Em 2023, a IA foi a grande protagonista do SXSW na esteira do lançamento do ChatGPT. Em 2024, os debates giraram em torno de limites éticos e regulamentações. Agora, em 2025, a questão é como a aplicação dessa tecnologia transformará indústrias, acelerando avanços, como na medicina, ou desbloqueando desafios antes considerados limitantes, como na robótica. 

A sensação é parecida com a dos primeiros dias da internet: o impacto exato ainda é incerto, e muitas aplicações parecem futuristas demais, um tanto distantes da realidade. No entanto, seu desenvolvimento redefinirá profissões e exigirá uma adaptabilidade ainda maior. 

Diante desse cenário indefinido, surgem diversas abordagens. CEO do Future Today Strategy Group, Amy Webb descreve esse momento como “The Beyond”, ou seja, um ponto de transição no qual as regras anteriores deixam de ser aplicáveis. Esse novo mundo será impulsionado pela convergência entre IA, biotecnologia e sensores avançados, dissolvendo fronteiras entre biológico e tecnológico e redefinindo nossa visão de inteligência e autonomia. Se, por um lado, há um potencial imenso para inovações sem precedentes, por outro, surgem riscos como manipulação sutil de intenções e perda de controle sobre nossas decisões, influenciadas por sistemas cada vez mais sofisticados.

Essa ruptura fará surgirem reflexões mais profundas e perenes no horizonte: a preocupação com a saúde social e a solidão, a necessidade de resiliência frente às mudanças profissionais, a inspiração na biologia como modelo para a inovação e, até mesmo, um resgate da ancestralidade como alternativa para um futuro menos distópico.

BUSCA COM IA GENERATIVA

A integração de IA generativa em buscadores como Google e Bing está mudando a forma como interagimos com a internet. Em vez de listas de links, os usuários recebem respostas diretas e resumidas, reduzindo a necessidade de acessar sites externos. No entanto, esses modelos não validam a veracidade das informações, já que apresentam conteúdos mais prováveis de agradar o usuário, o que pode gerar respostas imprecisas e uma busca “zero cliques”, na qual a informação é consumida sem visitas às fontes. Essa mudança levanta preocupações sobre a confiabilidade e a sustentabilidade do ecossistema digital, pois reduz o tráfego para publicações. Assim, a IA generativa nas pesquisas em sites de busca se consolida como uma inovação transformadora, redefinindo como acessamos e distribuímos conhecimento.

AGENTIC AI

As Agentic AIs são sistemas computacionais construídos a partir de quatro elementos fundamentais, de acordo com John Maeda, pesquisador e head de design computacional da Microsoft:

1) modelo, que define sua capacidade de processamento; 
2) prompts, que direcionam sua atuação; 
3) conhecimento, que representa seu conhecimento acumulado; e 
4) ferramentas, que ampliam suas capacidades ao permitir acesso a recursos externos. 

Inicialmente, esses agentes operam de forma isolada, executando tarefas específicas. No entanto, ao serem inseridos em um loop (ciclo contínuo) com outros agentes ou ferramentas, tornam-se dinâmicos e responsivos, aprendendo e interagindo sem a necessidade de intervenção humana. Esse conceito fundamenta a ideia dos Multi-Agent Systems (MAS), em que múltiplos agentes colaboram autonomamente. A integração com ferramentas e dados externos amplia ainda mais suas capacidades, permitindo acesso a redes, recuperação de informações e execução de tarefas complexas. Essa combinação torna as Agentic AIs altamente adaptáveis, surgindo como sistemas capazes de interagir com o mundo de maneira inédita.

Críticas à Agentic AI

Apesar do entusiasmo, especialistas apontam desafios que dificultam a adoção da Agentic AI. A MIT Technology Reviewnão a listou como tendência, citando obstáculos como baixa confiabilidade, dificuldades de interoperabilidade e falta de segurança para tarefas autônomas complexas.

Meredith Whittaker, presidente do Signal, alerta para os riscos à privacidade e à proteção. Para atuar como “mordomos digitais” – agendando eventos ou comprando ingressos, por exemplo –, esses agentes precisariam acessar dados sensíveis, como informações de pagamento e mensagens privadas. Além disso, seu processamento na nuvem pode comprometer a criptografia de aplicativos seguros (como o próprio Signal). Whittaker também adverte que sistemas automatizados podem assumir um controle excessivo sobre dados pessoais, beneficiando empresas em detrimento da segurança do usuário. 

Essas críticas ressaltam que, apesar do potencial da Agentic AI, há desafios técnicos e éticos que precisam ser superados antes que a tecnologia possa ser amplamente adotada.

— Evoluções esperadas

No futuro, as interfaces de IA irão além da “caixa de chat”, assumindo formatos diversos. John Maeda, da Microsoft, prevê o surgimento de áreas dedicadas ao design de interações com agentes, o que ele chama de Agent Experience (AX). Essa mudança representa um novo paradigma: do design centrado no usuário (user-centric) para estratégias focadas na interação entre agentes (agent-centric), especialmente à medida que sistemas multiagentes se expandem.

“Um agente de IA precisaria das informações do nosso cartão de crédito, de acesso ao nosso calendário, de tudo o que estamos fazendo, de todas as pessoas com quem estamos nos encontrando. Precisaria de acesso ao Signal para abrir e enviar mensagens aos nossos amigos. Há uma questão profunda de segurança e privacidade que está assombrando esse tipo de hype em torno do agente de IA.”

SISTEMAS MULTIAGENTES

John Maeda destaca que agentes de IA se tornam mais poderosos ao operar em loop, executando múltiplas tarefas simultaneamente e interagindo com bases de dados e outros agentes. Assim, deixam de ser ferramentas estáticas para se tornarem sistemas dinâmicos e autônomos, ampliando as capacidades da IA, do mesmo modo como a conectividade em rede revolucionou os computadores.

Os Sistemas Multiagentes (MAS), apontados por Amy Webb como tendência, são compostos por agentes autônomos e colaborativos. Eles distribuem tarefas entre si, aprendem com interações e tomam decisões até 100 vezes mais rapidamente do que humanos. Essa tecnologia amplia a autonomia das máquinas, permitindo que sistemas resolvam problemas complexos de forma coordenada e adaptativa. 

No médio prazo, o pesquisador e futurista Neil Redding prevê que os Sistemas Multiagentes (MAS) transformarão a forma como as empresas operam, com agentes de IA assumindo tarefas estratégicas e operacionais com mínima intervenção humana. Com acesso a bases de dados e sensores, esses sistemas tomarão decisões e agirão com crescente independência. No estágio mais avançado, os negócios funcionarão como “organismos vivos”, “autoevoluindo” conforme responderem às mudanças externas e às próprias diretrizes de valores ou objetivos fundamentais.

Para Redding, os MAS não apenas automatizarão processos, mas criarão respostas dinâmicas às mudanças de mercado e às inovações tecnológicas. Inspirado na biomimética, ele prevê uma inteligência colaborativa (e simbiótica) em que IA e humanos cocriam um futuro sustentável, adaptável e financeiramente viável, alinhado ao ecossistema em que operam.

SMALL LANGUAGE MODELS

Os Small Language Models (SLMs) são modelos menores e especializados, projetados para tarefas específicas de forma eficiente, privada e acessível. Diferente dos LLMs (Large Language Models), que são generalistas e exigem alto processamento, os SLMs podem rodar localmente, o que reduz custos, melhora a privacidade e permite seu uso até mesmo em dispositivos móveis.

Na comparação com dados massivos e sem foco específico, utilizados por modelos de LLM, o conceito de “small data” valoriza os dados de alta qualidade, estruturados e focados. Considerando que os LLMs já capturaram 99% dos dados publicamente disponíveis na internet, os SLMs destacam o alto valor dos dados proprietários e com foco específico.

Empresas como OpenAI (GPT-4o mini), Google DeepMind (Gemini Nano) e Anthropic (Claude 3 Haiku) já desenvolvem versões menores de seus modelos, alinhadas a essa tendência. Organizações podem criar SLMs com dados internos (como guias de tom de voz, informações de governança e conhecimento de produtos), criando ferramentas estratégicas e adaptadas ao seu conhecimento corporativo. Um exemplo prático de aplicação é um SLM treinado exclusivamente para a redação de contratos jurídicos, oferecendo precisão e segurança para advogados e empresas.

A expectativa é que, ao aplicar uma camada de dados especializados sobre os modelos generalistas de IA, as empresas consigam criar ferramentas mais precisas e personalizadas, que refletem o conhecimento corporativo único, bem como suas capacidades. 

É importante frisar que não se trata de escolher entre LLMs e SLMs, mas de combiná-los. Um modelo híbrido permite que SLMs armazenem dados privados localmente (on-premise), enquanto LLMs na nuvem lidam com o conhecimento geral, criando um equilíbrio entre capacidade e especialização.

LLMs: Treinamento mais complexo devido ao alto número de parâmetros.Funcionamento generalista.Alto consumo de energia.Geralmente rodam online devido à alta demanda de processamento.

SLMs: Treinamento mais rápido com menos parâmetros.Mais eficientes e focados que os LLMs.Menos impacto ambiental, com menor consumo de energia.Podem rodar offline até em dispositivos móveis.Mais acessíveis e baratos.Uso seguro de dados proprietários e privados.Configuráveis para setores ou necessidades específicas.

ROBÓTICA RENOVADA

Treinar robôs era um processo trabalhoso. Agora, com IA e sensores avançados, eles aprendem mais rápido e com precisão, eventualmente até mesmo pela observação de movimentos humanos. Hoje, os robôs podem fazer uso da IA para navegar por terrenos inéditos, transferir habilidades e conhecimentos uns com os outros, bem como para aprender movimentos mais generalizados e habilidades suficientes de modo a completar pequenas tarefas, como organizar a louça, arrumar uma cama ou amarrar sapatos. 

A evolução do treinamento também acelera o avanço dos táxis-robô, veículos autônomos que transportam pessoas e encomendas nas cidades. Com maior capacidade de aprendizado, a experiência adquirida em uma cidade pode ser transferida para novas localidades, acelerando a expansão de serviços como o da Waymo, que já opera em São Francisco, Phoenix, Los Angeles, Atlanta e Austin, com previsão de chegada a Miami e Tóquio. 

Além disso, avança o conceito de robôs bio-híbridos, que combinam partes biológicas (como organoides) com componentes mecânicos, criando interações que misturam as capacidades biológicas com o funcionamento de máquinas.

DIGITAL TWINS

Duplos digitais são representações ou simulações digitais de objetos físicos, sistemas, estruturas biológicas ou processos que funcionam como uma versão digital de seus originais e podem ser manipulados em tempo real. Quando aprimorado com IA, um duplo digital se torna uma poderosa ferramenta de modelagem para compreender e experimentar ações que, depois, podem ser replicadas na sua versão (física ou biológica) da vida real. Duplos digitais estão sendo utilizados em diversas indústrias, como no contexto das cidades inteligentes (para planejamento urbano ou controle de sistemas de abastecimento de água, por exemplo) e na medicina (para duplicação digital de células voltadas a estudos personalizados de tratamentos médicos).

Principais vantagens dos duplos digitais:

Cópias fiéis	Simulação com alta fidelidade	Capacidade preditiva	Ambiente de testes e discussão
Duplos digitais são cópias fiéis de um original, criadas com bases de dados, IoT e sensores, permitindo atualização contínua para manter máxima precisão.	Refletem o funcionamento físico, mecânico ou comportamental do original, facilitando previsões ou testes.	Com IA e machine learning, duplos digitais podem prever como o original reagirá a diferentes cenários e situações.	Duplos digitais criam ambientes seguros para testes e debates, permitindo ajustes sem riscos e a confirmação ou refutação de hipóteses.

 

LIVING INTELLIGENCE: 
INTELIGÊNCIA “VIVA” E “ADAPTATIVA”

O conceito de superciclo tecnológico, introduzido por Amy Webb em 2024, fundamenta a transição para um novo modelo de inteligência adaptativa, chamado de “living intelligence” (ou inteligência viva). Esse termo refere-se a um ecossistema adaptativo que surge pela convergência entre três grandes tecnologias: inteligência artificial, biotecnologia e sensores avançados. Tal convergência impulsionará uma transformação econômica de longo prazo.

Diferentemente da Inteligência Artificial Geral (IAG), que busca replicar a inteligência humana, a Living Intelligence (LI) forma um ecossistema dinâmico no qual agentes, máquinas e entidades biológicas “sentem”, interagem, aprendem, adaptam e evoluem. A integração desses sistemas cria uma inteligência adaptativa (ou “viva”) capaz de influenciar indústrias, governos e empresas, redefinindo a tomada de decisões estratégicas.

A LI não é um único sistema, mas uma rede interconectada de potencialidades que desafia os modelos atuais e inaugura um novo paradigma, descrito por Webb como “The Beyond”. Nesse cenário, os avanços tecnológicos serão tão velozes e surpreendentes que vão fazer com que as atuais regras pelas quais a sociedade funciona fiquem “ultrapassadas”, exigindo a rápida reorganização social em novas estruturas. Esse cenário será moldado por inovações como sistemas multiagentes (MAS), metamateriais e computação cerebral.

Na visão de Webb, a Living Intelligence impulsionará os inovadores radicais, pois precisaremos reformular a maneira como entendemos a inteligência, a biologia e até as nossas capacidades humanas. Lideranças que compreenderem essa transformação estarão mais preparadas para moldar o futuro em vez de apenas reagir às mudanças tecnológicas, que parecem ser inevitáveis.

LIVING INTELLIGENCE
Inteligência artificial	Biotecnologia	Sensores avançados

IA + Sensores	IA + Biotech	IA + Biotech	Biotech + Sensores + IA
Redes controladoras	Metamateriais	Robôs híbridos	“Wearables” para células
Não apenas observam, mas também moldam a tomada de decisão.	Materiais com propriedades novas, criadas por design microestrutural.	Parte máquina, parte organismo vivo.	Dispositivos “de vestir” para células, de modo a orientá-las sobre como se comportar.

A partir da visão da existência da LI, os fatores que a compõem podem ser combinados para chegar a três tendências, destacadas por Webb:

A) Redes controladoras: sensores que influenciam decisões

A evolução das redes de sensores está levando a inteligência artificial de mera observadora a potencial controladora ativa de sistemas biológicos e tecnológicos. Sensores avançados poderão coletar e interpretar dados em tempo real, permitindo que sistemas multiagentes (MAS) se comuniquem, colaborem e tomem decisões autônomas, sem necessidade de intervenção humana. Essa capacidade amplia a influência da IA, que poderá não somente interpretar intenções, mas também moldá-las, redirecionando comportamentos de maneira sutil e imperceptível para a capacidade de interpretação humana.

REDES CONTROLADORAS

Automação doméstica: sensores podem detectar que um cachorro precisa se exercitar e, por meio de um sistema multiagente, automaticamente ligar vídeos que o estimulem a latir e se movimentar.

Ambiente de trabalho: uma IA de gerenciamento de risco bancário pode monitorar os níveis de estresse de um trader e bloquear seu acesso a negociações caso o considere “incapaz” de tomar decisões racionais.

Controle social: em uma cidade inteligente, sensores podem identificar a formação de protestos e emitir ondas sonoras desagradáveis para dispersar a multidão, sem que as pessoas percebam essa manipulação de suas intenções (o desconforto é sutil e difícil de ser vinculado diretamente a uma espécie de controle social).

Essas aplicações demonstram o impacto crescente da IA na tomada de decisões humanas, levantando tanto oportunidades quanto desafios éticos sobre autonomia e controle.

B) Metamateriais e robôs híbridos

A convergência entre inteligência artificial e biologia está transformando nossa compreensão da matéria e da vida. Por meio de técnicas avançadas, como a biologia generativa, cientistas agora podem prever e projetar estruturas biológicas complexas, possibilitando a criação de materiais inéditos que desafiam as leis naturais. Essa fusão permite inovações extraordinárias, como um arroz geneticamente modificado com genes bovinos, o crescimento de dentes humanos dentro de porcos e o desenvolvimento de metamateriais, compostos físicos com propriedades inexistentes na natureza.

Distinto dos materiais tradicionais, os metamateriais são projetados a nível microestrutural e podem exibir características surpreendentes, como dobrar a luz e o som de formas inesperadas ou alterar suas propriedades em resposta a estímulos externos como calor ou luz. Um exemplo seria o potencial de termos um tijolo que age como um pulmão humano, filtrando o ar automaticamente, ou um material capaz de mudar entre estados rígidos e flexíveis para proteger construções durante terremotos. Esses avanços representam um grande salto na engenharia de materiais, com a potencial criação de estruturas programáveis e adaptáveis.

Outra potencialidade da combinação de biologia e IA é a criação da “computação cerebral”, com o uso de organoides cerebrais no lugar de chips e processadores, criando sistemas “bio-híbridos”, que mesclam partes de máquina e de organismos vivos. É o caso dos robôs que apresentam processamento controlado por organoides cerebrais, como os que têm sido testados no laboratório do pesquisador brasileiro Alysson Muotri, da Universidade da Califórnia, em San Diego. Essa tendência aponta para o potencial surgimento de máquinas que aprendem e se adaptam de forma mais eficiente que computadores convencionais, inspiradas na forma como o cérebro humano funciona.

O que é a Inteligência Organoide (OI)?

A Inteligência Organoide (OI) é uma abordagem inovadora que substitui chips de silício por neurônios cultivados em laboratório para processar informações. Diferentemente dos computadores tradicionais, que dependem de circuitos eletrônicos, a OI utiliza organoides cerebrais – pequenas estruturas formadas por células neuronais – para processar dados.

Pesquisas já demonstram seu potencial, criando plataformas com milhares de neurônios vivos funcionando como transistores biológicos. Essa tecnologia pode gerar computadores mais poderosos e eficientes, integrando biologia e tecnologia e redefinindo o futuro de como vemos o processamento computacional.

C) Dispositivos tecnológicos para nível celular

Máquinas microscópicas estão revolucionando nossa capacidade de interagir e controlar sistemas naturais em nível celular, desafiando nossa compreensão das limitações biológicas. Trata-se de inovações que incluem os chamados sperm bots, microrrobôs que auxiliam a locomoção de células reprodutivas, implantes neurais capazes de estimular circuitos cerebrais específicos para tratar doenças como Parkinson ou melhorar a integração entre próteses e o sistema nervoso, proporcionando feedback sensorial para deficientes físicos.

Esse tipo de inovação tecnológica a nível celular sinaliza o potencial de intervenções sem precedentes, que abrem novas possibilidades para o tratamento de distúrbios neurológicos e a criação de interfaces mais eficazes entre humanos e dispositivos tecnológicos, como próteses avançadas controladas pela mente. A tecnologia pode ainda ir além dessas aplicações médicas, estendendo-se a aprimoramentos como a potencial capacidade de controlar membros adicionais ou apêndices robóticos por meio do pensamento.

Ao mesmo tempo, essa tendência inaugura uma nova era de interação entre biologia e tecnologia, desafiando os limites tradicionais do que consideramos ser possível fazer.