A Inteligência Artificial já foi enterrada duas vezes.

Não é força de expressão. Entre 1974 e 1980, e de novo entre 1987 e 1993, o mundo decretou que a IA tinha prometido demais e entregado de menos. Verbas cortadas, laboratórios fechados, o próprio termo virando motivo de piada em departamentos de ciência da computação.

Setenta anos depois, a pergunta que todo CIO, CTO ou CDO deveria fazer não é se a IA vai cumprir a promessa desta vez. É se a própria empresa está, agora, repetindo dentro de um projeto de IA generativa o mesmo erro que já derrubou a história da inteligência artificial duas vezes antes.

O que a história da inteligência artificial realmente ensina sobre o momento atual

Isaac Asimov – O pai das leis fundamentais da robótica

A história da inteligência artificial não é uma linha reta de progresso. É um ciclo que se repete: expectativa exagerada, investimento em massa, limitação técnica ou operacional exposta, corte de recursos. Duas vezes esse ciclo terminou em “inverno”. A terceira onda, iniciada com o ChatGPT em 2022, está no meio da mesma curva, só que agora o corte não acontece em verba de pesquisa, acontece projeto por projeto, dentro de cada empresa que não tira a IA do piloto.

1950-1956: o nascimento oficial da IA

Antes de existir como ciência, a IA existiu como pergunta filosófica na ficção. Em 1942, o escritor Isaac Asimov publicou o conto “Runaround”, onde formulou as Três Leis da Robótica. É um marco cultural importante, mas vale uma distinção que a maioria dos textos sobre o tema não faz: aquilo era literatura antecipando um debate, não um marco científico.

O nascimento formal do campo aconteceu em 1956, na Conferência de Dartmouth. Foi ali que o pesquisador John McCarthy cunhou o termo “Inteligência Artificial” e reuniu um grupo que incluía Marvin Minsky, Nathaniel Rochester e Claude Shannon. A aposta do grupo era otimista ao extremo: achavam que replicar a inteligência humana levaria uma geração.

A era de ouro (1956-1973)

“Shakey”- o primeiro robô

Entre a conferência de Dartmouth e o primeiro grande corte de verba, a IA viveu quase duas décadas de otimismo e resultados reais em ambiente controlado. O programa SHRDLU, criado no MIT, conseguia entender comandos em linguagem natural dentro de um mundo simulado de blocos. O robô Shakey, desenvolvido no Stanford Research Institute, foi o primeiro a combinar percepção, raciocínio e ação física em um único sistema.

Os resultados impressionavam dentro do laboratório. O problema apareceu quando alguém tentou aplicar a mesma lógica fora dele, em um mundo real que não cabia nas regras programadas.

O primeiro Inverno da IA (1974-1980): quando o hype colidiu com a realidade

Garry Kasparov, em 1996, sendo derrotado pela I.A Deep Blue

A aposta otimista de Dartmouth não se sustentou. Em 1973, o matemático James Lighthill publicou um relatório encomendado pelo governo britânico concluindo que a pesquisa em IA geral não tinha entregado o que prometia. O impacto foi imediato: o Reino Unido cortou a maior parte do financiamento, e a DARPA, principal financiadora nos Estados Unidos, reduziu drasticamente seus investimentos a partir de 1974.

Esse período, batizado depois como “primeiro Inverno da IA”, durou até 1980. A causa não foi falta de inteligência dos pesquisadores. Foi a distância entre o que se prometeu ao financiador e o que a tecnologia da época conseguia entregar em produção real.

O boom dos sistemas especialistas e o segundo Inverno (1987-1993)

A maioria dos textos sobre história da IA pula direto do primeiro Inverno para os anos 1990, como se o campo tivesse ficado em silêncio até o Deep Blue. Não ficou. Nos anos 1980, a IA voltou com força através dos sistemas especialistas, programas que codificavam o conhecimento de um especialista humano em regras condicionais.

O caso mais citado é o XCON, criado para configurar computadores VAX na Digital Equipment Corporation. Segundo relatos da época, o sistema chegou a economizar dezenas de milhões de dólares por ano para a empresa. O mercado de sistemas especialistas cresceu para a casa de bilhões de dólares em poucos anos.

E então colapsou de novo. Os sistemas especialistas eram caros demais para manter: cada nova regra adicionada criava conflitos imprevisíveis com regras já existentes, um problema que ficou conhecido como “gargalo de aquisição de conhecimento”. Empresas que tinham apostado em hardware especializado para rodar essas aplicações quebraram quando computadores pessoais mais baratos alcançaram a mesma capacidade. Entre 1987 e 1993, o segundo Inverno da IA se instalou.

Deep Blue: a IA vence o ser humano em seu próprio jogo (1996-1997)

Em fevereiro de 1996, Garry Kasparov, então campeão mundial de xadrez, enfrentou o supercomputador Deep Blue, da IBM, em uma partida de seis jogos. Kasparov venceu por 4 a 2. A IBM voltou com uma versão atualizada da máquina, e em maio de 1997, em novo confronto de seis partidas, o Deep Blue venceu por 3,5 a 2,5, tornando-se o primeiro computador a derrotar um campeão mundial de xadrez em um torneio oficial.

O resultado provou algo que ia além do xadrez: uma máquina podia superar um humano em uma tarefa que exige raciocínio estratégico profundo, não apenas velocidade de cálculo.

A década que pareceu silenciosa, mas não foi (2010-2017)

Siri – o primeiro assistente virtual com inteligência artificial integrada a outros apps

Entre a Siri e o ChatGPT, é comum contar a história como se nada relevante tivesse acontecido. É outro erro de simplificação recorrente nos textos sobre o tema.

A Siri nasceu como aplicativo independente em fevereiro de 2010, foi comprada pela Apple dois meses depois e só se tornou o assistente de voz conhecido mundialmente quando integrada ao iPhone 4S, em outubro de 2011. Foi o primeiro assistente de IA de uso massivo, mas ainda operava com regras limitadas de linguagem.

A verdadeira ponte técnica para o ChatGPT aconteceu longe das manchetes. Em 2012, a rede neural AlexNet mostrou ganhos de desempenho em reconhecimento de imagem que reacenderam o interesse em aprendizado profundo. Em 2017, pesquisadores do Google publicaram o artigo que introduziu a arquitetura Transformer, o modelo matemático que hoje sustenta praticamente todos os grandes modelos de linguagem, incluindo o GPT. Sem essa arquitetura, não existe ChatGPT.

ChatGPT: quando a IA generativa virou mainstream (2022)

Sam Altman, Criador do ChatGPT em um depoimento perante o Congresso dos EUA, sobre os riscos da I.A

Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT. Em dois meses, o produto atingiu 100 milhões de usuários, o crescimento mais rápido já registrado por um produto de tecnologia até então. Pela primeira vez, um modelo de linguagem natural virou ferramenta de uso diário para o público em geral, não apenas para pesquisadores.

Foi esse momento que popularizou o conceito. Mas a tecnologia por trás do ChatGPT já vinha sendo construída havia uma década, tijolo por tijolo, desde o AlexNet até o Transformer.

2026: IA em produção, ou o novo Inverno, dependendo de quem executa

Aqui está o ponto que a maioria dos textos sobre a história da inteligência artificial não conecta: o padrão dos dois Invernos está se repetindo agora, só que em escala de empresa, não de mercado inteiro.

A Gartner registrou, em seu Hype Cycle para IA Agêntica de 2026, que apenas 17% das organizações já implantaram agentes de IA, embora mais de 60% pretendam fazer isso nos próximos dois anos. É a curva de adoção mais agressiva que a consultoria já mediu para qualquer tecnologia emergente, e também a maior distância entre ambição e execução.

Não é coincidência que a própria Gartner tenha um nome formal para essa fase dentro do seu modelo de Hype Cycle: “Vale da Desilusão”. É o estágio em que a expectativa inflada encontra a realidade da implementação, exatamente o ponto em que a IA generativa foi posicionada nos ciclos recentes da consultoria. A diferença entre atravessar esse vale ou ficar presa nele é a mesma de sempre: execução medida contra promessa vendida.

O que os dados de 2026 mostram sobre POC x produção

Inteligência artificial vs. inteligência humana

A tabela abaixo resume o que consultorias internacionais registraram sobre o abismo entre pilotos de IA e produção real, o equivalente moderno ao gargalo que já apareceu duas vezes na história do campo.

Nenhum desses números descreve uma falha da tecnologia. Descrevem o mesmo padrão de execução que já apareceu em 1974 e em 1987: prometer rápido, pular a etapa de operação, medir custo depois que já é tarde.

No projeto com a Unimed-BH, a Framework Digital saiu do discurso de IA para o resultado medido: 67,4% de ganho operacional, 7.955 horas economizadas e mais de R$ 1 milhão em economia gerada por modernização com IA embarcada no processo, não em piloto isolado. É a diferença entre tratar IA como experimento e tratar IA como capacidade operacional.

Como saber se sua empresa está do lado certo da história

Os dois Invernos da IA aconteceram porque ninguém media o custo real de operação até ser tarde demais. O checklist abaixo existe para não repetir isso projeto a projeto.

• O custo de operação em volume real foi medido, ou só o custo do piloto?
• Existe patrocínio executivo formal, ou o projeto está isolado dentro de TI?
• Os dados que alimentam o modelo estão prontos para produção, ou só para demonstração?
• Existe métrica financeira de sucesso definida antes do início do projeto?
• Alguém está medindo o que acontece depois que o piloto “funciona”?

A IDC aponta que a causa mais recorrente para o abandono não é a tecnologia em si, mas a falta de infraestrutura de dados pronta para sustentar a operação em escala. É exatamente o mesmo gargalo que travou os sistemas especialistas nos anos 1980, agora com outro nome.

Perguntas frequentes sobre a história da Inteligência Artificial

Quantos “Invernos da IA” já aconteceram na história?

Dois. O primeiro entre 1974 e 1980, causado pelo Relatório Lighthill e pelo corte de financiamento da DARPA. O segundo entre 1987 e 1993, causado pelo colapso comercial dos sistemas especialistas.

Por que o ChatGPT demorou tanto para aparecer depois da Siri?

Não demorou por falta de esforço. A década entre 2012 e 2022 foi usada para construir a base técnica necessária: o avanço do aprendizado profundo com o AlexNet em 2012 e a arquitetura Transformer, publicada em 2017, que hoje sustenta os grandes modelos de linguagem.

Qual a diferença entre um piloto de IA e IA em produção?

O piloto prova que a tecnologia funciona em condições controladas. A produção prova que ela sustenta operação real, com custo medido, dados prontos, governança e patrocínio executivo. A maioria dos projetos para na primeira etapa.

A IA generativa pode entrar em um novo “inverno”?

Em escala de mercado, é pouco provável, porque já existem casos de produção real gerando retorno mensurável. Em escala de empresa, sim: qualquer projeto sem medição de custo, dado pronto e patrocínio executivo corre o mesmo risco que os sistemas especialistas correram nos anos 1980.

Como saber se um projeto de IA vai sair do papel?

Quando existe métrica financeira definida antes do início, dado pronto para escala, patrocínio executivo formal e medição contínua depois que o piloto “funciona”. Sem essas quatro condições, o projeto tende a virar mais uma estatística de abandono.

A virada

A história da inteligência artificial nunca foi derrotada pela própria tecnologia. Foi derrotada pela distância entre o que se prometeu e o que se mediu depois. Isso aconteceu em 1974, aconteceu de novo em 1987, e está acontecendo agora, dentro de milhares de empresas que confundem piloto bem-sucedido com capacidade operacional instalada.

A pergunta que fica não é histórica. É operacional: o próximo projeto de IA da sua empresa vai virar estatística de abandono, ou vai virar resultado medido?

Inteligência Artificial Tecnologia e Inovação