Por que superestimamos os próximos dois anos e subestimamos os próximos vinte
A euforia em torno da IA costuma errar no tempo — não na transformação.
“We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run.” — Roy Amara
Ideia central
A Lei de Amara explica um dos paradoxos centrais da inteligência artificial: a sociedade espera repetidamente que a IA transforme tudo de forma imediata, decepciona-se quando a realidade avança mais devagar e, então, deixa de perceber a transformação mais profunda que ocorre ao longo de décadas.
A IA é, ao mesmo tempo, superestimada e subestimada. Suas capacidades imediatas são exageradas, enquanto seus efeitos cumulativos sobre o trabalho, a educação, a ciência, o poder, as instituições e o comportamento humano ainda são mal compreendidos.
Isso não é uma contradição. É a Lei de Amara em ação.
O que é a Lei de Amara?
A Lei de Amara descreve um erro recorrente na forma como interpretamos a mudança tecnológica: exageramos o que uma nova tecnologia poderá realizar no futuro próximo, ao mesmo tempo que subestimamos o quanto ela pode transformar profundamente a sociedade no longo prazo.
A ideia costuma ser resumida na famosa observação de Roy Amara:
“Tendemos a superestimar o efeito de uma tecnologia no curto prazo e a subestimar seu efeito no longo prazo.”
Não se trata de uma lei matemática, nem de uma previsão sobre quando determinada tecnologia atingirá a maturidade. É, sobretudo, um alerta sobre nossas expectativas.
Uma demonstração impressionante cria a sensação de que uma transformação em larga escala está prestes a acontecer. Enquanto isso, o trabalho mais lento de construir infraestrutura, reduzir custos, aumentar a confiabilidade, criar regulamentações e adaptar instituições costuma ser ignorado.
Quando a revolução prometida não chega no prazo esperado, o entusiasmo desmorona. Ainda assim, a tecnologia continua evoluindo longe dos holofotes, tornando-se gradualmente mais barata, mais capaz e mais integrada à vida cotidiana.
A inteligência artificial talvez seja o exemplo moderno mais claro desse padrão.
O gráfico abaixo apresenta um modelo visual simples de como a Lei de Amara funciona.
A curva de impacto esperado sobe rapidamente durante a primeira onda de entusiasmo e depois recua, à medida que limitações, custos e promessas não cumpridas se tornam visíveis.
A curva de impacto real cresce mais lentamente, porque uma transformação verdadeira exige investimento, infraestrutura, regulamentação, qualificação profissional e adaptação social.
Com o tempo, porém, o impacto real pode superar as expectativas iniciais, à medida que a tecnologia amadurece, se dissemina e se torna cada vez mais integrada à vida cotidiana.
É no espaço entre essas duas curvas que surgem o hype, a frustração e a transformação genuína. Para entender por que uma observação tão simples se tornou tão influente, é preciso conhecer o futurista que lhe deu o nome.
Quem foi Roy Amara?
Roy Charles Amara foi um engenheiro, pesquisador e futurista norte-americano cuja carreira se desenvolveu na interseção entre computação, mudança tecnológica e previsão de longo prazo. Depois de servir na Marinha dos Estados Unidos durante a Segunda Guerra Mundial, estudou administração de empresas e engenharia no MIT, concluiu um mestrado em ensino de ciências em Harvard e, mais tarde, obteve o doutorado em engenharia elétrica pela Universidade Stanford.
Amara não formulou sua famosa lei a partir de um único experimento ou de um súbito momento de inspiração. A ideia parece ter surgido gradualmente, após décadas comparando promessas tecnológicas com o que realmente acontecia quando empresas, governos e pessoas comuns começavam a utilizar essas tecnologias.
No Stanford Research Institute, Amara trabalhou com computação em seus estágios iniciais, sistemas interativos e análise de decisões. Mais tarde, tornou-se presidente e CEO do Institute for the Future, onde criou uma previsão anual para os dez anos seguintes e liderou pesquisas sobre tecnologias emergentes e suas consequências sociais.
O instituto se deparava repetidamente com o mesmo problema de previsão. Novas tecnologias atraíam enorme atenção porque suas demonstrações eram imediatas e visíveis. Já suas limitações práticas, barreiras institucionais e lenta adoção despertavam muito menos interesse. Ainda assim, quando o entusiasmo desaparecia, essas tecnologias muitas vezes continuavam se disseminando até transformar silenciosamente a vida cotidiana.
As primeiras redes de computadores oferecem um exemplo marcante. A ARPANET foi desenvolvida principalmente para o compartilhamento de informações entre instituições de pesquisa e defesa, mas os cientistas logo começaram a utilizá-la para a comunicação cotidiana. O e-mail chegou a ser tratado por alguns como um uso inadequado de recursos computacionais caros; décadas depois, tornou-se uma das infraestruturas básicas da sociedade moderna.
A própria abordagem de Amara sobre previsão refletia essa experiência. Em 1977, ele argumentou que simplesmente prolongar as tendências do presente não era suficiente: os futuristas precisavam analisar as escolhas disponíveis e as consequências dessas escolhas. Em um artigo posterior, revisou os “acertos e erros” das previsões do Institute for the Future e criticou previsões rígidas e pontuais, defendendo maior atenção às forças que moldam a mudança e à necessidade de revisar projeções à medida que novas informações surgem.
É difícil determinar com precisão quando a famosa frase foi publicada pela primeira vez, embora ela seja frequentemente associada ao trabalho de Amara no final da década de 1970. Por isso, a Lei de Amara deve ser entendida não como uma lei formal descoberta em uma data específica, mas como a síntese de uma vida profissional dedicada a observar como a mudança tecnológica realmente acontece.
A Lei de Amara continua relevante porque descreve mais do que o hype tecnológico. Ela revela o descompasso entre a velocidade das expectativas humanas e o processo muito mais lento pelo qual as invenções conquistam infraestrutura, usuários, instituições e poder social. A inteligência artificial é apenas o exemplo mais recente — e talvez o mais dramático.
A história da IA é a Lei de Amara em movimento
A inteligência artificial não começou com o ChatGPT.
A área recebeu oficialmente esse nome em uma proposta de 1955 para o Dartmouth Summer Research Project on Artificial Intelligence, realizado no ano seguinte. Seus organizadores pretendiam investigar se aspectos como aprendizagem, linguagem, raciocínio, abstração e criatividade poderiam ser descritos com precisão suficiente para serem simulados por máquinas.
A ambição era enorme. O progresso mostrou-se muito mais lento.
Os primeiros pesquisadores de IA desenvolveram programas capazes de provar teoremas, resolver problemas restritos e manipular símbolos. Esses sistemas alimentaram previsões de que máquinas dotadas de uma inteligência ampla, comparável à humana, poderiam surgir em apenas uma geração.
Não surgiram.
Da IA simbólica aos invernos da inteligência artificial
Durante décadas, a IA simbólica dominou o campo. A inteligência era representada por meio de regras, estruturas lógicas e conhecimentos cuidadosamente codificados. Mais tarde, os sistemas especialistas demonstraram que computadores podiam superar ou auxiliar profissionais em domínios muito específicos.
Os resultados eram reais. As extrapolações, não.
Sistemas que funcionavam de forma impressionante em ambientes controlados frequentemente fracassavam diante da ambiguidade, de informações incompletas ou do simples senso comum. Construir e manter grandes coleções de regras era caro. Os computadores ainda eram limitados, os dados eram escassos e muitos sistemas não conseguiam se adaptar para além do conhecimento que lhes havia sido fornecido explicitamente.
Com o tempo, o investimento e o entusiasmo diminuíram. Os períodos de frustração e redução de financiamento ficaram conhecidos como invernos da IA. Esperava-se que a inteligência artificial simbólica produzisse rapidamente uma inteligência geral; em vez disso, ela revelou o quanto a própria inteligência era difícil de reproduzir.
Ainda assim, a IA não desapareceu. A pesquisa continuou longe dos holofotes.
Esse período silencioso é essencial para compreender a Lei de Amara. A atenção pública costuma medir o progresso tecnológico por meio de produtos visíveis e demonstrações espetaculares. A transformação de longo prazo, porém, depende de fundamentos menos glamorosos: algoritmos melhores, conjuntos de dados maiores, processadores mais rápidos, armazenamento mais barato, infraestrutura de redes e gerações de pesquisadores qualificados.
Enquanto as expectativas do público esfriavam, esses fundamentos continuavam se acumulando.
A virada do deep learning
Ao longo dos anos 2000 e no início da década de 2010, vários avanços antes separados começaram a se reforçar mutuamente: o volume de dados digitalizados cresceu, as unidades de processamento gráfico tornaram o processamento paralelo mais acessível e os métodos de treinamento de redes neurais melhoraram.
Em 2012, Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton apresentaram uma grande rede neural convolucional profunda no desafio de classificação de imagens ImageNet. O sistema alcançou uma melhora expressiva em relação às abordagens anteriores e ajudou a transformar o deep learning, ou aprendizado profundo, no centro da pesquisa moderna em inteligência artificial.
O avanço não significava que as máquinas haviam passado a compreender subitamente o mundo visual. Significava que uma linha de pesquisa durante muito tempo subestimada havia ultrapassado um importante limite prático.
O padrão se repetiu em 2016, quando o AlphaGo derrotou um campeão profissional de Go utilizando redes neurais profundas, aprendizado por reforço e busca em árvore. O Go era considerado extremamente difícil para computadores devido ao seu enorme espaço de possibilidades. O resultado chegou antes do que muitos especialistas esperavam.
Em 2017, o artigo Attention Is All You Need apresentou a arquitetura Transformer. Ao empregar mecanismos de atenção em vez de depender exclusivamente de estruturas recorrentes ou convolucionais, os Transformers permitiram um treinamento paralelo muito mais eficiente em tarefas de linguagem. Essa mudança arquitetural tornou-se uma das bases dos grandes modelos de linguagem que surgiriam nos anos seguintes.
Nenhum desses avanços, isoladamente, criou a atual revolução da IA. Juntos, porém, eles formaram uma cadeia de progresso cumulativo.
ChatGPT e o retorno do hype máximo
Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT como uma prévia pública de pesquisa. Diferentemente de sistemas anteriores, escondidos em mecanismos de recomendação, ferramentas de busca e softwares corporativos, o ChatGPT colocou uma poderosa interface de linguagem diretamente nas mãos de usuários comuns.
As pessoas passaram a conversar com uma máquina, pedir explicações, gerar códigos, resumir documentos e produzir textos aparentemente originais.
A inteligência artificial deixou de ser uma promessa abstrata. Tornou-se uma experiência direta.
O anúncio original da OpenAI também descrevia limitações importantes: o ChatGPT podia produzir respostas convincentes, porém incorretas, reagir de maneira imprevisível a pequenas mudanças na formulação das perguntas e gerar respostas diferentes para uma mesma solicitação. Essas fragilidades estavam visíveis desde o início, mesmo quando o debate público frequentemente as ignorava.
O lançamento desencadeou uma nova onda de previsões extremas. A inteligência artificial geral passou a ser tratada como iminente. Mecanismos de busca, escolas, programadores, artistas, jornalistas, advogados e categorias inteiras de trabalhadores de escritório foram declarados obsoletos — em alguns casos, dentro de poucos meses.
Mais uma vez, a demonstração era real.
O cronograma era especulativo.
A superestimação da IA no curto prazo
O erro de curto prazo não está em acreditar que a inteligência artificial é importante. Está em confundir uma demonstração convincente com um sistema completo, confiável e economicamente viável para uso em larga escala.
Um modelo capaz de executar uma tarefa em um teste controlado não está automaticamente preparado para assumir responsabilidades em um hospital, tribunal, escola, banco ou processo industrial. A implementação real exige dados validados, segurança, integração, monitoramento, responsabilização, clareza jurídica e supervisão humana.
Os sistemas de IA generativa ainda apresentam desempenho desigual. Podem resolver problemas complexos de matemática ou programação e, logo depois, fracassar em tarefas aparentemente simples. Podem produzir explicações brilhantes ao lado de referências inventadas. Podem parecer coerentes sem possuir uma representação estável da verdade.
O AI Index 2026, da Universidade Stanford, descreve esse fenômeno como uma fronteira irregular. Sistemas de ponta alcançaram resultados impressionantes em áreas como matemática competitiva, raciocínio científico e engenharia de software, mas continuaram pouco confiáveis em outras tarefas. Agentes de IA obtiveram cerca de 66% de sucesso em um benchmark baseado em operações reais com computadores — um avanço enorme, mas ainda equivalente a aproximadamente uma falha a cada três tentativas.
Esse nível de confiabilidade não é suficiente para muitas aplicações de alto risco.
A superestimação da IA no curto prazo produz, portanto, alguns erros recorrentes.
Empresas confundem acesso a um modelo de linguagem com uma verdadeira estratégia de inteligência artificial.
Gestores automatizam processos mal concebidos em vez de redesenhá-los.
Investidores tratam melhorias em benchmarks como garantia de lucro.
Comentaristas confundem fluência linguística com raciocínio equivalente ao humano.
Instituições implementam sistemas antes de definir quem será responsabilizado quando eles falharem.
É no abismo entre um protótipo impressionante e uma instituição confiável que boa parte do hype atual morrerá.
A subestimação da IA no longo prazo
O erro oposto pode ser ainda maior.
Quando a IA não entrega imediatamente todas as transformações prometidas, os céticos concluem que o campo inteiro é apenas mais uma bolha. Mas uma tecnologia não precisa se tornar consciente, perfeita ou universalmente autônoma para transformar a civilização.
A internet não mudou a sociedade porque todos os sites funcionavam perfeitamente. Os smartphones não precisaram de inteligência humana para reorganizar a comunicação, o comércio e a atenção. A IA não precisa se tornar uma pessoa digital antes de começar a reestruturar instituições.
Em 2026, Stanford informou que a adoção de inteligência artificial pelas organizações havia alcançado 88% e que a IA generativa atingira aproximadamente 53% de adoção entre a população em apenas três anos — mais rapidamente do que o computador pessoal ou a internet.
Os efeitos mais profundos talvez não venham de uma única máquina superinteligente, mas de milhões de sistemas comuns de IA incorporados a decisões rotineiras.
A inteligência artificial influenciará cada vez mais quais candidatos serão chamados para entrevistas, quais estudantes serão identificados como tendo dificuldades, quais pacientes receberão exames adicionais, quais transações financeiras parecerão suspeitas, quais informações se tornarão visíveis e quais comportamentos serão considerados normais.
Esses sistemas não apenas automatizarão as instituições existentes. Com o tempo, as próprias instituições serão redesenhadas em torno deles.
Esse é o lado de longo prazo da Lei de Amara.
Inteligência artificial e o futuro do trabalho
Superestimamos a velocidade com que a IA destruirá empregos, mas talvez subestimemos o quanto ela transformará o trabalho ao longo das próximas décadas.
A unidade decisiva, muitas vezes, não é a profissão, mas a tarefa.
Um advogado pode continuar existindo, mas gastar menos tempo pesquisando documentos. Um programador pode permanecer empregado, embora escreva menos códigos rotineiros e revise mais conteúdos gerados por máquinas. Um professor pode continuar ensinando enquanto sistemas de IA criam exercícios, analisam o desempenho dos alunos e personalizam explicações.
A Organização Internacional do Trabalho estimou, em 2025, que um em cada quatro trabalhadores no mundo exercia uma profissão com algum grau de exposição à IA generativa. Como a maioria das ocupações inclui tarefas que ainda exigem participação humana, a organização concluiu que a transformação dos empregos era mais provável do que sua eliminação completa. Essa exposição também se distribuía de forma desigual entre profissões, países e gêneros.
Isso não torna a ruptura inofensiva.
A automação pode eliminar tarefas de entrada por meio das quais trabalhadores inexperientes aprendiam uma profissão. Os ganhos de produtividade podem se concentrar entre proprietários e acionistas, em vez de beneficiar os empregados. Trabalhadores podem ser monitorados, avaliados ou punidos por sistemas que não conseguem inspecionar. Profissões inteiras podem manter seus nomes enquanto perdem poder de negociação, autonomia e prestígio social.
A questão de longo prazo não é apenas quantos empregos a IA destruirá. É como ela modificará o conteúdo, o valor e o controle do trabalho humano.
A IA como infraestrutura institucional
As transformações tecnológicas mais profundas acabam se tornando banais.
A eletricidade desapareceu dentro das paredes. As redes digitais desapareceram em praticamente todos os processos empresariais. Os mecanismos de busca se transformaram em uma camada invisível entre a humanidade e o conhecimento.
A inteligência artificial pode seguir a mesma trajetória.
Hoje, as pessoas abrem conscientemente um aplicativo de IA e escrevem um prompt. Amanhã, sistemas de inteligência artificial poderão estar incorporados a sistemas operacionais, veículos, laboratórios, salas de aula, fábricas, hospitais e serviços públicos. Uma pessoa poderá interagir com centenas de modelos sem conhecer seus nomes — ou sequer perceber que um deles participou de determinada decisão.
Nesse momento, os sistemas de IA mais importantes talvez já não se pareçam com chatbots.
Eles poderão funcionar como camadas de previsão, negociadores automatizados, assistentes científicos, mecanismos de vigilância, sistemas de alocação e agentes semiautônomos operando dentro de estruturas técnicas e burocráticas muito maiores.
A transformação se tornará menos teatral e mais estrutural.
A Lei de Amara não é um argumento a favor da passividade
A Lei de Amara às vezes é interpretada de forma equivocada como um conselho para ignorar o hype tecnológico e simplesmente esperar pelo futuro.
Isso seria perigoso.
Se a sociedade subestima os efeitos de longo prazo, adiar a governança até que esses impactos se tornem evidentes pode deixar as instituições permanentemente atrasadas. Infraestruturas tecnológicas tornam-se difíceis de modificar depois que organizações, mercados e populações passam a depender delas.
Decisões responsáveis exigem, portanto, duas formas de disciplina ao mesmo tempo:
Não acreditar em toda promessa de curto prazo.
Não desprezar a transformação de longo prazo.
O perfil do NIST para IA generativa reflete essa abordagem ao longo de todo o ciclo de vida da tecnologia. A recomendação é que confiabilidade, segurança e gestão de riscos façam parte do projeto, do desenvolvimento, da implementação e da avaliação dos sistemas de IA, em vez de serem tratadas como preocupações tardias.
Uma boa governança não deve tentar congelar a inteligência artificial em seu estágio atual. Deve criar instituições capazes de se adaptar à evolução de suas capacidades, aplicações e riscos.
Como aplicar a Lei de Amara à estratégia de inteligência artificial
Líderes e organizações devem começar separando capacidade técnica de difusão social.
Um modelo pode se tornar tecnicamente capaz de executar determinada tarefa anos antes de as organizações conseguirem integrá-lo de forma confiável. Por outro lado, um sistema não precisa possuir inteligência de fronteira para se disseminar rapidamente, desde que seja barato, conveniente e incorporado a plataformas amplamente utilizadas.
As previsões, portanto, devem considerar diferentes horizontes de tempo.
Nos próximos dois anos, os tomadores de decisão devem avaliar confiabilidade prática, custos de integração, qualidade dos dados e retornos mensuráveis.
Em um horizonte de cinco anos, devem considerar o redesenho dos fluxos de trabalho, as mudanças nas competências exigidas, o surgimento de novos concorrentes e o desaparecimento de tarefas rotineiras.
Em dez ou vinte anos, a questão passa a ser como a IA poderá alterar instituições, educação, descoberta científica, poder político, desigualdade e a própria distribuição da autonomia humana.
A pergunta final não deveria ser:
“Este modelo substituirá pessoas?”
A pergunta mais importante é:
Que tipo de sistema surgirá quando pessoas, organizações e inteligências artificiais se adaptarem umas às outras durante uma geração inteira?
Conclusão: o hype erra o relógio
A inteligência artificial talvez não elimine a maioria das profissões no próximo ano. Agentes totalmente autônomos podem não administrar empresas, conduzir pesquisas científicas ou operar infraestruturas críticas com a rapidez sugerida por seus defensores. A inteligência artificial geral pode continuar conceitualmente ambígua e tecnicamente distante.
Essa é a correção de curto prazo.
A correção de longo prazo é mais inquietante.
A IA não precisa se tornar onisciente para reorganizar o conhecimento. Não precisa adquirir consciência para redistribuir poder. Não precisa substituir todos os trabalhadores para enfraquecer profissões, eliminar portas de entrada e transformar o valor da experiência humana.
Também não precisa governar a humanidade de forma explícita se as instituições passarem, silenciosamente, a depender de suas recomendações.
A Lei de Amara não afirma que a inteligência artificial é apenas hype.
Ela afirma que provavelmente estamos olhando para a escala de tempo errada.
Talvez estejamos exagerando o que a IA realizará até 2028, ao mesmo tempo que falhamos em imaginar o quanto ela poderá remodelar a civilização até 2046.
O futuro imediato provavelmente será menos revolucionário do que prometem as manchetes.
O futuro distante pode ser muito mais revolucionário do que estamos preparados para admitir.
Perguntas frequentes
O que é a Lei de Amara?
A Lei de Amara é a observação de que as pessoas tendem a superestimar o impacto de uma nova tecnologia no curto prazo e a subestimar seus efeitos no longo prazo.
Quem formulou a Lei de Amara?
O princípio recebeu esse nome em referência a Roy Charles Amara, engenheiro, futurista e um dos principais líderes do Institute for the Future.
Como a Lei de Amara se aplica à inteligência artificial?
As capacidades da inteligência artificial são frequentemente tratadas como se fossem transformar setores inteiros de forma imediata. Na prática, a implementação é desacelerada por limitações de confiabilidade, integração, regulamentação e adaptação organizacional.
No longo prazo, porém, a IA pode reestruturar silenciosamente o trabalho, a educação, a ciência e os processos de decisão das instituições.
A inteligência artificial está superestimada?
Algumas previsões de curto prazo são exageradas, especialmente as que anunciam automação universal imediata ou agentes de IA perfeitamente autônomos.
Isso não significa, porém, que o impacto de longo prazo da inteligência artificial esteja sendo superestimado. Seus efeitos acumulados sobre a sociedade, as instituições e o poder podem, na verdade, estar sendo subestimados.
Qual é o melhor exemplo histórico da Lei de Amara na inteligência artificial?
A história das redes neurais é um dos exemplos mais claros.
Depois de períodos de grande entusiasmo e frustração, a pesquisa continuou evoluindo com processadores mais rápidos, conjuntos de dados maiores e algoritmos mais eficientes. Décadas depois, essas tecnologias se tornaram a base do aprendizado profundo, dos grandes modelos de linguagem e da IA generativa.
Referências e leituras recomendadas
Amara, Roy. “What We Have Learned About Forecasting and Planning.” Futures, 1988.
Institute for the Future. “Amara’s Law.”
McCarthy, John, Marvin Minsky, Nathaniel Rochester and Claude Shannon. “A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence,” 1955.
Krizhevsky, Alex, Ilya Sutskever and Geoffrey Hinton. “ImageNet Classification with Deep Convolutional Neural Networks,” 2012.
Silver, David, et al. “Mastering the Game of Go with Deep Neural Networks and Tree Search.” Nature, 2016.
Vaswani, Ashish, et al. “Attention Is All You Need,” 2017.
International Labour Organization. “Generative AI and Jobs: A 2025 Update,” 2025.
Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2026.
National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024, updated 2026.
Editorial transparency note: This article, as with all articles published on this site, was conceived, directed, written, and reviewed by Prof. Maurício Veloso Brant Pinheiro. Artificial intelligence was used as an assistant for editorial refinement, formatting, image generation, SEO metadata, and publication workflow.
Copyright 2026 AI-Talks.org
