Tao alerta contra corrida sem freios em IA — Brasil pode importar caixas-pretas sem base de verificação

Terence Tao, medalhista Fields e figura central da matemática contemporânea, usou seu discurso na conferência SAIR para pedir publicamente que as empresas de modelos de inteligência artificial parem de resolver problemas matemáticos. Segundo o relato, Tao afirmou que as companhias aceleram o desenvolvimento sem compreender as consequências de longo prazo e declarou: "É preciso desacelerar. Não há absolutamente nenhuma razão para tanta pressa". A mudança de tom é objetivamente mensurável: em março de 2026, o mesmo matemático recomendava publicamente que colegas adotassem IA em seus fluxos de trabalho, classificando a tecnologia como "pronta para o horário nobre" em matemática e física teórica, e descrevendo a área como palco de uma "revolução copernicana". Cédric Villani, também medalhista Fields, relatou ter entrado em choque ao ver a OpenAI resolver um Problema do Milênio, descrevendo o episódio como uma catástrofe para a matemática. Tao estruturou a crítica em cinco etapas do ciclo de vida de uma prova: propor a solução, verificação mecânica (como em Lean), trabalho de interpretação, revisão por pares e inclusão em livros didáticos. Os dados que ele apresenta indicam que a IA acelera apenas as duas primeiras etapas, deixando as três seguintes praticamente estagnadas — fenômeno que ele batizou de "proof indigestion", ou indigestão de provas. Os dois riscos apontados são a perda de criatividade dos matemáticos, uma vez que novas frentes surgem do esforço exploratório e não do salto direto à resposta, e a contaminação de dados, já que os modelos atuais foram treinados sobre séculos de produção humana e passam a gerar material que realimenta o próprio treino.

O impacto para o Brasil é indireto, mas concreto. A corrente de comércio entre Brasil e China opera na casa de US$ 150 bilhões anuais, sustentada por soja, minério de ferro, carne bovina e de frango, petróleo, celulose e, na direção oposta, eletrônicos, módulos solares, veículos elétricos, máquinas, componentes e fertilizantes. Essa cadeia já roda sobre modelos generativos: previsão de safra e de risco climático no agronegócio, análise de risco de crédito em bancos e fintechs, precificação de frete e de câmbio em tradings, manutenção preditiva em plantas industriais compradas de fornecedores chineses e gestão de demanda em plataformas de sourcing como Alibaba.com e Made-in-China. Empresas como Vale, Petrobras, JBS, Marfrig, Minerva e Amaggi, do lado brasileiro, e BYD, GWM, Huawei, Xiaomi e CATL, do lado chinês, já embutem camadas de IA em decisões que movimentam bilhões de reais por ano. O ponto sensível está na assimetria descrita por Tao: a capacidade de gerar resposta cresce mais rápido que a capacidade de verificá-la. No agronegócio de precisão, um modelo climático mal interpretado pode redefinir janelas de plantio; no crédito, um score inexplicável pode excluir produtores inteiros; na importação de equipamentos, um laudo técnico gerado por IA sem revisão humana transfere risco de engenharia para o comprador brasileiro. Os reguladores que precisam acompanhar esse movimento são o Banco Central, que já discute explicabilidade de modelos de IA no setor financeiro, o MCTI, à frente da Estratégia Brasileira de Inteligência Artificial, a ANPD, no campo da LGPD, além de CVM, SUSEP, CADE, MAPA e ANVISA em suas frentes setoriais. O BNDES e a Finep, por sua vez, são os instrumentos mais diretos para financiar a camada que falta — validação, auditoria e formação de pessoal qualificado.

Os dados indicam que a crítica de Tao não é uma rejeição da tecnologia, mas um diagnóstico de descompasso entre geração e absorção de conhecimento. O mesmo padrão aparece em ondas tecnológicas anteriores: a automação das tarefas visíveis avança antes da evolução dos processos de validação, auditoria e treinamento, e o custo dessa defasagem só se materializa anos depois, em forma de passivo técnico, regulatório e reputacional. Na avaliação do CBI, o sinal relevante para o empresário brasileiro não é a disputa acadêmica sobre problemas do milênio, e sim a confirmação de que o gargalo competitivo está migrando da capacidade de gerar respostas para a capacidade de interpretá-las e auditá-las. Trata-se de uma tendência de longo prazo, não de um ruído conjuntural: a corrida atual premia benchmarks e demonstrações de capacidade, enquanto a infraestrutura de conhecimento que sustenta inovação duradoura — revisão, documentação, formação de equipes, explicabilidade — permanece subfinanciada. Vale notar que a governança chinesa de IA, concentrada em regras de conteúdo e rotulagem, tampouco endereça esse problema de verificação formal de raciocínio. A implicação prática é que deve surgir, nos próximos ciclos, um mercado de "camada de verificação": auditoria de modelos, rastreabilidade de decisões, certificação de explicabilidade e consultoria de validação humana. Quem construir essa competência primeiro — inclusive no Brasil — captura valor; quem apenas consumir modelos prontos fica exposto à dependência de sistemas que resolvem problemas sem que ninguém na organização saiba explicar como. Na avaliação do CBI, a janela para construir essa competência é de dois a três anos, não de uma década.

Quem deve prestar atenção começa pelos importadores e distribuidores brasileiros de eletrônicos e componentes que compram de Shenzhen, Dongguan e Guangzhou e já usam modelos chineses embarcados em plataformas de sourcing para previsão de demanda, precificação e seleção de fornecedores — esses precisam de cláusulas contratuais de explicabilidade e trilhas de auditoria. Em seguida, as tradings agrícolas, frigoríficos e cooperativas exportadoras para a China, que dependem de modelos climáticos e de produtividade sem dispor de equipes capazes de validar os resultados. O terceiro grupo são bancos, fintechs e gestoras de recursos que já operam sob escrutínio do Banco Central e precisarão demonstrar explicabilidade de modelos de crédito e de mercado. O quarto perfil são as empresas de energia solar, infraestrutura e mobilidade elétrica que adquirem equipamentos chineses e fazem due diligence técnica apoiada em ferramentas automatizadas. Por fim, universidades, institutos de pesquisa e centros de formação — USP, Unicamp, IMPA, ITA, Embrapa — cuja decisão sobre adotar IA de forma acrítica ou com verificação estruturada definirá a base de talentos disponível para o setor produtivo na próxima década.

Os próximos passos a monitorar são específicos. Primeiro, o cronograma de consultas públicas e resoluções do Banco Central sobre explicabilidade e auditoria de modelos de IA no sistema financeiro, incluindo eventuais exigências de documentação de decisões automatizadas. Segundo, os editais do BNDES e da Finep voltados a IA aplicada com ênfase em validação humana, auditoria de modelos e formação de especialistas — vale acompanhar linhas como BNDES Mais Inovação e os programas de subvenção da Finep. Terceiro, a posição formal das universidades brasileiras, do CNPq e da Capes sobre uso de IA em pesquisa acadêmica e em avaliação de produção científica, que pode seguir o caminho da verificação ou o da adoção acrítica. Quarto, as iniciativas chinesas de governança de IA e o posicionamento de DeepSeek, Alibaba (Qwen) e ByteDance (Doubao) sobre verificação formal e rastreabilidade de raciocínio, que sinalizarão se a camada de auditoria será tratada como prioridade em Pequim. Quinto, o movimento dos reguladores setoriais brasileiros — ANPD sobre modelos generativos e LGPD, CVM sobre uso de IA por analistas e gestoras, MAPA e Embrapa sobre modelos climáticos —, cujas decisões definirão o custo real de operar com caixas-pretas no Brasil.