IA: a reordenação cognitiva
O que é de fato a IA?
A inteligência artificial consolidou-se como a tecnologia de propósito geral definidora da terceira década do século XXI, operando não apenas como uma ferramenta de otimização, mas como uma infraestrutura fundamental para a economia global. Em 2024 e 2025, a convergência entre modelos generativos avançados, hardware de precisão atômica e uma integração sistêmica nos processos corporativos e governamentais elevou a IA de uma fase de experimentação para uma de industrialização cognitiva. Este relatório examina a trajetória dessa evolução, as arquiteturas que sustentam o progresso atual, os impactos macroeconômicos e os riscos civilizacionais que emergem da automação da inteligência.
Síntese Executiva
O panorama da inteligência artificial entre 2024 e 2025 é marcado pela transição do entusiasmo experimental para a captura de valor tangível. Atualmente, 78% das organizações globais utilizam IA em pelo menos uma função de negócios, um salto significativo em relação aos 55% registrados em 2023. Esse avanço é sustentado por ganhos de produtividade que, em setores de alta penetração tecnológica, superam em 4,8 vezes a média de outros setores. Contudo, a disparidade entre a adoção de ferramentas básicas e a integração de "agentes de IA" autônomos ainda é notável: enquanto a maioria das empresas experimenta com chatbots, apenas uma elite tecnológica, denominada "EmTech Accelerators", consegue converter esses avanços em receitas líquidas e inovação disruptiva.
No Brasil, o cenário reflete essa tendência global, com 96% das empresas de médio e grande porte planejando ou já utilizando IA até o final de 2025. O mercado nacional de Tecnologia da Informação e Comunicação deve atingir US$ 96,5 bilhões em 2025, impulsionado pela "nuvem inteligente" e pela IA generativa. No entanto, os desafios persistem: a opacidade algorítmica, o consumo energético massivo para treinamento de modelos — como os 50 gigawatts-hora necessários para o GPT-4 — e o deslocamento de postos de trabalho em funções administrativas e técnicas exigem uma governança ética e regulatória robusta. A emergência do EU AI Act e a revisão da Estratégia Brasileira de Inteligência Artificial (EBIA) são marcos dessa tentativa de equilibrar inovação acelerada com a mitigação de riscos existenciais e sociais.
Fundamentos da Inteligência Artificial
A inteligência artificial não nasceu como um bloco monolítico, mas como uma sucessão de paradigmas que tentaram replicar funções cognitivas humanas. O campo evoluiu da lógica simbólica, baseada em regras explícitas, para o conexionismo estatístico que define a era atual.
Evolução Histórica: Da Lógica Simbólica ao Aprendizado Profundo
A gênese formal da IA ocorreu em 1956, no Dartmouth College, sob a premissa de que qualquer aspecto do aprendizado ou inteligência pode ser descrito com precisão suficiente para ser simulado por uma máquina. Nas décadas iniciais, predominou a IA Simbólica, que utilizava regras lógicas e representações de conhecimento explícitas. Exemplos como o LISP (1958) e o sistema ELIZA (1966) tentaram processar informações através de estruturas gramaticais e lógicas rígidas. Essa abordagem, embora útil para problemas matemáticos e jogos como xadrez, falhou ao lidar com a ambiguidade do mundo real, levando aos chamados "Invernos da IA".
A virada de paradigma ocorreu com o renascimento do conexionismo na década de 1980 e sua explosão nos anos 2010. O Aprendizado de Máquina (Machine Learning) permitiu que os computadores aprendessem padrões a partir de dados sem serem explicitamente programados para cada tarefa. A introdução do Perceptron em 1958 foi um precursor, mas foi o desenvolvimento do Deep Learning (Aprendizagem Profunda), impulsionado pela disponibilidade de grandes volumes de dados (Big Data) e poder computacional (GPUs), que permitiu saltos qualitativos em visão computacional e processamento de linguagem natural.
### Princípios de Funcionamento e Ciclo de Vida do Desenvolvimento
O funcionamento básico da IA moderna baseia-se em três pilares: dados, algoritmos e computação. O ciclo de vida de um sistema de IA inicia-se na coleta e preparação de dados, fase que consome até 80% do tempo de desenvolvimento, garantindo que a informação de treinamento seja representativa e livre de ruídos. Segue-se a modelagem, onde arquiteturas de redes neurais são treinadas para ajustar milhões (ou trilhões) de parâmetros através de processos de retropropagação. A implantação e a inferência são as fases finais, onde o modelo processa novos inputs para gerar previsões ou conteúdos em tempo real.
Hardware Especializado e a Fronteira Neuromórfica
A eficiência da IA é intrinsecamente ligada ao hardware. As Unidades de Processamento Gráfico (GPUs) tornaram-se fundamentais por sua capacidade de processamento paralelo, essencial para operações matriciais complexas. Paralelamente, surgiram as Tensor Processing Units (TPUs) da Google, ASICs projetadas especificamente para acelerar cargas de trabalho de redes neurais.
Uma fronteira emergente em 2024 é a computação neuromórfica. Ao contrário da arquitetura tradicional de Von Neumann, os sistemas neuromórficos imitam a estrutura biológica do cérebro, colocalizando memória e processamento. Chips como o NorthPole da IBM e o Hala Point da Intel utilizam redes neurais de picos (Spiking Neural Networks - SNNs), que operam apenas quando há atividade (eventos), reduzindo o consumo de energia em até 25 vezes em comparação com GPUs convencionais para tarefas de reconhecimento de imagem.
## Modelos e Arquiteturas Principais
A diversificação das arquiteturas de IA permitiu a especialização em diferentes tipos de inteligência, desde o reconhecimento de padrões até a criatividade generativa.
Aprendizado Supervisionado e Não Supervisionado
O Aprendizado Supervisionado continua sendo a base para aplicações de classificação e regressão. Redes Neurais Convolucionais (CNNs) dominam a visão computacional, enquanto as Redes Neurais Recorrentes (RNNs) e LSTMs foram, por muito tempo, o padrão para sequências temporais. No campo de dados estruturados, modelos de ensemble como Random Forests e Gradient Boosting oferecem alta precisão e maior interpretabilidade para análises financeiras e de varejo.
O Aprendizado Não Supervisionado foca na descoberta de estruturas ocultas. Algoritmos de clustering como K-means são essenciais para segmentação de clientes e detecção de anomalias. Um marco nesta categoria são as Redes Adversárias Generativas (GANs), introduzidas em 2014, que utilizam um sistema de competição entre duas redes para gerar imagens e dados sintéticos ultra-realistas.
Aprendizado por Reforço Multiagente (MARL)
O Aprendizado por Reforço (RL) evoluiu para cenários multiagente (MARL), onde múltiplos agentes autônomos interagem em um ambiente compartilhado. Essa arquitetura é crucial para a robótica colaborativa e a logística. Em armazéns inteligentes, agentes de MARL aprendem a coordenar movimentos sem comunicação explícita, otimizando o fluxo de coleta de itens e superando heurísticas industriais tradicionais em eficiência e escalabilidade.
A Revolução dos Transformers e AlphaFold 3
A arquitetura Transformer, descrita no artigo "Attention Is All You Need" (2017), substituiu a recorrência pelo mecanismo de atenção global. Isso permite que o modelo processe toda a sequência de dados simultaneamente, capturando relações de longo alcance que eram invisíveis para modelos anteriores. Esta base sustenta modelos de linguagem como GPT-4, BERT e T5, que agora apresentam capacidades multimodais, integrando texto, imagem e áudio.
Um desdobramento científico notável é o AlphaFold 3 (2024). Diferente de seus antecessores, ele utiliza uma arquitetura unificada para prever a estrutura e as interações de todas as moléculas da vida — incluindo proteínas, DNA, RNA e ligantes — com uma precisão 50% superior aos métodos anteriores. Isso acelera drasticamente a descoberta de fármacos e a compreensão de patologias como o câncer.
Aplicações Práticas Atuais
A aplicação da IA em 2025 transcende a automação de tarefas simples, atingindo o núcleo estratégico de setores vitais.
Setor Corporativo e Financeiro
A IA empresarial integra Automação Robótica de Processos (RPA) com inteligência cognitiva para gerenciar fluxos de trabalho complexos. No CRM inteligente, a análise de sentimento e a personalização preditiva aumentam o engajamento do cliente e reduzem o churn. Na área financeira, a detecção de fraudes em tempo real utiliza redes neurais para identificar padrões anômalos em trilhões de transações, mitigando riscos de segurança antes que o prejuízo se concretize.
Saúde e Medicina Personalizada
A IA na saúde atua em três frentes principais: diagnóstico, tratamento e descoberta científica. Algoritmos de IA já superam médicos de emergência na previsão de mortalidade em curto prazo e na triagem de exames de imagem. A robótica cirúrgica, agora equipada com correção de tremor e alertas de sangramento, permite procedimentos mais seguros e precisos. Na genômica, a IA identifica mutações associadas a doenças raras, permitindo tratamentos personalizados baseados no perfil genético do paciente.
Setor Público e Social
Governos utilizam IA para a gestão de Cidades Inteligentes, otimizando o tráfego urbano e o consumo de energia em smart grids. A educação adaptativa utiliza sistemas que personalizam o material didático para o ritmo de cada aluno, combatendo a desigualdade educacional. Além disso, modelos climáticos alimentados por IA oferecem previsões de desastres naturais com maior antecedência, permitindo respostas mais eficazes a inundações e incêndios florestais.
Limitações e Desafios Atuais
A rápida expansão da IA trouxe à tona limitações críticas que podem comprometer sua segurança e sustentabilidade.
Desafios Técnicos e a "Caixa Preta"
A falta de interpretabilidade de modelos de Deep Learning continua sendo um entrave jurídico e ético. A natureza de "caixa preta" dificulta a auditoria de decisões automatizadas em setores regulados, como saúde e finanças. O viés algorítmico, decorrente de dados de treinamento históricos preconceituosos, pode perpetuar discriminações de gênero, raça e classe se não houver governança ativa.
A sustentabilidade energética é outro ponto de atenção. O custo de treinamento de grandes modelos é astronômico; estima-se que treinar o GPT-4 tenha custado US$ 100 milhões e consumido energia suficiente para abastecer uma metrópole por dias. A indústria responde com a busca por "modelos menores e eficientes" e estratégias de IA verde.
Barreiras Práticas e Talentos
A escassez de profissionais especializados em IA e a dificuldade de integração com sistemas legados em grandes corporações retardam a captura de valor enterprise. Além disso, os custos de manutenção e a latência em aplicações em tempo real — essenciais para veículos autônomos — exigem avanços contínuos em infraestrutura de rede e hardware de borda.
Panorama de Adoção e Tendências Futuras
O ritmo de adoção da IA revela uma economia em duas velocidades: aqueles que dominam a tecnologia e aqueles que correm o risco de obsolescência estratégica.
Horizonte de 2 a 10 anos: Do Edge AI à AGI
Nos próximos 2 a 5 anos, a tendência principal é a democratização da IA através de AutoML e a migração para a Edge AI, onde a inteligência reside no dispositivo final. Em um horizonte de 5 a 10 anos, a aposta recai na IA Neuro-Simbólica. Esta abordagem híbrida combina o aprendizado de padrões das redes neurais com o rigor lógico dos sistemas simbólicos, visando eliminar alucinações e permitir o raciocínio causal e o senso comum. O debate sobre a Inteligência Artificial Geral (AGI) intensifica-se, com sistemas "AGI-like" demonstrando raciocínio contextual cada vez mais próximo do humano.
Adoção por Setores e o Caso do Brasil
Os setores financeiro, de varejo e manufatura lideram a adoção global. No Brasil, a competitividade futura depende da implementação estratégica dessas tecnologias. A Associação Brasileira das Empresas de Software (ABES) aponta que a cibersegurança e a IA são as prioridades máximas para os CEOs brasileiros em 2024. O investimento em IA generativa no país deve crescer 30% ao ano, alcançando cifras bilionárias em 2025.
Análise de Impacto: O Dilema da Produtividade vs. Emprego
A IA é descrita como o "Motor a Vapor da era digital", com potencial para elevar o PIB global em até 1.3 pontos percentuais adicionais anualmente.
Impactos Positivos e Ganhos de Eficiência
A produtividade é o maior ganho. Empregados que utilizam IA generativa relatam execução de tarefas até 50% mais rápida sem perda de qualidade. A IA cria novos mercados e profissões, como engenheiros de prompt e auditores de ética algorítmica, e permite a personalização de serviços em massa que antes eram caros ou impossíveis.
Impactos Negativos e Deslocamento Laboral
O deslocamento de postos de trabalho é uma preocupação real. Goldman Sachs estima que 6-7% da força de trabalho em economias avançadas pode ser deslocada pela IA. Funções administrativas, jurídicas e de programação básica são as mais expostas. Além disso, a desinformação em larga escala, através de deepfakes, e a erosão de habilidades críticas humanas representam riscos sociais que podem desestabilizar processos democráticos e a segurança cibernética.
Riscos e Oportunidades Estratégicas
A gestão da IA exige uma visão de longo prazo sobre riscos sistêmicos e oportunidades civilizacionais.
Riscos Sistêmicos e Soberania
A concentração de poder em poucas empresas de tecnologia (Big Techs) cria dependências perigosas para nações e PMEs. Riscos existenciais, embora debatidos, focam na perda de controle sobre sistemas autônomos em contextos financeiros ou militares (corridas armamentistas autônomas). A instabilidade financeira causada por algoritmos de negociação ultrarrápidos é outra vulnerabilidade identificada.
Oportunidades de Liderança e Conhecimento
A democratização do conhecimento através de tutores de IA globais pode elevar o padrão de vida em países em desenvolvimento. A aceleração da pesquisa científica em materiais sustentáveis e biotecnologia oferece uma chance única de resolver a crise climática e pandemias futuras.
Impactos nas Economias Nacionais e Geopolítica
A IA redefiniu a diplomacia tecnológica e a competição entre as grandes potências.
Economias Desenvolvidas vs. Em Desenvolvimento
Nas economias desenvolvidas, a IA é vista como solução para o envelhecimento populacional e a escassez de mão de obra. Já nas economias em desenvolvimento, como o Brasil, existe a oportunidade de leapfrogging tecnológico, pulando etapas de industrialização tradicional para uma economia de serviços inteligente. Contudo, o risco de reshoring — onde empresas trazem de volta fábricas e serviços automatizados para seus países de origem — ameaça os empregos de baixa qualificação no Sul Global.
Análise Geopolítica: O Triângulo Regulatório
A competição EUA-China-UE define o futuro da governança de IA. Os EUA priorizam a liderança tecnológica e o investimento privado maciço. A China foca no controle estatal, segurança nacional e harmonia social, com regulações estritas sobre conteúdo gerado por IA. A União Europeia, através do EU AI Act, estabelece um modelo baseado em risco, proibindo práticas inaceitáveis (como score social) e exigindo transparência total para sistemas de alto risco.
Impactos Corporativos Globais
A IA está redesenhando as barreiras de entrada e as vantagens competitivas no mundo empresarial.
Grandes Corporações: A Vantagem da Escala de Dados
As grandes empresas utilizam sua escala de dados para treinar modelos proprietários que são difíceis de replicar, criando fossos competitivos (moats). A transformação digital acelerada permite que essas organizações operem com margens de lucro superiores através da eficiência algorítmica.
PMEs e Startups: Agilidade vs. Dependência
PMEs enfrentam barreiras de entrada devido aos altos custos iniciais de infraestrutura. No entanto, a disponibilidade de modelos de código aberto e APIs de baixo custo permite que startups de nicho inovem rapidamente em áreas onde as grandes corporações são lentas. A dependência de plataformas de terceiros continua sendo um risco estratégico para esses atores menores.
Conclusão e Síntese
A inteligência artificial em 2025 é uma força ambivalente: um motor incomparável de produtividade e descoberta científica, mas também uma fonte de instabilidade social e desafios éticos sem precedentes. O balanço entre progresso e responsabilidade exige uma cooperação internacional sem precedentes e uma adaptação ágil de governos, empresas e indivíduos.
As lições das revoluções tecnológicas anteriores ensinam que a transição é dolorosa, mas o resultado final costuma ser um aumento na qualidade de vida e na riqueza das nações. Para que isso se repita, é imperativo que a IA seja desenvolvida com foco no ser humano (Human-centric AI), garantindo que os ganhos de eficiência não resultem em uma nova exclusão digital ou na perda da autonomia cognitiva.
Recomendações Estratégicas
Governos: Investir em infraestrutura de dados nacional e educação em IA desde os níveis básicos, garantindo soberania e preparação da força de trabalho.
Empresas: Adotar frameworks de IA Responsável desde o design, focando na transparência para construir confiança com stakeholders e mitigar riscos jurídicos.
Indivíduos: Desenvolver habilidades complementares à IA, como pensamento crítico, ética e colaboração humano-máquina, tornando-se "stewards de confiança" na nova economia.
O futuro plausível para 2030 não é de uma substituição total do humano, mas de uma sociedade aumentada, onde a colaboração entre a intuição biológica e o processamento sintético define o novo patamar da civilização global.
Referências citadas
1. The Economic Impact of Generative AI - MIT Initiative on the Digital Economy, https://ide.mit.edu/wp-content/uploads/2024/04/Davos-Report-Draft-XFN-Copy-01112024-Print-Version.pdf?x89601 2. The state of AI in 2025: Agents, innovation, and transformation - McKinsey, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai 3. PwC 2024 AI Business Predictions | HFTP, https://www.hftp.org/news/4120544/pwc-2024-ai-business-predictions 4. The state of AI - McKinsey, https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/2025/the-state-of-ai-how-organizations-are-rewiring-to-capture-value_final.pdf?utm_source=chatgpt.com 5. PwC's 2024 AI Jobs Barometer, https://www.pwc.de/de/workforce-transformation/pwc-ai-jobs-barometer-2024.pdf 6. 2024 AI Business Predictions: PwC, https://www.pwc.com/id/en/services/risk-assurance-services/data-analytics/2024-ai-business-predictions--pwc.html 7. A revolução da IA nas empresas brasileiras - ABES, https://abes.org.br/a-revolucao-da-ia-nas-empresas-brasileiras/ 8. Mercado brasileiro de TICs chegará US$ 96,5 bilhões em 2025, diz Abes/IDC - Mobile Time, https://www.mobiletime.com.br/noticias/31/07/2025/tic-brasileiro-usd-96-bi/ 9. Global Approaches to Artificial Intelligence Regulation, https://jsis.washington.edu/news/global-approaches-to-artificial-intelligence-regulation/ 10. O impacto energético pouco conhecido da IA - MIT Technology Review - Brasil, https://mittechreview.com.br/impacto-energetico-ia-inteligencia-artificial-data-centers/ 11. How Will AI Affect the Global Workforce? | Goldman Sachs, https://www.goldmansachs.com/insights/articles/how-will-ai-affect-the-global-workforce 12. MCTI anuncia revisão da Estratégia Brasileira de Inteligência Artificial - Instituto Federal de Goiás, https://www.ifg.edu.br/ultimas-noticias/37052-mcti-inteligencia-artificial 13. A Evolução da Inteligência Artificial (1956–2025): Fases Históricas e ..., http://mtc-m16c.sid.inpe.br/col/sid.inpe.br/mtc-m16c/2025/11.03.16.25/doc/Pinto2025.pdf 14. Inteligência artificial: definição, história e evolução - Ufinet | A rede que conecta você à América Latina, https://www.ufinet.com/pt-br/inteligencia-artificial-definicao-historia-e-evolucao/ 15. História da Inteligência Artificial (IA) - Tinbot Robótica, https://tinbot.com.br/blog/historia-da-inteligencia-artificial-ia/ 16. Linha do tempo de marcos da inteligência artificial - robsonbrandao, https://www.robsonbrandao.com/post/linha-do-tempo-de-marcos-da-intelig%C3%AAncia-artificial 17. Tendências: hardware recebe atualizações de IA em 2024 - IBM, https://www.ibm.com/br-pt/think/insights/trends-hardware-gets-ai-updates-2024 18. Computação Neuromórfica: Avanços em IA e Chips 2024 - FirstIgnite, https://firstignite.com/pt/exploring-the-latest-neuromorphic-computing-advancements-in-2024/ 19. Computação Neuromórfica: A Tecnologia Inspirada no Cérebro que Está Revolucionando a IA e Muito Mais - Bez Kabli, https://www.bez-kabli.pl/pt/computacao-neuromorfica-a-tecnologia-inspirada-no-cerebro-que-esta-revolucionando-a-ia-e-muito-mais/ 20. Transformers: funcionamento e benefícios - Alura, https://www.alura.com.br/artigos/transformers 21. Aprendizado por Reforço Multiagente: Uma Avaliação de Diferentes Mecanismos de Recompensa para o Problema de - Lume UFRGS, https://lume.ufrgs.br/bitstream/handle/10183/107123/000945587.pdf?sequence=1 22. Aprendizagem por reforço multi-agente quando os agentes não podem se comunicar, https://iaexpert.academy/2022/08/10/aprendizagem-multi-agente-quando-agentes-nao-podem-se-comunicar/ 23. [2212.11498] Scalable Multi-Agent Reinforcement Learning for Warehouse Logistics with Robotic and Human Co-Workers - arXiv, https://arxiv.org/abs/2212.11498 24. A Systematic Review on Knowledge Transfer in Multi-Agent Systems using Reinforcement Learning - Proceedings do Evento, https://sol.sbc.org.br/index.php/wesaac/article/download/37526/37308/ 25. Como os transformadores funcionam: Uma exploração detalhada da arquitetura do transformador | DataCamp, https://www.datacamp.com/pt/tutorial/how-transformers-work 26. Desvendando a Arquitetura Transformer na IA Moderna - C4 LAB, https://c4lab.com.br/arquitetura-transformer-explicacao/ 27. O que é um modelo de transformador? - IBM, https://www.ibm.com/br-pt/think/topics/transformer-model 28. AlphaFold descoberto: como a IA mapeia os blocos de construção da vida - Marvik.ai, https://www.marvik.ai/pt/blog/alphafold-uncovered-how-ai-maps-the-building-blocks-of-life 29. AlphaFold 3 predicts the structure and interactions of all of life's molecules - Google Blog, https://blog.google/innovation-and-ai/products/google-deepmind-isomorphic-alphafold-3-ai-model/ 30. A revolução silenciosa: como o AlphaFold redefiniu a biologia estrutural e abriu novas fronteiras na ciência - Cadernos UniFOA, https://unifoa.emnuvens.com.br/cadernos/article/download/5859/3735 31. AlphaFold 3: an unprecedent opportunity for fundamental research and drug development, https://pmc.ncbi.nlm.nih.gov/articles/PMC12342994/ 32. O que é IA empresarial? | IA para empresas - SAP, https://www.sap.com/brazil/resources/what-is-enterprise-ai 33. Inteligência Artificial vs Inteligência Humana - startandgo.pt, https://www.startandgo.pt/pubs/2024/sg45.pdf 34. Inteligência artificial em saúde - Jornal da USP, https://jornal.usp.br/wp-content/uploads/2024/05/3-Edson-Amaro.pdf 35. 25 anos após o Genoma Humano, IA lidera nova revolução médica - Medicina SA, https://medicinasa.com.br/ia-genoma-humano/ 36. Inteligência Artificial Na Saúde: 10 Exemplos E Benefícios, https://upflux.com.br/pt/blog/inteligencia-artificial-na-saude/ 37. cidades inteligentes e resiliência urbana: preparando-se para o futuro das mudanças climática - New Science, https://periodicos.newsciencepubl.com/arace/article/download/3929/5163/15162 38. IA Responsável e Cidades Inteligentes: tecnologia para o cidadão - Softplan, https://setorpublico.softplan.com.br/conteudos/cidades-inteligentes-ia/ 39. Cidades do Futuro.pdf - EduCAPES, https://educapes.capes.gov.br/bitstream/capes/736351/2/Cidades%20do%20Futuro.pdf 40. Panorama sobre Cidades Inteligentes no Brasil e no Mundo, https://indigo.org.br/wp-content/uploads/2024/08/Panorama-sobre-Cidades-Inteligentes-no-Brasil-e-no-Mundo-compactado.pdf 41. INTELIGÊNCIA ARTIFICIAL NEURO-SIMBÓLICA: ANÁLISE CRÍTICA E AGENDA DE PESQUISA, https://revistaft.com.br/inteligencia-artificial-neuro-simbolica-analise-critica-e-agenda-de-pesquisa/ 42. O futuro da IA e da eficiência energética - IBM, https://www.ibm.com/br-pt/think/insights/future-ai-energy-efficiency 43. Digital Week 2024 | Eficientização da IA na indústria de Energia - YouTube, https://www.youtube.com/watch?v=BLbLjIc1f54 44. IA Neurosimbólica: uma virada estratégica - The Shift, https://theshift.info/hot/ia-neurosimbolica-uma-virada-estrategica/ 45. ABES apresenta estudo sobre a inovação tecnológica nas Empresas Brasileiras, https://abes.org.br/abes-apresenta-estudo-sobre-a-inovacao-tecnologica-nas-empresas-brasileiras/ 46. Inteligência Artificial pode aumentar o PIB do Brasil em 13 pontos percentuais até 2035, https://blog.futago.ai/ia-industria/inteligencia-artificial-pode-aumentar-o-pib-do-brasil-em-13-pontos-percentuais-ate-2035 47. IMPACTO DA INTELIGÊNCIA ARTIFICIAL E DA AUTOMAÇÃO NO MERCADO DE TRABALHO | REVISTA CIENTÍFICA ACERTTE - ISSN 2763-8928, https://acertte.org/acertte/article/view/216 48. Impactos da inteligência artificial no mercado de trabalho em 2025 - Blog FIAP, https://www.fiap.com.br/radar-tech/post/impactos-da-inteligencia-artificial-no-mercado-de-trabalho-em-2025/ 49. Barômetro de empregos de inteligência artificial 2024 - PwC, https://www.pwc.com.br/pt/estudos/servicos/consultoria-negocios/2024/barometro-de-empregos-de-ia.html 50. Impactos do avanço da inteligência artificial no mercado de trabalho ..., https://ibre.fgv.br/blog-da-conjuntura-economica/temas/impactos-do-avanco-da-inteligencia-artificial-no-mercado-de 51. Da revolução industrial à era da IA: Como a tecnologia molda trabalhos - Migalhas, https://www.migalhas.com.br/depeso/422956/da-revolucao-industrial-a-era-da-ia-como-a-tecnologia-molda-trabalhos 52. AI regulation in the EU, the US and China: An NLP quantitative and qualitative lexical analysis of the official documents, https://jelt.padovauniversitypress.it/system/files/papers/JELT-2024-2-7.pdf 53. Will heavy AI spending continue - Goldman Sachs, https://www.goldmansachs.com/pdfs/insights/briefings/WillHeavyAISpendingContinue.pdf 54. The Evolving Regulatory Landscape for AI: A Comparison of the EU AI Act, US Framework, and China's Approach - Navirego, https://www.navirego.com/blog/ai-regulations-eu-us-china-comparison?utm_source=openai 55. What are the main AI business predictions for 2024 according to PwC? - UMU, https://www.umu.com/ask/q11122301573854276975 56. Observações do horizonte da inteligência artificial: modelando o impacto da IA na economia mundial - McKinsey, https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-modeling-the-impact-of-ai-on-the-world-economy/pt-BR 57. Preparing for compliance: Key differences between EU, Chinese AI regulations | IAPP, https://iapp.org/news/a/preparing-for-compliance-key-differences-between-eu-chinese-ai-regulations 58. Comparing the EU AI Act to Proposed AI-Related Legislation in the US, https://businesslawreview.uchicago.edu/online-archive/comparing-eu-ai-act-proposed-ai-related-legislation-us 59. 2024 Cloud and AI Business Survey - PwC, https://www.pwc.com/us/en/tech-effect/cloud/cloud-ai-business-survey.html 60. A Inteligência Artificial como Máquina a Vapor da Intelectualidade, https://www.usinadepesquisa.com/?p=6285 61. Estratégia Brasileira de Inteligência Artificial — Ministério da Ciência, Tecnologia e Inovação - Portal Gov.br, https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/estrategia-brasileira-de-inteligencia-artificial
Comentários
Postar um comentário