Muitas pessoas pensam que a bolha da IA é algo que só existe hoje.

Na verdade, já houve uma febre de capital muito típica na história da IA.
Foi a bolha dos "sistemas especialistas" na década de 1980.
O contexto dessa onda de IA foi que, após o primeiro inverno da IA, a indústria finalmente encontrou um caminho que parecia comercializável.
Os primeiros pesquisadores de IA queriam criar inteligência geral diretamente, mas áreas como tradução automática, raciocínio geral e robótica demoraram a atingir as expectativas, e o financiamento e a confiança esfriaram rapidamente.
Então, na década de 1980, a indústria de IA mudou de abordagem:
Já que a inteligência geral é muito difícil, primeiro façamos inteligência vertical.
Transformar a experiência de médicos, engenheiros, químicos, especialistas financeiros e técnicos de manutenção de equipamentos em regras individuais e escrevê-las no computador.
Se A e B ocorrerem simultaneamente, então julgue como C.
Se uma determinada combinação de sintomas aparecer, então recomende um determinado diagnóstico.
Se houver algum conflito de configuração em um pedido, o sistema corrige automaticamente.
Isso é o sistema especialista.
Não é como os grandes modelos de hoje treinados com enormes volumes de dados, mas sim uma base de conhecimento organizada manualmente, com um motor de inferência.
Naquela época, não era apenas um conceito.
O sistema XCON/R1 da DEC é um dos casos comerciais mais clássicos. Ele ajudou a DEC a configurar automaticamente pedidos complexos de minicomputadores, reduzindo erros de configuração e melhorando a eficiência de entrega, sendo posteriormente visto como um caso emblemático de sucesso comercial de sistemas especialistas.
Quando esse caso surgiu, a imaginação do mercado foi completamente inflamada.
As empresas começaram a acreditar:
Se um sistema especialista pode substituir parte do julgamento de engenheiros, será que também pode substituir o julgamento de médicos?
Se pode configurar computadores, será que também pode configurar fábricas, gerenciar cadeias de suprimentos, tomar decisões financeiras e fazer raciocínio jurídico?
Então o capital começou a fluir.
Grandes empresas estabeleceram departamentos de IA, como IBM, DEC, GE, GM, todas investindo em sistemas especialistas.
Startups também começaram a surgir, focadas em engenharia de conhecimento, software de sistemas especialistas, motores de inferência e soluções setoriais.
Mais interessante ainda, a bolha da IA se espalhou rapidamente para o hardware.
Porque muitos softwares de IA usavam a linguagem Lisp na época, e o Lisp exigia recursos computacionais e ambientes de desenvolvimento mais altos, surgiu um grupo de empresas especializadas em máquinas Lisp otimizadas para IA.
Empresas como Symbolics, Lisp Machines Inc. e Texas Instruments participaram dessa onda de hardware dedicado à IA.
Isso é muito parecido com um reflexo histórico de hoje:
Naquela época, os sistemas especialistas impulsionaram as máquinas Lisp.
Hoje, os grandes modelos impulsionam GPUs, HBM, módulos ópticos, switches, data centers, energia elétrica e refrigeração líquida.
Em cada onda de IA, quem ganha dinheiro primeiro não são as aplicações, mas os vendedores de pás.
Mas o problema também se expôs após a implantação em larga escala.
O gargalo mais central dos sistemas especialistas é a aquisição de conhecimento.
O verdadeiro conhecimento de especialistas não é um manual de instruções.
Muitos julgamentos vêm da experiência, intuição, condições de contorno e anos de tentativa e erro.
Os próprios especialistas podem não ser capazes de expressar claramente todo o conhecimento tácito.
Mesmo que expressem, é difícil escrever completamente como regras.
Então as empresas descobrem que construir um sistema especialista é muito mais lento e caro do que imaginavam.
O segundo problema é o custo de manutenção.
Os processos empresariais não são estáticos.
Produtos mudam, clientes mudam, regulamentações mudam, cadeias de suprimentos mudam, o ambiente de mercado muda.
Cada vez que o mundo real muda, a base de regras precisa ser alterada.
Com muitas regras, o sistema interno ainda pode ter conflitos, omissões e sobreposições.
No final, muitas empresas não compram uma máquina de fazer dinheiro automática, mas sim um labirinto de regras que nunca termina de consertar.
O terceiro problema é a fragilidade.
O sistema especialista pode ter um bom desempenho dentro do escopo das regras.
Mas quando encontra casos limítrofes, informações ambíguas ou incompletas, o sistema tende a falhar.
Ele não tem senso comum real.
Ele não aprende ativamente.
Também é difícil para ele entender mudanças de cenário como um humano.
Uma demonstração pode ser impressionante, mas um sistema empresarial precisa enfrentar o mundo real que muda todos os dias.
Esta é a enorme lacuna do laboratório para o ambiente de produção.
O quarto problema é o colapso econômico do hardware.
As máquinas Lisp eram inicialmente a infraestrutura da IA.
Mas no final da década de 1980, estações de trabalho genéricas e computadores pessoais se tornaram rapidamente mais potentes, com preços mais baixos e ecossistemas maiores.
Quando computadores genéricos mais baratos também podiam executar software relevante, as caras máquinas Lisp dedicadas perderam sua justificativa comercial.
Assim, o mercado de máquinas Lisp entrou em colapso rapidamente.
A cadeia de hardware foi reavaliada primeiro, e depois as empresas de software e consultorias de IA começaram a sentir pressão.
Muitas empresas de sistemas especialistas faliram, foram adquiridas ou se transformaram, e a IA se tornou novamente uma palavra que o mercado de capitais não queria ouvir.
Este foi o segundo inverno da IA.
Mas há um detalhe muito importante:
Os sistemas especialistas não foram completamente inúteis.
Eles não desapareceram, mas foram absorvidos em softwares empresariais, motores de regras, sistemas de controle de risco, sistemas de gerenciamento de conhecimento, scripts de atendimento ao cliente e sistemas de automação de processos.
A tecnologia sobreviveu.
A bolha morreu.
Isso é o que os investidores de IA de hoje devem refletir repetidamente.
É claro que os grandes modelos de hoje não são sistemas especialistas.
LLM não é uma base de regras artesanal, vem de grandes volumes de dados, redes neurais, Transformers, poder computacional e aprendizado por reforço.
Sua generalidade, capacidade linguística, capacidade de código e capacidade multimodal superam em muito os sistemas especialistas da época.
Portanto, igualar simplesmente os grandes modelos de hoje aos sistemas especialistas não é rigoroso.
Mas o que a história realmente tem em comum não é a rota tecnológica, mas a estrutura psicológica do mercado de capitais.
Cada onda de IA passa por três etapas semelhantes:
Primeira etapa: uma verdadeira ruptura tecnológica ocorre.
Segunda etapa: o capital acredita que ela pode transformar todos os setores.
Terceira etapa: as empresas descobrem que transformar a tecnologia em um sistema estável, controlável, auditável e lucrativo é muito mais difícil do que imaginavam.
Os grandes modelos de hoje também estão entrando na terceira etapa.
Do lado do consumidor (C), há volume de uso, mas o cenário de tráfego ainda não foi completamente reescrito.
Do lado empresarial (B), há projetos-piloto, mas muitos ainda estão em fase de piloto, sem entrar em sistemas de produção em larga escala.
Agentes são atraentes, mas em tarefas de longo fluxo, erros individuais se acumulam continuamente.
Mesmo que a precisão de cada etapa pareça alta, desde que o fluxo seja longo o suficiente, a taxa de sucesso geral cairá significativamente.
Setores como indústria, finanças, saúde, direito e cadeia de suprimentos não precisam de uma resposta bonita uma única vez, mas de confiabilidade ponta a ponta, tratamento de exceções, controle de permissões, atribuição de responsabilidade, registros de auditoria e suporte humano.
Essas coisas não podem ser resolvidas com lançamentos de modelos.
Portanto, o maior risco da IA hoje não é que a tecnologia não tenha valor.
Pelo contrário, a IA tem muito valor.
A verdadeira questão é:
O fluxo de caixa que ela gera é suficiente para sustentar os atuais gastos de capital e avaliações?
Se as empresas descobrirem que o ROI da IA ainda é vago, a velocidade de contração dos orçamentos pode ser muito rápida.
Se os provedores de nuvem descobrirem que a receita de inferência não cobre os custos de depreciação, energia elétrica e data centers, as diretrizes de gastos de capital podem ser reduzidas.
Se a camada de aplicação não apresentar um ciclo de pagamento suficientemente forte, a cadeia de hardware começará a negociar a redução das expectativas de demanda.
A história não se repete simplesmente.
Mas o mercado de capitais frequentemente usa maneiras semelhantes para empurrar uma verdadeira ruptura tecnológica para expectativas de lucro excessivamente altas.
A lição da década de 1980 não é que "IA é uma fraude".
A verdadeira lição é:
A revolução tecnológica pode ser real.
O ritmo da comercialização pode ser lento.
O investimento em infraestrutura pode ser prematuro.
A avaliação das ações pode estar errada.
Essas quatro coisas podem ser verdade simultaneamente.
Os sistemas especialistas não desapareceram no final, mas a bolha dos sistemas especialistas estourou.
Os grandes modelos de hoje provavelmente também não desaparecerão.
A verdadeira questão é:
Nesta farra de infraestrutura de IA, quais empresas se tornarão a infraestrutura do futuro e quais empresas são apenas as máquinas Lisp deste ciclo?