IA como tecnologia normal: menos magia, mais operação

Eu concordo com o centro da tese de Arvind Narayanan e Sayash Kapoor. Tratar IA como tecnologia normal não diminui sua importância. Ele devolve a responsabilidade para quem escolhe, implanta e governa a tecnologia.

Em uma frase

Uma IA poderosa só produz valor econômico quando cruza três pontes: capacidade do modelo, aplicação no processo e difusão na organização.

Qual pergunta o ensaio tenta responder?

Narayanan e Kapoor perguntam como podemos pensar o futuro da IA sem cair em dois extremos: a salvação automática e a catástrofe conduzida por uma inteligência quase humana. Publicado em 15 de abril de 2025, o texto tem mais de 15 mil palavras e apresenta uma visão de mundo, não um teste científico.

Os autores fazem uma distinção que deveria aparecer em toda reunião de estratégia. Invenção é criar um método ou ampliar a capacidade de um modelo. Aplicação é transformar essa capacidade em um produto utilizável. Adoção é uma pessoa ou empresa decidir usá-lo. Difusão é o uso se espalhar até mudar rotinas, instituições e resultados.

Essas etapas não acontecem na mesma velocidade. Um modelo pode melhorar numa terça-feira. Uma empresa regulada pode levar meses para aprovar um caso de uso, integrar dados, treinar pessoas e definir quem responde por um erro. O intervalo não é atraso acidental. Ele faz parte da tecnologia real.

Essa leitura se conecta ao meu texto sobre como um piloto de IA precisa mudar uma decisão. A pergunta útil não é “a IA consegue fazer?”. É “o sistema inteiro consegue repetir, verificar e sustentar?”.

Quem são os autores e de onde vem a ideia?

Arvind Narayanan é professor de Ciência da Computação em Princeton. Sayash Kapoor pesquisa os impactos sociais da inteligência artificial e trabalha com Narayanan no projeto AI Snake Oil. As credenciais ajudam a localizar o argumento, mas não o tornam verdadeiro por autoridade.

O ponto forte está na comparação com tecnologias de propósito geral, como eletricidade, computadores e internet. Todas mudaram economias e sociedades. Nenhuma produziu seu impacto apenas porque uma capacidade técnica apareceu. Foi preciso complementar a invenção com infraestrutura, normas, produtos, treinamento e reorganização do trabalho.

A Organização para a Cooperação e Desenvolvimento Econômico chegou a uma conclusão compatível em um working paper de junho de 2025: a IA generativa tem sinais de tecnologia de propósito geral, como presença em vários setores, melhoria contínua e capacidade de estimular novas inovações. A própria OCDE ressalva que os ganhos amplos de produtividade podem demorar e dependem de políticas e implementação.

Qual é o argumento central de AI as Normal Technology?

Eu reconstruo o argumento em quatro movimentos.

• Capacidade não é impacto. Um benchmark mede o que um sistema consegue fazer em condições definidas. Ele não prova que uma empresa conseguirá encaixar o sistema em dados, responsabilidades e exceções do cotidiano.
• Adoção tem limites sociais e organizacionais. Em áreas críticas, confiança, regulação e responsabilidade tornam a difusão mais lenta. Isso vale para saúde, finanças, contratação e qualquer processo em que uma resposta errada muda a vida de alguém.
• Pessoas e organizações continuam no controle. Mesmo com sistemas mais capazes, alguém define objetivos, permissões, métricas e condições de parada. Eu vejo esse ponto na prática como governança do desenho, não como um botão de emergência colocado no fim.
• Riscos precisam de respostas institucionais. Acidentes, abuso, concentração de poder, corrida competitiva e falhas de incentivo pedem resiliência, descentralização, registro de incidentes e responsabilização.

Que evidências sustentam a tese em 2026?

O ensaio usa história da tecnologia, teoria de difusão e estudos de casos. Ele não apresenta amostra experimental, baseline ou estimativa causal própria. Por isso, eu o trato como uma lente que precisa ser confrontada com dados recentes.

O capítulo econômico do AI Index 2026, de Stanford, ajuda nesse confronto. O relatório informa que 88% das organizações pesquisadas usavam IA em 2025 e 70% usavam IA generativa em pelo menos uma função. Ao mesmo tempo, a implantação de agentes permanecia em dígitos baixos em quase todas as funções empresariais.

Essa diferença sustenta parte da tese. Usar um chatbot em algum ponto da empresa é muito diferente de permitir que um agente atravesse sistemas e conclua trabalho. A primeira adoção pode ser rápida. A difusão capaz de reorganizar a operação é mais lenta.

O mesmo relatório reúne ganhos de 14% a 15% em atendimento, 26% em desenvolvimento de software e 50% na produção de marketing. Os resultados são maiores em tarefas estruturadas, mensuráveis e fáceis de verificar. Eles ficam menores quando a tarefa exige raciocínio mais profundo. Os percentuais vêm de estudos com métodos e contextos diferentes, portanto não devem ser somados nem tratados como promessa para qualquer empresa.

Um estudo de campo do National Bureau of Economic Research com 5.172 profissionais de atendimento encontrou aumento médio de 15% nos problemas resolvidos por hora após o acesso a um assistente generativo. O ganho foi heterogêneo: profissionais menos experientes se beneficiaram mais. Esse dado mostra que impacto real existe, mas depende da tarefa, do desenho do trabalho e do perfil de quem usa.

O que a obra não prova?

O texto não prova que toda transformação será lenta. O AI Index 2026 registra que a IA generativa chegou a 53% de adoção em três anos, mais rápido do que computador pessoal ou internet segundo a metodologia usada. Produtos digitais podem se espalhar quase instantaneamente, mesmo quando a mudança institucional fica para depois.

Também não prova que saltos de capacidade são impossíveis. Os autores apresentam uma previsão mediana e reconhecem que não atribuem probabilidades formais aos cenários. Essa é uma limitação importante: uma visão de mundo organizada pode continuar errada sobre a velocidade do próximo avanço.

Por fim, a analogia histórica tem limite. IA produz linguagem, código e decisões em uma escala que afeta informação e coordenação diretamente. Compará-la à eletricidade ajuda a enxergar complementos e difusão. Não resolve sozinho questões de segurança, concentração, fraude ou dependência cognitiva.

Minha análise: as três pontes que um projeto de IA precisa cruzar

Minha contribuição é transformar a distinção do ensaio em um teste executivo. Eu chamo de três pontes.

• Ponte da capacidade: o modelo consegue executar a tarefa? A prova mínima é um teste com casos reais e baseline humano ou do sistema atual.
• Ponte da aplicação: o produto funciona dentro do processo? A prova mínima inclui integração, permissões, exceções e leitura do estado final.
• Ponte da difusão: o time adota e o resultado se sustenta? A prova mínima combina uso recorrente, qualidade, custo completo e responsável nomeado.

Uma demonstração costuma cruzar apenas a primeira ponte. O modelo resume um contrato, escreve um email ou classifica um chamado. A plateia vê a resposta e conclui que a transformação aconteceu.

A segunda ponte é menos fotogênica. O contrato certo precisa chegar ao sistema, dados sensíveis precisam de limite, exceções precisam de rota e a saída precisa voltar para onde o trabalho continua. É por isso que agentes duráveis importam: a tarefa real pausa, falha e retoma.

A terceira ponte é onde o resultado econômico aparece ou desaparece. Se ninguém confia, se a revisão custa mais do que a economia ou se o erro não tem dono, a capacidade existe e o valor não. Aqui entram controles de automação, treinamento e métricas que contabilizam correção e retrabalho.

Eu concordo com os autores porque essa leitura combate o determinismo. Discordo apenas quando “normal” corre o risco de soar lento demais. A distribuição de software é rápida; o impacto organizacional é que encontra atrito. As duas coisas podem ser verdade ao mesmo tempo.

Como aplicar esta ideia na próxima semana?

Escolha um único fluxo em que a equipe já usa IA, como responder solicitações, preparar propostas ou revisar documentos. Não compre outra ferramenta ainda.

No primeiro dia, registre a tarefa atual: volume, tempo, taxa de correção e responsável. Esse é o baseline. Sem ele, qualquer ganho vira impressão.

Depois, teste as três pontes com dez a trinta casos reais e não sensíveis. Meça se o modelo entrega, se a saída entra no processo e se alguém consegue verificar o estado final. Inclua o tempo de revisão no custo.

Continue apenas se qualidade e tempo total melhorarem sem esconder risco. Se a capacidade passar e a aplicação falhar, corrija integração e permissões. Se as duas primeiras passarem e a difusão falhar, o problema é desenho do trabalho, não falta de inteligência no modelo.

Essa sequência parece menos emocionante do que anunciar “IA em toda a empresa”. Também oferece uma chance muito maior de terminar a semana com evidência.

Perguntas rápidas

O que significa dizer que IA é uma tecnologia normal?

Significa tratar a IA como uma ferramenta poderosa cujo impacto depende de aplicações, pessoas, empresas, normas e infraestrutura. “Normal” não quer dizer pequena ou inofensiva. Eletricidade e internet também são tecnologias normais e transformaram a sociedade.

AI as Normal Technology é um paper científico revisado por pares?

Não. É um ensaio argumentativo publicado por Arvind Narayanan e Sayash Kapoor em 15 de abril de 2025. Ele organiza evidências e uma visão de mundo, mas não apresenta um experimento causal próprio nem deve ser lido como consenso científico.

A tese diz que a inteligência artificial não vai eliminar empregos?

Não. Ela diz que mudanças no trabalho dependem da adoção e da reorganização de empresas e instituições, não apenas da capacidade do modelo. Funções e tarefas podem mudar em ritmos diferentes, com ganhos e perdas distribuídos de forma desigual.

Como saber se um projeto de IA saiu da demonstração?

Eu verificaria três provas: desempenho em casos reais contra um baseline, funcionamento dentro do processo com leitura do estado final e uso recorrente com qualidade, custo e responsável definidos.

Vale a pena ler a obra completa?

Sim, especialmente para líderes, investidores e formuladores de política cansados de previsões absolutas. A limitação é o formato: são mais de 15 mil palavras e uma tese de interpretação, não um estudo experimental.

Fontes e data de corte

Dados verificados em 7 de agosto de 2026. Fonte original: AI as Normal Technology, de Arvind Narayanan e Sayash Kapoor, publicado em 15 de abril de 2025. Contexto e contraste: AI Index Report 2026, capítulo Economy, OECD sobre IA generativa como tecnologia de propósito geral e Generative AI at Work, do NBER.

Eu estudo ideias como esta porque a conversa sobre IA só fica útil quando sai da profecia e entra na decisão. Se você quer levar esse debate para líderes e equipes, conheça minhas palestras sobre inteligência artificial. Se prefere receber uma análise como esta toda semana, assine minha newsletter no Substack.