<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Eric Gomes on Medium]]></title>
        <description><![CDATA[Stories by Eric Gomes on Medium]]></description>
        <link>https://medium.com/@ericgomes?source=rss-fc0ddd2ec0da------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*RcT3gjRDi5CjSeuGvpJfEw.png</url>
            <title>Stories by Eric Gomes on Medium</title>
            <link>https://medium.com/@ericgomes?source=rss-fc0ddd2ec0da------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 01:21:06 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ericgomes/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Bill Gates mudou o tom sobre a IA — e o problema é maior do que empregos]]></title>
            <link>https://medium.com/@ericgomes/bill-gates-mudou-o-tom-sobre-a-ia-e-o-problema-%C3%A9-maior-do-que-empregos-5962e38ac8ed?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/5962e38ac8ed</guid>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Fri, 04 Sep 2026 08:04:57 GMT</pubDate>
            <atom:updated>2026-09-04T08:44:35.988Z</atom:updated>
            <content:encoded><![CDATA[<p>Um dos maiores otimistas da história da tecnologia agora diz que a inteligência artificial está avançando mais rapidamente do que nossa capacidade de administrar suas consequências</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1LOPUubidm0XFwm7Gx8v-g.png" /></figure><h3>Resumo</h3><p>Bill Gates construiu sua carreira apostando que computadores mais poderosos e softwares melhores ampliariam a capacidade humana. Ele continua enxergando enorme potencial da inteligência artificial para saúde, educação, ciência e produtividade, mas seu discurso mudou significativamente em 2026.</p><p>Em um novo ensaio e em entrevistas recentes, Gates passou a afirmar que a IA está evoluindo mais rapidamente do que governos e sociedades conseguem se preparar para suas consequências. Sua preocupação inclui emprego, desigualdade, cibersegurança, riscos biológicos e sistemas progressivamente autônomos. Mais do que prever problemas, ele defende novas regras e instituições capazes de administrar uma transição que considera excepcionalmente turbulenta.</p><h3>O alerta de alguém que normalmente queria acelerar tecnologia</h3><p>Gates não se tornou contrário à inteligência artificial. Em seu próprio texto, continua defendendo que a tecnologia pode melhorar saúde, educação e produtividade. Sua preocupação está em assumir que esses benefícios surgirão automaticamente, porque a mesma tecnologia capaz de democratizar serviços pode ampliar desigualdades se os ganhos econômicos e os riscos forem distribuídos de forma muito desigual.</p><p>O que torna sua posição particularmente interessante é justamente sua trajetória. Gates passou a vida profissional defendendo computadores e software como ferramentas para ampliar capacidades humanas, mas agora afirma que apoiaria um plano confiável para desacelerar globalmente o avanço da IA caso tal coordenação fosse possível. Ao mesmo tempo, reconhece que os incentivos econômicos e geopolíticos tornam esse cenário muito improvável.</p><p>Uma das frases mais importantes de seu novo ensaio é a constatação de que “there is no plan to ease the entry into the AI era”. O problema, portanto, não é apenas a incerteza sobre aquilo que os modelos conseguirão fazer no futuro; é estarmos construindo sistemas cada vez mais capazes antes de desenvolver instituições comparáveis para administrar suas consequências.</p><h3>Desta vez, a própria cognição entra na automação</h3><p>Máquinas substituem trabalho há séculos, e a economia repetidamente criou novas funções depois de ondas de automação. O argumento de Gates é que a IA pode diferir dessas transições porque não ataca apenas uma categoria específica de trabalho: ela começa a assumir tarefas cognitivas presentes em direito, atendimento, medicina, software e outras áreas, enquanto robótica avança simultaneamente sobre tarefas físicas.</p><p>Isso ajuda a entender por que os agentes são relevantes para sua preocupação. Um chatbot que escreve um e-mail economiza alguns minutos de uma pessoa; um agente que recebe a responsabilidade de administrar determinada categoria de e-mails, consultar os sistemas necessários e executar respostas dentro de regras pode automatizar uma parte inteira de uma função profissional.</p><p>Esse avanço é o tema do primeiro artigo desta série, <strong>“</strong><a href="https://medium.com/@ericgomes/quando-uma-ia-vira-um-agente-de-ia-c31722a4415a?postPublishedType=repub"><strong>Quando uma IA vira um agente de IA?</strong></a><strong>”</strong>, que explica como sistemas estão passando de respostas para ferramentas, decisões e ações.</p><h3>Alguns trabalhos talvez precisem continuar humanos por escolha</h3><p>Uma das propostas mais provocadoras de Gates é criar atividades classificadas como “Human Reserved”. O princípio é simples: capacidade técnica não precisa determinar automaticamente aquilo que a sociedade deseja automatizar. Mesmo que uma IA consiga executar determinada tarefa, podemos decidir que algumas relações humanas têm um valor que não deve ser medido apenas por eficiência e custo.</p><p>Essa ideia seria especialmente relevante em áreas como cuidado, educação e outras funções nas quais a presença de outra pessoa faz parte do próprio serviço. A proposta muda a pergunta tradicional da automação. Em vez de perguntarmos apenas “a máquina consegue fazer?”, precisaríamos também discutir “queremos que ela faça?”.</p><p>O problema é particularmente delicado para funções de entrada e nível intermediário, que Gates considera entre as mais vulneráveis. Elas não representam apenas empregos; também funcionam como etapas de aprendizagem profissional. Se uma IA absorve justamente as tarefas que tradicionalmente permitiam a jovens trabalhadores adquirir experiência, o impacto pode aparecer anos depois nas próprias carreiras que hoje parecem protegidas.</p><p>Dados recentes já indicam pressão nesse ponto: uma pesquisa no Reino Unido encontrou redução de vagas de entrada em uma parcela significativa dos empregadores, com IA e automação entre os fatores associados. Isso ainda está longe de provar um desaparecimento estrutural dessas funções, mas mostra por que a discussão deixou de ser puramente teórica.</p><h3>Emprego é apenas uma parte do risco</h3><p>Gates também está preocupado com cibersegurança e biologia. Modelos capazes de programar, pesquisar vulnerabilidades e executar longas cadeias de ações podem tornar determinadas formas de ataque mais acessíveis. Na biologia, sua preocupação é que sistemas muito avançados reduzam as barreiras de conhecimento necessárias para criar ameaças que anteriormente exigiriam especialistas altamente treinados.</p><p>Ele também menciona riscos psicológicos decorrentes de sistemas capazes de estabelecer relações extremamente personalizadas com usuários. Esse problema aumenta à medida que a inteligência artificial deixa de ser uma ferramenta aberta ocasionalmente e passa a funcionar como um companheiro permanente conectado ao trabalho, às comunicações e à vida pessoal.</p><p>Tudo isso converge para uma questão de controle. Quanto mais ferramentas e autonomia entregamos aos agentes, mais importante se torna definir não apenas o que desejamos que façam, mas aquilo que devem ser tecnicamente impedidos de fazer.</p><h3>Gates quer instituições, não apenas termos de uso melhores</h3><p>Uma das propostas centrais de Gates é criar estruturas governamentais capazes de tratar inteligência artificial de maneira transversal. Emprego, defesa, saúde, educação, segurança digital e tributação estão distribuídos por instituições diferentes, enquanto os efeitos da IA atravessam todos esses campos simultaneamente.</p><p>Ele também defende coordenação internacional e pretende discutir o tema inclusive com o presidente chinês Xi Jinping. A lógica é que modelos realmente perigosos não podem ser controlados por um único país: se uma jurisdição proíbe determinado sistema e outra permite, o risco continua existindo. Gates sugere que mecanismos internacionais inspirados em áreas como segurança nuclear poderiam fazer parte de uma futura governança da IA.</p><p>O problema é que regulação acontece no meio de uma corrida tecnológica. Estados Unidos, China e outros países querem simultaneamente reduzir riscos e evitar perder liderança econômica. Essa tensão ficou evidente na reunião tecnológica do G20 em setembro de 2026, quando representantes americanos defenderam uma abordagem regulatória mais leve para evitar que novas regras reduzissem inovação e competitividade.</p><p>Por isso, “regular a IA” não é uma escolha simples entre controle e ausência de controle. O debate real envolve quais riscos justificam intervenção, quais aplicações podem continuar experimentais e como criar regras que não envelheçam antes mesmo de entrarem em vigor.</p><h3>Quem recebe os ganhos quando o trabalho é automatizado?</h3><p>Gates também levanta uma questão econômica que tende a crescer caso a IA substitua parcelas relevantes do trabalho: nosso sistema tributário foi desenvolvido em torno de uma economia em que grande parte da renda depende de pessoas trabalhando. Se empresas conseguirem produzir mais com muito menos mão de obra, a forma como financiamos governos e redes de proteção pode precisar mudar.</p><p>Ele considera mecanismos de tributação ligados à substituição de trabalho por IA e robótica como uma possibilidade. A intenção não seria simplesmente punir produtividade, mas evitar uma situação em que as empresas capturem todos os ganhos da automação enquanto trabalhadores e governos absorvem os custos da transição.</p><p>Essa é uma discussão difícil porque os mesmos ganhos de produtividade podem melhorar a vida de milhões de pessoas. Uma IA capaz de oferecer educação, diagnóstico ou serviços sofisticados a baixo custo tem potencial para reduzir desigualdades. O risco aparece quando a capacidade fica amplamente disponível, mas a propriedade e os ganhos financeiros permanecem extremamente concentrados.</p><h3>A própria indústria mostra que o futuro ainda não está decidido</h3><p>Também é importante evitar um erro comum no debate sobre IA: tratar toda previsão de automação como fato consumado. Em 2026, a própria Meta teve dificuldades ao tentar reorganizar agressivamente partes de sua força de trabalho em torno de agentes de IA. Problemas de confiabilidade, produtividade e resistência interna levaram a empresa a reduzir a ambição inicial de seu plano.</p><p>Esse caso não prova que agentes deixarão de substituir trabalho no futuro, assim como também não prova que a substituição será inevitável. Ele apenas mostra que transformar uma demonstração impressionante em um trabalhador confiável dentro de uma organização real é muito mais difícil do que parece.</p><p>É justamente essa incerteza que torna a discussão regulatória complicada. Esperar até que todos os efeitos estejam claros pode ser tarde demais para determinados riscos; criar regras rígidas com base em previsões exageradas também pode bloquear aplicações úteis. O desafio está em construir instituições capazes de se adaptar junto com a tecnologia.</p><h3>Conclusão</h3><p>A mudança de tom de Bill Gates é relevante não porque ele consiga prever o futuro melhor do que qualquer outra pessoa, mas porque vem de alguém que passou décadas tratando avanço tecnológico como algo que deveria ser acelerado. Seu argumento atual é que a IA continua tendo potencial extraordinário, mas sua velocidade passou a exigir uma resposta política e institucional muito maior.</p><p>A discussão também ganha outra dimensão quando conectada aos agentes. Quanto mais a IA deixa de apenas produzir conteúdo e passa a assumir objetivos, usar computadores e executar responsabilidades, mais próxima fica de competir diretamente com funções profissionais e de criar novos tipos de risco operacional.</p><p>Nada disso torna um cenário específico inevitável. Podemos ter enorme automação, automação limitada ou uma reorganização do trabalho muito diferente das previsões atuais. O ponto de Gates é que não deveríamos descobrir as regras apenas depois que essa transformação estiver concluída.</p><p>O vídeo que motivou este artigo aprofunda justamente essa mudança de postura e pode ser assistido diretamente no YouTube. <a href="https://www.youtube.com/watch?v=MLeTQWQiOvg&amp;utm_source=chatgpt.com">Assistir ao vídeo de Bill Gates</a></p><h3>FAQ</h3><h3>Bill Gates passou a ser contra IA?</h3><p>Não. Ele continua defendendo fortemente usos positivos, mas passou a colocar muito mais ênfase nos riscos e na necessidade de políticas públicas.</p><h3>O que é “Human Reserved”?</h3><p>É a ideia de preservar determinadas atividades para seres humanos mesmo quando uma máquina se torne capaz de executá-las.</p><h3>Gates quer parar o desenvolvimento de IA?</h3><p>Não. Ele afirma que apoiaria um plano confiável de desaceleração global, mas considera improvável que isso aconteça devido à competição econômica e geopolítica.</p><h3>Por que regulação internacional seria necessária?</h3><p>Porque modelos e seus riscos atravessam fronteiras. Uma restrição nacional pode ter pouco efeito se sistemas equivalentes continuarem disponíveis em outras jurisdições.</p><h3>O que agentes têm a ver com essa discussão?</h3><p>Agentes ampliam a automação de tarefas isoladas para sequências completas de trabalho, aproximando a IA de responsabilidades que antes dependiam de pessoas.</p><h3>Referências</h3><p>Bill Gates — ensaio “The turbulent AI era is here”. <a href="https://www.gatesnotes.com/a-turbulent-ai-era-and-critical-choices-to-make?utm_source=chatgpt.com">Gates Notes — artigo completo</a></p><p>Reuters — propostas de Gates para emprego, riscos e cooperação com a China. <a href="https://www.reuters.com/world/china/bill-gates-alarmed-by-ai-has-policy-ideas-he-wants-discuss-with-chinas-xi-2026-08-26/?utm_source=chatgpt.com">Reuters — Bill Gates e políticas para IA</a></p><p>Reuters — dificuldades da Meta na reorganização do trabalho em torno de agentes. <a href="https://www.reuters.com/investigations/mark-zuckerberg-had-bold-plan-replace-meta-staff-with-ai-heres-how-it-imploded-2026-08-26/?utm_source=chatgpt.com">Reuters — Meta e AI workforce</a></p><p>Reuters — debate internacional atual sobre regulação no G20. <a href="https://www.reuters.com/legal/litigation/us-urge-hands-off-ai-regulation-g-20-official-says-2026-09-01/?utm_source=chatgpt.com">Reuters — AI regulation at G20</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5962e38ac8ed" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Chatbots e assistentes de IA mais populares: ChatGPT, Claude, Gemini, Grok, Copilot, Perplexity e…]]></title>
            <link>https://medium.com/@ericgomes/chatbots-e-assistentes-de-ia-populares-hoje-chatgpt-claude-gemini-grok-copilot-perplexity-e-bd6774e3a973?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/bd6774e3a973</guid>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Thu, 03 Sep 2026 12:54:39 GMT</pubDate>
            <atom:updated>2026-09-03T13:54:57.934Z</atom:updated>
            <content:encoded><![CDATA[<h3>Chatbots e assistentes de IA mais populares: ChatGPT, Claude, Gemini, Grok, Copilot, Perplexity e outros</h3><p>Como os principais assistentes usados pelo público se diferenciam — e por que eles representam apenas uma parte do universo da inteligência artificial?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*c_ZkANC5TCRM44c0H4pBJw.png" /></figure><h3>Resumo</h3><p>Quando alguém diz hoje que “usa uma IA”, quase sempre está se referindo a um chatbot ou assistente de uso geral. ChatGPT, Claude, Gemini, Grok, Copilot, Perplexity, Meta AI, DeepSeek, Qwen e outros produtos se tornaram populares porque colocaram modelos muito avançados atrás de uma interface simples de conversa. Eles escrevem, pesquisam, analisam arquivos, programam, interpretam imagens e, cada vez mais, utilizam ferramentas e executam tarefas.</p><p>Mas seria incorreto chamar esses produtos de “as principais IAs do mundo”. Grande parte da inteligência artificial utilizada hoje nunca aparece em uma janela de chat. Existem sistemas especializados em previsão do tempo, imagens médicas, satélites, astronomia, robótica, finanças, defesa, logística, pesquisa científica e controle industrial. Este artigo trata especificamente dos <strong>chatbots e assistentes de IA que ganharam popularidade entre usuários comuns</strong>.</p><h3>Chatbot de IA não é sinônimo de inteligência artificial</h3><p>A popularidade dos chatbots criou uma associação quase automática entre inteligência artificial e uma caixa de texto. Isso é compreensível porque foi por meio dessa interface que milhões de pessoas passaram a interagir diretamente com modelos avançados. Ainda assim, um chatbot é apenas uma das muitas formas que um sistema de inteligência artificial pode assumir.</p><p>A NASA, por exemplo, utiliza IA em missões, exploração da Lua e de Marte, meteorologia, planejamento e análise de grandes volumes de dados. A agência também emprega inteligência artificial em imagens de satélite e em sistemas capazes de dar maior autonomia a aeronaves e espaçonaves. Em 2026, um modelo geoespacial desenvolvido pela NASA e pela IBM, o Prithvi, chegou a ser demonstrado diretamente em plataformas em órbita.</p><p>Esses sistemas não competem com ChatGPT ou Claude porque resolvem problemas completamente diferentes. Um modelo que decide autonomamente onde um satélite deve apontar seus instrumentos pode ser extremamente sofisticado sem jamais conversar com um usuário. A NASA já demonstrou, por exemplo, tecnologia capaz de analisar imagens a bordo e decidir onde realizar observações em menos de 90 segundos, sem intervenção humana naquele processo.</p><p>Por isso, os produtos discutidos aqui devem ser entendidos como <strong>assistentes conversacionais de IA populares</strong>, e não como uma lista das IAs mais importantes ou avançadas de todas as áreas.</p><h3>ChatGPT e OpenAI</h3><p>O ChatGPT foi o produto que transformou os grandes modelos de linguagem em um fenômeno de massa no final de 2022. O que inicialmente parecia um chatbot extremamente competente evoluiu rapidamente para uma plataforma capaz de trabalhar com texto, imagens, voz, arquivos, pesquisa, programação e diferentes tipos de ferramentas.</p><p>Essa evolução também mostra por que é importante separar produto de modelo. ChatGPT é o produto com o qual o usuário interage; GPT é a família de modelos que pode operar por trás dessa experiência. Em 2026, a OpenAI passou a disponibilizar a família GPT-5.6 no ChatGPT, com versões voltadas desde o uso cotidiano até tarefas complexas de programação, pesquisa, ciência e uso do computador.</p><p>A estratégia da OpenAI também deixou de estar centrada apenas na geração de respostas. Produtos como Codex mostram a expansão para agentes capazes de trabalhar em tarefas maiores, enquanto o próprio ChatGPT recebe cada vez mais recursos de pesquisa, ferramentas e execução. A palavra “chatbot” continua descrevendo a interface, mas já não descreve adequadamente tudo aquilo que pode acontecer por trás dela.</p><h3>Claude e Anthropic</h3><p>Claude, da Anthropic, tornou-se um dos concorrentes mais conhecidos nesse mercado, especialmente em escrita, análise de documentos, programação e trabalho profissional. A empresa construiu boa parte de sua identidade pública combinando modelos avançados com forte ênfase em segurança, controle e estudo de sistemas agentic.</p><p>Claude Code tornou essa estratégia particularmente clara. Em vez de funcionar apenas como um chatbot que sugere trechos de código, ele pode trabalhar sobre projetos, executar comandos e realizar uma sequência de tarefas de engenharia. Isso mostra como uma mesma família de modelos pode servir tanto a uma experiência conversacional tradicional quanto a sistemas muito mais próximos de agentes.</p><p>A Anthropic também popularizou uma distinção útil entre workflows e agents: em um workflow, o caminho é predominantemente definido pelo software; em um agente, o próprio modelo possui maior autonomia para determinar como utilizar suas ferramentas e como continuar trabalhando a partir dos resultados encontrados.</p><h3>Gemini e a força do ecossistema Google</h3><p>Gemini representa a principal aposta do Google em assistentes generativos e possui uma vantagem óbvia: está cercado por um dos maiores ecossistemas digitais do mundo. Busca, Android, Gmail, Workspace, YouTube, Maps e outros serviços criam inúmeras possibilidades de integração que um chatbot independente precisaria construir do zero.</p><p>Em maio de 2026, o Google afirmou que mais de 900 milhões de pessoas utilizavam o aplicativo Gemini por mês e anunciou uma evolução explicitamente mais agentic do produto. Entre as novidades estava Gemini Spark, descrito como um agente capaz de ajudar o usuário de maneira proativa e contínua.</p><p>Essa direção ajuda a perceber que o futuro desses produtos talvez não esteja apenas em responder melhor. Quanto mais o assistente consegue acessar contexto, acompanhar tarefas e interagir com outros serviços, mais ele se aproxima de uma camada de inteligência presente em todo o ecossistema do usuário.</p><h3>Microsoft Copilot e a vantagem de estar no Windows</h3><p>O Microsoft Copilot também ocupa uma posição peculiar porque está integrado ao ambiente em que milhões de pessoas já trabalham diariamente. Aqui estamos falando do Copilot usado pelo público no Windows e na web, e não do GitHub Copilot voltado especificamente ao desenvolvimento de software.</p><p>Sua principal vantagem estratégica não está necessariamente em possuir um modelo exclusivo melhor do que todos os concorrentes, mas em estar conectado ao próprio sistema operacional e ao ecossistema Microsoft. Isso permite que recursos como voz, visão da tela, busca de arquivos e integração com ferramentas transformem gradualmente o chatbot em algo mais parecido com um assistente permanente do computador.</p><p>Essa diferença é importante porque dois produtos podem utilizar modelos de capacidade semelhante e, ainda assim, oferecer experiências muito distintas. Integração, acesso ao contexto e capacidade de agir podem se tornar tão relevantes quanto a inteligência bruta do modelo.</p><h3>Grok e a estratégia da xAI</h3><p>Grok, desenvolvido pela xAI, começou bastante associado ao X, mas evoluiu rapidamente para uma plataforma mais ampla de inteligência artificial. A empresa passou a investir em pesquisa, programação, multimodalidade e agentes capazes de permanecer em tarefas complexas por muitas etapas.</p><p>A geração Grok 4.6, apresentada em agosto de 2026, reforçou essa direção com foco maior em tarefas longas, raciocínio e atuação agentic. Isso coloca a xAI em uma disputa que já não envolve apenas “quem possui o chatbot que responde melhor”, mas quem consegue transformar modelos em sistemas capazes de trabalhar durante períodos maiores e utilizar ferramentas de forma autônoma.</p><p>A presença de Elon Musk também torna Grok particularmente visível no debate público, mas sua relevância tecnológica precisa ser separada dessa exposição. Como ocorre com os outros concorrentes, o produto está gradualmente deixando de caber na definição simples de chatbot.</p><h3>Perplexity e a busca que virou conversa</h3><p>Perplexity nasceu com uma proposta diferente da maioria dos concorrentes. Enquanto outros produtos começaram como chatbots e posteriormente ganharam pesquisa, o Perplexity colocou a web no centro da experiência desde o início. A empresa se define como um <em>answer engine</em>: o sistema pesquisa a internet, identifica fontes e sintetiza as informações em uma resposta direta acompanhada das referências utilizadas.</p><p>Nesse sentido, o Perplexity foi um precursor claro da experiência que mais tarde apareceu no Modo IA do Google. A ideia de escrever uma pergunta complexa, deixar o sistema realizar várias buscas e receber uma síntese pronta rompe com a lógica clássica em que o mecanismo apresenta links e transfere para o usuário todo o trabalho de abrir, ler e combinar as fontes.</p><p>Isso não significa dizer que o Google copiou o Perplexity. A busca generativa vinha sendo desenvolvida por várias empresas, inclusive pelo próprio Google. Ainda assim, o Perplexity mostrou cedo que havia demanda por uma forma diferente de pesquisar: menos navegação entre páginas e mais conversa com a informação encontrada nelas.</p><h3>Meta AI e Muse Spark</h3><p>A Meta possui talvez uma das maiores vantagens de distribuição do mercado. WhatsApp, Instagram, Facebook, Messenger e Threads já colocam a empresa em contato com bilhões de pessoas, permitindo que Meta AI apareça dentro de aplicativos que o usuário já utiliza diariamente.</p><p>Em abril de 2026, o Meta Superintelligence Labs apresentou Muse Spark, primeiro modelo de uma nova família desenvolvida especificamente para os produtos da empresa. O modelo é multimodal, possui suporte a ferramentas e orquestração de múltiplos agentes e passou a alimentar a própria Meta AI.</p><p>Em julho, Muse Spark 1.1 ampliou especificamente capacidades de uso de computador, programação e tarefas agentic. A evolução reforça uma tendência comum entre praticamente todos os grandes assistentes: a conversa continua sendo a interface principal, mas agir começa a ser tão importante quanto responder.</p><h3>DeepSeek e a força dos modelos chineses</h3><p>DeepSeek ganhou enorme projeção internacional com seus modelos de raciocínio e programação, além de uma estratégia de preços que pressionou concorrentes maiores. O produto conversacional tornou a marca conhecida entre usuários finais, mas a empresa também se tornou relevante como fornecedora de modelos e APIs.</p><p>Sua documentação atual mostra suporte explícito a chamadas de ferramentas, permitindo que os modelos acionem serviços externos durante uma tarefa. Esse tipo de recurso é fundamental para construir agentes e mostra que DeepSeek também participa da passagem de modelos que apenas respondem para sistemas capazes de interagir com outros ambientes.</p><p>A importância da DeepSeek também é geopolítica. Seu crescimento mostrou que modelos capazes de competir em várias tarefas avançadas não precisam necessariamente nascer no ecossistema americano, ampliando a competição entre diferentes abordagens de pesquisa, distribuição e abertura de modelos.</p><h3>Qwen e a estratégia da Alibaba</h3><p>Qwen é a família de modelos e produtos de IA da Alibaba e se tornou outro nome importante no ecossistema chinês. A empresa combina chatbot, modelos disponibilizados via Alibaba Cloud, versões abertas e sistemas orientados a programação, multimodalidade e agentes.</p><p>Em fevereiro de 2026, a equipe Qwen apresentou Qwen3.5 como uma família voltada nativamente a agentes multimodais, com suporte a uso de ferramentas e grandes janelas de contexto. Nos meses seguintes, a série Qwen3.6 expandiu especialmente programação agentic e disponibilizou também versões open-weight para desenvolvedores.</p><p>Para o público, porém, o movimento mais interessante aconteceu no próprio Qwen App. Em janeiro de 2026, a Alibaba anunciou uma integração profunda com serviços como Taobao, Alipay, Fliggy e Amap, permitindo ao assistente não apenas responder, mas executar ações completas, como pedir comida, realizar pagamentos, planejar viagens e fazer reservas dentro de um único fluxo conversacional.</p><p>Isso torna Qwen um exemplo particularmente claro da passagem de chatbot para assistente operacional. A Alibaba possui um enorme ecossistema de comércio, pagamentos, viagens e serviços, e pode conectar a IA diretamente a essas infraestruturas.</p><h3>Mistral: do Le Chat ao Vibe</h3><p>A francesa Mistral AI ganhou espaço inicialmente por seus modelos de pesos abertos e por defender maior controle dos usuários sobre infraestrutura e dados. Seu chatbot para o público ficou conhecido como Le Chat, mas em 2026 o produto passou por uma mudança importante de posicionamento e nome.</p><p>Le Chat agora se chama <strong>Vibe</strong>. A Mistral descreve Vibe como um agente unificado para produtividade e programação, dividido em modos de trabalho, código e conversa. O produto continua oferecendo o chat tradicional, mas passou a integrar tarefas de várias etapas, conectores e capacidade de utilizar ferramentas externas.</p><p>Essa mudança de nome é interessante porque representa também uma mudança de categoria. Em vez de simplesmente competir com ChatGPT ou Claude como mais um chatbot, a Mistral tenta posicionar seu produto como um ambiente para delegar trabalho, pesquisar, programar e executar processos.</p><h3>E onde entra o Manus?</h3><p>Manus ganhou atenção justamente por não se apresentar prioritariamente como chatbot tradicional. Sua proposta foi construída em torno de um agente de propósito geral capaz de receber uma tarefa e trabalhar em várias etapas para chegar ao resultado.</p><p>Isso explica por que Manus frequentemente aparece ao lado de ChatGPT, Claude e outros produtos mesmo pertencendo conceitualmente mais ao universo dos agentes. Ele representa a direção para a qual muitos chatbots estão avançando: a conversa deixa de ser o produto final e passa a funcionar como ponto de partida para execução.</p><p>A relevância estratégica dessa categoria ficou evidente quando a Meta fechou uma aquisição da empresa por cerca de US$ 2 bilhões e o governo chinês determinou posteriormente que a operação fosse desfeita, citando questões de segurança nacional e transferência de tecnologia ligada à China.</p><h3>Então qual é o melhor chatbot de IA?</h3><p>Não existe uma resposta universal porque esses produtos estão deixando de resolver exatamente o mesmo problema. ChatGPT pode ser mais adequado para determinado conjunto de tarefas; Claude para outro; Perplexity pode fazer mais sentido quando pesquisa e fontes são centrais; Copilot possui uma vantagem particular dentro do Windows; Gemini se beneficia do ecossistema Google; Qwen ganha força dentro dos serviços Alibaba.</p><p>Além disso, o produto e o modelo não são a mesma coisa. Um assistente pode trocar de modelo, incorporar novas ferramentas e ganhar recursos que alteram completamente sua utilidade sem mudar de nome. Uma comparação publicada hoje pode ficar parcialmente desatualizada depois de apenas um lançamento importante.</p><p>O critério mais útil é começar pela necessidade. Em vez de perguntar qual é “a melhor IA”, faz mais sentido perguntar qual assistente funciona melhor para determinado trabalho, quais informações ele consegue acessar, que integrações oferece, onde os dados são processados, quanto custa e quanto de autonomia queremos entregar.</p><h3>Conclusão</h3><p>Os chatbots se tornaram a face pública da inteligência artificial porque colocaram sistemas extremamente sofisticados dentro de uma experiência familiar: conversar. Isso explica por que ChatGPT, Claude, Gemini, Grok, Copilot, Perplexity, Meta AI, DeepSeek e Qwen passaram a ser tratados no cotidiano quase como sinônimos de inteligência artificial.</p><p>Mas eles representam apenas uma parte de um campo muito maior. Sistemas especializados já trabalham silenciosamente em ciência, medicina, satélites, aeronaves, indústria, finanças e inúmeras outras áreas, muitas vezes resolvendo problemas que sequer fariam sentido dentro de uma interface de conversa.</p><p>Ao mesmo tempo, os próprios chatbots estão deixando de ser apenas chatbots. Cada vez mais eles pesquisam, utilizam ferramentas, acessam aplicativos, executam código e recebem objetivos maiores. Essa transformação explica por que a fronteira entre chatbot, assistente e agente está ficando tão difícil de enxergar.</p><p>Para entender essa próxima etapa, leia também <strong>“</strong><a href="https://medium.com/@ericgomes/quando-uma-ia-vira-um-agente-de-ia-c31722a4415a?postPublishedType=repub"><strong>Quando uma IA vira um agente de IA?</strong></a><strong>”</strong>, que explica a passagem de resposta para consulta, decisão e ação.</p><p>E para entender a diferença entre os grandes modelos executados em datacenters e aqueles que podem ser baixados e usados localmente, veja <strong>“</strong><a href="https://medium.com/@ericgomes/modelos-de-fronteira-ia-local-e-o-que-realmente-roda-no-seu-computador-cc6f4e8a9d31?postPublishedType=repub"><strong>Modelos de fronteira, IA local e o que realmente roda no seu computador</strong></a><strong>”</strong>.</p><h3>FAQ</h3><h3>ChatGPT, Claude e Gemini são “as principais IAs do mundo”?</h3><p>Não. Eles estão entre os chatbots e assistentes generativos mais conhecidos pelo público, mas existem inúmeros sistemas de IA especializados e extremamente relevantes em ciência, saúde, indústria, espaço, defesa e outras áreas.</p><h3>Chatbot e modelo de IA são a mesma coisa?</h3><p>Não. O chatbot é normalmente o produto ou a interface. O modelo é o sistema de inteligência artificial utilizado por trás dele. ChatGPT, por exemplo, pode utilizar diferentes modelos GPT.</p><h3>Qual é a diferença entre Perplexity e outros chatbots?</h3><p>Perplexity nasceu com a pesquisa na web no centro da experiência. Seu funcionamento está mais próximo de um mecanismo de respostas conversacional apoiado por fontes do que do chatbot tradicional baseado principalmente no conhecimento do modelo.</p><h3>Meta AI e Muse Spark são a mesma coisa?</h3><p>Não. Meta AI é o produto utilizado pelo público; Muse Spark é a família de modelos que passou a alimentar essa experiência.</p><h3>Qwen é o chatbot ou o modelo da Alibaba?</h3><p>O nome Qwen é utilizado para uma família de modelos e também para produtos de interação com o usuário, como Qwen App e Qwen Studio. A Alibaba é a empresa por trás desse ecossistema.</p><h3>Le Chat ainda existe?</h3><p>A Mistral renomeou Le Chat para Vibe em 2026. A experiência de conversa continua existindo como um dos modos do produto, mas Vibe também inclui recursos voltados a produtividade e programação.</p><h3>Qual é o melhor chatbot de IA?</h3><p>Depende da tarefa. Pesquisa, programação, escrita, integração com aplicativos, privacidade, custo, entretenimento e acesso a ferramentas podem tornar produtos diferentes mais adequados para necessidades diferentes.</p><h3>Referências</h3><p><strong>NASA — Artificial Intelligence</strong><br> Visão geral do uso de inteligência artificial pela NASA em ciência, exploração espacial, satélites e sistemas autônomos.<br> <a href="https://www.nasa.gov/artificial-intelligence/?utm_source=chatgpt.com">https://www.nasa.gov/artificial-intelligence/</a></p><p><strong>NASA JPL — How NASA Is Testing AI to Make Earth-Observing Satellites Smarter</strong><br> Exemplo de IA usada para análise e tomada de decisão autônoma em satélites de observação da Terra.<br> <a href="https://www.jpl.nasa.gov/news/how-nasa-is-testing-ai-to-make-earth-observing-satellites-smarter/?utm_source=chatgpt.com">https://www.jpl.nasa.gov/news/how-nasa-is-testing-ai-to-make-earth-observing-satellites-smarter/</a></p><p><strong>OpenAI — GPT-5.6</strong><br> Apresentação da família GPT-5.6 e das capacidades dos modelos usados no ecossistema OpenAI.<br> <a href="https://openai.com/index/gpt-5-6/?utm_source=chatgpt.com">https://openai.com/index/gpt-5-6/</a></p><p><strong>Anthropic — Building Effective Agents</strong><br> Explica a distinção entre workflows e agentes e a abordagem da Anthropic para sistemas agentic.<br> <a href="https://www.anthropic.com/engineering/building-effective-agents">https://www.anthropic.com/engineering/building-effective-agents</a></p><p><strong>Google — The next evolution of the Gemini app</strong><br> Apresenta a evolução do Gemini e sua expansão para experiências mais proativas e agentic.<br> <a href="https://blog.google/innovation-and-ai/products/gemini-app/next-evolution-gemini-app/?utm_source=chatgpt.com">https://blog.google/innovation-and-ai/products/gemini-app/next-evolution-gemini-app/</a></p><p><strong>Microsoft — Copilot no Windows</strong><br> Documentação sobre a integração do Microsoft Copilot ao Windows e seus recursos para o usuário.<br> <a href="https://support.microsoft.com/pt-br/microsoft-copilot/getting-started-with-copilot-on-windows?utm_source=chatgpt.com">https://support.microsoft.com/pt-br/microsoft-copilot/getting-started-with-copilot-on-windows</a></p><p><strong>xAI — Grok 4.6</strong><br> Apresentação da geração Grok 4.6 e de suas capacidades para raciocínio e tarefas de longa duração.<br> <a href="https://x.ai/news/grok-4-6?utm_source=chatgpt.com">https://x.ai/news/grok-4-6</a></p><p><strong>Perplexity — What is an Answer Engine?</strong><br> Explica a proposta do Perplexity de pesquisar a web e produzir respostas sintetizadas acompanhadas das fontes.<br> <a href="https://www.perplexity.ai/help-center/en/articles/10354917-what-is-an-answer-engine-and-how-does-perplexity-work-as-one?utm_source=chatgpt.com">https://www.perplexity.ai/help-center/en/articles/10354917-what-is-an-answer-engine-and-how-does-perplexity-work-as-one</a></p><p><strong>Meta — Introducing Muse Spark</strong><br> Anúncio oficial do Muse Spark, desenvolvido pelo Meta Superintelligence Labs.<br> <a href="https://ai.meta.com/blog/introducing-muse-spark-msl/?utm_source=chatgpt.com">https://ai.meta.com/blog/introducing-muse-spark-msl/</a></p><p><strong>DeepSeek — Tool Calls</strong><br> Documentação oficial sobre o uso de ferramentas externas pelos modelos DeepSeek.<br> <a href="https://api-docs.deepseek.com/guides/tool_calls/?utm_source=chatgpt.com">https://api-docs.deepseek.com/guides/tool_calls/</a></p><p><strong>Qwen — Site oficial</strong><br> Informações sobre os modelos, produtos e lançamentos da família Qwen, da Alibaba.<br> <a href="https://qwen.ai/">https://qwen.ai/</a></p><p><strong>Alibaba Group — Qwen</strong><br> Informações oficiais sobre o ecossistema Qwen e sua integração com serviços da Alibaba.<br> <a href="https://www.alibabagroup.com/en-US/">https://www.alibabagroup.com/en-US/</a></p><p><strong>Mistral AI — Models</strong><br> Catálogo oficial dos modelos da Mistral e de suas diferentes famílias e capacidades.<br> <a href="https://docs.mistral.ai/models/?utm_source=chatgpt.com">https://docs.mistral.ai/models/</a></p><p><strong>Mistral AI — Vibe</strong><br> Informações sobre o Vibe, sucessor do Le Chat, e sua evolução para produtividade, programação e tarefas de múltiplas etapas.<br> <a href="https://help.mistral.ai/en/articles/682992-le-chat-is-now-vibe?utm_source=chatgpt.com">https://help.mistral.ai/en/articles/682992-le-chat-is-now-vibe</a></p><p><strong>Reuters — Meta e Manus</strong><br> Cobertura da tentativa de aquisição da Manus pela Meta e do bloqueio da operação pelas autoridades chinesas.<br> <a href="https://www.reuters.com/legal/transactional/blocking-metas-ai-startup-buy-raises-risk-cross-border-china-tech-deals-2026-04-28/?utm_source=chatgpt.com">https://www.reuters.com/legal/transactional/blocking-metas-ai-startup-buy-raises-risk-cross-border-china-tech-deals-2026-04-28/</a></p><p><strong>Reuters — Meta e Manus</strong><br> Cobertura da tentativa de aquisição da Manus pela Meta e do bloqueio da operação pelas autoridades chinesas.<br> <a href="https://www.reuters.com/legal/transactional/blocking-metas-ai-startup-buy-raises-risk-cross-border-china-tech-deals-2026-04-28/?utm_source=chatgpt.com">Reuters — Meta, Manus e China</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd6774e3a973" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelos de fronteira, IA local e o que realmente roda no seu computador]]></title>
            <link>https://medium.com/@ericgomes/modelos-de-fronteira-ia-local-e-o-que-realmente-roda-no-seu-computador-cc6f4e8a9d31?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/cc6f4e8a9d31</guid>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Tue, 01 Sep 2026 17:28:07 GMT</pubDate>
            <atom:updated>2026-09-03T12:52:07.206Z</atom:updated>
            <content:encoded><![CDATA[<p>Por que algumas inteligências artificiais precisam de datacenters gigantes enquanto outras já cabem em notebooks e celulares?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BtllkvbQx66iSfKTrFegQg.png" /></figure><h3>Resumo</h3><p>Quando falamos em inteligência artificial, é fácil imaginar que todos os sistemas funcionam da mesma maneira. Na prática, existe uma diferença enorme entre um modelo de fronteira executado em grandes infraestruturas de datacenter e um modelo compacto que pode ser baixado e usado em um notebook sem conexão permanente com a internet.</p><p>Os dois extremos estão avançando simultaneamente. Grandes empresas continuam construindo modelos cada vez mais capazes, enquanto famílias como Gemma, Llama, Mistral, Phi e DeepSeek tornam possível executar IA em infraestrutura própria. Para entender esse cenário, também é necessário separar conceitos que frequentemente aparecem misturados, como <em>frontier model</em>, <em>open source</em>, <em>open-weight</em>, cloud AI, edge AI e on-device AI.</p><h3>O que significa um modelo de fronteira?</h3><p>A expressão <em>frontier model</em> costuma ser usada para descrever sistemas próximos do limite atual das capacidades da inteligência artificial. Eles normalmente apresentam desempenho de ponta em áreas como raciocínio, programação, multimodalidade, ciência e uso de ferramentas e, por isso, servem como uma espécie de referência tecnológica para o restante do mercado.</p><p>A OpenAI utiliza explicitamente “inteligência de fronteira” para apresentar o GPT-5.6, enquanto a Mistral classifica o Mistral Medium 3.5 como um modelo multimodal “frontier-class” voltado a programação e usos agentic. Isso mostra que “fronteira” não é uma arquitetura específica, mas uma forma de indicar que determinado modelo está entre os sistemas mais capazes de sua geração.</p><p>Esses modelos exigem enormes quantidades de computação para treinamento e normalmente também precisam de hardware caro para inferência. Por essa razão, o público costuma acessá-los através de serviços em nuvem: enviamos o prompt para a infraestrutura da empresa e recebemos a resposta pela internet.</p><h3>Existe outra corrida: fazer modelos menores ficarem melhores</h3><p>Enquanto os maiores laboratórios disputam a fronteira, uma segunda evolução acontece silenciosamente. Modelos relativamente pequenos estão melhorando rápido o suficiente para realizar tarefas que há poucos anos exigiam sistemas muito maiores, abrindo espaço para execução local.</p><p>A família Gemma, do Google, é um bom exemplo. Ela foi criada justamente para permitir que desenvolvedores obtenham os modelos e os executem em ambientes próprios. A família Llama, da Meta, também pode ser obtida diretamente ou através de parceiros como Hugging Face e Kaggle, e inclui versões desenvolvidas para diferentes capacidades e requisitos de hardware.</p><p>A Mistral levou essa abordagem a diferentes escalas. Seu catálogo atual inclui desde modelos descritos como de classe de fronteira até Ministral 3 com 3, 8 e 14 bilhões de parâmetros, projetados para cenários que valorizam eficiência. A Microsoft segue caminho semelhante com modelos Phi e componentes como Phi Silica, otimizado para executar diretamente nas NPUs de computadores Copilot+.</p><h3>Open source e open-weight não são exatamente a mesma coisa</h3><p>Um dos termos mais confusos desse mercado é “modelo open source”. Muitas vezes ele é usado informalmente para qualquer IA cujos pesos podem ser baixados, mas essa definição não corresponde necessariamente ao conceito tradicional de software livre.</p><p>Um modelo pode permitir download dos pesos treinados sem divulgar os dados utilizados no treinamento, todas as ferramentas internas, o código completo da pipeline ou detalhes suficientes para reproduzir o processo. Nesses casos, a expressão <em>open-weight</em> costuma ser mais precisa.</p><p>Essa distinção importa porque determina aquilo que desenvolvedores realmente podem fazer. Alguns modelos permitem adaptação, execução privada e distribuição dentro de condições específicas; outros possuem licenças muito mais permissivas. Antes de chamar qualquer modelo de open source, portanto, vale verificar exatamente o que sua licença disponibiliza.</p><h3>Rodar uma IA local ficou muito mais simples</h3><p>Até pouco tempo atrás, executar um grande modelo de linguagem localmente exigia bastante conhecimento técnico. Projetos como llama.cpp e ferramentas como Ollama e LM Studio transformaram essa experiência ao automatizar boa parte da configuração necessária para baixar, quantizar e executar modelos em computadores comuns.</p><p>O resultado é que um usuário com hardware adequado pode conversar com determinados modelos sem enviar cada prompt para servidores de outra empresa. Para organizações, isso também significa a possibilidade de colocar um modelo dentro da própria infraestrutura, mantendo documentos e dados sensíveis sob maior controle.</p><p>Naturalmente, existem trade-offs. Um modelo local limitado pela memória e pela capacidade da GPU normalmente não oferece o mesmo desempenho de um modelo de fronteira executado em um grande datacenter. A escolha correta depende da tarefa: muitas aplicações não precisam do sistema mais poderoso disponível para serem úteis.</p><h3>Do notebook ao smartphone e ao IoT</h3><p>Quando o modelo se torna pequeno e eficiente o suficiente, ele não precisa sequer estar em um computador convencional. Microsoft e outros fabricantes já utilizam NPUs dedicadas para executar tarefas de IA localmente em PCs, reduzindo latência e mantendo determinados dados no próprio dispositivo. O Phi Silica, por exemplo, foi projetado especificamente para inteligência de linguagem on-device no Windows.</p><p>Em smartphones, a mesma lógica permite reconhecimento, processamento de texto, tradução ou interpretação de imagens sem que todo o conteúdo precise viajar até a nuvem. Em veículos e câmeras, baixa latência é ainda mais importante, porque determinadas decisões precisam acontecer imediatamente.</p><p>Em dispositivos IoT menores, dificilmente veremos um chatbot de fronteira completo. Mas não é necessário. Pequenos modelos especializados podem reconhecer sons, detectar defeitos, classificar imagens, identificar movimentos ou perceber uma anomalia em um sensor. A IA deixa de ser um destino para o qual enviamos dados e passa a estar embutida no próprio ambiente onde eles são produzidos.</p><h3>Modelos locais também podem alimentar agentes</h3><p>Essa descentralização tem uma consequência importante para a discussão sobre agentes de IA. Um agente não precisa obrigatoriamente depender de ChatGPT, Claude ou outro grande serviço em nuvem. A arquitetura agentic pode utilizar um modelo local como seu “cérebro”, desde que ele tenha capacidade suficiente para interpretar a tarefa e utilizar as ferramentas disponíveis.</p><p>Isso abre possibilidades interessantes para privacidade e automação interna. Uma empresa pode imaginar agentes que trabalham sobre documentos corporativos sem enviar todo o conteúdo para serviços externos; uma residência pode ter automações inteligentes processadas localmente; um equipamento industrial pode tomar pequenas decisões mesmo quando está desconectado.</p><p>Para entender melhor a diferença entre modelo, chatbot e agente, vale ler o primeiro artigo desta série: <strong>“</strong><a href="https://medium.com/@ericgomes/quando-uma-ia-vira-um-agente-de-ia-c31722a4415a?postPublishedType=initial"><strong>Quando uma IA vira um agente de IA?</strong></a><strong>”</strong></p><h3>Conclusão</h3><p>O futuro da inteligência artificial não está seguindo apenas uma direção. Existe uma corrida para criar modelos de fronteira cada vez mais poderosos e outra para tornar modelos menores suficientemente bons para rodar fora de grandes datacenters.</p><p>Essa segunda tendência talvez seja menos visível, mas pode ser igualmente transformadora. Modelos locais mudam questões de custo, privacidade, latência e dependência da internet, além de permitir que inteligência seja incorporada diretamente a computadores, celulares, veículos, equipamentos industriais e dispositivos de IoT.</p><p>O resultado será provavelmente um ecossistema híbrido. Algumas tarefas continuarão sendo enviadas para enormes modelos na nuvem, enquanto outras serão resolvidas localmente por modelos muito menores. A pergunta deixa de ser simplesmente “qual IA é melhor?” e passa a ser “qual modelo é suficiente para esta tarefa, neste dispositivo e com estes requisitos?”.</p><p>Para conhecer os produtos que representam diferentes estratégias dentro desse mercado, continue em <strong>“As principais IAs de hoje: ChatGPT, Claude, Gemini, Grok, Copilot, Perplexity e outras”</strong>.</p><h3>FAQ</h3><h3>O que é um modelo de fronteira?</h3><p>É um modelo situado próximo do estado da arte de determinada geração, normalmente com capacidades avançadas em vários tipos de tarefa.</p><h3>IA local funciona sem internet?</h3><p>A inferência pode funcionar sem internet quando o modelo e todo o software necessário estão instalados no dispositivo. Recursos externos ainda podem exigir conexão.</p><h3>Gemma é o mesmo que Gemini?</h3><p>Não. Gemini é a principal família de modelos e produtos de IA do Google; Gemma é uma família de modelos disponibilizados para execução e desenvolvimento em ambientes controlados pelo usuário.</p><h3>Open-weight significa open source?</h3><p>Não necessariamente. Open-weight indica principalmente que os pesos do modelo estão disponíveis. Outros componentes do desenvolvimento podem permanecer fechados.</p><h3>Um modelo pequeno pode ser melhor que um modelo de fronteira?</h3><p>Para determinadas tarefas, sim. Pode ser mais barato, rápido, privado e suficiente, mesmo que tenha menos capacidade geral.</p><h3>Referências</h3><p>Google AI — família Gemma e execução em diferentes ambientes. <a href="https://ai.google.dev/gemma?utm_source=chatgpt.com">Google AI — Gemma</a></p><p>Meta — download e implantação da família Llama. <a href="https://ai.meta.com/llama/get-started/?utm_source=chatgpt.com">Meta — Llama</a></p><p>Mistral — catálogo de modelos de fronteira e modelos compactos. <a href="https://docs.mistral.ai/models?utm_source=chatgpt.com">Mistral — Models</a></p><p>Microsoft — Phi Silica e IA executada localmente em Copilot+ PCs. <a href="https://support.microsoft.com/en-US/servicing/os/windows/ai-components/2026/01/windows-copilot-ai-components?utm_source=chatgpt.com">Microsoft — Windows AI components</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cc6f4e8a9d31" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quando uma IA vira um agente de IA?]]></title>
            <link>https://medium.com/@ericgomes/quando-uma-ia-vira-um-agente-de-ia-c31722a4415a?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/c31722a4415a</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Tue, 01 Sep 2026 17:28:04 GMT</pubDate>
            <atom:updated>2026-09-02T09:25:20.706Z</atom:updated>
            <content:encoded><![CDATA[<h3>Quando um chatbot de IA vira um agente de IA?</h3><p>Leia sobre a diferença entre um chatbot que responde, uma IA que usa ferramentas e um sistema capaz de receber objetivos e agir por você.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*2_Hkg7K1Ak-j2OeQ41PRWw@2x.jpeg" /></figure><h3>Resumo</h3><p>A expressão “agente de IA” passou a ser utilizada para sistemas muito diferentes. Em alguns casos, ela descreve pouco mais do que um chatbot conectado à internet; em outros, refere-se a sistemas capazes de receber um objetivo, escolher ferramentas, tomar decisões durante a execução e modificar outros ambientes digitais. A dificuldade está justamente no fato de que não existe uma linha universal separando essas categorias.</p><p>Uma forma prática de entender essa transformação é observar quatro capacidades que foram sendo adicionadas à inteligência artificial: <strong>responder → consultar → decidir → agir</strong>. Quanto mais o usuário pode explicar apenas o resultado desejado, deixando para a própria IA a definição do caminho necessário, mais próximo estamos do que hoje chamamos de agente.</p><h3>Antes de qualquer agente, existe um modelo já treinado</h3><p>Quando fazemos uma pergunta ao ChatGPT, Claude ou outro chatbot, o sistema não começa a estudar o assunto naquele instante. O modelo que produz a resposta já passou por um longo processo de treinamento, no qual seus parâmetros foram ajustados para reconhecer padrões de linguagem, relações entre conceitos, estruturas de texto, código e, nos modelos multimodais, também relações entre imagens, áudio e outras formas de informação.</p><p>Por isso uma IA consegue explicar a diferença entre um eclipse solar e um lunar sem necessariamente abrir nenhum site. Ela utiliza o que foi aprendido durante o treinamento, as instruções que recebeu e o contexto da conversa para gerar uma nova resposta. Esse é o caso mais simples da IA generativa moderna: o usuário fornece uma entrada e recebe uma saída produzida por um modelo previamente treinado.</p><h3>O ChatGPT continuou parecendo um chat, mas mudou por dentro</h3><p>O ChatGPT popularizou essa experiência no final de 2022 usando inicialmente modelos da família GPT-3.5. Depois vieram GPT-4, GPT-4o, a série de raciocínio o1 e as diferentes gerações GPT-5. Em 2026, a OpenAI passou a descrever o GPT-5.6 como uma família de “inteligência de fronteira”, com aplicações que incluem programação, pesquisa, trabalho intelectual complexo e uso do computador.</p><p>Isso mostra por que “ChatGPT” e “modelo” não são exatamente a mesma coisa. ChatGPT é o produto e a interface com os quais conversamos; por trás deles podem existir modelos, ferramentas e modos de execução diferentes. A caixa de texto permaneceu familiar enquanto aquilo que o sistema consegue fazer depois de receber um prompt mudou radicalmente.</p><h3>Responder, consultar, decidir e agir</h3><p>No nível mais básico, a IA responde. Podemos pedir uma explicação, solicitar um texto ou discutir uma ideia, e toda a tarefa termina na geração da resposta. Mesmo que o raciocínio envolvido seja complexo, o sistema ainda pode permanecer completamente dentro daquela interação, sem consultar ou modificar nada fora dela.</p><p>O segundo nível aparece quando o modelo precisa buscar informações. Se perguntamos qual é a previsão do tempo para amanhã, quanto custa determinada passagem ou o que aconteceu nas notícias de hoje, o treinamento já não é suficiente. A IA precisa consultar a internet, um arquivo, um banco de dados ou algum serviço externo. Isso adiciona ferramentas ao processo, mas ainda não transforma automaticamente o sistema em agente.</p><h3>Quando deixamos de perguntar e começamos a delegar</h3><p>Existe uma diferença importante entre perguntar “o que fazer durante cinco dias no Rio de Janeiro?” e dizer “organize uma viagem de cinco dias para o Rio dentro deste orçamento”. A primeira solicitação pede conhecimento; a segunda define um objetivo que precisa ser resolvido.</p><p>Para organizar a viagem, o sistema pode pesquisar hospedagem, comparar regiões, verificar distâncias, consultar horários, reorganizar o roteiro e adaptar escolhas quando encontra novas informações. O caminho deixa de estar totalmente especificado no prompt e começa a ser construído durante a execução. É nessa passagem que o comportamento se torna mais claramente <em>agentic</em>.</p><p>A Anthropic faz uma distinção semelhante entre workflows e agents. Em um workflow, a sequência é majoritariamente determinada pelo software; em um agente, o modelo possui mais liberdade para decidir quais ferramentas usar e como prosseguir de acordo com os resultados encontrados.</p><h3>O passo seguinte é modificar alguma coisa</h3><p>Imagine agora que, depois de organizar a viagem, a IA possa inserir os passeios em seu calendário, procurar um horário compatível para o jantar e fazer uma reserva autorizada por você. A resposta deixou de ser apenas informação: algo realmente mudou em outro sistema.</p><p>Por isso a sequência <strong>responder → consultar → decidir → agir</strong> funciona melhor do que uma definição rígida. Um modelo pode pensar muito sem ser um agente; o elemento decisivo aparece quando o raciocínio passa a orientar uma sequência de ações em direção a um objetivo.</p><h3>Codex e Claude Code tornam essa mudança visível</h3><p>Programação é uma das áreas em que essa transformação ficou mais fácil de perceber. Durante os primeiros anos da IA generativa, o programador normalmente pedia um trecho de código, copiava a resposta para o projeto e continuava o trabalho. O modelo ajudava a escrever, mas o humano ainda precisava navegar pelos arquivos, executar comandos, analisar falhas e coordenar todo o processo.</p><p>Com Codex, da OpenAI, e Claude Code, da Anthropic, a unidade de trabalho passa a ser maior. Em vez de pedir apenas uma função, é possível dizer que uma aplicação deixou de funcionar e solicitar que o agente encontre o problema e o corrija. O sistema pode explorar o projeto, ler arquivos, executar comandos, testar hipóteses e modificar o código até obter um resultado.</p><p>Isso representa bem a nova divisão de trabalho: o humano define <strong>o que</strong> deseja alcançar, enquanto a IA assume uma parcela crescente das decisões sobre <strong>como</strong> chegar lá. O conceito de agente começa justamente quando esse “como” deixa de precisar ser totalmente especificado.</p><h3>O próximo passo é dar um computador para a IA</h3><p>A maioria dos agentes atuais ainda depende de ferramentas preparadas para eles. Mas existe uma abordagem mais radical: permitir que a própria IA opere um computador completo, usando tela, mouse e teclado como uma pessoa.</p><p>A Warmwind começou em agosto de 2026 a disponibilizar internacionalmente seus chamados “autonomous AI workers”. Cada agente recebe um computador isolado na nuvem e interage visualmente com os programas, podendo continuar executando tarefas mesmo quando o usuário está offline.</p><p>Isso é importante porque reduz a necessidade de criar uma integração especial para cada software. Se um agente consegue enxergar uma interface, clicar e digitar, em princípio ele pode utilizar sistemas que foram construídos para humanos e nunca ganharam uma API específica para inteligência artificial.</p><h3>Um colega remoto que não é uma pessoa</h3><p>É fácil imaginar a evolução dessa arquitetura. Uma empresa poderia fornecer a um agente um computador virtual, credenciais próprias, e-mail corporativo e acesso limitado aos sistemas necessários para determinada função. Com capacidades adicionais de voz, autenticação e comunicação, a mesma lógica poderia eventualmente alcançar WhatsApp Business, atendimento, sistemas internos e reuniões online.</p><p>Isso não significa que já exista hoje um “funcionário artificial” perfeitamente equivalente a um humano. O que já existe é a infraestrutura que torna esse cenário muito menos hipotético: agentes capazes de trabalhar durante períodos prolongados, operar interfaces e executar responsabilidades digitais sem exigir que cada passo seja comandado manualmente.</p><p>Essa passagem de ferramenta para participante da equipe abre uma discussão maior sobre emprego, responsabilidade e regulação. É justamente o assunto do artigo <strong>“Bill Gates mudou de tom sobre a IA — e o problema é maior do que empregos”</strong>.</p><h3>Conclusão</h3><p>Não existe um momento exato em que uma IA “vira” agente. Existe um aumento gradual de autonomia. Primeiro o modelo responde usando aquilo que aprendeu; depois recebe acesso a informações externas; em seguida começa a decidir como executar uma tarefa; finalmente ganha ferramentas e permissões para modificar outros sistemas.</p><p>Por isso, uma definição prática é mais útil do que uma classificação rígida: quanto mais podemos dizer à IA <strong>qual resultado queremos</strong>, em vez de explicar <strong>cada passo necessário</strong>, mais agentic é o sistema. Essa mudança é importante porque altera a própria natureza da interação com computadores: deixamos de pedir apenas informação e começamos a delegar trabalho.</p><p>A discussão também depende de entender que agentes e modelos não são a mesma coisa. Modelos podem ser enormes sistemas de fronteira hospedados na nuvem ou pequenos modelos executados localmente, e ambos podem participar de arquiteturas agentic. Essa diferença é o tema do próximo artigo da série.</p><p><strong>Leia também: “</strong><a href="https://medium.com/@ericgomes/modelos-de-fronteira-ia-local-e-o-que-realmente-roda-no-seu-computador-cc6f4e8a9d31"><strong>Modelos de fronteira, IA local e o que realmente roda no seu computador</strong></a><strong>”.</strong></p><h3>FAQ</h3><h3>Toda IA que pesquisa na internet é um agente?</h3><p>Não. Pesquisar pode ser apenas uma etapa de recuperação de informação. O comportamento se torna mais claramente agentic quando o modelo decide como conduzir várias etapas de uma tarefa.</p><h3>Pensar mais transforma um modelo em agente?</h3><p>Não. Raciocínio avançado é uma capacidade. Agência envolve usar esse raciocínio para determinar e executar ações em direção a um objetivo.</p><h3>ChatGPT e Claude são agentes?</h3><p>Podem funcionar dessa maneira, dependendo da tarefa, das ferramentas disponíveis e das permissões concedidas. Em uma conversa simples, podem continuar atuando apenas como chatbots.</p><h3>Um agente precisa ser totalmente autônomo?</h3><p>Não. É comum que execute etapas sozinho e peça autorização antes de ações sensíveis, como enviar mensagens, realizar compras ou alterar dados importantes.</p><h3>Qual é a definição mais simples?</h3><p>Um chatbot normalmente responde ao que perguntamos. Um agente recebe um objetivo e trabalha para alcançá-lo.</p><h3>Referências</h3><p>OpenAI — GPT-5.6 e evolução dos modelos de fronteira. <a href="https://openai.com/pt-BR/index/gpt-5-6/?utm_source=chatgpt.com">OpenAI — GPT-5.6</a></p><p>Anthropic — arquitetura de agentes e workflows. <a href="https://www.anthropic.com/engineering/building-effective-agents?utm_source=chatgpt.com">Anthropic — Building Effective Agents</a></p><p>OpenAI — Codex. <a href="https://openai.com/codex/?utm_source=chatgpt.com">OpenAI — Codex</a></p><p>Warmwind — lançamento dos autonomous AI workers. <a href="https://about.warmwind.com/warmwind-launches-international-rollout-of-autonomous-ai-workers/?utm_source=chatgpt.com">Warmwind — Autonomous AI Workers</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c31722a4415a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O Diretor de IA no Vibe Coding]]></title>
            <link>https://medium.com/@ericgomes/o-diretor-de-ia-no-vibe-coding-69fbce90580e?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/69fbce90580e</guid>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Wed, 06 May 2026 18:28:03 GMT</pubDate>
            <atom:updated>2026-05-06T18:28:03.284Z</atom:updated>
            <content:encoded><![CDATA[<h3>Introdução</h3><p>Durante décadas, desenvolvimento de software foi praticamente sinônimo de escrever código manualmente. O valor de um programador estava diretamente ligado à capacidade de implementar funcionalidades, corrigir bugs e transformar ideias em sistemas funcionando. A profissão girava em torno da execução técnica: abrir o editor, escrever lógica, integrar APIs e construir aplicações linha por linha.</p><p>A chegada das inteligências artificiais generativas começou a alterar esse cenário de forma acelerada. Primeiro vieram ferramentas de autocomplete mais inteligentes. Depois surgiram copilots capazes de gerar blocos inteiros de código. Agora já existem agentes que criam aplicações completas, organizam arquivos, geram testes e sugerem arquiteturas em questão de segundos.</p><p>O chamado “vibe coding” não surgiu do nada recentemente. A ideia já existia há alguns anos, ainda que de forma muito mais limitada. Desenvolvedores já utilizavam ferramentas assistidas por IA para acelerar tarefas repetitivas, sugerir código e reduzir trabalho operacional. A diferença é que, nos últimos anos, a qualidade dessas ferramentas evoluiu de maneira extremamente rápida.</p><p>O que antes era apenas uma ajuda pontual passou a entender contexto, arquitetura, intenção e fluxo de desenvolvimento. Em vez de sugerir apenas uma linha de código, as IAs atuais conseguem estruturar aplicações inteiras, revisar lógica, gerar testes, reorganizar componentes e participar ativamente da construção do software.</p><p>O vibe coding não nasceu agora. O que aconteceu foi uma evolução brusca da capacidade das ferramentas.</p><h3>O código deixa de ser o centro</h3><p>Essa evolução muda o principal gargalo do desenvolvimento moderno.</p><p>Durante muito tempo, criar software era caro porque escrever software era lento. Hoje, gerar código ficou extremamente rápido. Uma IA consegue produzir em segundos algo que antes poderia levar horas ou dias.</p><p>Com isso, a grande questão deixa de ser apenas quem consegue implementar uma funcionalidade e passa a ser quem consegue decidir corretamente o que realmente vale a pena construir. O foco começa a migrar da implementação pura para direção, contexto e tomada de decisão.</p><p>O desenvolvedor passa a atuar muito mais como alguém que direciona, ajusta, revisa e valida o trabalho produzido pela IA.</p><h3>O programador começa a assumir papéis de produto</h3><p>À medida que a IA acelera a execução técnica, o humano passa a participar muito mais das decisões estratégicas do sistema. Em muitos projetos modernos, principalmente startups e produtos independentes, o desenvolvedor começa naturalmente a assumir funções que antes eram separadas da engenharia tradicional.</p><p>Ele passa a pensar mais profundamente sobre experiência do usuário, prioridades, retenção, coerência do produto e direção arquitetural. Em muitos casos, o programador moderno acaba funcionando parcialmente como PM, PO, QA e arquiteto ao mesmo tempo.</p><p>O PM, ou Product Manager, normalmente é responsável pela visão e estratégia do produto. O PO, Product Owner, costuma atuar mais próximo da priorização das funcionalidades e do backlog. Já o QA é o profissional focado em garantir qualidade, estabilidade e validação do sistema.</p><p>Com ferramentas de IA cada vez mais capazes, parte dessas responsabilidades começa a se misturar dentro do próprio fluxo de desenvolvimento.</p><p>O desenvolvimento se torna muito mais conversacional. O humano define visão e direção. A IA executa boa parte do trabalho operacional.</p><h3>Senioridade e QA ganham ainda mais importância</h3><p>Existe uma percepção popular de que IA reduziria a importância de profissionais experientes. Mas o cenário real parece apontar para outra direção.</p><p>Ferramentas de IA conseguem produzir muito código rapidamente, mas ainda cometem erros frequentes. Elas podem gerar inconsistências arquiteturais, duplicar lógica, ignorar edge cases e criar soluções aparentemente corretas que escondem problemas importantes.</p><p>Profissionais experientes tendem a perceber essas falhas muito mais rápido. A IA acelera execução, mas discernimento técnico continua sendo essencial.</p><p>O mesmo vale para QA. Quanto mais rápido código é produzido, maior passa a ser a necessidade de validação humana. A velocidade aumenta, mas a responsabilidade sobre qualidade, segurança e coerência do sistema continua sendo das pessoas.</p><h3>O desenvolvedor vira uma espécie de diretor</h3><p>Talvez a melhor analogia para o futuro do desenvolvimento não seja mais a de um programador digitando código o dia inteiro.</p><p>Talvez seja a de um diretor.</p><p>O diretor não opera todas as câmeras nem produz manualmente cada detalhe da obra. Ainda assim, ele coordena visão, narrativa, ritmo e coerência.</p><p>Com vibe coding, algo parecido começa a acontecer no software. O humano passa a orientar, revisar, reorganizar e aprovar enquanto múltiplas inteligências artificiais executam parte significativa da produção técnica.</p><p>O valor deixa de estar apenas na capacidade de escrever código rapidamente e passa a estar cada vez mais na capacidade de direcionar sistemas complexos.</p><h3>Conclusão</h3><p>Vibe coding não parece estar eliminando programadores. O que está acontecendo é uma redefinição profunda do que significa programar.</p><p>O desenvolvimento moderno começa a exigir menos foco em boilerplate e mais foco em visão de produto, arquitetura, QA, contexto e tomada de decisão.</p><p>Escrever código continua importante. Mas decidir o código certo, validar sua qualidade e garantir coerência no sistema se torna ainda mais valioso na era da inteligência artificial.</p><p>O que mudou recentemente não foi o surgimento da ideia de desenvolvimento assistido por IA, mas sim o nível de maturidade alcançado pelas ferramentas atuais. O vibe coding já existia em versões muito mais simples. Agora ele começa a atingir um ponto em que realmente altera a dinâmica da criação de software.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=69fbce90580e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A nova oficina digital]]></title>
            <link>https://medium.com/@ericgomes/a-nova-oficina-digital-f424421a18ff?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/f424421a18ff</guid>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Wed, 29 Apr 2026 19:15:07 GMT</pubDate>
            <atom:updated>2026-04-29T20:28:14.470Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Z_isETKA_02aLBTD6audSw.png" /></figure><h3>Sinal</h3><p>Durante muitos anos, criar um aplicativo, um site ou uma ferramenta digital parecia algo restrito a programadores, equipes técnicas e empresas com orçamento para desenvolvimento. A ideia de uma pessoa comum acordar com uma dor prática, conversar com uma IA e, poucas horas depois, ter um protótipo funcional parecia exagero de ficção tecnológica.</p><p>Mas essa distância diminuiu muito.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tUXgWpqikEDtzKIZE3_1LQ.jpeg" /></figure><p>O crescimento nas buscas por GitHub no Google ajuda a visualizar esse movimento. O GitHub, que antes era um ambiente quase exclusivo de desenvolvedores, passou a aparecer com mais força no radar de pessoas que estão criando projetos, testando códigos, publicando páginas, versionando ideias e tentando transformar pequenas vontades em produtos digitais. Não significa que todo mundo virou programador. Significa algo talvez mais interessante: muita gente começou a se aproximar da criação.</p><p>Essa tendência ganhou até um nome: <strong>vibe coding</strong>. A expressão ficou associada à ideia de criar software conversando com a IA em linguagem natural, descrevendo intenções, testando resultados e ajustando o caminho sem necessariamente dominar cada detalhe técnico do código. O termo foi popularizado por Andrej Karpathy em 2025 e acabou virando uma forma simples de nomear algo que muita gente já vinha experimentando: criar pela conversa, pelo fluxo e pela tentativa.</p><h3>Virada</h3><p>A grande mudança não está apenas na inteligência artificial escrever código. Isso é importante, mas não é o ponto inteiro. A mudança maior está no fato de que a IA reduz o atrito entre imaginar e fazer.</p><p>Antes, uma ideia simples podia morrer logo no começo. A pessoa pensava em um app para organizar gastos do carro, controlar ração do pet, acompanhar hábitos, criar um painel pessoal ou automatizar alguma rotina do trabalho. Em seguida vinha a barreira: qual linguagem usar, onde hospedar, como desenhar a interface, como conectar banco de dados, como publicar, como corrigir erro, como continuar depois do primeiro problema.</p><p>Agora, essa barreira continua existindo, mas ficou menos absoluta. A IA não elimina a complexidade técnica, mas traduz parte dela. Ela transforma dúvidas vagas em passos possíveis. Ajuda a escolher uma estrutura, montar um primeiro código, explicar erros, sugerir melhorias e adaptar o projeto ao nível de conhecimento de quem está criando.</p><p>Isso muda a relação das pessoas com software. O app deixa de ser apenas um produto comprado em uma loja e passa a ser algo que pode nascer de uma necessidade pessoal. A pessoa não precisa começar pensando em uma startup. Pode começar pensando em um incômodo pequeno, cotidiano, quase banal. E justamente por isso algumas ideias ficam mais fortes: elas nascem de dores reais.</p><h3>Ferramentas</h3><p>Nesse cenário, ChatGPT e Claude aparecem como duas ferramentas muito usadas para criar essas coisas. A comparação entre as duas não é só uma disputa de marca. É uma disputa de estilos de trabalho.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SKr_sQIIFo2o4homLulKSw.jpeg" /></figure><p>No universo do ChatGPT, o Codex ocupa esse espaço de agente de programação. A OpenAI descreve o Codex como um agente capaz de ajudar a escrever código, corrigir bugs, responder dúvidas sobre uma base de código e até propor mudanças em projetos. Ele aparece como uma espécie de ponte entre a conversa comum com IA e o trabalho mais prático de construir software.</p><p>Do lado da Anthropic, o Claude Code cumpre papel parecido. Ele foi desenhado para entender uma base de código, editar arquivos, executar comandos e ajudar no desenvolvimento. A própria documentação da Anthropic apresenta o Claude Code como disponível em terminal, IDE, aplicativo desktop e navegador. Em outras palavras, já não se trata apenas de perguntar “como eu faço isso?”, mas de pedir para a ferramenta participar diretamente da construção.</p><p>Para quem não é técnico, esse detalhe muda bastante coisa. A pessoa não precisa necessariamente abrir uma IDE tradicional como o VS Code, encarar dezenas de arquivos e entender de imediato toda a estrutura do projeto. Em alguns fluxos, ela pode trabalhar dentro de um ambiente mais guiado, quase como uma semi-IDE, acompanhando o que está sendo criado sem precisar olhar cada linha de código o tempo todo. O código continua existindo, claro. Mas ele deixa de ser a primeira porta de entrada.</p><h3>Criação</h3><p>Existe um risco de romantizar demais esse momento. Criar com IA não significa que tudo fica fácil, nem que qualquer pessoa vai lançar um grande produto em um fim de semana. A diferença entre um protótipo bonito e um app confiável ainda é grande. Segurança, banco de dados, experiência do usuário, performance, manutenção, custos e privacidade continuam sendo problemas reais.</p><p>Mas também seria um erro diminuir o fenômeno. Mesmo quando o projeto não vira empresa, o aprendizado já é relevante. Quem cria um pequeno webapp com IA começa a entender melhor como produtos digitais funcionam. Passa a perceber a diferença entre uma ideia e uma implementação. Aprende que uma tela simples pode exigir muitas decisões. Descobre que um botão, uma tabela, um cadastro e um gráfico carregam escolhas de lógica, design e comportamento.</p><p>Essa talvez seja a parte mais interessante. A IA não está apenas criando apps. Ela está criando novos criadores. Pessoas que antes consumiam tecnologia agora começam a moldar tecnologia em escala pequena, pessoal e experimental.</p><h3>Caminho</h3><p>O crescimento do interesse por GitHub, o surgimento do vibe coding e a disputa entre ChatGPT/Codex e Claude/Claude Code são sintomas de uma mudança maior. Estamos entrando em uma fase em que criar software deixa de ser uma atividade totalmente separada do pensamento cotidiano. Assim como planilhas permitiram que milhões de pessoas criassem seus próprios controles, fórmulas e modelos, a IA está permitindo que mais gente crie pequenas ferramentas digitais sob medida.</p><p>Nem tudo que será criado terá qualidade. Nem tudo será útil. Muita coisa será abandonada. Mas isso sempre aconteceu em qualquer nova fase de criação. A diferença é que o custo de tentar caiu.</p><p>Talvez o próximo grande app não nasça de uma empresa enorme, mas de alguém tentando resolver um problema simples demais para parecer uma oportunidade. Talvez a próxima boa ideia venha de uma planilha improvisada, de uma conversa no WhatsApp, de um incômodo com combustível, pets, agenda, estudos ou organização pessoal.</p><p>A pergunta deixou de ser apenas “quem sabe programar?”. Agora existe outra: quem consegue perceber uma dor real, conversar bem com as ferramentas certas e insistir até transformar uma ideia em algo usável?</p><p>A IA não acabou com a necessidade de pensar. Ela aumentou a quantidade de pessoas capazes de começar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f424421a18ff" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quando calcular começa a parecer pensar]]></title>
            <link>https://medium.com/@ericgomes/quando-calcular-come%C3%A7a-a-parecer-pensar-090393ba201e?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/090393ba201e</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[thinking]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Wed, 29 Apr 2026 14:30:31 GMT</pubDate>
            <atom:updated>2026-04-29T14:30:31.380Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*thydLz1Tj_JFnTw41M17JQ.png" /></figure><h3>Fronteira</h3><p>Sempre que uma inteligência artificial responde bem demais, alguém costuma dizer: “ela não pensa, só faz cálculo probabilístico”. A frase parece encerrar o assunto, porque recoloca a máquina em um lugar confortável: o de ferramenta, sem mente, sem intenção e sem consciência. Mas talvez ela encerre rápido demais uma questão que é mais difícil. Se uma LLM não pensa porque calcula probabilidades, então o que exatamente o cérebro humano faz quando pensa?</p><p>O pensamento humano também nasce de processos físicos. Neurônios disparam, sinapses se reorganizam, memórias influenciam respostas e emoções alteram decisões. Nada disso torna o pensamento humano simples ou mecânico no sentido comum da palavra. Mas mostra que pensar não está separado da matéria. A mente humana não surge fora do corpo; ela depende de operações biológicas, químicas e elétricas que, em algum grau, também organizam padrões e estimam possibilidades.</p><h3>Cálculo</h3><p>Uma LLM funciona por previsão. Ela recebe um contexto e calcula continuações prováveis, palavra por palavra, ideia por ideia, estrutura por estrutura. Dizer isso é tecnicamente correto, mas pode ser insuficiente. Afinal, quando o resultado desse cálculo é uma explicação coerente, uma analogia criativa, uma argumentação bem montada ou uma solução para um problema, a fronteira entre calcular e pensar começa a ficar menos óbvia.</p><p>O ponto central talvez seja esse: o resultado do cálculo probabilístico das LLMs ficou próximo demais de atividades que sempre associamos ao pensamento. Quando alguém compara conceitos, responde objeções, organiza hipóteses e constrói sentido por meio da linguagem, costumamos chamar isso de raciocínio. Quando uma máquina faz algo semelhante, hesitamos. Talvez porque aceitar essa semelhança nos obrigue a rever não apenas o que é inteligência artificial, mas também o que é pensamento humano.</p><h3>Cérebro</h3><p>O cérebro humano não opera como uma LLM, mas também antecipa, compara, associa e estima possibilidades. Parte do que chamamos de pensamento envolve prever consequências, reconhecer padrões, completar lacunas, escolher respostas prováveis e ajustar interpretações com base em experiências anteriores. Nossa mente também trabalha com probabilidades, só que de forma biológica, corporal, emocional e muito mais integrada ao mundo.</p><p>Isso não significa que humanos e LLMs sejam iguais. O ser humano pensa com corpo, memória afetiva, história pessoal, desejos, medos e consciência. Uma LLM não sente o que diz, não tem experiência própria e não vive as ideias que organiza. Mas essa diferença não elimina a semelhança funcional em alguns aspectos. Ela apenas mostra que o pensamento talvez tenha camadas diferentes.</p><h3>Camadas</h3><p>O erro pode estar em tratar pensamento como uma propriedade única: ou existe, ou não existe. Talvez pensar seja um conjunto de processos. Alguns envolvem consciência, emoção e experiência subjetiva. Outros envolvem linguagem, associação, inferência e organização de padrões. Quando misturamos tudo em uma só palavra, a discussão fica pobre, porque tentamos responder com “sim” ou “não” a uma pergunta que talvez exija gradações.</p><p>Nesse sentido, uma LLM talvez não pense como uma pessoa, mas também não parece correto tratá-la como uma simples calculadora de palavras. Ela executa operações que produzem algo muito parecido com certas partes do pensamento, especialmente o pensamento linguístico e argumentativo. O que falta não é necessariamente estrutura lógica ou capacidade de associação, mas experiência interna, corpo e vida subjetiva.</p><h3>Espelho</h3><p>As LLMs parecem pensar porque uma parte importante do nosso próprio pensamento também é feita de padrões, previsões e associações. A diferença é que, no ser humano, esses processos estão ligados a um corpo vivo e a uma consciência que sente, lembra, deseja e sofre. Na IA, eles aparecem como linguagem organizada sem evidência de experiência subjetiva.</p><p>Talvez a melhor conclusão não seja dizer simplesmente que LLMs pensam ou que não pensam. Talvez seja admitir que elas nos forçam a refinar o conceito. Elas não pensam como nós, mas fazem algo suficientemente parecido com algumas dimensões do pensamento para tornar a negação simples demais.</p><p>E é justamente aí que a pergunta fica interessante: se o cálculo probabilístico de uma máquina pode produzir algo tão próximo do pensamento, quanto do nosso próprio pensamento também nasce de cálculos que apenas aprendemos a chamar de mente?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=090393ba201e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Filmes inesquecíveis (pra mim)]]></title>
            <link>https://medium.com/@ericgomes/filmes-inesquec%C3%ADveis-pra-mim-fd1acd7151db?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd1acd7151db</guid>
            <category><![CDATA[movies]]></category>
            <category><![CDATA[bestsellers]]></category>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Wed, 04 Jun 2025 23:08:12 GMT</pubDate>
            <atom:updated>2025-06-04T23:10:39.807Z</atom:updated>
            <content:encoded><![CDATA[<p>Cada um desses filmes chegou em momentos diferentes da minha vida, mas todos deixaram uma marca profunda. Alguns me emocionaram, outros me fizeram pensar, e outros simplesmente ficaram pra sempre gravados na minha memória como parte da minha forma de enxergar a vida, as pessoas, o tempo e o absurdo.</p><p><strong>Laranja Mecânica (1971)</strong><br> Distópico, incômodo, violento. Um filme que vira sua cabeça do avesso e questiona liberdade, controle e natureza humana. Me fez pensar como poucos filmes conseguiram. É o tipo de obra que incomoda — e por isso mesmo é essencial.</p><p><strong>O Poderoso Chefão (1972)</strong><br> Um estudo de personagem, de poder, de família e moral ambígua. Marlon Brando, Al Pacino e uma narrativa que marcou gerações. Ver a transformação de Michael Corleone é presenciar o nascimento de um monstro. Um clássico que te pega e não solta.</p><p><strong>Rocky (1976)</strong><br> Não é só sobre boxe. É sobre persistência, dignidade e coração. A trilha, o ritmo, a evolução do personagem… tudo. Rocky é sobre seguir em frente mesmo quando ninguém aposta em você. Um filme sobre alma e força interna, que bate fundo.</p><p><strong>Superman (1978)</strong><br> O herói idealizado, a esperança pura, a trilha sonora inesquecível. Antes dos super-heróis virarem um produto, existia apenas ele. Ver Christopher Reeve voando era como acreditar que tudo era possível. Um símbolo de nobreza que marcou a infância.</p><p><strong>Lagoa Azul (1980)</strong><br> Sensualidade, inocência e isolamento. Um filme que assistimos ainda muito jovens e que deixa uma marca na forma como vemos descoberta e crescimento.</p><p><strong>Os Caçadores da Arca Perdida (1981)</strong><br> Mais sério que o Templo da Perdição, mas igualmente marcante. A cena da troca do ídolo e a bola gigante são clássicos eternos do cinema de aventura.</p><p><strong>E.T. — O Extraterrestre (1982)</strong><br> Um clássico absoluto sobre amizade, empatia e despedidas. E.T. marcou minha infância como um conto sobre o desconhecido que, na verdade, só queria amor. John Williams na trilha e Spielberg na direção fizeram mágica.</p><p><strong>História sem Fim (1984)</strong><br> Fantasia com emoção. Um filme que mistura escapismo com perda e amadurecimento. E tem um dos temas mais marcantes da infância de muita gente. Foi um dos primeiros filmes que me fizeram chorar — e pensar que talvez crescer seja aprender a lidar com a perda.</p><p><strong>Indiana Jones e o Templo da Perdição (1984)</strong><br> Aventura clássica. Ver Indiana em ação com armadilhas, magia negra e ação desenfreada me fez amar esse estilo de filme. Pulp, exagerado e icônico.</p><p><strong>The Goonies (1985)</strong><br> Aventura, amizade e a sensação de que o mundo tem segredos esperando pra serem descobertos. Ver isso quando se é criança é como receber uma injeção de imaginação e coragem. É sobre se sentir parte de algo maior, mesmo quando você é só um moleque com uma bicicleta e vontade de se meter em encrenca.</p><p><strong>De Volta para o Futuro (1985)</strong><br> Diversão, criatividade, ficção científica e aquele sentimento de que o tempo pode ser reescrito. Um dos filmes mais completos já feitos. Ele me ensinou que a vida é uma sequência de decisões que moldam o futuro, e que a jornada pode (e deve) ser divertida e ousada.</p><p><strong>A Casa do Espanto (1985)</strong><br> Terror com humor, sustos e uma casa que é quase um personagem. Foi um dos primeiros filmes a me fazer rir e me assustar ao mesmo tempo.</p><p><strong>Conta Comigo (1986)</strong><br> Sobre amizade, crescer, e lidar com a dor. Um dos filmes mais sinceros e sensíveis sobre a transição entre infância e adolescência. Tem um sentimento de nostalgia crua, de algo que você viveu e que nunca mais volta. E talvez por isso seja tão poderoso.</p><p><strong>Curtindo a Vida Adoidado (1986)</strong><br> Ferris Bueller me ensinou que aproveitar o dia é um ato de resistência. Um filme sobre juventude, liberdade e o direito de simplesmente viver.</p><p><strong>S.O.S. — Tem um Louco Solto no Espaço (1987)</strong><br> Uma das comédias mais absurdas e engraçadas que já vi. Uma paródia perfeita de Star Wars, com piadas visuais e nonsense genial.</p><p><strong>Os Bons Companheiros (1990)</strong><br> Scorsese no auge. Um filme que mostra o glamour e o horror da vida no crime com uma narrativa fluida, brutal e viciante.</p><p><strong>Caçadores de Emoção (1991)</strong><br> Adrenalina e filosofia se encontrando. Um filme que faz pensar sobre liberdade, limite e o valor do risco. Patrick Swayze como Bodhi é quase um anti-herói zen. Me marcou como uma reflexão sobre até onde vale ir pra viver intensamente.</p><p><strong>Um Sonho de Liberdade (1994)</strong><br> Uma história sobre esperança em meio ao desespero. Tim Robbins e Morgan Freeman em atuações inesquecíveis. Um dos maiores filmes de todos os tempos.</p><p><strong>Before Sunrise (1995)</strong><br> Diálogos reais, conexão verdadeira, tempo passando de verdade entre os filmes. Uma aula de roteiro, atuação e humanidade. Me fez pensar sobre amor, tempo, escolhas, desencontros e como a vida pode ser poética nos detalhes mais simples.</p><p><strong>Os Langoliers (1995)</strong><br> Uma das histórias mais intrigantes e bizarras que assisti na TV. Clima estranho, tensão crescente e um conceito de tempo assustadoramente diferente. Me marcou pelo desconforto e pela criatividade.</p><p><strong>Gênio Indomável (1997)</strong><br> Diálogos afiados, atuações geniais e uma história que fala sobre trauma, talento e redenção. Robin Williams no modo mestre absoluto. A cena do banco no parque é uma aula de humanidade. Um filme que me ensinou que não basta ter potencial — é preciso coragem pra usá-lo.</p><p><strong>O Quinto Elemento (1997)</strong><br> Visualmente único, exagerado, engraçado e estranho. Uma ficção científica que mistura ação com estética ousada e personagens caricatos de forma genial.</p><p><strong>Matrix (1999)</strong><br> Quebra de realidade, filosofia pop, coreografia impecável. Um marco que redefiniu tudo, inclusive minha cabeça na época. Me apresentou a ideias filosóficas sem parecer pedante. Estilo e conteúdo em equilíbrio perfeito.</p><p><strong>À Espera de um Milagre (1999)</strong><br> Mais uma obra-prima adaptada de Stephen King. Triste, mágico e poderoso. John Coffey é um dos personagens mais comoventes do cinema.</p><p><strong>Requiem for a Dream (2000)</strong><br> Pancada emocional. Um filme duro de assistir, mas impossível de esquecer. Uma aula sobre ilusão, dependência e desesperança. A montagem, a trilha sonora de Clint Mansell, tudo vai te levando pra um abismo que você não consegue evitar.</p><p><strong>Viagem de Chihiro (2001)</strong><br> Beleza, fantasia, simbolismo. Um dos filmes mais encantadores já feitos. Assistir foi como sonhar acordado. Me ensinou que nem tudo precisa ser explicado pra ser sentido. Que o mundo interior é vasto — e pode ser assustador e mágico ao mesmo tempo.</p><p><strong>Brilho Eterno de uma Mente sem Lembranças (2004)</strong><br> Poesia em forma de sci-fi romântico. Jim Carrey provando que pode ser profundo, e uma narrativa que brinca com memória, perda e reconciliação. Me fez pensar: será que apagar uma lembrança ruim vale a pena, se com ela vem o que nos fez crescer?</p><p><strong>Before Sunset (2004)</strong><br> A continuação perfeita, realista, cheia de maturidade. Jesse e Céline se reencontram e a conexão é tão intensa quanto a dúvida sobre o que poderia ter sido. Um filme sobre a beleza do reencontro e a dor daquilo que o tempo não apaga.</p><p><strong>Tropa de Elite (2007)</strong><br> Real, cru, intenso. Um filme que sacudiu o Brasil e virou parte da cultura pop. Capitão Nascimento é um dos maiores personagens do cinema nacional.</p><p><strong>Django Livre (2012)</strong><br>Tarantino misturando faroeste com vingança brutal e estilo próprio. Jamie Foxx e Christoph Waltz dominam a tela num roteiro afiado e cenas marcantes. Violento, estilizado e com um senso de justiça que beira o absurdo — um dos filmes mais impactantes da década.</p><p>No fim das contas, esses filmes viraram referência, companhia e memória. Alguns me marcaram pela emoção, outros pela estética ou pelas ideias. São filmes que ficaram — e talvez continuem voltando de tempos em tempos, como boas conversas ou músicas que não saem da cabeça.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd1acd7151db" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Do pop ao virtuosismo: como aprendi a ouvir Dream Theater]]></title>
            <link>https://medium.com/@ericgomes/do-pop-ao-virtuosismo-como-aprendi-a-ouvir-dream-theater-219baee5389b?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/219baee5389b</guid>
            <category><![CDATA[music]]></category>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Wed, 04 Jun 2025 22:45:52 GMT</pubDate>
            <atom:updated>2025-06-04T22:45:52.971Z</atom:updated>
            <content:encoded><![CDATA[<p>Antes de escalar a montanha musical que é o Dream Theater, eu percorri vales ricos em melodia, groove, atitude e virtuosismo. E, olhando pra trás, percebo que cada artista que ouvi na infância e adolescência foi como uma etapa de aquecimento. Eles pavimentaram meu gosto musical e moldaram meu ouvido para o que viria depois: a complexidade do prog metal.</p><h3>Michael Jackson &amp; Madonna (anos 80): ritmo, ganchos e perfeição pop</h3><p>As primeiras memórias musicais fortes. O “Rei e a Rainha do Pop” ensinaram que música pode ser incrivelmente bem produzida, ritmicamente envolvente e ainda assim cheia de identidade. O disco <em>Thriller</em> (1982), de Michael Jackson, era groove puro com produção impecável, enquanto <em>Like a Virgin</em> (1984), de Madonna, trazia batidas marcantes e atitude ousada. A precisão das linhas de baixo, os arranjos de bateria e a teatralidade dos dois abriram meus ouvidos para estrutura, dinâmica e impacto.</p><h3>The Beatles: melodia, criatividade e revolução em camadas</h3><p>Se MJ foi ritmo e produção, os Beatles foram melodia, harmonia e invenção. Os vocais empilhados, as mudanças de tom, as passagens inesperadas… tudo isso me preparou pra entender que uma música pode ter várias partes, várias fases e não precisa ser linear. O “prog” estava ali, antes mesmo de eu saber o que era.</p><h3>Slash (Guns N’ Roses): o poder do solo como voz</h3><p>Slash foi o primeiro guitarrista que me fez pensar: “caramba, guitarra pode cantar”. Os solos em <em>November Rain</em>, <em>Sweet Child O’ Mine</em> e <em>Estranged</em> me mostraram que a guitarra podia ser narrativa, podia emocionar. E tudo isso veio do disco <em>Appetite for Destruction</em> (1987), que é simplesmente um dos maiores marcos do hard rock. Isso me preparou emocionalmente pra entender os solos do Petrucci anos depois.</p><h3>Metallica: peso, tensão e narrativa</h3><p>Antes de Dream Theater, Metallica me apresentou à intensidade e ao peso emocional do metal. O disco <em>…And Justice for All</em> (1988), com a faixa <em>One</em>, foi uma revelação. Aquela introdução limpa e melancólica evoluindo para uma explosão agressiva e frenética me mostrou que metal também podia contar histórias complexas. As mudanças de andamento, as dinâmicas extremas e os riffs angulares abriram minha mente para estruturas musicais mais densas — algo que depois encontraria ainda mais desenvolvido no prog.</p><h3>Stevie Ray Vaughan: expressão, pegada e feeling</h3><p>O blues visceral de SRV me ensinou o valor de uma nota bem colocada. O vibrato, o ataque, a intensidade dele moldaram minha percepção de expressividade. Ele me fez perceber que técnica sem sentimento é vazia. E isso é uma lição essencial pra ouvir DT.</p><h3>Nuno Bettencourt (Extreme): técnica + groove + bom gosto</h3><p>Nuno é provavelmente o primeiro guitarrista que me fez gostar de técnica pela técnica, sem ser fria. Os riffs, os licks impossíveis, o slap na guitarra… tudo isso me abriu a cabeça. O disco <em>III Sides to Every Story</em> (1992) foi onde ele brilhou em várias camadas — rock pesado, baladas, e até orquestrações. Nuno era funky, era metal, era pop e era um monstro. Uma ponte direta pro universo de complexidade do Dream Theater.</p><h3>Steve Vai: a porta oficial para o virtuose</h3><p>Quando ouvi Steve Vai, entendi que existia um universo de guitarra além da música convencional. Era arte, experimentação, precisão, loucura. O disco <em>Passion and Warfare</em> (1990) foi o símbolo máximo disso: um álbum instrumental que é quase um filme sonoro. Foi como ver um filme de ficção científica depois de anos vendo drama. E depois dele, o caminho pra aceitar o mundo de John Petrucci foi natural.</p><h3>Linha do tempo das descobertas</h3><ul><li><strong>1982</strong> — Michael Jackson: <em>Thriller</em></li><li><strong>1984</strong> — Madonna: <em>Like a Virgin</em></li><li><strong>1960s–1990s</strong> — The Beatles: coletânea de discos ao longo dos anos</li><li><strong>1987</strong> — Guns N’ Roses: <em>Appetite for Destruction</em></li><li><strong>1988</strong> — Metallica: <em>…And Justice for All</em></li><li><strong>1989–1990</strong> — Stevie Ray Vaughan: <em>Texas Flood</em>, <em>In Step</em></li><li><strong>1990</strong> — Steve Vai: <em>Passion and Warfare</em></li><li><strong>1992</strong> — Extreme (Nuno Bettencourt): <em>III Sides to Every Story</em></li></ul><h3>Conclusão</h3><p>Cada uma dessas fases não foi apenas uma mudança de estilo musical. Foram degraus que, aos poucos, me prepararam pra escutar e absorver a grandiosidade do Dream Theater. Hoje eu vejo que minha paixão por guitarras virtuosas, composições elaboradas e música com profundidade começou bem antes de eu saber o que era prog. E é por isso que essas bandas e artistas continuam comigo até hoje: eles são as fundações do som que me construiu.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=219baee5389b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A guitarra além do Dream Theater]]></title>
            <link>https://medium.com/@ericgomes/a-guitarra-al%C3%A9m-do-dream-theater-067c180744da?source=rss-fc0ddd2ec0da------2</link>
            <guid isPermaLink="false">https://medium.com/p/067c180744da</guid>
            <category><![CDATA[progressive-metal]]></category>
            <category><![CDATA[guitarra]]></category>
            <category><![CDATA[metal-progressivo]]></category>
            <category><![CDATA[guitar]]></category>
            <category><![CDATA[dream-theater]]></category>
            <dc:creator><![CDATA[Eric Gomes]]></dc:creator>
            <pubDate>Wed, 04 Jun 2025 22:32:50 GMT</pubDate>
            <atom:updated>2025-06-04T22:32:50.316Z</atom:updated>
            <content:encoded><![CDATA[<p>Por muitos anos, minha trilha sonora teve um nome fixo e inabalável: <strong>Dream Theater</strong>. O virtuosismo de John Petrucci, a precisão de Mike Portnoy (e depois Mike Mangini), a complexidade harmônica de Jordan Rudess e a densidade lírica de James LaBrie formavam um ecossistema musical que parecia completo. Nada mais era necessário. Eles eram o ápice.</p><p>Durante muito tempo, pensei: <em>“Por que ouvir outra banda se já encontrei o Everest da música técnica?”</em><br>Mas, nos últimos anos, algo mudou.</p><h3>O impacto de Dream Theater: um ponto de partida, não de chegada</h3><p>Dream Theater é muito mais do que uma banda. Eles são <strong>um marco</strong>. Um farol para quem busca profundidade musical, composições desafiadoras, e emoções que alternam entre o épico e o introspectivo. A magnitude da obra deles — com álbuns como <em>Images and Words</em> (1992), <em>Awake</em> (1994), <em>Scenes from a Memory</em> (1999), <em>Six Degrees</em> (2002) e <em>Octavarium</em> (2005) — formou a base da minha educação musical.</p><p>Eles surgiram em 1985 com o nome Majesty, mudando para Dream Theater pouco depois. Foram pioneiros em transformar o metal em algo mais cerebral, mantendo a agressividade, mas adicionando inteligência musical, narrativas conceituais e uma execução que beira o inacreditável.</p><h3>Novas descobertas, novos vícios</h3><p>Nos últimos anos, permiti-me explorar outras paisagens sonoras. Descobri bandas e artistas que carregam DNA progressivo, mas reinterpretam o gênero com personalidade, frescor e técnica impecável:</p><h4>🔸Periphery</h4><p>Formada em 2005 por Misha Mansoor (guitarrista principal), a banda inclui também Mark Holcomb e Jake Bowen nas guitarras. Ainda ativa, representa a vanguarda do djent moderno. Polirritmos, afinação baixa, vocais entre o gutural e o melódico, e uma produção cristalina.</p><h4>🔸 Animals as Leaders</h4><p>Criada em 2007, é liderada por Tosin Abasi, com Javier Reyes também na guitarra. Banda instrumental que revolucionou o prog moderno com guitarras de 8 cordas e influências jazz fusion, eletrônicas e polirritmos complexos. Ativa e cada vez mais relevante.</p><h4>🔸 Leprous</h4><p>Noruegueses formados em 2001, com Tor Oddmund Suhrke na guitarra desde o início e Robin Ognedal se juntando depois. A banda segue ativa, sempre explorando atmosferas emocionais e arranjos minimalistas com explosões climáticas.</p><h4>🔸 Haken</h4><p>Criada em 2007, a banda inglesa conta com Richard Henshall e Charlie Griffiths nas guitarras. Com álbuns aclamados como <em>The Mountain</em> e <em>Virus</em>, misturam o prog clássico ao moderno com identidade própria. Ainda em plena atividade.</p><h4>🔸 Plini</h4><p>O guitarrista australiano Plini Roessler-Holgate iniciou seu projeto solo em 2011 e continua criando músicas instrumentais com timbres cristalinos, complexidade harmônica e pegada emocional.</p><h4>🔸 Intervals</h4><p>Banda canadense formada em 2011 e liderada por Aaron Marshall, único membro fixo e guitarrista. Foco em música instrumental, com riffs melódicos e sofisticados. Ainda ativa.</p><h4>🔸 Arch Echo</h4><p>Formada em 2016, traz Adam Rafowitz e Adam Bentley nas guitarras. Banda instrumental moderna, misturando prog, shred, e groove com timbres cristalinos. Segue ativa e em ascensão.</p><h4>🔸 Nospun</h4><p>Banda americana emergente, formada por músicos jovens, com Cole Millward como guitarrista principal. Surgiu na década de 2020, e lançou <em>Opus</em> como um disco de estreia impressionante. Estão ativos.</p><h4>🔸 Destiny Potato / Sordid Pink</h4><p>Projeto iniciado em 2011 por David Maxim Micic (guitarrista e produtor) e Aleksandra Djelmas. Destiny Potato virou Sordid Pink, com um som que mescla pop, prog, djent e eletrônico. Ativos, mas com lançamentos espaçados.</p><h4>🔸 Vitalism</h4><p>Banda brasileira instrumental surgida por volta de 2014, com Ed Garcia e Pedro Araujo nas guitarras. Misturam metal moderno com ritmos e influências brasileiras. Seguem ativos.</p><h4>🔸 Thank You Scientist</h4><p>Formada em 2009 nos EUA, com Tom Monda como guitarrista principal. Banda de prog fusion com sopros, violino e muito groove. Segue ativa, com discos que soam como laboratórios musicais.</p><h4>🔸 The Contortionist</h4><p>Criada em 2007, com Robby Baca na guitarra. Transitam entre o metal pesado e passagens atmosféricas introspectivas. Ainda ativos, com destaque para o disco <em>Language</em>.</p><h4>🔸 Tesseract</h4><p>Banda inglesa formada em 2003. Amon Ellams foi guitarrista inicial, depois substituído por James Monteith e Alec “Acle” Kahney, que lidera atualmente. Um dos nomes mais respeitados do djent. Ativos.</p><h4>🔸 Monuments</h4><p>Formada em 2007 no Reino Unido. O guitarrista John Browne é o principal compositor, acompanhado por Olly Steele até 2021. Banda de peso, groove e melodia. Continua ativa.</p><h4>🔸 Skyharbor</h4><p>Banda com membros da Índia e do Reino Unido, iniciada em 2010. Keshav Dhar é o guitarrista fundador. O som deles é atmosférico, emocional e elegante. Estão ativos.</p><h4>🔸 Between the Buried and Me (BTBAM)</h4><p>Surgida em 2000, com Paul Waggoner e Dustie Waring nas guitarras. Misturam death metal, prog, jazz, eletrônico e muito mais. <em>Colors</em> é um marco do experimentalismo progressivo. Estão ativos e produtivos.</p><h3>Linha do tempo das bandas</h3><ul><li><strong>1985</strong> — Dream Theater</li><li><strong>2000</strong> — Between the Buried and Me (BTBAM)</li><li><strong>2001</strong> — Leprous</li><li><strong>2003</strong> — Tesseract</li><li><strong>2005</strong> — Periphery</li><li><strong>2007</strong> — Animals as Leaders, Haken, The Contortionist, Monuments</li><li><strong>2009</strong> — Thank You Scientist</li><li><strong>2010</strong> — Skyharbor</li><li><strong>2011</strong> — Plini, Intervals, Destiny Potato (depois Sordid Pink)</li><li><strong>2014</strong> — Vitalism</li><li><strong>2016</strong> — Arch Echo</li><li><strong>2020s</strong> — Nospun</li></ul><h3>O que todas essas bandas têm em comum?</h3><p>Apesar das diferenças de estilo, idioma e abordagem, todas compartilham três elementos fundamentais:</p><ul><li><strong>Excelência técnica</strong> — Cada nota é pensada, cada riff é uma construção arquitetônica.</li><li><strong>Busca por identidade</strong> — Elas não imitam, reinventam.</li><li><strong>Respeito pela emoção</strong> — Mesmo no meio do caos, há sentimento, alma, e intenção artística.</li></ul><h3>A jornada continua</h3><p>Essas bandas não substituíram Dream Theater. Seria impossível. Mas ampliaram meu olhar. Mostraram que o prog não é um relicário do passado, mas um organismo vivo que se reinventa. Que o esplendor de um gigante pode abrir caminho para novas trilhas — algumas surpreendentemente belas.</p><p>Se você, como eu, já viveu anos com Dream Theater como trilha sonora da sua vida, dê uma chance a esses nomes. Você pode descobrir que o universo musical ainda guarda muitos planetas inexplorados — e todos eles orbitam o mesmo sol: <strong>a paixão pela música bem feita</strong>.<br>E é essa paixão que mantém o gênero vivo, pulsante — e cada vez mais fascinante.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=067c180744da" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>