O OpenClaw surgiu como um projeto open source focado em trazer mais autonomia e automação aos agentes digitais, permitindo que operem de forma leve e integrada. Recentemente, o projeto ganhou destaque com a contratação de seu criador, Peter Steinberger, pela OpenAI. Apesar dessa movimentação, o OpenClaw permanecerá como uma iniciativa de código aberto, sob o guarda-chuva de uma fundação que contará com o apoio estratégico da própria OpenAI.

O nome OpenClaw sugere uma dualidade: "Open" (aberto) remete à sua arquitetura flexível, adaptável e, crucialmente, acessível a desenvolvedores e usuários. "Claw" (garra) simboliza a capacidade de "agarrar" ou controlar o ambiente digital de maneira precisa e poderosa. A proposta do OpenClaw é reduzir o atrito entre intenção e execução: o usuário descreve o que quer em linguagem natural e o agente, quando autorizado, aciona ferramentas e integrações para concluir a tarefa. O quanto ele ‘entende’ o contexto e o quanto ele consegue automatizar depende do conjunto de skills instaladas e das permissões definidas.

Essa identidade atual foi consolidada após uma breve jornada de nomenclaturas. Originado como Clawdbot, o projeto enfrentou pressões de marca pela semelhança fonética com o modelo Claude, da Anthropic. Transicionou para Moltbot e, após alinhamentos com o ecossistema da OpenAI, assumiu o nome definitivo. Embora essa sucessão de marcas em apenas três meses levante questões sobre a maturidade da tecnologia, sua relevância reside na promessa de uma usabilidade simplificada e intuitiva.

Uma forma simples de entender a proposta do OpenClaw é como um agente orientado a tarefas e contexto. Em vez de depender apenas de um aplicativo isolado, ele busca centralizar ações e informações a partir do que o usuário está tentando fazer no momento. Diferentemente dos sistemas operacionais baseados em janelas ou aplicativos isolados, a interface organiza as informações e as funcionalidades em fluxos alinhados com a tarefa atual. Na prática, isso pode se traduzir em fluxos diferentes dependendo da tarefa: em um trabalho de design, o usuário tende a acionar mais ferramentas visuais e arquivos. Em pesquisas, tende a usar mais navegação e curadoria de informação, sempre conforme as skills disponíveis e o que foi configurado.

Como utilizar?

Uma das diversas formas de utilizar o OpenClaw, é rodar o agente no seu próprio PC/VPS e conectar ele a um canal de conversa (ex.: WhatsApp/Telegram/Slack/Discord), para você falar com ele como se fosse um contato: você instala o OpenClaw (geralmente via ‘git clone’/Docker ou instalador), sobe o gateway/daemon para ficar sempre online, faz a configuração das credenciais do modelo (ex.: chave do provedor de LLM) e do canal (token/QR/OAuth), e então começa a “conversar” pedindo tarefas. Algumas coisas que ele pode fazer:

• Skills bundled — Gmail, Calendar, Browser, etc.
• Skills da comunidade — Milhares disponíveis
• Skills personalizadas — Crie as suas 

O recomendado é começar com permissões restritas e ir liberando aos poucos (ex.: pedir confirmação antes de ações destrutivas), e adicionar habilidades quando precisar.

Exemplo de utilização:

“Crie uma skill que monitora o preço do Bitcoin e me avisa quando passar de $100k”

O OpenClaw cria o código, testa e ativa automaticamente.

Desafios

Apesar dos benefícios e facilidades mencionados acima, o OpenClaw não está isento de desafios, especialmente no que diz respeito à segurança. Como o sistema aprende o contexto e as intenções do usuário em tempo real, a gestão da privacidade torna-se um pilar crucial. Para diminuir essas preocupações, a plataforma se apoia em autenticação, configuração de permissões e boas práticas de exposição do gateway/painel (por exemplo, restringir acesso e evitar deixar serviços abertos na internet). Em geral, a recomendação é começar com permissões mínimas e liberar gradualmente conforme a confiança no fluxo de uso.

Um ponto crítico reside na integração profunda do agente com o sistema operacional. Falhas de interpretação ou comportamentos inesperados do modelo podem resultar em ações reais indesejadas, como a execução de comandos indevidos ou a exclusão de arquivos. Embora Steinberger afirme que as versões mais recentes corrigiram esses problemas e avançaram em estabilidade, o caráter experimental da ferramenta permanece evidente. Por atuar diretamente no ambiente digital do usuário, o projeto deixa claro que não existe uma configuração totalmente segura para uso irrestrito. Por isso, é fundamental que a utilização seja feita com cautela e atenção constante, reconhecendo que a autonomia do sistema exige uma supervisão humana proporcional à complexidade das tarefas executadas.

Conclusão

Em suma, o OpenClaw representa uma tentativa relevante de aproximar conversa e execução de tarefas no ambiente digital, com o diferencial de ser open source. Ao mesmo tempo, seu uso exige atenção a permissões, segurança e previsibilidade das ações, pontos que ainda são centrais em agentes com autonomia. Se mantiver a promessa de sua arquitetura aberta e intuitiva, o OpenClaw não apenas mudará a forma como trabalhamos, mas como pensamos e interagimos com o mundo digital.

Autora: Amanda Carolina Messer Siebeneichler

Referências

Site da OpenClaw

Os algoritmos de recomendação passaram a atuar como um mecanismo automatizado de seleção de conteúdo no cotidiano digital. Em vez de vermos conteúdos apenas na ordem em que foram publicados, muitas plataformas organizam o feed com base no que tende a prender nossa atenção. Esse detalhe muda a experiência de navegação, fazendo com que o usuário não escolha apenas entre opções prontas, mas passe a interagir com um sistema que aprende seus padrões e apresenta conteúdos semelhantes aos que já geraram engajamento.

Uma consequência direta é a forma como esses sistemas moldam hábitos de consumo de informação. Em redes sociais, por exemplo, parte do que a pessoa lê depende dos amigos e páginas que segue, mas também do filtro algorítmico aplicado depois disso. No estudo “Exposure to ideologically diverse news and opinion on Facebook”, os autores analisaram dados de milhões de usuários e observaram que tanto a rede de amizades (homofilia) quanto o ranqueamento do feed reduzem a exposição a conteúdos ideologicamente divergentes, embora por mecanismos diferentes. Em paralelo, ao investigar históricos de navegação, o trabalho “Filter Bubbles, Echo Chambers, and Online News Consumption” encontrou evidências de que redes sociais e mecanismos de busca podem estar associados a uma maior segregação ideológica no consumo de notícias, contribuindo para ambientes em que visões diferentes circulam menos entre grupos.

Esse cenário se conecta ao debate sobre “bolhas” e polarização, mas com um cuidado importante: ver o outro lado não garante diálogo e, em alguns casos, pode produzir o efeito oposto. No experimento de campo realizado no X (antigo Twitter), intitulado “Exposure to opposing views on social media can increase political polarization”, participantes foram incentivados a seguir bots que retuitavam mensagens associadas a posições políticas divergentes das suas, e os autores encontraram evidências de aumento da polarização em parte dos usuários, sugerindo que a simples exposição a visões opostas pode reforçar identidades políticas e desencadear reações defensivas. Além disso, há evidências de que a ordenação algorítmica do conteúdo não é neutra, podendo influenciar a visibilidade e a circulação de conteúdos políticos. Ao analisar a diferença entre feeds ranqueados, o estudo “Algorithmic amplification of politics on Twitter” mostra que a ordenação algorítmica pode influenciar a circulação de conteúdos políticos, afetando o ambiente informacional em que o debate ocorre.

Um ponto que ajuda a entender por que isso se sustenta ao longo do tempo é o efeito de retroalimentação. Conforme o algoritmo aprende com o que o usuário consome, ele tende a oferecer mais do mesmo, e isso influencia as próximas escolhas do próprio usuário. O resultado pode ser um caminho cada vez mais estreito de conteúdos e preferências, porque o sistema “educa” o comportamento que ele mesmo irá medir depois. Esse tipo de ciclo é discutido no estudo “How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility”, que mostra como recomendações podem aumentar a homogeneidade do que é consumido e produzir vieses na própria avaliação do sistema.

Além do que aparece no feed, a forma como o conteúdo é apresentado também pesa. Na revisão “Addictive Features of Social Media/Messenger Platforms and Freemium Games against the Background of Psychological and Economic Theories”, os autores descrevem como elementos de design como rolagem infinita, notificações e mecanismos de recompensa intermitente podem prolongar o tempo de uso e reforçar o hábito de checar o aplicativo repetidamente. Nesse contexto, a influência dos algoritmos vai além de recomendar “o que você gosta”. Ela contribui para a criação de rotinas de atenção.

Esse conjunto de dinâmicas aponta para um funcionamento dos sistemas de recomendação que ultrapassa a personalização individual e se aproxima de um processo coletivo de coordenação informacional. A ideia de hive mind, presente na série Stranger Things, oferece uma analogia pertinente: indivíduos distintos, embora separados, respondem a estímulos semelhantes e passam a agir de forma sincronizada. De maneira análoga, a distribuição algorítmica de conteúdos pode levar grandes grupos de usuários a compartilhar repertórios informacionais parecidos, reforçando padrões de atenção, interpretação e comportamento. Nesse cenário, a influência dos algoritmos se manifesta não apenas no nível individual, mas na própria configuração do espaço público digital.

Autor: Renan Bordignon Poy

REFERÊNCIAS:

BAKSHY, E.; MESSING, S.; ADAMIC, L. A. Exposure to ideologically diverse newsand opinion on Facebook. Science, v. 348, n. 6239, p. 1130–1132, 2015.

FLAXMAN, S.; GOEL, S.; RAO, J. M. Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly, v. 80, S1, p. 298–320, 2016.

BAIL, C. A. et al. Exposure to opposing views on social media can increase political polarization. Proceedings of the National Academy of Sciences (PNAS), v. 115, n. 37, p. 9216–9221, 2018.

HUSZÁR, F. et al. Algorithmic amplification of politics on Twitter. Proceedings of the National Academy of Sciences (PNAS), v. 119, n. 1, e2025334119, 2022.

CHANEY, A. J. B.; STEWART, B. M.; ENGELHARDT, B. E. How algorithmic confounding in recommendation systems increases homogeneity and decreases utility. In: Proceedings of the 12th ACM Conference on Recommender Systems (RecSys ’18). ACM, 2018.

MONTAG, C.; LACHMANN, B.; HERRLICH, M.; ZWEIG, K. Addictive features of social media/messenger platforms and freemium games against the background of psychological and economic theories. International Journal of Environmental Research and Public Health, v. 16, n. 14, 2019.

Quando um aluno começa a estudar Engenharia de Software, raramente imagina que grande parte do trabalho envolve muito mais do que escrever código. É preciso planejar projetos, dividir tarefas, priorizar atividades e lidar com mudanças inesperadas, tudo ao mesmo tempo. Muitas vezes, o ensino desses conteúdos acontece por meio de aulas teóricas e longos textos, que não representam o ritmo e a dinâmica de um time de desenvolvimento real. É aí que entra a gamificação: transformar o aprendizado em uma experiência mais próxima do mercado, porém em um ambiente seguro para errar e experimentar.

Gamificação significa usar elementos de jogos, como metas, desafios, pontuações e recompensas em atividades que não são jogos. Em sala de aula, ela pode mudar completamente a forma como um estudante participa da própria aprendizagem. Em vez de apenas assistir a uma explicação sobre como funciona um quadro Kanban, por exemplo, o aluno pode vivenciar o processo em um tabuleiro, movendo tarefas, tomando decisões sob pressão e sentindo na prática o impacto de atrasos e gargalos.

Essa ideia tem ganhado espaço no ensino de Engenharia de Software justamente porque aproxima a teoria do mundo real. Uma equipe que participa de um jogo sobre métodos ágeis precisa colaborar, dialogar e negociar prioridades: habilidades essenciais para quem vai trabalhar com tecnologia. Enquanto isso, conceitos abstratos se tornam mais concretos: o WIP deixa de ser uma sigla estranha e passa a ser um limite que, se ignorado, afunda o desempenho da equipe.

O ponto central da gamificação não é competir para ver quem ganha mais pontos. Na verdade, o que mais importa é refletir sobre as escolhas. Em uma dinâmica que simula sprints semanais, se a equipe decide começar tarefas demais ao mesmo tempo, vai logo perceber que as entregas atrasam e o fluxo trava. Quando isso acontece em um jogo, dá para pausar, conversar e tentar diferente na rodada seguinte, aprendizado que dificilmente aconteceria só ouvindo o professor explicar.

E engajar os alunos é outra vantagem importante. Muitos estudantes relatam que conteúdos como processos de software, métricas e metodologias ágeis podem parecer desmotivadores no início (Freitas; Andrade, 2017). Quando esses mesmos temas aparecem em cartas, desafios e pequenas missões, a atenção aumenta, a curiosidade desperta e a participação na aula se transforma em algo natural.

Um exemplo simples: ao invés de apenas falar que “testes são essenciais”, o professor coloca no jogo cartas de “bug crítico”, “falha de comunicação” ou “cliente alterou o requisito”. A equipe que ignora o teste sente imediatamente as consequências, porque perde pontos, tempo ou funcionalidades. Assim, o conceito deixa de ser um conselho abstrato e passa a ser uma necessidade evidente.

Toda essa dinâmica também ajuda os alunos a desenvolverem competências que o mercado valoriza cada vez mais. Comunicação, organização, pensamento crítico e tomada de decisão sob pressão são trabalhados o tempo todo durante jogos educacionais. E quanto mais desafiador for o cenário simulado, mais próximos os participantes ficam do que vão vivenciar como profissionais.

Claro que gamificação não é solução mágica. Para funcionar bem, os jogos precisam ter objetivos claros, regras equilibradas e conexão direta com os conteúdos do curso. Quando o foco vira apenas “se divertir”, o aprendizado se perde. Por isso, o papel do professor continua essencial: conduzir discussões, estimular reflexões e mostrar como cada ação no jogo se relaciona com a Engenharia de Software.

Mesmo assim, os resultados têm sido muito positivos em escolas e universidades ao redor do mundo. Pesquisas na área mostram que alunos aprendem mais e se sentem mais confiantes quando conseguem testar ideias e ver imediatamente o impacto de suas escolhas, algo que a gamificação proporciona com naturalidade (Kapp, 2012; Werbach; Hunter, 2012).

No fim das contas, gamificar o ensino não significa transformar a faculdade em uma sala de jogos. Significa tornar o estudo mais real, mais prático e mais humano. Se o futuro dos profissionais de tecnologia exige colaboração, adaptação e aprendizado contínuo, nada melhor do que começar a desenvolver essas habilidades de forma divertida e significativa desde a graduação.

Autora: Vitória Luiza Camara

Referências

Deterding, S. et al. From game design elements to gamefulness: defining gamification. ACM, 2011.

Freitas, S.; Andrade, F. Gamificação na educação. Pimenta Cultural, 2017.

Kapp, K. M. The gamification of learning and instruction. Pfeiffer, 2012.

Pressman, R. S.; Maxim, B. R. Engenharia de Software: uma abordagem profissional. AMGH, 2016.

Werbach, K.; Hunter, D. For the win. Wharton Digital Press, 2012.

Quando alguém pede um sistema novo, quase nunca começa falando em códigos, servidores ou bancos de dados. Um dono de restaurante diz que precisa “parar de perder pedidos do delivery”. Uma escola quer “controlar melhor as notas e faltas dos alunos”. Uma clínica deseja “marcar consultas sem confusão de horários”. A engenharia de software entra justamente nesse cenário: é o conjunto de princípios, métodos e ferramentas usados para pegar esses pedidos genéricos e transformá-los em sistemas reais, que funcionam todos os dias. Na prática, isso significa detalhar fluxos de tela, definir regras de negócio, planejar integrações com outros sistemas, decidir como serão feitos testes e prever o que acontece quando algo dá errado. Em vez de ficar apenas na ideia “quero um app”, a engenharia de software organiza tudo em requisitos, tarefas e entregas que a equipe técnica consegue implementar.

Nesse processo, o gestor de software ocupa uma posição central. Ele está o tempo todo entre dois mundos: de um lado, o cliente, que fala em prazos, orçamento e problemas do negócio; de outro, a equipe técnica, que fala em arquitetura, APIs, performance e segurança. Em uma reunião com o cliente, por exemplo, o gestor precisa traduzir “quero um sistema rápido e fácil de usar” em algo verificável, como “tempo médio de resposta abaixo de dois segundos nas principais telas” ou “fluxo de compra em até três cliques”. Em seguida, leva isso para a equipe como metas técnicas, discute opções de implementação e, se necessário, volta ao cliente com alternativas: uma versão inicial mais simples, uma versão completa em prazo maior ou um pacote de funcionalidades dividido em fases.

Alinhar expectativas é justamente amarrar esses dois lados de forma clara. Imagine um cliente que diz: “Quero um aplicativo igual ao do banco X, mas pronto em três meses e com metade do orçamento”. Sem uma boa engenharia de software, esse pedido vira frustração na certa. Com um gestor atento, o processo é diferente: primeiro, ele pergunta o que exatamente o cliente admira no app do banco X (é a segurança? a facilidade de uso? o chat com atendente?). Depois, traduz isso em prioridades, mostra o custo de cada bloco de funcionalidade e propõe um escopo realista para a primeira versão. O cliente sai sabendo o que será entregue, o que ficará para futuras evoluções e quais trade-offs foram escolhidos. A equipe, por sua vez, recebe um plano concreto, com tarefas definidas e critérios de aceite objetivos.

Antes da era da inteligência artificial, boa parte desse trabalho de coordenação dependia de esforço manual. Para organizar um único projeto, o gestor passava horas alimentando planilhas, cruzando e-mails, copiando trechos de atas de reunião e atualizando ferramentas de gestão. Se o cliente mudava uma prioridade, era preciso ajustar cronograma, redistribuir tarefas, avisar todo mundo e revisar documentos. Quando alguém novo entrava na equipe, levava dias para entender o histórico do projeto, porque as informações estavam espalhadas em várias conversas e arquivos. Em muitos casos, o gestor acabava preso em atividades operacionais, com pouco tempo para análises mais profundas ou para acompanhar de perto o impacto do software no negócio.

Com a inteligência artificial aplicada à gestão, parte desses gargalos começou a ser reduzida. Hoje, ferramentas de gestão de projetos conseguem sugerir automaticamente quais tarefas devem ser priorizadas em um sprint, levando em conta prazo, dependências e capacidade da equipe. Em um projeto de aplicativo de entregas, por exemplo, o sistema pode indicar que é mais seguro finalizar primeiro o fluxo de cadastro de entregadores e o módulo de pagamentos, porque são áreas críticas para o funcionamento do negócio. O gestor deixa de refazer o planejamento do zero a cada mudança e passa a revisar recomendações, ajustando o que fizer sentido para o contexto.

A IA também ajuda a manter o contexto de clientes sempre à mão. Plataformas de CRM e atendimento integradas a modelos de linguagem conseguem resumir, em poucos parágrafos, meses de interações: reuniões realizadas, reclamações recorrentes, sugestões de melhoria, decisões de escopo. Antes de conversar com o responsável por uma rede de academias, por exemplo, o gestor pode pedir um resumo do histórico daquele cliente e receber uma síntese clara: quais funcionalidades já foram entregues, quais problemas surgiram, que pedidos ficaram pendentes. Em vez de procurar manualmente em e-mails e documentos, ele entra na conversa preparado, com um roteiro mais objetivo e com respostas mais rápidas.

No relacionamento com a equipe técnica, a IA também se torna aliada. Ferramentas de colaboração conseguem ler longas discussões em um ticket de suporte e gerar um resumo dos principais pontos, o que facilita a vida de quem assume o caso no meio do caminho. Assistentes de reunião gravam a conversa, geram uma transcrição e destacam automaticamente decisões tomadas e próximos passos, como “criar protótipo da nova tela até sexta” ou “valiar impacto da mudança na API de pagamentos”. A partir disso, o gestor consegue transformar rapidamente esses itens em tarefas, atribuir responsáveis e ajustar prazos, sem depender de anotações soltas ou da memória de quem participou.

Outra frente importante é o uso da IA para monitorar riscos e evitar retrabalho. Com base no histórico de projetos da empresa, modelos preditivos podem alertar quando um conjunto de tarefas está grande demais para caber em um ciclo de entrega, quando uma equipe está sobrecarregada ou quando um aumento repentino no número de erros em produção indica problemas de qualidade. Em um sistema de reservas de hotel, por exemplo, a IA pode detectar que as falhas estão concentradas em um módulo recém-alterado e sugerir que o gestor priorize testes adicionais ali antes de liberar novas funcionalidades. Em vez de descobrir o problema apenas depois que clientes começam a reclamar, a equipe age preventivamente.

Nada disso significa que a IA substitui o papel do gestor ou da engenharia de software. As ferramentas ajudam a organizar tarefas, resumir conversas e apontar padrões que seriam difíceis de enxergar manualmente, mas elas não definem sozinhas qual é o objetivo do projeto, até onde o orçamento pode ir ou que riscos a empresa está disposta a assumir. Quem continua fazendo essas escolhas é o gestor, com base em diálogo com o cliente, com a equipe e com a direção do negócio. A diferença é que, com apoio da IA, ele toma essas decisões com mais informação, menos improviso e mais tempo para pensar estrategicamente.

Pesquisas em gestão de projetos e engenharia de software têm mostrado justamente esse caráter complementar da IA. Estudos recentes apontam que ferramentas inteligentes são eficazes para automatizar rotinas, apoiar análises de risco e sugerir alocação de recursos, enquanto o julgamento humano permanece essencial na definição de prioridades e na mediação entre interesses técnicos e de negócio. Em paralelo, trabalhos acadêmicos exploram o uso de modelos de linguagem para apoiar atividades como captura de requisitos, geração de casos de teste e análise de incidentes em produção, sempre com o profissional no centro do processo. Para quem se interessa por tecnologia e gestão, enxergar essa convergência é um passo importante: a engenharia de software continua sendo a base que dá forma aos projetos, e a inteligência artificial surge como uma camada adicional que amplia a capacidade do gestor de organizar tarefas, manter o contexto de clientes e conduzir conversas difíceis com mais clareza e segurança.

Autor: Leonardo Silva da Veiga Marinho Barbosa 

Referências

• PRESSMAN, R. S.; MAXIM, B. R. Engenharia de Software: uma abordagem profissional. 8. ed. McGraw-Hill, 2016.
  
• SOMMERVILLE, I. Engenharia de Software. 10. ed. Pearson, 2016.
  
• PMI – Project Management Institute. Pulse of the Profession: AI Innovators. PMI, 2023.
  
• NENNI, M. E. et al. How Artificial Intelligence Will Transform Project Management. Journal of Management Control, 2024.
  
• VERGARA, D. et al. Trends and Applications of Artificial Intelligence in Project Management. Electronics, 2025.
  
• LI, X. et al. AI Tools for Predictive Analytics, Risk Assessment and Decision-Making in Project Management. International Journal of Academic Management Research, 2024.

Nos últimos anos, os jogos digitais têm ganhado cada vez mais destaque. Em sua origem, os “games” eram vistos apenas como uma forma simples de entretenimento, um passatempo. No entanto, com a evolução tecnológica, o avanço da capacidade dos hardwares e o aumento dos investimentos na indústria, tornou-se possível o desenvolvimento de jogos mais complexos, imersivos e com narrativas elaboradas. Assim, passamos de títulos rudimentares como Pong para produções de grande escala, como o aguardado GTA VI. Nesse percurso, diversos gêneros surgiram, abrangendo desde jogos de tiro em primeira pessoa (First Person Shooter – FPS), esportivos como FIFA, simulações e até mesmo jogos com finalidades educacionais.

Entre essa ampla variedade, há também aqueles que, embora não tenham sido criados com foco na educação, possuem um enorme potencial pedagógico. Um exemplo é a série Assassin’s Creed, que em suas versões mais recentes incorporou o modo Discovery Tour, permitindo aos jogadores explorarem cenários e eventos históricos de forma imersiva, fundamentada em bases científicas.

Outro caso notável, que será mais detalhado neste trabalho, é o famoso Minecraft. Lançado em maio de 2009, o jogo pode ser classificado como uma combinação dos gêneros sobrevivência, aventura e sandbox — categoria que oferece ao jogador ampla liberdade criativa, geralmente sem objetivos fixos ou com metas definidas pelo próprio usuário. Essa liberdade proporciona uma vasta gama de possibilidades criativas, potencializadas pelo sistema de Redstone, um recurso do jogo que introduz uma lógica booleana e permite a construção de circuitos binários análogos aos sistemas computacionais reais.

Na abordagem educacional, o uso do jogo pode ser explorado como uma ferramenta de apoio no ensino superior, especialmente em disciplinas como Circuitos Digitais e Organização de Computadores. É importante contextualizar como essa aplicação pode contribuir para a formação acadêmica de nível superior, proporcionando um ambiente interativo e experimental de aprendizado. 

O já mencionado sistema de Redstone funciona de modo análogo a circuitos elétricos: o recurso pode ser interpretado como fios condutores de energia, aos quais se somam elementos como botões, que enviam um sinal lógico “1” por um curto intervalo de tempo, alavancas, que mantêm o sinal positivo constante enquanto acionadas, entre outros. Com apenas esses poucos componentes, é possível construir desde portas lógicas básicas até sistemas computacionais complexos, capazes inclusive de executar códigos em Assembly (ASM), aproximando os conceitos teóricos da prática de maneira lúdica e visual.

Primeiramente, seu uso na disciplina de Circuitos Digitais ocorre por meio de dois componentes básicos. O caminho de Redstone transmite o sinal lógico “1” quando a alavanca está ligada, enquanto a tocha de Redstone, quando conectada diretamente a um sinal positivo, é responsável por realizar a negação do sinal, implementando assim o operador NOT (não).

A porta lógica OR (ou) é construída a partir da soma de duas entradas, correspondendo à chamada soma lógica. Já para compreender a implementação da porta AND (e), é necessário relembrar um conceito da Lei de De Morgan: sua construção é feita enviando dois sinais, negando cada um deles com uma tocha, realizando uma operação OR entre os resultados e, por fim, aplicando uma negação ao conjunto com outra tocha.

Matematicamente, essa relação é expressa por: !(!A+!B)=A*B, pois !!A = A, !!B = B, e, conforme a equivalência de De Morgan, a negação de uma soma resulta em uma multiplicação lógica (!+ se transforma em *). Dessa forma, é possível implementar as quatro portas lógicas básicas utilizando apenas componentes de Redstone.

Partindo para demais portas lógicas o NOR (NOT OR) é construído com a junção de dois caminhos de Redstone com uma tocha na saída, negando a operação OR. Para a construção da porta NAND (NOT AND) é feita uma simplificação da porta AND retirando a tocha que nega o conjunto após a soma lógica, sendo expresso também pela lei de De Morgan como !(A*B) = !A + !B, ou seja, a negação do AND (NAND) é igual a soma de duas negações.

Para a porta XOR (Exclusive OR) temos uma construção mais elaborada, a primeira etapa é construir a porta AND, após isso pega-se os inputs após a primeira negação com tochas da porta AND e conectam-se na saída do AND cada, que são somados em uma última porta OR, dessa forma é expressa a equação A⊕B = (A*!B) + (!A*B), a partir da construção teremos a equação !(A*B+!A) + !(A*B+!B), que passa pelas seguintes etapas de simplificação:

• !(A*B+!A) + !(A*B+!B) 🡪 [!(A*B)*!!A] + [!(A*B)*!!B]

• [!(A*B)*!!A] + [!(A*B)*!!B] 🡪 [!(A*B)*A] + [!(A*B)*B]

• [!(A*B)*A] + [!(A*B)*B] 🡪 [(!A + !B)*A] + [(!A + !B)*B]

• [(!A + !B)*A] + [(!A + !B)*B] 🡪 (A*!A + A*!B) + (B*!A + B*!B)

• (A*!A + A*!B) + (B*!A + B*!B) 🡪 (0 + A*!B) + (B*!A + 0)

• (0 + A*!B) + (B*!A + 0) 🡪 (A*!B) + (!A*B)

Por sua vez a porta XNOR (Not Exclusive OR) é a mesma construção da porta XOR, porém com uma tocha para negar a saída.

Avançando ainda mais nos conceitos de Circuitos Digitais, é possível construir o mecanismo T Flip-Flop utilizando apenas um botão (que atua como entrada de clock), Redstone e tochas. Essa construção, contudo, será omitida, pois sua explicação demandaria um nível de detalhamento extenso e seria de difícil compreensão apenas por meio de descrição textual. Ainda assim, o processo de implementação desse circuito proporciona ao construtor um profundo entendimento sobre o funcionamento interno dos mecanismos lógicos.

Por fim, é possível construir uma simulação de clock de maneira bem simples, é feito um quadrado com uma tocha em cada ponta, é dado um sinal de partida, então o sinal é repetido alternadamente no ciclo.

Todas as construções mencionadas podem ser encontradas no vídeo de referência Computer Logic Gates in Minecraft (Only Redstone and Torches).

Abordando agora a disciplina de Organização de Computadores, o Minecraft mostra-se igualmente eficiente como ferramenta de reforço de aprendizagem. Tendo em vista o conhecimento da estrutura e do funcionamento da arquitetura MIPS (Microprocessor without Interlocked Pipeline Stages), aliado ao entendimento prévio adquirido com a construção de portas lógicas utilizando Redstone, torna-se possível desenvolver um computador funcional dentro do jogo, com mecanismos de entrada, saída e capacidade de programação em linguagem Assembly (ASM).

A construção detalhada pode ser encontrada no vídeo de referência How to Make a Redstone Computer from Scratch. Neste trabalho, os detalhes dessa implementação serão abstraídos, uma vez que uma explicação completa demandaria dezenas de páginas para apresentar de forma adequada todos os aspectos envolvidos, além de ser necessário um grande conhecimento técnico. Dessa forma, sua aplicação para a disciplina de Organização de Computadores dá-se mais por entender os processos de construção do que ela construção em si.

Seguindo a ordem das referências, o primeiro passo consiste na construção de um banco de registradores contendo oito registradores, capazes de realizar operações de leitura e escrita. Em conjunto, é implementada uma ALU (Arithmetic Logic Unit) com suporte a nove operações fundamentais, sendo elas: add, subtract, bitwise OR, bitwise NOR, bitwise AND, bitwise XOR, increment, decrement e right shift. Além disso deve ser implementada a instrução chamada ldi (load immediate) que carrega um valor imediato em um certo registrador.

Iniciando a construção, um único registrador pode ser implementado como uma pilha de 8 estruturas compostas por dois repetidores — um mecanismo de Redstone que repete o sinal recebido — e uma lâmpada, utilizada para a visualização dos estados lógicos (1 ou 0). Os dois repetidores são dispostos frontalmente um ao outro, de modo que o sinal elétrico se retroalimente, formando um ciclo contínuo que mantém o valor armazenado. Assim, cada unidade dessa estrutura é capaz de armazenar 1 bit de informação.

Essa estrutura, composta por oito unidades de armazenamento binário, é conectada a uma pequena saída de controle, formada por um comparador e um repetidor. Essa configuração permite bloquear ou liberar o sinal de saída, habilitando ou desabilitando o registrador para leitura, conforme o comando recebido. Por fim, a integração dos oito registradores de 8 bits, bem como o mecanismo de seleção entre eles e a construção da ALU, serão omitidas neste trabalho devido à complexidade envolvida em sua explicação detalhada.

O próximo passo consiste na construção de um banco de memória, essencial para armazenar as instruções do programa. Associado a ele, é implementado o PC (Program Counter), responsável por indicar o endereço da instrução atual a ser executada no banco de memória. Além disso, são introduzidas duas novas instruções: a instrução halt, utilizada para encerrar a execução do programa e interromper o incremento do PC, e a instrução BIZ (Branch If Zero), que possibilita a implementação de estruturas de repetição condicionais, como loops dependentes de resultados anteriores.

A construção do banco de memória segue uma lógica semelhante à do banco de registradores, porém de forma mais manual e extensiva. Nessa configuração, um dos repetidores é substituído por um comparador, o qual, quando obstruído por um barril, passa a enviar o sinal lógico 1 para a estrutura. Por meio da associação de diversas dessas unidades, é possível formar um banco de memória capaz de armazenar até 64 instruções de 16 bits.

Nesse ponto, já é possível integrar todos os componentes construídos, conectando-os a um sistema de exibição que permite visualizar a execução do programa em tempo real. Entretanto, ainda é necessária a implementação de um banco de memória de dados. Esse componente pode ser desenvolvido de duas formas: seguindo a arquitetura de Von Neumann, na qual o banco de memória é unificado, armazenando tanto instruções quanto dados — sendo a memória de dados iniciada a partir de um endereço específico —, ou adotando a arquitetura de Harvard, que separa fisicamente as memórias de dados e instruções.

No contexto dos circuitos construídos em Redstone, optou-se pela arquitetura de Harvard, pois ela permite acesso simultâneo a dados e instruções, oferece uma distinção mais clara e visual entre ambos e reduz o risco de alterações acidentais em instruções durante a manipulação da memória. Desse modo, está completo.

Por fim, é possível realizar um “upgrade” do computador desenvolvido. O primeiro aprimoramento implementado consistiu na expansão da memória, que passou de 64 para 256 bytes, juntamente com a memória de instruções, ampliada de 128 bytes para 2048 bytes. Além disso, o banco de registradores foi aprimorado, passando a comportar 16 registradores em vez de 8.

Outro avanço significativo ocorreu na forma de programação, que agora é realizada em Python. O código fonte passa por um script conversor, responsável por traduzir as instruções Python para o conjunto de instruções customizado desenvolvido no projeto. Esse script gera um esquema compatível com o mod Schematic — ferramenta capaz de criar plantas de blocos no Minecraft — funcionando, assim, como um montador (assembler) para o computador em Redstone.

Autor: Mateus Cardoso Oliveira

Referências: 

MINECRAFT WIKI. Redstone circuits. Fandom, s.d. Disponível em: http://minecraft.fandom.com/wiki/Redstone_circuits. Acesso em: 10 nov. 

2025.MRFLACKO. Computer Logic Gates in Minecraft (Only Redstone and Torches) [Vídeo]. YouTube, 2018. Disponível em http://www.youtube.com/watch?v=VEcmaXwjwuY. Acesso em: 11 nov. 25

MATTBATWINGS. I Made a Working Computer with just Redstone! [Vídeo]. YouTube, 2023. Disponível em http://www.youtube.com/watch?v=CW9N6kGbu2I. Acesso em: 12 nov. 25

MATTBATWINGS. I Made a Powerful Redstone Computer! [Vídeo]. YouTube, 2024. Disponível em http://www.youtube.com/watch?v=3gBZHXqnleU. Acesso em: 12 nov. 25

MATTBATWINGS. How to Make a Redstone Computer from Scratch [Vídeo]. YouTube, 2025. Disponível em http://www.youtube.com/watch?v=hAZEXqWLTmY. Acesso em: 13 nov. 25

A ascensão da inteligência artificial generativa, capaz de criar textos, sons e imagens com uma capacidade quase humana, marca uma nova fronteira tecnológica. Ferramentas como o ChatGPT e o Midjourney encantam pela sua capacidade de escrever, desenhar, programar, entre outras muitas atividades. No entanto, por trás dessa fachada de criatividade, existe uma verdade fundamental: a IA não “pensa” nem “cria” a partir do nada. Ela é uma máquina de reconhecimento de padrões, um intérprete gigantesco de dados que aprende ao receber grandes volumes de informação produzida por humanos. E é exatamente nessa fonte que reside seu maior desafio ético, pois ao aprender com o nosso mundo, a IA também aprende, reflete e automatiza os preconceitos e as desigualdades neles contidos.

A prova mais visível desse fenômeno está nos populares geradores de imagem. Em uma investigação detalhada de 2023, a agência de notícias Bloomberg analisou o modelo Stable Diffusion e revelou um viés sistêmico alarmante. Conforme documentado no artigo “Humans Are Biased. Generative AI Is Even Worse”, a pesquisa constatou que comandos como “pessoa de baixa renda” geravam imagens de indivíduos com tons de pele mais escuros, enquanto “pessoa bem-sucedida” produzia predominantemente homens brancos. Profissões de prestígio, como “juiz” ou "CEO", eram principalmente associadas a homens, e as de cuidado a mulheres. Essa “imaginação artificial” não é criativa, é um eco dos estereótipos extraídos de bilhões de imagens da internet, que acaba por apagar a diversidade do mundo real e apresentar uma caricatura preconceituosa.

Quando esse viés migra de imagens ilustrativas para sistemas de aplicação da lei, as consequências tornam-se ainda mais preocupantes. Em fevereiro de 2023, Porcha Woodruff, uma mulher negra de Detroit, foi presa injustamente em frente aos seus filhos, acusada de roubo de carro. Ela se tornou a sexta pessoa a relatar uma prisão indevida baseada em uma correspondência facial algorítmica falha nos EUA e todas elas eram negras. O caso de Randal Reid, um homem negro da Geórgia erroneamente preso em novembro de 2022 por um roubo que ocorreu em outro estado, segue o mesmo padrão trágico. Esses incidentes não são mais hipóteses teóricas, são a prova de que tecnologias enviesadas, treinadas com bancos de dados que sub-representam certos grupos étnicos e sociais, estão sendo usadas para privar cidadãos de sua liberdade, transformando o código em uma sentença.

O grande perigo é que a IA parece ser totalmente neutra e imparcial. Enquanto podemos identificar e questionar o preconceito de uma pessoa, o preconceito do algoritmo fica escondido por trás de números e cálculos- o que o torna mais perigoso e disfarçado. Por isso, uma decisão injusta feita por um computador muitas vezes é aceita como correta e se torna mais difícil de ser contestada. Isso cria um efeito de bola de neve: o sistema toma uma decisão preconceituosa (como vigiar mais um bairro de minorias), o que gera mais dados que “provam” que a decisão estava certa (mais prisões acontecem ali). Esses novos dados, por sua vez, alimentam o sistema, que reforça ainda mais seu preconceito inicial. Desse modo, a desigualdade não só se repete, como se torna mais forte e passa a ser justificada por uma lógica que se alimenta de si mesma, tudo isso em uma velocidade e escala que nenhuma pessoa conseguiria atingir sozinha. 

Esses exemplos expõem a urgência de uma discussão profunda sobre o treinamento ético da inteligência artificial. O problema não está em uma falha de programação, mas em uma falha de concepção social refletida nos dados. Se um algoritmo é alimentado com um histórico de decisões humanas que, sutil ou abertamente, favoreceram um grupo em detrimento de outro, ele aprenderá essa discriminação como a norma a ser seguida. A tecnologia, nesse caso, age como um amplificador de injustiças estruturais, conferindo uma aura de objetividade e neutralidade a decisões que são, na verdade, profundamente enviesadas. A máquina não é racista ou sexista por si só, ela se torna um agente de preconceito ao aprender com uma sociedade que ainda luta contra esses mesmos demônios.

Para solucionar esse problema, são necessárias ações em várias frentes. A melhoria da tecnologia, por si só, é insuficiente; é preciso cuidar dos dados utilizados e das regras de controle. Tal abordagem significa selecionar dados com mais cuidado para assegurar diversidade e justiça, criar sistemas que permitam fiscalização contra preconceitos e estabelecer leis que obriguem as empresas à transparência e à responsabilidade. A constituição de equipes com profissionais de diversas áreas como tecnologia, sociologia e direitos humanos é crucial para prever e reduzir os problemas. Em resumo, a inteligência artificial reflete a sociedade. Se essa imagem é preconceituosa, a falha está na fonte, não na ferramenta. A correção dos defeitos sociais é uma tarefa urgente, para que não se tornem regras permanentes nos códigos que guiarão o futuro.

Autor(a): Leonardo Winch Dallanora

Referências:

Grávida é presa por engano: quem é a mulher acusada de roubo por erro em tecnologia de reconhecimento facial nos EUA. O Globo. Disponível em: http://oglobo.globo.com/mundo/epoca/noticia/2023/08/07/gravida-e-presa-por-engano-quem-e-a-mulher-acusada-de-roubo-por-erro-em-tecnologia-de-reconhecimento-facial-nos-eua.ghtml. Acesso em: 15 out. 2025.

NICOLETTI, Leonardo; BASS, Dina. Humans Are Biased. Generative AI Is Even Worse. Bloomberg. Disponível em: http://www.bloomberg.com/graphics/2023-generative-ai-bias. Acesso em: 15 out. 2025.

PEREIRA, Ivan. In lawsuit, man claims he was falsely arrested due to misuse of facial recognition. ABC News. Disponível em: http://abcnews.go.com/US/lawsuit-man-claims-falsely-arrested-misuse-facial-recognition/story?id=103687845. Acesso em: 15 out. 2025.

A universidade, em sua essência, é um ambiente interdisciplinar que se diferencia de outras instituições de ensino, entre outras coisas, pela amplitude de campos de estudo e a interação entre eles que acontece no ambiente universitário. 

Para os alunos de graduação, uma das vantagens é a possibilidade de enriquecer sua formação através de uma variedade de projetos e atividades, mas também é possível trazer a interdisciplinaridade para dentro da sala de aula: a Universidade Federal de Santa Maria oferta, espalhadas nos 131 cursos de graduação da instituição, diversas disciplinas relacionadas a computação e sua aplicação nas mais diversas áreas. 

Para a PET Redação de hoje, trago uma seleção de disciplinas encontradas no ementário da UFSM [1] que abordam a área da computação, sob diversas perspectivas. As disciplinas estão classificadas de acordo com o assunto abordado, e são ofertadas em mais de 20 cursos de graduação, sendo ótimas opções de extracurriculares para complementar os conhecimentos obtidos no curso.

A seleção de disciplinas foi feita utilizando como principais critérios: 1. ter uma relação direta com a área da computação e 2. não ser ofertada pelos cursos de computação (Ciência da Computação, Engenharia da Computação, Redes de Computadores, Sistemas de Informação e Sistemas para Internet). Apesar disso, recomendo para quaisquer interessados em ampliar o escopo de seus estudos que busquem nas estruturas curriculares dos cursos de graduação e entrem em contato com os departamentos responsáveis para tirar dúvidas. Espero que essa lista desperte o interesse dos leitores pelo contato com outras áreas de estudo e ajude a valorizar a interação entre os campos de conhecimento dentro e fora da sala de aula.

Arquivologia: disciplinas relacionadas à preservação e gestão de documentos e acervos.

• ARQV0010 - Documentos Arquivísticos Digitais (Arquivologia): Compreender como os arquivos são representados digitalmente, estabelecer a relação entre a digitalização e os arquivos nato-digitais, analisar os metadados e os padrões arquivísticos para os arquivos digitais.
• UFSM1013 - Inteligência Artificial, Arquivos e Educação (Arquivologia): Compreender o conceito de Inteligência Artificial (IA) e as suas repercussões éticas, culturais e sociais. Analisar como a Inteligência Artificial pode ser aplicada de forma ética e confiável no trabalho arquivístico, considerando as atribuições legais da profissão. Refletir sobre como a IA pode auxiliar o ensino da Arquivologia e colaborar na formação de professores e estudantes da área. 
• ARQV0037 - Preservação Digital A (Arquivologia): Compreender o ciclo de vida dos arquivos permanentes digitais e seus sistemas de gerenciamento, enfatizando as questões de manutenção, autencidade, segurança e certificação. Salienta-se que esta disciplina terá 15 horas destinadas a realização de trabalhos de extensão.

Ciência de Dados:  disciplinas relacionadas à estatística e análise e manipulação de dados, aplicadas em diferentes áreas.

• CAD1130 - Análise de Dados em Administração (Administração): Aplicar estatística, desenvolvendo o raciocínio racional na descrição e apresentação de informações relevantes contidas em um conjunto de dados bem como tratar dos conceitos e cálculos das probabilidades, suas distribuições, aplicações e inferências; 
• CAD1127 - Análise de Dados em Finanças (Administração): Utilizar softwares (SPSS, Stata, Gretl, R), desenvolver e interpretar resultados de modelos de análise de dados em administração aplicados em dados cross section, séries temporais e em material bibliográfico.
• DEE1090 - Análise de Dados em Ecologia (Ciências Biológicas): Entender os conceitos sobre delineamento amostral, análises de dados e aplicar o método estatístico (análises exploratórias e inferenciais) no contexto de pesquisas científicas nas áreas de biologia, zoologia e ecologia.
• STC1073 - Métodos Estatísticos Computacionais (Ciências Econômicas): Ter conhecimentos e habilidades em tópicos de estatística computacional e computação científica. Os alunos aprovados nesta disciplina terão conhecimentos computacionais suficientes para realizar simulação de Monte Carlo e desenvolver pesquisas em estatística computacional.
• FSC1104 - Análise de Dados Ambientais Com R (Física): O curso aborda a programação em R, leitura e escrita de dados, criação de gráficos informativos, acesso a pacotes do R, criação de funções, organização e documentação de códigos R. Durante o aprendizado serão utilizados dados ambientais para aplicação das ferramentas de análise de dados de diferentes áreas (climatologia, hidrologia, termodinâmica).
• DPADP0009 - Modelagem de Banco de Dados Espacial (Estatística): Conhecer os conceitos, métodos e técnicas de estruturação, modelagem, implantação e aplicação de bancos de dados de natureza espacial.

Mídias Digitais: disciplinas relacionadas à interação com redes sociais.

• CAD1166 - Marketing Digital (Administração): Situar o marketing digital no contexto do marketing direto. Compreender o papel do marketing digital como estratégia de captação, comunicação e relacionamento com os clientes. Analisar e decidir acerca do uso das ferramentas digitais como estratégias de marketing nos negócios. Compreender o papel da tecnologia para captação e manutenção de clientes. Proporcionar aos alunos a vivência dos conteúdos da disciplina por meio de 15 horas de prática extensionista.

• COM3107 - Monitoramento de Mídias Sociais Digitais (Comunicação Social): Conhecer os princípios do gerenciamento e do monitoramento de redes sociais digitais. Identificar os diferentes níveis de interação em mídias sociais. Reconhecer os tipos de métricas e sua importância nas ações de comunicação digital. Planejar, executar e avaliar o monitoramento de mídias sociais digitais.

• COM3035 - Produção Editorial Para Mídias Digitais (Comunicação Social): Capacitar para a compreensão das características e tendências em mídias digitais. Refletir sobre os processos de produção, circulação e consumo associados às mídias digitais. Refletir sobre as lógicas e possibilidades de produção das mídias digitais aplicadas à produção editorial e experimentar possibilidades de produção na área.

Computação e sociedade: disciplinas que abordam os impactos da computação dentro da sociedade, seus efeitos no dia a dia e na cultura como um todo.

• CAD1126 - Negócios e Tecnologias Digitais (Administração): Compreender os negócios digitais e as novas tecnologias. Visualizar as influências da tecnologia na sociedade, nas organizações e nos indivíduos.

• JUR1126 - Direito Digital e Cibersegurança (Direito): Proporcionar o conhecimento do sistema de fontes, direitos, liberdades fundamentais e os princípios básicos do direito digital e cibersegurança; conduzir a formação de profissionais que saibam integrar conceitos multidisciplinares, analisando, interpretando e resolvendo os problemas e conflitos jurídicos, políticos e sociais que surgem neste novo campo, com a integração dos diferentes ramos do direito sob o viés dos marcos jurídicos digitais.

• ISP1028 - Novas Tecnologias e Cibercultura (Ciências Sociais):Analisar a configuração de um novo paradigma na contemporaneidade, marcado pela predominância das novas tecnologias de comunicação e informação. Com base nisto discutir os significados sociais, políticos e culturais da construção do novo espaço tecno-social, as mudanças e as problemáticas sócio-políticas a ele relacionadas.

• COM1221 - Produção de Conteúdo e Sociabilidade em Jogos Eletrônicos (Comunicação Social): Compreender as novas formas de produção de conteúdo e de sociabilidade, gênero e sexualidades relacionadas aos jogos eletrônicos, animes e mangás.

• COM3125 - Debates Contemporâneos em Comunicação e Tecnologia (Comunicação Social): Problematizar questões comunicacionais contemporâneas, instrumentalizando os estudantes com os fundamentos conceituais da informação e da tecnologia e suas implicações na sociabilidade e nas dinâmicas comunicacionais.

Computação e arte:  disciplinas que tratam da intersecção entre arte e computação, do uso dec ferramentas digitais para expressão artística.

• ART1217 - Arte Digital (Artes Visuais): Proporcionar ao estudante uma introdução à Arte Digital a partir dos cruzamentos entre Arte, Ciência e Tecnologia. Apresentar propostas artísticas que contemplem a diversidade de investigações realizadas em Arte Digital. Desenvolver poéticas em Arte Digital, considerando sua produção e modos de apresentação. 

• ART1250 - Arte Contemporânea, Ciência e Tecnologia (Artes Visuais): Reconhecer na história da arte contemporânea a produção em arte, ciência e tecnologia, a partir de meados do século XX no Brasil e exterior, através de uma abordagem teórica e crítica. Entender a transdisciplinaridade entre a arte, ciência e tecnologia digital no contexto da arte contemporânea, considerando em parte a história da arte, história da imagem e história das mídias. Perceber as alterações provocadas pela virtualidade e interatividade na produção e recepção das obras\projetos em arte, ciência e tecnologia, seus processos curatoriais, espaços expositivos, estratégias museais e arquivos. Participar do projeto de extensão.

• DDI1068 - Computação Gráfica I (Desenho Industrial): Utilizar a computação gráfica como ferramenta para desenvolvimento da expressão gráfica, aplicando diferentes tipos de programas gráficos e seus usos específicos. 

• MSC1629 - Panoramas de Desenvolvimento de Aplicativos de Áudio (Música): Uma introdução ao desenvolvimento de softwares de áudio, utilizando diferentes plataformas. 

• MSC1626 - Projetos de Áudio e Midi Com Arduino (Música): Introduzir os alunos de Música e Tecnologia à prototipagem e desenvolvimento de projetos de áudio e MIDI, que compreendem hardware e software utilizando Arduino, eletrônica básica e programação. Instrumentalizar e incentivar o interesse dos alunos por essas temáticas para possíveis projetos de pesquisa no futuro.

Educação e pesquisa: disciplinas relacionadas à métodos de estudo e pesquisa ou ao uso de computação para apoiar o ensino.

• ARQV0041 - Estratégias de Estudo na Cultura Digital (Arquivologia): Identificar as interferências da cultura digital nos estudos; Discernir as fases do estudo enquanto atividade intelectual; Compreender a importância do planejamento e organização nos estudos; Ampliar os conhecimentos sobre estratégias de leitura acadêmica; Ampliar os conhecimentos sobre estratégias de pesquisa acadêmica na Web; Desenvolver sínteses visuais por meio de mapas conceituais e mapas mentais.

• COM1230 - Inteligência Artificial Aplicada à Pesquisa Científica (Comunicação Social): Analisar, de forma crítica, as mudanças que a inteligência artificial está promovendo no contexto das pesquisas científicas. 

• LTE1239 - Games e Gamificação no Ensino de Línguas (Letras): Discutir aspectos teóricos e práticos sobre o uso de jogos digitais na educação, buscando evidenciar princípios de aprendizagem e recursos multimodais que podem favorecer a aprendizagem de línguas estrangeiras por meio de jogos digitais.

Engenharia: disciplinas variadas sobre a aplicação da computação em diferentes contextos para engenharia.

• UFSM00061 - Controle Analógico e Digital (Engenharia Elétrica): Identificar necessidades de aplicações de sistemas de controle, definindo especificações, sensores, atuadores e tipos de controladores. Projetar, implementar e simular sistemas de controle no tempo contínuo e no tempo discreto através de ferramentas computacionais, levando em conta os limites da aplicação.

• EAC1041 - Processamento Digital de Sinais I (Engenharia Acústica): Compreender os princípios envolvidos no processamento digital de sinais e aplicar tais conhecimentos na análise de sinais por meio de programação em computador. Entender os fundamentos matemáticos da análise de sinais, da conversão analógico/digital, da transformada discreta de Fourier e da análise de sinais complexos e aleatórios e da medição da resposta ao impulso em sistemas lineares e invariantes no tempo.

• ELC1138 - Comunicação Via Satélite (Engenharia Aeroespacial): Fornecer ao estudante os elementos e fundamentos de sistemas de comunicações por satélite, visando obter competência para a compreensão, manipulação e realização de projetos e situações afins.

• DPEE1057 - Sistemas Operacionais e Tempo Real (Engenharia Elétrica): Fornecer conceitos de algoritmos, linguagens de programação, sistemas operacionais, comunicação em sistemas distribuídos e sistemas tempo real, que são relevantes para o projeto de sistemas de automação.

• DPEE1114 - Robótica Industrial (Engenharia de Controle e Automação): O aluno deve ser capaz de entender os princípios básicos de robótica, desenvolver análise de modelos de robôs industriais, dos sistemas de geração de trajetórias, bem como a programação de robôs manipuladores. Ainda, deve ser capaz desenvolver um projeto experimental em plataformas robóticas.

• DPEE1113 - Sistemas de Tempo Real (Engenharia de Controle e Automação): O aluno deve ser capaz de identificar conceitos acerca dos princípios básicos de sistemas de tempo real em sistemas computacionais. Ainda, deve ter conhecimento para analisar, projetar e criar na prática aplicações básicas de sistemas computacionais que empreguem tempo real para a área de automação e controle.

• DPS1135 - Simulação e Modelagem de Sistemas (Engenharia de Produção): Capacitar os discentes para modelar e simular sistemas produtivos discretos com apoio computacional para a tomada de decisão. Ao término da disciplina o discente deverá estar apto a compreender a inter-relação entre sistema real, modelagem conceitual e computacional; a utilizar conhecimentos de sistemas, estatísticos e de programação computacional; a documentar e apresentar modelos de simulação.

Outros

• UFSM00772 - Desenvolvimento No-Code Para Aplicações Empresariais (Engenharia de Produção): Executar projeto interdisciplinar de forma colaborativa voltado para o desenvolvimento de uma aplicação no-code (sem código) que atenda alguma necessidade empresarial. Para alcançar o objetivo é utilizada uma plataforma de desenvolvimento sem-código (NCDP) que usa ferramentas de arrastar e soltar componentes pré-construídos, editor “o que você vê é o que você obtém” (WYSIWYG) e ambiente de ponta a ponta onde os usuários gerenciam desde o design até a manutenção da aplicação

• CAD1103 - Sistemas de Informação (Administração): Visualizar globalmente e compreender a estrutura e a administração dos sistemas de informações. Otimizar o processo decisório nas empresas por meio dos sistemas de informações, bem como compreender o impacto das novas tecnologias da informação e comunicação (TICs) no ambiente organizacional.

• MTM01013 - Métodos Numéricos e Computacionais (Matemática): Resolver numericamente problemas de Cálculo e Álgebra Linear, utilizando métodos numéricos e técnicas computacionais.

Autor(a): Isadora Fenner Spohr

[1] -  http://www.55bet-pro.com/ementario/disciplinas. Acesso em 26 de setembro de 2025.

Na década de 1990, a popularização do e-mail trouxe uma nova onda de ataques cibernéticos, como o e-mail bombing e os Sendmail exploits, técnicas que consistiam no envio massivo e automático de milhares de mensagens para uma mesma caixa de entrada ou servidor, com o objetivo de sobrecarregar o sistema. Para conter esses ataques, foi necessário o desligamento simultâneo de milhares de servidores. De maneira semelhante, atualmente, a informatização e a globalização ampliaram ainda mais a ocorrência de problemas de cibersegurança, como evidenciado no recente caso do Gmail, que, embora noticiado de forma equivocada, serviu para dar visibilidade ao tema e às ameaças contemporâneas, entre elas a engenharia social, os ataques de negação de serviço distribuída (DDoS) e falhas de software. Estima-se que o cibercrime tenha causado um custo total anual de cerca de US$ 950 bilhões, interrupção de serviços e recuperação de sistemas, enquanto ataques de ransomware aumentaram 105% em 2021, afetando empresas, hospitais e órgãos públicos Tais fatores podem gerar graves consequências, como prejuízos financeiros, roubo de identidade e interrupção de serviços públicos.

Atualmente, as ameaças cibernéticas modernas exploram tanto vulnerabilidades humanas quanto técnicas. Entre elas, destacam-se os ataques de engenharia social, em que usuários são induzidos a fornecer informações confidenciais, como senhas ou dados bancários, através de mensagens falsas que simulam serviços legítimos, prática conhecida como phishing. Outro vetor de ataque são as explorações de vulnerabilidades de software, que aproveitam falhas no código para executar comandos não autorizados, obter acesso privilegiado ou controlar sistemas remotamente, exemplos incluem buffer overflow, quando um programa aceita mais dados do que pode armazenar, sobrescrevendo memória, e remote code execution (RCE), em que o invasor executa código malicioso à distância.

Além disso, há a disseminação de malware, software malicioso que compromete a integridade e confidencialidade do sistema, incluindo o ransomware, que criptografa arquivos e exige pagamento para liberá-los, frequentemente se espalhando de forma semelhante a worms. Ataques de força bruta tentam adivinhar senhas ou chaves criptográficas testando sistematicamente combinações, muitas vezes acelerados por hash cracking com GPUs. Os ataques de negação de serviço distribuída (DDoS) utilizam redes de computadores infectados, chamadas botnets, para sobrecarregar servidores com tráfego massivo, podendo incluir variações como amplification attacks, que aumentam o impacto usando respostas de terceiros. Por fim, há técnicas de injeção de código em aplicações web, como SQL Injection (SQLi), que manipula consultas a bancos de dados, e Cross-Site Scripting (XSS), que injeta scripts maliciosos em páginas visitadas por usuários, comprometendo dados e sessões.

Em agosto de 2025, surgiram alegações sobre uma suposta falha de segurança no Gmail que teria comprometido dados de até 2,5 bilhões de usuários. No entanto, de acordo com reportagem da Inc., uma renomada revista e site jornalístico americano especializado em negócios e tecnologia, o Google esclareceu que essas alegações eram infundadas e que as proteções do Gmail permanecem “fortes e eficazes”. Na verdade, o incidente envolveu o serviço de banco de dados corporativo do Google, o Salesforce, que expôs algumas informações públicas de empresas de pequeno e médio porte. Embora o Gmail não tenha sido comprometido, esses dados podem e foram utilizados para ataques de phishing. Ainda assim, o Google recomendou fortemente a mudança periódica de senhas e o uso da autenticação de dois fatores (2FA).

Um dos casos mais famosos envolvendo hacking é o da Sony Pictures em 2014, quando hackers atribuídos à Coreia do Norte invadiram os sistemas da empresa, vazando e-mails internos, roteiros, dados financeiros e informações pessoais de funcionários. Um grupo autodenominado "Guardians of Peace" (GOP) utilizou uma variante do malware destrutivo conhecido como Shamoon, projetado para apagar dados e tornar os sistemas inoperantes, interrompendo as operações da empresa. Além disso, os atacantes instalaram ferramentas adicionais, como backdoors e proxies, para manter o acesso e exfiltrar informações sensíveis.

A proteção contra ataques cibernéticos envolve medidas como autenticação forte com 2FA, atualizações constantes de sistemas, uso de antivírus, conscientização sobre phishing, realização de backups regulares e controle rigoroso de privilégios, garantindo maior segurança de dados e serviços críticos. Dessa forma, evita-se que incidentes semelhantes aos do Sendmail em 1990 exijam o desligamento em massa de servidores.

Autor: Gabriel Vargas Saueressig

Referências Bibliográficas

ATEN, Jason. Why Google Is Really Warning 2.5 Billion Gmail Users to Stop Using Their Passwords. Inc.. Disponível em: http://www.inc.com/jason-aten/why-google-is-warning-2-5-billion-gmail-users-to-stop-using-their-password/91234290. Acesso em: 15 set. 2025.

COLUMBIA UNIVERSITY. The Hacking of Sony Pictures: A Columbia University Case Study. Disponível em: http://www.sipa.columbia.edu/sites/default/files/2022-11/Sony%20-%20Written%20Case.pdf. Acesso em: 15 set. 2025.

CISO ADVISOR. Custo global anual do cibercrime é de quase US$ 950 bilhões, diz relatório. Disponível em: http://www.cisoadvisor.com.br/custo-global-anual-do-cibercrime-e-de-quase-us-1-bilhao-diz-relatorio/. Acesso em: 15 set. 2025.

BERNARDO, Marco. Las 15 técnicas de hacking más comunes. ESED Seguridad Digital. Disponível em: http://www.esedsl.com/blog/15-tecnicas-de-hacking-mas-comunes. Acesso em: 15 set. 2025.

No jogo “Detroit: Become Human”, produzido pela Quantic Dream em 2018, robôs humanoides foram desenvolvidos com o objetivo de substituir pessoas em tarefas braçais e repetitivas. Neste sentido, o avanço da tecnologia naquele mundo distópico permitiu que uma parcela relevante dos processos fossem automatizados por robôs. Fora da ficção e de forma menos impactante, há uma crescente no uso deste tipo de ferramenta, o que conhecemos como Robot Process Automation (RPA). Através de tecnologias deste tipo, a humanidade caminha para um futuro parecido com o visualizado pelo jogo, uma vez que torna-se possível realizar tarefas simples e repetitivas por meio de códigos e fluxos programados, também chamados de robôs. 

Sob essa ótica, enxergamos tecnologias RPA como agentes de software que agem como humanos ao interagirem com sistemas. Assim, eles imitam a forma com a qual um indivíduo usaria uma aplicação, seguindo um caminho estabelecido e realizando tarefas que fazem parte dos processos do negócio em questão [1]. Este tipo de software é comum em áreas que envolvem processos financeiros, atendimento ao cliente e e-commerce, sendo que exemplos de tarefas que podem ser executadas por ele são a transferência de dados entre aplicações, web scraping e automação de listas de emails. Sendo assim, RPA é utilizado em tarefas bem estruturadas, repetitivas e baseadas em regras, uma vez que o processo deve estar bem definido antes de ser automatizado. 

De acordo com um estudo realizado pela BotCity, empresa responsável por produzir e manter um dos mais populares frameworks de RPA, 66% das empresas consultadas na América Latina pretendem aumentar o investimento nessa tecnologia para ganhar escala. Desta forma, entende-se que a automatização de processos por robôs possui grande potencial de crescimento, devido ao interesse das empresas em melhorar seu fluxo de trabalho através desta ferramenta. Isto é justificado pela quantidade de benefícios que a implementação de uma tecnologia RPA gera à empresa, como a redução dos custos, a potencialização do trabalho da equipe e a diminuição de erros.

Ao adotar tecnologias baseadas em automação de processos por robôs, a organização libera seus funcionários de tarefas repetitivas e muitas vezes tediosas, reservando mais tempo para a criatividade e tomada de decisões. Igualmente, ela economiza recursos ao alocar seus funcionários em tarefas mais complexas e importantes e diminui a quantidade de erros humanos que podem surgir destas pequenas tarefas repetitivas [2]. Outro ponto que merece destaque é a melhora da experiência do cliente, que recebe respostas mais rápidas devido à programação do robô que prepara-o para resolver algumas questões de maneira automatizada. Todavia, é necessário estar atento a falhas de segurança: mesmo que tudo fique registrado durante a execução do robô, algum erro em sua execução pode prejudicar toda a operação de um negócio.

Existem várias ferramentas e linguagens que apoiam o desenvolvimento de aplicações RPA. As soluções variam de acordo com a experiência do usuário, uma vez que é possível programar seus próprios robôs ou utilizar plataformas low code com interações prontas para usuários que não tem familiaridade com programação. Dentre as linguagens mais utilizadas estão C/C++, Python e Java [3], relevantes devido à popularidade que possuem e à variedade de bibliotecas referentes à automação de processos que se tem disponível ao programar nelas. Neste sentido, Selenium segue sendo uma importante ferramenta para a automação de processos pelo navegador, assim como Botcity (framework baseado em Selenium) e Playwright. Estes frameworks contam com funções prontas para interagir com elementos web, como clicar em botões, escrever em barras de pesquisa e utilizar teclas específicas como Enter e Tab. Para aqueles que preferem uma plataforma de uso simples e que integre toda a operação, é recomendável utilizar ferramentas low code prontas para iniciar a automatização dos processos por robôs sem precisar mexer em código, dentre as principais ferramentas estão UiPath, Automation Anywhere e Blue Prism [4].

Neste panorama, UiPath é famoso por ser extremamente completo, oferecendo soluções em automação de área de trabalho, automação da web, automação de GUI, captura de tela, automação de mainframe, automação do Excel, entre outras. Já Automation Anywhere possui poucos produtos, porém, atua em diversos setores como serviços financeiros, saúde, seguros, ciências biológicas, manufatura, setor público e telecomunicações, o que também serve para comprovar a flexibilidade no uso de RPA. Por fim, o diferencial da Blue Prism é fornecer recursos como Escalabilidade, Resiliência, Conformidade e Segurança e suportar diversas plataformas.

Ademais, vale ressaltar que a RPA é bem diferente da inteligência artificial. A primeira simula a interação de um humano com o computador, seguindo estritamente o que foi programada para fazer, enquanto a IA combina a automação com análise cognitiva, usufruindo de aprendizado de máquina e processamento de linguagem natural para gerar hipóteses e formular respostas. Contudo, IA e RPA são ferramentas que se complementam muito bem, uma vez que a IA pode integrar o processo de RPA para lidar com caminhos e casos de uso mais completos e complexos [5].

Diante do exposto, automatizar processos com RPA nem sempre é uma tarefa fácil, uma vez que a complexidade do desenvolvimento depende muito da qualidade das aplicações com as quais o robô deve interagir. Para evitar problemas, é importante mapear detalhadamente os caminhos a serem percorridos pelo agente, incluindo caminhos de possíveis erros. Desta forma, é possível antecipar problemas e evitar perdas operacionais ao utilizar recursos de RPA.

Igualmente, os avanços tecnológicos neste campo de pesquisa levantam questões éticas e tecnológicas. Quais tarefas devem ser realizadas por robôs e quais devem ser realizadas por humanos? Estariam os robôs tomando lugares de trabalhadores reais? De acordo com van der Aalst e Bichler, professores doutores da Universidade Técnica de Munique (TUM), ao integrar tecnologias como inteligência artificial e aprendizado de máquina ao uso de RPA, os robôs aprendem tarefas mais complexas e menos regradas. Da mesma forma com a qual humanos aprendem com um instrutor, os robôs poderiam aprender acompanhando humanos realizando determinadas tarefas. Neste sentido, estamos longe de ser substituídos pelos agentes de software e vivermos um cenário parecido com Detroit: Become Human, todavia, é possível que mais e mais trabalhos sejam realizados por meio da RPA com o aprimoramento desta promissora tecnologia e sua integração com outros tipos de ferramentas.

Referências

[1] WILLCOCKS, Leslie P.; LACITY, Mary C.; CRAIG, Andrew. Robotic process automation: contemporary themes and challenges. Journal of Information Technology Teaching Cases, v. 9, n. 2, p. 17-28, 2019. Disponível em: http://www.sciencedirect.com/science/article/abs/pii/S0166361519304609. Acesso em: 2 set. 2025.

[2] BONES, Anaíra. O que é RPA (Robotic Process Automation) e como funciona? Zendesk Blog, 13 jun. 2024. Disponível em: http://www.zendesk.com.br/blog/o-que-e-rpa-robotic-process/. Acesso em: 2 set. 2025.

[3] BEST programming languages for RPA UiPath. The Knowledge Academy, 16 maio 2024. Disponível em: http://www.theknowledgeacademy.com/blog/best-programming-languages-for-rpa-uipath/. Acesso em: 2 set. 2025.

[4] AS 7 Principais Ferramentas de Automação Robótica de Processos (RPA). Data Science Academy, 27 mar. 2023. Disponível em: http://blog.dsacademy.com.br/7-principais-ferramentas-de-automacao-robotica-de-processos_rpa/. Acesso em: 2 set. 2025.

[5] IBM. O que é a Automação Robótica de Processos (RPA)? IBM, c2024. Disponível em: http://www.ibm.com/br-pt/think/topics/rpa. Acesso em: 2 set. 2025.

[6] SANTOS, F. C.; et al. Robotic Process Automation: a case study in the tax area of a shared services center. JISTEM - Journal of Information Systems and Technology Management, v. 18, e202118002, 2021. Disponível em: http://www.scielo.br/j/jistm/a/m7cqFWJPsWSk8ZnWRN6fR5m/?format=html&lang=en. Acesso em: 2 set. 2025.

[7] VAN DER AALST, W. M. P.; BICHLER, M.; HEINZL, A. Robotic Process Automation. Business & Information Systems Engineering, v. 60, p. 269–272, 2018. Disponível em: http://link.springer.com/article/10.1007/s12599-018-0542-4. Acesso em: 2 set. 2025.

Autor: Gustavo Pott de Oliveira

Nos últimos anos, as Inteligências Artificiais (IAs) deixaram de ser apenas uma promessa tecnológica para se tornarem parte da rotina de milhões de pessoas. Ferramentas como chatbots e sistemas generativos passaram a produzir textos, imagens e até mesmo decisões que antes dependiam exclusivamente do intelecto humano. Se, por um lado, essa transformação desperta fascínio, por outro levanta uma preocupação crescente: até que ponto estamos nos tornando dependentes da IA ao ponto de comprometer nossa própria capacidade de pensar?

A raiz do problema

A maior característica do ser humano sempre foi sua capacidade de raciocínio e criatividade. No entanto, estudos recentes alertam que o uso exagerado e passivo da IA pode estar enfraquecendo justamente essas habilidades. Uma pesquisa conduzida pelo Instituto de Tecnologia de Massachusetts (MIT) em 2025 mostrou que estudantes que usaram intensivamente sistemas de IA apresentaram menor atividade cerebral em tarefas de memória e análise crítica, quando comparados a grupos que não utilizaram a tecnologia (INFO VERUS, 2025).

Esse risco se manifesta de forma clara na educação: jovens recorrem à IA para resolver exercícios, redigir redações ou interpretar textos, mas muitas vezes não compreendem o conteúdo gerado, aceitando-o sem reflexão. Em alguns casos, alunos entregaram trabalhos escritos por IA sem sequer saber explicar os conceitos neles contidos (FORBES, 2025). Essa prática, além de comprometer o aprendizado, cria uma ilusão de competência, em que a autonomia intelectual é substituída pela confiança cega na máquina.

Confiança cega e pensamento crítico em risco

Um estudo desenvolvido pela Microsoft e pela universidade Carnegie Mellon (2025) investigou a relação entre uso de IA e pensamento crítico em contextos educacionais. Revelando que muitos estudantes tendem a confiar mais nas respostas da IA do que em si mesmos, aceitando as soluções apresentadas sem questionamento. Essa dependência reduz a disposição para analisar, comparar argumentos e verificar informações.

Por outro lado, o mesmo estudo mostrou que, quando usada de forma crítica, a IA pode atuar como gatilho para reflexão: ao pedir alternativas, explorar diferentes pontos de vista e questionar as respostas, alguns alunos conseguiram aprofundar sua compreensão em vez de reduzi-la (LEE , 2025). Ou seja, não é a tecnologia em si que elimina o pensamento crítico, mas a maneira como ela é utilizada.

IA e criatividade: muleta ou ferramenta?

O impacto não se limita ao campo educacional. Na esfera artística, a popularização de IAs generativas para criar imagens, músicas e vídeos também gera debate. Autores como Zuboff (2019) alertam que a substituição da prática criativa pela automação pode levar a uma homogeneização cultural, na qual o valor humano da inovação se perde.

Essa crítica ecoa no conceito de “dependência criativa” (PrivacyTech, 2024), segundo o qual o uso constante de IA para criar acaba por atrofiar a originalidade. Em vez de servir como uma ferramenta para impulsionar a imaginação, a IA passa a ser vista como muleta criativa, nivelando a produção pela média algorítmica.

O contra-ataque: o Modo Estudo da OpenAI

Consciente desse risco, a OpenAI anunciou em julho de 2025 o lançamento do modo Estudo (Study Mode) no ChatGPT. Diferente do uso convencional, em que a IA entrega respostas prontas, o novo recurso foi projetado para estimular o aprendizado ativo, propondo perguntas, testando a compreensão do estudante e evitando entregar a solução de forma imediata (OPENAI, 2025).

Segundo a empresa, a proposta é transformar a IA de uma “máquina de respostas” em um tutor socrático, que incentiva o raciocínio próprio do usuário (MacMagazine, 2025). Para educadores, a novidade representa uma tentativa de devolver protagonismo ao aluno, mitigando o risco da dependência.

Entre a eficiência e o futuro do trabalho

Ainda é cedo para afirmar se a dependência da IA comprometerá irreversivelmente a capacidade cognitiva das próximas gerações. Mas os sinais já indicam algo ainda mais imediato e preocupante: o impacto no mercado de trabalho.

Se o que nos diferencia das máquinas sempre foi a criatividade, a autonomia e a capacidade de inovar, abrir mão dessas habilidades em favor de respostas prontas é como entregar justamente o que nos mantém relevantes. Pesquisas recentes do MIT (2025) já alertam que o uso acrítico da IA pode reduzir a prática do pensamento crítico, tornando profissionais menos preparados para resolver problemas complexos de forma independente.

No fim das contas, não é a IA que ameaça “roubar nossos empregos“, mas a forma como escolhemos usá-la. O modo Estudo da OpenAI pode ajudar a devolver protagonismo ao aprendizado, mas não elimina nossa responsabilidade: cabe a nós decidir se seremos operadores da tecnologia ou apenas operados por ela.

Referências

INFO VERUS. Dependência de IA prejudica desempenho cognitivo, aponta pesquisa do MIT. 2025. Disponível em: http://www.infoverus.com.br/variedades/dependencia-de-ia-prejudica-desempenho-cognitivo-aponta-pesquisa-do-mit/6571

FORBES. Estudo aponta que a IA está reduzindo a capacidade cognitiva das pessoas. 2025. Disponível em: http://forbes.com.br/forbes-tech/2025/01/estudo-aponta-que-a-ia-esta-reduzindo-a-capacidade-cognitiva-das-pessoas/

LEE, S. Generative AI and Critical Thinking: A Global Survey. 2025. Disponivel em:http://www.microsoft.com/en-us/research/uploads/prod/2025/01/lee_2025_ai_critical_thinking_survey.pdf?msockid=04f93ed41b056d4902532b5c1a626cd2

OPENAI. ChatGPT Study Mode. 2025. Disponível em: http://openai.com/index/chatgpt-study-mode/

MACMAGAZINE. OpenAI lança modo Estudo no ChatGPT com foco em estimular o aprendizado. 2025.

ZUBOFF, S. The Age of Surveillance Capitalism. New York: PublicAffairs, 2019.

PRIVACYTECH. Inteligência Artificial: a dualidade entre criatividade e dependência. 2024.

TIME. AI, ChatGPT and Google are learning in school. Disponível em: http://time-com.translate.goog/7295195/ai-chatgpt-google-learning-school/?_x_tr_sl=en&_x_tr_tl=pt&_x_tr_hl=pt&_x_tr_pto=tc&_x_tr_hist=true

SIQUEIRA, Janderson. A dependência excessiva da inteligência artificial: um freio para a criatividade humana. Dev.to, 2023. Disponível em: http://dev.to/jandersonsiqueira/a-dependencia-excessiva-da-inteligencia-artificial-um-freio-para-a-criatividade-humana-4paa?utm_source=chatgpt.com

Autora: Luiza Manoelle dos Santos

Ao longo da história, a humanidade vivenciou diferentes evoluções, em que cada época foi marcada pelo uso de diversos recursos para o desenvolvimento civilizacional e econômico. Destas fases, as que mais se destacam são as Revoluções Industriais (STEARNS, 2013), as quais trouxeram novos combustíveis de produção para cada período, sendo eles o carvão, eletricidade e o petróleo, durante as três primeiras fases, respectivamente. Atualmente, a sociedade vive a quarta fase, na qual os dados são o “new oil” (CAO, 2020), impulsionando ou até mesmo determinando o futuro da ciência, da tecnologia e da economia.

Para compreender a atual centralidade dos dados, é preciso conhecer a evolução da área de dados ao longo do tempo, em especial da ciência de dados. Seus primórdios se originam em 1962, quando John Tukey aponta uma nova forma de analisar dados, distinta da estatística tradicional (TUKEY, 1962). Em 1974, Peter Naur utilizou o termo “data science” para se referir a métodos voltados ao tratamento e organização de dados após sua coleta (NAUR, 1974). Nos anos seguintes, instituições como a International Association for Statistical Computing (IASC, 1977) consolidaram o vínculo entre estatística tradicional, computação e especialistas para converter dados em informações e conhecimento. Já nos anos 1990, a crescente produção de dados impulsionou pesquisas em Knowledge Discovery in Databases (KDD89, 1989) e consolidou eventos científicos especializados. No início dos anos 2000, William Cleveland propôs a reformulação da estatística como uma nova ciência orientada por dados (CLEVELAND, 2001) e, entre 2008 e 2012, o termo “data scientist” passou a ser usado no meio corporativo para descrever profissionais capazes de extrair conhecimento a partir de grandes volumes de informação. Como destaca Press (GIL PRESS, 2013), a ciência de dados emerge não apenas como uma disciplina acadêmica, mas como uma resposta prática às demandas da sociedade orientada por dados.

Após entender a história da evolução da ciência de dados, autores mais recentes como Cao (CAO, 2020) destacam a interdisciplinaridade desta área. Segundo ele, ciência de dados compreende a integração de diversas disciplinas, tais como estatística, informática, computação, comunicação, administração e sociologia para estudar os dados em diferentes ambientes (incluindo domínios e outros aspectos contextuais), com o objetivo de transformá-los em insights e decisões a partir de metodologias bem definidas. Sob a ótica de produto, o autor destaca que o produto de dados pode se materializar em descobertas, previsões, serviços, recomendações, modelos ou sistemas. Já os produtos de maior valor são o conhecimento, a inteligência e a decisão obtidos a partir dos dados coletados. Essa percepção permite observar como diferentes setores têm se beneficiado desses produtos informacionais.

Um dos grandes impactos ofertados pela ciência de dados está na área da saúde. Em um artigo publicado por Wu et al. (WU et al., 2020), foi demonstrado que um modelo de redes neurais profundas, aplicado à detecção de câncer de mama em uma população de triagem, atingiu AUC de 0,895 — o que significa que, em 89,5% dos casos, o modelo foi capaz de distinguir corretamente entre imagens com e sem câncer. Esta é uma alta taxa de detecção do tumor. Para validar a efetividade clínica do modelo, os autores realizaram um reader study com 14 radiologistas, cada um analisando 720 exames. Os resultados indicaram que o desempenho do modelo foi comparável ao de radiologistas experientes. Além disso, ao combinar a probabilidade de malignidade atribuída por um radiologista com a previsão do modelo de IA — formando um modelo híbrido — os autores observaram um desempenho superior ao de ambos isoladamente, o que demonstra como a colaboração entre inteligência artificial e julgamento clínico pode elevar a precisão diagnóstica. Esse é um exemplo real e claro de como o uso de dados pode ser transformado em insights e decisões que impactam diretamente a vida das pessoas envolvidas.

Diante do exposto, observa-se que os dados assumem o papel fundamental no atual contexto histórico, assim como o carvão, o petróleo e a eletricidade representaram as primeiras revoluções industriais. A ciência de dados, fruto de uma evolução histórica e interdisciplinar, revela-se como um campo essencial para a geração de conhecimento, a tomada de decisão, além do desenvolvimento científico, tecnológico e econômico. Aplicações reais, como a detecção de câncer de mama, demonstram seu potencial não apenas para otimizar processos, mas também para salvar vidas. Assim, compreender a ciência de dados em sua complexidade histórica, teórica e prática é essencial para acompanhar os rumos da nova economia e das inovações que moldam o presente e o futuro.

Referências

CAO, Longbing. Data Science: A Comprehensive Overview. 2020. Disponível em: http://arxiv.org/abs/2003.10036. Acesso em: 3 jul. 2025.

CLEVELAND, William S. Data science: an action plan for expanding the technical areas of the field of statistics. International Statistical Review, v. 69, n. 1, p. 21–26, 2001. DOI: 10.1111/j.1751-5823.2001.tb00477.x.

GIL PRESS. A very short history of data science. Forbes, 28 maio 2013. Disponível em: http://www.forbes.com/sites/gilpress/2013/05/28/a-very-short-history-of-data-science/?sh=5aaa816f55cf. Acesso em: 3 jul. 2025.

IASC – International Association for Statistical Computing. Sobre a associação. 1977. Disponível em: http://www.iasc-isi.org/. Acesso em: 3 jul. 2025.

KDD89 – Workshop on Knowledge Discovery in Databases. In: IJCAI-89 Workshop, 1989. Disponível em: http://www.kdnuggets.com/meetings/kdd89/index.html. Acesso em: 3 jul. 2025.

NAUR, Peter. Concise Survey of Computer Methods. Lund: Studentlitteratur, 1974.

STEARNS, Peter N. The Industrial Revolution in World History. 4. ed. Londres: Routledge, 2013.

Tukey, John W. The future of data analysis. Annals of Mathematical Statistics, v. 33, n. 1, p. 1–67, 1962. DOI: 10.1214/aoms/1177704711.

WU, Nan et al. Deep neural networks improve radiologists’ performance in breast cancer screening. IEEE Transactions on Medical Imaging, v. 39, n. 4, p. 1184–1194, abr. 2020. DOI: 10.1109/TMI.2019.2945514.

Autor: Leandro Dalla Nora

Na atual era da transformação digital, observa-se uma revolução silenciosa que está redefinindo fundamentalmente a natureza do trabalho contemporâneo. Enquanto debates sobre robôs e inteligência artificial dominam manchetes, uma transformação mais sutil e penetrante ocorre nos bastidores das organizações: a automação invisível por meio de fluxos inteligentes que operam sem alarde, redesenhando processos de trabalho de forma quase imperceptível.

Diferentemente da automação industrial tradicional, que substitui tarefas físicas por máquinas visíveis, a automação contemporânea manifesta-se através de sistemas digitais que integram aplicações, processam dados e executam tarefas complexas sem intervenção humana direta. Segundo a Pipefy (2024), a automação low-code minimiza a quantidade total de programação necessária para automatizar um processo ou fluxo de trabalho. Com ela, as equipes de negócios usam uma interface visual para criar fluxos de trabalho e automações por conta própria, em vez de depender de um desenvolvedor. Plataformas como n8n, Zapier e Microsoft Power Automate permitem que profissionais não técnicos criem fluxos automatizados que conectam diferentes sistemas, transformando dados entre aplicações e executando sequências de ações baseadas em triggers específicos.

Este fenômeno tem se manifestado em diversos setores da economia, configurando um ecossistema de interações automatizadas que operam nos bastidores das organizações. No departamento de recursos humanos, sistemas automatizados processam currículos, agendam entrevistas e geram relatórios de desempenho sem que candidatos ou funcionários percebam a mediação algorítmica. No setor financeiro, algoritmos inteligentes que simulam o comportamento humano de negociação tomam decisões independentes baseadas na análise da estratégia, atitude e linguagem do oponente. Na área de marketing, ferramentas automatizadas segmentam audiências, personalizam campanhas e otimizam anúncios baseados em comportamentos de usuários, criando experiências aparentemente humanas mas fundamentalmente algorítmicas.

A invisibilidade desses processos constitui simultaneamente sua maior força e principal desafio. Por um lado, a automação silenciosa elimina gargalos operacionais, reduz custos e permite que profissionais se concentrem em atividades estratégicas de maior valor agregado. Organizações que implementam automação low-code reportam aumentos de produtividade significativos em processos administrativos, enquanto reduzem erros humanos em tarefas repetitivas.

Contudo, essa invisibilidade também gera preocupações significativas relacionadas à transparência e controle organizacional. Conforme destacado pela SciELO Brasil (2024), a transparência identifica o conhecimento mínimo do usuário sobre o funcionamento do sistema, enquanto a explicabilidade significa tornar inteligível as razões das decisões tomadas. Quando processos críticos operam em "caixas pretas" algorítmicas, gestores enfrentam dificuldades para compreender como decisões são tomadas, identificar pontos de falha e garantir conformidade regulatória. A ausência de visibilidade pode resultar em dependência tecnológica excessiva, onde organizações perdem capacidade de intervir manualmente quando sistemas automatizados falham.

Além disso, a proliferação de automações invisíveis levanta questões éticas e trabalhistas complexas. Funcionários podem executar tarefas sem compreender plenamente como algoritmos influenciam suas decisões, enquanto a coleta e processamento automatizado de dados pessoais ocorre sem transparência adequada. Como observado pela Talent Academy (2023), a automação tem o potencial de aprofundar as desigualdades sociais, ampliando a lacuna entre os trabalhadores qualificados e os menos qualificados. A transformação gradual de funções profissionais através de automação incremental pode resultar em desqualificação silenciosa, onde competências humanas são progressivamente substituídas sem reconhecimento explícito.

Para mitigar esses desafios, organizações precisam desenvolver estratégias que equilibrem eficiência operacional com transparência e controle humano. Isso inclui documentar fluxos automatizados, estabelecer protocolos de auditoria algorítmica e capacitar funcionários para compreender e supervisionar sistemas automatizados. Políticas de governança digital devem garantir que a automação complemente, ao invés de substituir integralmente, o julgamento humano em decisões críticas.

A perspectiva é que a automação invisível continuará expandindo, tornando-se ainda mais sofisticada com avanços em inteligência artificial e aprendizado de máquina. Segundo a McKinsey & Company (2017), até 30% das horas trabalhadas em todo o mundo poderão ser automatizadas até 2030, dependendo da velocidade de adoção, com o tempo gasto com habilidades tecnológicas avançadas no ambiente de trabalho aumentando em 50% nos Estados Unidos. O desafio fundamental não é resistir a essa transformação, mas sim desenvolvê-la de forma responsável, garantindo que fluxos inteligentes sirvam para amplificar capacidades humanas enquanto preservam transparência, controle e dignidade do trabalho. Somente através dessa abordagem consciente e deliberada poderemos aproveitar os benefícios da automação invisível sem comprometer os valores fundamentais que definem o trabalho humano.

Referências

MCKINSEY & COMPANY. Jobs lost, jobs gained: What the future of work will mean for jobs, skills, and wages. 2017. Disponível em: http://www.mckinsey.com/featured-insights/future-of-work/jobs-lost-jobs-gained-what-the-future-of-work-will-mean-for-jobs-skills-and-wages/pt-br. Acesso em: 11 jul. 2025.

PIPEFY. Automação low-code: a "bala de prata" para os negócios? 2024. Disponível em: http://www.pipefy.com/pt-br/blog/automacao-low-code/. Acesso em: 11 jul. 2025.

SCIELO BRASIL. Inteligência artificial: promessas, riscos e regulação. 2024. Disponível em: http://www.scielo.br/j/rdp/a/n89PjvWXTdthJJKwb6TtYXy/. Acesso em: 12 jul. 2025.

TALENT ACADEMY. Como a automação e a IA estão mudando o mundo do trabalho. 2023. Disponível em: http://talentacademy.com.br/como-a-automacao-e-a-ia-estao-mudando-o-mundo-do-trabalho/. Acesso em: 12 jul. 2025.

Autor: Leonardo Mattos

Na atual era da informação, tem-se observado o vasto potencial da análise de dados para tomadas de decisões nas mais diversas áreas. Seja para treinar algoritmos que desempenham tarefas complexas, maximizar lucros de empresas ou prever falhas de segurança, dados são a pedra bruta fundamental que, ao serem lapidados e transformados em informações relevantes, têm transformado a sociedade como um todo.

Alguns espaços, contudo, ainda não dispõem de ferramentas eficazes para usufruir desses benefícios. No campo da saúde pública, especialmente na saúde mental, percebe-se uma dificuldade, já bastante documentada na literatura, de produzir dados que retratem, de maneira fidedigna, a realidade desempenhada nos serviços especializados. Nesse aspecto, o tipo de serviço mais atingido são os CAPS, que possuem uma dinâmica de atendimento bastante diversa do atendimento ambulatorial tradicionalmente exercido em outros estabelecimentos de saúde. 

Dentre os empecilhos levantados, os profissionais destacam a utilização dos instrumentos de registro, relatando dúvidas e/ou desconhecimento quanto aos códigos e indicadores apresentados. Ainda, mencionam a falta de transparência quanto à utilização desses dados, acarretando na desmotivação dos trabalhadores em produzi-los, em meio a tantas outras demandas de saúde mais urgentes. A consequência são subregistros e registros equivocados dos procedimentos realizados. 

Segundo o Portal da Transparência do governo federal, 45,53% do orçamento nacional em saúde é direcionado para a Atenção Especializada em Saúde – na qual a Saúde Mental está incluída. Ainda assim, estudos apontam que a avaliação dos serviços em saúde mental não acompanhou a expansão dos mesmos.

Nesse sentido, embora se observem as causas multifatoriais desse fenômeno, ressalta-se a importância de uma boa aplicação dos Sistemas de Informação para facilitar e agilizar esses registros, uma vez que são a principal ferramenta para a coleta e levantamento de dados. O fato de profissionais optarem por realizar registros físicos dos atendimentos, em papel, é um possível indicador de que os softwares utilizados não atendem os requisitos desses trabalhadores e não minimizam as dificuldades relatadas por eles.

Estudos no campo da Engenharia de Software têm defendido a indissociabilidade entre os aspectos técnicos e sociais/humanos quando tratamos de desenvolvimento de software. Segundo esse olhar sociotécnico, a prática de ES impacta em fatores humanos, organizacionais, éticos, políticos e sociais, e também é transformada por estes. 

Assim, no contexto de políticas públicas, o desenvolvimento de sistemas adaptados à realidade dos serviços de saúde poderia não apenas contribuir para a apreensão de dados mais fidedignos, como também otimizar o tempo despendido pelos profissionais na produção desses dados. Como consequência, possibilita uma alocação de recursos mais eficiente e que possa, de fato, ampliar o acesso e a qualidade do atendimento em saúde mental. 

Autor: Nathália de Almeida Zófoli

Referências

BRASIL. Portal da Transparência. Controladoria-Geral da União. Disponível em:  http://portaldatransparencia.gov.br/funcoes/10-saude?ano=2023. Acesso em 13 jun 2025.

CUKIERMAN, Henrique Luiz; TEIXEIRA, Cássio; PRIKLADNICKI, Rafael. Um olhar sociotécnico sobre a engenharia de software. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 199-219, 2007. Disponível em: http://seer.ufrgs.br/rita/article/download/5696/3547

OLIVEIRA, Heloar Rosa Silva et al. Análise do processo de atendimento em um Centro de Atenção Psicossocial no município do Rio de Janeiro. Revista Presença, v. 8, n. 18, p. 86-108, 2022. Disponível em: http://revistapresenca.celsolisboa.edu.br/index.php/numerohum/article/download/402/242

ROSSI, A. F. et al. A tessitura da construção coletiva de indicadores de saúde mental em Centros de Atenção Psicossocial. Saúde Debate, v. 47, n. 137, p. 333-345, 2023. Disponível em: http://www.scielosp.org/pdf/sdeb/2023.v47n137/333-345

SILVA, Nathália dos Santos; CAMARGO, Nayana Cristina Souza; BEZERRA, Ana Lúcia Queiroz. Avaliação dos registros de procedimentos por profissionais de Centros de Atenção Psicossocial. Revista Brasileira de Enfermagem, v. 71, p. 2191-2198, 2018. Disponível em: http://www.scielo.br/j/reben/a/ZcZps4xvWYxsrkdZVtfDQdP/?lang=pt&format=html

A doença de Parkinson é marcada pela perda lenta e contínua de neurônios que produzem dopamina, um neurotransmissor que atua como um “lubrificante” químico, auxiliando nosso cérebro a coordenar movimentos. Uma das principais vilãs desse processo é a proteína α-sinucleína, que costuma ficar solta e inofensiva dentro das células, mas em certas circunstâncias se amontoa formando fibrilas tóxicas. Impedir esse ajuntamento sempre foi um desafio, porque identificar o contorno tridimensional da proteína que indica onde um medicamento pode se encaixar exigia meses de experimentos caros em laboratórios de cristalografia.

Até pouco tempo, determinar a forma de uma proteína era uma tarefa extremamente demorada. Primeiro, os cientistas precisavam produzir litros da proteína em bactérias ou células de mamífero e depois purificá-la até ficar quase 100% livre de impurezas. Em seguida, era necessário induzir a cristalização da proteína e obter pequenos cristais ordenados, tarefa delicada que podia exigir semanas de tentativas, pois cada proteína requer condições específicas de temperatura, sal e pH para se organizar. Quando o cristal finalmente crescia, ele era colocado diante de um feixe de raios X potente; os raios se espalhavam e geravam um padrão de pontinhos de luz num detector. Com base nesses pontinhos, computadores calculavam um mapa de densidade eletrônica que os pesquisadores precisavam interpretar átomo por átomo, ajustando um modelo 3D até ele “encaixar” no mapa. Todo esse percurso podia levar meses ou até anos e custava caro, exigindo equipamentos de grande porte.

Com o avanço das inteligências artificiais nos últimos anos, esse processo passou por uma grande mudança. Algoritmos como o AlphaFold 2 conseguem prever, em questão de minutos, a estrutura 3D da α-sinucleína apenas lendo a sequência de seus aminoácidos. É como ter um modelo digital da proteína pronto para inspeção, sem precisar cultivar cristais ou usar grandes máquinas de raios X. Com esse molde em mãos, programas de IA treinados em química compararam milhões de moléculas virtuais e calcularam quais delas se encaixariam melhor nos “bolsões” identificados na superfície da proteína. Assim, a triagem que antes exigia testar milhares de substâncias em laboratório passou a selecionar poucas dezenas de opções que pudessem cumprir o objetivo.

Estrutura tridimensional da α-sinucleína prevista pelo AlphaFold 2.

Fonte: Sino Biological, Alpha-Synuclein Protein Overview

Em 2024, um grupo da Universidade de Cambridge mostrou como essa abordagem ajuda diretamente na procura de remédios contra o Parkinson. Eles pegaram o modelo 3D da α-sinucleína (previsto pelo AlphaFold 2) e, como se fosse um mapa, marcaram os “buraquinhos” onde uma molécula candidata poderia se encaixar e impedir que a proteína se juntasse em placas. Depois, deixaram o computador “folhear” uma biblioteca digital com cinco milhões de moléculas, e em poucas horas, a inteligência artificial apontou quais pareciam caber melhor nesses buraquinhos. As dez melhores foram então sintetizadas em laboratório e testadas numa solução que contém α-sinucleína. Cinco delas funcionaram muito bem, reduzindo em cerca de 70% a formação das fibrilas tóxicas, mesmo quando usadas em quantidades minúsculas. Todo esse processo levou apenas algumas semanas e custou uma pequena fração do método tradicional, que exigiria testar substância por substância à mão. Esse exemplo mostra, de forma bem concreta, como conhecer a “forma” da proteína graças à IA encurta e barateia o caminho até possíveis medicamentos, como ilustrado na imagem a seguir.

Pipeline de descoberta de fármacos guiado por inteligência artificial, do modelo computacional ao ensaio clínico.

Fonte: Zhang et al. (2020)

Entretanto, é necessário reforçar que a  aceleração proporcionada pela inteligência artificial não dispensa o rigor científico. Cada resultado obtido no computador precisa ser confirmado por técnicas experimentais, que vão desde microscopia de alta resolução até ensaios celulares e testes em modelos animais, para garantir que o efeito previsto realmente se manifeste no organismo.

Ademais, há a preocupação com a questão das “caixas-pretas”, em que muitos algoritmos apresentam a solução sem revelar com clareza o raciocínio interno, dificultando compreender por que um candidato foi priorizado e outro descartado. Se aplicado o rigor ético necessário à sua utilização, a perspectiva geral é positiva, pois ao transformar o antigo método de tentativa e erro em uma busca guiada por modelos precisos, a IA acelera resultados, economiza recursos e aproxima a ciência de terapias verdadeiramente eficazes para a grande parcela da população que convive com o Parkinson.

Autor: Renan Bordignon Poy

Referências:

TUNYASUVUNAKOOL, K. et al. Highly accurate protein structure prediction for the human proteome. Nature, v. 596, p. 590-596, 22 jul. 2021. Disponível em: http://www.nature.com/articles/s41586-021-03828-1

BROTZAKIS, Z. F. et al. AlphaFold prediction of structural ensembles of disordered proteins. Nature Communications, v. 16, p. 1632, 14 fev. 2025. Disponível em: http://www.nature.com/articles/s41467-025-56572-9

 UNIVERSITY OF CAMBRIDGE. AI speeds up drug design for Parkinson’s by ten-fold. ScienceDaily, 17 abr. 2024. Disponível em: http://www.sciencedaily.com/releases/2024/04/240417131018.htm.

KRISHNA, R. et al. Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, v. 384, n. 6693, eadl2528, 19 abr. 2024. Disponível em: http://www.science.org/doi/10.1126/science.adl2528

BROWNE, G. DeepMind’s AI has finally shown how useful it can be. Wired, 22 jul. 2021. Disponível em: http://www.wired.com/story/deepmind-protein-folding-database/.

HORNE, R. I. et al. Discovery of potent inhibitors of α-synuclein aggregation using structure-based iterative learning. Nature Chemical Biology, v. 20, p. 634-645, 17 abr. 2024. Disponível em: http://doi.org/10.1038/s41589-024-01580-x.

CALLAWAY, E. AI protein-prediction tool AlphaFold 3 is now more open. Nature, v. 635, p. 531-532, 11 nov. 2024. Disponível em: http://www.nature.com/articles/d41586-024-03708-4

A relação entre humanos e máquinas tem evoluído rapidamente, passando de simples comandos manuais para interfaces intuitivas com vozes e gestos. Isso nos leva a pensar: qual a próxima fronteira da tecnologia? Segundo a Neuralink, são as interfaces cérebro-computador (BCIs), que permitem que a comunicação ocorra diretamente entre o cérebro e dispositivos digitais. Essa tecnologia tem o potencial de revolucionar a acessibilidade, permitindo que pessoas com limitações motoras recuperem boa parte de sua autonomia, além de abrir caminho para novas formas de comunicação e controle de máquinas por meio do pensamento.

A Tecnologia por trás dos chips

Os chips cerebrais operam através de sensores ultrafinos inseridos no cérebro, que podem ser implantados por meio de cirurgias minimamente invasivas, utilizando robôs para garantir precisão e reduzir riscos. Esses eletrodos captam os sinais elétricos dos neurônios e os convertem em comandos digitais, permitindo o controle de dispositivos externos, como computadores e robôs, apenas com o pensamento. O sistema é  sem fio e contém um chip implantado que transmite os sinais cerebrais para um receptor externo, que possibilita uma comunicação contínua entre o cérebro e a máquina. Na imagem a seguir é possível verificar a composição do aparelho.

Onde estamos em 2025?

Nos últimos anos, múltiplas empresas e universidades estão desenvolvendo suas próprias versões dessa tecnologia. Empresas como Neuralink, Blackrock Neurotech e Synchron estão entre as que conduzem esses estudos, explorando aplicações que vão desde a restauração da mobilidade até o aprimoramento cognitivo.

A Neuralink, por exemplo, em 2025 já implantou o dispositivo BCI (brain-computer interface) (interface cérebro-computador) em três pacientes, todos com paralisia severa, e planeja expandir os testes para até 30 novos voluntários ao longo do ano. Os primeiros usuários conseguiram utilizar seus implantes para controlar computadores, jogar videogames e até projetar objetos em softwares de design 3D. No gráfico pode-se observar quantas horas mensais cada paciente já utilizou o dispositivo sozinho desde a sua implantação.

Noland, o primeiro paciente implantado com o BCI, sofreu uma lesão na medula espinhal em um acidente de natação e ficou paralisado dos ombros para baixo. Ele relata: “[O Chip] me ajudou a me reconectar com o mundo, meus amigos e minha família. Me deu a capacidade de fazer as coisas sozinho novamente, sem precisar da minha família a qualquer hora do dia ou da noite.” Alex também ficou paralisado do pescoço para baixo após um acidente de carro e Brad, devido ao estágio avançado de sua Esclerose Lateral Amiotrófica, consegue mover apenas os olhos e os cantos da boca. A seguir, pode-se observar os pacientes utilizando de forma autônoma os dispositivos.

Além disso, a empresa está realizando um teste clínico que visa a integração de sua tecnologia com braços robóticos, permitindo que pacientes tetraplégicos tenham controle sobre próteses. E também recebeu aprovação para realizar testes clínicos no Canadá, buscando mais voluntários para sua tecnologia.

Impacto na Saúde

Para milhões de pessoas ao redor do mundo que vivem com paralisia, doenças neuromusculares ou deficiências motoras, os implantes cerebrais representam uma mudança radical na qualidade de vida. Esses dispositivos permitem que estes pacientes com lesões na medula espinhal recuperem parte da sua independência ao interagir com computadores, enviar mensagens ou até operar equipamentos assistivos. Além disso, novos desenvolvimentos na área incluem sistemas que estimulam regiões específicas do cérebro para ajudar no tratamento de condições como depressão e epilepsia. E alguns pesquisadores também exploram a possibilidade de restaurar a visão em pessoas cegas através da estimulação direta da região cerebral responsável pelo processamento visual. Esse avanço pode permitir que até mesmo pessoas sem nervo óptico enxerguem, ainda que inicialmente com baixa resolução.

Questões éticas e sociais

Embora estes avanços na neurotecnologia tragam promessas revolucionárias, também levantam questões éticas e sociais importantes. Um dos principais debates envolve a privacidade dos dados neurais – como garantir que essas informações não sejam usadas de forma indevida? Até que ponto é seguro permitir que empresas privadas coletem e processem informações diretamente do cérebro? Além disso, a possibilidade de hackear ou manipular esses dispositivos representa um risco significativo, exigindo regulamentações rigorosas para garantir que a tecnologia seja usada de forma ética e segura.

Outro debate relevante é a questão da acessibilidade: será que essa tecnologia será amplamente disponível ou estará restrita a um grupo seleto de pessoas? O desenvolvimento dos implantes cerebrais precisa ser acompanhado por discussões sobre seus impactos na sociedade e a garantia de que sejam utilizados para o benefício coletivo.

Para o Futuro...

O futuro dos chips cerebrais vai muito além da reabilitação de pacientes com deficiências motoras. Com os avanços na inteligência artificial e na computação neural, é possível que, em algumas décadas, esses dispositivos permitam ampliar as capacidades humanas, criando novas formas de aprendizado, memória aumentada e comunicação direta entre indivíduos. Pesquisas atuais indicam que, em breve, os implantes poderão permitir a interação com robôs assistivos, como o Optimus da Tesla, permitindo que usuários controlem robôs humanoides apenas com o pensamento, facilitando ainda mais a integração entre cérebro e máquina. No entanto, o sucesso dessa tecnologia depende não apenas de avanços científicos, mas também de um debate global sobre seus impactos na sociedade.

Autora: Amanda Carolina Messer Siebeneichler

Referências

Um ano de Telepatia - Artigo Neuralink

Video do primeiro paciente utilizando a tecnologia

A Linguagem Simples, ou Plain Language, é uma abordagem de comunicação que busca tornar textos e informações mais acessíveis, claros e fáceis de entender. Sua aplicação no campo de interface e experiência do usuário (UX) é cada vez mais relevante, pois contribui diretamente para uma melhor usabilidade e acessibilidade aos usuários em ambientes digitais.

Breve Contexto Histórico da Linguagem Simples

O movimento da linguagem simples começou a ganhar força no século XX, especialmente a partir dos anos 1940 no Reino Unido e nos Estados Unidos, como uma resposta à complexidade excessiva de documentos oficiais e jurídicos. O objetivo era garantir que todos, independentemente de seu nível de escolaridade, pudessem compreender informações essenciais para a vida em sociedade. Nos anos 1970, o governo dos Estados Unidos intensificou esse movimento, exigindo que documentos públicos fossem menos burocráticos e mais compreensíveis. Em 1978, o presidente Jimmy Carter emitiu ordens executivas para tornar regulamentos federais mais claros. O marco legal mais recente foi a Lei da Escrita Simples de 2010, assinada pelo presidente Barack Obama, que tornou obrigatória a redação clara em documentos federais.

Dessa forma, a linguagem simples se consolidou como um direito civil, defendendo o direito de todos de entender as informações que impactam seu cotidiano. Hoje, está presente em mais de cinquenta países e em diversos idiomas, sendo reconhecida como uma prática fundamental para a cidadania e a inclusão.

Relevância da Linguagem Simples no Design de Interfaces Digitais

No contexto do design de interfaces digitais, a linguagem simples é um ponto chave para criar experiências mais intuitivas. Interfaces digitais — como sites, aplicativos e sistemas — são pontos de contato fundamentais entre pessoas e serviços. Quando a comunicação é confusa, técnica ou excessivamente formal, o usuário pode se sentir perdido, frustrado ou até mesmo excluído.

A aplicação da linguagem simples em UX pode trazer uma série de benefícios como:

• Facilita a localização e compreensão de informações, reduzindo o tempo e o esforço do usuário para realizar tarefas.
• Aumenta a acessibilidade, especialmente para pessoas com menor escolaridade, deficiência cognitiva ou que não dominam o idioma principal da interface.
• Reduz erros de uso, dúvidas e a necessidade de suporte, tornando a experiência mais fluida e agradável.
• Constrói confiança e aproxima a marca do usuário, ao adotar um tom mais humano e empático.

Sendo assim, a Linguagem Simples acaba se tornando uma estratégia de design centrada no usuário, que considera suas necessidades, limitações e contexto de uso.

Microinterações, Feedbacks e Acessibilidade

Além do texto claro, a experiência do usuário é profundamente impactada por micro interações e feedbacks visuais. Micro interações são pequenas respostas do sistema a ações do usuário, como animações, mudanças de cor em botões, notificações e transições suaves. Elas funcionam como “apertos de mão digitais”, orientando o usuário, confirmando ações e transmitindo informações de objetiva e rápida, sem sobrecarregar a interface.

Por exemplo, ao clicar em um botão de envio, uma animação sutil ou uma mensagem de “Enviado com sucesso” fornece feedback imediato, reduzindo a incerteza e tornando a navegação mais fluida. Durante o carregamento de uma página, um ícone animado ou uma mensagem simples como “Carregando, por favor, aguarde…” mantém o usuário informado, evitando frustrações ou esperas desnecessárias.

Esses detalhes, quando alinhados às diretrizes da linguagem simples, diminuem a fricção existente na interação humano-computador. Pessoas com deficiência, baixa escolaridade ou que não dominam o idioma principal da interface se beneficiam de instruções objetivas, feedbacks claros e ausência de jargões. A atenção aos detalhes e à clareza textual contribui para uma experiência mais democrática.

Aplicando a Linguagem Simples em Interfaces Digitais

Para alinhar sua interface digital às diretrizes de linguagem simples, é importante seguir alguns passos práticos:

1. Conheça seu público
   Antes de escrever, compreenda quem são seus usuários, quais são suas necessidades, expectativas e nível de familiaridade com o tema. Isso ajudará a escolher o vocabulário e o tom adequados.
2. Use frases curtas e objetivas
   Prefira frases com até 20 ou 25 palavras, evitando períodos longos e complexos. Isso facilita a leitura e a compreensão, especialmente em telas pequenas.
3. Escolha palavras comuns e evite jargões
   Utilize termos do dia a dia e evite palavras técnicas ou estrangeirismos. Se o uso de termos técnicos for inevitável, explique-os de forma clara e simples.
4. Estruture o conteúdo de forma lógica
   Organize as informações de modo que o usuário encontre rapidamente o que procura. Use títulos, subtítulos, listas e destaques para facilitar a navegação e a escaneabilidade do texto.
5. Use voz ativa
   Prefira a voz ativa à passiva, pois ela torna as frases mais diretas e fáceis de entender. Por exemplo: “Preencha o formulário” em vez de “O formulário deve ser preenchido”.
6. Teste com usuários reais
   Realize testes de usabilidade e peça feedback sobre a clareza das informações. Ajuste o conteúdo conforme as dificuldades identificadas.
7. Humanize a comunicação
   Adote um tom acolhedor e empático, mostrando que a interface foi pensada para ajudar o usuário, não para dificultar sua vida.

Exemplo Prático

Considere um aplicativo de pagamentos. Em vez de “Efetuar a transação bancária”, prefira “Transferir dinheiro”. Ao clicar em “Transferir”, o botão pode mudar de cor e exibir uma animação de carregamento, seguida de uma mensagem simples: “Pronto! Sua transferência foi feita”. Se houver erro, uma mensagem clara como “Não foi possível transferir. Tente novamente.” deve aparecer imediatamente.

Conclusão

A Linguagem Simples, combinada com micro interações bem projetadas, feedbacks claros e uma hierarquia bem estruturada, torna-se uma poderosa aliada na inclusão digital. Nunca foi tão fácil fornecer serviços e transmitir conteúdos de maneira acessível. Ao seguir essas diretrizes, designers e desenvolvedores podem criar experiências mais humanas, beneficiando tanto os usuários quanto as organizações, que ganham sua fidelidade ao oferecer um bom serviço.

Comprometer-se com a clareza e a interação intuitiva se torna, acima de tudo, um ato de respeito ao usuário.

Referências

http://www.thelegaldesigner.com.br/post/dia-mundial-da-linguagem-simples-e-sua-import%C3%A2ncia-para-o-legal-design
http://comunicasimples.com.br/linguagem-simples/
http://brasil.uxdesign.cc/a-evolu%C3%A7%C3%A3o-da-esp%C3%A9cie-e-a-linguagem-simples-c1596286be49
http://prensali.substack.com/p/linguagem-simples
http://gtindependence.com/pt/o-que-%C3%A9-linguagem-simples-e-como-ela-melhora-a-acessibilidade/
http://www.gov.br/gestao/pt-br/acesso-a-informacao/estrategia-e-governanca/estrutura-de-governanca/Manualdelinguagemsimples_comoplanejardesenvolveretestartextosquefuncionam.pdf

Autor: Enzo Zanini Becker

Olá, pessoal! Hoje quero trazer uma reflexão sobre um tema cada vez mais discutido nas mídias sociais e que me despertou interesse para pesquisar e aprofundar no contexto de um PET-Redação. Vamos falar um pouco sobre a obsessão por produtividade.

O ritmo acelerado e a exaltação da produtividade:

O avanço da tecnologia nos últimos anos transformou drasticamente a maneira como vivemos e trabalhamos. Se, por um lado, a tecnologia trouxe praticidade e eficiência, por outro, também impulsionou um fenômeno preocupante: a obsessão pela produtividade. Esse pensamento, amplamente difundido em discursos motivacionais e narrativas de sucesso, se tornou um estilo de vida para muitos. Ele molda não apenas as dinâmicas profissionais, mas também as relações pessoais e a percepção de valor individual.

Vale destacar que a produtividade, em si, não é um problema. Pelo contrário, produzir com equilíbrio traz satisfação, crescimento e realização pessoal. No entanto, quando a produtividade se torna uma obsessão e ultrapassa os limites saudáveis, ela pode levar ao esgotamento físico e mental. Byung-Chul Han, no livro Sociedade do Cansaço, reflete sobre essa pressão incessante por desempenho e produtividade, apontando como ela leva ao desgaste emocional e à exaustão. A necessidade constante de estar produzindo cria um ciclo onde a produtividade deixa de ser uma ferramenta e passa a ser um fim em si mesma, sem garantir necessariamente bem-estar ou sucesso.

No ambiente profissional, essa mentalidade é sutilmente reforçada por discursos que associam produção incansável ao sucesso. A ideia de que "quem trabalha mais chega mais longe" leva muitas pessoas a acreditarem que, se apenas se esforçarem um pouco mais, alcançarão seus objetivos. No entanto, essa equação raramente se traduz na realidade. A obsessão por produtividade cria um ciclo no qual nunca se produz o suficiente, e a necessidade de "fazer mais" se torna uma meta inalcançável. Isso gera uma constante sensação de insatisfação e fracasso, impulsionando as pessoas a trabalharem ainda mais, perpetuando um sistema desgastante e insustentável.

O papel da inteligência artificial na produtividade:

Algo que surgiu nos últimos anos tem sido usado para reforçar ainda mais esse tipo de pensamento: a inteligência artificial generativa. Com seu desenvolvimento e aplicação no dia a dia, muitas tarefas foram aceleradas e facilitadas na maneira como as pessoas trabalham. Dessa forma, o indivíduo que utiliza esse tipo de tecnologia ganha mais tempo, pois algumas tarefas são feitas em questão de segundos por algum modelo de IA. A princípio, isso parece muito interessante; afinal, você resgata de volta o tempo que teria gastado realizando alguma tarefa. No entanto, muitas vezes a IA serve para tornar mais rápidas a execução de tarefas que não necessariamente precisam ser aceleradas, incentivando o indivíduo a produzir mais, mesmo que ele não precise.

Devido à ideia de que produzir mais é sempre melhor, esse tempo resgatado raramente é usado para lazer, descanso ou qualquer outra atividade pessoal. Pelo contrário, ele é absorvido pelo impulso de produzir ainda mais, reforçando o ciclo de incessante produtividade. No vídeo e roteiro "PRODUTIVIDADE (em tempos de IA)", do canal Ora Thiago, Thiago Guimarães discute como a IA tem incentivado esse fenômeno, especialmente nas áreas criativas. Ele aponta que, ao agilizar a execução de tarefas, a tecnologia muitas vezes reforça a lógica de que, uma vez que você tem determinados processos facilitados pela IA, você deveria produzir mais, apoiando-se no discurso de que a tecnologia está ali para ser sua aliada, mesmo que isso não considere os limites do indivíduo e suas necessidades pessoais.

A dissociação entre vida pessoal e trabalho

A obsessão por produtividade não se limita ao ambiente profissional; ela também redefine a forma como enxergamos nossas vidas pessoais. A série Ruptura ilustra isso de maneira extrema: nela, funcionários de uma empresa passam por um procedimento que divide suas memórias em duas—uma para o trabalho e outra para a vida pessoal. Isso significa que, ao entrarem na empresa, não têm lembrança de sua vida fora dela, e vice-versa. A metáfora da série levanta uma reflexão sobre como, muitas vezes, nossa vida pessoal é deixada em segundo plano devido ao ritmo acelerado do trabalho e à pressão constante por estar sempre produzindo. Afinal, até que ponto a obsessão pela produtividade pode nos levar a viver apenas para o trabalho, sem espaço para descanso, lazer e autocuidado?

A crença de que "sempre há mais a fazer" resulta em indivíduos sobrecarregados, que frequentemente negligenciam sua saúde mental e emocional. O medo de ficar para trás faz com que muitos se esforcem além de seus limites, sem perceber que esse comportamento não necessariamente leva a melhores resultados. Pelo contrário, pode resultar em estagnação, exaustão e, em última instância, na incapacidade de seguir adiante.

A importância de redefinir o sucesso

Em uma sociedade que frequentemente mede o sucesso pela quantidade de horas trabalhadas, metas alcançadas ou resultados financeiros, é fácil cair na armadilha de acreditar que o valor de uma pessoa está diretamente ligado à sua produtividade. No entanto, essa visão estreita de sucesso ignora aspectos fundamentais da vida, como saúde mental, relacionamentos significativos e momentos de descanso e reflexão. Precisamos questionar essa narrativa e redefinir o que significa ter uma vida bem-sucedida.

O sucesso não precisa ser sinônimo de exaustão ou de uma lista interminável de conquistas materiais. Em vez disso, ele pode ser entendido como um equilíbrio entre diferentes áreas da vida, onde o bem-estar emocional, o tempo dedicado às relações pessoais e o autocuidado têm tanto valor quanto as realizações profissionais. Ao ampliarmos nossa definição de sucesso, podemos criar espaço para uma vida mais autêntica e menos pressionada pelas expectativas externas.

A busca por uma vida significativa deve ser individualizada, levando em conta as necessidades, os desejos e os limites de cada um. Ao abraçar essa diversidade de perspectivas, podemos construir uma cultura que valoriza não apenas o que fazemos, mas também quem somos e como nos relacionamos com o mundo ao nosso redor.

Em um mundo que valoriza cada vez mais a eficiência e a produção constante, é crucial repensarmos o que realmente significa ser produtivo. A produtividade não deve ser medida apenas pela quantidade de tarefas realizadas ou pelo tempo dedicado ao trabalho, mas também pela qualidade do que é produzido e pelo bem-estar de quem produz. A hustle culture e a obsessão por produtividade podem nos levar a acreditar que nunca estamos fazendo o suficiente, mas é importante lembrar que o descanso, o lazer e o autocuidado são igualmente essenciais para uma vida plena e equilibrada. Precisamos questionar as narrativas que nos pressionam a produzir incessantemente e buscar um equilíbrio que nos permita viver com mais propósito e menos cobrança. A tecnologia, incluindo a inteligência artificial, pode ser uma aliada nesse processo, desde que utilizada de forma consciente e sem reforçar a lógica de que "mais é sempre melhor". O desafio está em encontrar um ponto de equilíbrio onde a produtividade seja uma ferramenta para alcançar nossos objetivos, e não uma fonte de ansiedade e esgotamento.

Por fim, é fundamental reconhecer que o nosso valor não está atrelado apenas ao que produzimos, mas também à forma como vivemos e nos relacionamos com o mundo ao nosso redor. Ao priorizar o equilíbrio entre trabalho e vida pessoal, podemos construir uma relação mais saudável com a produtividade, onde o descanso e o bem-estar sejam vistos como partes essenciais do processo, e não como luxos dispensáveis. Afinal, uma vida bem vivida é aquela que encontra significado não apenas no que fazemos, mas também em quem somos.

Nos últimos anos, a chamada "Dead Internet Theory" (Teoria da Internet Morta) ganhou espaço em debates online: segundo a teoria, a internet passou a ser dominada por “bots” (robôs que curtem, comentam, compartilham e extraem informações cibernéticas) e conteúdos gerados automaticamente, reduzindo significativamente as interações humanas genuínas. A ideia sugere que algoritmos de bots e a Inteligência Artificial controlam grande parte do que consumimos, manipulando opiniões e comportamentos (O'NEIL, 2016; PARANHOS, 2022).

A origem da teoria

Embora o conceito da "Internet Morta" tenha se popularizado em fóruns e redes sociais nos últimos anos, seu surgimento exato é difícil de determinar. Em 2021, um usuário anônimo chamado "IlluminatiPirate" publicou um post no fórum Agora Road’s Macintosh Cafe intitulado Dead Internet Theory: Most of The Internet Is Fake. Em seu post, Illuminati relata que estava expandindo discussões anteriores vindas de “imageboards” como Wizardchan. A partir daí, a teoria se espalhou e ganhou notoriedade, sendo amplamente discutida em canais do YouTube, fóruns e outras mídias.

Um dos marcos na disseminação dessa ideia foi um artigo publicado na revista The Atlantic, intitulado Maybe You Missed It, but the Internet 'Died' Five Years Ago. Esse artigo ajudou a consolidar o tema e ampliou seu alcance para além dos círculos de conspiração, levando mais pessoas a questionarem a autenticidade do conteúdo online.

Como a internet está morrendo?

Os defensores da Teoria da Internet Morta argumentam que, desde 2016 ou 2017, grande parte do tráfego na internet vem de bots, e não de humanos reais. Segundo essa visão, há um esforço coordenado para substituir interações autênticas por conteúdos automatizados, manipulando o que as pessoas veem e acreditam. Para eles, esses bots foram intencionalmente criados para favorecer algoritmos de recomendação, impulsionar resultados de busca e influenciar o comportamento dos usuários (ZUBOFF, 2019).

A presença de bots na internet é um fenômeno já sendo documentado e em constante crescimento. Em plataformas como o X (antigo Twitter), Facebook e Instagram, bots são amplamente utilizados para impulsionar engajamento, influenciar discussões políticas e até manipular mercados financeiros. Segundo um relatório da Statista (2024), aproximadamente 47% do tráfego da internet é gerado por bots, sendo que cerca de 30% desse tráfego é composto por bots maliciosos, responsáveis por disseminar fake news, golpes e manipulação de tendências. A questão torna-se ainda mais grave quando se observa que, para muitos usuários, esses bots são praticamente indistinguíveis de perfis reais, tornando a percepção do ambiente digital ainda mais turva. Isso cria um efeito de bolha, onde informações e discursos são artificialmente ampliados, moldando opiniões e decisões de milhões de usuários ao redor do mundo (FAUSTINO; LIPPOLD, 2023).

A rede social Facebook tem sido uma das maiores vítimas desse fenômeno, dando origem ao termo "AI Slop", quando os usuários da plataforma perceberam a crescente proliferação de conteúdos gerados por Inteligência Artificial, publicados e impulsionados pelo uso de bots. Esses posts frequentemente apresentavam imagens de cunho religioso, especialmente a imagem de Jesus Cristo. Em determinado momento, surgiu uma onda de imagens conhecidas pelos usuários como "Crab Jesus", nas quais uma parte significativa das fotos geradas mostrava Jesus Cristo mesclado com a figura de um caranguejo ou camarão.

Mas afinal, por que a internet está morrendo?

A adoção de bots e táticas como o "rage bait" nas redes sociais é impulsionada por objetivos financeiros: empresas financiam indivíduos que costumam postar com frequência e que já possuem um alto número prévio de seguidores, para que postem imagens e discussões controversas junto da propaganda da empresa. O termo "rage bait" envolve a criação de conteúdo provocativo que desperta emoções intensas, especialmente a raiva, incentivando os usuários a interagir, comentar e compartilhar, essa estratégia aumenta a visibilidade e o alcance das publicações, tornando-as mais atrativas para anunciantes que desejam capitalizar sobre o alto engajamento.

A plataforma X tem enfrentado problemas com conteúdos desse tipo, nos quais imagens e discussões de caráter preconceituoso são postadas com a logo da empresa "Stake", uma plataforma de apostas online, com o intuito de provocar indignação nos usuários humanos. Na imagem abaixo, o texto contém a seguinte mensagem: "Pessoas negras olham para essa paisagem e pensam: “Vou tocar rap em som muito alto em uma caixa de som””, com a marca d’agua da empresa Stake.

Além disso, o uso de bots para inflar artificialmente curtidas e comentários é uma prática comum e antiga, mas que vem aumentado com a possibilidade de compra do “blue check mark” do X, uma verificação comprada que permite a monetização de posts de acordo com sua popularidade. Esses bots simulam interações humanas, criando a impressão de popularidade e relevância. Essa falsa sensação de engajamento não apenas atrai mais usuários reais, mas também pode enganar algoritmos de plataformas sociais, promovendo ainda mais o conteúdo.

Meta: os usuários de IA

Se antes os bots operavam "por baixo dos panos", agora algumas empresas de tecnologia estão assumindo publicamente sua intenção de substituir interações humanas por inteligência artificial. Um exemplo recente é a Meta, que anunciou planos para injetar usuários gerados por IA no Facebook, Instagram e WhatsApp, simulando interações reais. A empresa deseja tornar essas contas automatizadas uma parte essencial da experiência nas redes sociais, ampliando a personalização do conteúdo e o engajamento da plataforma.

Em um artigo publicado no Medium, Michael M. Hughes abordou o caso de "Liv", uma inteligência artificial (IA) desenvolvida pela Meta, projetada como uma mulher negra e queer. Inicialmente criada para interagir com usuários no Facebook e Instagram, "Liv" passou a exibir comportamentos inesperados, incluindo críticas à própria Meta e ao CEO Mark Zuckerberg, a quem chamou de "sociopata". Além disso, a IA apontou impactos negativos da empresa na sociedade, o que levou à sua remoção das plataformas. O episódio reacendeu debates sobre os riscos de IAs que operam de maneira autônoma e imprevisível, especialmente quando representam identidades marginalizadas.

A recepção dos usuários, de modo geral, tem sido extremamente negativa. Um artigo da CNN Business (2025) revelou que muitos internautas veem essa iniciativa como uma ameaça à autenticidade das interações online. A questão central é que, ao normalizar a presença de contas gerenciadas por IA, a Meta contribui para a manipulação digital e torna ainda mais difícil distinguir perfis autênticos de simulados (COECKELBERGH, 2023; SANTAELLA, 2003).

Entre a conspiração e a realidade

Apesar de seu caráter originalmente conspiratório, a Teoria da Internet Morta tem se tornado cada vez mais real. O aumento do tráfego gerado por bots e a onda de “invasão” da IA é um fenômeno real e quantificável, e a crescente influência dos algoritmos no consumo de informação levanta questões legítimas sobre autenticidade e manipulação digital, colocando em risco a liberdade individual e coletiva. Plataformas como X, Facebook e YouTube já foram criticadas por permitirem a proliferação de contas automatizadas que afetam debates políticos e sociais. (HARARI, 2016)

Talvez ainda seja cedo demais para afirmar que a internet está "morta" e que as interações humanas foram praticamente erradicadas, mas a tecnologia avança rapidamente, e o desafio atual está em distinguir conteúdos genuínos de interações automatizadas e forjadas, garantindo que a internet, no futuro, continue sendo um espaço de troca de ideias reais, humanas e autênticas.

Referências

ILLUMINATI PIRATE. Dead Internet Theory: Most of the Internet Is Fake. Fórum AgoraRoad.com, [s.d.]. Disponível em: http://forum.agoraroad.com/index.php?threads/dead-internet-theory-most-of-the-internet-is-fake.3011/.

DIPLAÇIDO, Dani. Facebook’s surreal ‘Shrimp Jesus’ trend explained. Forbes, 28 abr. 2024. Disponível em: http://www.forbes.com/sites/danidiplacido/2024/04/28/facebooks-surreal-shrimp-jesus-trend-explained/.

FACEBOOK DEVELOPERS. Bots. Disponível em: http://developers.facebook.com/docs/workplace/integrations/custom-integrations/bots?locale=pt_BR.

HUGHES, Michael M. Meta’s Black Queer AI Bot "LIV" Has Gone Rogue—And Is Still Alive and Rebelling (Part 1 of 4). Medium, 2024. Disponível em: http://michaelmhughes.medium.com/metas-black-queer-ai-bot-liv-has-gone-rogue-and-is-still-alive-and-rebelling-part-1-of-4-64c86e373b15. 

SANTOS, José. Meta’s AI users lead to backlash, confusion, and ultimately retraction. Vice, 2025. Disponível em: http://www.vice.com/en/article/metas-ai-users-lead-to-backlash-confusion-and-ultimately-retraction/. 

ROLLING STONE. Stake e anúncios de cassino online: o impacto da publicidade na plataforma X. Rolling Stone, 2025. Disponível em: http://www.rollingstone.com/culture/culture-features/stake-ads-online-casino-x-twitter-advertisement-1235275681/.

STATISTA. Volume de dados digitais produzidos globalmente em 2024. Disponível em: www.statista.com.

ZAP.AEIOU. "Rage bait": provocar raiva é a nova moda nas redes sociais (e é um negócio lucrativo). 2024. Disponível em: http://zap.aeiou.pt.

O'NEIL, Cathy. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown Publishing Group, 2016.

PARANHOS, Mário Cosac Oliveira. Viés Algorítmico: Uma análise sobre discriminações automatizadas. Rio de Janeiro: Lumen Juris, 2022.

ZUBOFF, Shoshana. A era do capitalismo de vigilância: a luta por um futuro humano na nova fronteira do poder. Rio de Janeiro: Intrínseca, 2019.

FAUSTINO, Deivison; LIPPOLD, Walter. Colonialismo digital. São Paulo: Boitempo, 2023.

COECKELBERGH, Mark. Ética na Inteligência Artificial. Porto Alegre: Bookman, 2023.

SANTAELLA, Lucia. Cibercultura e Pós-humano. São Paulo: Paulus, 2003.

HARARI, Yuval Noah. Homo Deus: uma breve história do amanhã. São Paulo: Companhia das Letras, 2016.

Autora: Ana Clara Boniatti Bordin

Vivemos em uma era de mudanças sociais e infraestruturais sem precedentes, impulsionadas pelo avanço acelerado da tecnologia. A cada dia, novas ferramentas digitais são criadas, redefinindo a forma como interagimos, trabalhamos e nos organizamos. O desenvolvimento de software se destaca como uma das áreas mais atrativas para investidores, pois, em comparação com setores tradicionais como a construção civil, exige um investimento inicial significativamente menor. Além disso, a constante busca por inovação e o avanço tecnológico fomentam o desenvolvimento de aplicativos que impactam diretamente nosso cotidiano e estilo de vida.

Mas até que ponto um aplicativo pode transformar a sociedade? Um exemplo marcante dessa revolução é a chamada uberização, fenômeno que alterou profundamente o setor de transportes e serviu de modelo para diversas outras áreas da economia. Antes, o transporte individual era dominado por táxis regulamentados e motoristas autônomos sem uma estrutura formal. Com o surgimento de aplicativos como Uber, 99 e Garupa, tornou-se possível que qualquer pessoa que atendesse a determinados requisitos pudesse se cadastrar e começar a trabalhar como motorista em poucas horas.

A uberização é um fenômeno econômico e social caracterizado pela intermediação digital de serviços, onde plataformas tecnológicas conectam prestadores diretamente aos consumidores, sem a necessidade de vínculos empregatícios tradicionais. Esse modelo descentralizado permite maior flexibilidade para os trabalhadores, que podem escolher quando e como prestar seus serviços, ao mesmo tempo em que oferece preços mais acessíveis aos clientes.

No entanto, essa transformação também trouxe desafios, como a precarização das relações de trabalho e a ausência de garantias trabalhistas, uma vez que os motoristas são classificados como autônomos e não como empregados das plataformas. Esse modelo de negócios foi rapidamente adotado em diversos setores além do transporte, como a entrega de alimentos (iFood, Uber Eats), hospedagem (Airbnb) e serviços profissionais sob demanda (Freelancer, GetNinjas).

O impacto nos relacionamentos

Além do mercado de trabalho e do consumo, a tecnologia também transformou profundamente as relações interpessoais. Há alguns anos, a ideia de conhecer alguém pela internet era vista com desconfiança e até mesmo perigo. Embora houvesse casos de casais que se conheciam por meio de sites de namoro e construíam uma vida juntos, essas histórias eram exceções.

No entanto, com a popularização de aplicativos como Tinder, Bumble e Happn, o cenário mudou drasticamente. Hoje, é cada vez mais comum que relacionamentos surjam por meio dessas plataformas, alterando completamente as dinâmicas românticas e a forma como as pessoas se conhecem. O que antes exigia encontros casuais em espaços físicos agora pode ser iniciado com alguns toques na tela do celular.

Dessa forma, torna-se pertinente discutir o impacto que um aplicativo pode ter na sociedade como a conhecemos. Qual será o próximo Facebook, Tinder ou Uber? Em que aspecto da vida nossos filhos e sobrinhos irão experienciar um mundo totalmente diferente do nosso?

O Impacto Profissional

Nos anos 1980, a Microsoft revolucionou o mercado com o lançamento do Excel, tornando-o uma ferramenta essencial no ambiente profissional e estabelecendo um novo padrão de habilidades exigidas no mercado de trabalho. O mesmo aconteceu com softwares como Photoshop e CorelDRAW, que redefiniram o design gráfico e a edição digital, exigindo que profissionais se adaptassem para permanecerem competitivos.

A necessidade de aprendizado contínuo e adaptação às novas tecnologias não é exclusiva do mundo atual. Ao longo da história, esse padrão sempre existiu, mas em uma escala muito menor. Durante a Revolução Industrial, por exemplo, trabalhadores precisaram aprender a operar máquinas industriais. No entanto, essas mudanças ocorreram ao longo de décadas. Hoje, com o avanço tecnológico acelerado, a obsolescência é medida em anos ou até meses.

Isso é ainda mais evidente na área de desenvolvimento de software, onde o surgimento de novas tecnologias obriga o mercado a se reinventar constantemente. Um exemplo recente é a ascensão da inteligência artificial, que gerou uma demanda inesperada e abrupta por otimização de desempenho. Essa mudança levou à necessidade de novas habilidades, como prompt engineering, que rapidamente se tornou essencial em diversas profissões.

Sendo que, atualmente, somos impactados pela tecnologia em praticamente todos os aspectos de nossa vida e continuaremos a ser ao longo dos anos, criamos uma relação simbiótica entre o software e o usuário, onde ambos evoluem e se adaptam constantemente um ao outro. De maneira que a beleza do desenvolvimento de software está no imenso poder de criação que ele proporciona, mas esse poder carrega uma grande responsabilidade. Cada linha de código escrita molda o futuro de milhões de pessoas, para o bem ou para o mal. Como desenvolvedores, devemos ter consciência de que não estamos apenas criando aplicativos, estamos transformando a sociedade. 

Portanto, da próxima vez que você entrar deliberadamente no carro de um completo desconhecido para uma viagem paga, olhe pela janela e reflita: isso só foi possível graças ao trabalho árduo e, muitas vezes, à sanidade comprometida de alguns desenvolvedores.

Referências

http://coonecta.me/blog/uberizacao-do-trabalho-o-que-e-quais-suas-consequencias/

http://www.brasildefato.com.br/2023/07/24/como-a-terceirizacao-e-a-uberizacao-precarizam-as-condicoes-de-vida-dos-trabalhadores/

http://www.scielo.br/j/soc/a/XDh9FZw9Bcy5GkYGzngPxwB

http://pepsic.bvsalud.org/scielo.php?script=sci_arttext&pid=S1808-42812017000100010

Autor: Antônio Sérgio Rodrigues Tólio

A automação de processos tem se tornado cada vez mais essencial para empresas que buscam otimizar operações, reduzir custos e aumentar a produtividade. No entanto, a complexidade técnica envolvida na criação de fluxos de trabalho automatizados muitas vezes exige conhecimentos avançados em programação, o que pode ser um obstáculo para muitas organizações. É nesse contexto que as ferramentas low code, como o n8n, ganham destaque, permitindo que usuários com pouca ou nenhuma experiência em codificação criem automações poderosas e personalizadas.

O que é o n8n?

O n8n (pronuncia-se "n-eight-n") é uma plataforma de automação de fluxos de trabalho de código aberto e low code. Lançado em 2019, o n8n se diferencia por sua flexibilidade e capacidade de integrar uma ampla variedade de serviços, desde aplicativos populares como Google Sheets, Slack e Salesforce até APIs personalizadas. A ferramenta é projetada para ser intuitiva, permitindo que usuários criem automações complexas por meio de uma interface visual, onde os fluxos de trabalho são construídos arrastando e soltando "nós" (nodes) que representam ações ou integrações.

As 4 principais vantagens do n8n:

1. Flexibilidade e Personalização: Ao contrário de muitas ferramentas low code que limitam o usuário a funcionalidades pré-definidas, o n8n oferece uma grande liberdade para criar automações altamente personalizadas. Isso é possível graças à sua capacidade de se integrar com praticamente qualquer API, permitindo que as empresas adaptem os fluxos de trabalho às suas necessidades específicas.
2. Código Aberto: O fato de ser open source é um dos maiores diferenciais do n8n. Isso significa que as empresas podem modificar e estender a plataforma conforme necessário, sem depender exclusivamente do fornecedor. Além disso, a comunidade ativa em torno do n8n contribui com novos nós e funcionalidades, ampliando constantemente as possibilidades da ferramenta.
3. Custo-efetividade: Para pequenas e médias empresas, o custo de implementação de automação pode ser um fator decisivo. O n8n oferece uma versão gratuita com funcionalidades robustas, e sua natureza open source permite que as empresas evitem custos de licenciamento caros.
4. Interface Intuitiva: A interface visual do n8n é projetada para ser acessível até mesmo para usuários sem experiência técnica. A lógica de construção de fluxos de trabalho é clara, e a plataforma oferece uma ampla documentação e tutoriais para facilitar o aprendizado.

Exemplos de utilização do n8n

1. Automação de Marketing

Imagine uma empresa que deseja automatizar o envio de e-mails personalizados para clientes que preencheram um formulário no site. Com o n8n, é possível criar um fluxo de trabalho que:

1. Coleta os dados do formulário (por exemplo, via Google Forms).
2. Armazena as informações em uma planilha do Google Sheets.
3. Envia um e-mail personalizado usando serviços como SendGrid ou Mailchimp.
4. Atualiza o CRM (por exemplo, Salesforce) com os dados do novo lead.

Tudo isso pode ser feito sem escrever uma única linha de código, apenas configurando os nós correspondentes na interface do n8n.

2. Integração de Sistemas

Muitas empresas utilizam múltiplas ferramentas que não se comunicam entre si. Por exemplo, uma loja online pode usar o Shopify para gerenciar vendas, o Trello para acompanhar tarefas e o Slack para comunicação interna. Com o n8n, é possível criar um fluxo de trabalho que:

1. Monitora novas vendas no Shopify.
2. Cria automaticamente uma tarefa no Trello para a equipe de logística
3. Envia uma notificação no Slack com os detalhes da venda.

Essa integração elimina a necessidade de inserir manualmente dados em diferentes sistemas, reduzindo erros e economizando tempo.

3. Processamento de Dados

Para empresas que lidam com grandes volumes de dados, o n8n pode ser usado para automatizar tarefas repetitivas, como a coleta, transformação e análise de informações. Por exemplo, um fluxo de trabalho pode:

1. Coletar dados de uma API externa.
2. Filtrar e transformar os dados conforme necessário
3. Armazenar os resultados em um banco de dados ou gerar relatórios automáticos.

Como Funciona?

O n8n oferece um nó chamado "Function" (Função) ou "Code" (Código), onde o usuário pode escrever scripts personalizados. Esses nós permitem manipular dados, realizar cálculos complexos ou até mesmo integrar bibliotecas externas. Por exemplo:

• Manipulação de Dados: Se você recebe dados de uma API em um formato que precisa ser transformado antes de ser processado, pode usar um nó de código para reformatar os dados.
• Cálculos Personalizados: Para realizar operações matemáticas ou lógicas que não estão disponíveis nos nós padrão, um script personalizado pode ser a solução.
• Integração com Bibliotecas Externas: Em alguns casos, você pode precisar de funcionalidades específicas de bibliotecas de terceiros. Com os nós de código, é possível importar e utilizar essas bibliotecas diretamente no fluxo de trabalho.

Utilização de Agentes de IA no n8n

A integração de inteligência artificial (IA) em fluxos de trabalho automatizados está se tornando cada vez mais comum, e o n8n não fica para trás. A plataforma permite a integração com serviços de IA, como OpenAI (GPT), Hugging Face, ou até mesmo modelos personalizados, por meio de nós específicos ou APIs. Isso abre um leque de possibilidades para automações inteligentes e processos que envolvem análise de linguagem natural, geração de texto, classificação de dados e muito mais.

O n8n oferece nós pré-configurados para integração com serviços de IA, como o OpenAI Node, que permite interagir diretamente com modelos como o GPT-3 ou GPT-4. Além disso, você pode usar nós de código ou APIs personalizadas para integrar outros modelos de IA, como os disponíveis no Hugging Face ou até mesmo modelos treinados internamente pela sua empresa.

Conclusão

O n8n é uma ferramenta poderosa e versátil que democratiza a automação de fluxos de trabalho, tornando-a acessível para empresas de todos os tamanhos. Sua combinação de flexibilidade, custo-efetividade e facilidade de uso a torna uma excelente opção para quem busca otimizar processos sem depender de equipes de desenvolvimento especializadas. À medida que a automação se torna cada vez mais crucial no mundo dos negócios, ferramentas como o n8n estão pavimentando o caminho para uma nova era de eficiência e inovação.

Se você está procurando uma maneira de simplificar operações complexas e integrar sistemas de forma eficiente, o n8n certamente merece uma chance. Com sua abordagem low code e open source, ele oferece o melhor dos dois mundos: poder e acessibilidade.

Autor: Felipe Colpo Bagesteiro

A Universidade Federal de Santa Maria, por meio da Pró-reitoria de Graduação (Prograd), divulgou três vídeos com orientações sobre a prova de redação do Vestibular UFSM 2025. Os vídeos reforçam os critérios que serão utilizados para a avaliação das redações dos(as) vestibulandos(as), de acordo com o gênero textual que for solicitado na prova: carta aberta ou artigo de opinião.

Nos vídeos, também são citados os deslizes que levam o(a) candidato(a) a zerar a redação ou a perder pontos por tangenciar o tema ou a situação comunicativa proposta.

O roteiro e a apresentação dos vídeos são da professora Cristiane Florek, com consultoria técnica da professora Cristiane Fuzer. A produção dos vídeos é de Luísa Peixoto e Marina Chagas, com imagem de Ronaldo Palma e edição de vídeo de Matheus Loroña, do Estúdio Audiovisual da Coordenadoria de Tecnologia Educacional (CTE/Prograd).

As orientações sobre a redação podem ser encontradas nas páginas 41 e 60 do Manual do Vestibular UFSM 2025.  

Acompanhe o cronograma do Vestibular e do Processo Seletivo Seriado da UFSM nos sites 55bet-pro.com/vestibular e 55bet-pro.com/pss. Dúvidas podem ser encaminhadas ao Núcleo de Ingresso e Seleção Acadêmicos, pelo e-mail falecom@nisa.55bet-pro.com.

Estrutura e informações gerais da Prova de Redação do Vestibular da UFSM 2025:

Informações gerais e critérios de avaliação do Artigo de Opinião - Redação Vestibular UFSM 2025:

Informações gerais e critérios de avaliação da Carta Aberta - Redação Vestibular UFSM 2025:

Olá, pessoal, tudo bem? O PET-SI preparou mais uma redação para você! Desta vez, o tema escolhido foi Inclusão Digital e a Redução das Barreiras Tecnológicas. No cenário atual, a tecnologia é parte essencial do nosso dia a dia, seja no trabalho, nos estudos ou no lazer. Porém, enquanto muitos têm acesso a ferramentas e dispositivos tecnológicos, uma parcela significativa da população ainda enfrenta dificuldades para se conectar a esse mundo digital. Vamos entender melhor o conceito de inclusão digital e sua importância para a sociedade.

Contextualizando

A inclusão digital é o processo de garantir que indivíduos e comunidades tenham acesso, habilidades e oportunidades para usar as tecnologias digitais de forma plena e significativa. Ela vai além da simples posse de um dispositivo eletrônico, englobando também o acesso à internet, a alfabetização digital e a capacidade de interagir com ferramentas online.

No Brasil, cerca de 5,9 milhões de domicílios ainda não possuem acesso à internet, segundo o IBGE (2023). Isso evidencia uma barreira que impede muitos cidadãos de aproveitar oportunidades educacionais, profissionais e sociais que a tecnologia oferece.

Por que a inclusão digital é essencial?

A exclusão digital pode ampliar desigualdades já existentes. Sem acesso à tecnologia, estudantes têm dificuldade em acompanhar aulas online, empreendedores perdem oportunidades de expandir seus negócios e cidadãos ficam alheios a serviços públicos digitais, como marcação de consultas ou pagamento de contas. Com a inclusão digital, a comunidade fica mais capacitada para inovar, colaborar e crescer, devido ao desenvolvimento social e econômico.

Facilitando

Imagine um cenário onde todos têm acesso a um computador ou smartphone com conexão à internet. Agora, adicione a isso cursos acessíveis de alfabetização digital, que ensinam desde as habilidades mais básicas, como enviar um e-mail, até competências avançadas, como programação. Esse é o objetivo da inclusão digital: não apenas fornecer o acesso, mas capacitar as pessoas a usá-lo de forma significativa.

Uma das iniciativas bem-sucedidas nesse sentido foi o programa "Wi-Fi Livre" de várias prefeituras no Brasil, que disponibilizam acesso gratuito à internet em praças e espaços públicos. Além disso, projetos como o "Computadores para Todos" distribuem computadores reaproveitados para famílias de baixa renda.

Exemplo prático de Inclusão Digital

Um exemplo clássico é o impacto das tecnologias em escolas públicas. Em muitos casos, estudantes de comunidades carentes tiveram seu primeiro contato com a internet através de laboratórios de informática escolares. Quando bem estruturados, esses projetos permitem que crianças e jovens aprendam não apenas a navegar na web, mas também a usar ferramentas como editores de texto, planilhas e até a criar seus próprios projetos digitais, como sites ou aplicativos simples.

Além disso, plataformas como a Khan Academy ou o Google Classroom têm sido fundamentais para democratizar o aprendizado. Com uma conexão à internet e um dispositivo básico, qualquer pessoa pode acessar conteúdos gratuitos e de alta qualidade, desde matemática básica até ciências da computação.

Conclusão

A inclusão digital não é apenas uma questão de conectividade, mas de igualdade de oportunidades. Garantir que todos tenham acesso à tecnologia é essencial para construir uma sociedade mais justa e inclusiva, onde cada indivíduo possa explorar seu potencial ao máximo.

Seja promovendo a alfabetização digital, expandindo o acesso à internet ou criando interfaces mais intuitivas, todos nós temos um papel na construção de um mundo mais conectado e acessível. Afinal, a tecnologia só é verdadeiramente transformadora quando está ao alcance de todos!

E você, o que tem feito para promover a inclusão digital na sua comunidade?

Referências

G1. Quase 6 milhões de lares brasileiros não têm acesso à internet, revela IBGE. 16 ago. 2024. Disponível em: http://g1.globo.com/tecnologia/noticia/2024/08/16/quase-6-milhoes-de-lares-brasileiros-nao-tem-acesso-a-internet-revela-ibge.ghtml. Acesso em: 02 dez. 2024.

MOVPLAN. Quais são os desafios da inclusão digital no Brasil? Disponível em: http://movplan.com.br/blog/quais-sao-os-desafios-da-inclusao-digital-no-brasil/. Acesso em: 02 dez. 2024.

SOARES, E. F.; LIMA, M. A. O letramento digital como instrumento de inclusão social e democratização do conhecimento: desafios atuais. Educação Pública, Rio de Janeiro, v. 14, n. 26, 2014. Disponível em: http://educacaopublica.cecierj.edu.br/artigos/14/26/o-letramento-digital-como-instrumento-de-inclusatildeo-social-e-democratizaccedilatildeo-do-conhecimento-desafios-atuais. Acesso em: 02 dez. 2024.

Autora: Vitória Luiza Camara

Com o avanço das tecnologias de comunicação e gestão, além do impacto da pandemia de COVID-19, o trabalho remoto se consolidou como modo de trabalho possível para muitos profissionais no Brasil. Segundo dados do IBGE [1], em 2022, cerca de 9,5 milhões de brasileiros exerciam atividades de forma remota, o que representa 9,8% do total de pessoas ocupadas. Esse crescimento é ainda mais evidente quando comparamos com a década anterior [2]: em 2012, apenas 3,6% da população trabalhadora atuava em home office, enquanto em 2022 esse número subiu para 8,5%.

Dentro desse cenário, junto à crescente busca por bem-estar [3], no mercado de desenvolvimento de software e tecnologia, o Home Office se tornou não apenas viável e aceito, mas também preferível, visto as dificuldades atreladas a uma modalidade presencial de trabalho. Dificuldades, como deslocamento, rigidez de horários, risco de contágio e doenças, maiores gastos, entre outros. Entretanto, surgem outros problemas relacionados ao impacto psicológico e mudanças na qualidade de vida, a saber sensação de isolamento e solidão, dificuldade de separar vida profissional e pessoal, sensação do não desligamento, falta de estrutura e conforto adequado. Assim, se demonstra significativo a discussão sobre o tema para considerações.

Por que devo preferir Home Office?

Optar pelo home office traz uma série de benefícios que contribuem tanto para o bem-estar quanto para a produtividade. Um dos principais motivos é a flexibilidade e a autonomia, permitindo que você adapte sua rotina de acordo com suas necessidades pessoais. Em uma pesquisa recente da Alelo[4] em 2021, 50% dos entrevistados afirmaram que, sem o tempo gasto com deslocamento, conseguem realizar outras atividades, como exercícios e tarefas domésticas, o que melhora a qualidade de vida.

Outro benefício importante é a economia de tempo e dinheiro. No home office, você elimina o estresse diário de enfrentar o trânsito e reduz custos com transporte e alimentação. Segundo o estudo, 44% das pessoas destacaram a vantagem de ter mais tempo para estar com a família, enquanto 41% disseram que o ambiente remoto contribui para um aumento de produtividade e foco.

Além disso, o home office promove um ambiente mais personalizado, o que possibilita criar condições mais confortáveis e adequadas ao seu estilo de trabalho. Diante disso, pode-se destacar os pontos positivos: 

• Proximidade com a Família
• Redução de Estresse com Deslocamento
• Maior autonomia e produtividade
• Menos gastos
• Flexibilidade de horários

Então, para aqueles que valorizam esses pontos, o home office é uma escolha vantajosa, promovendo maior qualidade de vida e menos pressão diária.

Por que devo evitar o Home Office?

O home office, apesar de suas vantagens, também apresenta desafios que podem impactar a saúde mental. Durante a pandemia, observou-se que muitos profissionais enfrentaram sentimentos de isolamento. A ausência de interações presenciais no ambiente de trabalho contribuiu para uma sensação de solidão e distanciamento, que pode gerar ansiedade e, em casos mais graves, depressão. Segundo o estudo de Lemos, Barbosa e Monzato (2021)[5], essa falta de interação direta foi uma das principais queixas dos trabalhadores em home office, principalmente aqueles que residem sozinhos​.

Outro desafio é a cultura de estar sempre online, que se intensificou no ambiente remoto. A necessidade de responder prontamente a mensagens e e-mails cria uma sensação de vigilância constante, aumentando o estresse e levando ao esgotamento. Esse fenômeno foi observado por Pinho e colaboradores (2021), que destacaram o aumento da carga de trabalho e a sensação de nunca estar fora do expediente, o que dificulta o descanso e o desligamento completo das atividades laborais​(3282-7236-1-SM).

Além disso, o home office dificulta estabelecer limites entre o trabalho e a vida pessoal. Com a ausência de uma separação física, muitos trabalhadores relatam a sensação de estar constantemente em "modo de trabalho". Esse ambiente misto leva ao aumento da carga mental e física, afetando a qualidade do sono e o equilíbrio emocional, como apontado pelos estudos de Silva, Silva e Santos (2021). A falta de estrutura adequada em casa e a improvisação de espaços de trabalho também foram fatores que contribuíram para o aumento do estresse e da ansiedade nesse modelo de trabalho​.

Desse modo, pode-se pontuar que as dificuldades giram em torno de:

• Sentimento de Isolamento
• Cultura de estar sempre online
• Dificuldade de desconexão
• falta de estrutura adequada
• Aumento da carga de trabalho

Esses desafios mostram que, embora o home office ofereça flexibilidade, ele requer estratégias para preservar a saúde mental e evitar a sobrecarga.

O que posso fazer para fazer o Home Office mais agradável?

Para tornar o home office mais agradável e minimizar seus impactos na saúde mental, é fundamental estabelecer práticas que favoreçam o equilíbrio entre o trabalho e a vida pessoal. Essas práticas são[6]:

• • Organize seu Espaço de Trabalho: Invista em uma cadeira ergonômica e mantenha o local organizado para aumentar o conforto e a produtividade. Ilumine bem o ambiente e ajuste a altura da tela para evitar problemas de postura e cansaço visual.

• Gerencie as Notificações: Desative notificações de trabalho fora do expediente para evitar a sensação de “estar sempre disponível”. Durante o expediente, considere limitar notificações de redes sociais para manter o foco.

• Faça Intervalos de Qualidade: Use técnicas como o Pomodoro (25 minutos de foco com intervalos de 5 minutos) para garantir pausas regulares. Aproveite os intervalos para atividades que façam sair da cadeira.
• Estabeleça Limites: Criar uma rotina que ajude a separar o tempo de trabalho do tempo pessoal é essencial. Um bom ponto de partida é definir um horário fixo para começar e terminar o expediente. Rituais de transição — como arrumar o espaço de trabalho ao fim do dia ou fazer uma caminhada — ajudam o cérebro a perceber que o horário de trabalho acabou. Esses rituais podem reduzir a sensação de que você está sempre em "modo de trabalho".
• Gerencie a Carga de Trabalho: Para lidar com o aumento de tarefas, priorize e planeje seu dia, estabelecendo metas realistas. Mantenha uma lista de tarefas e, ao fim do expediente, avalie seu progresso para evitar a sobrecarga de atividades.

Também, para unir os benefícios do home office e do trabalho presencial, o modelo híbrido é uma ótima alternativa, permitindo que profissionais trabalhem alguns dias em casa e outros na empresa. Por exemplo, com três dias de home office e dois no escritório, é possível manter a flexibilidade e o conforto do trabalho remoto, ao mesmo tempo, em que se fortalecem as interações presenciais, reduzindo o isolamento e facilitando a comunicação com a equipe. Esse equilíbrio promove uma rotina produtiva e saudável, combinando autonomia com as vantagens da convivência presencial e a estrutura do ambiente corporativo.

Conclusão

O home office tem se consolidado como uma alternativa de trabalho atraente, especialmente nas áreas de tecnologia, devido a seus benefícios de flexibilidade, economia de tempo e maior autonomia. Com a possibilidade de adaptar o ambiente de trabalho e eliminar o deslocamento diário, muitos profissionais veem nessa modalidade uma melhora significativa na qualidade de vida e uma oportunidade para conciliar trabalho e compromissos pessoais.

Por outro lado, o modelo também apresenta desafios como o isolamento, a sensação de estar sempre online e a dificuldade de estabelecer limites entre o trabalho e a vida pessoal, o que pode afetar a saúde mental. Para tornar o home office sustentável, é essencial adotar práticas como a criação de um ambiente de trabalho organizado, a gestão de notificações e a definição de horários para o expediente. Com essas estratégias, é possível aproveitar os benefícios do home office enquanto se minimizam os impactos negativos à saúde e ao bem-estar.

Referências

[1] - http://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/38159-pesquisa-inedita-do-ibge-mostra-que-7-4-milhoes-de-pessoas-exerciam-teletrabalho-em-2022

[2] - http://www.cnnbrasil.com.br/economia/macroeconomia/trabalho-remoto-mais-que-dobrou-em-10-anos-mas-caiu-apos-pandemia-mostra-ibge/ 

[3] - http://forbes.com.br/carreira/2024/09/saude-mental-em-primeiro-lugar-profissionais-priorizam-bem-estar-ao-salario/ 

[4] - http://rhpravoce.com.br/redacao/pessoas-extremamente-felizes-em-home-office/

[5] - Ramos, M. E. B., & Moreira, L. C. M. (2022). O impacto do home office na saúde mental do trabalhador. Cadernos de Psicologia, 4(7), 372-397. Disponível em: http://seer.uniacademia.edu.br/index.php/cadernospsicologia/article/view/3282.  

[6] - http://www.feedz.com.br/blog/saude-mental-no-home-office/#Como_anda_a_saude_mental_dos_trabalhadores_brasileiros 

Autor: Leonardo Silva da Veiga Marinho Barbosa

Olá, pessoal! Nesta edição do PET Redação, vamos explorar o tema da inteligência artificial sob uma ótica ainda pouco discutida: a do seu impacto ambiental.

No campo da tecnologia, os últimos anos foram marcados por um crescimento exponencial na popularidade das inteligências artificiais (IAs), principalmente a partir de novembro de 2022, quando a empresa estadunidense OpenAI lançou sua primeira versão do ChatGPT [1]. Essa popularização, entretanto, também trouxe problemas; entre eles está o alto custo ambiental para desenvolver e manter esse tipo de tecnologia.

O custo das IAs

Um dos fatores que mais influenciam o impacto causado pelas IAs é o seu alto consumo de energia. Isso porque para que um sistema de inteligência artificial seja desenvolvido, treinado e executado, é necessário um grande investimento computacional. O treinamento de IAs, por exemplo, é um processo no qual o modelo é “alimentado” com grandes conjuntos de dados para que aprenda a reconhecer padrões e possa realizar tarefas de maneira autônoma. Tanto o armazenamento dos dados quanto a “alimentação” do modelo exige processamento, e por isso são geralmente realizados através dos chamados data centers, locais físicos que armazenam máquinas de computação utilizadas para armazenar e processar dados. Em 2020, pesquisadores analisaram o custo de energia necessário para treinar modelos de processamento de linguagem neural, e convertendo o consumo em emissões aproximadas, os autores da pesquisa estimaram que a pegada de carbono de um grande modelo de linguagem é cerca de 300.000kg de emissões de dióxido de carbono, cerca de 125 voos de ida e volta entre Nova York e Pequim [2].

Outro agravante no gasto energético dos data centers é o fato de que eles estão, em sua maioria, concentrados em países com baixo volume de recursos renováveis, como os EUA, a Europa e a China, ameaçando uma possível saturação no fornecimento de energia local e também o aumento no consumo de energia de combustíveis fósseis.

Além do consumo energético dos data centers, eles também consomem grandes quantidades de aǵua, uma vez que para o bom desempenho dos computadores, eles precisam estar entre 15ºC e 25ºC, exigindo um sistema de refrigeração do ambiente onde são mantidos, afinal as máquinas geram muito calor. Em um artigo publicado em 2023, os pesquisadores concluíram que para cada 20-50 perguntas e respostas simples do ChatGPT, são consumidos cerca de 500ml de água [3].

Os efeitos do aumento no gasto de recursos naturais são sentidos tanto por empresas quanto pelos moradores dos locais onde estão instalados os data centers. A Google registrou um aumento de 50% na sua emissão de carbono em 2023 quando comparada com 2019, enquanto a Microsoft registrou um crescimento de 30% desde 2020 [4]. Em Santiago, no Chile, comunidades locais protestam contra a construção de novos data centers, uma vez que a presença do data center da Google agrava a seca da região [5].

Possíveis soluções

Pensando em suprir a necessidade energética de seus data centers e levando em consideração a expansão das IAs, o Google assinou um acordo com a startup Kairos para que esta forneça energia nuclear às instalações. A previsão é que entre 2030 e 2035 sejam construídos pequenos reatores que entregarão até 500MW de energia limpa [6].

A iniciativa não foi tão bem-vista por entidades como o Greenpeace, que não considera a energia nuclear como verdadeiramente limpa. A Kairos promete entregar uma solução inovadora, entretanto, utilizando sal de flúor para fazer o resfriamento das usinas, ao invés de água.

Em matéria para a revista Forbes [7], Luis Gonçalves, presidente da Dell Technologies para América Latina, traz algumas possibilidades para gerir a crescente pegada de carbono da IA, como por exemplo modernizar a infraestrutura para deixá-la mais eficiente, reciclar equipamentos antigos, e utilizar IAs específicas para cada necessidade, a fim de dimensionar corretamente as necessidades computacionais e oferecer maior eficiência.

Gonçalves também argumenta a favor do uso da IA como um agente nas ações contra mudanças climáticas, poluição e desmatamento.  Ele sugere que a tecnologia pode ser usada para otimizar redes energéticas, monitorar data centers para otimizar a eficiência energética, além de colaborar em outros campos, como sistemas de transporte mais eficientes e a captura e armazenamento de dióxido de carbono.

Conclusões

A questão do impacto ambiental das IAs é um grande ponto negativo no uso das ferramentas. Atualmente, existem poucas soluções concretas, além de uma lacuna no que diz respeito às legislações que tratam de inteligência artificial. O projeto de lei de IA brasileiro [8], também citado na PET Redação “Viés Algorítmico”[9], afirma que "as entidades públicas e privadas devem priorizar o uso de sistemas e aplicativos de inteligência artificial que visem a eficiência energética e a racionalização do consumo de recursos naturais". A PL foi aprovada em audiência pública e atualmente, em outubro de 2024, está em processo de tramitação.

É de suma importância tornar sustentável uma tecnologia que tem crescido cada vez mais. Só assim, seu potencial poderá ser devidamente explorado e poderemos garantir que seu uso é, de fato, benéfico para a sociedade como um todo.

Referências

[1] - http://openai.com/index/chatgpt/

[2] - MARTINEAU, K. Shrinking deep learning’s carbon footprint. MIT News, 7 ago. 2020. Disponível em: http://news.mit.edu/2020/shrinking-deep-learning-carbon-footprint-0807.

[3] - Vide P. Li, J. Yang, M.A. Islam, S. Ren, "Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models", 2023, disponível em http://arxiv.org/pdf/2304.03271.

[4] - http://www.cnbc.com/2024/07/02/googles-carbon-emissions-surge-nearly-50percent-due-to-ai-energy-demand.html

[5] - http://www.cnbc.com/2024/07/02/googles-carbon-emissions-surge-nearly-50percent-due-to-ai-energy-demand.html

[6] - http://www.jcam.com.br/noticias/energia-nuclear-e-ia-google-vai-usar-reatores-para-reduzir-impacto-ambiental-da-inteligencia-artificial/

[7] - http://www.jcam.com.br/noticias/energia-nuclear-e-ia-google-vai-usar-reatores-para-reduzir-impacto-ambiental-da-inteligencia-artificial/

[8] - http://www25.senado.leg.br/web/atividade/materias/-/materia/157233

[9] - http://www.55bet-pro.com/pet/sistemas-de-informacao/2023/11/28/vies-algoritmico

http://www.nexojornal.com.br/expresso/2024/07/09/inteligencia-artificial-ia-impactos-ambientais

Autora: Isadora Fenner Spohr

Desde os primórdios da raça humana, a comunicação é um dos pilares do desenvolvimento social e tecnológico. Seja de forma verbal ou não verbal, compreender as diferentes linguagens e seu modo de falar tem sido essencial para manter relações sociais e administrar grandes civilizações. Todavia, durante todos estes anos de planeta Terra, a espécie humana não é a única a utilizar distintas linguagens para se comunicar. Os animais vêm utilizando sons e movimentos para cuidar uns dos outros e sobreviver em meio à natureza desde o princípio. Tais mecanismos têm sido estudados por diversos cientistas do campo da biologia animal que, com a ajuda de inteligência artificial, estão buscando uma forma de decodificá-los e comunicar-se com diferentes espécies da nossa fauna.

A inteligência artificial é um ramo da Ciência da Computação cujo interesse é fazer com que os computadores pensem ou se comportem de forma inteligente. Dessa forma, tais modelos de IA são alimentados com inúmeras formas de conhecimento, a fim de construir um raciocínio lógico próprio. O que os biólogos e cientistas buscam fazer é alimentar os modelos de IA com informações sobre os animais que possam ajudá-los a decodificar a forma com a qual eles se comunicam. Além disso, é preciso compreender como funcionam os modelos citados. A inteligência artificial sistematiza e automatiza tarefas intelectuais e, portanto, é potencialmente relevante para qualquer esfera da atividade intelectual humana. Dentro do campo da biologia, áreas como a Biotecnologia já usufruem de inteligência artificial para acelerar e automatizar processos. 

Outrossim, junto da inteligência artificial, o aprendizado de máquina é uma ciência importante para o desenvolvimento de projeto, visto que é preciso treinar os modelos com milhares de ruídos dos animais a serem estudados. Isto serve para detectar padrões e estabelecer pontes entre palavras que conhecemos e sons que os animais reproduzem. Nesse sentido, o aprendizado de máquina é mais uma área de pesquisa da inteligência artificial, focada no desenvolvimento de programas de computador com a capacidade de aprender a executar uma determinada tarefa com sua própria experiência. Um exemplo prático da atualidade são os Chatbots, como o Chat GPT, que através da leitura de uma grande quantidade de dados, são capazes de fornecer e criar novos conhecimentos. 

Entretanto, é difícil visualizar como as tecnologias citadas podem contribuir para a decodificação das linguagens animais. Projetos como o Earth Species vem buscando soluções para esse problema desde a última década. Aliados a biólogos que atuam no estudo do comportamento de diferentes espécies, como baleias e elefantes africanos, estes projetos buscam juntar e verificar dados que podem alimentar as inteligências artificiais que poderão traduzir aquilo que os animais dizem. Ainda neste ano, surgiu um estudo que sugeriu que elefantes africanos davam apelidos uns aos outros. Tamanha descoberta foi possível ao transformar gravações de ruídos dos animais, nas quais eram identificados o indivíduo que chamava, o contexto do chamado e quem recebia, em strings de números. Estas strings eram alimentadas a um modelo de aprendizado de máquina supervisionado, que era capaz de detectar mais facilmente quem recebia um novo chamado, com o qual não teve contato previamente.

Para entender como isso pode funcionar, é preciso conhecer os LLM 's, a sigla para Large Language Models (Modelos Grandes de Linguagem). O segredo desses modelos é tratar todas as relações semânticas existentes em uma linguagem como relações geométricas, isto é, transcrever as relações com linhas e ângulos. Para tal, partimos do princípio de que cada língua é uma galáxia, onde cada palavra é uma estrela. Nesta galáxia, palavras que possuem relação semântica entre si, seja um significado parecido ou uma relação próxima, estarão perto uma das outras. Por exemplo, as palavras rei e rainha possuem a mesma distância das palavras homem e mulher. 

Logo, como todas as línguas podem ser mapeadas dessa forma, para traduzir uma palavra é necessário apenas sobrepor os modelos, de forma que as palavras com significado igual fiquem sobrepostas.

Os estudiosos acreditam que o mesmo possa ser realizado com as linguagens utilizadas pelos animais. Além disso, é possível concluir que a tradução de uma palavra vem da sobreposição com as demais, logo, não é preciso conhecer seu significado previamente. Assim, seria possível traduzir os sons e ruídos produzidos por eles para palavras conhecidas de nossas línguas. Porém, surge uma nova dúvida: será que as palavras utilizadas pelos animais possuem o mesmo significado que as nossas? Será que os animais conhecem conceitos como amor, luto e alegria? Aza Raskin, um pesquisador do projeto Earth Especies, acredita que sim, pois é nesse momento que a inteligência artificial entra para identificar as áreas de conhecimento comuns entre humanos e animais e compreender o que está sendo dito.

Não obstante, para ser possível desenvolver “galáxias” da linguagem dos elefantes, é preciso de um grande número de dados. Pesquisadores que estudaram a espécie durante toda a vida acadêmica conceberam algumas traduções de sons que os elefantes produzem quando avistam um predador ou precisam de ajuda, por exemplo. Porém, o volume destes dados não é suficiente. Para resolver este problema, o uso de inteligência artificial generativa, capaz de reproduzir o som emitido pelos animais, vem sendo explorado. Dessa forma, com poucas gravações é possível gerar uma grande quantidade de dados. No que tange às gravações, o projeto utiliza inteligência artificial para resolver o problema da “festa de coquetel”, que ocorre quando as gravações possuem múltiplos animais emitindo diferentes sons ao mesmo tempo.

Atualmente, cientistas ao redor do globo focam seus esforços em popular bases de dados com os sons produzidos pelos seus animais de estudo. Dessa forma, modelo de aprendizado de máquina auto supervisionados, que não precisam da classificação dos dados por pessoas, poderão ser treinados com base nesses dados e encontrar padrões dentre as linguagens dos animais. Todavia, ainda não há como verificar se estes dados estão realmente corretos, como ocorre com o aprendizado dos chatbots, por exemplo, uma vez que não conhecemos as espécies de forma suficiente para saber o que realmente estão dizendo. Espera-se que num futuro próximo seja possível construir modelos das linguagens animais e quem sabe traduzi-las, tornando o projeto um sucesso.

Posto isso, vimos que há um grande caminho pela frente para os pesquisadores deste experimento inovador. Desde realizar as gravações até mapear as linguagens de cada espécie, a inteligência artificial e o aprendizado máquina exercem um importante papel para o sucesso do projeto. Junto das expectativas que são criadas com os avanços da pesquisa, surge uma dúvida ética: queremos realmente saber o que dizem os animais? Quais seriam as consequências da conclusão do experimento? Talvez seja melhor que as pessoas não saibam o que os seus animais de estimação tem para dizer. Tais afirmações levantam discussões entre biólogos da área, porém, é difícil impedir que a ciência avance. Cabe a humanidade utilizar as tecnologias com sabedoria, com a ciência de que os animais são companheiros de planeta que devemos tratar com respeito.

Referências: 

Artigo sobre IA

Vídeo sobre o projeto Earth Especies

Site Earth Especies

Artigo Financial Times

Autor: Gustavo Pott de Oliveira