Os Modelos de Mundo e suas implicações para sociedade
Quem acreditou que a AI ficaria apenas nos modelos de linguagem? Venha entender o que são os modelos de mundo, e o que eles podem significar para o nosso futuro.
Essa newsletter semanal é criada para assinantes da Moovers Learning Experience.
Escrita pela nossa Diretora Executiva, a futurista Monica Magalhaes, que compartilha insigths, reflexões e análise de tendências em tecnologias emergentes. Hello moovers! Monica Magalhães por aqui 👋🏼
Eu tenho uma relação muito intensa com movimento. Gosto de novidade e de qualquer coisa que me traga expansão de conhecimento. Muitos se identificam comigo nisso. Sinto que algumas pessoas vivem a vida no modo continuidade. Outras vivem em constante transição.
Claramente, opero no segundo modelo.
Talvez seja um padrão comum em pessoas curiosas, criativas e cognitivamente aceleradas. Eu percebo o fim de um ciclo muitas vezes antes de algumas pessoas perceberem a sua própria existência.
Isso é um problema, porque o mundo social foi construído para absorver estabilidade. Permanência. Pessoas que funcionam como sistemas exploratórios precisam o tempo todo descobrir, reorganizar, reconstruir. Pode ser cansativo para quem convive.
O lado bom é que a gente adquire uma capacidade adaptativa. Estamos sempre abastecidos, com essa sensação de vida intensa, cheia. Minha fonte de dopamina vem com certeza dessa exploração infinita.
Isso tudo para dizer que, pela terceira vez, esta newsletter vai mudar de nome, para representar o meu novo momento na escrita. Continuo capturando sinais, mas estou curtindo muito uma versão mais ensaística. Falo mais sobre isso em breve.
O texto de hoje traz um pouco desse novo modo de abordar o futuro e descrever cenários. Uma tentativa, talvez, de deixá-lo mais palpável, mais próximo do mundo real. Me conte no final, nos comentários, como sentiu esse texto.
Modelos de Mundo
Meena trabalha numa fábrica de roupas em Nova Délhi, na Índia. Passa o dia sentada diante de uma máquina de costura, e faz isso há anos. Mas agora existe um elemento diferente na rotina dela: presa à sua cabeça, há uma pequena câmera que grava todos os seus movimentos.
Você leu certo, a câmera não está apontada para o rosto de Meena, cena que nos acostumamos a ver no século 21. Ela está apontada para as mãos dela.
Filma cada movimento dos dedos: a velocidade, o ângulo, a força com que o tecido é puxado. Meena costura, e a câmera registra. Não há interesse em quem ela é, nem no que ela pensa enquanto trabalha. O interesse é apenas o que as mãos dela fazem. No fim do mês, isso rende a ela algo em torno de duzentos e poucos dólares.
Meena é um nome inventado, mas a cena é real. Milhares de pessoas estão fazendo exatamente isso neste momento como você verá nesse video abaixo:
Como essa é uma conversa de várias camadas, e vamos descascar três delas.
Camada 1 - Aquilo que é visível
O que está na superfície é o que a mídia está cobrindo. Imagens de trabalhadores como Meena estão circulando o mundo, e as notícias em torno delas acabam assustado muita gente. A cobertura tende a enquadrar o tema como distopia tecnológica, o que gera audiência e cliques. Nesse enquadramento, a exploração do trabalho vira o gancho da narrativa e concentra toda a atenção do público num único ponto: o choque moral e ético que a imagem produz.
O impacto da notícia cresce porque a cena acontece na Índia, e também em outros países do chamado Sul Global citados nas reportagens, regiões com uma longa história de mão de obra barata, terceirizadas e com cadeias de produção problemáticas. Quando a coleta de dados acontece nesses lugares ela alimenta gatilhos históricos, o principal deles é o de extrair valor de economias periféricas para abastecer empresas e mercados dos países desenvolvidos.
Ao focar nas manchetes a gente deixa de observar o desenvolvimento de questões tecnológicas que com o tempo transformam a sociedade. Essa é na verdade uma nova forma de treinar inteligência artificial. E toca num ponto especialmente sensível neste momento: o medo da substituição do trabalho humano pela máquina.
Quem observa a cena com atenção entende rapidamente o tamanho do problema. Estamos digitalizando uma exploração que já existe, só que com um detalhe novo. Meena não está sendo explorada apenas porque seu trabalho é mal pago. Além de tudo, ela agora está ensinando aquilo que demorou décadas para desenvolver e isso aumenta muito o valor econômico daquilo que está sendo coletado.
O trabalhador acaba sendo explorado duas vezes pelo mesmo sistema. Primeiro como mão de obra barata. Depois como fonte de dados que vão ajudar a automatizar o próprio setor em que ele trabalha.
A história revela ainda uma nova fronteira da desigualdade entre Estados. Nações historicamente exploradas podem agora ser usadas como uma espécie de infraestrutura humana. O lugar onde se treinam máquinas que irão gerar receita em outro lugar.
O tamanho do problema ainda nem faz parte das conversas.
De um lado, quem gera os dados, sofre a perda de valor e carrega o risco da substituição. Do outro, quem vai acumular lucro com a propriedade da tecnologia.
Camada 2 — Para quem isso está sendo capturado, e por quê.
Ao ver essas imagens você também deveria se perguntar: Quem está contratando esse serviço e qual é a finalidade?
Para responder, é preciso entender um movimento que está acontecendo dentro da indústria de tecnologia neste momento. Nos últimos anos, a inteligência artificial generativa avançou nos chamados modelos de linguagem em programas como o ChatGPT. Esses programas aprendem de um jeito específico: lendo. Consumindo todo conteúdo escrito gerado pelo ser humano. Artigos, Livros, Cursos, Jornais, Revistas, etc.
Eles são, de certa forma, máquinas que aprenderam o mundo através das palavras que as pessoas escreveram sobre ele.
Só que o conhecimento humano não está todo, por completo, na nossa escrita. Uma máquina que só leu sobre o mundo não sabe, de fato, como o mundo funciona. Ela nunca derrubou um copo. Nunca sentiu o peso de uma caixa. Ela sabe descrever essas coisas, porque leu descrições delas, mas não sabe executá-las. Para escrever um texto, ler basta. Para dobrar uma camisa, costurar uma bainha ou arrumar uma cozinha, ler não basta.
É essa lacuna que um novo tipo de inteligência artificial pretende preencher. Esses sistemas estão sendo chamados de World Models, ou modelos de mundo. Em vez de aprender o mundo pelas palavras, eles precisam aprender o mundo pelo próprio mundo: por imagens, por movimento, por exemplos concretos de ações físicas acontecendo. Eles precisam aprender como os objetos se comportam, como um gesto leva a um resultado, como a realidade reage quando alguém faz alguma coisa.
E é exatamente por isso que as mãos de Meena valem muito. Um world model não consegue aprender a costurar lendo um manual de costura. Ele precisa assistir, milhares e milhares de vezes, a mãos humanas reais costurando: a velocidade certa, a pressão certa, a correção quando o tecido desliza. A câmera na cabeça de Meena não está coletando imagens. Está coletando experiência física humana, convertida em dado.
Para quem? Empresas que visam mercados de AI Física, ou robôs.
Nos primeiros meses de 2026, dois dos pesquisadores mais respeitados do mundo nessa área levantaram, juntos, cerca de dois bilhões de dólares, em poucas semanas, para construir esse tipo de inteligência. Fei-Fei Li, conhecida como uma das fundadoras da IA moderna, à frente de uma empresa chamada World Labs. E Yann LeCun, outro nome histórico da área, que deixou a Meta para fundar a sua própria, a AMI Labs. A Google, com a sua divisão DeepMind, corre na mesma direção. A aposta desses especialistas é que o futuro da inteligência artificial não está em máquinas que leem melhor, e sim em máquinas que entendem o mundo físico.
O que está acontecendo agora é parecido com o começo da indústria de IA generativa, muita terceirização, pouca transparência e cadeias longas de fornecedores. Não é possível ver claramente quem está se beneficiando disso. Mas já existem alguns sinais claros de quem está financiando ou absorvendo esses datasets.
As empresas de humanoides são hoje as maiores candidatas naturais, Tesla Optimus, Figure AI, Physical Intelligence, Agility Robotics, 1X Technologies, Apptronik e a NVIDIA Isaac / GR00T que já aparece claramente como uma das plataformas que irão consumir esse tipo de dataset.
O que isso significa para a história de Meena?
O trabalho dela não está sendo capturado por uma empresa de roupas. Está sendo capturado, no fim da fila, por uma das corridas mais caras e disputadas da tecnologia hoje. O movimento das mãos dela é a matéria-prima de um produto que valerá bilhões em poucos meses.
Camada 3 — As implicações para o futuro
As duas primeiras camadas descreveram o presente. A primeira, exposta pela imprensa, mostra a exploração de hoje. A segunda é a camada que existe, mas que poucos enxergam: a da perda real de valor humano. Falta agora olhar para o futuro e refletir sobre o que tudo isso implica.
O que essa cena, repetida milhões de vezes pelo mundo, está construindo para os próximos anos?
O primeiro desdobramento parece óbvio. Tem a ver com a natureza do trabalho de Meena. Ela está ensinando uma máquina a costurar. Quando a máquina aprender, a costura de Meena deixa de ser necessária. Dito de forma direta: o trabalho dela consiste em produzir aquilo que vai torná-la dispensável.
É óbvio, mas é novo.
Ao longo da história, máquinas sempre substituíram pessoas. O trator substituiu o lavrador. Mas o lavrador não era contratado para construir o trator. Havia uma separação entre quem fazia o trabalho e quem fabricava a máquina que o eliminaria. Essa separação agora desaparece. É o próprio trabalhador que produz o material que vai substituí-lo.
E isso abre uma pergunta sobre o futuro do valor do trabalho manual. Até agora, esse valor parecia seguro, justamente por ser difícil de transferir. Uma habilidade manual levava anos para ser aprendida e morava no corpo de quem a possuía. O que muda é que essa habilidade, depois de gravada, passa a pertencer também a quem coletou o dado.
O segundo desdobramento nasce dessa mesma mudança, e tem dois lados: o trabalho físico deixa de precisar de um corpo no local. De um lado, isso permite transferir o trabalho braçal para onde o pagamento é menor. A limpeza de uma casa em São Paulo poderia ser operada à distância por alguém em um país mais pobre, pelo menor salário possível, a mesma lógica de barateamento da primeira camada, agora alcançando um tipo de trabalho que até hoje resistia a ela.
De outro lado, a mesma tecnologia pode levar uma capacidade rara a lugares que nunca a tiveram. Um técnico altamente especializado poderia atuar fisicamente onde não existe ninguém com aquela formação. Hoje, quando uma mão de obra é rara e está distante, simplesmente não há acesso a ela. A teleoperação poderia mudar isso.
O terceiro desdobramento muda a nossa percepção de valor. Quando o trabalho humano por trás de uma máquina fica escondido, a sociedade passa a acreditar que a máquina é mais capaz e mais independente do que de fato é. Um robô que parece executar uma tarefa sozinho, mas que na verdade é operado por uma pessoa à distância, comunica uma autonomia que ele não tem. E essa percepção equivocada tem consequências.
Uma delas atinge a vida privada. Um robô doméstico vendido como automático, mas que pode ser assumido à distância por um operador, significa que entra na casa não apenas um aparelho, mas também a possibilidade de uma pessoa desconhecida, em algum outro lugar do mundo, enxergando pelo que os olhos da máquina enxergam. A noção de privacidade dentro de casa, como a entendemos hoje, não foi pensada para essa situação.
No fundo, todas essas tensões vêm da mesma origem. Em cada uma delas, algo que antes estava com a pessoa, a habilidade, o controle do trabalho, o lugar onde o trabalho acontece, é transferido para outro ponto da cadeia. A questão não é apenas que a tecnologia avança. É que, conforme ela avança, a sociedade precisa decidir, de propósito, como lidar com essa mudança e com quem fica com aquilo que foi transferido.
let’s keep moving,
