Desde o software dos drones que sobrevoam os céus da Ucrânia até aos programas que rejeitam currículos automaticamente, a chamada "Inteligência Artificial" (IA) parece ter-se instalado, da noite para o dia, em todos os recantos da nossa vida quotidiana. Recomenda-nos séries e enche as redes sociais de imagens falsas, conduz carros autónomos, seleciona alvos militares ou responde a dúvidas sobre bem-estar psicológico. Se dependesse das histórias fantásticas produzidas em massa pelo marketing empresarial, em breve estaria presente até na nossa torradeira. Seja como for, a IA parece ter vindo para ficar e, com ela, um avanço vertiginoso liderado por, nem mais nem menos, do que os seres mais ávidos por dinheiro que existem na face da Terra: os conselhos de administração dos conglomerados tecnológicos.
O campo da Inteligência Artificial há anos que é estudado, e muitas das suas aplicações já fazem parte do nosso quotidiano há algum tempo. Mas, recentemente — ou assim dizem as empresas tecnológicas —, desencadeou-se essa iminente "singularidade", esse Prometeu que virá trazer-nos o fogo dos deuses. E é que, aparentemente, poderíamos estar prestes a desenvolver essa "Inteligência Artificial Geral" — ou AGI — com uma capacidade de realizar tarefas superior à de qualquer ser humano, incluindo o pensamento autónomo, o raciocínio e a adaptação a qualquer contexto. Dependendo de quem perguntarmos, a AGI viria ou para nos substituir ou para nos elevar ao próximo nível de sabedoria.
Tal como qualquer produto sujeito às determinações da produção capitalista, o fetichismo da mercadoria não é alheio à Inteligência Artificial. Neste caso, alimentou uma pletora de interpretações entre aqueles que, cegos por leituras utópicas ou distópicas, acreditam que estamos prestes a alcançar essa Inteligência Artificial Geral, saída de um filme de ficção científica, que virá resolver todos os nossos problemas… ou a destruir-nos.
No outro extremo, surge outra interpretação espontaneamente neoludita, que rejeita categoricamente qualquer uso da IA, escudando-se em argumentos de caráter pequeno-burguês. A partir dessa perspectiva, idealiza-se a figura do "artesão manual" ou do "artista", como receptáculo de uma criatividade pura e irreproduzível, construindo uma posição maniqueísta do homem face à "máquina maléfica", ocultando um receio muito mais tangível: que a automatização atinja, como tantas vezes outras tecnologias já fizeram, às profissões intelectuais e criativas que pareciam imunes ao avanço do capital. É precisamente agora que, para estes setores, a tecnologia é um problema moral que deve ser combatido.
Este breve artigo pretende aplicar uma análise rigorosamente materialista à IA, o que exige afastar-nos das expectativas de um ou outro setor da população. Para tal, devemos analisar, em primeiro lugar, o que é a Inteligência Artificial — distanciando-nos do que os especialistas em marketing nos querem vender —, tanto no seu funcionamento lógico como na rede de produção que a sustenta, pois todas estas formas de fetichismo ocultam uma rede de produção global e uma quantidade ingente de trabalho humano sob o miragem da IA, mas que, na realidade, nos mostra e nos alerta mais uma vez de que a produção escapa vertiginosamente ao nosso controlo consciente.
O medo ou as falsas esperanças têm permeado o senso comum da sociedade; a Inteligência Artificial está hoje na boca de toda a gente. Mas o que circula sob esse rótulo está repleto de meias-verdades, quando não de mentiras diretas. A palavra "IA" é hoje atribuída a qualquer produto que se assemelhe remotamente a um "computador que pensa", exatamente da mesma forma que o rótulo "orgânico" é atribuído a qualquer produto alimentar para que se destaque melhor na prateleira do supermercado, independentemente de corresponder a um critério técnico rigoroso ou a uma simples estratégia comercial. Compreender a IA que realmente existe — não aquela que os seus promotores anunciam nem aquela que os seus detratores temem — exige, no mínimo, atravessar ambas as camadas para chegar às relações sociais que a sustentam.
A nova mente do imperador
Antes de tentarmos definir o que é a Inteligência Artificial, convém livrarmo-nos de toda a retórica de marketing com que as empresas do setor envolvem os seus produtos. Termos como "consciência" ou "inteligência" são utilizados com uma ligeireza que confunde mais do que esclarece, e essa confusão não é casual: quanto mais se sugere que estas ferramentas não só "pensam" como nós, mas que em breve irão superar o ser humano, mais fácil se torna colocá-las no mercado. Mas, para compreender o que é realmente a IA, é necessário analisar os conceitos com precisão.
O campo da Inteligência Artificial surgiu na década de 1950 com o objetivo de simular a "inteligência humana". Essa definição fundamental já contém parte do problema: "inteligência" ou "consciência" são termos evasivos, carregados pelo dualismo psicofísico próprio de uma conceptualização burguesa do que é a consciência, algo que as grandes empresas do setor souberam explorar em seu próprio benefício.
A IA é um ramo específico dentro do campo da informática, ou seja, de tudo o que está relacionado com o processamento, a transmissão e o armazenamento de informação digital. Isto inclui tanto o hardware — os circuitos e dispositivos pelos quais a informação circula — como o software — as instruções lógicas que lhe conferem uma estrutura e uma utilidade para um objetivo concreto. A IA, portanto, é uma aplicação específica dos mesmos princípios que regem qualquer computador.
Dito de outra forma e sem floreados, poderíamos defini-la como o ramo da indústria dedicado ao estudo e à implementação da computação com o objetivo de reproduzir um determinado tipo de atividade humana. Isto pode ir desde a geração de texto ou imagens — que é o que, fundamentalmente, fazem as ferramentas mais conhecidas, como o ChatGPT —, até à tomada de decisões em tempo real sobre os movimentos de um braço robótico, passando pela condução de um carro autónomo.
Em todos estes casos, o denominador comum é que o sistema não segue uma sequência invariável[1], como fazem tantos outros algoritmos, mas produz um resultado a partir de um processo de aprendizagem prévio. E é aqui que a Inteligência Artificial se diferencia de outro tipo de software, pois requer um paradigma específico, que não se baseia em heurísticas fixas definidas antecipadamente, mas que modifica os resultados com base no seu treino. A Aprendizagem Automática, ou Machine Learning, é o termo genérico que inclui diferentes metodologias para reforçar essa aprendizagem.
A Aprendizagem Automática serve, em última análise, para que um modelo de IA possa prever resultados com base na identificação de padrões numa quantidade massiva de dados de treino. Dentro desta família, existem diferentes variantes nas quais o sistema ajusta o seu comportamento em função de recompensas ou penalizações associadas ao resultado obtido através do treino com quantidades massivas de dados de entrada e os respetivos resultados de saída esperados, gerando assim um modelo de previsões que, durante a utilização do modelo, fornecerá o resultado mais provável com base no que "aprendeu" durante o seu treino.
A famosa "IA generativa" é uma ferramenta específica dos sistemas de IA cujo objetivo é gerar conteúdo — seja texto, imagens, vídeo, áudio, código, etc — a partir do que aprendeu durante o seu treino. Trata-se de gerar uma "nova" disposição de palavras — ou de píxeis, ou de qualquer outro conteúdo — derivada estatisticamente dos dados de treino. É, de longe, a variante mais popular e mediática da IA atual, uma vez que a Internet está inundada de texto, áudio ou imagens geradas por ferramentas de IA generativa. E é aqui que os termos começam a ficar verdadeiramente confusos, porque se misturam concepções populares sobre o que é a IA, baseadas nas ferramentas de IA generativa, com as previsões grandiloquentes lançadas pelo CEO de turno numa entrevista. E ainda é necessário especificar mais um termo: os modelos que mais têm dado que falar e que são mais associados à capacidade de uma IA para "pensar": os LLM ou Large Language Models. Até mesmo o termo "aprendizagem" pode induzir à confusão, pois a IA não aprende como um animal o faria, nem possui ou vivencia memórias ou experiências da mesma forma que um ser humano.
Estes modelos de IA generativa são treinados para gerar principalmente texto ou código. Um resumo do seu funcionamento seria o seguinte: cada palavra presente nos textos com que é treinada transforma-se num vetor numérico composto por tokens. Por exemplo, "A capital da França é" decompõe-se em:
[A] [capital] [da] [França] [é]
Um modelo de linguagem lida com centenas de milhares de tokens[2] — unidade que pode variar consoante a língua —, representando todas as palavras — ou fragmentos de palavras, sinais de pontuação, etc. Cada token transforma-se num vetor numérico que codifica o seu significado em função do resto, da sua posição ou relevância na frase, etc. O conjunto destes vetores forma uma matriz numérica. A partir daí, através de outro processo, são aplicadas múltiplas operações matriciais, obtidas com os parâmetros ajustados durante o treino. O resultado final é uma distribuição de probabilidade de cada token em relação ao resto do vocabulário, um valor numérico que representa o peso que cada token tem no aparecimento dos seguintes num texto, e isto para cada um dos centenas de milhares deles.
Na fase de execução, o sistema escolhe, entre todas as opções, aquela com maior probabilidade de acordo com os dados introduzidos pelo utilizador. Neste caso, se escrever a frase anterior, o sistema responderia com a opção mais provável — por exemplo, "Paris" —, completando a frase de forma coerente. A repetição deste processo, palavra a palavra, é o que permite gerar frases completas com sentido semântico. No fundo, o que aconteceu foi que o modelo gerou um resultado estatístico; ou seja, não encontrou o texto mais correto, mas sim o mais provável, embora, neste caso, ambos coincidam. Convém distinguir aqui duas fases claramente separadas. Durante a fase de treino, o sistema processa iterativamente enormes quantidades de dados e, em função do erro entre o que prevê e o que deveria prever, vai ajustando um conjunto de parâmetros numéricos. Na fase de utilização, quando esse modelo já foi previamente treinado, recebe os dados de entrada fornecidos por um utilizador, transforma-os numa distribuição de probabilidades como a descrita anteriormente e gera os dados de saída a partir do modelo.
Este processo requer uma enorme quantidade de operações matriciais, um tipo de operação matemática que se torna computacionalmente muito dispendiosa quando o seu número aumenta, pelo menos até ao surgimento das GPUs — unidades de processamento gráfico —, que foram precisamente concebidas para realizar muitas operações em paralelo de forma muito mais eficiente. O seu design original destinava-se a realizar cálculos para aplicações 3D — como os videojogos —, mas revelaram-se verdadeiramente úteis para realizar operações com outros fins, como a mineração de criptomoedas ou, atualmente, o treino e a utilização de modelos de IA. Não é por acaso que o auge dos grandes modelos de linguagem (LLM) coincida com o salto no desempenho das GPUs nos últimos anos. Sem esse avanço no hardware, teriam sido inviáveis.
Mas a enorme capacidade de cálculo resolve apenas uma parte do problema. Não só é necessário realizar milhares de milhões de operações em paralelo, como também é necessário armazenar, processar e transportar quantidades ingentes de informação destinada ao treino e, posteriormente, uma vez implementado o modelo, este deve atender milhares de utilizadores simultâneos. Nenhuma máquina individual possui capacidade de armazenamento ou largura de banda que lhe permita assumir esta carga de trabalho. É por isso que é imprescindível que este poder de computação esteja distribuído, o que se denomina "Cloud Computing". Os grandes fornecedores de infraestrutura desempenham um papel muito relevante neste setor, uma vez que distribuem os recursos em enormes centros de dados, onde milhares de GPUs operam de forma coordenada, podendo ampliar ou reduzir a utilização de recursos de acordo com a procura. Neste sentido, a revolução da IA generativa é tanto um avanço algorítmico como da capacidade de cálculo disponível.
Os limites da "sala chinesa"
Em 1950, Alan Turing publicou "Máquinas Computacionais e Inteligência"[3], onde propunha que, uma vez que termos como "pensar" ou "consciência" se revelavam demasiado ambíguos para serem discutidos com rigor, a sua definição poderia ser substituída por experiências observáveis. Para tal, formulou um exercício teórico no qual um interlocutor humano mantém uma conversa às cegas — por exemplo, através de um chat ou de uma folha de papel — com uma máquina e com uma pessoa, sem saber qual é qual[4]. Se o interlocutor for incapaz de distinguir claramente entre ambos, então a máquina demonstra um "comportamento inteligente" [5]. A viragem empirista de Turing substitui a questão "o que era a consciência" por um fenómeno observável. Esta proposta daria origem ao que mais tarde ficaria conhecido como o "Teste de Turing". Como materialistas coerentes, sabemos que este exercício pragmático esconde um erro fundamental, pois confunde uma aparência observável com a categoria que se pretende analisar. Mas a sua proposta revela-se-nos útil, pois lançou as bases para o debate posterior.
Trinta anos mais tarde, o filósofo John Searle responderia a Turing com outro experimento mental a que chamou de "Quarto Chinês"[6]. O cenário hipotético consiste num falante nativo de inglês que não possui qualquer conhecimento de chinês, encerrado num quarto cheio de caixas com sinogramas e um manual de instruções muito específicas que indicam procedimentos como: "Se vir este símbolo, responda com este outro", permitindo-lhe ordená-los de diferentes formas para formar frases em chinês. Um interlocutor, que sabe chinês, situado fora do quarto, envia-lhe frases através de uma ranhura; seguindo o manual, o falante de inglês consegue ordenar os símbolos, respondendo à frase do interlocutor na perfeição, sem compreender uma única palavra da mensagem que lhe chega.
A conclusão de Searle é que este mecanismo supera o teste de Turing, uma vez que o interlocutor acredita estar a falar com alguém que sabe chinês, mas o sujeito que se encontra dentro da sala é incapaz de compreender chinês, limitando-se a seguir instruções.
A réplica mais conhecida é que, embora seja verdade que o homem, por si só, não sabe chinês, o "sistema", ou seja, o conjunto formado pelo homem, pelo livro, pelos sinogramas e pela sala, "sabe" chinês, sendo o operador apenas uma parte do sistema completo. Searle responderia que basta que o homem memorize todo o manual para eliminar a distinção entre "homem" e "sistema", de modo a que o problema persista. Isto também suscitou críticas, pois se, neste caso, não se pode afirmar que o homem sabe chinês, também não se pode afirmar, com base no comportamento de qualquer pessoa, que esta conhece a língua. A solução proposta por Turing acabou por reabrir o debate que ele próprio tinha tentado encerrar sobre a definição de consciência, demonstrando mais uma vez que a mera descrição de fenómenos superficiais não basta para se poder conhecer realmente o objeto que está a ser analisado.
Existe uma segunda limitação para a "consciência artificial", e esta tem a sua origem antes do primeiro argumento de Turing. Em 1931, o matemático Kurt Gödel demonstrou que, em qualquer sistema formal capaz de expressar aritmética básica, existem proposições verdadeiras que não podem ser demonstradas utilizando apenas as regras de inferência dentro do sistema e que, por conseguinte, é necessário um "excesso" do modelo para as compreender. Poucos anos mais tarde, o próprio Alan Turing demonstrou o "problema da paragem": não pode existir um procedimento universal capaz de determinar, para qualquer algoritmo, se este terminará a sua execução ou se continuará a funcionar indefinidamente à procura de uma solução. Ou seja, nenhum computador pode conhecer o comportamento de todos os algoritmos, não por limitações tecnológicas, mas por impossibilidade lógica.
A partir da combinação destes resultados, Roger Penrose[7] desenvolveu o seguinte argumento: se a mente humana fosse equivalente a um sistema formal — ou seja, se pensar fosse redutível a um algoritmo tal como os conhecemos —, estaria sujeita às mesmas limitações descobertas por Gödel e Turing. No entanto, Penrose defende que um ser humano pode, de facto, reconhecer a verdade das afirmações de Gödel ou de Turing, algo que, por definição, nenhum sistema formal pode demonstrar a partir de si próprio. Isso indicaria que a mente humana não está limitada a um procedimento algorítmico formal ou, pelo menos, que as limitações da consciência humana não seriam as mesmas que as da computação. A conclusão de Penrose é que, enquanto a Inteligência Artificial se mantiver dentro do atual paradigma de desenvolvimento, por definição, não pode ser consciente.
Com este percurso histórico, podemos regressar ao ponto de partida: sabemos que superar o Teste de Turing não implica consciência, pois o próprio Turing estabeleceu o critério empirista como forma de contornar a questão da consciência e não para a resolver.
No caso de Searle e do seu "Quarto Chinês", o funcionamento real de um modelo de linguagem é muito semelhante ao funcionamento desse experimento mental. O modelo manipula símbolos — ou tokens — de acordo com regras aprendidas durante o seu treino, gerando uma ordenação coerente de palavras, mas sem que exista uma compreensão do conteúdo. O debate, apesar dos avanços na informática, encontra-se estagnado desde o século passado nas mesmas ferramentas conceptuais de Turing ou Searle. Quem afirma que um modelo como o GPT já é "consciente" costuma basear-se, inconscientemente, no mesmo critério empirista.
A perspetiva materialista permite-nos oferecer uma resposta definitiva ao debate, e esta é que a consciência não é uma propriedade que possa ser separada das suas determinações. A consciência, seja ela o que for, nunca é "consciência em abstrato". A questão não é quanto poder computacional é necessário para que algo pareça consciente, mas sim que tipo de relação estabelece com o mundo que o rodeia, pois a consciência existe sempre em relação a "algo". Ou seja, a consciência não é um estado interno que depois se projeta para o resto do mundo, mas sim um momento do próprio ato do corpo ao relacionar-se com o mundo através da sua atividade, isto é, a transformação consciente da natureza, ou seja, o trabalho. Um modelo de IA generativa, no qual todos parecem depositar as esperanças para esse iminente despertar consciente, na realidade não possui uma intencionalidade na sua geração de conteúdo — a transformação consciente do mundo — que inclua questionar-se sobre o para quê e o como; pelo contrário, a geração é sempre obra de alguém externo ao modelo, seja um programador ou um utilizador final.
Engels, em O papel do trabalho na transformação do macaco em homem, explica que a consciência não existe fora da corporeidade e, por conseguinte, não deve ser procurada em fatores externos a ela, numa singularidade sob a forma de alma ou essência, mas sim na necessidade material de transformação da natureza. A necessidade de agir sobre o ambiente através do trabalho foi o que, ao longo de gerações, acabou por desenvolver os nossos órgãos, como as mãos ou o cérebro. A resposta à pergunta não está em que ingrediente algorítmico utilizar — ou não apenas isso — para que uma placa de silício suficientemente complexa possa gerar consciência, mas sim no facto de a consciência ser o resultado histórico de uma relação prática e física com o mundo.
Para Marx, o fetichismo consiste em atribuir aos produtos do trabalho propriedades que, na realidade, pertencem às relações sociais entre produtores, ocultando o processo que as gera. Uma extensão deste conceito a muitos dos fenómenos que rodeiam a Inteligência Artificial, e especificamente aos modelos de linguagem, explica essa obsessão generalizada em atribuir ao ChatGPT uma consciência que, na realidade, pertence a todos os agentes sociais que intervieram na sua produção.
Antes dos modelos de linguagem, já existiram muitas outras máquinas que ultrapassaram largamente alguma capacidade humana. Um tear mecânico tece roupa mais depressa do que qualquer pessoa; uma grua permite levantar pesos impossíveis de serem movidos por qualquer corpo humano. A ninguém ocorre pensar que o guindaste "é consciente" por levantar toneladas de aço. Acontece que, como a IA generativa produz texto em vez de t-shirts ou edifícios, atribuímos-lhe essa singularidade que não tem, mais uma vez, pela mera observação empírica de um fenómeno superficial que associamos à consciência.
Um modelo de linguagem calcula, com enorme eficiência e, dada uma sequência de palavras introduzida, o resultado estatisticamente mais provável, aplicando padrões aprendidos durante o seu treino. É extremamente rápido a gerar linguagem coerente, mas isso não implica uma relação semântica entre o símbolo gerado e o conceito que representa. Para o materialismo dialético, poder estabelecer essa relação semântica com o objeto requer uma relação prática com este[8]; no caso da Inteligência Artificial, esta relação é sempre mediada pela validação humana de quais inputs e outputs são considerados corretos.
Isto permite uma resposta diferente ao argumento de Searle: o "sistema" da Sala Chinesa poderia, em teoria, escrever em chinês se o manual fosse suficientemente ampliado. Mas, para o materialismo, isso continua a não ser suficiente, porque nenhum manual, por mais completo que seja, substitui a relação prática de uma comunidade de falantes com o mundo.
A IA, que utiliza regras indutivas para gerar texto ou imagens, não só carece de compreensão semântica, estando sujeita a limites lógicos formais, como também carece de agência, entendida esta a partir de coordenadas materialistas: a escolha do problema a resolver é indissociável da própria solução. Um sistema pode executar na perfeição os passos lógico-matemáticos para resolver um problema, algo que outras máquinas, como as calculadoras, já faziam há muito tempo, sem que, em momento algum, tenha havido uma decisão de resolver esse problema em particular.
A origem desta agência é indiferente à antiga distinção entre o biológico e o social, distinção que, quando absolutizada, o materialismo considera antidiáletica[9]. O importante é que ela é, ao mesmo tempo, produto e condição do trabalho, e é a atividade consciente que verdadeiramente distingue o ser humano do resto da natureza.
Seguindo o raciocínio lógico materialista, essa vontade não é determinada por um "algoritmo biológico" interno ao cérebro, mas pelo ambiente sobre o qual atua: a natureza e, fruto do processo histórico de transformação desta, também o meio social em que se desenvolve a atividade humana, ou seja, o modo de produção e as classes sociais que nele existem.
A consequência é que a diferença entre a inteligência humana e a Inteligência Artificial não é quantitativa — maior ou menor capacidade computacional ou neuronal —, mas qualitativa. Essa "agência" só pode surgir no sistema como um viés introduzido externamente por um ser humano — no treino ou na solicitação do utilizador —, nunca como uma propriedade intrínseca do modelo. O conhecimento não é uma entidade à espera de "ser descoberta", é um produto da atividade humana ao transformar o mundo e ao relacionar-se conscientemente com ele. O processamento computacional e a indução estatística podem encontrar padrões estatísticos entre milhões de dados e podem combinar texto sob a forma de hipóteses sintaticamente coerentes com base nesses padrões[10], mas não têm a capacidade física para os demonstrar nem para realizar avanços científicos que, precisamente, requerem uma descoberta ainda não estatisticamente provável.
Tendo revisto o debate histórico em torno da questão e tendo colocado em cima da mesa a perspetiva consequentemente materialista, em vez de contestar categoricamente a possibilidade de uma consciência artificial ou de realizar exercícios de futurologia, resulta mais útil apontar as limitações atuais para o advento de uma Inteligência Artificial Geral com consciência:
Corporalidade: Se o único caminho para a consciência humana passa por uma relação física com o ambiente, os limites atuais da robótica, ainda longe de emular um corpo suficientemente adaptável e capaz de interagir com o ambiente como o de um ser humano, constituem um obstáculo.
Uma compreensão insuficiente do cérebro: As redes neurais artificiais inspiram-se vagamente na atividade cerebral humana para treinar os seus algoritmos, mas ainda carecemos de uma compreensão suficientemente ampla dos processos cerebrais para os podermos emular de forma satisfatória. Por exemplo, a neuroplasticidade do cérebro e a sua divisão em zonas especializadas revelam-se complexas de simular, pois um modelo pode ser muito bom a gerar texto e outro a jogar xadrez, mas são extremamente fracos na execução de outras tarefas. A abordagem mais próxima da criação de zonas cerebrais especializadas são os sistemas de agentes a trabalhar em conjunto, mas continuam a ser aproximações parciais.
A falta de conhecimento do mundo que nos rodeia: Um modelo de Inteligência Artificial pode tornar-se extraordinariamente bom a jogar xadrez ou a escrever texto, mas nem o xadrez nem um texto representam o mundo real em toda a sua complexidade. As regras indutivas têm dificuldade em adaptar-se a um mundo em constante mudança que, atualmente, é impossível de modelar. Ainda temos um enorme desconhecimento das regras físicas que regem o universo. Portanto, se a IA operar com base em regras de inferência sobre dados já existentes, superar as capacidades humanas exigiria antecipar fenómenos que ainda não foram registados pelo ser humano, algo que nada tem a ver com encontrar padrões em dados já registados.
Limites computacionais: A escalabilidade dos modelos atuais choca com os custos crescentes de energia, capacidade computacional e centros de dados, etc. A ampliação quantitativa dos modelos atuais não pode escapar, por força bruta, às limitações lógicas que a Inteligência Artificial atual apresenta.
O nosso objetivo, como já alertámos, não é fazer um exercício filosófico sobre o que significaria se estas limitações fossem ultrapassadas, mas sim salientar os limites, por enquanto intransponíveis, e expor a concepção ideológica que afirma que essa consciência na IA já existe. A ideia de que basta ampliar o paradigma atual com mais dados, mais parâmetros e mais capacidade computacional para alcançar essa Inteligência Artificial Geral é uma tese que, por coincidência, interessa particularmente aos fabricantes de componentes, fornecedores de centros de dados e empresas que comercializam os diversos modelos de IA. A pergunta que devemos fazer-nos agora, então, é quais são as relações sociais realmente existentes por trás da Inteligência Artificial.
Os "Prometeus"
Uma vez examinadas as limitações teóricas da Inteligência Artificial, convém rever a rede de produção real que existe por trás deste setor e que esconde uma quantidade ingente de trabalho humano. Começaremos pelos protagonistas do seu próprio pequeno teatro, aqueles que estão no centro das atenções, as principais empresas dedicadas à investigação e ao desenvolvimento dos modelos propriamente ditos.
Algumas delas são amplamente conhecidas, sendo a OpenAI, provavelmente a mais mediática devido aos seus modelos GPT, orientados principalmente para a geração de texto e código; ou o DALL·E para a geração de imagens. Ambas as ferramentas registaram uma melhoria drástica nos anos de 2022 e 2023, catapultando a empresa e o seu principal produto, o ChatGPT, para um aumento de popularidade. À OpenAI seguiram-se rapidamente outras empresas semelhantes, como a Anthropic com o modelo Claude, a xAI com o Grok, a Google com o Gemini ou a Meta com o Llama. Assim que estas grandes empresas entraram no mercado, o interesse do Governo dos Estados Unidos por este setor como ativo estratégico reacendeu-se, tanto pela sua utilização civil como militar.
O sinal mais claro de que Washington considerava este ramo industrial como um ativo de segurança nacional surgiu em agosto de 2025, quando o Governo dos EUA investiu, em duas transações distintas, 8,9 mil milhões de dólares em ações ordinárias da Intel, fabricante norte-americana de circuitos integrados, semicondutores, e responsável pela conceção e montagem de processadores. As ações representavam aproximadamente 10% da empresa, e as duas operações faziam parte do investimento em infraestruturas de base para capacidades computacionais promovido pela Lei dos Chips[11] e pelo programa Secure Enclave do Departamento de Defesa. Apesar de a participação ter sido passiva — ou seja, não havia representação governamental no conselho de administração —, a mensagem transmitida ao mercado era de que Washington considerava a Intel um ativo estratégico, cuja sobrevivência e capacidade de fabrico eram prioritárias. Esta iniciativa juntou-se a outros grandes investimentos, provenientes de diversos fundos privados e bancos, em empresas de componentes e de Inteligência Artificial, na sequência da subida vertiginosa da popularidade do ChatGPT e de plataformas semelhantes.
Por seu lado, a Nvidia, principal fabricante mundial de GPUs — que, como já vimos, são um componente essencial para treinar e executar modelos de Inteligência Artificial —, ao constatar o aumento da procura pelo seu produto, não se limitou a aumentar as vendas de hardware, mas tornou-se também investidora nos seus próprios clientes, uma prática partilhada, como veremos, por várias empresas do setor, tecendo uma rede de acordos que convém ordenar.
A Nvidia, após participar numa ronda de financiamento da OpenAI juntamente com outros investidores em 2024, anunciaria, em setembro de 2025, um acordo de intenções extremamente ambicioso com a empresa proprietária do ChatGPT, a qual começaria por implementar, pelo menos, 10 GW em sistemas de GPUs financiados pela própria Nvidia, e a Nvidia iria aumentando o seu investimento até aos 100 mil milhões de forma progressiva, em função do crescimento de ambos os negócios. A Nvidia emprestava o dinheiro, e esse dinheiro teria de regressar à Nvidia sob a forma de encomendas de hardware, enquanto a OpenAI venderia o seu produto inovador, revestido de camadas e camadas de marketing. O anúncio fez disparar as ações da Nvidia e da OpenAI sem que tivesse ocorrido nada que permitisse recuperar o investimento. Na verdade, o dinheiro acordado nem sequer fora totalmente desembolsado. A verdade é que o suposto investimento de 100 mil milhões nunca foi um acordo fechado; assim, em março de 2026, Jensen Huang, CEO da Nvidia, confirmou que os 100 mil milhões eram um "valor máximo aproximado". O que acabou por ser formalizado foi uma participação de 30 mil milhões. Apesar de o valor real ser elevado, não correspondia às expectativas do mercado bolsista, mas isso não travou o frenesim dos investidores.
Nesse mesmo mês de setembro, na sequência do investimento dos EUA, a Nvidia adquiriu ações da Intel no valor de 5 mil milhões de dólares, a par da proposta de combinar os seus equipamentos destinados aos centros de dados numa espécie de aliança estratégica no setor. Paralelamente, a Nvidia acordou também comprar 6,3 mil milhões em infraestrutura de nuvem à CoreWave — uma empresa norte-americana de computação em nuvem que, como também vimos, é outra parte fundamental do setor — e, em 2026, investiu 2 000 milhões em ações da mesma empresa, garantindo assim que a CoreWave também comprasse os seus chips. A CoreWave foi também contratada pela OpenAI para garantir a infraestrutura necessária ao treino dos modelos da OpenAI, um contrato que ascendeu a 22,4 mil milhões de dólares. Ainda em setembro de 2025, a OpenAI celebrou um contrato no valor de até 300 mil milhões com a Oracle — outra empresa de infraestrutura na nuvem — para poder implementar ainda mais centros de dados. Estas situações ilustram a dinâmica estabelecida: a Nvidia adquire uma participação noutras empresas, atuando como garantia de procura, e regista depois números recorde de vendas de chips; a OpenAI apresenta compromissos massivos com várias empresas de infraestruturas, com a promessa de que o seu modelo irá recuperar os investimentos; e as empresas de computação na nuvem — financiadas, em parte, também pela Nvidia — gabam-se de ter milhões de centros de dados pendentes de implantação.
Em outubro de 2025, a AMD — principal concorrente da Nvidia — emitiu formalmente à OpenAI um direito de compra de 160 milhões de ações, no âmbito de um acordo para fornecer GPUs à OpenAI. Se a OpenAI exercer integralmente o acordo, poderá vir a deter cerca de 10% da AMD. É, mais uma vez, a mesma lógica: em vez de a OpenAI pagar em dinheiro pelo hardware, a AMD concede-lhe uma participação na sua própria empresa como incentivo para que tanto as contas de resultados como as cotações bolsistas aumentem simultaneamente, sem que tenha circulado dinheiro real entre elas.
Para atirar mais lenha para a fogueira, a OpenAI gastou 250 mil milhões em serviços na nuvem com a Microsoft, tendo acordado a implantação de chips da AMD — sendo agora a OpenAI um dos seus maiores acionistas —, tudo isto enquanto a OpenAI e a Oracle fechavam o acordo de 300 mil milhões e a Oracle comprava chips à Nvidia no valor de 40 mil milhões.
O padrão repetiu-se com a Anthropic, fundada por antigos investigadores e dirigentes da OpenAI, onde os fornecedores de infraestrutura investem na empresa que produz o modelo e esta compromete-se a adquirir a sua infraestrutura. A Amazon investiu, em 2026, vários milhares de milhões com o compromisso de que os criadores do Claude garantissem a compra de 100 mil milhões nos próximos anos na Amazon Web Services — o serviço na nuvem fornecido pela Amazon —, assegurando 5 GW de capacidade computacional para treinar os seus modelos com chips da Amazon. Paralelamente, a Google, acionista da Anthropic, aumentava o seu investimento ao mesmo tempo que a Anthropic assinava acordos para ampliar a infraestrutura do Google Cloud.
Também em outubro de 2025, a xAI, apesar de fazer parte do conglomerado de Elon Musk e de apresentar as suas relações específicas com o Governo dos EUA e com o resto do setor, não quis ficar para trás e fechou uma ronda de financiamento de 20 mil milhões de dólares em troca da compra de GPUs da Nvidia durante a construção dos seus centros de dados.
A lógica comum a todos estes acordos que inflacionaram o preço das ações de todas estas empresas — com a OpenAI e a Nvidia no centro de tudo – é que se trata de um conjunto de promessas que resultam num investimento circular. O capital não regressa ao sistema a partir do exterior, através da venda ao consumidor ou da procura real, mas sim, na sua maior parte, circula, por enquanto, entre os próprios intervenientes, inflacionando simultaneamente as contas de resultados de todos os participantes. Quando uma empresa de hardware ou infraestrutura anuncia que irá investir num modelo e a empresa proprietária do modelo anuncia que irá adquirir infraestrutura à outra, ambas as empresas registam um "compromisso" que faz subir as suas valorizações bolsistas, mesmo que o dinheiro não tenha mudado de mãos. Quanto mais ativos estiverem vinculados à rentabilidade futura do setor, mais força ganha a narrativa de que a IA está prestes a adquirir consciência, substituindo-nos a todos e gerando lucros enormes, sem que se saiba muito bem como. Mas todos querem embarcar nesse barco e os gigantes tecnológicos têm de se comprometer cada vez mais, porque agora já não podem retirar o seu capital e quem sair a ganhar poderá dominar este mercado, gerando uma bolha sempre à beira de rebentar.
Finalmente, também devemos ter em conta que a concorrência geopolítica entre os EUA e a China acrescenta mais uma camada de tensão ao setor. Enquanto as grandes empresas norte-americanas apostam cada vez mais no código fechado para proteger a sua vantagem competitiva – alegando medidas de segurança –, os modelos chineses como o DeepSeek, o Qwen – do consórcio Alibaba – ou os modelos da Baidu e da Tencent estão a aproximar-se, em termos de capacidades, dos seus homólogos norte-americanos em cada vez mais tarefas, sendo frequentemente software de código aberto[12] e com uma fração do custo de desenvolvimento – essa fração do custo não é totalmente real, uma vez que parte dos custos de desenvolvimento e treino se baseia nos dos seus homólogos americanos, mas continua a contribuir drasticamente para a redução dos preços–, o que ameaça diretamente a capacidade de empresas como a OpenAI ou a Anthropic de recuperar investimentos que, como vimos, dependem de um ecossistema financeiro circular cada vez mais alavancado e sujeito a uma grande pressão competitiva. Ao governo chinês, em vez de tentar manter uma guerra tecnológica com os modelos americanos — limitada pelas restrições que enfrenta na aquisição das melhores GPUs da Nvidia —, basta abalar a fragilidade de uma indústria na qual os Estados Unidos depositaram grandes aspirações.
O caminho dos semicondutores
Já alertámos anteriormente para a forma como o fetichismo da mercadoria oculta as relações sociais que existem por trás de um produto e, no caso da Inteligência Artificial, este fenómeno revela-se especialmente flagrante. Todo o conflito financeiro que se manifesta à superfície da indústria funciona como uma cortina de fumo, ocultando uma vasta cadeia de produção sustentada por milhões de trabalhadores, sem os quais a Inteligência Artificial simplesmente não existiria.
Como já vimos, para treinar satisfatoriamente todos os modelos, são necessárias quantidades ingentes de informação "rotulada", ou seja, dados organizados e previamente classificados por seres humanos que permitem ao modelo aprender padrões com base neles. Uma das principais fontes de dados foi, evidentemente, a Internet. Mas a sua rotulagem estava longe de ser um processo automático. E é aqui, na rotulagem de dados, que começa a tornar-se visível a cadeia de trabalho invisível.
Como é do conhecimento geral, a Internet está repleta de conteúdos de natureza sexual, violenta ou de informação deliberadamente falsa, o que pode gerar desvios perigosos no modelo. É por isso que é necessária uma etiquetagem manual dos dados, tanto para identificar esse tipo de conteúdo durante o treino como para que os modelos melhorem as suas capacidades de filtragem e deteção durante a execução.
Para tal, replicou-se o modelo de negócio que já era implementado há algum tempo noutras empresas, como o Facebook ou o TikTok: o recurso a grandes quantidades de mão-de-obra barata para etiquetar dados. As grandes empresas tecnológicas contratam empresas como a Sama, a Figure Eight ou a Scale AI — todas as três sediadas em São Francisco —, a Appen — com sede na Austrália e em Washington —, a Accenture — com sede na Irlanda —, a francesa Teleperformance ou a canadiana Telus Digital; cujo modelo de negócio consiste na externalização da recolha, etiquetagem e avaliação de informação predominantemente em formato digital, seja texto, imagens, vídeos, etc., destinados ao treino de modelos de Inteligência Artificial. Sob o pretexto de "dar oportunidades a trabalhadores de países empobrecidos", contratavam milhões de trabalhadores desesperados, subcontratados em mais de 170 países, a maioria dos quais localizados em regiões como o Quénia, o Uganda, a Colômbia, a Índia e o Sudeste Asiático, para etiquetar diferentes tipos de dados. O caso mais chocante é, sem dúvida, o dos trabalhadores que se dedicam a classificar conteúdos racistas, sexistas, violentos, etc.
O caso mais bem documentado é o da empresa Sama, no Quénia. Os seus trabalhadores tinham de ler e classificar até 150 ou 250 textos, com 100 a 1000 palavras cada, durante o seu turno de trabalho, expondo-se a conteúdos explícitos de violência, abuso sexual infantil e outros materiais extremos. Tudo isto em troca de um salário entre 1,32 e 2 dólares por hora, enquanto a Sama faturava, conforme estipulado nos contratos com a OpenAI, 12,5 dólares por hora trabalhada.
Ocorreram situações semelhantes noutras empresas que trabalhavam com imagens ou vídeos de mortes, violações e conteúdos explícitos em geral. Um testemunho recolhido pela Until Everyone is Free[13] refere-se a uma colega de trabalho moderadora que se deparou, durante o trabalho, com um vídeo da execução de um familiar. Muitos dos testemunhos afirmaram ter ficado com sequelas psicológicas ou físicas, desde ansiedade e depressão até mortes e suicídios após meses nesse tipo de emprego, alguns deles coagidos a trabalhar mais do que o estipulado no seu horário de trabalho e sem poderem regressar ao seu país de origem ou ver a sua família durante longos períodos. Muitos trabalhadores tinham contratos com duração entre um e três meses, renovados mensalmente, e com salários que não correspondiam ao previsto no contrato. Tudo isto com a cumplicidade dos diversos governos que, para atrair mais capital para os seus respetivos países e evitar que as empresas se deslocassem para outra região, deram carta branca para que fossem as próprias empresas a ditar as condições de trabalho, concederam vantagens fiscais e chegaram mesmo a manter relações diplomáticas diretas com altos responsáveis empresariais.
A OpenAI pôs fim à sua relação com a Sama após o surgimento de controvérsias em torno das suas condições, mas o trabalho já realizado por esses funcionários serviu para alimentar os modelos atuais que hoje são comercializados; e a prática de subcontratar este tipo de empresas continua em vigor entre todos os gigantes do setor. Outro caso anterior é o da empresa M2Work, um projeto do Banco Mundial em colaboração com a Nokia que proporciona "microempregos" a cidadãos palestinos por 1 ou 2 dólares por hora[14], muitos dos quais também destinados à classificação de dados. O mesmo acontece com os refugiados sírios, contratados por empresas como a Lifelong AI, que mascaram trabalhos sem condições garantidas e com contratos que podem terminar a qualquer momento como oportunidades caritativas. A Jordânia acolhe mais de 1,3 milhões de refugiados, gerando uma enorme base de trabalhadores à procura de qualquer emprego, muitos deles potenciais trabalhadores em tarefas de etiquetagem de dados. A terrível ironia é que, em não poucas ocasiões, as mesmas imagens com as quais irão trabalhar servirão para treinar software de drones e outros sistemas de uso militar que acabarão por ser utilizados nos países de onde tiveram de fugir.
Mas a cadeia de valor não termina aqui. A enorme estrutura financeira do capítulo anterior assenta numa rede de produção muito concentrada em pontos-chave do planeta. A Nvidia, como vimos, concebe as GPUs, mas não fabrica os seus componentes essenciais. Essa tarefa recai sobre a Taiwan Semiconductor Manufacturing Company (TSMC), mas por trás de ambas está a menos conhecida Advanced Semiconductor Materials Lithography (ASML), uma empresa holandesa que detém atualmente o monopólio mundial de maquinaria de litografia ultravioleta extrema (EUV). A empresa fabrica ferramentas de altíssima precisão para gravar circuitos extremamente pequenos nas pastilhas de silício. A barreira tecnológica da ASML é difícil de ser ultrapassada pela concorrência devido ao investimento necessário e ao longo período de especialização e arranque da produção, que pode chegar a várias décadas. Trata-se de um gigante da indústria que conta com mais de 44 000 trabalhadores em vários países, pelo que empresas como a Intel ou outros concorrentes chineses, por enquanto, não são capazes de igualar as suas capacidades, fazendo com que o mercado mundial dependa desta empresa.
A TSMC adquire as ferramentas à ASML e utiliza-as para fabricar os chips. A empresa taiwanesa detém também o seu próprio monopólio na montagem e fabrico de chips, resultado da vantagem tecnológica que construiu ao longo dos últimos quarenta anos, sendo também outro conglomerado que conta com mais de 90 000 trabalhadores. Esta empresa dispõe ainda da sua própria barreira à entrada, dificilmente ultrapassável no setor, e de um capital crítico de milhares de milhões de dólares de investimento, além de mão-de-obra qualificada difícil de replicar, fornecedores de materiais, etc. A tudo isto acresce o facto de Taiwan ocupar uma posição geoestratégica e logística quase inigualável no resto do mundo. O estreito recebe um fluxo comercial incomparável, além de estar próximo dos fornecedores japoneses de silício — embora grande parte também venha da Alemanha—, das terras raras da China, Austrália e Vietname, de relações comerciais já estabelecidas com a ASML difíceis de redirecionar para outras zonas, etc. É também um dos clientes mais importantes da Air Liquide — empresa francesa líder em gases industriais—, da empresa química alemã Linde ou da americana Air Products, todas elas fornecedoras habituais de néon de alta pureza – essencial na produção de semicondutores. Esta combinação de fatores torna a TSMC outro elemento-chave.
Toda esta cadeia internacional converge para um problema que preocupa cada vez mais os CEOs das grandes empresas tecnológicas: o aumento drástico e sustentado dos recursos necessários para manter e melhorar o treino dos modelos atuais, surgidos de um paradigma com limites dificilmente ultrapassáveis e cuja produção requer uma série de intervenientes com um poder altíssimo e projeção internacional, tudo isto num clima pré-bélico e onde estão a eclodir conflitos que ameaçam a estabilidade desta cadeia. Os centros de dados e a indústria de semicondutores em geral estarão cada vez mais suscetíveis de serem alvo de ataques estratégicos em conflitos interimperialistas, devido à utilização intensiva de drones ou outras aplicações da Inteligência Artificial. Aí reside a ameaça dos houthis, com a capacidade de interromper 17% do tráfego mundial da Internet caso boicotem os cabos submarinos, os ciberataques em massa, a escassez de água e outros bens de consumo essenciais. Temos mais exemplos, como os ataques que o Irão lançou contra centros de dados da Amazon nos Emirados Árabes Unidos e no Bahrein, a necessidade de migrações de dados de centros próximos do conflito para outros mais distantes, tal como aconteceu na Ucrânia, e tudo isto sem contar com a escalada de tensões entre a China e os EUA.
A esta situação junta-se o enorme consumo de eletricidade e água dos centros de dados, que aumenta proporcionalmente à complexidade dos modelos e à popularidade da sua utilização em massa, uma vez que estes custos não dependem apenas do treino, mas crescem de forma não linear à medida que aumenta a utilização de tokens, pois cada fragmento gerado deve manter a coerência não só com as palavras imediatamente anteriores, mas com a totalidade do texto de entrada. Estima-se que o consumo total dos centros de dados represente 1,5% da energia mundial anual e entre 4 e 7 milhões de milhões de litros de água por ano para refrigeração — na sua maioria água doce — e tudo isto sem contar com os custos indiretos dos componentes e de outros processos intermédios[15].
O custo do treino do GPT-3 foi de 1,3 GWh, ao passo que o custo do GPT-4 escalou para 50 GWh. Algumas estimativas concluem que, até 2030, a IA consumirá quantidades da ordem dos TWh. É importante salientar, no entanto, que tudo isto são cálculos estimados, uma vez que as empresas do setor não publicam números oficiais de consumo. No entanto, não podem esconder a realidade de que se trata de uma indústria colossal, com quantias astronómicas de dinheiro investidas. No total, as grandes empresas tecnológicas investiram aproximadamente 1,5 milhão de milhões de dólares –e a aumentar–, enquanto o seu retorno foi de aproximadamente 790 mil milhões[16], deixando estas empresas numa situação que lembra demasiado a bolha das pontocom. Se o seu colapso afetará ou não outros ramos da economia é algo que não podemos saber de antemão, mas a quantidade de empresas e interesses envolvidos são fatores a ter em conta. O avanço contraditório do modo de produção capitalista acaba por destruir as suas próprias forças produtivas, tornando-se um obstáculo para si próprio. A infraestrutura cada vez maior torna-se mais suscetível de entrar em colapso devido à cadeia à escala global necessária para a manter.
O bezerro de ouro
Todo o circuito anterior, o investimento circular, a rede de produção, as limitações computacionais e lógicas da Inteligência Artificial, revelam a ilusão gerada pelo fetichismo dominante em torno desta tecnologia. A análise exaustiva de todo o circuito da IA não foi um mero parêntese expositivo, mas sim o fundamento necessário para desmontar as aparências que envolvem a IA e regressar às duas grandes narrativas ideológicas que mencionámos no início do artigo, mas agora depois de nos termos livrado das aparências fetichistas.
O primeiro, já citado no início deste artigo, é o relato que alimenta as ambições desenfreadas dos CEOs, dos "tecnobros" e de todo o exército de marketing que, a cada dois ou três meses, lança o aviso de que estamos, desta vez a sério, à beira de alcançar a Inteligência Artificial Geral que tornará todos os empregos obsoletos e transformará o mundo radicalmente. Esta narrativa é reforçada por grande parte das demissões decorrentes de reajustes de pessoal que abalam o setor tecnológico. Mas, em muitos casos, estas demissões não são consequência da obsolescência gerada pela IA, mas sim da contratação excessiva que ocorreu em alguns setores durante a pandemia ou de simples reajustes devido a uma redução da produtividade ou a uma supersaturação de algum setor, atribuindo-os à IA para que, do ponto de vista da comunicação, resulte mais interessante para os investidores acreditar que existe uma tecnologia que multiplicará o seu capital e não que houve um erro de gestão ou que o negócio, simplesmente, está a correr pior do que o esperado.
A segunda é, como também salientámos no início, o reverso catastrofista de cunho pequeno-burguês, que, em vez de cair nas falsas promessas e num frenesim de investimento, gera um medo neoludita que reaparece ciclicamente sob a forma de debates sobre o uso "ético" da Inteligência Artificial. Equiparando a sua utilização a uma traição ao próprio ser humano. E isto para não falar daqueles que criticam a IA por "violar a propriedade intelectual" de pequenos produtores demasiado habituados ao corporativismo.
Fala-se de que "a IA discrimina", "rouba propriedade intelectual", "destrói empregos" ou aplica medidas que prejudicam os trabalhadores, como se se tratasse de um sujeito autónomo capaz de tomar decisões e perseguir os seus próprios objetivos. No entanto, uma vez compreendido o funcionamento material destes sistemas, torna-se evidente que essa atribuição de responsabilidade constitui uma inversão fetichizada. A IA não age por vontade própria nem decide os objetivos que persegue; são os interesses capitalistas que orientam os modelos, são as diretrizes dos conselhos de administração que selecionam os dados e determinam a sua utilização. Desviar a culpa das relações sociais e económicas para a tecnologia não só antropomorfiza um instrumento, como também contribui para ocultar os verdadeiros responsáveis pelas decisões que são tomadas através dele.
Marx já tinha assinalado que apenas aquilo que é organizado com base no trabalho privado aparece como alheio ao controlo da sociedade. Mas esse movimento aparentemente autónomo responde às relações sociais mediadas pela mercadoria. A IA é mais um elemento com resultados terríveis quando colocada ao serviço de fins capitalistas, tal como uma espingarda ou um bulldozer. A suposta autonomia da IA, o seu alarido mediático e as previsões — catastróficas ou providenciais — sobre a sua utilização são, na sua maioria, um fetiche burguês.
É verdade que a Inteligência Artificial consome grandes quantidades de energia e água e sustenta-se numa rede de produção que repousa sobre os ombros de milhões de trabalhadores explorados. Mas aqueles que se escandalizam com a sua utilização deveriam aplicar a mesma indignação seletiva a outras indústrias com pegadas comparáveis ou taxas de exploração tão elevadas, como as plataformas de streaming, as redes sociais, a indústria têxtil, as empresas de carne ou o monocultivo intensivo. Isto não isenta nenhuma dessas indústrias do sangue e da lama que exsudam, mas o medo responde mais ao lugar simbólico que a Inteligência Artificial ocupa no imaginário coletivo do que à forma como é produzida.
Então, qual é o futuro do setor e da classe trabalhadora após a irrupção incerta da Inteligência Artificial? Se não nos deixarmos enganar por miragens, vislumbram-se duas tendências, não necessariamente excludentes:
A primeira é que a Inteligência Artificial não está a gerar os retornos que foram prometidos aos investidores e o modelo de negócio terá de ser reorganizado, poder arrastar várias empresas numa correção financeira que pode ou não afetar outros ramos da produção. E a verdade é que as empresas nem sequer têm claro qual é o seu produto: serão as ferramentas online de IA generativa e, por isso, deverão cobrar valores possivelmente inatingíveis para a maioria dos utilizadores, apenas para recuperar o investimento? A sua promessa é a obsolescência e a substituição de milhões de empregos? Se for esse o caso, até que ponto isso se tem verificado e na produção de que bens, exatamente? A indefinição do produto é, por si só, uma forma pouco estável de fazer negócios a longo prazo.
A segunda tendência é a utilidade real que a IA tem em diferentes indústrias, uma utilidade mais modesta do que as aspirações grandiloquentes das grandes empresas tecnológicas. Está a ocorrer uma transformação progressiva em diversos setores onde a Inteligência Artificial está, de facto, a ser implementada de forma extensiva e onde pode ter um impacto significativo. Estes setores são, principalmente, o desenvolvimento de software[17] e conteúdos digitais, o atendimento ao cliente, o marketing e a gestão documental, entre outros.
Esta implementação pode alargar significativamente a base de trabalhadores que poderão aceder a este tipo de empregos, reduzindo a especialização e o prestígio profissional que protegia algumas profissões no seio de certos trabalhadores de "colarinho branco". Por exemplo, o software, até agora uma profissão com um caráter muito "artesanal", tenderia a tornar-se, em grande parte da indústria, um produto mais padronizado. Se até os papers científicos acabam por ser escritos por uma Inteligência Artificial e lidos por outra, apenas para alimentar o cálculo do texto "científico" que é produzido, talvez o problema já existisse antes de a IA entrar em cena.
E aqui devemos fazer-nos outra pergunta incómoda: será que o código gerado pela IA é realmente melhor do que o de um programador? Será que uma imagem publicitária gerada pelo DALL·E é equivalente à de um designer gráfico? Será que uma voz gerada pela IA a atender o telefone é melhor do que a de um ser humano? Em termos de lógica capitalista, isso é irrelevante, porque a sua produção é mais rápida e o valor de uso nunca é o que interessa ao capitalista, mas sim o lucro.
Isto não eliminará a necessidade de muitos empregos com elevada especialização técnica, pois a IA continua a necessitar de revisão e de orientação humana, e há muitas atividades que não podem ser substituídas devido às limitações que abordámos nos capítulos anteriores. Ainda assim, muitas tarefas podem ser automatizadas e o trabalho necessário será simplificado. Paradoxalmente, o que, à primeira vista, poderia supor uma redução drástica da mão-de-obra, também amplia o capital e as necessidades do mercado[18], o que gera uma maior necessidade de processos intermédios que, em vez de eliminar abruptamente todo o trabalho humano, o reconfiguram e intensificam. Mais do que um desaparecimento repentino do emprego, a redução do tempo de trabalho necessário não representará uma melhoria nas condições da humanidade trabalhadora, mas, pelo contrário, dará origem a uma redução relativa, lenta mas progressiva, da mão-de-obra, tal como sempre aconteceu no âmbito das relações de produção capitalistas.
Isto, em termos históricos, não constitui uma novidade. Quer se trate dos chicotadas de um capataz ou de um algoritmo que regista meticulosamente os intervalos, o facto de o trabalhador se submeter aos ritmos da máquina não é uma anomalia introduzida pela Inteligência Artificial, mas sim uma necessidade do modo de produção capitalista. Todos os trabalhadores estão habituados a ter de medir o tempo com precisão milimétrica em função dos ritmos de uma máquina, a que os gestores ou responsáveis exerçam pressão para concluir uma tarefa antes do tempo, mesmo que fique mal feita, e a que avaliem o nosso trabalho com base em métricas que nem sequer compreendemos totalmente. Talvez, para alguns trabalhadores de colarinho branco, o aparente conforto de um escritório, o teletrabalho ou a possibilidade de trabalhar sentados sejam fatores que os tenham levado a acreditar que estavam mais seguros, mas os mesmos mecanismos que se aplicam ao operário industrial clássico aplicam-se ao resto dos trabalhadores e, apesar de terem o gabinete do chefe mais perto, os interesses destes trabalhadores estão mais próximos dos do resto da sua classe. Se a IA deve servir para alguma coisa, é para evidenciar mais uma vez a necessidade de a classe trabalhadora mundial organizar conscientemente a produção.