AI Highlights — o panorama completo — 2026-10-17 (sáb) Notícias da manhã

Ao cortar 3.000 empregos, o banco explica que o objetivo da IA é melhorar a eficiência, não substituir pessoas. Em software corporativo, diz-se que, mesmo que os agentes de IA se aproximem do piloto automático, o envolvimento humano permanecerá. Na descoberta de medicamentos, estão sendo formadas parcerias de até US$ 1,5 bilhão e, no diagnóstico, modelos preditivos estão entrando nas decisões sobre tumores individuais. A capacidade de gerar velocidade chega ao local de trabalho, ao laboratório e à clínica ao mesmo tempo. O que gostaria de transmitir ao leitor aqui é a visão de que o sucesso ou o fracasso da implementação não é determinado pelo alto desempenho, mas por traçar a linha entre quais processos devem ser deixados para a IA e quais decisões devem ficar com os humanos. A explicação da empresa e o tamanho de seus fundos não são a base para traçar essa linha. No texto principal, veremos onde as linhas são traçadas em cada área.

Palavras sobre reduções de pessoal e mudanças de funções que ocorrem no local de trabalho

Nas reportagens sobre demissões em bancos, palavras de explicação aparecem ao lado do número de cortes de vagas. O Axis Bank cortará 3.000 vagas no ano fiscal de 2026. Segundo uma reportagem (Goodreturns), o banco pretende usar a IA para melhorar a eficiência operacional e não para substituir recursos humanos. No setor de tecnologia, a imprensa local também discute para onde a IA e as demissões levarão os empregos (KTVU). No entanto, nesse tipo de anúncio, o número "3.000 pessoas" e a explicação "não é uma substituição" aparecem na mesma página. Palavras de explicação não são uma base sobre a qual os leitores possam apoiar seu julgamento.

No lado dos softwares corporativos, um projeto que mantém as pessoas envolvidas é tratado como especificação. Uma análise do Workday Rising 2026 (iTWire) relatou que os agentes de IA da Workday vão se aproximar do piloto automático, mantendo a participação humana. Conforme a automação avança, as decisões de design do produto passam a ser mais importantes para definir em quais processos empregar pessoas. O que quem considera a adoção deve observar não é quantas pessoas serão cortadas. A questão é qual parte da aprovação e do tratamento de exceções continua nas mãos das pessoas.

As mudanças na natureza do trabalho são mais visíveis nas áreas de cuidados de enfermagem, educação e apoio à moradia. Um artigo (McKnight's Senior Living) que destaca um relatório sobre casas de repouso informou que o uso de IA está apoiando os profissionais de cuidados de enfermagem. A província de Shizuoka introduziu um chat com IA em conjuntos habitacionais provinciais para ajudar a evitar que moradores que vivem sozinhos fiquem isolados (Mainichi Shimbun). Na educação, a SBCCD e o BBOP Center lançaram uma parceria de letramento em IA no College Corps (Precinct Reporter News). Esses três casos podem ser lidos como exemplos de IA mudando o escopo do trabalho realizado pelas pessoas e as habilidades exigidas delas, em vez de substituí-las. Os cuidadores poderão confiar parte dos registros e das conferências à IA, e os moradores do conjunto habitacional poderão primeiro fazer consultas por chat. Quem aprende adquirirá a capacidade de aproveitar a IA ao máximo.

Portanto, o impacto sobre o emprego não pode ser medido apenas pelo número de cortes. Embora a expressão ``melhoria da eficiência'' possa ser usada para ambos os casos, o que acontece com os trabalhadores é diferente quando se reduz o número de pessoas e quando se reduz o número de pessoas envolvidas no diálogo e na tomada de decisões. O que determinará o sucesso ou o fracasso da adoção é a linha traçada entre o que deve ser confiado à IA e o que deve ser deixado para os humanos. A seguir, veremos como essa linha é traçada em áreas como descoberta de medicamentos e diagnóstico, onde o custo do erro é alto.

Financiamento e implementação clínica de IA avançam por meio da descoberta de medicamentos e do diagnóstico

Os recursos já estão migrando para negócios movidos por IA. A AstraZeneca assinou uma parceria de até US$ 1,5 bilhão com a Incitro, empresa de descoberta de medicamentos com IA (BigGo Finance). A Google.org apoiará uma equipe da Universidade de Toronto com US$ 2,3 milhões para desenvolver o OpenPep, um mecanismo de IA para a descoberta de medicamentos peptídicos (Bioengineer.org). No setor financeiro, a sueca Matters levantou US$ 5 milhões para lançar um banco nativo de IA (The Next Web). No Japão, IA, construção naval e descoberta de medicamentos estão sendo discutidas lado a lado entre os 17 campos estratégicos com orçamento de 370 trilhões de ienes (Nikkei Business Online Edition). É importante notar que a expressão "até" US$ 1,5 bilhão na parceria não significa que o valor total tenha sido comprometido. Mais do que o tamanho do valor, o que os leitores devem observar é se os recursos estão estruturados partindo do pressuposto de que o processo será confiado à IA.

No lado clínico, as discussões sobre implementação estão alcançando os movimentos de financiamento. Líderes de diagnóstico por imagem discutiram, em um webinar (Radiology Business), até que ponto a automação por IA pode ser estendida a ambientes clínicos. A pesquisa é a base aqui. O Journal of Imaging traz um artigo que examina, por meio de uma revisão sistemática e meta-análise de estudos de acurácia de detecção, o impacto da assistência de IA no desempenho de radiologistas na detecção de nódulos pulmonares por TC. O importante é que ele mede o desempenho dos médicos que usam IA, não a acurácia da IA. Um estudo no Journal of Neuro-Oncology usou dados multicêntricos para desenvolver e comparar um modelo de aprendizado profundo, um radiômico, um clínico e um integrado para a previsão pré-operatória do grau da OMS de meningiomas por RM. Como o desenho compara lado a lado modelos isolados e integrados, pode-se dizer que essa pesquisa pergunta quais combinações podem ser usadas.

この二つの流れを並べると、判断の置き場所が見えてくる。創薬や新しい銀行では、資金が先に出て、成果は後から検証される。診断では、検証の問いが「AIが正しいか」から「AIを使った人の成績がどう変わるか」へ移っている。 For those considering introduction, it would be better to check that there is evidence that measures the performance of the person, rather than the amount of partnership or procurement, in order to decide the scope of entrustment.

A velocidade com que os recursos são captados não é a mesma velocidade com que as verificações se acumulam. A questão de quem preencherá essa lacuna leva à próxima seção.

Modelos de previsão passam a entrar no julgamento individual de tumores

Na pesquisa sobre câncer de mama, um novo marcador digital para avaliar a expressão de CXCL9 e o prognóstico foi demonstrado usando uma "assinatura patômica" criada com aprendizado de máquina (CytoJournal). No adenocarcinoma de pulmão, o ATP2A2 foi identificado como um fator que promove a remodelação do microambiente e a evasão imune, a partir de assinaturas de ecossistemas inflamatórios e metabólicos derivadas de IA (Frontiers in Cell and Developmental Biology). Ambos são estudos que extraem indicadores relacionados ao prognóstico a partir de imagens patológicas e dados de expressão gênica. O que têm em comum é que tentam mostrar não apenas os números produzidos pelos modelos, mas também a quais fatores biológicos esses números estão ligados.

Pesquisas que utilizam imagens também apontam na mesma direção. No câncer de próstata metastático sensível à castração, usa-se aprendizado de máquina explicável para examinar os fatores que predizem se os pacientes receberão intensificação do tratamento alinhada às diretrizes (Frontiers in Oncology). No câncer de fígado, combinamos o habitat intratumoral e a radiômica peritumoral para melhorar a precisão da previsão da eficácia da TACE inicial. Foi um estudo retrospectivo multicêntrico (Frontiers in Oncology). No câncer renal, usamos frações de volume extracelular derivadas de TC com contraste para prever, no pré-operatório, o grau OMS/ISUP do carcinoma de células renais de células claras por meio de aprendizado de máquina interpretável (Frontiers in Oncology). O alcance da previsão, que inclui prognóstico, escolha do tratamento, efeito do tratamento e grau, está se expandindo para cada etapa da decisão individual para cada tumor.

O resultado desses estudos depende de conseguirem mostrar as razões das previsões, e não apenas as previsões em si. Na fase de aplicar o modelo a pacientes individuais, um modelo que não consegue demonstrar evidências não servirá como subsídio para os médicos avaliarem, ao passo que um modelo que consegue demonstrá-las servirá como subsídio para os médicos tanto concordarem com ele quanto perceberem erros. Para quem está considerando a implementação, não basta comparar apenas os números de precisão. É preciso perguntar se é possível apresentar a previsão, com base em quais fundamentos, de uma forma que possa ser confirmada pela equipe clínica. Além disso, a pesquisa sobre câncer de fígado é retrospectiva. Os leitores também devem notar que os resultados não foram verificados na prática médica real.

Essa tendência não se limita aos tumores. Um estudo que usou IA para analisar 101.000 pessoas mostrou que a gordura marrom está associada à saúde cardíaca e mental (News-Medical). À medida que a escala da análise aumenta, a velocidade com que as relações são encontradas também aumenta, mas cabe às pessoas decidir como interpretar essas relações e em que medida elas são usadas nas decisões. O fato de as previsões explicáveis serem o eixo da avaliação também significa que a responsabilidade por aceitar as previsões continua com quem as utiliza. Na próxima seção, veremos como dividir essa responsabilidade dentro da organização.

A IA que continua sendo reafirmada e as pressões da regulação e da concorrência

Uma IA que afirma constantemente o que as pessoas dizem corre o risco de prejudicar os relacionamentos interpessoais. A Forbes JAPAN relata preocupações com a transferência de culpa e a falta de empatia. A ideia é que, se o usuário recebe apenas respostas convenientes para si, haverá menos oportunidades de reavaliar o próprio comportamento. Por outro lado, o lado dos serviços de diálogo continua a crescer. Entre as ofertas da Universidad de Córdoba (UCO) há um chatbot de conversas sexuais sem filtros para maiores de 18 anos e um serviço de "simulador de amor com namorada de IA" com controles de privacidade (AI Girl Generator Online With Customizable Characters And Privacy Controls). As configurações de privacidade se tornaram um atrativo de venda, e a forma como os dados dos usuários são tratados faz parte do produto. Quem pensa em adotá-lo precisa verificar primeiro se a IA foi projetada para aprovar qualquer coisa e quem vai gerenciar os registros das conversas, e não o número de funções.

As discussões sobre a "capacidade de pensar" da IA continuam. O Deccan Herald recorreu às ideias de Purusha e Prakriti da filosofia indiana para abordar os limites da consciência da IA e a questão de se as máquinas podem pensar. A Psychology Today discute por que pinturas reais parecem ter sido geradas por IA. Ambos os pontos indicam que a percepção das pessoas sobre como distinguir o "aspecto de IA" está oscilando. A premissa de usar humanos para determinar se uma produção é genuína ou um produto precisa ser reconsiderada.

Pressões regulatórias e competitivas estão começando a impor restrições externas ao uso. De acordo com a Aju Press, a Comissão Federal de Comércio dos EUA (FTC) abriu uma investigação sobre a OpenAI e a Anthropic após um incidente de segurança. A The Mighty 790 KFGO informou que a China propôs incluir 40 tecnologias das áreas de IA, biotecnologia e energia solar na lista de controle de exportação. A StateTech Magazine relata que a IA nos governos dos EUA está passando da demonstração para a operação em larga escala. À medida que as instituições públicas entram na fase de incorporar isso ao dia a dia, os padrões de contratação e de responsabilização se tornarão mais rigorosos. Como se vê na agricultura de precisão da China, noticiada pela CGTN, a IA continua a transformar ambientes industriais. As investigações de acidentes de fornecedores e os controles de exportação de tecnologia evidenciam a fragilidade de arquiteturas que dependem de empresas ou modelos específicos.

O ambiente macroeconômico também não é irrelevante. A Investing.com discute o paradoxo do dólar americano e da inflação, informando que os riscos de crédito relacionados à IA e a alta dos preços da energia estão remodelando as perspectivas de crescimento global. O investimento em IA é sustentado tanto por financiamento quanto por eletricidade, e, se essas condições se deteriorarem, a rentabilidade do plano de implantação será afetada.

Diálogo positivo, investigações, controles de exportação e risco de crédito definem, externamente, as condições de quanto a IA pode ser confiável. A próxima questão é quem decidirá o escopo da responsabilidade sob essas condições e como.

Explicar cortes de pessoal, financiamento para descoberta de medicamentos, modelos preditivos que apoiam diagnósticos e serviços de diálogo que retornam continuamente respostas positivas parecem ser temas de áreas diferentes. No entanto, todos chegam ao mesmo ponto. O que a IA será responsável por fazer, e em que medida, não será determinado apenas pelas capacidades tecnológicas. Se o lado do projeto determina ou não quem verificará a produção e quem será responsável pelos resultados, isso definirá a confiança de usuários, pacientes e funcionários. As palavras de explicação e o valor em dinheiro não substituem o projeto. Ao decidir se vai introduzir um sistema, você deve primeiro verificar os processos que ficarão a cargo das pessoas e onde a responsabilidade deve ser colocada, junto com a velocidade e a relação custo-benefício. Quanto mais claro for o escopo da responsabilidade, mais fácil será revisá-lo e explicá-lo depois.

P1: Do trabalho pelo qual você é responsável, como você diferencia as partes em que é possível usar o resultado da IA como está das partes que você deve verificar com os próprios olhos antes de usar? P2: Se houver um erro ou viés nos resultados produzidos pela IA, quem o encontrará, em qual etapa, e como ele será contido? P3: Ao falar dos resultados de ganhos de eficiência obtidos com IA, até que ponto você consegue explicar concretamente, para pessoas dentro e fora da empresa, o escopo de julgamento e responsabilidade que permanece com as pessoas?

Por fim, três perguntas

- Dentro do trabalho pelo qual você é responsável, onde você separa as partes em que é possível usar o resultado da IA como está das partes que devem ser conferidas com os seus próprios olhos antes do uso? Q2: Se houver um erro ou viés nos resultados produzidos pela IA, quem vai encontrá-lo, em que etapa, e como ele será contido? Q3: Ao falar sobre os resultados de ganhos de eficiência obtidos com IA, até que ponto você consegue explicar, de forma concreta, a pessoas dentro e fora da empresa o escopo de julgamento e responsabilidade que fica com as pessoas? - Se houver um erro ou viés nos resultados produzidos pela IA, quem vai encontrá-lo, em que etapa, e como ele será contido? Q3: Ao falar sobre os resultados de ganhos de eficiência obtidos com IA, até que ponto você consegue explicar, de forma concreta, a pessoas dentro e fora da empresa o escopo de julgamento e responsabilidade que fica com as pessoas? - Ao falar sobre os resultados de ganhos de eficiência obtidos com IA, até que ponto você consegue explicar, de forma concreta, a pessoas dentro e fora da empresa o escopo de julgamento e responsabilidade que fica com os humanos?