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

Na verdade, a história da IA já teve um exemplo muito típico de frenesim de capital.
Esse foi o boom dos "sistemas especialistas" na década de 1980.
O contexto dessa vaga de IA foi que, após o primeiro inverno da IA, a indústria finalmente encontrou um caminho que parecia comercializável.
Os primeiros investigadores de IA tentaram criar inteligência geral diretamente, mas áreas como tradução automática, raciocínio geral e robótica ficaram aquém das expectativas, e o financiamento e a confiança arrefeceram rapidamente.
Então, na década de 1980, a indústria de IA mudou de abordagem:
Já que a inteligência geral era tão difícil, vamos primeiro fazer inteligência vertical.
Transformar a experiência de médicos, engenheiros, químicos, especialistas financeiros e técnicos de manutenção de equipamentos numa série de regras e introduzi-las no computador.
Se A e B acontecerem ao mesmo tempo, então é classificado como C.
Se aparecer uma determinada combinação de sintomas, então recomendar um determinado diagnóstico.
Se houver um conflito de configuração numa encomenda, então o sistema corrige automaticamente.
Isto é um sistema especialista.
Não é como os grandes modelos atuais treinados com enormes quantidades de dados, mas sim uma base de conhecimento organizada manualmente, juntamente com um motor de inferência.
Na altura, não era apenas um conceito abstrato.
O sistema XCON/R1 da DEC foi um dos casos comerciais mais emblemáticos. Ajudou a DEC a configurar automaticamente encomendas complexas de minicomputadores, reduzindo erros de configuração e melhorando a eficiência de entrega, sendo posteriormente considerado um marco no sucesso comercial dos sistemas especialistas.
Com este caso, a imaginação do mercado foi totalmente inflamada.
As empresas começaram a acreditar:
Se um sistema especialista pode substituir o julgamento de um engenheiro, então também pode substituir o julgamento de um médico?
Se pode configurar computadores, também pode configurar fábricas, gerir cadeias de abastecimento, tomar decisões financeiras e fazer raciocínios jurídicos?
Então o capital começou a fluir.
Grandes empresas criaram departamentos de IA, como a IBM, DEC, GE, GM, entre outras, todas a investir em sistemas especialistas.
Surgiram também startups, focadas em engenharia do conhecimento, software de sistemas especialistas, motores de inferência e soluções setoriais.
Mais interessante ainda é que a bolha da IA se alastrou rapidamente ao hardware.
Na altura, muitos softwares de IA usavam a linguagem Lisp, que exigia elevados recursos computacionais e ambientes de desenvolvimento, levando ao surgimento de empresas especializadas em máquinas Lisp otimizadas para IA.
Empresas como Symbolics, Lisp Machines Inc. e Texas Instruments participaram nesta vaga de hardware dedicado à IA.
Isto é muito parecido com um reflexo histórico dos dias de hoje:
Na altura, os sistemas especialistas impulsionaram as máquinas Lisp.
Hoje, os grandes modelos impulsionam GPUs, HBM, módulos óticos, switches, centros de dados, eletricidade e arrefecimento líquido.
Em cada vaga de IA, quem ganha dinheiro primeiro são, muitas vezes, não as aplicações, mas os vendedores de pás.
Mas o problema também se revelou após a implementação em larga escala.
O principal entrave dos sistemas especialistas era a aquisição de conhecimento.
O verdadeiro conhecimento especializado não é um manual de instruções.
Muitos julgamentos baseiam-se em experiência, intuição, condições de fronteira e anos de tentativa e erro.
Os próprios especialistas podem não conseguir articular todo o conhecimento tácito claramente.
Mesmo que o consigam, é difícil escrevê-lo completamente em regras.
Assim, as empresas descobriram que construir um sistema especialista era muito mais lento e caro do que imaginavam.
O segundo problema era o custo de manutenção.
Os processos empresariais não são estáticos.
Os produtos mudam, os clientes mudam, as leis mudam, as cadeias de abastecimento mudam, o ambiente de mercado muda.
Cada vez que o mundo real se altera, a base de regras tem de ser atualizada.
Com muitas regras, surgem conflitos, omissões e sobreposições no sistema.
No final, muitas empresas não compraram uma máquina de fazer dinheiro automática, mas sim um labirinto de regras que nunca se acaba de reparar.
O terceiro problema era a fragilidade.
Os sistemas especialistas podiam ter um bom desempenho dentro do âmbito das regras.
Mas quando encontravam situações limite, informações ambíguas ou incompletas, o sistema facilmente falhava.
Não tinha verdadeiro senso comum.
Não aprendia ativamente.
Também era difícil compreender as mudanças de contexto como uma pessoa.
Uma demonstração podia ser impressionante, mas um sistema empresarial tem de lidar com o mundo real, que muda todos os dias.
Esta é a enorme distância entre o laboratório e o ambiente de produção.
O quarto problema foi o colapso económico do hardware.
As máquinas Lisp começaram por ser a infraestrutura da IA.
Mas no final da década de 1980, as estações de trabalho genéricas e os computadores pessoais tornaram-se muito mais potentes, mais baratos e com ecossistemas maiores.
Quando computadores genéricos mais baratos também conseguiam executar o software relevante, as dispendiosas máquinas Lisp especializadas perderam a sua justificação comercial.
Assim, o mercado das máquinas Lisp colapsou rapidamente.
A cadeia de hardware foi a primeira a ser reprimida, seguindo-se as empresas de software e consultoria de IA.
Muitas empresas de sistemas especialistas fecharam, foram adquiridas ou transformaram-se, e a IA tornou-se uma palavra que o mercado de capitais já não queria ouvir.
Este foi o segundo inverno da IA.
Mas há um detalhe muito importante aqui:
Os sistemas especialistas não foram completamente inúteis.
Eles não desapareceram, mas foram absorvidos por software empresarial, motores de regras, sistemas de gestão de risco, sistemas de gestão de conhecimento, scripts de atendimento ao cliente e sistemas de automatização de processos.
A tecnologia sobreviveu.
A bolha morreu.
É este o ponto que os investidores de IA de hoje devem refletir repetidamente.
Os grandes modelos atuais não são, obviamente, sistemas especialistas.
Os LLMs não são bases de regras manuais; vêm de grandes volumes de dados, redes neuronais, Transformers, poder computacional e aprendizagem por reforço.
A sua generalidade, capacidade linguística, capacidade de código e capacidade multimodal ultrapassam largamente os sistemas especialistas da época.
Portanto, equiparar simplesmente os grandes modelos atuais aos sistemas especialistas não é rigoroso.
Mas o que a história realmente partilha não é o percurso técnico, mas sim a estrutura psicológica do mercado de capitais.
Cada vaga de IA passa por três passos semelhantes:
Primeiro, ocorre um avanço tecnológico real.
Segundo, o capital acredita que pode transformar todas as indústrias.
Terceiro, as empresas descobrem que transformar a tecnologia num sistema estável, controlável, auditável e lucrativo é muito mais difícil do que imaginavam.
Os grandes modelos atuais estão também a entrar no terceiro passo.
No lado do consumidor, há utilização, mas o panorama de tráfego ainda não foi completamente reescrito.
No lado empresarial, há projetos-piloto, mas muitos ainda estão em fase de teste, sem entrar em sistemas de produção verdadeiramente em grande escala.
Os agentes são atraentes, mas em tarefas de longa duração, os erros individuais acumulam-se.
Mesmo que a precisão de cada passo pareça alta, se o processo for suficientemente longo, a taxa de sucesso global diminui significativamente.
Setores como indústria, finanças, saúde, direito e cadeias de abastecimento não exigem uma resposta bonita, mas sim fiabilidade de ponta a ponta, tratamento de exceções, controlo de acessos, atribuição de responsabilidades, registos de auditoria e suporte humano.
Estas coisas não se resolvem 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 gera é suficiente para suportar esta vaga de despesas de capital e avaliações?
Se as empresas descobrirem que o ROI da IA ainda é vago, a contração de orçamentos pode ser muito rápida.
Se os fornecedores de cloud descobrirem que as receitas de inferência não cobrem a depreciação, a eletricidade e os custos dos centros de dados, as orientações de despesas de capital podem ser revistas em baixa.
Se não surgir um ciclo de pagamentos suficientemente forte no nível das aplicações, a cadeia de hardware começará a negociar expectativas de revisão em baixa da procura.
A história não se repete simplesmente.
Mas o mercado de capitais usa frequentemente formas semelhantes para empurrar um avanço tecnológico real para expectativas de lucro excessivamente elevadas.
A lição da década de 1980 não é que "a IA é uma farsa".
A verdadeira lição é:
Uma revolução tecnológica pode ser real.
O ritmo de comercialização pode ser lento.
O investimento em infraestruturas pode ser prematuro.
As avaliações das ações podem estar erradas.
Estas quatro coisas podem ser verdadeiras ao mesmo tempo.
Os sistemas especialistas não desapareceram, mas a bolha dos sistemas especialistas rebentou.
Os grandes modelos atuais provavelmente também não desaparecerão.
A verdadeira questão é:
Nesta vaga de euforia das infraestruturas de IA, quais as empresas que se tornarão as infraestruturas do futuro e quais serão apenas as máquinas Lisp deste ciclo?