A História da IA Generativa: de Turing ao ChatGPT

Atualizado em outubro/2026.

O que você vai aprender aqui

• A história da IA Generativa tem oito décadas de pesquisa antes do ChatGPT, da máquina que quebrou a Enigma na Segunda Guerra ao paper Attention Is All You Need, em 2017.
• A inteligência artificial surgiu em 1956, na Conferência de Dartmouth. O termo vem de John McCarthy, que o escreveu na proposta do workshop, em agosto de 1955.
• O ChatGPT popularizou a tecnologia em novembro de 2022, mas hoje o cenário é um trio: ChatGPT (OpenAI), Gemini (Google) e Claude (Anthropic), com Microsoft Copilot no centro corporativo.
• O campo se organiza em quatro tipos de IA: Preditiva, Generativa, Agêntica e Física. Cada uma resolve um tipo diferente de problema.
• Conto também onde a minha própria trajetória, que começou em 1990, cruza com essa história, do Deep Blue ao ChatGPT.

Este artigo é um recorte do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude, best seller na Amazon. O capítulo 1 conta essa história com mais profundidade, incluindo a analogia completa entre a IA Generativa e a chegada do automóvel.

A IA que você já usava sem perceber

Antes de virar pauta de CEO, tema de palestra e assunto obrigatório em todo treinamento corporativo, a inteligência artificial já estava trabalhando por você, em silêncio.

Quando o Netflix sugeria uma série que você terminou de maratonar num fim de semana, era IA. Quando o Spotify montava uma playlist que parecia escolhida por alguém que te conhece há anos, era IA. Quando o Gmail filtrava dezenas de spams sem que você percebesse, era IA. Esse tipo de IA tem nome: IA Preditiva. Ela aprende padrões históricos para prever e classificar dentro de um domínio específico, e trabalha para sistemas, não para pessoas.

Você não conversa com ela. Não a instrui. Não decide o que ela faz.

Isso mudou. A origem dessa mudança começa oito décadas antes do ChatGPT.

Oito décadas de construção silenciosa

O ChatGPT parece ter surgido do nada, em novembro de 2022. Por trás dele há oito décadas de pesquisa, interrompidas por duas fases de corte de investimento, os invernos da IA. A história começa por uma pergunta que tem data.

Quando surgiu a inteligência artificial?

A inteligência artificial surgiu em 1956, na Conferência de Dartmouth, um workshop de verão organizado por John McCarthy com Marvin Minsky, Nathaniel Rochester e Claude Shannon. O nome inteligência artificial aparece por escrito um ano antes, na proposta do workshop, datada de 31 de agosto de 1955, e o encontro de 1956 é considerado o evento fundador do campo.

Dartmouth deu nome ao campo, e o campo já tinha pesquisa acumulada. Para entender o que os organizadores tinham à mão naquele verão, a história volta dezessete anos, a 1939, em tempo de guerra.

De 1939 a 1950: guerra, neurônio e uma pergunta

Em 1939, em uma casa de campo chamada Bletchley Park, ao norte de Londres, Alan Turing começa a projetar a Bombe, máquina eletromecânica criada para quebrar a Enigma, com a qual as forças alemãs cifravam suas mensagens secretas. O projeto parte do trabalho dos matemáticos poloneses Rejewski, Różycki e Zygalski, que já tinham quebrado a Enigma nos anos 1930 e repassaram seus métodos e uma réplica da máquina a britânicos e franceses em julho de 1939, poucas semanas antes do início da guerra.

Os poloneses não chegaram a trabalhar em Bletchley Park ao lado de Turing: a colaboração aconteceu por documento, meses antes, e a Bombe britânica nasce como evolução direta do que eles já tinham construído na Polônia.

A Bombe encurtou a Segunda Guerra em estimados dois anos e é creditada por salvar cerca de 14 milhões de vidas. É o primeiro caso documentado de uma máquina tomando decisões baseadas em cálculo estatístico para resolver um problema que humanos, sozinhos, não conseguiam resolver em tempo hábil.

Quem já assistiu O Jogo da Imitação (2014), com Benedict Cumberbatch no papel de Turing, conhece essa história: é um filme muito bom, que gostei de assistir, mas que deixa de fora justamente essa contribuição polonesa anterior, como se a Bombe tivesse nascido só da genialidade britânica.

Enquanto a Bombe tratava de um problema de guerra, dois pesquisadores nos Estados Unidos tratavam de um problema de biologia com ferramentas de matemática. Em 1943, Warren McCulloch e Walter Pitts publicam o primeiro modelo matemático de neurônio artificial, a peça técnica sobre a qual as redes neurais seriam construídas décadas depois.

Terminada a guerra, Turing formula a pergunta que o campo passaria a perseguir. Em 1950, publica Computing Machinery and Intelligence, o artigo que propõe o Teste de Turing, um jogo em que uma pessoa tenta descobrir se conversa com uma máquina ou com outra pessoa. No mesmo texto, apresenta a ideia da “máquina criança”, um sistema que aprende por exposição em vez de ser programado linha a linha: “Em vez de tentar produzir um programa que simule a mente adulta, por que não tentar produzir um que simule a mente de uma criança? Se esse programa fosse então submetido a um processo adequado de educação, obteríamos a mente adulta.” É o embrião conceitual do aprendizado de máquina moderno, a mesma lógica que décadas depois treinaria os modelos de linguagem de hoje.

De 1951 a 1993: um nome, um caminho e dois invernos

Em 1951, Marvin Minsky constrói o SNARC, a primeira rede neural implementada em hardware, ainda rudimentar.

Em 1954, o experimento Georgetown-IBM traduz sessenta frases do russo para o inglês e acende o sonho da tradução automática.

Em 1956, acontece o workshop de Dartmouth que abriu esta seção: dois meses de verão em que a pesquisa em máquinas inteligentes ganha o nome comum que McCarthy escrevera na proposta de 1955. O termo Inteligência Artificial vira o nome oficial do campo.

Em 1958, Frank Rosenblatt desenvolve o Perceptron, o primeiro algoritmo prático de aprendizado supervisionado.

Em 1966, o chatbot ELIZA, desenvolvido por Joseph Weizenbaum no MIT, simula uma psicoterapeuta com regras simples e engana usuários pela primeira vez.

Entre 1974 e 1980, e de novo entre 1987 e 1993, o campo atravessa o que ficou conhecido como os invernos da IA: os resultados não acompanharam a expectativa, o financiamento secou e o interesse comercial recuou. O padrão importa para hoje: toda onda de euforia com IA, a atual incluída, carrega o risco do mesmo ciclo de decepção quando a expectativa corre na frente da entrega.

Bem no meio desse intervalo, em 1986, o pesquisador Michael Jordan propõe uma das primeiras redes neurais recorrentes, capazes de reter uma espécie de memória de curto prazo entre uma entrada e a seguinte, um primeiro passo rumo a entender contexto. É o início de uma linha de pesquisa que mostra que sequências de linguagem podem ser modeladas, mas esbarra num limite conhecido: esquece dependências de longo prazo, quando o significado de uma palavra depende de algo dito muito antes no texto.

De 2012 a 2020: dados, placas de vídeo e atenção

Em 2012, chega a demonstração que reacende o campo definitivamente. Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, da Universidade de Toronto, apresentam a AlexNet, uma rede neural convolucional que vence disparado o desafio de reconhecimento de imagens ImageNet, o banco de dados de milhões de imagens rotuladas que a pesquisadora Fei-Fei Li criou em 2009 justamente para tornar esse tipo de teste possível. Treinada em duas placas de vídeo comuns, a AlexNet prova que redes neurais profundas, com dados em escala e poder de GPU, resolviam problemas que os métodos anteriores não resolviam. Começa ali a era do deep learning (aprendizado profundo) que sustenta tudo o que vem depois.

Em 2013, os pesquisadores Diederik Kingma e Max Welling publicam os autoencoders variacionais (VAEs), os primeiros modelos generativos profundos capazes de criar imagens e fala realistas, ainda com menos nitidez do que viria depois.

Em 2014, chega o salto que a maior parte dos pesquisadores aponta como o nascimento da IA generativa moderna. O pesquisador Ian Goodfellow publica as GANs, Redes Adversárias Generativas: uma arquitetura que coloca duas redes neurais para competir entre si, uma gerando conteúdo fictício, a outra avaliando se ele é real ou falso. Pela primeira vez, uma máquina cria imagens realistas, e deepfakes (vídeos e imagens falsos gerados por IA), do zero, ainda restrita a imagens e sem a fluência de linguagem que viria depois.

Em março de 2016, o AlphaGo, do Google DeepMind, vence o campeão mundial Lee Sedol por 4 a 1 numa partida de Go transmitida ao vivo para mais de 200 milhões de pessoas. Go tem mais posições possíveis do que átomos no universo observável, e especialistas esperavam que uma máquina só vencesse um humano no jogo daqui a uma década. O AlphaGo foi o primeiro momento de IA a dominar a conversa pública em escala global antes do ChatGPT. Quem quiser essa história contada por dentro, o documentário The Thinking Game, do Google DeepMind, está disponível de graça no YouTube.

O princípio de entender contexto que as redes recorrentes já esboçavam em 1986 seria aperfeiçoado só em 2017, com o paper Attention Is All You Need, da equipe do Google. Ele apresenta a arquitetura Transformer, que substitui as redes recorrentes por um mecanismo de atenção capaz de processar textos longos em paralelo, sem perder o fio da meada mesmo em trechos extensos. Sem Transformers, não haveria ChatGPT, Gemini ou Claude.

Em 2018, chega o BERT, do Google, um dos primeiros grandes modelos de linguagem (LLMs) a demonstrar a escala que o Transformer tornou possível.

O GPT (Generative Pre-trained Transformer, a arquitetura que a OpenAI treina sobre a base do Transformer) ganha a versão GPT-2 em 2019 e GPT-3 em 2020. O salto de escala do GPT-3, com 175 bilhões de parâmetros, já indicava que algo diferente estava se formando. Ainda assim, era pesquisa de laboratório, pouco acessível ao público final.

Onde eu entro nessa história

Comecei a estudar computação em 1989, num Apple IIe. Em 1990, já trabalhava como programador, mas só fui ouvir falar de inteligência artificial anos depois, quando o Deep Blue, da IBM, venceu o campeão mundial de xadrez Garry Kasparov, em 1997.

Como empreendedor com influência em tecnologia nas redes sociais, comecei a ser convidado para cobrir eventos do setor. Em 2015, fui ao IBM InterConnect, em Las Vegas, que reuniu mais de 20 mil participantes e mostrava os avanços que a empresa vinha construindo em inteligência artificial.

Em 2017, acompanhava pelo noticiário o avanço do TensorFlow, o framework (conjunto de bibliotecas) de aprendizado de máquina do Google que naquele ano lançou sua versão 1.0, estável e pronta para produção: pela primeira vez, programadores sem formação em aprendizado de máquina conseguiam criar aplicações de IA.

No mesmo ano, fui convidado a cobrir o Google Cloud Summit, em São Paulo, e organizei um workshop na ESPM no qual eu já apresentava os primeiros modelos de inteligência artificial escrevendo notícias, como o Heliograf, do Washington Post, usado desde 2016 para cobrir eleições e Olimpíadas. Ficou claro ali que o uso da inteligência artificial ia se acelerar.

Em 2018, já na Digital House, desenvolvi cursos de inteligência artificial em parceria com grandes empresas que já adotavam a tecnologia aqui no Brasil. A Covid interrompeu esses planos em 2020.

Em 2022, decidi voltar minhas energias para a educação, em vez de continuar empreendendo. Eu já vinha acompanhando os casos de uso da inteligência artificial generativa desde uma palestra que assisti no SXSW, no começo daquele ano, quando o GPT já circulava como tecnologia de pesquisa antes de virar produto de consumo. O ChatGPT foi lançado em 30 de novembro de 2022, e criei minha conta seis dias depois, em 6 de dezembro: já sabia, por essa bagagem, que aquilo prometia um impacto gigante, e essa antecipação me ajudou a aproveitar a nova onda desde a explosão comercial dela.

Hoje, essa mesma história dá o pano de fundo aos treinamentos de IA que conduzo para grandes organizações: entender de onde a tecnologia veio muda como as equipes decidem onde aplicá-la agora.

O dia em que a caixa se abriu

Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT como uma demo pública e gratuita. Em dois meses, o produto alcançou 100 milhões de usuários, a base de usuários de crescimento mais rápido da história até então. Colocado ao lado de outras tecnologias, o salto fica mais claro em duas corridas diferentes, a de 100 milhões e a de 1 bilhão de usuários:

Tecnologia	Até 100 milhões de usuários	Até 1 bilhão de usuários
Telefone fixo (1876)	75 anos	124 anos
Celular (1973)	16 anos	29 anos
iPhone (2007)	3,6 anos	9 anos (vendas acumuladas)
Instagram (2010)	2,5 anos	8 anos
TikTok (2016)	9 meses	5 anos
ChatGPT (2022)	2 meses	cerca de 3,5 anos (estimativa Sensor Tower, não auditada pela OpenAI)

Os números de telefone, celular e iPhone vêm de bases diferentes (vendas acumuladas, não usuários ativos), então servem mais para mostrar a direção da curva do que para comparação centavo a centavo. Ainda assim, a direção é inequívoca: a partir do celular, cada tecnologia nova aproveitou a infraestrutura e o hábito criados pela anterior para chegar mais rápido, e o ChatGPT comprimiu num par de meses o que o telefone fixo, sem nada parecido para se apoiar, levou uma vida inteira para alcançar.

O recorde de 100 milhões, porém, não pertence ao ChatGPT. Em 2016, o Pokémon GO chegou lá em cerca de 25 dias, mais rápido que o ChatGPT e sem herdar a base de nenhuma outra plataforma: cresceu só com o reconhecimento da marca Pokémon e a novidade da realidade aumentada.

Meses depois do ChatGPT, o recorde caiu de novo: o Threads, da Meta, chegou a 100 milhões em cinco dias, mas essa comparação pede ressalva, porque o Threads nasceu conectado à base de mais de dois bilhões de usuários do Instagram: bastava um toque para migrar a conta já existente. O ChatGPT não teve nem o público fiel de um jogo querido, nem a base pronta de uma rede irmã. Partiu do zero e chegou perto da mesma escala só com a utilidade que entregava.

Por que ficou, quando tanta outra promessa tecnológica não ficou? Uma analogia ajuda a explicar. Quando o automóvel surgiu, os primeiros entusiastas tentavam explicá-lo como “uma carroça sem cavalo”, uma descrição que capturava a aparência, mas deixava de fora o sistema por trás dela: o motor a combustão exigia estradas asfaltadas, postos de combustível, mecânicos e placas, uma infraestrutura inteira que a carroça nunca tinha demandado.

O metaverso, a onda tecnológica anterior à IA Generativa, repetiu o erro oposto: exigia hardware caro, ambiente dedicado e resolvia muito poucos problemas reais do dia a dia, como se fosse possível vender a estrada sem primeiro entregar o carro.

A IA Generativa fez o caminho certo. Chegou em forma de texto dentro de um campo de chat. Qualquer pessoa com um navegador podia usar, e resolvia problemas concretos de escrita, análise e criação desde o primeiro minuto. O atrito era quase zero, o valor apareceu na primeira sessão, como o motor que já vem de fábrica sabendo rodar.

O risco, é claro, é operar essa nova capacidade com os hábitos da anterior: colocar o cavalo para dirigir o carro. O cavalo sempre foi o responsável pelo transporte, a lógica parece fazer sentido, mas o carro não foi projetado para ter um cavalo no comando. Quem usa a IA Generativa sem entender o que mudou automatiza processos ruins em vez de redesenhá-los, produz volume sem critério em vez de elevar a qualidade.

O ChatGPT popularizou a categoria, mas rapidamente deixou de ser o único protagonista.

De um produto único a um trio

Nos anos seguintes, o cenário se consolidou em três empresas com três apostas estratégicas distintas.

Anthropic, fundada por ex-pesquisadores da OpenAI, aposta em qualidade de linguagem, raciocínio estruturado e uso corporativo. O Claude ganhou tração especialmente em tarefas de escrita longa, análise de documentos e integrações profundas com Microsoft 365 e com o ecossistema corporativo via recursos como Cowork, Projects e Skills.

Google aposta na integração com seu ecossistema. O Gemini nasceu do antigo Bard e foi reconstruído para conversar com Gmail, Docs, Sheets, Drive, Meet e YouTube. Além do modelo de linguagem, o Google empacotou Veo para vídeo, Lyria para música, Nano Banana para geração e edição de imagem e o NotebookLM, referência para pesquisa com fontes controladas.

OpenAI manteve o ChatGPT como plataforma mais versátil e com o ecossistema mais amplo de GPTs customizados. O produto agregou voz, execução de código no chat, multimodalidade, agentes e uma espécie de loja de GPTs customizados.

Em paralelo, a Microsoft construiu o Copilot como camada de IA dentro do Office 365 e do Windows. Desde setembro de 2025, a Microsoft passou a oferecer modelos da Anthropic ao lado dos modelos da OpenAI dentro do Copilot, reduzindo a dependência de um fornecedor único. Para o profissional corporativo, é onde a IA encontra o fluxo de trabalho real.

No lado open source (código aberto), o cenário mudou nos últimos meses. Por anos, o Llama, da Meta, foi sinônimo de IA aberta, mas a guinada estratégica da empresa para modelos proprietários abriu espaço para outros nomes: Reflection AI, DeepSeek e Qwen disputam hoje o papel de modelo aberto de fronteira.

Para o comparativo operacional detalhado entre ChatGPT, Gemini e Claude, incluindo quando escolher cada um, tipos de plano e recursos de personalização, leia o post Como fazer um prompt no ChatGPT, Gemini e Claude.

IA Preditiva, IA Generativa, IA Agêntica e IA Física: os quatro tipos de IA

Confundir os quatro é o erro conceitual mais comum. Uso uma frase de resumo em treinamentos que ajuda a fixar a diferença: a Preditiva trabalha para sistemas, a Generativa trabalha para você, a Agêntica trabalha por você, e a Física trabalha no mundo.

IA Preditiva é a IA que você já usava sem perceber, como vimos no começo deste texto: filtros de spam, recomendações, detecção de fraude, previsão de churn (cancelamento de clientes). Ela classifica, prevê e otimiza com base em dados históricos, e funciona em silêncio, dentro de sistemas que não têm cara de IA. Está nas fábricas há anos, e convive com a Generativa em vez de ser substituída por ela.

IA Generativa é a que cria conteúdo novo: texto, imagem, áudio, vídeo, código. É o que o ChatGPT, o Gemini e o Claude fazem. Ela não decide sozinha o que fazer. Responde a um pedido, o prompt, e devolve um artefato.

IA Agêntica é a camada que começou a se popularizar mais recentemente. Em vez de responder a um prompt e parar, o agente recebe um objetivo e executa vários passos sozinho: pesquisa, compara, preenche, envia, confere. Detalhei como preparar uma empresa para ser bem interpretada por esses agentes no post Engenharia de contexto para agentes de IA.

IA Física é a fronteira que ainda está se formando. Em vez de agir dentro de uma tela, ela entende e age no espaço físico: robôs humanoides como os da Figure, veículos autônomos como os da Waymo, e os modelos de mundo que dão a esses sistemas uma representação do ambiente ao redor. É a camada que mais desperta apreensão em executivos de manufatura e logística, exatamente porque desloca a IA da tela para o chão de fábrica e para a rua.

Os quatro tipos explicam por que a promessa da IA não se esgotou no chatbot. O chatbot é a ponta visível da Generativa. A Preditiva continua rodando por baixo. A Agêntica está fechando o ciclo entre entender, decidir e agir dentro do computador. E a Física começa a levar esse mesmo ciclo para fora da tela.

Da economia da atenção à economia da execução

Nos últimos quinze anos, o mercado digital foi organizado pela economia da atenção. O valor vinha de capturar e prender o olhar: redes sociais, vídeos curtos, notificações, feeds infinitos. A métrica era tempo de tela.

A IA Generativa, e mais ainda a IA Agêntica, empurram o eixo para outro lugar. O valor passa a vir da execução: quantas tarefas você consegue concluir com ajuda da máquina, não quanto tempo você gasta olhando para a tela. Relatório, proposta, planilha, apresentação, código, resumo, tradução, análise: o que antes era trabalho de um dia vira trabalho de uma hora.

Isso muda a conversa sobre produtividade. Passa a ser sobre delegação cognitiva: o que você delega para a IA, o que mantém sob revisão humana, e como organiza esse fluxo para não criar dependência cega nem perder domínio técnico. Aprofundei esse argumento com casos concretos, como os agentes de compras da Amazon que já executam tarefas sem intervenção humana, no post Da economia da atenção à economia da execução: quando sistemas agem por nós.

Por onde começar

Se você chegou até aqui querendo entender de onde a IA Generativa veio, o próximo passo depende do que você precisa agora.

Para o que aconteceu depois do ChatGPT, de 2022 até hoje, leia História Recente da IA Generativa.

Para aprender a promptar bem qualquer uma dessas plataformas, leia Como fazer um prompt no ChatGPT, Gemini e Claude. Para escrever melhor com IA, Como Escrever Melhor com IA: Guia de Prompts Avançados. Para raciocínio avançado, Engenharia de Prompts 2.0.

Se o seu momento é decidir como aplicar tudo isso na gestão da sua empresa ou da sua carreira, a página de cursos reúne as turmas abertas da minha curadoria na ESPM.

Perguntas frequentes

Quando surgiu a IA Generativa? Conceitualmente, em 1950, com o paper de Alan Turing. Institucionalmente, em 1956, com a Conferência de Dartmouth, que reuniu a comunidade da área e consagrou o nome inteligência artificial. Tecnicamente, em 2017, com a arquitetura Transformer do paper Attention Is All You Need. Comercialmente para o grande público, em 30 de novembro de 2022, com o lançamento do ChatGPT.

Quando surgiu a inteligência artificial? A inteligência artificial surgiu em 1956, na Conferência de Dartmouth, workshop de verão organizado por John McCarthy com Marvin Minsky, Nathaniel Rochester e Claude Shannon. O nome aparece por escrito na proposta do workshop, de 31 de agosto de 1955. A pesquisa que levou até lá começa na década de 1940, com o neurônio artificial e o Teste de Turing. A IA Generativa é o capítulo mais recente dessa história, com tração comercial a partir de 2022, graças ao ChatGPT.

Quem cunhou o termo Inteligência Artificial? John McCarthy, na proposta do workshop de Dartmouth, datada de 31 de agosto de 1955 e assinada com Marvin Minsky, Nathaniel Rochester e Claude Shannon. O workshop aconteceu no verão de 1956 e é considerado o evento fundador da IA como campo de pesquisa formal.

Qual foi a primeira IA generativa? Depende do que se considera generativo. Os primeiros modelos generativos profundos foram os autoencoders variacionais (VAEs), publicados em 2013 por Diederik Kingma e Max Welling. Mas o salto que a maioria dos pesquisadores aponta como o nascimento da IA generativa moderna veio em 2014, com as GANs (Redes Adversárias Generativas) de Ian Goodfellow, que geravam imagens realistas e deepfakes colocando duas redes neurais para competir entre si. Já a IA generativa de texto em escala, a que deu origem ao ChatGPT, tem como marco técnico o Transformer, de 2017.

O que significa GPT? GPT é a sigla de Generative Pre-trained Transformer (Transformador Pré-treinado Generativo). É a arquitetura de rede neural, baseada no Transformer de 2017, que a OpenAI usa para treinar seus modelos de linguagem desde o GPT-1, em 2018, até as versões atuais. O nome do produto ChatGPT vem daí: um chat construído sobre um modelo GPT.

Quais são as principais plataformas de IA Generativa hoje? O trio dominante é ChatGPT (OpenAI), Gemini (Google) e Claude (Anthropic). Microsoft Copilot é a camada corporativa que combina modelos do trio dentro do Office 365. No lado open source (código aberto), a cena está se reconfigurando: a Meta vem migrando o Llama para uma estratégia proprietária, enquanto Reflection AI, DeepSeek e Qwen disputam o papel de modelo aberto de fronteira.

Qual a diferença entre IA Preditiva, IA Generativa, IA Agêntica e IA Física? IA Preditiva classifica e prevê com base em dados históricos, como filtros de spam e recomendação de conteúdo, e trabalha para sistemas. IA Generativa cria conteúdo novo (texto, imagem, áudio, vídeo, código) e trabalha para você. IA Agêntica executa múltiplos passos para atingir um objetivo, sem precisar de confirmação a cada etapa, e trabalha por você. IA Física entende e age no espaço físico, como robôs humanoides e veículos autônomos, e trabalha no mundo.

Por que o ChatGPT explodiu e o metaverso não? Porque a IA Generativa chegou em um formato de atrito quase zero, um campo de chat num navegador, resolvendo problemas reais de escrita, análise e criação desde a primeira sessão. O metaverso exigia hardware caro, mudança de comportamento e resolvia poucos problemas concretos do dia a dia.

O ChatGPT é a melhor plataforma de IA Generativa? Depende da tarefa. Para versatilidade e ecossistema amplo de plugins e agentes, sim. Para qualidade de linguagem e uso corporativo, Claude costuma levar vantagem. Para quem vive dentro do Google Workspace, Gemini é o mais prático. A recomendação é usar mais de uma, não adotar uma única.

IA Generativa vai substituir profissionais? Não substitui quem a usa bem. Desloca tarefas repetitivas, muda o desenho dos fluxos de trabalho e premia quem aprende a delegar com critério o que a máquina faz melhor. A expressão que resume essa mudança é economia da execução: o valor passa a vir do que você consegue concluir, não do tempo que você gasta.

---

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo em tecnologia, IA, dados e inovação. Participou da criação de sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.