Quando se conta a história das grandes invenções dos últimos dois séculos, aparecem sempre poucos nomes: Santos-Dumont, Pe. Landell de Moura, Bell, Marconi, Tesla, Torvalds. A imagem é sedutora: transformações tecnológicas nasceriam de indivíduos persistentes e de pequenas equipes com bom conhecimento e muita disciplina. A inteligência artificial (IA) de fronteira parece desmentir esse retrato. Os modelos mais capazes do mundo são produzidos por um punhado de empresas com dezenas de milhares de GPUs, energia em volume industrial e data centers do tamanho de fábricas.
Seria a IA uma ruptura com a história?
A ideia pode ser barata, a escala não é
A tese é a seguinte: nas grandes invenções dos últimos 200 anos, a concepção dependeu primordialmente de motivação, conhecimento e ambiente. O esforço do inventor e de seus apoiadores foram decisivos. O capital foi determinante na escala.
Motivação inclui disciplina, resiliência e ímpeto de inovar. Conhecimento inclui ciência, método e cooperação. Ambiente inclui instituições estáveis, universidades e oficinas, proteção às patentes, redes de contato e uma demanda capaz de reconhecer o valor da novidade. Capital é o que transforma protótipo em produto e mercado. Confundir inventar com difundir é o erro mais comum nesse debate.
O que a história ensina
• Aviação. Em 1906, Santos-Dumont voou o 14-bis em Paris com os próprios recursos. Método e persistência venceram o dinheiro. Mas a indústria aeronáutica só decolou de fato com a demanda militar da Primeira Guerra e com subsídios como o correio aéreo americano.
• Telefone. Graham Bell patenteou o aparelho em 1876, já apoiado por investidores como Gardiner Hubbard. A invenção foi barata, e a rede universal não foi. Sob a doutrina de Theodore Vail (“uma política, um sistema, serviço universal”), a AT&T consolidou um monopólio regulado que financiou o Bell Labs, de onde saíram o transistor, em 1947, e o sistema Unix. O capital determinou a escala e, depois, gerou novos conhecimentos.
• Rádio. A ciência veio primeiro: Maxwell formulou a teoria eletromagnética em 1865, e Hertz a comprovou em 1887. Marconi juntou engenharia, capital familiar e contratos com o correio e a Marinha britânicos para realizar, em 1901, a primeira transmissão transatlântica. No Brasil, o padre Landell de Moura testou a transmissão de voz sem fio em São Paulo, sem apoio institucional relevante. Em 3 de junho de 1900, diante de testemunhas, entre elas o cônsul britânico, ele transmitiu a voz do alto de Santana até a Avenida Paulista, a cerca de oito quilômetros, meses antes das experiências do canadense Reginald Fessenden. Obteve a patente brasileira em 1901 e, sem financiamento no país, viajou aos Estados Unidos, onde passou necessidades e conseguiu, em 1904, três patentes: transmissor de ondas, telefone sem fio e telégrafo sem fio. Já tivera o laboratório destruído em Campinas por quem o tomava por bruxo e, de volta ao Brasil, não encontrou quem fabricasse seus aparelhos. A motivação existia, faltou a escala.
• Eletricidade e corrente alternada. Faraday demonstrou a indução em 1831, mas a eletricidade só virou serviço público em 1882, quando Thomas Edison inaugurou a estação da Pearl Street, em Nova York, com capital de investidores como J. P. Morgan. A “Guerra das Correntes” ilustra o papel do dinheiro: a corrente alternada de Tesla prevaleceu porque George Westinghouse comprou suas patentes, assumiu o risco e venceu a disputa pela iluminação da Exposição de Chicago, em 1893, e pela usina das Cataratas do Niágara, em 1895. A melhor tecnologia não bastou; era preciso quem a financiasse. Na América Latina, a eletrificação urbana veio com capital estrangeiro, como a canadense Light no Rio e em São Paulo, a partir de 1899: trouxe infraestrutura e também dependência.
• Software e sistemas operacionais. É o território em que a tese mais se confirma. O Unix foi criado em 1969 por Ken Thompson e Dennis Ritchie num minicomputador reaproveitado. O projeto GNU (1983) e o Linux (1991), iniciado por Linus Torvalds, provaram que sistemas de classe mundial podem nascer da cooperação, do método e do tempo, com capital inicial mínimo. Mesmo assim, o Linux de hoje é mantido em grande parte por empresas, e a escala da Microsoft decorreu de um acordo com a IBM, em 1981.
• Computador. O computador moderno é, em boa parte, filho do investimento estatal. O ENIAC (1945) foi bancado pelo Exército americano, o Colossus (1943-44) nasceu da necessidade de decifrar códigos em Bletchley Park, e a ARPANET (1969) saiu de verbas do Departamento de Defesa. A economista Mariana Mazzucato (2013) documentou o padrão: o Estado assumiu os riscos mais profundos antes que existisse um produto comercial. Aqui o capital esteve presente desde a concepção, o que contradiz a ideia de que ele chega apenas no fim.
O que muda com a IA
A arquitetura Transformer, base dos modelos atuais, nasceu em 2017 de um artigo científico (Vaswani et al.), ou seja, de ideia e método, como tantas invenções anteriores. O que mudou foi a etapa seguinte. Segundo o AI Index 2024, da Universidade de Stanford, só o custo de computação para treinar o GPT-4 foi estimado em cerca de US$ 78 milhões, e o do Gemini Ultra, em cerca de US$ 191 milhões. O Epoch AI calcula que esses custos crescem cerca de 2,4 vezes por ano. Pesquisas publicadas na revista Science mostram que a indústria passou a dominar a pesquisa de ponta em IA. O cientista Richard Sutton resumiu a razão técnica na “lição amarga” (2019): a escala de computação tem sido o fator
mais consistente de progresso.
Dois cuidados evitam o exagero. O primeiro é que a concentração está no topo da cadeia, na criação de modelos de fronteira, e não em toda a inovação em IA. Modelos de pesos abertos, como Llama, Mistral, Qwen e DeepSeek, e técnicas como destilação e quantização reduzem muito o custo de adaptar e usar essas tecnologias. O relatório do
DeepSeek-V3 declarou cerca de US$ 5,6 milhões para a rodada final de treinamento, número que exclui a pesquisa prévia, mas mostra o efeito da eficiência algorítmica.
O segundo é que o fenômeno não é inédito. A rede telefônica e os primeiros computadores já exigiram capital em escala desde a origem. O que há de novo é quem o controla: desta vez, o capital e o comando estão em mãos privadas e globais, e não em Estados sujeitos a algum grau de prestação de contas.
Os manuscritos redigidos pela IA
Há ainda uma inquietação que o capital não esgota. Em coluna publicada na Folha de S.Paulo em 10 de outubro 2026, o físico e filósofo da ciência Henrique Gomes, pesquisador em Oxford e em Bonn, observa que a OpenAI divulgou centenas de manuscritos com resultados novos em várias áreas da matemática, obtidos por uma IA interna, entre eles avanços em problemas centenários, como a hipótese de Riemann. O que o preocupa não é a escala, mas o lugar que resta ao pesquisador. O prazer do ofício era passar meses, ou anos, perdido num território desconhecido; agora o trabalho tende a ser ler o que uma máquina produziu e conferir o que outra verificou. O matemático deixaria de ser explorador para virar turista, que admira a paisagem de um mapa já desenhado, e passaria a receber explicações escolhidas e mastigadas por um intelecto maior que o nosso.
A preocupação toca o centro deste artigo. Se a concepção, que a história atribuiu à motivação e ao conhecimento de pessoas, passar a ser feita por modelos que só o capital consegue treinar, a pergunta deixa de ser apenas quem financia a escala e passa a ser quem ainda inventa, e quem consegue entender o que foi inventado.
O desafio latino-americano
As telecomunicações são o precedente mais próximo. Redes exigem capital pesado, e a solução histórica combinou regulação, concessões e metas de universalização. A IA recoloca essa questão em outro patamar, e a América Latina a enfrenta em posição periférica. A região depende de GPUs importadas, de nuvens estrangeiras e de conectividade internacional, incluindo os cabos submarinos que determinam latência e custo de acesso à computação. Cada novo data center amplia a capacidade local de inferência, mas não altera quem detém os modelos de fronteira.
As respostas estão em construção. O Plano Brasileiro de Inteligência Artificial, anunciado em 2024 com previsão de cerca de R$ 23 bilhões até 2028, e iniciativas como o Latam-GPT, liderado pelo CENIA, no Chile, buscam capacidade própria e modelos sensíveis ao português e ao espanhol. Uma estratégia realista tende a combinar três frentes: construir sobre modelos abertos em vez de tentar replicar o treinamento de fronteira; investir em energia, conectividade e infraestrutura de inferência; e usar regulação e compras públicas para negociar acesso, residência de dados e interoperabilidade.
Data centers, mercado e provedores de serviços
A expansão da IA revelou leituras distintas sobre o que o Brasil pode esperar desse mercado. Segundo os provedores de serviços do setor, os primeiros aportes foram para onde havia mais dinheiro disponível, consumo garantido e um cenário geopolítico visto como seguro pelas companhias. Boa parte dos projetos acabou nos Estados Unidos e em
outros países onde os investidores já operavam com estrutura consolidada.
Os grandes complexos voltados ao treinamento de modelos de IA competem por recursos num mercado de alcance mundial. Nessa disputa, quem financia avalia cada país pelo risco envolvido, pela capacidade de entregar a obra, pela soberania sobre os dados e pelo ambiente político.
Para o Brasil, no entanto, o uso dos modelos, ou seja, a inferência, pode render ganhos econômicos mais expressivos a empresas e usuários do que abrigar estruturas de treinamento cujos modelos serão aproveitados em outros países. Isso reforça a frente de infraestrutura de inferência mencionada acima: o caminho não é concorrer pelo
treinamento de fronteira, e sim assegurar capacidade para operar os modelos em território nacional.
Ideias são acessíveis; escala é poder
A história não diz que as grandes invenções dispensaram o capital, nem que a IA seja a primeira a exigi-lo. Diz que a concepção de tecnologias transformadoras depende de motivação, conhecimento e ambiente, e que o capital decide quem as difunde, em que escala e sob que controle. A IA se distingue por concentrar essa exigência na própria criação do modelo, nas mãos de poucos. Para a América Latina, talento e boa vontade são necessários, mas insuficientes: a soberania digital dependerá de decisões deliberadas sobre infraestrutura, acesso e parcerias.
