Num tempo em que (quase) toda a gente tem opinião sobre tudo, ser contra a Inteligência Artificial tornou-se tendência. Para alguns, quase um dever moral. Ouvimos todos os dias que a IA vai secar o planeta, acabar com os empregos e roubar o trabalho aos artistas.

‍

Algumas destas preocupações têm fundamento, e vamos chegar a elas. Mas o debate público tem um problema de base: mistura tudo. Fala-se de “a Inteligência Artificial” como se fosse uma entidade única, com vontade própria, quando a maior parte das críticas aponta para uma fatia pequena da tecnologia.

‍

Este é um artigo de opinião. E é dirigido sobretudo a quem desenha e decide produtos, Product Designers e Product Managers, porque são essas pessoas que vão definir o que a IA faz, e a quem o faz, nos próximos anos.

‍

Estás contra que Inteligência Artificial, exatamente?

‍

A Inteligência Artificial não apareceu em 2022. Até os mais céticos a usam todos os dias sem dar por isso: no filtro que separa o spam do teu email, nas recomendações do Spotify e da Netflix, no trajeto que o Google Maps te sugere para fugir ao trânsito, no alerta do banco quando há um movimento estranho no teu cartão.

‍

O que mudou nos últimos anos foi a chegada em massa dos modelos generativos ao grande público. Os mais conhecidos são os LLMs (Large Language Models, ou modelos de linguagem de grande escala), que estão por trás do ChatGPT, do Claude ou do Gemini. Em termos simples, são modelos treinados com enormes volumes de texto para prever a palavra seguinte numa frase. É a partir dessa capacidade que conseguem escrever, resumir e responder. Os geradores de imagem seguem uma lógica parecida, aplicada a imagens.

‍

Grande parte do criticismo que existe hoje contra “a IA” é, na verdade, contra estes modelos generativos: como são treinados, com que dados, a que custo energético e com que consequências para quem cria. É uma discussão legítima. Mas quando se generaliza para toda a Inteligência Artificial, deita-se fora muito mais do que se pretende.

‍

Ser contra a Inteligência Artificial em bloco é como ser contra a eletricidade por causa da cadeira elétrica.

‍

O que fica fora do debate (e não devia)

‍

Para perceber o que está em jogo, vale a pena olhar para casos concretos. Não são promessas para daqui a dez anos. Já estão a acontecer, e cada um ilustra um tipo diferente de contributo.

‍

Na saúde

‍

O AlphaFold é um caso de aceleração científica. Cada proteína tem uma forma tridimensional, e essa forma determina o que ela faz no corpo. Conhecê-la ajuda a perceber doenças e a desenhar medicamentos, mas determinar uma única estrutura em laboratório pode levar meses ou anos. A base de dados do AlphaFold arrancou em 2021 com cerca de 360 mil estruturas previstas e ultrapassa hoje os 200 milhões, de mais de um milhão de organismos¹. O trabalho valeu o Prémio Nobel da Química de 2024. O AlphaFold não cura doenças sozinho. Encurta anos de trabalho a milhares de equipas de investigação.

‍

O ensaio MASAI, na Suécia, é um caso de colaboração entre humanos e máquinas. Mais de 100 mil mulheres foram divididas em dois grupos: um com a leitura habitual das mamografias por dois radiologistas, outro em que a IA classificava o risco de cada exame e decidia quais precisavam de dupla leitura. O grupo com IA detetou 29% mais cancros sem aumentar os falsos positivos, e os radiologistas leram menos 44% de exames. Os resultados finais, publicados em 2026, mostram ainda 12% menos cancros de intervalo² (cancros diagnosticados entre duas rondas de rastreio, depois de um exame considerado normal). Repara no desenho do sistema: a IA não substituiu os médicos. Decidiu onde a atenção deles era mais precisa.

‍

No clima

‍

O GenCast, da Google DeepMind, é um caso de previsão. Em vez de dar uma única previsão do tempo, gera mais de 50 cenários possíveis e calcula a probabilidade de cada um, o que é exatamente o que serve a quem tem de decidir se evacua uma zona costeira. Num estudo publicado na Nature, superou o sistema do centro meteorológico europeu (ECMWF) em 97,2% de 1.320 métricas³, e produz uma previsão a 15 dias em cerca de oito minutos. O próprio ECMWF está a integrar este tipo de modelos nos seus sistemas.

‍

O See & Spray, da John Deere, é um caso de eficiência. Câmaras montadas no pulverizador identificam as ervas daninhas e ativam apenas os bicos que estão por cima delas, em vez de regar o campo inteiro com herbicida. Segundo dados do fabricante, em 2024 os agricultores pouparam em média 59% de herbicida em mais de um milhão de acres⁴. Um ensaio independente da Iowa State University apontou para poupanças de 76%.

‍

Na acessibilidade

‍

A interface cérebro-computador testada na UC Davis é um caso de reabilitação. Casey Harrell tem esclerose lateral amiotrófica (ELA), uma doença que destrói progressivamente os neurónios que controlam os músculos, incluindo os da fala. Sensores implantados no cérebro captam os sinais enviados aos músculos da boca e da garganta quando ele tenta falar, e um modelo traduz esses sinais em palavras. Não lê pensamentos. Lê a intenção de falar. O sistema chegou a 97% de precisão⁵, e a voz sintetizada foi construída a partir de gravações antigas, para que soasse como a dele.

‍

No dia a dia, aplicações como o Be My Eyes ou o Seeing AI descrevem o ambiente e leem documentos em voz alta a pessoas cegas ou com baixa visão. Coisas simples, como ler o prazo de validade de um iogurte ou o valor de uma fatura, deixam de depender de outra pessoa.

‍

Reduzir a IA a um gerador de imagens que imita artistas é ignorar tudo isto. É uma perspetiva redutora, e muitas vezes vem de quem não precisa destas ferramentas para ler uma carta ou falar com a família.

‍

Mas fatura existe

‍

Seria desonesto defender a Inteligência Artificial sem falar do custo. Os centros de dados consumiram cerca de 1,5% da eletricidade mundial em 2024. A Agência Internacional de Energia projeta que esse consumo mais do que duplique até 2030⁶, para valores acima do consumo total do Japão, com a IA como principal motor. A isto soma-se a água usada no arrefecimento e a pressão sobre redes elétricas locais.

‍

Também é verdade que as dúvidas dos artistas sobre consentimento e compensação pelos dados de treino continuam sem resposta séria. Não é paranoia. É uma pergunta legítima que a indústria tem empurrado com a barriga.

‍

Mas o custo não é igual para toda a IA. Um filtro de spam não gasta o mesmo que o treino de um LLM. E há casos em que a IA reduz consumo: o GenCast faz em minutos, num único chip, o que os modelos tradicionais fazem em horas num supercomputador. A pergunta útil não é “IA sim ou não”. É que usos justificam que custos. E essa pergunta, como vamos ver, também é de produto.

‍

Se este tema te interessa, já escrevemos sobre o preço real dos modelos de linguagem e porque é que o valor que pagas hoje não reflete o que custam.

‍

Ferramentas não são neutras, mas isso não necessariamente são culpadas.

‍

A questão central não é se a IA é a nossa salvação ou a nossa perdição. Como a eletricidade ou a internet, é uma tecnologia de base, que serve para coisas muito diferentes consoante quem a usa.

‍

Isto não quer dizer que seja neutra. Os algoritmos refletem os dados e as escolhas de quem os constrói, e já houve casos graves de sistemas que discriminaram pessoas em contratações, créditos e tribunais. Mas o problema, nesses casos, nunca foi a tecnologia ter vontade própria. Foi alguém escolher os dados, definir o objetivo e lançar o sistema sem medir quem ficava prejudicado.

‍

O impacto da IA na sociedade não vai depender das linhas de código nem da capacidade dos servidores. Vai depender de quem a desenvolve, de quem a usa e de como a regulamos. A União Europeia deu um primeiro passo com o AI Act, que classifica os sistemas por nível de risco e impõe regras mais apertadas onde o risco é maior. Condenar toda a Inteligência Artificial com base no medo, ou no mau uso de algumas ferramentas generativas, é fechar os olhos a soluções que já estão a melhorar áreas que nos afetam a todos.

‍

Onde entram o Product Designer e o Product Manager

‍

É fácil ler isto como um debate de políticos e cientistas. Não é. Uma parte grande das decisões que tornam a IA útil ou perigosa é tomada em equipas de produto, muitas vezes numa reunião de terça-feira à tarde.

‍

Volta aos casos acima e repara no que, em cada um, é uma decisão de Design:

• O que o sistema mostra quando não tem certeza. O GenCast dá cenários e probabilidades, não uma resposta única. Quantas interfaces de IA mostram ao utilizador o grau de confiança do modelo?
• Quem fica com a decisão final. No MASAI, a IA faz a triagem e o radiologista decide. Esta divisão de papéis foi desenhada, não aconteceu por acaso.
• Quem fica de fora. Que utilizadores não estão representados nos dados de treino e vão ter uma experiência pior sem que nenhum dashboard dê por isso?
• Se a IA é mesmo a melhor resposta. Nem todo o problema precisa de um LLM. Às vezes um filtro bem desenhado resolve com uma fração do custo.

‍

Nenhuma destas perguntas é técnica. São perguntas de produto, e exigem pensamento crítico, não só ferramentas. É fácil aceitar o que a IA gera sem questionar, e é aí que o Product Designer e o Product Manager deixam de acrescentar valor.

‍

Queres aprofundar como desenhar experiências e interações com Inteligência Artificial? Na TheStarter temos um curso online, ao vivo e em inglês sobre isso mesmo: Human-Centered AI Experiences (HAX). Fazemos várias turmas por ano. Inscreve-te!

‍

Literacia, não pânico

‍

O verdadeiro desafio não é travar a inovação por medo do desconhecido. É promover literacia tecnológica: saber distinguir um modelo preditivo de um generativo, perceber o que os dados de treino implicam, saber quando confiar num resultado e quando desconfiar.

‍

Precisamos de preparar a sociedade para trabalhar lado a lado com estes modelos. Isso inclui garantir que a transição no mercado de trabalho é feita de forma justa, com regras éticas claras e legislação que proteja as pessoas sem asfixiar o progresso. Mas começa por coisas mais pequenas, como uma equipa de produto que sabe explicar o que o seu modelo faz.

‍

Se queres começar pelos fundamentos, o webinar gratuito Maratona AI: Fundamentos de Inteligência Artificial e Machine Learning para Produto explica os conceitos base e as aplicações práticas em Design, produto e negócio.

‍

A moral não está no código

‍

A Inteligência Artificial não tem moral. Nós temos. E é exatamente por isso que a responsabilidade é nossa.

‍

Em vez de gastarmos o debate público a diabolizar uma evolução que já é irreversível, devíamos estar a discutir como governá-la. E essa discussão começa no teu trabalho:

• Que funcionalidade de IA no teu produto existe porque resolve um problema real, e qual existe porque fica bem no roadmap?
• Quando o teu modelo erra, quem dá por isso? O utilizador, a equipa, ou ninguém?
• O teu utilizador sabe quando a resposta que recebe é uma estimativa?
• Se tivesses de justificar o custo energético de cada funcionalidade de IA que lançaste este ano, quantas sobreviveriam?

‍

A IA não é boa nem má. É necessária. O que fazemos com ela é o que ainda está por decidir.

‍

Referências

‍

¹ EMBL. Computational protein design and protein structure prediction win Nobel Prize in Chemistry, 2024. embl.org

‍

² Lund University. AI support in breast cancer screening: fewer missed cancer cases (resultados finais do ensaio MASAI, The Lancet), 2026. lunduniversity.lu.se

‍

³ Price, I. et al. Probabilistic weather forecasting with machine learning (GenCast), Nature, 2024. Resumo em axios.com

‍

⁴ John Deere. See & Spray customers see 59% average herbicide savings in 2024, 2024. deere.com

‍

⁵ Card, N. S. et al. An accurate and rapidly calibrating speech neuroprosthesis, New England Journal of Medicine, 2024. nejm.org

‍

⁶ International Energy Agency. Energy and AI, 2025. iea.org