Inteligência artificial, capital e poder: por que a esquerda precisa de um debate técnico, não apenas moral

A proposta que parece boa — mas esconde armadilhas

Em junho passado, o senador norte-americano Bernie Sanders propôs algo que, à primeira vista, soa como música para os ouvidos de qualquer crítico do capitalismo de plataforma: que os gigantes da inteligência artificial cedessem metade do seu capital a um fundo popular. A justificativa é sedutora — esses modelos foram treinados com a experiência humana acumulada, logo, o retorno financeiro deveria ser compartilhado com a sociedade que forneceu a matéria-prima. Como profissional de tecnologia que acompanha de perto as dores de implementação de sistemas de IA, vejo nessa ideia um ponto de partida interessante, mas um péssimo destino final. O problema não está na intenção redistributiva, mas na premissa de que a solução para a concentração de poder na IA se resolve com um cheque. A esquerda contemporânea, ao focar no capital financeiro, ignora o que realmente importa: o capital técnico, de infraestrutura e de conhecimento — e é aí que o debate precisa se aprofundar.

O falso diagnóstico do "roubo de dados"

Há uma narrativa conveniente circulando nos círculos progressistas: de que as Big Techs simplesmente "roubaram" dados da humanidade para treinar seus modelos e, portanto, devem reparação. Essa visão, embora emocionalmente satisfatória, é tecnicamente ingênua. O que torna um modelo como o GPT-4 ou o Claude 3 valioso não é apenas o volume de dados — é a engenharia necessária para extrair padrões significativos desse montante, a arquitetura de rede neural, a otimização de hiperparâmetros, a infraestrutura de computação distribuída e, principalmente, o feedback humano refinado (RLHF) que molda o comportamento do modelo. Imagine que você possui uma biblioteca imensa, mas não sabe ler. Alguém chega, aprende a ler com seus livros e constrói uma enciclopédia. O valor da enciclopédia não está apenas no papel dos livros originais — está na curadoria, no esforço de síntese e na capacidade de consulta que foi construída. A proposta de Sanders, ao focar exclusivamente na "matéria-prima" (nossos dados e experiências), subestima o trabalho técnico que transforma essa matéria em ativo de altíssimo valor.

O que a esquerda ignora sobre infraestrutura de IA

A discussão sobre a propriedade dos modelos de IA frequentemente ignora um fato concreto que qualquer engenheiro de infraestrutura conhece bem: a viabilidade de um modelo de IA depende de um ecossistema completo de hardware, software e energia. As GPUs da NVIDIA, os clusters de TPUs do Google, os data centers com refrigeração líquida, as redes de fibra óptica de baixa latência — tudo isso é tão ou mais centralizador quanto os dados. Um fundo popular que recebesse 50% do capital de uma OpenAI ou Anthropic teria, em teoria, poder de voto, mas sem controle sobre a cadeia de suprimentos de chips e sem capacidade técnica para operar os modelos, esse poder seria nominal. A esquerda precisa compreender que a luta por justiça na era da IA não se trava apenas no campo da propriedade acionária, mas também no campo da soberania computacional. Sem acesso a clusters de alto desempenho e sem domínio das técnicas de treinamento, qualquer tentativa de democratização da IA será — perdoem o cinismo técnico — apenas uma fantasia política.

Capitalismo de vigilância vs. capitalismo de extração de conhecimento

Há uma distinção sutil que os engenheiros de produto compreendem intuitivamente, mas que parece escapar aos formuladores de políticas: o modelo de negócios da IA generativa não é idêntico ao modelo de negócios das plataformas de redes sociais. No capitalismo de vigilância clássico (Facebook, Google Ads), a extração de valor acontece em tempo real, com dados comportamentais sendo usados para influenciar compras e votos. Já no capitalismo de extração de conhecimento (OpenAI, Midjourney), o valor está em um modelo treinado que encapsula padrões, e não em vigilância contínua do usuário. Isso não torna o segundo modelo menos problemático, mas exige respostas regulatórias diferentes. Um fundo popular que recebe dividendos de uma empresa de IA continuaria a ver a empresa operar com a mesma lógica de concentração técnica — apenas com parte do lucro sendo redistribuída. É como taxar uma fábrica poluente sem exigir que ela instale filtros: o dinheiro volta para a sociedade, mas o ar continua irrespirável.

O dilema do "conhecimento como bem comum"

Outro ponto que o debate de esquerda frequentemente trata com superficialidade é a tensão entre o conhecimento aberto e a segurança. Sanders e seus apoiadores parecem sugerir que, se a IA fosse controlada por um fundo popular, os problemas de viés, desinformação e uso indevido seriam resolvidos. Como alguém que já lidou com incidentes de segurança em sistemas de IA, posso afirmar que essa visão é perigosa. A centralização democrática do controle não resolve, por si só, o problema de agentes mal-intencionados usarem modelos abertos para criar armas biológicas, deepfakes políticos ou campanhas de desinformação em larga escala. A esquerda precisa encarar um paradoxo incômodo: a democratização do acesso à IA pode, em alguns cenários, amplificar danos em vez de mitigá-los. A resposta não pode ser o fechamento total (modelos proprietários e opacos) nem a abertura total (modelos sem qualquer barreira de uso). O caminho do meio — que envolve governança técnica, licenças de uso condicionais e auditoria independente — é tecnicamente complexo, mas politicamente necessário.

Aprendizados de implementações que deram errado

Em minha experiência consultando empresas que tentaram implementar "IA ética" como estratégia de produto, observei um padrão recorrente: a governança de IA é tratada como um problema de compliance, e não como um problema de engenharia. As empresas criam comitês de ética, publicam princípios, mas não investem em ferramentas de auditoria de modelos, em testes de robustez contra ataques adversariais ou em infraestrutura para detecção de vieses em tempo real. A proposta de Sanders, ao focar apenas na estrutura de capital, corre o risco de repetir esse erro em escala macro. Um fundo popular que controla 50% de uma Big Tech, mas não tem orçamento para contratar engenheiros de machine learning nem para realizar auditorias técnicas independentes, será tão ineficaz quanto um comitê de ética corporativo que se reúne uma vez por trimestre. A lição é clara: a distribuição de poder na IA exige, antes de tudo, a distribuição de competência técnica.

Por que o debate sobre propriedade intelectual é insignificante (por enquanto)

Grande parte da energia política da esquerda norte-americana e europeia tem sido direcionada para a questão dos direitos autorais no treinamento de modelos: artistas processando empresas por uso de suas obras, escritores exigindo compensação. Esse debate, embora importante para a subsistência de criadores individuais, é uma cortina de fumaça para o problema real. Mesmo que todas as ações de copyright fossem vencidas pelos autores, o custo do licenciamento seria absorvido pelas Big Techs como um custo de operação — e a estrutura de poder permaneceria inalterada. A verdadeira disputa não é sobre quem recebe alguns centavos por imagem usada no treinamento, mas sobre quem define os parâmetros do modelo, quem decide quais dados são considerados "válidos" e quem tem acesso à infraestrutura computacional para treinar a próxima geração de modelos. Enquanto a esquerda gastar sua munição política em batalhas de copyright, os engenheiros das Big Techs estarão silenciosamente construindo a próxima geração de infraestrutura computacional — e cimentando seu poder.

Alternativas técnicas que a esquerda deveria apoiar

Não quero soar apenas como crítico — é mais produtivo apontar caminhos. Se o objetivo é democratizar o poder na era da IA, existem intervenções técnicas e políticas com maior potencial transformador do que a proposta de fundo popular de Sanders. Em primeiro lugar, o financiamento público de clusters de computação de alto desempenho acessíveis a universidades, cooperativas e pequenas empresas, nos moldes do que a França fez com o programa Jean Zay ou o que o Brasil tenta fazer com o supercomputador Santos Dumont. Em segundo lugar, a exigência legal de que modelos de IA com mais de um determinado número de parâmetros sejam submetidos a auditorias técnicas independentes, com resultados públicos — e não audits de "ética" pagos pelas próprias empresas. Em terceiro lugar, o investimento massivo em educação técnica em machine learning para comunidades historicamente excluídas, não como cursos superficiais de "introdução à IA", mas como programas de formação profunda em engenharia de modelos. Sem isso, qualquer proposta de "democratização" será, na prática, uma transferência de recursos para uma elite técnica que já domina o conhecimento.

O que engenheiros de software podem fazer (e não é apenas protestar)

O leitor engenheiro de software pode estar se perguntando: o que eu, que trabalho com infraestrutura ou desenvolvimento, posso fazer diante desse cenário? A resposta é mais concreta do que parece. Primeiro, recuse-se a trabalhar em projetos que não tenham mecanismos claros de auditoria e transparência. Seu poder de barganha como profissional técnico qualificado é maior do que você imagina. Segundo, contribua para projetos de código aberto que não sejam apenas ferramentas, mas infraestrutura crítica de governança: ferramentas de detecção de vieses, frameworks de explicabilidade de modelos, protocolos de auditoria descentralizada. Terceiro, e mais importante, eduque seus pares não-técnicos — jornalistas, formuladores de políticas, ativistas — sobre os aspectos reais de como a IA funciona. A ignorância técnica é o melhor aliado da concentração de poder. Cada vez que você explica a diferença entre um modelo treinado do zero e um fine-tuning, ou entre dados de treinamento e a arquitetura do modelo, você está contribuindo para um debate público mais maduro.

O risco de uma esquerda que só sabe reagir, não propor

A proposta de Bernie Sanders, com todo o respeito ao seu histórico de luta por justiça social, é sintomática de um problema maior: a esquerda global ainda não desenvolveu um vocabulário técnico robusto para lidar com a inteligência artificial. Enquanto a direita libertária e o Vale do Silício dominam a narrativa de que a IA é uma força inevitável da natureza, a esquerda responde com propostas que parecem saídas de 1970 — taxação, nacionalização, fundos populares. Essas ferramentas não são inúteis, mas são insuficientes. Uma esquerda que não entende de arquitetura de transformers, de sistemas distribuídos, de custo de inferência e de governança de clusters não conseguirá disputar o poder real na era da IA. Ela continuará sendo a voz que critica o jogo, mas não sabe quais regras mudar para vencer a partida. Como profissional de tecnologia que acredita em justiça social, lamento dizer: ou a esquerda aprende a falar a linguagem dos engenheiros, ou continuará assistindo, das arquibancadas, a consolidação de um poder que ela não sabe como desmontar.