Desenvolvimento da IA

O desenvolvimento da IA ainda é incipiente, assim como sua aplicação significativa na maioria das entidades e na vida da maioria das pessoas, mas a adoção está em andamento, e o progresso em novas tecnologias, incluindo IA multimodal, IA de ponta, IA causal e IA de agente, promete aprofundar o impacto da IA de maneiras sem precedentes, acompanhadas pelo WWI.

As tendências de investimento e o talento humano serão essenciais para o curso desse desenvolvimento, para o aumento das aplicações de novas tecnologias e para a gestão de riscos e oportunidades existentes, potenciais e ainda não reconhecidos. A história ainda pode registrar 2024 como o ano em que a IA começou a deixar de ser uma tecnologia promissora e se tornar uma ferramenta onipresente.

Na esfera pública, os modelos de linguagem de grande porte (LLMs) e, mais amplamente, a IA generativa passaram cada vez mais da curiosidade para uma ajuda funcional (pelo menos para uma minoria significativa do mundo desenvolvido), assumindo um papel em tudo, desde a escrita de relatórios mundanos até a criação de histórias de ninar personalizadas para crianças. Em muitos setores, o investimento anteriormente especulativo na tecnologia oferecia cada vez mais benefícios regulares e tangíveis à medida que as organizações implementam iniciativas alimentadas por IA.

Não há dúvida de que a IA ainda tem um longo e incerto caminho pela frente. No entanto, compartilhamos uma convicção com muitos outros participantes do mercado de que o aumento da aplicação e as capacidades crescentes da IA terão efeitos profundos e acelerados em todos os setores da economia, todas as organizações (tanto direta quanto indiretamente), nos mercados de trabalho, no uso de energia e na sociedade — para o bem e para o mal.

Essa análise é necessariamente uma tarefa complexa. Em parte, isso ocorre porque a aplicação da IA e a descoberta de seus limites permanecem incertas, em evolução e serão ditadas pelas tendências de investimento e pelo desenvolvimento de talentos humanos. Mas também reflete a realidade de que a IA não é uma tecnologia única e monolítica, mas uma miríade de processos, desenvolvimentos e projetos diferentes. Cada um deles tem uma combinação de pontos fortes e limitações que ditam seu potencial e são, por sua vez, ditados pelas particularidades de suas tecnologias subjacentes, aplicações, os ambientes em que operam e seus requisitos de governança.

Além disso, os desenvolvimentos em IA geralmente são não lineares, o que significa que muitas vezes não estendem simplesmente os usos das tecnologias existentes. Em vez disso, os desenvolvimentos podem levar a avanços repentinos e inspirar o desenvolvimento de novas tecnologias e aplicações visando problemas inteiramente novos e campos multidisciplinares, como a biologia sintética. Além disso, uma combinação de avanços pode levar a resultados não lineares que podem gerar avanços exponenciais nas capacidades da IA.

Os efeitos indiretos da IA

Nossa cobertura de IA necessariamente se estende além da aplicação direta da tecnologia para abranger o impacto mais amplo de sua adoção. Os efeitos indiretos do crescimento da IA já estão sendo sentidos em uma série de setores — notavelmente aqueles com exposição ao aumento da demanda por capacidade de data center, incluindo empresas imobiliárias, o setor de energia e serviços públicos e fornecedores de gás intermediário.

As crescentes aplicações da IA também irão enredar os sistemas nos quais ela opera, com o potencial de efeitos que vão muito além dos usuários imediatos. Essa possibilidade é talvez mais evidente no setor financeiro, onde a adoção da IA exacerba o risco de interrupção operacional levando à instabilidade sistêmica que pode ter implicações de amplo alcance.

Esses riscos poderiam ser mitigados por meio de governança, regulamentação e descentralização eficazes. No entanto, o ritmo de desenvolvimento em IA e seu uso em expansão expõe tais esforços aos desafios de conter não apenas riscos existentes e potenciais, mas também de descobrir riscos não reconhecidos. Prever riscos é essencial para nossos esforços para entender a evolução dos efeitos da IA na qualidade de crédito organizacional e continuará a impulsionar nossa pesquisa.

O que estaremos assistindo em 2025 - Mais de 80% das organizações preveem que seus fluxos de trabalho de IA aumentarão nos próximos dois anos, enquanto cerca de dois terços esperam pressão para atualizar a infraestrutura de TI. A amplitude e a nuance do desenvolvimento da IA, seus efeitos (e potencial) são evidentes na lista de assuntos que nos incumbimos de explorar ao longo de 2025. Eles incluem:

IA multimodal, que facilita aplicações mais humanas de modelos de IA generativos ao permitir a integração e o processamento de diversas entradas, como imagens, áudio, texto e vídeo. A tecnologia ganhou força em 2024 depois que a OpenAI incluiu a funcionalidade em seus modelos, a Meta lançou uma versão multimodal de seu modelo LLaMA e a NVIDIA lançou um modelo de fundação multimodal de código aberto (NVLM 1.0). Esperamos que essa tecnologia ganhe relevância gradualmente em aplicações industriais, principalmente para empresas que já estão integrando modelos de linguagem em seus negócios.

A IA multimodal está sendo desenvolvida ou já está em uso em setores como:

Assistência médica: onde imagens médicas podem ser combinadas com histórico do paciente e resultados laboratoriais para melhorar o diagnóstico e o tratamento, por exemplo, por sistemas desenvolvidos pela Merative (anteriormente parte da IBM Watson Health) e Bayer.

Automotivo: onde informações, incluindo câmeras, GPS e LiDAR, estão sendo combinadas para melhorar a direção autônoma, a resposta a emergências e os sistemas de navegação em empresas como Waymo e Li Auto.

Finanças: onde a IA multimodal está sendo aplicada para analisar as consultas telefônicas dos clientes para dar suporte às atividades de resposta e resolução dos funcionários do contact center.

Varejo: onde a combinação de imagens visuais, avaliações de produtos, informações sobre produtos, dados de interação com o cliente e dados de depósito é usada para otimizar campanhas de marketing, gerenciamento de estoque e minimizar custos de embalagem e envio. A Amazon, por exemplo, usa sua IA multimodal "Just Walk Out" para permitir compras sem checkout em suas lojas físicas.

Edge AI, que move a computação de IA para as máquinas dos usuários finais. Embora não seja um conceito novo, esperamos que o uso crescente de small language models (SLMs) por empresas suporte a escalabilidade da edge AI. Essa mudança oferece inúmeras vantagens, incluindo, notavelmente, um risco reduzido de interrupções em massa associadas a falhas em grandes provedores de infraestrutura ou tecnologia — conhecido como risco de centralização.

A combinação de SLMs com tecnologias de criptografia deve mitigar ainda mais o risco de centralização, abrindo caminho para computação e armazenamento de dados mais seguros e descentralizados. E como os SLMs na edge exigem menos poder computacional, eles também oferecerão vantagens de eficiência energética em comparação com LLMs que consomem muitos dados e recursos. No entanto, a aplicação significativa de IA de ponta escalável terá que superar o desafio considerável de garantir que as tecnologias emergentes passem do laboratório para o campo e sejam implantadas em números suficientes para causar impacto.

A IA causal, que pode raciocinar e fazer escolhas como os humanos, usa a inferência causal para entender fundamentalmente por que processos e decisões são feitos. Isso vai além do reconhecimento de padrões e correlação que sustentam grande parte da capacidade atual da IA (particularmente IA discriminativa e IA generativa).

Esperamos que essa capacidade se torne cada vez mais importante com o aumento da adoção da IA e a demanda correspondente por dados (reais e sintéticos), como um meio de identificar a causalidade verdadeira de correlações espúrias. Ela também deve permitir que os modelos de IA forneçam respostas de consulta mais confiáveis, tomem decisões mais informadas e potencialmente ajudem na descoberta de causas subjacentes - o que pode provar ser uma ferramenta poderosa em setores como saúde e finanças.

A IA causal é geralmente considerada um dos elos perdidos para criar inteligência geral artificial (que corresponde ou supera as habilidades cognitivas humanas em qualquer tarefa). Por natureza, a inferência casual reduz a complexidade na tomada de decisões, o que significa que requer menos dados e poder para fornecer um desempenho tipicamente melhor. Os casos de uso ativos ainda são relativamente limitados e tendem a se concentrar em manufatura, ciências biológicas, ciências de decisão e no estudo da cognição e comportamento humanos.

Agentic AI, que descreve o desenvolvimento de "agentes de IA" cada vez mais autônomos que tomam decisões e executam tarefas com base em um conjunto de instruções fornecidas. Esse avanço abre a porta para a IA mudar de resolver um problema fornecendo dados relevantes para formular e implementar soluções.

IA cognitiva, que se refere à IA ser capaz de imitar funções cognitivas humanas, como raciocínio, aprendizado e resolução de problemas — inclusive usando estruturas de computação cognitiva conhecidas como arquitetura neuro-simbólica que simulam padrões humanos de aprendizado, raciocínio e compreensão.

Esperamos que a IA cognitiva siga a adoção generalizada da IA agêntica para se tornar o próximo passo na evolução da tecnologia. Chatbots virtuais multimodais recentes, como o ChatGPT-4o e seu modelo mais recente o1 (projetado para pensar mais profundamente antes de responder), têm alguns recursos que se qualificam como IA cognitiva (ou seja, o uso de IA multimodal para fornecer respostas fundamentadas e entender consultas complexas, e demonstração de aprendizado adaptativo em interações humanas).

No entanto, os modelos não são totalmente autônomos, o que significa que exigem entradas humanas para atingir objetivos (ao contrário da IA agêntica) e ainda não integram informações sensoriais (de dispositivos de Internet das Coisas (IoT), por exemplo), telemática ou outras fontes de dados aumentados em tempo real necessários para a tomada de decisões.

*Eduardo Athayde é diretor do WWI no Brasil. [email protected].