2026: aprender rápido sem correr como se fossem 100 metros

Li esta semana “The Certainty at the Heart of AI Anxiety”, de Nir Eyal e Jasmine Eyal, e o texto me fez parar para observar alguns checkpoints deste ano.

A ideia central é simples e desconfortável: diante das mudanças provocadas pela inteligência artificial, estamos transformando possibilidades em certezas cedo demais.

A IA pode eliminar funções, transformar profissões e tornar algumas habilidades menos valiosas.

Também pode aumentar a produtividade de quem já domina determinado domínio, criar novas funções, acelerar o aprendizado e tornar outras competências ainda mais importantes.

Nós simplesmente ainda não sabemos.

O problema começa quando escolhemos um desses futuros possíveis e passamos a viver como se ele já estivesse decidido.

Isso bateu especialmente forte para mim porque 2026 tem sido um ano radical em tecnologia. E talvez um dos anos em que mais aprendi.

Eu testei muita coisa este ano

Nos últimos meses, passei bastante tempo tentando entender IA aplicada não apenas como usuário de chatbot, mas como alguém tentando colocar essas tecnologias dentro de sistemas reais.

Agentes. Flows. Tools. RAG. Modelos locais e em nuvem. Modelos pequenos especializados. Fine-tuning. Avaliação. Observabilidade. Guardrails. Context engineering. MCP. Orquestração. Sistemas multiagentes. Código determinístico trabalhando ao lado de LLMs probabilísticos.

Algumas dessas coisas funcionaram melhor do que eu esperava.

Outras, muito pior.

Algumas ideias que pareciam sofisticadas perderam rapidamente o encanto quando encontrei uma solução muito mais simples.

E vários experimentos produziram justamente o tipo de resultado que considero mais valioso em engenharia:

um resultado ruim que ensina alguma coisa.

Um modelo pequeno pode parecer excelente em uma demonstração e falhar miseravelmente quando submetido a um conjunto minimamente sério de testes.

Um agente pode executar cinco etapas corretamente e errar justamente a sexta, que era a que movimentava dinheiro.

Um sistema aparentemente inteligente pode estar apenas escondendo uma sequência de chamadas que seria muito mais segura se algumas delas fossem simplesmente código tradicional.

Também descobri algo que deveria ser óbvio:

nem tudo precisa de um agente.

E certamente nem tudo precisa de dez agentes conversando entre si.

Tudo isso faz parte do aprendizado.

Mas existe outro aprendizado acontecendo

O aprendizado técnico é relativamente fácil de perceber.

Você instala uma ferramenta. Constrói alguma coisa. Mede. Quebra. Corrige. Descarta. Tenta novamente.

Existe, porém, outro aprendizado acontecendo em paralelo, bem menos visível: aprender a não reagir emocionalmente a cada novidade.

Talvez esse seja um dos checkpoints mais importantes que quero levar de 2026.

Acompanhar IA neste momento pode facilmente virar um esporte de ansiedade.

Toda semana aparece um novo modelo, um novo benchmark, uma empresa anunciando que substituiu alguma atividade, outra dizendo que contratou milhares de pessoas por causa da IA, um framework que promete substituir o framework lançado três meses atrás, uma técnica revolucionária, um paper dizendo que determinada técnica não funciona tão bem assim, um novo recorde ou uma nova previsão sobre o fim de alguma profissão.

Se você tentar reagir a tudo isso com a mesma intensidade, enlouquece.

Ou pior: começa a tomar decisões ruins.

O futuro ainda não aconteceu

Uma frase do artigo vale guardar:

The future has not started yet.

Quando um modelo executa hoje uma tarefa que até ontem dependia de mim, isso é um fato.

Quando concluo que, dentro de dois anos, ninguém precisará mais de alguém com minhas competências, isso já é uma previsão.

Existe uma distância enorme entre essas duas frases. E somos muito bons em preenchê-la com histórias.

O artigo mostra exatamente esse mecanismo.

A IA já consegue fazer parte do meu trabalho.

vira:

Em breve fará quase todo o meu trabalho.

que vira:

Minha profissão deixará de existir.

que vira:

Tudo o que aprendi perdeu valor.

A primeira frase pode ser observada. As seguintes descrevem futuros possíveis.

O problema não é considerar esses futuros. Como alguém que trabalha com estratégia e tecnologia, seria irresponsável não considerá-los.

O problema é confundir cenário com destino.

Paz interior também virou uma competência técnica

Pode parecer estranho colocar essas duas coisas na mesma frase, mas tenho cada vez mais a impressão de que não é.

Em um período de transformação tecnológica tão rápido, manter alguma tranquilidade intelectual virou uma vantagem.

Isso não significa ignorar o que está acontecendo. Muito pelo contrário.

Continuo testando. Continuo estudando. Continuo construindo. Continuo colocando modelos para rodar. Continuo medindo resultados. Continuo descartando hipóteses.

A diferença é tentar fazer isso sem carregar a obrigação de concluir, a cada semana, qual será o futuro definitivo da computação.

Não preciso saber agora qual modelo vencerá.

Não preciso saber se daqui a cinco anos estaremos usando agentes, alguma evolução deles ou algo que ainda nem recebeu nome.

Não preciso saber exatamente quais profissões existirão.

Preciso saber continuar aprendendo enquanto essas respostas aparecem.

Essa mudança de perspectiva traz uma paz considerável.

É uma maratona, não uma prova de 100 metros

Durante uma prova de 100 metros, faz sentido gastar praticamente toda a energia imediatamente. Existe uma linha de chegada logo ali.

O problema é aplicar essa lógica a uma transformação tecnológica que provavelmente continuará acontecendo por muitos anos.

Você tenta ler todos os papers. Experimentar todos os modelos. Conhecer todos os frameworks. Assistir a todos os vídeos. Reagir a todas as notícias. Aprender toda nova sigla.

Até perceber que está correndo desesperadamente sem saber onde fica a linha de chegada.

Talvez não exista uma.

Por isso tenho pensado mais em ritmo sustentável.

Continuar estudando profundamente aquilo que parece estrutural.

Experimentar o que parece promissor.

Observar o que ainda está imaturo.

Ignorar deliberadamente uma grande quantidade de ruído.

E aceitar que algumas coisas importantes passarão pelo meu radar sem que eu as veja imediatamente.

Tudo bem.

Se forem realmente importantes, provavelmente ainda estarão aqui daqui a alguns meses.

Alguns checkpoints que estou levando de 2026

O primeiro é que usar IA é diferente de construir sistemas com IA.

Quando colocamos esses modelos em sistemas reais, aparecem segurança, determinismo, custos, avaliação, observabilidade, permissões, dados, contratos, fallback e responsabilidade.

O segundo é que a parte determinística do sistema continua extremamente importante.

LLMs são ótimos onde interpretação, linguagem e ambiguidade são úteis. Somar números, validar regras ou verificar invariantes geralmente não precisa ser uma aventura probabilística.

O terceiro é que avaliação vale mais que encantamento.

Uma demonstração impressionante pode esconder um sistema ruim. Dataset, casos de teste, métricas e observação contínua são bem menos cinematográficos, mas muito mais úteis.

O quarto é que simplicidade continua sendo uma vantagem arquitetural.

IA não revogou KISS. Provavelmente tornou esse princípio ainda mais importante.

E o quinto talvez seja justamente o que o texto de Nir e Jasmine me ajudou a formular:

não preciso transformar incerteza em certeza para conseguir agir.

Posso agir diante da incerteza.

Na verdade, é isso que estratégia sempre foi.

Talvez a pergunta correta seja outra

Há muita gente tentando responder:

“O que a IA vai fazer conosco?”

Tenho cada vez menos interesse nessa pergunta formulada dessa maneira. Ela exige uma capacidade de previsão que ninguém possui.

Estou mais interessado em algo como:

Quais sinais preciso observar para perceber que alguma coisa realmente mudou?

Se determinada competência estiver perdendo valor, quais evidências indicariam isso?

Se um novo modelo realmente alterar a economia de um produto, como perceberemos?

Se agentes se tornarem confiáveis para determinada classe de tarefas, quais métricas demonstrarão isso?

Se uma profissão estiver sendo transformada, quais atividades estão desaparecendo e quais estão crescendo?

Isso troca previsão por observação.

Em vez de tentar acertar o futuro, podemos construir checkpoints.

Observar. Medir. Reavaliar. Decidir. Seguir.

Continuar correndo

Não saio de 2026 menos interessado em inteligência artificial. Muito pelo contrário. Provavelmente estou mais interessado hoje do que no começo do ano.

Mas estou menos interessado na corrida para descobrir quem consegue anunciar primeiro o futuro.

Quero continuar experimentando. Continuar aprendendo. Continuar construindo coisas reais. Continuar errando barato. Continuar medindo.

E preservar energia suficiente para continuar fazendo isso daqui a alguns anos.

Em momentos como este, a vantagem não pertence necessariamente a quem correu mais rápido durante alguns meses. Pode pertencer a quem conseguiu manter curiosidade, capacidade de adaptação e alguma paz interior enquanto todo mundo tentava adivinhar onde estava a linha de chegada.

O texto que provocou esta reflexão foi “The Certainty at the Heart of AI Anxiety”, publicado por Nir Eyal e Jasmine Eyal em 17 de agosto de 2026. Os autores propõem separar fatos observáveis das previsões que construímos sobre eles e lembrar que tratar um futuro possível como inevitável pode nos impedir justamente de fazer aquilo que mais precisamos agora: adaptar-nos.

Talvez eu não saiba exatamente onde essa corrida termina.

Mas estou cada vez mais confortável com isso.

Não são 100 metros.

E pretendo chegar bem ao próximo checkpoint.