Andrew Ng — a IA como infraestrutura, não como espetáculo

"Just as electricity transformed almost everything 100 years ago, today I actually have a hard time thinking of an industry that I don't think AI will transform in the next several years." (Andrew Ng, AI Frontiers, 2017)

O essencial em 30 segundos

Andrew Ng é, provavelmente, a pessoa que mais ensinou inteligência artificial a seres humanos na história. O curso de Machine Learning que ele criou em Stanford e levou ao Coursera formou milhões de pessoas — o número que ele cita já passa de oito milhões de alunos. Mas o que torna Ng interessante para quem opera um negócio de verdade não é o alcance pedagógico. É a postura. Enquanto boa parte do debate sobre IA oscila entre o pânico ("vai roubar empregos", "vai destruir o mundo") e o deslumbre ("modelos cada vez maiores resolvem tudo"), Ng passou os últimos quinze anos repetindo uma mensagem desinflada e prática: IA é a nova eletricidade. Ou seja — é infraestrutura horizontal que vai aparecer em tudo, e o que importa não é a mágica do modelo, mas a engenharia ao redor dele: os dados, os fluxos de trabalho, a aplicação no caso de uso específico. Três ideias dele importam para qualquer operador: (1) IA como eletricidade, a se difundir por todo setor; (2) IA centrada em dados (data-centric AI) — em sistemas reais, melhorar os dados costuma render mais que perseguir o modelo da moda; (3) os quatro padrões de workflows agênticos, que transformam um modelo de linguagem de "responde uma vez" em "um colaborador que itera". Este texto puxa as três para o chão de fábrica do portfólio.

Quem é

Andrew Yan-Tak Ng nasceu em Londres, em 18 de abril de 1976, filho de imigrantes de Hong Kong. Estudou em três das instituições mais sérias do mundo em computação: bacharelado em Carnegie Mellon (1997), mestrado no MIT (1998) e doutorado em Berkeley (2002), sob orientação de Michael I. Jordan — um dos nomes fundadores do aprendizado de máquina moderno. Aos 26 anos virou professor em Stanford.

A trajetória dele é uma sucessão de "primeiras vezes" que hoje parecem óbvias. Em 2008, quando GPUs ainda eram coisa de jogo de videogame, Ng publicou trabalho mostrando que dava para treinar redes neurais profundas usando placas gráficas — uma das peças técnicas que destravaram a era do deep learning. Em 2011, dentro do Google, fundou o Google Brain ao lado de Jeff Dean e Greg Corrado; o projeto ficou famoso por treinar uma rede neural gigantesca que aprendeu, sozinha, a reconhecer gatos em vídeos do YouTube. Em 2012, com a colega de Stanford Daphne Koller, cofundou o Coursera — e converteu seu curso de ML no maior fenômeno de educação online da época. De 2014 a 2017 foi cientista-chefe da Baidu, na China, montando uma das operações de IA mais avançadas do mundo. Saiu de lá para fundar a deeplearning.ai (2017) e, em seguida, a Landing AI e a AI Fund (2018) — esta última um fundo e "startup studio" que constrói empresas de IA do zero. Em 2024, entrou para o conselho da Amazon.

O fio condutor é claro: Ng nunca foi só pesquisador, nunca foi só professor, nunca foi só empreendedor. Ele transita entre os três papéis com uma obsessão única — diminuir a distância entre o que a IA pode fazer no laboratório e o que ela de fato entrega no mundo real. É essa obsessão pela aplicação que faz dele um interlocutor útil para quem precisa que a tecnologia gere caixa, não papers.

A grande contribuição

Se eu tivesse que resumir a contribuição de Ng em uma frase, seria esta: ele democratizou o acesso à IA em duas frentes — o conhecimento e a prática.

Na frente do conhecimento, o curso de Machine Learning dele é, sem exagero, um marco civilizatório. Antes dele, aprender ML exigia matrícula numa pós-graduação de elite. Depois dele, exigia conexão de internet e disciplina. Milhões de engenheiros, analistas e curiosos no mundo inteiro — inclusive um exército de profissionais em países emergentes que jamais teriam acesso a Stanford — aprenderam regressão logística, redes neurais e gradiente descendente assistindo às aulas dele. Ng não inventou o MOOC sozinho, mas foi o catalisador que provou que dava certo em escala.

Na frente da prática, a contribuição é mais sutil e, para um operador, mais valiosa. Ng reorientou a comunidade de IA aplicada para longe da fixação no modelo e em direção aos dados e aos fluxos de trabalho. A ideia de "IA centrada em dados" — que ele define como "a disciplina de engenheirar sistematicamente os dados necessários para construir um sistema de IA bem-sucedido" — soa banal, mas representa uma virada de cultura inteira. E, mais recentemente, ao articular os quatro padrões de design para workflows agênticos, ele deu vocabulário comum para algo que times de produto estavam descobrindo na marra: que a forma como você orquestra um modelo importa tanto quanto qual modelo você usa.

As ideias-chave

1. IA é a nova eletricidade

A analogia mais famosa de Ng tem uma força que sobrevive à repetição. Em sua palestra na AI Frontiers de 2017, ele disse: "We're making this analogy that AI is the new electricity. Electricity transformed industries: agriculture, transportation, communication, manufacturing." A graça da metáfora é o que ela implica. Eletricidade não é um produto que você compra uma vez; é uma camada que se infiltra em tudo e transforma cada setor à sua maneira. Ninguém hoje tem um "departamento de eletricidade" — a energia elétrica simplesmente está embutida em cada processo. Ng aposta que a IA seguirá o mesmo caminho: deixará de ser um projeto isolado e virará uma camada invisível em toda operação.

A consequência prática dessa visão é desmistificadora. Se IA é infraestrutura, então a pergunta certa não é "como faço um projeto de IA?" e sim "onde, nos meus processos atuais, a eletricidade da IA gera mais valor?". É uma pergunta de operador, não de cientista.

2. IA centrada em dados (data-centric AI)

Esta é a ideia que mais me interessa. Durante anos, o progresso em IA foi medido pela sofisticação dos modelos. Ng inverteu o foco: em muitos sistemas reais, o modelo já é "bom o bastante" — o gargalo é a qualidade dos dados. Ele cunhou o lema "data is food for AI" e passou a defender que melhorar sistematicamente os rótulos, a consistência e a relevância dos dados costuma render ganhos maiores, mais baratos e mais sustentáveis do que trocar de arquitetura. "Every company has messy data" é uma das suas observações recorrentes — e a mensagem implícita é que arrumar essa bagunça é o trabalho de verdade, não a parte chata que se terceiriza.

Um exemplo que ele gosta de dar é o de inspeção visual industrial: em vez de empilhar milhões de imagens medíocres, um time pequeno com 50 imagens bem rotuladas e consistentes pode treinar um detector de defeitos que funciona. O segredo não estava no modelo gigante; estava na curadoria.

3. Os quatro padrões de workflows agênticos

Em março de 2024, Ng publicou uma série que reorganizou o debate sobre agentes de IA. Ele descreveu quatro padrões de design para "workflows agênticos" que, segundo ele, conduziriam o progresso do ano: Reflexão (o modelo critica e revisa o próprio output), Uso de ferramentas (o modelo chama APIs, busca dados, executa código), Planejamento (o modelo decompõe uma tarefa complexa em passos) e Colaboração multiagente (vários agentes especializados trabalham juntos). Em suas palavras: "Instead of having an LLM generate its final output directly, an agentic workflow prompts the LLM multiple times."

A elegância disso é que nenhum dos quatro padrões exige um modelo mais poderoso. Você pega o mesmo LLM e o coloca num laço de iteração — e a qualidade salta. Ng relatou ter ficado "delighted by how much it improved my applications' results" mesmo com o padrão mais básico, a reflexão. Para quem constrói produto, é uma notícia ótima: a alavanca não é só o orçamento de computação, é o design do fluxo.

4. Educação como alavanca, não como caridade

Ng trata educação em IA como infraestrutura estratégica, não como filantropia. A lógica é a do agente racional: quanto mais gente souber aplicar IA bem, maior o mercado de problemas resolvidos. Ele defende abertamente que as empresas formem seus próprios times em vez de disputar a tapa um punhado de PhDs. Essa é uma posição que um operador deveria internalizar: capacitar quem já está dentro da casa costuma ser mais barato e mais leal do que importar talento caro de fora.

Em suas palavras

"Just as electricity transformed almost everything 100 years ago, today I actually have a hard time thinking of an industry that I don't think AI will transform in the next several years." (AI Frontiers, 2017)

"AI is the new electricity. Electricity transformed industries: agriculture, transportation, communication, manufacturing." (keynote AI Frontiers, 2017)

"Data-centric AI is the discipline of systematically engineering the data needed to build a successful AI system." (deeplearning.ai)

"Last week, I described four design patterns for AI agentic workflows that I believe will drive significant progress this year: Reflection, Tool use, Planning and Multi-agent collaboration." (X/Twitter, março de 2024)

"Reflection is a relatively basic type of agentic workflow, but I've been delighted by how much it improved my applications' results." (sobre workflows agênticos, 2024)

Limites e críticas

A visão de Ng tem pontos cegos que vale nomear. O primeiro é o otimismo tecnológico: a metáfora da eletricidade é poderosa, mas eletricidade levou décadas para transformar a produtividade industrial — houve um longo "vale" em que as fábricas tinham motores elétricos e mesmo assim não ganhavam eficiência, porque o layout ainda imitava a era do vapor. Ng às vezes subestima esse atraso organizacional. Adotar IA não é plugar na tomada; é redesenhar processos, e isso é lento e doloroso.

O segundo é a relação dele com a questão dos empregos. Ng é famoso por dizer que se preocupa mais com deslocamento de trabalho do que com "robôs assassinos", e por comparar o medo da IA superinteligente a "se preocupar com superpopulação em Marte". É uma frase espirituosa, mas críticos apontam que ela despacha rápido demais debates legítimos sobre segurança e concentração de poder. Para um operador, a leitura honesta é: Ng é um guia excelente para aplicar IA, e um guia menos confiável para pensar nos riscos sistêmicos dela.

O terceiro é o viés do vendedor. Ng tem interesses comerciais diretos — cursos, fundos, startups. Quando ele diz que toda empresa precisa de IA, ele também está, em parte, vendendo. Isso não invalida as ideias, mas pede o filtro de sempre: separe o conselho técnico (sólido) do entusiasmo de mercado (interessado).

Como aplicar no seu dia a dia

A ideia de IA como nova eletricidade muda a pergunta que você faz. Em vez de "que projeto de IA vamos lançar?", pergunte "em quais processos a IA gera caixa hoje?". Numa operação, isso aparece na previsão de demanda e na precificação dinâmica; na logística, na otimização de quando e quanto reabastecer; na gestão de pessoas, em triagem e roteamento de tarefas. Em nenhum desses casos você precisa de um modelo de fronteira. Precisa da "tomada" certa no processo certo.

A IA centrada em dados é a ideia com mais consequência para qualquer produto com agentes de IA. Um produto desses só é tão bom quanto os dados que o alimentam — e a tentação fácil é gastar energia trocando de modelo de linguagem quando o concorrente lança um novo. Ng lembra do contrário: o fosso defensável não é o modelo (que todo mundo aluga da mesma fonte), é a qualidade e a especificidade dos dados que só a sua operação tem. Vinte exemplos bem rotulados de uma decisão bem tomada valem mais que dez mil registros sujos. A disciplina, então, é industrializar a coleta e a curadoria de dados de qualidade como uma linha de produção — não como um anexo.

Os quatro padrões agênticos viram um checklist de design. Antes de pedir um modelo melhor, pergunte: já está usando reflexão (o agente revisa o próprio rascunho antes de entregar)? Já deu ferramentas de verdade ao agente (acesso ao histórico, aos registros, à política da empresa) em vez de deixá-lo alucinar? Já quebrou a tarefa em planejamento explícito? Faz sentido um arranjo multiagente — um agente que redige, outro que audita conformidade? Quase sempre a melhoria de qualidade vem do fluxo, não do orçamento de computação. É a alavanca mais barata que existe.

E a tese da educação como alavanca define como você trata os times. Em vez de sonhar em contratar cientistas de dados raros, invista em formar quem já entende a operação para usar IA bem. Quem conhece o cliente, o processo e o dia a dia do negócio — esse, munido das ferramentas certas, vale mais do que um PhD que nunca pisou na operação.

Para ir além

Comece por: o curso AI for Everyone (Coursera) — feito justamente para gestores e não-engenheiros entenderem o que IA pode e não pode fazer. É a porta de entrada de operador, não de programador.

Depois: a newsletter The Batch (deeplearning.ai), onde Ng comenta semanalmente o que importa em IA com a cabeça de quem precisa aplicar; e a série dele sobre os quatro padrões agênticos — leitura curta e diretamente acionável.

Avançado: o Machine Learning Specialization (Coursera, versão atualizada do curso clássico) para quem quer entender por dentro; e os materiais de data-centric AI da Landing AI, que tratam dado como ativo de engenharia.

Conexões no vault

• IA e Tecnologia — área-mãe deste estudo
• mira-murati — onde Ng é o educador e engenheiro de aplicação, Murati é a operadora de produto+pesquisa que colocou a IA generativa nas mãos do público; juntos cobrem as duas pontas: difundir o saber e difundir o produto
• Conexão com Gestão de Colabs — a tese data-centric é o coração da estratégia de fosso defensável do SaaS
• Conexão com a operação de energia/mobilidade — IA como "eletricidade" aplicada a previsão de demanda e otimização de recarga