humano em nome da eficiência da máquina. Em contraponto, J.C.R. Licklider e Douglas Engelbart sonharam com uma simbiose homem-máquina que amplificasse a inteligência coletiva e distribuísse o acesso ao conhecimento. O cenário atual, de poder concentrado, julgamento delegado e acesso restrito, representa a antítese desse ideal.

A prova que ninguém pode seguir

Um contraponto claro vem de um campo vizinho: a matemática. Em 2002, Grigori Perelman publicou a prova da Conjectura de Poincaré não em um periódico exclusivo, mas no repositório aberto arXiv. Qualquer um com o conhecimento necessário poderia verificar, contestar e expandir seu trabalho. A validação foi distribuída, global e colaborativa. O avanço não dependeu de um laboratório centralizado, mas de acesso livre ao conhecimento acumulado.

A IA tomou o caminho oposto. Os modelos fundacionais mais importantes são caixas-pretas. Seus dados de treino, arquiteturas e até os critérios de avaliação são proprietários. Sem acesso, a comunidade científica externa não pode auditar, verificar ou construir sobre esses sistemas de forma independente. A pesquisa fica limitada a observar os efeitos dos modelos, os sintomas, sem poder analisar o mecanismo. O conhecimento que se pode produzir sobre um objeto trancado é, por definição, um conhecimento menor.

Para o Brasil e outras nações fora do eixo EUA-China, o risco é o de se tornar um consumidor perpétuo de uma tecnologia importada, herdando soluções para problemas que não são os seus. Modelos que compreendam línguas indígenas, que funcionem com baixa conectividade na Amazônia ou que interpretem o ordenamento jurídico brasileiro não são impossibilidades técnicas. São, no entanto, projetos que carecem de dados, computação e, principalmente, da legitimidade de serem considerados tão importantes quanto as questões que o Vale do Silício escolhe responder. O paradoxo é que o que fica de fora não aparece em nenhuma estatística. É um vazio que não se mede, justamente porque nunca foi construído.

Com reportagem de Brazil Valley

Source · MIT Tech Review Brasil