20 watts contra megawatts: quem está perdendo essa disputa

A IA consome megawatts para responder, e o cérebro humano consome 20 watts para inventar as perguntas. Essa assimetria diz mais sobre o momento atual que muito relatório de tendências. A máquina processa com a potência de uma usina, e a pessoa pensa com a energia de uma lâmpada de LED. Por enquanto, só a pessoa sabe o que vale a pena perguntar, e esse "por enquanto" carrega bem mais peso do que aparenta.

A discussão sobre inteligência artificial costuma travar entre dois polos igualmente improdutivos. Num deles mora o entusiasmo sem critério, para o qual tudo é disrupção e o futuro sempre chega adiantado. No outro mora o alarmismo sem argumento, que enxerga um colapso civilizatório marcado para daqui a dez anos. Os dois lados compartilham um hábito: olham para tudo, exceto para o que está acontecendo de fato.

O que está acontecendo é mais sutil e, por isso mesmo, mais relevante. Também é difícil de debater em painel com patrocinador. Uma consulta a um modelo de linguagem gasta bem mais energia que uma busca convencional, e as estimativas variam com o modelo e com o tamanho da resposta. A Agência Internacional de Energia trabalha com algo perto de dez vezes. Multiplicado por bilhões de consultas diárias, o detalhe vira conta de usina.

Os data centers já respondem por cerca de 1,5% da eletricidade consumida no planeta, segundo a mesma agência, e a projeção aponta para perto do dobro até 2030. A Microsoft anunciou 80 bilhões de dólares em infraestrutura de IA para um único ano fiscal. Esses números são públicos e verificáveis, e quase ninguém lembra deles enquanto pede à IA o décimo segundo resumo do dia. A pegada energética virou custo de produção invisível, e os relatórios de sustentabilidade agradecem o descuido coletivo.

O cérebro adulto, enquanto isso, trabalha com uns 20 watts contínuos, menos que um notebook ligado. O órgão que produziu a teoria da relatividade e a Quinta Sinfonia de Beethoven gasta menos energia que o computador onde muita gente lê sobre ele. Engenharia nenhuma chegou perto dessa eficiência. A razão é constrangedora: a ciência ainda entende pouco do funcionamento do cérebro, o que jamais impediu alguém de dar palestra sobre o assunto.

Quando uma IA processa uma pergunta, ela mobiliza uma cadeia enorme de recursos para produzir a resposta mais provável, com base em padrões extraídos de volumes absurdos de texto. O mecanismo de atenção dos transformers é uma das arquiteturas mais elegantes que a computação já produziu. A limitação estrutural está em outro lugar, porque toda resposta parte de uma pergunta que alguém formulou. Quem pergunta define o espaço onde a IA navega e decide o que vale investigar.

Dentro desse espaço, a IA otimiza a trajetória com uma eficiência que especialista humano algum alcança. O problema começa quando o espaço está errado e todo mundo segue admirando a velocidade da navegação. Uma bússola perfeita aponta para o norte com precisão absoluta. Ela só ajuda quem queria ir para o norte, e a escolha do destino continua fora do manual da bússola.

O risco tem dois momentos distintos, e a confusão entre eles é o erro mais frequente do debate atual. O primeiro acontece quando a máquina pensa menos que nós, e descreve com precisão o presente. Modelos de linguagem erram fatos com a mesma fluência com que acertam e inventam referências com confiança estatística. A gramática impecável funciona como disfarce, porque frase bem construída transmite uma autoridade que o conteúdo nem sempre merece.

Em 2023, dois advogados de Nova York foram multados por apresentar a um tribunal federal precedentes inventados pelo ChatGPT, com nomes de partes e números de processo de aparência impecável. No ano seguinte, um estudo de Stanford avaliou ferramentas de pesquisa jurídica com IA, vendidas justamente como confiáveis, e encontrou respostas inventadas em pelo menos uma a cada seis consultas. A ferramenta fez exatamente o que foi pedido. O erro coube a quem pediu e dispensou o próprio julgamento sobre o resultado.

O segundo momento acontece quando nós passamos a pensar menos que ela. Ele avança discretamente e cobra caro, e a psicologia cognitiva conhece sua mecânica desde muito antes de a IA generativa virar produto. Pilotos de aviação comercial que dependem demais do piloto automático perdem aos poucos a habilidade de voar manualmente numa emergência. O fenômeno tem nome técnico, skill decay, a erosão da habilidade por desuso.

O músculo ocioso entra em modo econômico, e o cérebro faz a mesma coisa com a vantagem de esconder o processo. As perguntas ficam cada vez mais genéricas e moldadas pelo que a interface espera receber, até se parecerem com as de qualquer outra pessoa na mesma situação. Nesse ponto, a assimetria energética se inverte de um jeito que os watts deixam de capturar. A máquina segue nos megawatts, e os 20 watts humanos passam a ser gastos com cada vez menos originalidade, um desperdício biológico de proporções consideráveis.

Na análise financeira, usar IA para acelerar a modelagem é legítimo. Usar IA para decidir o que modelar é delegar justamente a parte que define o trabalho de quem analisa. A diferença parece sutil até o dia de um problema fora do padrão dos dados de treinamento, quando o repertório para formular a pergunta certa faz falta. Mercado em crise estrutural costuma desobedecer aos dados históricos, e é nessa hora que o julgamento humano vale mais. Modelo treinado em tempos de calmaria entende pouco de tempestade.

Na redação, a IA que organiza a estrutura e cuida da consistência entrega agilidade real. Quando ela passa a decidir o que dizer, quem escreve está subcontratando o único serviço que justifica o próprio cargo. O resultado sai razoável e indistinguível de outros resultados razoáveis, feitos pelo mesmo modelo para empresas concorrentes no mesmo trimestre. O mercado vai levar algum tempo para precificar isso, e quando precificar fará tudo de uma vez, com a delicadeza habitual dos mercados quando corrigem distorções acumuladas.

Na medicina, a IA como apoio ao diagnóstico de casos complexos é uso inteligente. Estudos de rastreamento de câncer de mama mostram que a dupla formada por radiologista e modelo de visão computacional encontra mais tumores que cada um trabalhando isoladamente. O problema aparece quando a sugestão do modelo substitui o raciocínio clínico e o profissional perde a capacidade de enxergar o que o modelo desconhece que desconhece. Modelos aprendem com dados históricos de populações específicas, carregando vieses que raramente estão documentados.

Patógenos novos e apresentações atípicas de doenças conhecidas são exatamente os casos em que o modelo tem menos a oferecer. A IA ajuda, e os dados confirmam isso em vários contextos clínicos. A pergunta relevante é o que acontece com quem se formou em medicina sem jamais ter precisado pensar sem ela. A resposta vai aparecer num plantão qualquer, com o paciente na frente e a rede fora do ar.

Aristóteles distinguia dois tipos de conhecimento com uma precisão que a filosofia posterior teve dificuldade de melhorar. A episteme é o conhecimento teórico, que se transmite e se codifica. A phronesis é a sabedoria prática, construída com a experiência de julgar situações concretas. A IA generativa organizou um volume de episteme que pessoa alguma acessaria numa carreira inteira, e a arquitetura atual segue carente de phronesis.

Falta a ela a capacidade de saber o que fazer quando as regras se contradizem e o contexto pesa mais que o padrão. Falta também a resposta que depende de quem a pessoa é e do que ela está disposta a defender com o próprio nome. Essa é uma descrição técnica do que os modelos fazem e do que ainda lhes escapa, escrita num vocabulário de 2.400 anos que continua em plena forma. Pouca documentação técnica envelhece tão bem.

Kant via na autonomia, a capacidade de legislar para si mesmo pela razão, o fundamento da dignidade humana. Dá para discordar de boa parte do kantismo e manter a intuição central, a de que o pensamento próprio vale além da sua utilidade. Pensar por conta própria faz parte de quem a pessoa é como agente no mundo. Quem terceiriza o pensamento de forma sistemática muda o tipo de pessoa que toma as decisões e muda a própria relação com as conclusões e suas consequências.

Esse impacto passa ao largo de qualquer relatório ambiental ou de governança, ao contrário dos megawatts dos data centers. O que está em disputa vai além do que as pessoas fazem e alcança o que elas se tornam ao fazer. Quem diagnostica com apoio de modelo desde o primeiro dia de carreira se torna outro tipo de profissional. O mesmo vale para quem advoga e jamais construiu um argumento sem sugestão de IA, e a diferença tem formas que ainda estamos aprendendo a medir.

A relação produtiva com qualquer ferramenta poderosa exige que quem usa saiba mais sobre o problema que a ferramenta. Isso vale para o bisturi e vale para um modelo de linguagem com centenas de bilhões de parâmetros. Quem trabalha com shell aprende isso cedo, porque o rm -rf executa o comando errado com a mesma eficiência do certo. O julgamento sobre o que executar e sobre quando desconfiar precisa vir de alguém que pensou antes e depois do que a máquina produziu, com repertório para reconhecer um resultado errado, habilidade que só se constrói pensando.

O debate sobre o robô consciente com agenda própria tem seu lugar e merece gente séria. O risco imediato, e já em operação, é a erosão gradual do hábito de pensar por conta própria. Ela acontece devagar demais para virar manchete e depressa o bastante para mudar a forma como uma geração inteira processa o mundo. Nos painéis de gestão, ela aparece como produtividade em alta. Quando os painéis param de ajudar, ela aparece como uma fragilidade difícil de explicar, na primeira vez que a geração formada com IA precisar resolver algo que a IA ainda desconhece.

A máquina consome megawatts para responder, e a pessoa consome 20 watts para inventar as perguntas. Enquanto essa função continuar ativa, a assimetria trabalha inteiramente a favor de quem pensa. No dia em que as perguntas também forem terceirizadas, a conta muda de natureza. Ela muda discretamente, sem nota fiscal e sem aviso de reajuste, como toda conta que se preze.

PS: Conte nos comentários qual foi a última vez que você chegou a uma conclusão relevante pelo caminho longo, só com o que sabia e com o que conseguiu raciocinar. Quero ler casos reais, de áreas diferentes, e saber o que mudou depois. Compartilhe com alguém que anda terceirizando as perguntas, de preferência sem pedir para a IA resumir antes. Se você leu até aqui com o pensamento próprio intacto, acabou de usar 20 watts melhor que a maioria dos data centers usou hoje. O rendimento por watt foi, tecnicamente, extraordinário.