O debate saiu do software e chegou à infraestrutura

Em 24 de agosto, a Reuters registrou que a oposição política a data centers de inteligência artificial passou a influenciar também a percepção dos investidores sobre empresas de tecnologia. O movimento mostra que a expansão da IA já não é avaliada apenas pela capacidade dos modelos: a disponibilidade de energia, a infraestrutura de rede e a relação com as comunidades entraram na decisão.

No Texas, o governo estadual determinou em 3 de agosto uma auditoria dos projetos que aguardam conexão à rede. O comunicado oficial informa que a fila considerada pelo ERCOT superava 474 gigawatts, mais de cinco vezes o recorde de demanda do sistema. Esse volume representa pedidos em análise, e não consumo já contratado, mas revela a escala do desafio de separar projetos viáveis de intenções ainda sem comprovação.

Energia, água e custos passaram a fazer parte do produto

As regras anunciadas pelo Texas exigem que novos data centers demonstrem capacidade de atender às condições de conexão, protejam a confiabilidade da rede e não transfiram aos moradores os custos da infraestrutura necessária. O governo também incluiu conservação de água, ruído e impacto sobre os bairros entre os critérios de avaliação.

A projeção preliminar do ERCOT aponta demanda total próxima de 367,8 gigawatts em 2032, diante de um pico histórico de 85,5 gigawatts registrado em 2023. A previsão inclui toda a expansão econômica do estado, não apenas data centers, mas ajuda a explicar por que grandes cargas precisam ser verificadas antes de entrar no planejamento.

Em escala nacional, a Agência Internacional de Energia estimou que data centers consumiram cerca de 180 terawatt-hora nos Estados Unidos em 2024 e que esse consumo poderá crescer aproximadamente 240 terawatt-hora até 2030. O avanço digital, portanto, depende de decisões físicas tomadas muito antes de uma pessoa abrir uma ferramenta de IA.

O que muda para empresas que usam inteligência artificial

Para a maioria das empresas, a conclusão não é construir uma usina ou interromper projetos de IA. É incorporar infraestrutura, custo e continuidade à análise de valor. Modelos maiores nem sempre são necessários para tarefas simples, e processos mal desenhados podem gastar mais capacidade sem entregar melhor resultado.

A escolha de fornecedores também ganha novas perguntas: onde o serviço opera, como lida com picos de demanda, quais compromissos assume sobre energia e água e como mantém disponibilidade quando a rede enfrenta restrições. Esses fatores deixam de ser apenas temas ambientais e passam a afetar preço, prazo, reputação e continuidade operacional.

Como crescer sem transformar escala em desperdício

Uma estratégia responsável conecta cada carga de IA a um resultado verificável e considera eficiência desde o desenho. O objetivo não é limitar inovação, mas garantir que capacidade escassa seja aplicada onde produz valor real.

• Usar o modelo adequado à complexidade da tarefa, em vez de adotar sempre a opção de maior porte.
• Medir custo, tempo, consumo e qualidade por processo automatizado.
• Planejar picos, contingência e continuidade antes de ampliar a carga.
• Exigir transparência dos fornecedores sobre localização, energia, água e disponibilidade.
• Revisar dados e fluxos para evitar reprocessamento, duplicidade e chamadas sem utilidade.

O que mudou

A autoridade de proteção de dados dos Países Baixos aplicou à Uber uma multa de € 824,99 milhões. Segundo o regulador, entre 2018 e 2022 sistemas da plataforma bloquearam contas de motoristas, em alguns casos de forma permanente, sem informação adequada e sem uma pessoa verificando possíveis erros.

A decisão trata de processamento automatizado: quando um sistema analisa dados e toma uma decisão sem participação humana significativa. A Uber contesta tanto as conclusões quanto o valor, afirma que as práticas analisadas são antigas e diz que seus processos atuais incluem revisão humana e possibilidade de recurso; a empresa anunciou que recorrerá.

O ponto central, portanto, não é concluir que toda automação é indevida. É reconhecer que a velocidade de uma máquina também amplia o efeito de dados ruins, regras incompletas ou sinais interpretados fora de contexto quando o resultado pode interromper a renda de alguém.

Por que isso importa

Para um motorista de aplicativo, perder acesso à conta pode significar perder imediatamente a ferramenta de trabalho. Em outros setores, decisões semelhantes podem bloquear um pagamento, negar crédito, eliminar um candidato de uma seleção ou impedir o acesso a um serviço essencial.

Na Europa, a regra invocada no caso protege pessoas contra decisões inteiramente automáticas com efeitos jurídicos ou impacto semelhante, salvo situações específicas. No Brasil, a ANPD destaca que a LGPD garante o direito de solicitar revisão e explicações sobre critérios e procedimentos; na prática, uma revisão humana só é útil quando quem revisa entende o caso, acessa informações relevantes e tem autoridade real para mudar o resultado.

Imagine um sistema antifraude que bloqueia uma conta porque detectou uma mudança incomum de localização. Sem contexto, ele pode tratar uma viagem legítima como risco; sem explicação e canal de contestação, a pessoa não consegue corrigir o dado nem demonstrar o que aconteceu. A eficiência operacional vira um custo humano e reputacional.

Dados confiáveis vêm antes da automação

Todo sistema de decisão depende dos dados que recebe: avaliações, histórico, localização, documentos e sinais de risco. Saneamento de Dados significa identificar duplicidades, informações desatualizadas, campos incoerentes e falta de contexto antes que esses registros alimentem regras ou modelos. Não é apenas arrumar uma base; é reduzir a chance de um erro operacional se transformar em prejuízo real.

Também é necessário conhecer a origem de cada dado e registrar como ele contribuiu para a decisão. Esse rastro permite investigar falsos positivos — casos legítimos classificados como problema —, comparar o desempenho entre grupos e explicar o resultado em linguagem que uma pessoa possa compreender.

Quanto maior a consequência, maior deve ser a qualidade exigida. Um sistema que ordena conteúdos pode admitir correções simples; um sistema que altera renda, crédito, saúde ou acesso a direitos precisa de testes, monitoramento, documentação e caminhos rápidos de reversão.

O que empresas podem aprender

Governança não deve entrar apenas depois que a automação está pronta. Uma Célula de Tecnologia pode reunir produto, dados, operação, segurança, jurídico e atendimento para definir quais decisões podem ser automáticas, quais exigem confirmação humana e como cada pessoa será informada.

O objetivo não é desacelerar toda inovação, mas escolher onde a velocidade é segura. Quando a empresa combina dados saneados, limites claros e revisão humana de verdade, a automação ganha algo que um modelo sozinho não entrega: legitimidade para operar em situações que afetam pessoas.

• Mapeie decisões automáticas e classifique o impacto de cada uma.
• Valide qualidade, origem e contexto dos dados antes de automatizar.
• Explique os fatores relevantes e ofereça contestação acessível.
• Dê ao revisor humano informações, tempo e poder para corrigir o resultado.
• Monitore erros, reversões e efeitos desiguais ao longo do tempo.

O espetáculo mostra a velocidade da evolução

Os Jogos Mundiais de Robôs Humanoides começaram em Pequim com 2. 056 robôs de 666 equipes e 51 modalidades, segundo o portal oficial da cidade. A programação mistura corridas e esportes com tarefas inspiradas em fábricas, restaurantes, escritórios e situações de emergência.

A Reuters informou em 23 de agosto que dois robôs completaram os 100 metros em tempos inferiores ao recorde humano de 9,58 segundos. Outro modelo percorreu 400 metros em 39,7 segundos. Os números chamam atenção e mostram uma evolução rápida de movimento, energia e controle.

O desafio real aparece nas pequenas imperfeições

Velocidade não resolve sozinha os problemas do mundo físico. Depois da linha de chegada, alguns robôs ainda precisaram de uma barreira acolchoada para frear. Em tarefas comuns, um cabo fora de ângulo, uma caixa deslocada ou um objeto um pouco distante pode exigir percepção, coordenação e recuperação de erro.

Mais de 40% das provas exigem operação totalmente autônoma, de acordo com informações citadas pela Reuters. Entre os testes estão conectar cabos, carregar materiais, organizar operações de armazém, atender em restaurantes e lidar com incidentes. É nessas situações menos espetaculares que a utilidade começa a ser comprovada.

Por que isso importa para empresas

Para uma organização, o aprendizado vai além dos robôs humanoides. Uma demonstração controlada pode mostrar potencial, mas a operação diária inclui dados incompletos, ambientes variáveis, exceções e pessoas com necessidades diferentes.

Antes de ampliar qualquer automação física ou digital, é necessário definir o resultado esperado, os limites de decisão, a qualidade mínima dos dados e o procedimento seguro quando algo sai do previsto. A tecnologia ganha valor quando consegue trabalhar de forma consistente dentro do processo real.

Como separar demonstração de valor prático

A melhor avaliação não pergunta apenas se a tecnologia consegue executar uma tarefa uma vez. Ela observa repetição, segurança, custo, recuperação e impacto para quem utiliza o processo.

• Testar a solução no ambiente em que ela realmente será usada.
• Medir taxa de sucesso, tempo, erros e necessidade de intervenção humana.
• Incluir variações e exceções desde o início do piloto.
• Definir como interromper, revisar e retomar a operação com segurança.
• Comparar o ganho obtido com o custo total de implantação e sustentação.

O que mudou agora

A NASA informou em 21 de agosto de 2026 que o Telescópio Espacial Nancy Grace Roman concluiu sua revisão de prontidão para voo. Nessa etapa, responsáveis da NASA, da missão e da SpaceX avaliaram o estado do observatório e autorizaram o início das atividades finais de preparação para o lançamento.

O lançamento está previsto para não antes de 30 de agosto, às 7h26 no horário da costa leste dos Estados Unidos, em um foguete Falcon Heavy. Antes disso, o observatório, já protegido dentro da carenagem do foguete, será levado ao hangar da plataforma 39A, conectado ao veículo e transportado até a área de lançamento.

A revisão não é uma garantia de que a decolagem ocorrerá exatamente nessa data: condições técnicas e meteorológicas ainda podem alterar o cronograma. O fato novo é que o projeto passou pelo controle formal que permite avançar da preparação para a fase operacional de lançamento.

Por que isso importa

O Roman foi criado para observar grandes regiões do céu com detalhes comparáveis aos do Hubble. Seu campo de visão infravermelho será cerca de 200 vezes maior, o que permite trocar a lógica de fotografar pequenas áreas pela construção de mapas amplos e repetidos do Universo.

Esses mapas ajudarão pesquisadores a estudar como o Universo se expandiu, onde a matéria escura se concentra e quantos tipos de planetas existem fora do Sistema Solar. A missão também terá um coronógrafo, instrumento que reduz a luz de uma estrela para revelar objetos muito mais fracos ao redor dela, como planetas e discos de formação planetária.

A consequência concreta é velocidade de descoberta. Fenômenos raros, como explosões de estrelas, lentes gravitacionais e planetas detectados por pequenas variações de luz, tornam-se mais fáceis de encontrar quando o observatório acompanha milhões ou bilhões de objetos de forma organizada.

O desafio não termina na câmera

O material oficial da missão estima que o Roman enviará aproximadamente 1,4 terabyte de dados científicos por dia, mais de 500 terabytes por ano e até 20 petabytes durante os cinco anos da missão principal. Um petabyte equivale a mil terabytes. Nessa escala, baixar todo o material para um computador pessoal deixa de ser uma estratégia viável.

Por isso, a infraestrutura científica foi preparada antes do lançamento. O Roman Research Nexus reúne os dados, capacidade de processamento e ferramentas de análise em um ambiente de nuvem. Em vez de transportar conjuntos enormes de arquivos, pesquisadores levam seus métodos até onde os dados estão armazenados.

Os dados oficiais também serão disponibilizados sem período exclusivo para um único grupo. Na prática, uma equipe no Brasil poderá consultar partes do acervo, combinar observações e colaborar com outros pesquisadores sem manter uma cópia local de toda a missão. A abertura amplia o acesso, mas só funciona se arquivos, metadados, versões e critérios de qualidade forem consistentes.

O que empresas podem aprender

O Roman oferece uma lição que vale muito além da astronomia: quando o volume cresce, tratar dados somente depois que eles chegam custa caro e atrasa o uso. Qualidade, padronização, rastreabilidade, regras de acesso e contexto precisam nascer junto com o produto ou serviço que gera a informação.

Esse é o ponto de contato natural com Saneamento de Dados. Corrigir duplicidades, formatos incompatíveis e significados ambíguos é essencial, mas o objetivo maior é criar uma base na qual pessoas e sistemas possam confiar. Sem essa base, inteligência artificial e automação apenas processam inconsistências com mais velocidade.

Há também uma lição de organização. Missões desse porte conectam especialistas em instrumentos, operações, dados e pesquisa em torno de uma entrega contínua. Nas empresas, uma Célula de Tecnologia pode cumprir papel semelhante: reunir competências diferentes, transformar uma prioridade em operação e evoluir o sistema à medida que o uso real produz novos aprendizados.

O que está mudando nos contratos

Uma reportagem da Reuters de 20 de agosto mostra empresas indianas de serviços de tecnologia migrando de contratos baseados em horas e tamanho de equipe para acordos ligados a desempenho. O movimento ocorre em um setor estimado em US$ 315 bilhões e responde à pressão de clientes por mais produtividade e custos menores.

Essa mudança não significa que todo projeto passará a ter o mesmo modelo. Ela indica que a inteligência artificial está levando clientes e fornecedores a discutir com mais clareza qual resultado será entregue, como ele será medido e quem assume o risco quando a promessa não se confirma.

Resultado precisa ser definido antes da tecnologia

Cobrar por resultado parece simples, mas exige uma linha de base confiável. Reduzir tempo de atendimento, diminuir retrabalho ou aumentar disponibilidade só pode ser comprovado quando a empresa conhece o desempenho atual e concorda sobre a forma de medir a evolução.

Sem dados consistentes e critérios de aceite, a conversa pode trocar uma métrica imperfeita, como horas trabalhadas, por outra igualmente frágil. O contrato precisa registrar escopo, exceções, qualidade esperada e responsabilidades humanas, além do indicador principal.

O trabalho humano muda de posição

A tendência não elimina a importância das pessoas. Ela desloca parte do valor para atividades como entender o problema, revisar decisões, organizar conhecimento do negócio e validar o que a automação produziu. Equipes menores podem ganhar velocidade, mas continuam precisando de experiência para lidar com situações que não aparecem no piloto.

Em uma análise publicada em 12 de agosto, a OpenAI observa que empresas estão avançando do uso de IA como assistência para fluxos em que agentes executam etapas do trabalho. A própria análise recomenda contexto adequado, permissões claras, governança e revisão humana para transformar usos individuais em processos repetíveis.

Como experimentar sem prometer demais

O caminho mais seguro é escolher um processo delimitado, medir o ponto de partida e executar um piloto com responsabilidade definida. Só depois de observar qualidade, custo, adoção e efeitos não previstos faz sentido ampliar a automação ou vincular remuneração ao resultado.

• Definir um resultado de negócio que possa ser medido sem ambiguidade.
• Registrar a linha de base, as fontes de dados e quem responde por elas.
• Estabelecer critérios de aceite, revisão humana e tratamento de exceções.
• Acompanhar erros, retrabalho, custo total e impacto para usuários.
• Revisar o contrato quando o contexto ou os dados mudarem.