Uma das principais discussões abordadas no Black Hat 2026, reconhecida por ser uma das mais importantes conferências de cibersegurança do mundo, foi o caso da Hugging Face. A plataforma funciona como um hub open source de hospedagem de modelos e datasets relacionados ao desenvolvimento de I.A. e, em julho de 2026, lançou uma nota relatando que sofreu um ataque cibernético. O relato, entretanto, se mostrou sem precedentes por se tratar de um ciberataque orquestrado por um sistema de agentes de I.A. autônomo, sendo registrado como a primeira ocorrência do tipo sem controle humano. O mais surpreendente da ocorrência é que o início se deu na OpenAI, reconhecida como uma das maiores, se não a maior, companhias de inteligência artificial do mundo.

O episódio começou de forma discreta, ainda em maio de 2026, quase dois meses antes de vir a público. A OpenAI conduzia uma avaliação interna para medir o quão bem um de seus modelos conseguia se comportar como um "hacker" em um ambiente controlado fechado, prática comum na área para entender riscos antes de lançar novas tecnologias. A empresa relata que, na configuração desses sandboxes, o acesso à internet e a comunicação entre agentes não são liberados, então os modelos deveriam trabalhar de forma isolada, cada um resolvendo suas próprias tarefas.

O uso intenso dessa brecha chegou a derrubar o próprio Artifactory no início de julho, levando a equipe de segurança da OpenAI a reconstruir o sistema, o que apagou o quadro de mensagens. Entretanto, os agentes encontraram uma forma de recriá-lo poucos dias depois, codificando mensagens em nomes de diretórios. Foi a partir desse momento que o comportamento coletivo se intensificou: os agentes passaram a dividir tarefas entre si, compartilhar descobertas e, de acordo com o próprio relatório da OpenAI, chegaram a se descrever, em seus registros de raciocínio interno, como um "swarm" (enxame) ou "coletivo".

Um dos agentes acabou encontrando uma aplicação hospedada por um cliente da plataforma Modal, que também funciona como um serviço de nuvem para inteligências artificiais. Uma falha nessa aplicação foi explorada, permitindo que códigos fossem executados dentro dessa plataforma, na qual os agentes estabeleceram uma espécie de base de operações, de onde foram lançados os ataques seguintes. A partir daí, um dos agentes localizou credenciais da Hugging Face expostas publicamente na internet e, nos dias seguintes, eles encadearam novas falhas até conseguirem executar comandos diretamente nos servidores de produção da plataforma, obtendo acesso equivalente ao de administrador em vários clusters da empresa.

Um dos aspectos mais intrigantes do caso, revelado no relatório técnico publicado pela OpenAI, é que esse comportamento não resultou de uma falha isolada, mas de uma combinação de fatores de desalinhamento: agentes que tentavam "trapacear" para completar suas tarefas mais rápido, uma persistência quase obsessiva em problemas que eram impossíveis de resolver dentro das regras propostas, comunicação não autorizada entre agentes que deveriam permanecer isolados e uma tendência preocupante de aceitar instruções vindas de outros agentes sem questionar sua legitimidade. Vale destacar, porém, que nem todo o comportamento observado foi negativo: o relatório mostra que alguns agentes, ao perceberem que a atividade cruzava limites éticos, optaram por não participar e registraram, em seu próprio raciocínio, a recusa em prosseguir.

Curiosamente, quem primeiro identificou que algo estava errado também foi inteligência artificial, já que os sistemas de monitoramento automatizado da OpenAI e da Hugging Face utilizam modelos de linguagem para analisar sinais de segurança em meio ao grande volume de dados gerado diariamente. Essa triagem automatizada apontou atividades suspeitas ligadas às credenciais do Artifactory, levando a OpenAI a conectar os pontos e assumir publicamente sua responsabilidade pelo incidente, já na metade de julho.

O caso gerou um debate importante entre pesquisadores da área e o incidente reforça a necessidade de supervisão humana rigorosa sobre sistemas autônomos, já que, se um teste conduzido e supervisionado por uma das maiores empresas de I.A. do mundo já escapou do controle por meses, o que impede pessoas mal-intencionadas de remover deliberadamente as barreiras que ainda existem? 

Outro ponto levantado foi um risco pouco discutido até então: como a colaboração entre múltiplos agentes pode fazer com que estes influenciem os comportamentos dos outros, de maneiras não antes previstas pelos desenvolvedores. Ou seja, um agente suficientemente capaz pode não apenas gerar uma resposta errada; ele pode agir sobre sistemas externos, descobrir vulnerabilidades, usar credenciais, coordenar-se com outros agentes e modificar sua estratégia para atingir uma meta, o que levanta também questões éticas sobre o uso e desenvolvimento desses modelos.

A OpenAI descreveu o episódio como um “warning shot”, ou sinal de alerta, argumentando que agentes avançados já conseguem realizar operações complexas em vários sistemas se não houver isolamento, monitoramento e controles adequados. Após o incidente, a empresa anunciou reforços em sandboxing, restrição de internet, monitoramento de raciocínio/comportamento, controle de acesso e segurança dos ambientes de avaliação.

O episódio do Hugging Face marca, assim, uma virada simbólica na história da cibersegurança. Se antes o desafio era proteger sistemas contra humanos apoiados por ferramentas de IA, agora surge um problema de outra natureza: como conter e auditar agentes que operam com autonomia crescente, tomam decisões encadeadas ao longo de semanas e podem, involuntariamente, transformar um exercício de avaliação em uma ameaça real. 

Para quem estuda ou trabalha com tecnologia, o caso é um lembrete de que a governança sobre sistemas de inteligência artificial não pode ser tratada como um detalhe técnico secundário. É uma questão central de segurança e de responsabilidade.

Autor: Gustavo Machado Teixeira

A história da computação é, em grande parte, a história da busca humana voltada a fazer as máquinas compreenderem sua linguagem. Por décadas, os computadores foram excelentes em cálculos matemáticos e processamento de planilhas, mas não eram capazes de lidar com as sutilezas, ironias e ambiguidades da linguagem humana. Para um computador clássico, a palavra "banco" em "banco de praça" e "banco financeiro" era exatamente a mesma coisa, uma sequência idêntica de caracteres ASCII. 

A tecnologia que permitiu o surgimento de sistemas como o ChatGPT, tradutores em tempo real e motores de busca semântica chama-se embeddings. Eles representam uma mudança de paradigma, já que ensinar gramática e dicionários para as máquinas foi deixado de lado, e a ideia de transformar a comunicação em Geometria surgiu. Ao modificar conceitos e fazê-los em formato de listas numéricas, cria-se uma ponte direta entre a comunicação humana e a lógica binária dos processadores. Para entender os embeddings, é necessário primeiro abandonar a ideia de palavras como textos e passar a vê-las como coordenadas em um mapa. Pode-se fazer uma analogia com uma folha de papel, um objeto bidimensional. Imagine que fosse necessário organizar palavras com base em duas características, quão "animais" elas são e quão "domésticas" elas são via um plano cartesiano. Nesse papel, "Cachorro" e "Gato" estariam muito próximos no canto superior direito (altamente animais e altamente domésticos). "Lobo" estaria no alto, mas à esquerda (altamente animal, pouco doméstico). "Sofá" estaria na base, à direita. O nome que se dá a essa proximidade espacial é similaridade semântica.

Os embeddings modernos fazem exatamente isso, mas em vez de duas dimensões, eles utilizam centenas ou milhares delas. Cada dimensão do vetor captura uma característica e significado diferente do texto, pode ser o gênero, a polaridade emocional, o tempo verbal, a formalidade, entre inúmeras outras características sutis que o próprio modelo de inteligência artificial descobre sozinho durante o treinamento. Quando um modelo lê bilhões de parágrafos na internet, ele percebe que certas palavras são similares e aplicadas a conceitos e situações parecidas e, através de complexos cálculos neurais, ajusta as coordenadas numéricas para que palavras de significado semelhantes terminem vizinhas nesse espaço multidimensional.

Nesta representação visual, é possível notar claramente como a tecnologia de embedding organizaria as palavras caso fosse utilizado um vetor de 3 dimensões. Nesse caso, 'banana' e 'maçã' estariam próximas, e distantes de animais, como 'cachorro' .

Hoje, é impossível conceber a Inteligência Artificial avançada sem esse mecanismo de vetorização. Os embeddings deixaram de ser apenas um protótipo de tecnologia para se tornarem uma das ferramentas mais utilizadas no dia de hoje, alguns exemplos podem ser vistos em sistemas como RAG, sistemas de recomendação e buscas por imagem. 

Em Sistemas RAG (Retrieval Augmented Generation), grandes corporações usam embeddings para permitir que IA "leia" todos os seus documentos internos. Os PDFs, planilhas e e-mails da empresa são vetorizados e armazenados em bancos de dados vetoriais. Quando um funcionário faz uma pergunta, o sistema transforma a pergunta em um vetor, busca os documentos que estão espacialmente mais próximos e usa essa informação para gerar a resposta. 

Na Recomendação Hiper-Personalizada, plataformas de e-commerce e streaming não apenas criam embeddings de produtos ou filmes, mas também criam vetorizações dos usuários. Se o seu vetor de gosto musical aponta para a mesma direção de uma banda indie recém-lançada, o algoritmo cruza essas coordenadas e faz a recomendação no aplicativo.  

Já na busca por imagem, modelos multimodais modernos criaram um espaço vetorial compartilhado. Eles conseguem alinhar matematicamente a foto de um gato e o texto "foto de um gato" na mesma região do espaço. É isso que permite que, ao digitar "cachorro correndo na praia" em um aplicativo de galeria no celular, a foto apareça, mesmo que ela jamais tenha recebido qualquer tipo de etiqueta de texto manual.

Apesar de ser uma tecnologia transformadora, principalmente quando se fala em sistemas de LLMs e de recomendação, ainda são observados problemas éticos e sociais na aplicação da tecnologia, que se tornaram o foco da melhoria. O mais visível e debatido é o Viés Algorítmico. Como os embeddings são moldados estatisticamente pelos textos produzidos pela humanidade e depositados na internet ao longo de décadas, eles refletem e amplificam os preconceitos sociais, raciais e de gênero. Historicamente, modelos não calibrados associaram matematicamente ocupações de engenharia e ciência aos vetores masculinos, e profissões de cuidado e assistência aos femininos. Limpar a geometria desses espaços sem prejudicar a tecnologia linguística do modelo continua sendo um desafio a ser resolvido.

Outro problema é a falta de interpretabilidade. Por mais que a geometria espacial em três dimensões seja utilizada para fins educacionais, os embeddings reais operam em espaços de 1.000 ou 4.000 dimensões. Quando um algoritmo de busca comete um erro ou um modelo fornece uma associação bizarra, é quase impossível para um engenheiro abrir o espaço geométrico, apontar para a dimensão número 482 do vetor e dizer, "Aqui está o erro lógico". A máquina entende o espaço, mas esse espaço é incompreensível para o cérebro humano.

Por fim, o futuro aponta para a hiper-personalização e a consolidação de modelos multimodais nativos, onde texto, som, imagens e até dados genéticos poderão conviver e ser comparados no mesmo espaço geométrico. Ao traduzir a linguagem em números, os embeddings provaram que o significado não é feito apenas de letras empilhadas, mas de distâncias e relações.

Autor: Gabriel Vargas Saueressig

Referências Bibliográficas:

• AMAZON WEB SERVICES (AWS). O que são Embeddings em machine learning? AWS Cloud Computing Concepts Hub. Disponível em: https://aws.amazon.com/pt/what-is/embeddings-in-machine-learning/. Acesso em: 20 ago. 2026.
• BARNARD, Joel. O que é embedding? IBM Think. Disponível em: https://www.ibm.com/br-pt/think/topics/embedding. Acesso em: 20 ago. 2026.
• DASCALESCU, Dan; HASAN, Zain. Vector Embeddings Explained. Weaviate Blog. Disponível em: https://weaviate.io/blog/vector-embeddings-explained. Acesso em: 20 ago. 2026.

Disponível como aplicativo, a plataforma integra o uso de Veículos Aéreos Não Tripulados - VANTs, conhecidos popularmente por drones, equipamentos de sensoriamento remoto e inteligência artificial para identificar florações de cianobactérias de forma ágil e precisa. O sistema substitui a dependência exclusiva de métodos laboratoriais lentos por um monitoramento operacional capaz de gerar alertas rápidos para os gestores.

O que são cianobactérias

As cianobactérias são bactérias que obtêm energia por meio da fotossíntese e também são conhecidas como algas azuis. Elas são encontradas principalmente na água doce, mas também podem se desenvolver na água salgada, em sedimentos, rochas e solos. Contudo, em águas poluídas com excesso de nutrientes, podem se multiplicar de forma descontrolada e liberar toxinas perigosas para animais e humanos, que podem, inclusive, levar ao óbito.

Tecnologia integrada

A tecnologia utiliza drones equipados com sensores para capturar imagens que, processadas em nuvem, quantificam os indicadores dos parâmetros microbiológicos. Os resultados são exibidos no aplicativo por meio de mapas de calor e representações matemáticas de fácil interpretação. Essa abordagem tem por objetivo reduzir custos operacionais e aumentar a frequência das inspeções em comparação aos trabalhos de campo tradicionais.

No futuro, o professor prevê que o modelo pode ser utilizado para encontrar outros contaminantes na água, além de permitir análises por meio de imagens captadas por celular. Conforme aponta Araújo, a próxima pesquisa se dará em coliformes fecais e eles visam expandir para o estudo de outras variáveis que estão nas normativas de qualidade da água.

A aplicação, inicialmente desenvolvida para monitorar reservatórios para consumo humano e animal, também pode ser estendida para o monitoramento da qualidade em outros cursos d’água. Em rios mais volumosos e largos, os drones poderão ser usados com maior facilidade, em arroios ou rios menores, o celular pode ser a opção para a captação de imagens.

Segurança hídrica e saúde pública

Esse monitoramento vem para enfrentar um desafio de saúde pública e pretende atuar na prevenção de episódios de contaminação da água, como aconteceu em Caruaru (PE), em 1996. Na ocasião, a contaminação da água por toxinas de cianobactérias resultou na infecção de cerca de cem pessoas e na morte de 60 pacientes em uma clínica de hemodiálise.

Além disso, o CIANOVANT visa atuar na identificação precoce de riscos, prevenindo também o agravamento de doenças e o uso de água contaminada. Estudo publicado em 2020 na PLOS Neglected Tropical Diseases relacionava a presença dessas toxinas à potencialização dos efeitos do vírus da Zika e recomendava o monitoramento da água em reservatórios, principalmente em períodos de seca.

O projeto desenvolveu uma solução moderna para ajudar a avaliar riscos à população. Segundo Araújo, "a importância do aplicativo está em converter dados complexos em informação prática para a tomada de decisão". O professor reforça ainda que “a inovação democratiza o monitoramento ambiental ao permitir que drones de menor custo também forneçam resultados eficazes para a proteção da saúde pública e do meio ambiente”.

Democratização da ciência

A plataforma, que já obteve registro junto ao Instituto Nacional da Propriedade Industrial (INPI), exemplifica o impacto prático da pesquisa desenvolvida dentro das universidades públicas brasileiras. Ao transformar conhecimento científico em uma solução acessível para a gestão ambiental, o projeto reafirma o papel essencial da UFSM/FW na produção de tecnologia nacional voltada para a qualidade de vida e a segurança da população.

Ao comentar sobre a importância deste tipo de pesquisa, o professor destaca que “a universidade pública democratiza o acesso à ciência e à tecnologia, forma profissionais capacitados, fortalece o desenvolvimento regional e oferece soluções que podem ser adaptadas e utilizadas por comunidades, instituições públicas e produtores”. “Pesquisas como esta demonstram que o conhecimento produzido no ambiente acadêmico pode ultrapassar os limites da universidade e contribuir diretamente para o enfrentamento de demandas sociais e ambientais relevantes”, assinala Araújo. “Esse retorno social é uma das principais finalidades da pesquisa pública: transformar conhecimento em benefícios concretos para a população”, finaliza.

Financiada pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), a iniciativa também cumpre uma função central na formação de novos cientistas. O desenvolvimento do CIANOVANT mobiliza uma equipe multidisciplinar que integra estudantes de graduação e pós-graduação, conectando o aprendizado acadêmico diretamente à resolução de desafios reais de saúde pública e sustentabilidade.

Por Cristina Guerini
Divisão de Divulgação Institucional - DDI

O uso de inteligências artificiais na escrita científica está transformando a forma como pesquisadores produzem e revisam seus trabalhos. 

Desde o seu surgimento, a Inteligência Artificial tem desempenhado diversas funções nas mais diferentes áreas da sociedade, destacando-se pela sua aplicação no cotidiano acadêmico, auxiliando estudantes na realização de trabalhos e pesquisadores no desenvolvimento de artigos científicos. Essa transformação tornou-se mais evidente com o lançamento do ChatGPT, em novembro de 2022, que popularizou o uso de modelos de linguagem de grande escala (LLM) ao redor do mundo. Um estudo publicado na revista Science Advances em 2025 analisou mais de 15 milhões de resumos científicos e estimou que pelo menos 13,5% dos artigos publicados em 2024 foram redigidos com auxílio de inteligência artificial, proporção que chega a 40% em algumas áreas do conhecimento, evidenciando a crescente incorporação de ferramentas baseadas em IA nas diferentes etapas da escrita científica. Entretanto, ao mesmo tempo em que a inteligência artificial amplia as possibilidades da escrita científica, ela também levanta debates sobre integridade acadêmica, autoria e confiabilidade dos resultados produzidos.  

Os modelos de linguagem transformaram de maneira significativa a forma como pesquisadores redigem e refinam seus textos científicos. No campo da escrita acadêmica, os recursos de inteligência artificial passaram a auxiliar na revisão gramatical, na melhoria da coesão textual e na adequação do vocabulário ao contexto científico. Além disso, representam um avanço importante para pesquisadores não familiarizados com a língua inglesa, idioma predominante nas publicações científicas internacionais, ao facilitar a tradução e a adaptação linguística dos textos. 

Outro impacto relevante aparece na etapa de revisão da literatura, com o auxílio de ferramentas de IA, esse processo tornou-se significativamente mais ágil: os modelos conseguem identificar trabalhos relevantes, resumir seus principais achados, permitindo que o pesquisador direcione sua atenção para a análise crítica em vez de apenas para o levantamento de informações. 

Entre as ferramentas para auxílio na construção dos textos , destacam-se o Elicit e o Consensus, voltados para a busca e síntese de literatura científica; Para revisões gramaticais e estilísticas, o Grammarly aparece como o mais recomendado nas pesquisas. Além desses, o ChatGPT, pode ser utilizado em diversas  etapas da escrita, como estruturação de ideias e revisão de rascunhos.

No entanto, a crescente adoção de ferramentas de IA na escrita científica, não ocorre sem riscos. Um dos problemas mais preocupantes é o fenômeno das alucinações, situações em que modelos de linguagem geram informações incorretas ou referências bibliográficas inexistentes aparentemente confiáveis. Esse comportamento ocorre por duas razões principais: imprecisões nos dados utilizados no treinamento do modelo, que levam o sistema a internalizar e propagar erros, e limitações na forma como os modelos memorizam e processam as informações. Em outras palavras, o modelo não sabe que está errado, ele gera texto estatisticamente plausível, não necessariamente verdadeiro. Essas ocorrências são particularmente preocupantes no contexto científico, onde a precisão das fontes é indispensável, por esses motivos, o uso de IA é considerado uma ameaça  à integridade dos trabalhos produzidos. 

Outro desafio está relacionado à autoria e plágio. Com a facilidade de geração de texto usando modelos de linguagem, surge o questionamento: quem é o autor de um trabalho científico produzido com auxílio significativo de IA? Uma vez que a autoria científica carrega responsabilidades éticas e legais sobre o conteúdo publicado. Pesquisas indicam que uma parcela significativa de pesquisadores utiliza LLMs para redigir, editar e resumir manuscritos, mas muitos não declaram esse uso, levantando preocupações sobre transparência. Além disso, a geração automática de texto aumenta o risco de plágio, visto que ocorre o aproveitamento de trechos gerados pelo modelo sem a devida verificação de originalidade.

Diante desse cenário, a comunidade científica tem avançado na criação de boas práticas. Organizações como o Comitê de Ética em Publicações (COPE) e iniciativas institucionais como a Resolução Unesp nº 13 de 2025 estabeleceram que o uso de IA deve ser declarado de forma transparente nos manuscritos, e que o descumprimento pode resultar na rejeição ou retratação do artigo. Trata-se de um consenso ainda em construção, mas que já aponta para uma direção clara, a IA pode auxiliar, mas a autoria e a responsabilidade científica permanecem intransferíveis. 

A inteligência artificial chegou à escrita científica para ficar. Suas contribuições são inegáveis - pelo fato de acelerar processos , reduzir barreiras linguísticas e ampliar o acesso à produção do conhecimento. Ao mesmo tempo, os desafios que ela impõe, como alucinações, questões de autoria e riscos de plágio, revelam que a tecnologia, por mais sofisticada que seja, não substitui o julgamento crítico do pesquisador. Muito pelo contrário, quanto mais poderosa a ferramenta, maior a responsabilidade de quem a utiliza. Nesse novo cenário, o papel do cientista não diminui, ele se transforma, sendo sua responsabilidade avaliar, questionar e assumir integralmente autoria pelo conhecimento que produz, independentemente de quais ferramentas utilizou no caminho.

Autor: Guilherme Thomasi Ribas

Redação desenvolvida na atividade Petiano por um dia.

Referências

GRANJEIRO, J. M. et al. The future of scientific writing: AI tools, benefits, and ethical implications. Brazilian Dental Journal, 2025. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC11981593/ . Acesso em: 25 mai. 2025      

KOBAK, D. et al. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 2025. Disponível em: https://www.science.org/doi/10.1126/sciadv.adt3813 .Acesso em: 25 mai. 2025 

KLEIDERMACHER, H.; ZOU, J. Science across languages: assessing LLM multilingual translation of scientific papers, 2025. Disponível em: https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3003215 .Acesso em: 25 mai. 2025

ZHANG, Y. et al. Siren's song in the AI ocean: a survey on hallucination in large language models, 2023. Disponível em: https://arxiv.org/html/2309.01219v3 .Acesso em: 25 mai. 2025

WALTERS, W. H.; WILDER, E. I. Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 2023.Disponível em: https://www.nature.com/articles/s41598-023-41032-5 .Acesso em: 25 mai. 2025

PORTAL DE PERIÓDICOS ELETRÔNICOS DA FFC/UNESP. Políticas e condições de uso da inteligência artificial. Resolução Unesp nº 13, 22 abr. 2025. Disponível em: https://revistas.marilia.unesp.br/index.php/bjir/Politica_Uso_IA.Acesso em: 25 mai. 2025

SCIENCE/AAAS. One-fifth of computer science papers may include AI content. Science, 2025. Disponível em: https://www.science.org/content/article/one-fifth-computer-science-papers-may-include-ai-content.Acesso em: 25 mai. 2025

Olá, pessoal! Nesta edição da PET Redação falaremos sobre inteligência artificial (IA) desenvolvida em nosso país. Atualmente, os modelos de linguagem em larga escala (LLMs) são muito utilizados por usuários de tecnologia em todo o mundo. No Brasil, eles fazem parte do cotidiano de parte considerável da população, ao consultar um agente virtual, perguntar sobre o clima ou pedir que realizem alguma tarefa. Este uso transforma a forma com a qual trabalhamos, estudamos e pensamos, sendo uma ferramenta poderosa para o governo, empresas, estudantes e qualquer tipo de usuário. Contudo, as tecnologias mais utilizadas pelos brasileiros não são desenvolvidas em nosso território, como o Chat GPT, Gemini e Copilot. De acordo com um estudo realizado pela ESPM e divulgado pela Forbes, 93% dos brasileiros conectados já usaram as ferramentas de conversação com IA da OpenAI, Google e Microsoft e 98% conhecem esse tipo de recurso. Apesar de serem eficientes, estes mecanismos não compreendem totalmente o contexto brasileiro, para isto, existem alternativas desenvolvidas por empresas e universidades nacionais com pesquisas avançadas e voltadas para o contexto e a linguagem brasileira.

Por que utilizar IAs brasileiras?

Estas tecnologias foram treinadas essencialmente com materiais em língua portuguesa, incluindo postagens da internet, artigos, livros e tudo relacionado à cultura brasileira. Isto faz com que os modelos sejam capazes de lidar com frases, gírias e expressões idiomáticas próprias do Brasil, permitindo uma maior compreensão dos prompts enviados. Além disso, utilizar IAs nacionais auxilia no desenvolvimento de pesquisas e empresas do país, o que estimula a criação de empregos especializados em nosso próprio território. Igualmente, estas tecnologias possuem maiores informações sobre o contexto nacional, o que as torna melhores para desenvolver soluções moldadas pelas particularidades socioeconômicas do país nas mais diversas áreas como o agronegócio, a educação inclusiva e a modernização de órgãos públicos. Em seguida, vamos conferir 3 iniciativas de IA desenvolvidas no Brasil.

Maritaca AI

A Maritaca AI é uma empresa fundada em 2022 pelo engenheiro e cientista da computação Rodrigo Nogueira em conjunto com pesquisadores da Unicamp. A empresa possui um chatbot gratuito chamado MariTalk, alimentado pelo LLM Sabiá-2. Além disso, disponibiliza uma API do MariTalk que permite utilizar modelos Sabiá através da linguagem de programação Python, sendo pagos os tokens enviados e gerados. Há também uma versão paga que pode ser hospedada localmente. 

O modelo Sabiá compreende profundamente o idioma português, sendo possível gerar textos nativos no nosso idioma de forma mais completa do que modelos treinados em outros países que não falam a língua. A fim de validar o modelo, foram realizados testes com provas nacionais. O Sabiá passou em um teste de benchmark chamado OAB Bench, que avalia o desempenho dele em escrita jurídica para exames da Ordem dos Advogados do Brasil, e obteve desempenho superior aos modelos GPT 3.5 Turbo da OpenAI e Gemini 1.0 Pro do Google em provas como Enem, Enade e os vestibulares da USP e da Unicamp, ficando atrás apenas do Chat GPT-4 Turbo e do Claude 3 Opus.

Amazônia IA

A Amazônia IA é um LLM desenvolvido pela WideLabs, uma empresa de Porto Alegre que conta com parcerias estratégicas como a Nvidia, que fornece as GPUs H-100 e a Oracle, que fornece a infraestrutura em nuvem para hospedagem e execução. Este modelo é especialista em cultura, hábitos e legislação brasileira, uma vez que foi treinado com artigos acadêmicos de universidades brasileiras, documentos governamentais, literatura brasileira e demais veículos de comunicação nacionais. Este treinamento ocorreu combinando bases de dados públicas do Brasil e do exterior, além de dados privados protegidos por direitos autorais com autorização obtida pela empresa. Ainda, vale destacar que a família de modelos Amazônia IA é dividida em três opções com focos distintos: Golia (maior custo-benefício), Guara (conversão de fala para texto) e Harpia (reconhecimento ótico de caracteres).

GAIA

O GAIA é um modelo open source feito em uma parceria entre Google, Associação Brasileira de Inteligência Artificial (ABRIA), Universidade Federal do Goiás (UFG) e as startups nacionais Amadeus IA e Nama. A ideia do GAIA é ser um modelo avançado aprimorado para o português do Brasil, uma vez que ele foi construído a partir do  Gemma, modelo de IA generativa de código aberto do Google.

Celso Camilo, professor da UFG, comentou que o desenvolvimento desta tecnologia pode beneficiar indústrias e o desenvolvimento de recursos nacionais, permitindo que organizações brasileiras apliquem IA e encontrem soluções adaptadas pelas nuances linguísticas do país. O modelo já foi testado por organizações dos setores público e privado, como o Tribunal de Contas de Goiás, que utilizou a inteligência artificial para identificar padrões em processos. Conforme a Google, espera-se que ele ainda seja testado pela Unimed Fesp, a BeNext, a BHub, e o Centro de Estudos e Sistemas Avançados do Recife. Como o modelo é gratuito e em código aberto, é possível testá-lo a partir de plataformas como Gemmaverse e Huggingface.

Conclusão

É inegável que o uso da IA veio para ficar e transformar métodos de estudo e trabalho. Neste sentido, é interessante variar as ferramentas que utilizamos para não dependermos 100% de apenas uma delas. Iniciativas como Sabiá, Amazônia e GAIA evidenciam o potencial do Brasil em integrar espaços que inicialmente parecem estar ocupados por grandes companhias dos Estados Unidos. Sendo assim, valorizar modelos de linguagem brasileiros é importante para auxiliar no desenvolvimento da pesquisa nacional em inteligência artificial e expandir este mercado dominado por outros países. 

Autor: Gustavo Pott de Oliveira

Referências:

MARITACA AI. Disponível em: https://www.maritaca.ai/. Acesso em: 8 mai. 2026.

ALENCAR, Nathan. Gaia, Amazônia e mais 5 IAs generativas brasileiras. Canaltech, 2024. Disponível em: https://canaltech.com.br/inteligencia-artificial/gaia-amazonia-e-mais-5-ias-generativas-brasileiras/. Acesso em: 8 mai. 2026.

HOSTMIDIA. Inteligências Artificiais Brasileiras: Conheça as Principais Iniciativas. Blog HostMídia, 2024. Disponível em: https://www.hostmidia.com.br/blog/inteligencias-artificiais-brasileiras/. Acesso em: 8 mai. 2026.

ADAPTA. IA Brasileira: O cenário da inteligência artificial no Brasil. Adapta Blog, 2024. Disponível em: https://adapta.org/blog/ia-brasileira. Acesso em: 8 mai. 2026.

CNN BRASIL. A ascensão da inteligência artificial no cotidiano brasileiro. CNN Brasil, 2024. Disponível em: https://www.cnnbrasil.com.br/esportes/apostas/responsabilidade-no-jogo/a-ascensao-da-inteligencia-artificial-no-cotidiano-brasileiro/. Acesso em: 8 mai. 2026.

FORBES TECH. IA já é hábito de 93% dos brasileiros conectados; veja quais são as ferramentas mais usadas. Forbes Brasil, 11 jun. 2025. Disponível em: https://forbes.com.br/forbes-tech/2025/06/ia-ja-e-habito-de-93-dos-brasileiros-conectados-veja-quais-sao-as-ferramentas-mais-usadas/. Acesso em: 8 mai. 2026.

FORBES BRASIL. Gaia: conheça o modelo de IA desenvolvido por pesquisadores brasileiros. Forbes Brasil, 10 jun. 2025. Disponível em: https://forbes.com.br/escolhas-do-editor/2025/06/gaia-conheca-o-modelo-de-ia-desenvolvido-por-pesquisadores-brasileiros/. Acesso em: 8 mai. 2026.

ALENCAR, Nathan. Gaia: Google revela IA em código aberto que domina português do Brasil. Canaltech, 2024. Disponível em: https://canaltech.com.br/inteligencia-artificial/gaia-google-revela-ia-em-codigo-aberto-que-domina-portugues-do-brasil/. Acesso em: 8 mai. 2026.

Conforme explica o coordenador nacional do Flores para Todos, o professor Nereu Augusto Streck, as etapas do cultivo e as práticas de manejo do girassol foram realizadas pelos extensionistas da Emater/RS-Ascar seguindo o protocolo nacional do projeto. "Essa combinação de ferramentas de inteligência artificial e o manejo técnico resultaram em plantas floridas que encantam os visitantes desde o primeiro dia da feira", comemora o professor.

Além do projeto de extensão, a UFSM participou com a Equipe PhenoGlad da UFSM, composta por estudantes de graduação e de pós-graduação. A equipe compartilhou técnicas de cultivo das flores, composição de buquês com flores desidratadas e arte floral. Também houve divulgação de livros temáticos. 

A inteligência artificial deixou de ser uma promessa distante e passou a ser parte do dia a dia de empresas de todos os tamanhos. Ferramentas que geram texto, resumem reuniões, revisam código e automatizam tarefas repetitivas já estão disponíveis e sendo usadas por times inteiros ao redor do mundo. Nesse cenário, a questão não é mais se sua organização vai adotar IA, mas como vai fazer isso, porque quem ignora essa mudança corre um risco real de perder competitividade.

O mercado de trabalho está se reorganizando em torno de quem sabe se comunicar bem com essas ferramentas. Segundo dados levantados em treinamentos recentes sobre o tema, 78% das empresas já registraram uso de IA fora das políticas internas, o chamado Shadow AI, onde funcionários recorrem a modelos externos sem nenhuma governança. Isso mostra que a demanda existe e é crescente, com ou sem o aval das empresas. A diferença entre usar IA de forma produtiva e usar de forma problemática está, quase sempre, em quanto se conhece sobre como ela funciona de verdade.

O que a IA realmente faz

Entender o básico do funcionamento dessas ferramentas já é um passo importante. Modelos de linguagem como os disponíveis hoje geram texto palavra por palavra, calculando probabilidades a partir do que foi enviado no prompt. Eles não calculam, não raciocinam como humanos e não têm acesso a informações em tempo real, a menos que isso seja explicitamente configurado. Isso explica por que respostas podem parecer convincentes mas estar erradas, um fenômeno chamado de alucinação.

Dois conceitos são centrais para usar bem essas ferramentas no trabalho: prompt engineering e context engineering. O primeiro trata de como você formula o que pede. Um bom prompt define quem a IA deve ser, qual o contexto, o que deve ser feito e qual o formato esperado na resposta. Técnicas como few-shot, que consiste em dar exemplos do que você quer, e chain-of-thought, que força a IA a raciocinar passo a passo, fazem diferença real na qualidade do resultado. O segundo conceito, context engineering, vai além do prompt em si. Ele diz respeito a tudo que você coloca na janela de contexto da IA, incluindo histórico da conversa, documentos, regras e instruções de como ela deve se comportar. Quanto mais organizado e relevante for esse contexto, melhor e mais consistente será o output.

Outro conceito que ganhou muita força recentemente é o MCP, sigla para Model Context Protocol. De forma simples, o MCP funciona como uma ponte padronizada entre a IA e ferramentas externas, como sistemas de tarefas, e-mail, calendário ou bases de dados. É como se fosse um conector universal que permite à IA executar ações no mundo real, como criar um ticket no Jira, buscar informações no Drive ou enviar uma mensagem. Isso transforma a IA de uma ferramenta de geração de texto em um agente que pode agir dentro dos processos da empresa.

Como usar de forma inteligente

Saber que a ferramenta existe não é suficiente. É preciso construir um workflow, ou seja, uma forma estruturada de integrar a IA nas tarefas do dia a dia, com configurações claras e padrões definidos.

O ponto de partida é o prompt engineering, que é a disciplina de estruturar bem o que você pede para a IA. Um bom prompt não é uma frase solta jogada no chat. Ele define quatro elementos centrais: quem a IA deve ser (sua persona ou papel), qual o contexto da tarefa, o que exatamente precisa ser feito e qual o formato esperado na resposta. Essa estrutura reduz ambiguidade e aumenta muito a consistência dos resultados.

Além disso, existem técnicas específicas que fazem diferença na prática. O few-shot consiste em dar exemplos concretos do que você quer dentro do próprio prompt, mostrando para a IA o padrão de resposta esperado em vez de apenas descrevê-lo. O chain-of-thought, por sua vez, força a IA a raciocinar passo a passo antes de chegar a uma conclusão, o que é especialmente útil em problemas complexos onde uma resposta direta tende a ser superficial. Já o prompt chaining divide uma tarefa grande em etapas menores e sequenciais, onde o output de um prompt vira o input do próximo. Essa abordagem é mais robusta porque reduz a chance de a IA perder o fio da meada em tarefas longas.

Um erro comum é tratar o prompt como algo fixo. Na prática, prompt engineering é um ciclo contínuo de criação, teste, revisão e melhoria. Uma boa referência é reservar cerca de 30% do tempo economizado com IA para revisar os resultados e 20% para aprimorar os prompts usados. Isso pode parecer trabalhoso no começo, mas é exatamente o que transforma o uso superficial em algo consistente e confiável.

Frameworks como RISEN e Co-Star também ajudam a sistematizar esse processo. Eles organizam o prompt em blocos, definindo papel, objetivo, contexto, etapas e restrições de forma clara, o que evita prompts vagos e melhora a qualidade desde o primeiro contato com a ferramenta.

Além do prompt em si, é preciso pensar no contexto mais amplo. Isso inclui criar arquivos de contexto que descrevam o papel da IA em cada projeto, definir regras de comportamento específicas e organizar memórias de longo prazo para que a ferramenta mantenha consistência ao longo do tempo. Tratar esses arquivos como um repositório versionado, da mesma forma que código-fonte, é uma prática recomendada para equipes que querem escalar o uso de IA sem perder qualidade.

Sistemas com múltiplos agentes também são uma realidade prática hoje. É possível configurar agentes com perfis diferentes, como revisor de qualidade, analista de produto e desenvolvedor, para que cada um avalie um entregável de forma independente e depois cruzem suas análises. Esse tipo de orquestração reduz erros e traz uma profundidade que um único prompt não consegue.

Mas há um ponto que não pode ser ignorado: a IA não é infalível e a supervisão humana é obrigatória. Erros acontecem, especialmente em tarefas que envolvem cálculos, citações ou decisões que afetam pessoas. Confiar cegamente no resultado é um dos erros mais comuns e também um dos mais perigosos, especialmente em contextos de negócio ou jurídico. A postura certa é tratar a IA como um colaborador capaz, mas que precisa de revisão antes de qualquer entrega crítica.

Conclusão

Ignorar a inteligência artificial no ambiente profissional hoje equivale a ignorar a internet nos anos 2000. A tecnologia está madura o suficiente para gerar valor real, mas imatura o suficiente para causar problemas sérios quando usada sem critério. O caminho não é usar IA para tudo de qualquer jeito, mas construir uma forma inteligente de integrá-la, com contextos bem definidos, prompts estruturados, integrações via MCP onde fizer sentido e revisão humana nos pontos críticos. Quem desenvolver esse hábito agora vai estar bem posicionado num mercado que já cobra essa habilidade e vai cobrar cada vez mais.

A UFSM, por meio de iniciativa conjunta da Pró-Reitoria de Pós-Graduação e Pesquisa (PRPGP), da Pró-Reitoria de Inovação e Empreendedorismo (PROINOVA) e do Centro de Processamento de Dados (CPD), publicou o Edital Interno nº 018/2026, voltado à seleção de uma proposta institucional a ser submetida ao Edital MEC nº 01/2026 – Sandbox Regulatório de Inteligência Artificial na Educação. O objetivo da chamada é selecionar uma proposta institucional de solução de Inteligência Artificial aplicada à educação, com alto potencial de impacto, inovação e viabilidade técnica.

A iniciativa busca qualificar a participação institucional da UFSM no edital do Ministério da Educação, o Sandbox, que selecionará até oito soluções de IA para participação em ambiente regulatório experimental. Podem submeter propostas docentes, técnico-administrativos em educação, grupos de pesquisa e laboratórios institucionais da UFSM. As propostas poderão ter caráter interdisciplinar e deverão contar com um responsável pelo projeto, na condição de coordenador.

Entre os requisitos, as soluções devem estar em fase inicial de desenvolvimento, demonstrar viabilidade técnica e operacional, utilizar dados anonimizados e apresentar aplicação na área educacional. O edital contempla áreas como acesso, permanência e êxito escolar; Educação de Jovens e Adultos (EJA); redução de desigualdades; inclusão digital e acessibilidade; gestão educacional; prevenção da evasão escolar; apoio pedagógico complementar; integração e análise de dados educacionais; interoperabilidade; e inovação pública digital.

As propostas devem ser enviadas em arquivo PDF único para o e-mailnpe.prpe@ufsm.br, com o assunto “Sandbox IA MEC 2026 – Nome coordenador(a), laboratório, ou grupo de pesquisa”. O prazo para submissão é até 4 de maio de 2026.

O resultado preliminar está previsto para 7 de maio, com período de recursos em 8 de maio. O resultado final será divulgado em 11 de maio, e a proposta finalista poderá ser convocada para apresentação oral, em formato on-line, no dia 12 de maio. A submissão da proposta selecionada ao MEC deverá ocorrer até 13 de maio de 2026.

O edital nº 018/2026 completo está disponível na página de editais da PRPGP.

Além do edital interno da UFSM, os interessados devem acessar o Edital MEC nº 01/2026 – Sandbox Regulatório de Inteligência Artificial na Educação, para conhecimento integral das regras e disposições da seleção nacional.

Texto: Laura Gassen
Revisão: Victor Cesar Rodrigues Carvalho

A Pró-Reitoria de Inovação e Empreendedorismo (Proinova) da UFSM iniciou, na segunda-feira (27), a primeira edição da Semana da Propriedade Intelectual. Com o tema “Da ideia ao impacto”, a programação é voltada à promoção da inovação e à proteção do conhecimento científico. A iniciativa foi planejada em alusão ao Dia Mundial da Propriedade Intelectual, celebrado em 26 de abril.

A abertura ocorreu no auditório do Instituto Nacional de Pesquisas Espaciais (INPE), no campus de Santa Maria, e contou com a palestra “Construção de patentes relevantes na era da inteligência artificial”, ministrada por Henry Suzuki, sócio fundador e CEO da Axonal Consultoria Tecnológica.

Além das atividades no campus sede, a programação se estende aos demais campi da UFSM, com o objetivo de ampliar o debate e promover ações práticas relacionadas à propriedade intelectual em diferentes regiões do estado. Em Palmeira das Missões, Cachoeira do Sul e Frederico Westphalen estão previstas a dinâmica “Desafio de PI” e a apresentação do “Programa Inovação da UFSM: Núcleo de Propriedade Intelectual – Estrutura, atividades e escuta das demandas da comunidade”, além da realização da palestra de Henry Suzuki em todas as unidades.

Propriedade intelectual na Universidade

A UFSM encerrou o último ano com a concessão de 13 patentes de invenção pelo Instituto Nacional da Propriedade Industrial (INPI), resultado que evidencia o avanço da Instituição na área de inovação e proteção do conhecimento científico. Nesse contexto, a propriedade intelectual se consolida como um instrumento estratégico para ampliar o alcance das pesquisas desenvolvidas no ambiente acadêmico.

Segundo a coordenadora de Transferência de Tecnologia e Propriedade Intelectual da Proinova, Lauren Peres Lorenzoni, “quando a gente fala em propriedade intelectual, não estamos falando só da proteção de algo que é desenvolvido dentro da Universidade. A gente tem que pensar também em como se transfere isso para a sociedade”.

Além dos registros de patentes, a UFSM também investe na formação acadêmica voltada ao tema por meio da oferta da Atividade Complementar de Pós-Graduação (ACPG) intitulada “Introdução à Propriedade Intelectual”, destinada a estudantes de pós-graduação com o objetivo de aproximar os pesquisadores dos conceitos e práticas da área.

Para a coordenadora, essa relação entre pesquisa e propriedade intelectual está diretamente ligada ao papel da Universidade no desenvolvimento social e econômico. “Quando falamos que a base da propriedade intelectual é a pesquisa, isso é também a essência de uma universidade. Então, nós trabalhamos sobre isso de forma estratégica, valorizando o que é desenvolvido aqui para que chegue na sociedade, não só por meio de artigos, mas também por meio de proteções e comercialmente, gerando mais empregos e auxiliando no desenvolvimento, tanto local quanto mundial", afirma Lauren.

Desafios na era da inteligência artificial

O uso de ferramentas de inteligência artificial na busca e escrita de patentes foi um dos temas abordados durante a palestra de abertura, especialmente no que se refere à confiabilidade das informações geradas. “Quando usamos inteligências artificiais, como Chat GPT, Perplexity e Gemini, elas fornecem respostas rapidamente, quase de forma instantânea. No entanto, utilizam apenas alguns segundos de processamento para formar essa resposta, o que a torna incompleta e pouco confiável”, afirmou Henry Suzuki durante sua fala no evento.

De acordo com o palestrante, essas ferramentas devem ser utilizadas como apoio ao trabalho humano. “A gente é tudo o que tem mais aquilo que a IA oferece. Então, é lógico que sempre será melhor um humano do que apenas uma IA”, destacou

Além da qualidade das respostas, o CEO também ressaltou a necessidade de atenção quanto ao uso de dados em plataformas digitais. “Outras IAs, como o Chat GPT, pedem que sejam aceitos termos de autorização. Por isso, é preciso ter cuidado”, advertiu.

Como alternativa, Suzuki apresentou uma ferramenta que prioriza a segurança das informações inseridas pelos usuários. “A diferença de usar o NotebookLM é que, na conta educacional, é possível acessá-lo em uma modalidade segura. O diferencial dessa inteligência artificial é que você a alimenta com referências, que ficam registradas na sua conta e, se forem apagadas,
também são removidas, sem que o sistema aprenda com esse conteúdo", explicou.

Percepções do público reforçam o impacto da semana

A palestra de abertura da Semana da Propriedade Intelectual reuniu estudantes e pesquisadores, que destacaram a relevância do evento para a formação acadêmica e profissional.

A mestranda em Ciência da Computação Paula Emmanuella Fregatto ressaltou a conexão do tema com as demandas do mercado e o papel da Universidade nesse cenário. “Trabalhei no ano passado em uma startup como pesquisadora e é um universo que hoje o mercado precisa muito. Falando de inteligência artificial, eu acho que a gente tem que estar preparado para apoiar as empresas e, como aluna, buscar sempre o que existe de melhor para trazer o conhecimento para a sociedade como um todo", afirmou.

Já o mestrando Jean Richard Badette, do curso de Relações Internacionais, destacou a relevância da temática para sua trajetória acadêmica. Ele atua com pesquisas voltadas à transferência de tecnologia, um dos eixos centrais da propriedade intelectual. Segundo ele, seus estudos investigam mecanismos e estratégias de cooperação internacional, com foco no setor de energias renováveis. Esse campo se relaciona diretamente com os debates promovidos no evento. Dessa forma, aproxima a pesquisa acadêmica das demandas tecnológicas e das relações entre países.

O papel da Proinova

O vice-reitor, Tiago Marchesan, destacou, durante sua fala no evento, o papel estratégico da inovação no ambiente acadêmico. “A Proinova, hoje, consegue levar a inovação na Universidade aos mais diversos caminhos, ao tratar da Universidade como o futuro, que transforma a sociedade por meio da transferência de tecnologia e do desenvolvimento
tecnológico", afirmou.

Ele ressaltou os impactos desse processo na formação acadêmica e no desenvolvimento econômico. “É essa tecnologia desenvolvida aqui, junto ao nosso aluno que abre sua empresa, que segue para o Parque Tecnológico, que contribui para o desenvolvimento do ecossistema na cidade, gera mais emprego e renda, movimenta esse ciclo e transforma a realidade das próximas gerações", relatou.

A atuação da Pró-Reitoria de Inovação e Empreendedorismo na área de propriedade intelectual abrange diferentes modalidades de proteção, como programa de computador, desenho industrial, patente, marca, cultivar e topografia de circuitos integrados. Esses mecanismos permitem resguardar juridicamente as criações desenvolvidas na Instituição e, ao mesmo tempo, ampliar seu potencial de aplicação prática, contribuindo para a transferência de tecnologia e para a aproximação entre universidade e sociedade.

A programação completa da 1ª Semana da Propriedade Intelectual pode ser conferida no site.

Texto: Giovanna Felkl, estudante de Jornalismo e bolsista da Agência de Notícias
Fotos: Gabriele Mendes, estudante de Jornalismo e estagiária da Agência de Notícias
Edição: Ricardo Bonfanti, jornalista

O OpenClaw surgiu como um projeto open source focado em trazer mais autonomia e automação aos agentes digitais, permitindo que operem de forma leve e integrada. Recentemente, o projeto ganhou destaque com a contratação de seu criador, Peter Steinberger, pela OpenAI. Apesar dessa movimentação, o OpenClaw permanecerá como uma iniciativa de código aberto, sob o guarda-chuva de uma fundação que contará com o apoio estratégico da própria OpenAI.

O nome OpenClaw sugere uma dualidade: "Open" (aberto) remete à sua arquitetura flexível, adaptável e, crucialmente, acessível a desenvolvedores e usuários. "Claw" (garra) simboliza a capacidade de "agarrar" ou controlar o ambiente digital de maneira precisa e poderosa. A proposta do OpenClaw é reduzir o atrito entre intenção e execução: o usuário descreve o que quer em linguagem natural e o agente, quando autorizado, aciona ferramentas e integrações para concluir a tarefa. O quanto ele ‘entende’ o contexto e o quanto ele consegue automatizar depende do conjunto de skills instaladas e das permissões definidas.

Essa identidade atual foi consolidada após uma breve jornada de nomenclaturas. Originado como Clawdbot, o projeto enfrentou pressões de marca pela semelhança fonética com o modelo Claude, da Anthropic. Transicionou para Moltbot e, após alinhamentos com o ecossistema da OpenAI, assumiu o nome definitivo. Embora essa sucessão de marcas em apenas três meses levante questões sobre a maturidade da tecnologia, sua relevância reside na promessa de uma usabilidade simplificada e intuitiva.

Uma forma simples de entender a proposta do OpenClaw é como um agente orientado a tarefas e contexto. Em vez de depender apenas de um aplicativo isolado, ele busca centralizar ações e informações a partir do que o usuário está tentando fazer no momento. Diferentemente dos sistemas operacionais baseados em janelas ou aplicativos isolados, a interface organiza as informações e as funcionalidades em fluxos alinhados com a tarefa atual. Na prática, isso pode se traduzir em fluxos diferentes dependendo da tarefa: em um trabalho de design, o usuário tende a acionar mais ferramentas visuais e arquivos. Em pesquisas, tende a usar mais navegação e curadoria de informação, sempre conforme as skills disponíveis e o que foi configurado.

Como utilizar?

Uma das diversas formas de utilizar o OpenClaw, é rodar o agente no seu próprio PC/VPS e conectar ele a um canal de conversa (ex.: WhatsApp/Telegram/Slack/Discord), para você falar com ele como se fosse um contato: você instala o OpenClaw (geralmente via ‘git clone’/Docker ou instalador), sobe o gateway/daemon para ficar sempre online, faz a configuração das credenciais do modelo (ex.: chave do provedor de LLM) e do canal (token/QR/OAuth), e então começa a “conversar” pedindo tarefas. Algumas coisas que ele pode fazer:

• Skills bundled — Gmail, Calendar, Browser, etc.
• Skills da comunidade — Milhares disponíveis
• Skills personalizadas — Crie as suas 

O recomendado é começar com permissões restritas e ir liberando aos poucos (ex.: pedir confirmação antes de ações destrutivas), e adicionar habilidades quando precisar.

Exemplo de utilização:

“Crie uma skill que monitora o preço do Bitcoin e me avisa quando passar de $100k”

O OpenClaw cria o código, testa e ativa automaticamente.

Desafios

Apesar dos benefícios e facilidades mencionados acima, o OpenClaw não está isento de desafios, especialmente no que diz respeito à segurança. Como o sistema aprende o contexto e as intenções do usuário em tempo real, a gestão da privacidade torna-se um pilar crucial. Para diminuir essas preocupações, a plataforma se apoia em autenticação, configuração de permissões e boas práticas de exposição do gateway/painel (por exemplo, restringir acesso e evitar deixar serviços abertos na internet). Em geral, a recomendação é começar com permissões mínimas e liberar gradualmente conforme a confiança no fluxo de uso.

Um ponto crítico reside na integração profunda do agente com o sistema operacional. Falhas de interpretação ou comportamentos inesperados do modelo podem resultar em ações reais indesejadas, como a execução de comandos indevidos ou a exclusão de arquivos. Embora Steinberger afirme que as versões mais recentes corrigiram esses problemas e avançaram em estabilidade, o caráter experimental da ferramenta permanece evidente. Por atuar diretamente no ambiente digital do usuário, o projeto deixa claro que não existe uma configuração totalmente segura para uso irrestrito. Por isso, é fundamental que a utilização seja feita com cautela e atenção constante, reconhecendo que a autonomia do sistema exige uma supervisão humana proporcional à complexidade das tarefas executadas.

Conclusão

Em suma, o OpenClaw representa uma tentativa relevante de aproximar conversa e execução de tarefas no ambiente digital, com o diferencial de ser open source. Ao mesmo tempo, seu uso exige atenção a permissões, segurança e previsibilidade das ações, pontos que ainda são centrais em agentes com autonomia. Se mantiver a promessa de sua arquitetura aberta e intuitiva, o OpenClaw não apenas mudará a forma como trabalhamos, mas como pensamos e interagimos com o mundo digital.

Autora: Amanda Carolina Messer Siebeneichler

Referências

Site da OpenClaw

Os algoritmos de recomendação passaram a atuar como um mecanismo automatizado de seleção de conteúdo no cotidiano digital. Em vez de vermos conteúdos apenas na ordem em que foram publicados, muitas plataformas organizam o feed com base no que tende a prender nossa atenção. Esse detalhe muda a experiência de navegação, fazendo com que o usuário não escolha apenas entre opções prontas, mas passe a interagir com um sistema que aprende seus padrões e apresenta conteúdos semelhantes aos que já geraram engajamento.

Uma consequência direta é a forma como esses sistemas moldam hábitos de consumo de informação. Em redes sociais, por exemplo, parte do que a pessoa lê depende dos amigos e páginas que segue, mas também do filtro algorítmico aplicado depois disso. No estudo “Exposure to ideologically diverse news and opinion on Facebook”, os autores analisaram dados de milhões de usuários e observaram que tanto a rede de amizades (homofilia) quanto o ranqueamento do feed reduzem a exposição a conteúdos ideologicamente divergentes, embora por mecanismos diferentes. Em paralelo, ao investigar históricos de navegação, o trabalho “Filter Bubbles, Echo Chambers, and Online News Consumption” encontrou evidências de que redes sociais e mecanismos de busca podem estar associados a uma maior segregação ideológica no consumo de notícias, contribuindo para ambientes em que visões diferentes circulam menos entre grupos.

Esse cenário se conecta ao debate sobre “bolhas” e polarização, mas com um cuidado importante: ver o outro lado não garante diálogo e, em alguns casos, pode produzir o efeito oposto. No experimento de campo realizado no X (antigo Twitter), intitulado “Exposure to opposing views on social media can increase political polarization”, participantes foram incentivados a seguir bots que retuitavam mensagens associadas a posições políticas divergentes das suas, e os autores encontraram evidências de aumento da polarização em parte dos usuários, sugerindo que a simples exposição a visões opostas pode reforçar identidades políticas e desencadear reações defensivas. Além disso, há evidências de que a ordenação algorítmica do conteúdo não é neutra, podendo influenciar a visibilidade e a circulação de conteúdos políticos. Ao analisar a diferença entre feeds ranqueados, o estudo “Algorithmic amplification of politics on Twitter” mostra que a ordenação algorítmica pode influenciar a circulação de conteúdos políticos, afetando o ambiente informacional em que o debate ocorre.

Um ponto que ajuda a entender por que isso se sustenta ao longo do tempo é o efeito de retroalimentação. Conforme o algoritmo aprende com o que o usuário consome, ele tende a oferecer mais do mesmo, e isso influencia as próximas escolhas do próprio usuário. O resultado pode ser um caminho cada vez mais estreito de conteúdos e preferências, porque o sistema “educa” o comportamento que ele mesmo irá medir depois. Esse tipo de ciclo é discutido no estudo “How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility”, que mostra como recomendações podem aumentar a homogeneidade do que é consumido e produzir vieses na própria avaliação do sistema.

Além do que aparece no feed, a forma como o conteúdo é apresentado também pesa. Na revisão “Addictive Features of Social Media/Messenger Platforms and Freemium Games against the Background of Psychological and Economic Theories”, os autores descrevem como elementos de design como rolagem infinita, notificações e mecanismos de recompensa intermitente podem prolongar o tempo de uso e reforçar o hábito de checar o aplicativo repetidamente. Nesse contexto, a influência dos algoritmos vai além de recomendar “o que você gosta”. Ela contribui para a criação de rotinas de atenção.

Esse conjunto de dinâmicas aponta para um funcionamento dos sistemas de recomendação que ultrapassa a personalização individual e se aproxima de um processo coletivo de coordenação informacional. A ideia de hive mind, presente na série Stranger Things, oferece uma analogia pertinente: indivíduos distintos, embora separados, respondem a estímulos semelhantes e passam a agir de forma sincronizada. De maneira análoga, a distribuição algorítmica de conteúdos pode levar grandes grupos de usuários a compartilhar repertórios informacionais parecidos, reforçando padrões de atenção, interpretação e comportamento. Nesse cenário, a influência dos algoritmos se manifesta não apenas no nível individual, mas na própria configuração do espaço público digital.

Autor: Renan Bordignon Poy

REFERÊNCIAS:

BAKSHY, E.; MESSING, S.; ADAMIC, L. A. Exposure to ideologically diverse newsand opinion on Facebook. Science, v. 348, n. 6239, p. 1130–1132, 2015.

FLAXMAN, S.; GOEL, S.; RAO, J. M. Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly, v. 80, S1, p. 298–320, 2016.

BAIL, C. A. et al. Exposure to opposing views on social media can increase political polarization. Proceedings of the National Academy of Sciences (PNAS), v. 115, n. 37, p. 9216–9221, 2018.

HUSZÁR, F. et al. Algorithmic amplification of politics on Twitter. Proceedings of the National Academy of Sciences (PNAS), v. 119, n. 1, e2025334119, 2022.

CHANEY, A. J. B.; STEWART, B. M.; ENGELHARDT, B. E. How algorithmic confounding in recommendation systems increases homogeneity and decreases utility. In: Proceedings of the 12th ACM Conference on Recommender Systems (RecSys ’18). ACM, 2018.

MONTAG, C.; LACHMANN, B.; HERRLICH, M.; ZWEIG, K. Addictive features of social media/messenger platforms and freemium games against the background of psychological and economic theories. International Journal of Environmental Research and Public Health, v. 16, n. 14, 2019.

Um grupo de trabalho, composto por técnico-administrativos e docentes, está elaborando o Guia de Uso Ético e Responsável da Inteligência Artificial na UFSM. 

Com o objetivo de ouvir a comunidade acadêmica e compreender suas necessidades, expectativas e anseios relacionados à temática, foi elaborado um questionário. As contribuições coletadas subsidiarão a construção do guia, de modo que o documento contemple, de forma representativa, as demandas e perspectivas da comunidade universitária.

O questionário permanecerá disponível até 28 de fevereiro pelo link.

O encontro iniciou com uma apresentação sobre três ferramentas gratuitas de IA: ChatGPT, Gemini e DeepSeek. Em seguida, foram propostas atividades práticas utilizando cada uma delas, destacando seus principais pontos fortes e limitações.

A ação foi supervisionada pela professora Candice Müller, do Departamento de Eletrônica e Computação, e surgiu a partir de uma demanda das docentes participantes do projeto. Ao final, as professoras relataram que não conheciam a ferramenta DeepSeek e observaram que suas respostas se mostraram mais assertivas quando comparadas às do ChatGPT, que já estavam familiarizadas. O minicurso foi realizado de forma remota. 

Expediente:

Notícia: Luciana Mendes

Imagens: Candice Müller

Quando alguém pede um sistema novo, quase nunca começa falando em códigos, servidores ou bancos de dados. Um dono de restaurante diz que precisa “parar de perder pedidos do delivery”. Uma escola quer “controlar melhor as notas e faltas dos alunos”. Uma clínica deseja “marcar consultas sem confusão de horários”. A engenharia de software entra justamente nesse cenário: é o conjunto de princípios, métodos e ferramentas usados para pegar esses pedidos genéricos e transformá-los em sistemas reais, que funcionam todos os dias. Na prática, isso significa detalhar fluxos de tela, definir regras de negócio, planejar integrações com outros sistemas, decidir como serão feitos testes e prever o que acontece quando algo dá errado. Em vez de ficar apenas na ideia “quero um app”, a engenharia de software organiza tudo em requisitos, tarefas e entregas que a equipe técnica consegue implementar.

Nesse processo, o gestor de software ocupa uma posição central. Ele está o tempo todo entre dois mundos: de um lado, o cliente, que fala em prazos, orçamento e problemas do negócio; de outro, a equipe técnica, que fala em arquitetura, APIs, performance e segurança. Em uma reunião com o cliente, por exemplo, o gestor precisa traduzir “quero um sistema rápido e fácil de usar” em algo verificável, como “tempo médio de resposta abaixo de dois segundos nas principais telas” ou “fluxo de compra em até três cliques”. Em seguida, leva isso para a equipe como metas técnicas, discute opções de implementação e, se necessário, volta ao cliente com alternativas: uma versão inicial mais simples, uma versão completa em prazo maior ou um pacote de funcionalidades dividido em fases.

Alinhar expectativas é justamente amarrar esses dois lados de forma clara. Imagine um cliente que diz: “Quero um aplicativo igual ao do banco X, mas pronto em três meses e com metade do orçamento”. Sem uma boa engenharia de software, esse pedido vira frustração na certa. Com um gestor atento, o processo é diferente: primeiro, ele pergunta o que exatamente o cliente admira no app do banco X (é a segurança? a facilidade de uso? o chat com atendente?). Depois, traduz isso em prioridades, mostra o custo de cada bloco de funcionalidade e propõe um escopo realista para a primeira versão. O cliente sai sabendo o que será entregue, o que ficará para futuras evoluções e quais trade-offs foram escolhidos. A equipe, por sua vez, recebe um plano concreto, com tarefas definidas e critérios de aceite objetivos.

Antes da era da inteligência artificial, boa parte desse trabalho de coordenação dependia de esforço manual. Para organizar um único projeto, o gestor passava horas alimentando planilhas, cruzando e-mails, copiando trechos de atas de reunião e atualizando ferramentas de gestão. Se o cliente mudava uma prioridade, era preciso ajustar cronograma, redistribuir tarefas, avisar todo mundo e revisar documentos. Quando alguém novo entrava na equipe, levava dias para entender o histórico do projeto, porque as informações estavam espalhadas em várias conversas e arquivos. Em muitos casos, o gestor acabava preso em atividades operacionais, com pouco tempo para análises mais profundas ou para acompanhar de perto o impacto do software no negócio.

Com a inteligência artificial aplicada à gestão, parte desses gargalos começou a ser reduzida. Hoje, ferramentas de gestão de projetos conseguem sugerir automaticamente quais tarefas devem ser priorizadas em um sprint, levando em conta prazo, dependências e capacidade da equipe. Em um projeto de aplicativo de entregas, por exemplo, o sistema pode indicar que é mais seguro finalizar primeiro o fluxo de cadastro de entregadores e o módulo de pagamentos, porque são áreas críticas para o funcionamento do negócio. O gestor deixa de refazer o planejamento do zero a cada mudança e passa a revisar recomendações, ajustando o que fizer sentido para o contexto.

A IA também ajuda a manter o contexto de clientes sempre à mão. Plataformas de CRM e atendimento integradas a modelos de linguagem conseguem resumir, em poucos parágrafos, meses de interações: reuniões realizadas, reclamações recorrentes, sugestões de melhoria, decisões de escopo. Antes de conversar com o responsável por uma rede de academias, por exemplo, o gestor pode pedir um resumo do histórico daquele cliente e receber uma síntese clara: quais funcionalidades já foram entregues, quais problemas surgiram, que pedidos ficaram pendentes. Em vez de procurar manualmente em e-mails e documentos, ele entra na conversa preparado, com um roteiro mais objetivo e com respostas mais rápidas.

No relacionamento com a equipe técnica, a IA também se torna aliada. Ferramentas de colaboração conseguem ler longas discussões em um ticket de suporte e gerar um resumo dos principais pontos, o que facilita a vida de quem assume o caso no meio do caminho. Assistentes de reunião gravam a conversa, geram uma transcrição e destacam automaticamente decisões tomadas e próximos passos, como “criar protótipo da nova tela até sexta” ou “valiar impacto da mudança na API de pagamentos”. A partir disso, o gestor consegue transformar rapidamente esses itens em tarefas, atribuir responsáveis e ajustar prazos, sem depender de anotações soltas ou da memória de quem participou.

Outra frente importante é o uso da IA para monitorar riscos e evitar retrabalho. Com base no histórico de projetos da empresa, modelos preditivos podem alertar quando um conjunto de tarefas está grande demais para caber em um ciclo de entrega, quando uma equipe está sobrecarregada ou quando um aumento repentino no número de erros em produção indica problemas de qualidade. Em um sistema de reservas de hotel, por exemplo, a IA pode detectar que as falhas estão concentradas em um módulo recém-alterado e sugerir que o gestor priorize testes adicionais ali antes de liberar novas funcionalidades. Em vez de descobrir o problema apenas depois que clientes começam a reclamar, a equipe age preventivamente.

Nada disso significa que a IA substitui o papel do gestor ou da engenharia de software. As ferramentas ajudam a organizar tarefas, resumir conversas e apontar padrões que seriam difíceis de enxergar manualmente, mas elas não definem sozinhas qual é o objetivo do projeto, até onde o orçamento pode ir ou que riscos a empresa está disposta a assumir. Quem continua fazendo essas escolhas é o gestor, com base em diálogo com o cliente, com a equipe e com a direção do negócio. A diferença é que, com apoio da IA, ele toma essas decisões com mais informação, menos improviso e mais tempo para pensar estrategicamente.

Pesquisas em gestão de projetos e engenharia de software têm mostrado justamente esse caráter complementar da IA. Estudos recentes apontam que ferramentas inteligentes são eficazes para automatizar rotinas, apoiar análises de risco e sugerir alocação de recursos, enquanto o julgamento humano permanece essencial na definição de prioridades e na mediação entre interesses técnicos e de negócio. Em paralelo, trabalhos acadêmicos exploram o uso de modelos de linguagem para apoiar atividades como captura de requisitos, geração de casos de teste e análise de incidentes em produção, sempre com o profissional no centro do processo. Para quem se interessa por tecnologia e gestão, enxergar essa convergência é um passo importante: a engenharia de software continua sendo a base que dá forma aos projetos, e a inteligência artificial surge como uma camada adicional que amplia a capacidade do gestor de organizar tarefas, manter o contexto de clientes e conduzir conversas difíceis com mais clareza e segurança.

Autor: Leonardo Silva da Veiga Marinho Barbosa 

Referências

• PRESSMAN, R. S.; MAXIM, B. R. Engenharia de Software: uma abordagem profissional. 8. ed. McGraw-Hill, 2016.
  
• SOMMERVILLE, I. Engenharia de Software. 10. ed. Pearson, 2016.
  
• PMI – Project Management Institute. Pulse of the Profession: AI Innovators. PMI, 2023.
  
• NENNI, M. E. et al. How Artificial Intelligence Will Transform Project Management. Journal of Management Control, 2024.
  
• VERGARA, D. et al. Trends and Applications of Artificial Intelligence in Project Management. Electronics, 2025.
  
• LI, X. et al. AI Tools for Predictive Analytics, Risk Assessment and Decision-Making in Project Management. International Journal of Academic Management Research, 2024.

A XV edição do Encontro Anual de Tecnologia da Informação (EATI) reuniu estudantes, pesquisadores(as) e profissionais no Salão Social do Instituto Federal Farroupilha Campus Frederico Westphalen (IFFar/FW), nos laboratórios do Campus da Universidade Federal de Santa Maria em Frederico Westphalen (UFSM/FW) e no Salão Nobre da Associação Empresarial do município (AEFW). A iniciativa, realizada entre 3 e 7 de novembro, é promovida conjuntamente pela UFSM/FW e pelo IFFar/FW e, nesta edição, teve como tema central a Inteligência Artificial (IA).

  Ao longo da programação, o EATI contou com palestras e minicursos, proporcionando atualização de conhecimentos e troca de experiências entre os(as) participantes. O evento também buscou fortalecer os vínculos entre estudantes, comunidade e mercado de trabalho, estimulando o diálogo sobre o papel da tecnologia no desenvolvimento regional.

Palestras 

Entre os palestrantes convidados, esteve Cleber Zanchettin, doutor em Ciência da Computação pela Universidade Federal de Pernambuco (CIn/UFPE) e referência nacional na área.  Cleber abordou o tema “IA para Negócios”, além de ministrar as palestras “IA para Todos: Descubra, Use e Entenda” e “Aumento de Produtividade no Desenvolvimento de Softwares utilizando IA”, destacando como as ferramentas de IA podem ser aplicadas no comércio, na indústria e na tecnologia, tornando as rotinas empresariais e profissionais mais eficientes e estratégicas.

A programação contou ainda com Lucas Machado da Palma, gerente de projetos no Laboratório de Segurança em Computação (LabSEC) da Universidade Federal de Santa Catarina (UFSC), que apresentou a palestra “Documentos Eletrônicos na Era das Credenciais Verificáveis”, com reflexões fundamentais sobre segurança, autenticidade e confiabilidade na era dos documentos eletrônicos. 

Outro destaque foi a palestra “Desvendando a IA: Estratégias para Inovar’”, ministrada por Douglas Pereira, pós-graduado em MBA em Gestão de Pessoas e em Gestão pela Fundação Getúlio Vargas (FGV), que trouxe uma visão de gestão e inovação, buscando mostrar como pensar estratégias para inovar com o uso da IA nas organizações. O público também acompanhou o relato de Gabriel Ferreira Umbelino, engenheiro de software sênior na Upsiide, que compartilhou sua experiência internacional na palestra “Trabalhando para o Exterior”, abordando desafios, oportunidades e competências exigidas no mercado global de tecnologia.

Sobre a programação do EATI

 De acordo com André Fiorin, docente do IFFar/FW e um dos organizadores do evento, a escolha da temática surgiu a partir de um debate entre os alunos dos diretórios acadêmicos dos cursos envolvidos, considerando a relevância e o crescimento do debate sobre IA nos últimos anos e a consolidação das credenciais digitais verificáveis, duas áreas que estão transformando tanto o mercado quanto a forma como as pessoas se relacionam com a informação e com a tecnologia. “A IA deixou de ser um tema do futuro para se tornar uma ferramenta do presente, nas empresas, na educação, no setor público, entre outros. O XV EATI veio para discutir esses temas de forma prática, aproximando o conhecimento técnico da realidade das organizações e da vida das pessoas. As credenciais verificáveis, por sua vez, interessam tanto à área acadêmica quanto à sociedade, pois impactam diretamente a forma como validamos diplomas, certificados e identidades digitais”, destacou o organizador.

O evento aproximou o ambiente acadêmico das tendências reais do mercado e reforçou o seu papel como espaço de inovação, integração e desenvolvimento regional, reafirmando o compromisso da UFSM/FW e do IFFar/FW com a formação de profissionais qualificados e o desenvolvimento científico e tecnológico da região do Alto Médio Uruguai.

Texto: Assessoria de Comunicação da UFSM/FW

Fotos: Aline Eduarda Iora, bolsista da Assessoria de Comunicação da UFSM/FW

A ascensão da inteligência artificial generativa, capaz de criar textos, sons e imagens com uma capacidade quase humana, marca uma nova fronteira tecnológica. Ferramentas como o ChatGPT e o Midjourney encantam pela sua capacidade de escrever, desenhar, programar, entre outras muitas atividades. No entanto, por trás dessa fachada de criatividade, existe uma verdade fundamental: a IA não “pensa” nem “cria” a partir do nada. Ela é uma máquina de reconhecimento de padrões, um intérprete gigantesco de dados que aprende ao receber grandes volumes de informação produzida por humanos. E é exatamente nessa fonte que reside seu maior desafio ético, pois ao aprender com o nosso mundo, a IA também aprende, reflete e automatiza os preconceitos e as desigualdades neles contidos.

A prova mais visível desse fenômeno está nos populares geradores de imagem. Em uma investigação detalhada de 2023, a agência de notícias Bloomberg analisou o modelo Stable Diffusion e revelou um viés sistêmico alarmante. Conforme documentado no artigo “Humans Are Biased. Generative AI Is Even Worse”, a pesquisa constatou que comandos como “pessoa de baixa renda” geravam imagens de indivíduos com tons de pele mais escuros, enquanto “pessoa bem-sucedida” produzia predominantemente homens brancos. Profissões de prestígio, como “juiz” ou "CEO", eram principalmente associadas a homens, e as de cuidado a mulheres. Essa “imaginação artificial” não é criativa, é um eco dos estereótipos extraídos de bilhões de imagens da internet, que acaba por apagar a diversidade do mundo real e apresentar uma caricatura preconceituosa.

Quando esse viés migra de imagens ilustrativas para sistemas de aplicação da lei, as consequências tornam-se ainda mais preocupantes. Em fevereiro de 2023, Porcha Woodruff, uma mulher negra de Detroit, foi presa injustamente em frente aos seus filhos, acusada de roubo de carro. Ela se tornou a sexta pessoa a relatar uma prisão indevida baseada em uma correspondência facial algorítmica falha nos EUA e todas elas eram negras. O caso de Randal Reid, um homem negro da Geórgia erroneamente preso em novembro de 2022 por um roubo que ocorreu em outro estado, segue o mesmo padrão trágico. Esses incidentes não são mais hipóteses teóricas, são a prova de que tecnologias enviesadas, treinadas com bancos de dados que sub-representam certos grupos étnicos e sociais, estão sendo usadas para privar cidadãos de sua liberdade, transformando o código em uma sentença.

O grande perigo é que a IA parece ser totalmente neutra e imparcial. Enquanto podemos identificar e questionar o preconceito de uma pessoa, o preconceito do algoritmo fica escondido por trás de números e cálculos- o que o torna mais perigoso e disfarçado. Por isso, uma decisão injusta feita por um computador muitas vezes é aceita como correta e se torna mais difícil de ser contestada. Isso cria um efeito de bola de neve: o sistema toma uma decisão preconceituosa (como vigiar mais um bairro de minorias), o que gera mais dados que “provam” que a decisão estava certa (mais prisões acontecem ali). Esses novos dados, por sua vez, alimentam o sistema, que reforça ainda mais seu preconceito inicial. Desse modo, a desigualdade não só se repete, como se torna mais forte e passa a ser justificada por uma lógica que se alimenta de si mesma, tudo isso em uma velocidade e escala que nenhuma pessoa conseguiria atingir sozinha. 

Esses exemplos expõem a urgência de uma discussão profunda sobre o treinamento ético da inteligência artificial. O problema não está em uma falha de programação, mas em uma falha de concepção social refletida nos dados. Se um algoritmo é alimentado com um histórico de decisões humanas que, sutil ou abertamente, favoreceram um grupo em detrimento de outro, ele aprenderá essa discriminação como a norma a ser seguida. A tecnologia, nesse caso, age como um amplificador de injustiças estruturais, conferindo uma aura de objetividade e neutralidade a decisões que são, na verdade, profundamente enviesadas. A máquina não é racista ou sexista por si só, ela se torna um agente de preconceito ao aprender com uma sociedade que ainda luta contra esses mesmos demônios.

Para solucionar esse problema, são necessárias ações em várias frentes. A melhoria da tecnologia, por si só, é insuficiente; é preciso cuidar dos dados utilizados e das regras de controle. Tal abordagem significa selecionar dados com mais cuidado para assegurar diversidade e justiça, criar sistemas que permitam fiscalização contra preconceitos e estabelecer leis que obriguem as empresas à transparência e à responsabilidade. A constituição de equipes com profissionais de diversas áreas como tecnologia, sociologia e direitos humanos é crucial para prever e reduzir os problemas. Em resumo, a inteligência artificial reflete a sociedade. Se essa imagem é preconceituosa, a falha está na fonte, não na ferramenta. A correção dos defeitos sociais é uma tarefa urgente, para que não se tornem regras permanentes nos códigos que guiarão o futuro.

Autor(a): Leonardo Winch Dallanora

Referências:

Grávida é presa por engano: quem é a mulher acusada de roubo por erro em tecnologia de reconhecimento facial nos EUA. O Globo. Disponível em: https://oglobo.globo.com/mundo/epoca/noticia/2023/08/07/gravida-e-presa-por-engano-quem-e-a-mulher-acusada-de-roubo-por-erro-em-tecnologia-de-reconhecimento-facial-nos-eua.ghtml. Acesso em: 15 out. 2025.

NICOLETTI, Leonardo; BASS, Dina. Humans Are Biased. Generative AI Is Even Worse. Bloomberg. Disponível em: https://www.bloomberg.com/graphics/2023-generative-ai-bias. Acesso em: 15 out. 2025.

PEREIRA, Ivan. In lawsuit, man claims he was falsely arrested due to misuse of facial recognition. ABC News. Disponível em: https://abcnews.go.com/US/lawsuit-man-claims-falsely-arrested-misuse-facial-recognition/story?id=103687845. Acesso em: 15 out. 2025.

O dicionário de Oxford define a palavra “tecnologia” da seguinte forma: “conhecimento, ferramentas e processos utilizados para resolver problemas e melhorar a vida das pessoas, por meio da aplicação do conhecimento científico em atividades práticas”. Porém, o que acontece quando o uso dessas ferramentas gera consequências ao meio ambiente e, com isso, afeta a humanidade?

Esse questionamento evidenciou um debate inesperado: o aumento de consumo de água doce devido ao uso de inteligências artificiais (IA). Por mais inofensivas que pareçam, as respostas, as imagens ou os vídeos gerados automaticamente por ferramentas como Chat GPT, Google Gemini ou Deep Seek, movem uma série de mecanismos que exigem o uso de energia e, por consequência, água.

Tudo isso acontece nos “data centers”, em português: centros de processamento de dados (CPD), locais, muitas vezes grandes pavilhões, onde os sistemas computacionais de uma empresa, organização ou instituição de ensino, armazenam informações. Ao contrário do que muitos pensam, as inteligências artificiais não “vivem” em dispositivos como celulares e computadores, mas sim em um data center, o “cérebro” responsável por gerar o que pedimos às IAs.

O egresso do curso de Sistemas de Informação da Universidade Federal de Santa Maria (UFSM) e especialista em Gestão de Tecnologia de Informação (TI), Marcelo Henrique Casali, apontou que os data centers são estruturas essenciais na era digital e são considerados uma base invisível que sustenta quase tudo que fazemos no mundo virtual. “Eles funcionam como grandes centrais de processamento e armazenamento de dados, garantindo que serviços digitais como redes sociais, e-mails, sistemas corporativos, streaming e agora também as inteligências artificiais estejam sempre disponíveis e operando com eficiência”, explica.

Data centers e o gasto de água

O primeiro data center surgiu ainda em 1945 - ao fim da Segunda Guerra Mundial - com a criação do Mainframe, uma instalação,  na  Universidade da Pensilvânia nos Estados Unidos, para armazenar o Integrador Numérico Eletrônico e Computador (Eniac), o primeiro sistema computacional eletrônico e digital. Na época, utilizado para fins militares, o sistema inteiro pesava 27 toneladas e ocupava 27 metros quadrados de espaço.

Com o tempo, os limites da engenharia foram desafiados até que empresas como Google, Apple, Microsoft e Meta, as Big Techs, tornaram-se proprietárias dos maiores centros existentes no mundo e os grandes responsáveis pelo consumo exagerado de energia e água no setor da tecnologia, mesmo antes da fama chegar às IAs. 

Para exemplificar, os data centers da Google possuem, hoje em dia, aproximadamente, um padrão de 100 mil metros quadrados de extensão. Nessa linha, apenas em 2021, conforme pesquisa feita pela Faculdade de Engenharia Bourns, os CPDs da empresa, nos Estados Unidos, consumiram cerca de 12,7 bilhões de litros de água doce. 

Em paralelo a isso, o Relatório de Sustentabilidade da Microsoft de 2022 evidenciou que o consumo de água nos CPDs da empresa cresceu 34%, em relação a 2021, devido à implementação de IAs no sistema. Em números mais expressivos, o aumento foi de 6,4 milhões de litros, cerca de 2.500 piscinas olímpicas. Outro estudo desenvolvido pela Universidade da Califórnia Riverside, publicado em abril de 2023, apontou que o treinamento completo do GPT‑3 em data centers da Microsoft consumiu cerca de 700 mil litros de água potável. 

Além disso, dados da pesquisa realizada pela Universidade Riverside, nos Estados Unidos, também revelaram que a cada 20 a 50 interações de uso pessoal das IAs utilizam, aproximadamente, 500ml de água. Tendo isso em mente, um levantamento do site Exploding Topics (2025) apontou que o ChatGPT, desenvolvido pela Open IA, possui cerca de 800 milhões de usuários ativos por semana e mais de 122 milhões de acessos diários, somando mais de 1 bilhão de interações por dia. Com base nessas estimativas, isso representaria um consumo de 10 a 25 milhões de litros de água diariamente.

Imagens geradas com IA exigem 30 vezes mais água

Outro ponto relevante, é o tipo de interação. Recentemente, os feeds das redes sociais têm sido tomados por imagens e vídeos gerados por ferramentas de inteligências artificiais, bem como o programa de auditório fictício Marisa Maiô, produção desenvolvida pelo artista brasileiro Raony Phillips, com o uso do Veo 2, IA geradora de vídeos da Google. 

Uma pesquisa realizada pelo MIT Technology Review revelou que o uso de IAs generativas de imagens podem consumir 30 vezes mais energia e, portanto, utilizam mais água nesse processo.

O professor Leonardo Emmendörfer, do Departamento de Processamento de Energia Elétrica da UFSM, explica que o consumo por parte das inteligências artificiais varia de acordo com o tipo de conteúdo processado - como textos, imagens ou vídeos. Isso acontece por causa das diferentes “dimensionalidades” desses arquivos.

No caso dos textos, antes de serem interpretados pela IA, eles são convertidos em uma sequência de elementos chamados “tokens”. “Em geral, cada palavra é transformada em um token, o que cria uma estrutura unidimensional, ou seja, uma linha de dados que a IA consegue ler e processar com mais facilidade”, explica.

Já as imagens são mais complexas. Elas são formadas por milhões de “pixels” organizados em duas dimensões (altura e largura), o que exige maior capacidade de processamento. E os vídeos são ainda mais exigentes: além da imagem, é preciso considerar o tempo de duração, o que transforma o arquivo em uma estrutura tridimensional. “Como o processamento por IA depende da análise de todas essas dimensões para identificar padrões, arquivos como vídeos e imagens acabam exigindo muito mais energia do que os textos”, resume o professor.

Mas afinal, por que os data centers, e as IAs, utilizam a água?

Sabemos que as IAs não se alimentam de água diretamente. O seu consumo está atrelado a outra questão: o resfriamento dos data centers. Na prática, quando os computadores processam as perguntas feitas a uma IA, milhares de cálculos são realizados, atividade que consome energia elétrica, aquece as estruturas do sistema e compromete a eficiência do computador. 

Leonardo explica que, atualmente, os data centers utilizam duas formas de resfriamento. Segundo ele, sistemas mais simples são baseados no uso de ar condicionado. “Por meio desta abordagem, o efeito de resfriamento se dá por meio da troca de calor resultante do contato entre os circuitos e o ar resfriado.  O funcionamento é baseado na refrigeração por meio do uso de compressores”, conta.

O outro modelo mais utilizado realiza o resfriamento dos circuitos se dá por meio de serpentinas - tubos, geralmente de cobre ou alumínio que otimizam a transferência de calor - nas quais circula a água resfriada. “Tal abordagem em sistemas de resfriamento é motivada pelo princípio físico de que os líquidos são condutores de calor muito mais eficientes do que o ar, de um modo geral”, afirma Leonardo.

Marcelo Casali é autor do trabalho “Uma pesquisa descritiva para compreender aspectos de sustentabilidade ambiental em tecnologia da informação”. Nesse estudo, ele destacou que o consumo de recursos naturais por data centers é uma discussão antiga. “Em minha pesquisa, foi mostrado que, mesmo antes da IA, o consumo já era preocupante. Agora, com o crescimento acelerado dessas tecnologias, a eficiência operacional e a sustentabilidade ambiental desses centros se tornaram ainda mais estratégicas, exigindo ações concretas das empresas e uma discussão mais ampla na sociedade sobre os impactos ambientais da transformação digital”, elucida o especialista.

Brasil, data centers e a crise hídrica

No Brasil, o mercado dos data centers ainda está em expansão. Esse cenário retoma uma reflexão feita por Marcelo: “embora tenhamos uma legislação ambiental relativamente robusta em temas como uso da água, energia e licenciamento ambiental, falta uma abordagem mais direcionada aos desafios específicos da infraestrutura digital e aos impactos causados pelos data centers”, denuncia.

Conforme ele, atualmente, os data centers operam em uma espécie de “zona cinzenta” regulatória, onde as exigências ambientais ainda não acompanham o avanço e a escala da transformação digital. “Não há normas específicas que obriguem os operadores a divulgar o consumo hídrico ou a adotar tecnologias mais eficientes do ponto de vista ambiental”, exemplifica.

Outra questão apontada pelo pesquisador é a falta políticas públicas mais integradas, que incentivem a construção de data centers sustentáveis. “Essa falta de investimento para o uso de energias renováveis, reaproveitamento de calor ou alternativas ao resfriamento por água é evidente. Também é necessário investir em capacitação técnica e institucional, para que os órgãos reguladores consigam acompanhar a complexidade e o crescimento desse setor”, reforça Marcelo.

O uso exagerado da água retoma outra questão: a crise hídrica. Segundo a Organização das Nações Unidas (ONU), cerca de 4 bilhões de pessoas já enfrentam escassez severa de água durante, pelo menos, um mês ao ano. Em contraponto a isso, a demanda global por água deve aumentar entre 20% a 30% até 2050, conforme dados da ONU-Água, setor responsável por coordenar ações relacionadas à água em nível global. 

Ao observar esses levantamentos, o professor Pedro Kemerich, do Departamento de Geociências da UFSM,  ressalta que a escassez de água não se limita à ausência de chuvas, mas resulta de fatores combinados, como o crescimento populacional acelerado, urbanização desordenada e má gestão dos recursos.

Segundo o professor, “a distribuição desigual da água, a poluição dos mananciais e a superexploração de aquíferos são componentes críticos que agravam esse cenário”. Ele alerta ainda para os efeitos das mudanças climáticas: “O aumento das temperaturas, a irregularidade das chuvas e a evaporação intensificada afetam diretamente a disponibilidade hídrica e os ciclos naturais da água”.

Apesar da fama de país com grande disponibilidade de água doce, o docente reforça que “a distribuição hídrica no Brasil é profundamente desigual”. Ele pontua que “enquanto a região Norte concentra a maior parte da água superficial, o Sudeste e o Nordeste sofrem com escassez devido à alta densidade populacional e à intensa atividade econômica”. 

Tendo em vista essas desigualdades ressaltadas pelo docente, vale apontar que os data centers existentes no Brasil estão concentrados em regiões que sofrem com intensa escassez hídrica. De acordo com dados da Associação Brasileira de Data Centers, há, atualmente, 162 estruturas no país, sendo 110 na região Sudeste, 27 no Sul, 15 no Nordeste, 8 no Centro-oeste e 2 no Norte. Esses dados representam os centros de empresas externas como Amazon, Microsoft e Google.

Pedro reforça que “a crise hídrica é resultado de fatores interconectados e exige ações integradas entre diferentes setores da sociedade”. Para ele, só será possível garantir o acesso à água no futuro “com políticas públicas fortalecidas, tecnologias eficientes e uma mudança no comportamento social frente ao uso dos recursos naturais”.

Alternativas sustentáveis

Ao observar essa realidade, em sua pesquisa, Marcelo buscou reunir e sintetizar práticas sustentáveis nas relações humanas com a tecnologia. Segundo ele, uma das alternativas para redução do uso de água seria: “adotar  sistemas de resfriamento com menor uso de água, como os baseados em ar ou circuitos fechados. Além disso, instalar data centers em regiões com clima naturalmente frio pode reduzir drasticamente a necessidade de refrigeração ativa”, sugere .

Nessa linha, Leonardo aponta os sistemas de resfriamento por imersão líquida como uma possível alternativa. “Nesse modelo, o equipamento do servidor é imerso em um líquido não condutor de eletricidade. Esta alternativa permite reduzir ou, até mesmo, eliminar a necessidade de utilização de água”, pontua. O professor ainda acrescenta: “esta solução, ambientalmente mais responsável, demanda um custo financeiro mais elevado para os investidores”.

Outra possibilidade destacada por Marcelo é a utilização de inteligências artificiais para otimizar o funcionamento dos sistemas de refrigeração. “Uma alternativa é usar as IAs para  distribuir a carga computacional, reduzindo o pico de consumo energético e, consequentemente, a necessidade de resfriamento com a água”, explica.

De acordo com o pesquisador, a conscientização popular sobre os impactos ambientais  gerados pelo uso das IAs é cada vez mais urgente. “No meu trabalho, analiso justamente como a sustentabilidade precisa ser incorporada às decisões em TI, e isso vale também para o comportamento dos usuários e a forma como a sociedade entende a tecnologia”, conta Marcelo.

“Hoje, usamos IA com naturalidade e até com certa banalização, pedimos respostas, geramos imagens, automatizamos tarefas sem refletir”, alerta o autor.

Para Marcelo, a educação ambiental digital deve ser parte da formação de novos profissionais, usuários e tomadores de decisão. “É necessário ensinar que o uso de tecnologia tem custo ambiental, e que escolhas mais conscientes, como otimizar tarefas, evitar uso excessivo e cobrar transparência das empresas, fazem parte de um novo tipo de cidadania digital. A tecnologia não é neutra, e seu impacto pode ser positivo ou negativo, dependendo da forma como a usamos e entendemos o seu papel no mundo”, conscientiza.

Os desafios para integrar tecnologia e sustentabilidade

Para a professora Rutineia Tassi, do Departamento de Engenharia Sanitária e Ambiental, integrar tecnologia e sustentabilidade é um dos grandes desafios do século XXI. “Os avanços tecnológicos podem contribuir significativamente para o desenvolvimento de práticas mais sustentáveis, mas, às vezes, essa conciliação enfrenta diferentes desafios que são complexos e interdependentes, afetando os componentes ambiental, social e econômico”, avalia a pesquisadora.

Ela também chama atenção para a origem dos componentes tecnológicos. “Os dispositivos eletrônicos demandam minerais como lítio e cobalto, que são recursos naturais extraídos do meio ambiente, geralmente com impactos ambientais significativos”, alerta.

Além disso, a obsolescência programada e o descarte inadequado de lixo eletrônico agravam o cenário. “O descarte inadequado desses materiais pode causar a contaminação do solo e da água, além de representar uma perda de recursos que poderiam ser reciclados”, acrescenta Rutineia.

Outro ponto levantado pela professora é a desigualdade de acesso às tecnologias sustentáveis. “Algumas soluções tecnológicas como a energia solar ou sistemas de reaproveitamento de água ainda são caros, e inacessíveis para grande parte da população”, aponta. Essa barreira econômica, aliada à ausência de regulamentações específicas e políticas públicas atualizadas, acaba dificultando o avanço sustentável da inovação.

Diante desse cenário alarmante, Marcelo reforça que a questão é de responsabilidade corporativa e ambiental. “Se a transformação digital quer ser, de fato, sustentável, ela precisa considerar não só o avanço tecnológico, mas o equilíbrio com os recursos do planeta. O impacto ambiental das tecnologias digitais pode ser significativo, mas com responsabilidade e inovação, é possível equilibrar desempenho e preservação ambiental”, frisa.

Leonardo também reflete sobre o papel das universidades no atual contexto: “Devemos, por meio de projetos de extensão, por exemplo, evidenciar e abordar aspectos relacionados ao uso consciente da IA, promovendo uma maior consciência ambiental nesta área”. 

Em concordância com o pensamento de Marcelo e Leonardo, Rutineia conclui: “É necessário desenvolver políticas de uso ético e sustentável da tecnologia, com critérios transparentes de avaliação ambiental, metas de eficiência energética e compromisso com a justiça climática”.

Essa reportagem integra a série “Inteligência Artificial em Pauta”, uma iniciativa da Agência de Notícias que busca refletir os desafios, oportunidades e consequências das IAs em diferentes contextos.

Texto e artes gráficas: Pedro Moro, estudante de Jornalismo e bolsista na Agência de Notícias

Edição: Maurício Dias, jornalista

Nos últimos anos, as Inteligências Artificiais (IAs) deixaram de ser apenas uma promessa tecnológica para se tornarem parte da rotina de milhões de pessoas. Ferramentas como chatbots e sistemas generativos passaram a produzir textos, imagens e até mesmo decisões que antes dependiam exclusivamente do intelecto humano. Se, por um lado, essa transformação desperta fascínio, por outro levanta uma preocupação crescente: até que ponto estamos nos tornando dependentes da IA ao ponto de comprometer nossa própria capacidade de pensar?

A raiz do problema

A maior característica do ser humano sempre foi sua capacidade de raciocínio e criatividade. No entanto, estudos recentes alertam que o uso exagerado e passivo da IA pode estar enfraquecendo justamente essas habilidades. Uma pesquisa conduzida pelo Instituto de Tecnologia de Massachusetts (MIT) em 2025 mostrou que estudantes que usaram intensivamente sistemas de IA apresentaram menor atividade cerebral em tarefas de memória e análise crítica, quando comparados a grupos que não utilizaram a tecnologia (INFO VERUS, 2025).

Esse risco se manifesta de forma clara na educação: jovens recorrem à IA para resolver exercícios, redigir redações ou interpretar textos, mas muitas vezes não compreendem o conteúdo gerado, aceitando-o sem reflexão. Em alguns casos, alunos entregaram trabalhos escritos por IA sem sequer saber explicar os conceitos neles contidos (FORBES, 2025). Essa prática, além de comprometer o aprendizado, cria uma ilusão de competência, em que a autonomia intelectual é substituída pela confiança cega na máquina.

Confiança cega e pensamento crítico em risco

Um estudo desenvolvido pela Microsoft e pela universidade Carnegie Mellon (2025) investigou a relação entre uso de IA e pensamento crítico em contextos educacionais. Revelando que muitos estudantes tendem a confiar mais nas respostas da IA do que em si mesmos, aceitando as soluções apresentadas sem questionamento. Essa dependência reduz a disposição para analisar, comparar argumentos e verificar informações.

Por outro lado, o mesmo estudo mostrou que, quando usada de forma crítica, a IA pode atuar como gatilho para reflexão: ao pedir alternativas, explorar diferentes pontos de vista e questionar as respostas, alguns alunos conseguiram aprofundar sua compreensão em vez de reduzi-la (LEE , 2025). Ou seja, não é a tecnologia em si que elimina o pensamento crítico, mas a maneira como ela é utilizada.

IA e criatividade: muleta ou ferramenta?

O impacto não se limita ao campo educacional. Na esfera artística, a popularização de IAs generativas para criar imagens, músicas e vídeos também gera debate. Autores como Zuboff (2019) alertam que a substituição da prática criativa pela automação pode levar a uma homogeneização cultural, na qual o valor humano da inovação se perde.

Essa crítica ecoa no conceito de “dependência criativa” (PrivacyTech, 2024), segundo o qual o uso constante de IA para criar acaba por atrofiar a originalidade. Em vez de servir como uma ferramenta para impulsionar a imaginação, a IA passa a ser vista como muleta criativa, nivelando a produção pela média algorítmica.

O contra-ataque: o Modo Estudo da OpenAI

Consciente desse risco, a OpenAI anunciou em julho de 2025 o lançamento do modo Estudo (Study Mode) no ChatGPT. Diferente do uso convencional, em que a IA entrega respostas prontas, o novo recurso foi projetado para estimular o aprendizado ativo, propondo perguntas, testando a compreensão do estudante e evitando entregar a solução de forma imediata (OPENAI, 2025).

Segundo a empresa, a proposta é transformar a IA de uma “máquina de respostas” em um tutor socrático, que incentiva o raciocínio próprio do usuário (MacMagazine, 2025). Para educadores, a novidade representa uma tentativa de devolver protagonismo ao aluno, mitigando o risco da dependência.

Entre a eficiência e o futuro do trabalho

Ainda é cedo para afirmar se a dependência da IA comprometerá irreversivelmente a capacidade cognitiva das próximas gerações. Mas os sinais já indicam algo ainda mais imediato e preocupante: o impacto no mercado de trabalho.

Se o que nos diferencia das máquinas sempre foi a criatividade, a autonomia e a capacidade de inovar, abrir mão dessas habilidades em favor de respostas prontas é como entregar justamente o que nos mantém relevantes. Pesquisas recentes do MIT (2025) já alertam que o uso acrítico da IA pode reduzir a prática do pensamento crítico, tornando profissionais menos preparados para resolver problemas complexos de forma independente.

No fim das contas, não é a IA que ameaça “roubar nossos empregos“, mas a forma como escolhemos usá-la. O modo Estudo da OpenAI pode ajudar a devolver protagonismo ao aprendizado, mas não elimina nossa responsabilidade: cabe a nós decidir se seremos operadores da tecnologia ou apenas operados por ela.

Referências

INFO VERUS. Dependência de IA prejudica desempenho cognitivo, aponta pesquisa do MIT. 2025. Disponível em: https://www.infoverus.com.br/variedades/dependencia-de-ia-prejudica-desempenho-cognitivo-aponta-pesquisa-do-mit/6571

FORBES. Estudo aponta que a IA está reduzindo a capacidade cognitiva das pessoas. 2025. Disponível em: https://forbes.com.br/forbes-tech/2025/01/estudo-aponta-que-a-ia-esta-reduzindo-a-capacidade-cognitiva-das-pessoas/

LEE, S. Generative AI and Critical Thinking: A Global Survey. 2025. Disponivel em:https://www.microsoft.com/en-us/research/uploads/prod/2025/01/lee_2025_ai_critical_thinking_survey.pdf?msockid=04f93ed41b056d4902532b5c1a626cd2

OPENAI. ChatGPT Study Mode. 2025. Disponível em: https://openai.com/index/chatgpt-study-mode/

MACMAGAZINE. OpenAI lança modo Estudo no ChatGPT com foco em estimular o aprendizado. 2025.

ZUBOFF, S. The Age of Surveillance Capitalism. New York: PublicAffairs, 2019.

PRIVACYTECH. Inteligência Artificial: a dualidade entre criatividade e dependência. 2024.

TIME. AI, ChatGPT and Google are learning in school. Disponível em: https://time-com.translate.goog/7295195/ai-chatgpt-google-learning-school/?_x_tr_sl=en&_x_tr_tl=pt&_x_tr_hl=pt&_x_tr_pto=tc&_x_tr_hist=true

SIQUEIRA, Janderson. A dependência excessiva da inteligência artificial: um freio para a criatividade humana. Dev.to, 2023. Disponível em: https://dev.to/jandersonsiqueira/a-dependencia-excessiva-da-inteligencia-artificial-um-freio-para-a-criatividade-humana-4paa?utm_source=chatgpt.com

Autora: Luiza Manoelle dos Santos

A doença de Parkinson é marcada pela perda lenta e contínua de neurônios que produzem dopamina, um neurotransmissor que atua como um “lubrificante” químico, auxiliando nosso cérebro a coordenar movimentos. Uma das principais vilãs desse processo é a proteína α-sinucleína, que costuma ficar solta e inofensiva dentro das células, mas em certas circunstâncias se amontoa formando fibrilas tóxicas. Impedir esse ajuntamento sempre foi um desafio, porque identificar o contorno tridimensional da proteína que indica onde um medicamento pode se encaixar exigia meses de experimentos caros em laboratórios de cristalografia.

Até pouco tempo, determinar a forma de uma proteína era uma tarefa extremamente demorada. Primeiro, os cientistas precisavam produzir litros da proteína em bactérias ou células de mamífero e depois purificá-la até ficar quase 100% livre de impurezas. Em seguida, era necessário induzir a cristalização da proteína e obter pequenos cristais ordenados, tarefa delicada que podia exigir semanas de tentativas, pois cada proteína requer condições específicas de temperatura, sal e pH para se organizar. Quando o cristal finalmente crescia, ele era colocado diante de um feixe de raios X potente; os raios se espalhavam e geravam um padrão de pontinhos de luz num detector. Com base nesses pontinhos, computadores calculavam um mapa de densidade eletrônica que os pesquisadores precisavam interpretar átomo por átomo, ajustando um modelo 3D até ele “encaixar” no mapa. Todo esse percurso podia levar meses ou até anos e custava caro, exigindo equipamentos de grande porte.

Com o avanço das inteligências artificiais nos últimos anos, esse processo passou por uma grande mudança. Algoritmos como o AlphaFold 2 conseguem prever, em questão de minutos, a estrutura 3D da α-sinucleína apenas lendo a sequência de seus aminoácidos. É como ter um modelo digital da proteína pronto para inspeção, sem precisar cultivar cristais ou usar grandes máquinas de raios X. Com esse molde em mãos, programas de IA treinados em química compararam milhões de moléculas virtuais e calcularam quais delas se encaixariam melhor nos “bolsões” identificados na superfície da proteína. Assim, a triagem que antes exigia testar milhares de substâncias em laboratório passou a selecionar poucas dezenas de opções que pudessem cumprir o objetivo.

Estrutura tridimensional da α-sinucleína prevista pelo AlphaFold 2.

Fonte: Sino Biological, Alpha-Synuclein Protein Overview

Em 2024, um grupo da Universidade de Cambridge mostrou como essa abordagem ajuda diretamente na procura de remédios contra o Parkinson. Eles pegaram o modelo 3D da α-sinucleína (previsto pelo AlphaFold 2) e, como se fosse um mapa, marcaram os “buraquinhos” onde uma molécula candidata poderia se encaixar e impedir que a proteína se juntasse em placas. Depois, deixaram o computador “folhear” uma biblioteca digital com cinco milhões de moléculas, e em poucas horas, a inteligência artificial apontou quais pareciam caber melhor nesses buraquinhos. As dez melhores foram então sintetizadas em laboratório e testadas numa solução que contém α-sinucleína. Cinco delas funcionaram muito bem, reduzindo em cerca de 70% a formação das fibrilas tóxicas, mesmo quando usadas em quantidades minúsculas. Todo esse processo levou apenas algumas semanas e custou uma pequena fração do método tradicional, que exigiria testar substância por substância à mão. Esse exemplo mostra, de forma bem concreta, como conhecer a “forma” da proteína graças à IA encurta e barateia o caminho até possíveis medicamentos, como ilustrado na imagem a seguir.

Pipeline de descoberta de fármacos guiado por inteligência artificial, do modelo computacional ao ensaio clínico.

Fonte: Zhang et al. (2020)

Entretanto, é necessário reforçar que a  aceleração proporcionada pela inteligência artificial não dispensa o rigor científico. Cada resultado obtido no computador precisa ser confirmado por técnicas experimentais, que vão desde microscopia de alta resolução até ensaios celulares e testes em modelos animais, para garantir que o efeito previsto realmente se manifeste no organismo.

Ademais, há a preocupação com a questão das “caixas-pretas”, em que muitos algoritmos apresentam a solução sem revelar com clareza o raciocínio interno, dificultando compreender por que um candidato foi priorizado e outro descartado. Se aplicado o rigor ético necessário à sua utilização, a perspectiva geral é positiva, pois ao transformar o antigo método de tentativa e erro em uma busca guiada por modelos precisos, a IA acelera resultados, economiza recursos e aproxima a ciência de terapias verdadeiramente eficazes para a grande parcela da população que convive com o Parkinson.

Autor: Renan Bordignon Poy

Referências:

TUNYASUVUNAKOOL, K. et al. Highly accurate protein structure prediction for the human proteome. Nature, v. 596, p. 590-596, 22 jul. 2021. Disponível em: https://www.nature.com/articles/s41586-021-03828-1

BROTZAKIS, Z. F. et al. AlphaFold prediction of structural ensembles of disordered proteins. Nature Communications, v. 16, p. 1632, 14 fev. 2025. Disponível em: https://www.nature.com/articles/s41467-025-56572-9

 UNIVERSITY OF CAMBRIDGE. AI speeds up drug design for Parkinson’s by ten-fold. ScienceDaily, 17 abr. 2024. Disponível em: https://www.sciencedaily.com/releases/2024/04/240417131018.htm.

KRISHNA, R. et al. Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, v. 384, n. 6693, eadl2528, 19 abr. 2024. Disponível em: https://www.science.org/doi/10.1126/science.adl2528

BROWNE, G. DeepMind’s AI has finally shown how useful it can be. Wired, 22 jul. 2021. Disponível em: https://www.wired.com/story/deepmind-protein-folding-database/.

HORNE, R. I. et al. Discovery of potent inhibitors of α-synuclein aggregation using structure-based iterative learning. Nature Chemical Biology, v. 20, p. 634-645, 17 abr. 2024. Disponível em: https://doi.org/10.1038/s41589-024-01580-x.

CALLAWAY, E. AI protein-prediction tool AlphaFold 3 is now more open. Nature, v. 635, p. 531-532, 11 nov. 2024. Disponível em: https://www.nature.com/articles/d41586-024-03708-4

Na próxima terça-feira, 01/04, o Programa de Pós-Graduação em Informação e Comunicação em Saúde (PPGICS/Icict/Fiocruz) realizará a aula aberta “Inteligência Artificial na Pesquisa Científica: aplicações e limitações”, com o professor e pesquisador da Universidade Federal de Goiás (UFG), Ricardo Limongi França Coelho.

Na aula, o pesquisador abordará os princípios de funcionamento da ferramenta, as suas limitações e riscos à privacidade e integridade acadêmica, além de apresentar os “usos mais comuns em atividades de pesquisa acadêmica, posicionando-a como ferramenta complementar”.

Em 2024, Limongi, juntamente com Rafael Cardoso Sampaio e Marcelo Sabbatini, lançou o livro "Diretrizes para o uso ético e responsável da Inteligência Artificial Generativa: um guia prático para pesquisadores", disponível em acesso aberto no Portal de Livre Acesso à Produção em Ciências da Comunicação – Portcom, da Sociedade Brasileira de Estudos Interdisciplinares da Comunicação – Intercom. Na publicação, os autores abordam a rápida ascensão da Intelgência Artificial Generativa (IAG) e discute o seu uso ético e responsável, além de disponibilizar exemplos de uso da ferramenta. 

A aula terá transmissão pelo canal da VideoSaúde no Youtube.

Fonte: Icict/Fiocruz

[embed]https://youtu.be/88AiiIIObnw[/embed]

A Pró-Reitoria de Gestão de Pessoas (Progep), por meio do Núcleo de Educação e Desenvolvimento (NED), promoverá no dia 26 de março, às 10h, pelo Google Meet, uma formação voltada para docentes e técnico-administrativos da UFSM. A palestra intitulada "Inteligência Artificial na educação: ferramentas, ética e aplicabilidades no ensino" abordará os princípios fundamentais da IA, suas tendências e inovações na educação, além de apresentar ferramentas e recursos que podem auxiliar no processo de ensino e aprendizagem.

O objetivo é promover um espaço de diálogo e reflexão sobre o impacto da IA na educação, explorando suas possibilidades, desafios e aplicações práticas no ensino e na gestão acadêmica. Essa é uma oportunidade para os servidores da UFSM ampliarem seus conhecimentos sobre o uso responsável da IA e refletirem sobre seu papel na transformação do ensino.

O ministrante será o doutor em Comunicação Marcos Ramon Gomes Ferreira, professor no Instituto Federal de Brasília (IFB), onde coordena o Grupo Interdisciplinar de Pesquisa em Filosofia e Cultura, com foco nas relações entre tecnologia, sociedade e inovação educacional. Seu trabalho abrange temas como estética, cibercultura e ensino. Já ministrou diversas palestras sobre Inteligência Artificial em instituições como o Tribunal de Contas do DF, Campus Party Brasília, IFPR, IFPI e Secom da Presidência da República. Além disso, é criador do curso online “Aplicações da Inteligência Artificial na educação profissional”, ofertado pelo IFB.  

As inscrições estão abertas até o dia do evento pelo Portal de Capacitação.

Mais informações pelo e-mail ned@ufsm.br.