Há quem diga que a inteligência artificial é a nova eletricidade — uma tecnologia de propósito geral que transformará todos os setores. Mas e se a rede elétrica do país ainda estiver em falta? O artigo de Rafael Moia Filho no Congresso em Foco escancara um paradoxo incômodo: enquanto o mercado de IA projeta um futuro onipresente, o Brasil enfrenta taxas de analfabetismo funcional que beiram 30% e uma infraestrutura educacional que mal prepara jovens para o pensamento crítico. Essa desconexão não é apenas social — é um gargalo técnico que afeta diretamente a qualidade dos projetos de IA que implementamos.
Em minha experiência liderando projetos de automação e transformação digital em empresas brasileiras, o maior entrave raramente foi o modelo de machine learning. Foi, quase sempre, a base. Dados desestruturados, processos manuais sem documentação, e equipes que não sabiam diferenciar correlação de causalidade. A “desinteligência” que o autor menciona não é um xingamento — é um diagnóstico preciso de um ecossistema que ainda não desenvolveu as competências mínimas para sustentar a inteligência artificial que tanto almeja.
O abismo entre a promessa e a prateleira
Grandes fornecedores de tecnologia vendem IA como um produto plug-and-play: “conecte seus dados e obtenha insights”. A realidade é outra. Em um projeto recente de IA para previsão de demanda no varejo, passamos 70% do tempo tratando dados históricos inconsistentes, preenchendo lacunas causadas por registros manuais em papel. O modelo mais sofisticado do mundo não extrai sinal de ruído estatístico se os dados de entrada são um retrato fiel da desorganização. A falta de educação básica — no sentido de literacia de dados, capacidade de registrar e interpretar informações — transforma cada projeto de IA em uma obra de engenharia reversa do caos.
O artigo de Rafael Moia acerta em cheio ao conectar o problema educacional ao tecnológico. Não se trata de elitismo digital. Trata-se de reconhecer que a inteligência artificial, por mais poderosa que seja, depende de inteligência humana para ser concebida, alimentada e validada. Se a base educacional não forma profissionais capazes de pensar criticamente sobre o que os dados representam, o que teremos não é inteligência artificial, mas automação de vieses e erros em escala industrial.
Quando o dado é o ponto cego
Uma das lições mais duras que aprendi em projetos de IA corporativa é que a qualidade do dado não é um problema técnico resolvido com bibliotecas Python. É um problema de cultura organizacional e, em última análise, de educação. Em um país onde grande parte das empresas ainda mantém planilhas desnormalizadas e processos definidos em e-mails, a primeira etapa de qualquer implementação de IA é a alfabetização de dados. Isso inclui desde a definição de ontologias até a criação de rotinas de coleta com padrões mínimos de consistência.
O cenário brasileiro agrava esse quadro com desigualdades regionais profundas. Enquanto polos de inovação como São Paulo e Campinas têm acesso a profissionais com pós-graduação em ciência de dados, o interior do país — e muitas vezes a periferia das grandes cidades — carece de ensino médio com ênfase em raciocínio lógico. Isso não inviabiliza a IA, mas impõe um custo de transação elevado: treinamento intensivo, consultorias externas perenes e soluções que raramente se tornam autossustentáveis.
O trade-off entre avanço e inclusão
Muitos analistas sugerem que o Brasil deveria “pular etapas” e adotar IA diretamente, sem passar pelo longo processo de industrialização clássica. A ideia é sedutora, mas esbarra no mesmo problema: saltar etapas exige uma base de capital humano que não temos. Modelos de linguagem de grande escala (LLMs) podem até gerar texto em português, mas não conseguem ensinar um operador de logística a interpretar um gráfico de controle de qualidade se ele nunca aprendeu frações na escola.
A aplicação prática de IA no Brasil, portanto, exige um realismo que o mercado de tecnologia frequentemente ignora. Em vez de buscar a última fronteira dos modelos generativos, muitas empresas se beneficiariam mais de sistemas de regras bem projetados, dashboards interativos com visualização simples e ferramentas que automatizam tarefas repetitivas — mas que ainda exigem supervisão humana qualificada. O “grande pulo” não é tecnológico; é educacional.
O que engenheiros e gestores podem fazer agora
Com base em projetos reais, vejo três ações concretas que podem mitigar a desinteligência estrutural:
- Investir em alfabetização de dados como pré-requisito: antes de contratar uma plataforma de IA, crie um programa interno de letramento em dados, começando pela equipe que alimenta os sistemas. Ensine conceitos como viés de amostragem, limpeza de dados e interpretação de métricas básicas. Sem isso, qualquer modelo será um oráculo cego.
- Priorizar projetos de baixa complexidade e alto impacto: em vez de tentar prever o comportamento do consumidor com redes neurais profundas, automatize relatórios gerenciais ou a classificação de tickets de suporte. O ganho operacional é imediato e a curva de aprendizado é mais suave para a equipe.
- Estabelecer parcerias com instituições de ensino técnico: a formação de profissionais de IA não precisa começar nas universidades federais. Cursos técnicos de programação, estatística aplicada e ética em dados são mais acessíveis e podem formar a mão de obra que sustentará a base da pirâmide de IA no país.
Essas ações não substituem uma política educacional robusta, mas criam ilhas de competência que podem se expandir. Como engenheiro, entendo a frustração de ver o potencial da IA limitado por fatores extra-técnicos. Mas ignorar esses fatores é condenar os projetos ao fracasso e, pior, reforçar a desigualdade tecnológica.
Riscos de uma IA sem lastro social
Há um perigo concreto em acelerar a adoção de IA sem enfrentar a desinteligência de base: o agravamento da exclusão digital. Sistemas de IA que exigem alto grau de letramento para serem usados ou criticados tendem a concentrar poder nas mãos de quem já domina a tecnologia. No Brasil, isso pode significar a criação de uma casta de profissionais de IA que fala uma língua incompreensível para o resto da organização, gerando resistência, retrabalho e, em casos extremos, decisões enviesadas que afetam milhões de pessoas.
Além disso, a dependência de soluções importadas — como modelos de linguagem treinados em inglês — pode levar a uma Inteligência Artificial que não compreende o contexto local, suas nuances culturais e suas regulações. A LGPD, por exemplo, exige que decisões automatizadas sejam explicáveis, mas como explicar um modelo de caixa-preta se o time de negócios não tem formação em estatística? A desinteligência vira um risco legal e reputacional.
Perspectiva pessoal: o papel do engenheiro de IA
Não acredito que devemos parar de investir em IA até que a educação básica se resolva — isso seria um erro de timing e estratégia. Mas acredito que temos a responsabilidade de fazer a ponte. O engenheiro de IA no Brasil precisa ser também um educador, um tradutor de conceitos e um designer de interfaces que considerem o usuário real. Isso significa, por exemplo, construir dashboards que não exijam conhecimento de regressão linear para serem interpretados, ou criar fluxos de validação que incluam a revisão humana em pontos críticos.
O artigo de Rafael Moia nos lembra que a tecnologia não existe no vácuo. A inteligência artificial que implementamos em 2025 será o reflexo direto da inteligência — ou da desinteligência — que cultivamos como sociedade. Cabe a nós, que atuamos na linha de frente da transformação digital, garantir que os avanços não sejam apenas privilégio de quem já tem a base, mas sim uma ferramenta de inclusão real. Esse é o verdadeiro teste de maturidade da IA no Brasil.