Quando a inteligência
deixa de ser escassa

Uma revolução familiar — mas talvez mais rápida

É tentador declarar cada grande tecnologia uma revolução sem precedentes.

Normalmente não é.

A máquina a vapor, a eletricidade e o computador foram também tecnologias de uso geral. Espalharam-se pela economia, melhoraram continuamente e permitiram criar produtos e processos que antes não existiam.

A IA pertence à mesma família.

Mas há uma diferença potencialmente importante: a combinação entre abrangência e velocidade.

A eletricidade precisava de centrais, redes e motores. Os computadores exigiam hardware, software e profunda reorganização das empresas. A IA também depende de uma infraestrutura física enorme a montante, mas a capacidade chega ao utilizador final através de software.

E está a mudar enquanto é adotada.

Uma empresa que começou há dois anos a experimentar modelos de linguagem não está hoje simplesmente a utilizar uma versão mais barata da mesma tecnologia. Os modelos adquiriram novas capacidades, passaram a usar ferramentas e estão progressivamente a executar sequências inteiras de trabalho.

O Stanford AI Index estima que a IA generativa atingiu níveis de adoção em três anos que computadores pessoais e Internet demoraram bastante mais tempo a alcançar.

Isto não significa que a economia se transforme à mesma velocidade. Utilizar ChatGPT demora segundos; reorganizar uma empresa demora anos.

Mas cria uma diferença relevante:

A experiência das revoluções anteriores continua a ser útil. O calendário pode deixar de o ser.

O preço da capacidade

Há uma maneira enganadora de descrever esta mudança: dizer que a inteligência está a ficar barata.

Não exatamente.

O que está a cair muito rapidamente é o preço de obter uma determinada capacidade.

Segundo o Stanford AI Index, o custo para obter aproximadamente o desempenho do GPT-3.5 num benchmark de conhecimento caiu de cerca de 20 dólares por milhão de tokens em novembro de 2022 para sete cêntimos em outubro de 2024.

Uma redução superior a 280 vezes.

Mas ninguém é obrigado a continuar a comprar a capacidade de 2022.

Quando os modelos melhoram, os utilizadores dão-lhes problemas maiores, deixam-nos trabalhar durante mais tempo e passam a executar tarefas que antes nem sequer valia a pena tentar.

Uma análise que era demasiado cara pode agora ser realizada para todos os clientes. Em vez de produzir uma solução, podemos produzir cem e testar cada uma. Em vez de consultar dados ocasionalmente, podemos analisá-los continuamente.

Por isso, uma queda no custo unitário da IA não implica uma queda da despesa em IA.

Pode acontecer precisamente o contrário.

Foi o que aconteceu com a computação. O preço de uma operação caiu por muitas ordens de magnitude e, mesmo assim, passámos a gastar muito mais em computação porque descobrimos muito mais coisas que valia a pena computar.

O mesmo pode acontecer com capacidade cognitiva.

É aqui que começa o verdadeiro efeito económico.

Na educação, um tutor individual para cada aluno seria desejável e economicamente impraticável. Com IA, um professor pode trabalhar com sistemas que explicam uma matéria de formas diferentes, geram exercícios e dão feedback individual.

Na saúde, um médico não consegue acompanhar diariamente milhares de pacientes. Um sistema automatizado pode analisar informação continuamente e chamar atenção quando algo merece intervenção.

Uma pequena empresa não consegue manter especialistas permanentes em programação, direito, tradução, design, finanças e marketing. Pode começar a consumir uma parte dessas capacidades como software.

Nada disto exige inteligência artificial geral. Basta tornar suficientemente boas e baratas capacidades que hoje dependem de trabalho especializado.

A OCDE estima que a IA possa acrescentar cerca de 0,4 a 1,3 pontos percentuais por ano ao crescimento da produtividade laboral durante uma década nas economias do G7 mais expostas.

Há bastante incerteza nestas estimativas. Mas até o limite inferior seria economicamente importante.

E existe uma possibilidade ainda maior.

A IA não aumenta apenas a produtividade de trabalhadores que produzem bens e serviços. Pode aumentar também a produtividade de quem produz novas ideias: cientistas, engenheiros e programadores.

Se acelerar a produção de tecnologia, o seu efeito deixa de estar limitado às tarefas que automatiza diretamente.

A escassez não desaparece. Muda de sítio

Uma economia de abundância cognitiva não é uma economia sem escassez.

Se produzir software ficar dez vezes mais barato, o software passa a representar uma parcela menor do custo de resolver determinados problemas.

Outras coisas tornam-se relativamente mais importantes: dados, energia, execução, distribuição, capital, regulação ou confiança.

Um modelo pode desenhar uma casa quase instantaneamente. Não cria terreno em Lisboa, não obtém uma licença e não coloca tijolos.

Pode analisar milhões de moléculas. Não substitui um ensaio clínico.

Pode elaborar uma excelente estratégia empresarial. Não garante que uma organização a execute.

Pode fornecer informação médica sofisticada. Não assume automaticamente responsabilidade por uma decisão clínica.

Quando um recurso se torna abundante, o valor migra para aquilo que continua escasso.

Esta é talvez a forma mais útil de pensar economicamente sobre a IA.

Também explica uma aparente inversão do padrão histórico da automação.

Um contabilista, advogado ou programador pode hoje estar tecnologicamente mais exposto do que um canalizador. Não porque o seu trabalho seja mais simples, mas porque está muito mais digitalizado.

Texto, código e informação são hoje muito mais fáceis de manipular por máquinas do que uma cozinha desconhecida, um tubo partido ou um paciente.

A robótica poderá voltar a deslocar esta fronteira.

Depois encontrará outras.

A IA não acaba com a escassez.

Empurra a sua fronteira.

Quando a abundância não se distribui

Uma tecnologia pode tornar uma sociedade muito mais rica sem distribuir os seus benefícios de forma uniforme.

Os primeiros estudos sobre produtividade mostram precisamente como os efeitos podem ser ambíguos.

Num estudo com 5.179 trabalhadores de apoio ao cliente, uma ferramenta de IA aumentou a produtividade média em 14%. Entre os trabalhadores menos experientes e menos qualificados, o ganho foi de 34%.

A tecnologia parece ter transferido para os principiantes parte das práticas que os melhores trabalhadores demoraram anos a adquirir.

Isto sugere uma possibilidade extraordinariamente positiva:

a IA pode democratizar experiência.

Mas o mesmo mecanismo contém um problema.

Se um principiante com IA se torna quase tão produtivo como alguém muito mais experiente, uma empresa pode precisar de menos trabalhadores.

A desigualdade de produtividade entre empregados pode diminuir enquanto uma parcela maior do valor criado fica com os proprietários do capital.

Podemos, portanto, ter simultaneamente menor desigualdade entre alguns trabalhadores e maior desigualdade entre capital e trabalho.

Há ainda um problema mais subtil: a entrada no mercado de trabalho.

Dados administrativos americanos analisados pelo Stanford Digital Economy Lab não mostram, até junho de 2026, uma deslocação generalizada do emprego atribuível à IA.

Mas encontram uma deterioração relativa entre os trabalhadores mais jovens nas profissões mais expostas. Entre os 22 e os 25 anos, o emprego nessas atividades estava cerca de 19% abaixo da trajetória relativa dos jovens em ocupações menos expostas.

É evidência inicial, limitada aos Estados Unidos. Não demonstra ainda um efeito estrutural.

Mas coloca uma pergunta importante:

Se automatizarmos primeiro o trabalho de principiante, como produzimos o especialista de amanhã?

As carreiras profissionais são também sistemas de aprendizagem.

O jovem advogado que revê contratos, o médico que observa casos rotineiros ou o programador que corrige código não estão apenas a produzir. Estão a adquirir experiência.

Uma tecnologia pode aumentar a produtividade de hoje e, simultaneamente, degradar o processo através do qual produzimos capacidade humana para amanhã.

Este problema pode surgir muito antes de qualquer cenário de desemprego tecnológico generalizado.

Capacidade distribuída, propriedade concentrada

A IA pode ser uma das tecnologias mais democratizadoras das últimas décadas.

Um estudante em Maputo pode, em princípio, utilizar o mesmo tutor digital que um estudante em Londres. Uma PME portuguesa pode aceder a capacidades de programação, análise ou tradução que antes só uma grande empresa conseguiria pagar.

Mas a infraestrutura que produz essa capacidade é muito menos distribuída.

Em 2023, os três maiores fornecedores representavam cerca de 74% do mercado mundial de cloud considerado pela OCDE. A Nvidia representava cerca de 90% do mercado de GPUs analisado.

Estes números não demonstram que a IA produzirá inevitavelmente monopólios.

Mas mostram que algumas das suas principais matérias-primas económicas partem de mercados muito concentrados.

Podemos, assim, acabar perante um paradoxo:

capacidade muito distribuída assente em propriedade muito concentrada.

Milhões de pessoas e empresas ganham acesso a ferramentas extraordinárias. Mas uma parte desproporcionada das rendas económicas pode ficar com quem controla chips, compute, energia, modelos ou distribuição.

Não existe nada de inevitável neste resultado.

Também não existe nada na tecnologia que garanta o contrário.

Produtividade cria excedente. Mercados, propriedade e instituições determinam em grande medida quem o captura.

O problema é também a velocidade

Tudo isto acontece a ritmos diferentes.

Modelos podem melhorar em meses.

Empresas precisam de anos para alterar processos.

Trabalhadores precisam de tempo para adquirir competências.

Sistemas educativos trabalham em ciclos ainda mais longos.

Instituições e legislação têm os seus próprios ritmos.

A história das grandes tecnologias ensina que os ganhos não aparecem automaticamente quando a tecnologia fica disponível. Eletricidade e computadores exigiram investimento complementar, novas competências e reorganização das empresas.

Ensina também algo menos confortável: uma economia pode adaptar-se no agregado enquanto uma parte dos trabalhadores suporta durante muitos anos o custo dessa adaptação.

É por isso que a frase «a tecnologia sempre criou novos empregos» resolve pouco.

Talvez volte a criá-los.

A pergunta relevante é quando, onde, para quem e através de que mecanismo.

O risco distintivo da IA pode não ser que desta vez as leis da economia deixem de funcionar.

Pode ser que tenhamos menos tempo para o ajustamento funcionar.

Governar a abundância

Isto torna pouco útil escolher simplesmente entre «acelerar a IA» e «travá-la».

Há três problemas diferentes.

O primeiro é permitir que os benefícios se difundam.

Isso exige concorrência, infraestrutura, competências e capacidade de adoção. Uma tecnologia que apenas aumenta a produtividade de algumas grandes empresas terá consequências muito diferentes de uma que aumente a capacidade de milhões de pessoas e organizações.

O segundo é acelerar a adaptação humana e institucional.

O objetivo não deve ser conservar todos os empregos existentes. Deve ser facilitar transições, preservar mecanismos de aprendizagem profissional e permitir que trabalhadores capturem parte da produtividade criada.

O terceiro é controlar capacidades cujo dano potencial possa ser sistémico ou irreversível.

Há um precedente útil na biotecnologia.

Nos anos 1970, perante a incerteza criada pelo ADN recombinante, investigadores limitaram algumas experiências e desenvolveram regras de contenção proporcionais ao risco. À medida que a evidência mudou, as regras também mudaram.

A lição é simples:

riscos diferentes justificam controlos diferentes, e regras para uma tecnologia em rápida evolução não podem ficar congeladas.

Mas a IA acrescenta uma dificuldade.

O seu desenvolvimento acontece num ambiente de competição, não apenas entre empresas, mas entre Estados.

Um país pode concluir que seria prudente limitar determinada capacidade e, mesmo assim, continuar a desenvolvê-la se acreditar que os seus rivais não farão o mesmo.

É um problema clássico de ação coletiva.

Aquilo que parece racional para cada ator pode produzir um resultado pior para todos.

Isso torna improvável que a governação da IA assente num grande acordo internacional para simplesmente abrandar a tecnologia.

Mas não elimina a possibilidade de cooperação.

Há domínios onde os interesses permanecem alinhados mesmo entre rivais: métodos de avaliação, reporte de incidentes graves, cibersegurança dos laboratórios, técnicas de contenção ou investigação sobre como manter sistemas sob controlo.

Nestes casos, segurança pode funcionar como um bem público.

Partilhar conhecimento sobre como evitar um acidente não exige necessariamente partilhar a tecnologia que proporciona vantagem económica ou estratégica.

Aberto ou fechado?

Esta distinção torna-se especialmente importante quando pensamos em modelos abertos.

Modelos com pesos disponíveis reduzem barreiras à entrada, permitem customização, investigação independente e execução local. Podem reduzir dependência de poucos fornecedores e acelerar a difusão da tecnologia.

Mas existe uma diferença importante em relação a um modelo acessível apenas através de API.

Depois de os pesos serem distribuídos, podem ser copiados, modificados e redistribuídos. Salvaguardas podem ser removidas. A decisão torna-se difícil de reverter.

Modelos fechados permitem maior controlo de acesso, monitorização e atualização. Em contrapartida, concentram poder num número reduzido de organizações.

Há ainda uma dimensão estratégica.

Uma capacidade tornada aberta não fica apenas disponível para investigadores, startups ou empresas locais. Fica potencialmente disponível para qualquer ator capaz de a utilizar.

Por isso, «aberto» e «fechado» não correspondem simplesmente a «bom» e «mau», ou a «inovação» e «segurança».

A pergunta relevante é outra:

Qual é o benefício económico e social de difundir determinada capacidade, qual é o risco de a tornar irreversivelmente disponível e qual é a consequência de permitir que qualquer ator tenha acesso a ela?

Quanto maior o dano possível e menor a possibilidade de corrigir uma decisão, mais forte é a razão para avaliar antes de difundir.

O desafio não é eliminar a competição.

É evitar que a competição destrua os incentivos para controlar riscos que nenhum dos participantes deseja materializar.