A bolha da IA generativa (ChatGPT e similares) estourou de vez. Calma! Quando você lê “Inteligência Artificial já era”, entenda: acabou o hype, não a tecnologia. Longe de ser um problema, isso abre novas oportunidades para pesquisadores que desejam usar Machine Learning em suas pesquisas.
Neste post, mostro como e por quê.
O que (de fato) aconteceu
Um relatório recente do MIT, publicado a 15 de agosto de 2025, trouxe um balde de água fria aos entusiastas corporativos da IA generativa: 95% dos projetos-piloto com essas aplicações em empresas estão fracassando ou parados, sem gerar resultados concretos.
Esse número não é um chute. O estudo se baseou em 150 entrevistas com líderes, uma pesquisa com 350 funcionários e a análise de 300 casos públicos de uso de IA. A conclusão foi clara: a tecnologia é promissora, mas o modo como ela está sendo aplicada não está funcionando.
Saiba mais: Qual a diferença entre Inteligência Artificial, Machine Learning e Deep Learning?
Onde está o problema?
Muita gente poderia imaginar que o problema é “a IA não funciona”. Mas não é isso. Os modelos são sofisticados e estão avançando rápido. Contudo, há um obstáculo central que, segundo o MIT, é o chamado “learning gap” — uma lacuna de conhecimento.
Em outras palavras: as pessoas estão tentando aplicar IA sem saber de fato como ela funciona ou como usá-la. Isso lembra a bolha da internet no início dos anos 2000, quando surgiam “especialistas em web” prometendo milagres, mas sem entregar soluções reais. Hoje, vemos algo parecido: “especialistas em IA” vendendo promessas vazias.
Assim como na bolha da internet, pode estar acontecendo um processo de inflação de expectativas.
Estude antes de usar!
E, no meu modo de ver, é positivo que essa bolha estoure mesmo: isso elimina projetos sem consistência e peneira o que de fato funciona, deixando espaço apenas para quem pretende fazer um uso sério e bem trabalhado dos algoritmos de Machine Learning. Incluindo na pesquisa científica.
Outro ponto levantado pelo MIT foi a má alocação de recursos, isto é, mais da metade do orçamento de IA generativa nas empresas está sendo gasto em marketing e vendas — na expectativa de ganhos rápidos de receita. Ou seja, IA para obter lucro o mais rápido possível, sem pensar no depois.
Mas os dados mostram que os melhores retornos estão em outra área: automação de processos internos. Isto é, onde a IA de fato faz alguma diferença: liberar o trabalhador de operações repetitivas, mecânicas e que não exigem grande inteligência ou criatividade, otimizando assim o trabalho.
Veja também: Qual é a diferença entre aprendizagem supervisionada e não supervisionada?
O que isso significa para pesquisadores brasileiros?
No caso de pesquisadores acadêmicos brasileiros, como já falamos em outro post, a automação que a IA promove se aplica sobretudo em pesquisas bibliográficas, revisões de literatura e redação científica, bem como formulação de hipóteses e testes.
O estudo do MIT identificou um padrão entre os 5% de projetos que deram certo: eles nasceram, em sua maioria, pequenos, como experimentos; começaram com um problema específico e real a ser resolvido; executaram com qualidade, partindo de conhecimento aprofundado de Machine Learning; e fizeram parcerias estratégicas com especialistas no domínio do problema e também na Computação necessária para resolvê-lo.
A partir desses achados, eis algumas recomendações para quem pensa em usar IA na pesquisa:
- Comece pequeno e com os pés no chão: Promessas grandiosas tendem a gerar frustração. Sendo assim, procure problemas reais e relevantes. Isto é, resolver um problema específico, ou um recorte, de sua pesquisa, com algoritmos apropriados para os seus dados, sem achar que uma IA generativa dará conta de fazer tudo para você. Spoiler: elas não dão.
- Aprenda primeiro, aplique depois: Compreender como funciona a Machine Learning é essencial antes de usar seus métodos e algoritmos em qualquer estudo.
- Parcerias contam: quem está avançando mais rápido não está sozinho, mas conectado a redes de colaboração. Redes em que fazem parte tanto especialistas no seu domínio de pesquisa quanto nas ferramentas computacionais, tais como a Machine Learning, para resolvê-lo.
Referência
Estrada, S. (2025, 18 de agosto). MIT report: 95% of generative AI pilots at companies are failing. Fortune. https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
Como citar este post
Reis, A. (2025, 27 de agosto). Inteligência Artificial já era! Entenda como isso é bom. Blog Psicometria Online. https://blog.psicometriaonline.com.br/inteligencia-artificial-ja-era-entenda-como-isso-e-bom
