![\"M\u00e3o](\"https:\/\/nextage.com.br\/blog\/wp-content\/uploads\/2026\/05\/7-fases-da-historia-da-inteligencia-artificial-que-todo-mundo-deveria-conhecer.png\")
<\/p>\nA intelig\u00eancia artificial n\u00e3o surgiu da noite para o dia. Foram mais de 80 anos de avan\u00e7os, recuos, desilusi\u00f5es e revolu\u00e7\u00f5es silenciosas que nos trouxeram at\u00e9 o momento atual: m\u00e1quinas aut\u00f4nomas que tomam decis\u00f5es, aprendem com dados e transformam opera\u00e7\u00f5es inteiras em empresas ao redor do mundo.<\/p>\n
Neste artigo, voc\u00ea vai conhecer as 7 fases da hist\u00f3ria da intelig\u00eancia artificial: desde os primeiros modelos matem\u00e1ticos de neur\u00f4nios artificiais, em 1943, at\u00e9 os agentes de IA que j\u00e1 operam de forma aut\u00f4noma nas empresas em 2025. Entender essa trajet\u00f3ria n\u00e3o \u00e9 apenas um exerc\u00edcio de curiosidade hist\u00f3rica. \u00c9 o mapa para compreender onde a IA est\u00e1 hoje e o que ela pode fazer pelo seu neg\u00f3cio amanh\u00e3.<\/p>\n
<\/p>\n
Intelig\u00eancia artificial (IA) \u00e9 o campo da ci\u00eancia da computa\u00e7\u00e3o dedicado a desenvolver sistemas capazes de realizar tarefas que, at\u00e9 ent\u00e3o, exigiam intelig\u00eancia humana: raciocinar, aprender, tomar decis\u00f5es, reconhecer padr\u00f5es e agir de forma aut\u00f4noma.<\/p>\n
O termo foi cunhado oficialmente em 1956 por John McCarthy, mas os fundamentos te\u00f3ricos existiam desde a d\u00e9cada de 1940. Desde ent\u00e3o, a IA passou por ciclos de entusiasmo intenso, per\u00edodos de estagna\u00e7\u00e3o (os chamados “invernos da IA”) e ressurgimentos cada vez mais poderosos, \u00e0 medida que a capacidade computacional, os dados dispon\u00edveis e os algoritmos evolu\u00edram.<\/p>\n
Porque o presente \u00e9 herdeiro direto do passado. Cada limita\u00e7\u00e3o que a IA superou ao longo das d\u00e9cadas explica por que as ferramentas de hoje funcionam como funcionam, e por que determinadas abordagens fracassam quando implementadas sem m\u00e9todo.<\/p>\n
Mais do que isso: segundo o levantamento State of AI 2025 da McKinsey<\/a>, 88% das empresas j\u00e1 utilizam IA em pelo menos uma fun\u00e7\u00e3o de neg\u00f3cio, e as organiza\u00e7\u00f5es que tratam a IA como catalisador de transforma\u00e7\u00e3o (n\u00e3o apenas como ferramenta de efici\u00eancia pontual) s\u00e3o as que reportam maior impacto financeiro. Conhecer a trajet\u00f3ria da IA \u00e9, portanto, entender em que momento da curva tecnol\u00f3gica voc\u00ea est\u00e1, e o que \u00e9 preciso fazer para capturar valor real.<\/p>\n Tudo come\u00e7ou longe dos holofotes, nos laborat\u00f3rios de matem\u00e1ticos e neurofisiologistas que tentavam responder a uma pergunta aparentemente simples: seria poss\u00edvel reproduzir o funcionamento do c\u00e9rebro humano em uma m\u00e1quina?<\/p>\n Em 1943, o neurofisiologista Warren McCulloch e o matem\u00e1tico Walter Pitts publicaram o primeiro modelo matem\u00e1tico de um neur\u00f4nio artificial. O trabalho era essencialmente te\u00f3rico: nenhum computador da \u00e9poca tinha capacidade para executar o que os dois propunham. Mas ele estabeleceu a linguagem que a IA usaria por d\u00e9cadas.<\/p>\n Alguns anos depois, em 1950, o matem\u00e1tico brit\u00e2nico Alan Turing publicou o artigo Computing Machinery and Intelligence<\/em>, no qual propunha a pergunta que se tornaria o fundamento filos\u00f3fico de toda a \u00e1rea: “Podem as m\u00e1quinas pensar?” Para test\u00e1-la, Turing criou o que ficou conhecido como Teste de Turing<\/strong>: se um humano n\u00e3o conseguir distinguir, em uma conversa por escrito, se est\u00e1 interagindo com uma m\u00e1quina ou com outra pessoa, a m\u00e1quina pode ser considerada “inteligente”.<\/p>\n Vale mencionar que Turing n\u00e3o era apenas um te\u00f3rico: durante a Segunda Guerra Mundial, ele liderou a equipe que decifrou o c\u00f3digo Enigma, utilizado pela Alemanha nazista. Seu trabalho salvou milh\u00f5es de vidas e acelerou o desenvolvimento dos primeiros computadores modernos.<\/p>\n O nascimento oficial do campo, no entanto, veio em 1956<\/strong>, na Confer\u00eancia de Dartmouth, organizada por John McCarthy, Marvin Minsky, Claude Shannon e outros. Foi ali que McCarthy cunhou o termo “Intelig\u00eancia Artificial” e reuniu, pela primeira vez, os pesquisadores que definiriam a agenda da \u00e1rea pelas d\u00e9cadas seguintes.<\/p>\n Marcos da Fase 1:<\/strong><\/p>\n Os anos seguintes \u00e0 Confer\u00eancia de Dartmouth foram marcados por uma euforia que, em retrospecto, superou em muito o que a tecnologia da \u00e9poca era capaz de entregar.<\/p>\n Em 1956, Allen Newell e Herbert Simon desenvolveram o Logic Theorist<\/strong>, o primeiro programa a demonstrar que um computador podia provar teoremas matem\u00e1ticos usando racioc\u00ednio l\u00f3gico. Pouco depois, em 1957, os dois criaram o General Problem Solver<\/strong>, um sistema capaz de resolver uma ampla variedade de problemas formaliz\u00e1veis. Para os pesquisadores da \u00e9poca, era a prova de que a intelig\u00eancia geral das m\u00e1quinas estava a poucos anos de dist\u00e2ncia.<\/p>\n Marvin Minsky, uma das figuras mais influentes do campo, chegou a afirmar que, em uma gera\u00e7\u00e3o, o problema de criar uma intelig\u00eancia artificial estaria “substancialmente resolvido”. A afirma\u00e7\u00e3o virou s\u00edmbolo de um otimismo excessivo que a hist\u00f3ria trataria de corrigir.<\/p>\n Em 1966, Joseph Weizenbaum, no MIT, criou o ELIZA<\/strong>: o primeiro programa de processamento de linguagem natural da hist\u00f3ria. O ELIZA simulava um terapeuta rogeriano, respondendo perguntas com outras perguntas. Apesar de sua simplicidade, muitos usu\u00e1rios relatavam sentir que estavam conversando com um ser humano de verdade, o que surpreendeu (e perturbou) o pr\u00f3prio criador. O ELIZA pode ser considerado o ancestral direto dos chatbots que conhecemos hoje.<\/p>\n O problema era que, sob a superf\u00edcie dos casos de sucesso, a IA dependia de regras codificadas manualmente. Para cada novo dom\u00ednio, era preciso reescrever tudo do zero. E quanto mais complexo o problema, maior o custo computacional: um custo que os computadores da \u00e9poca simplesmente n\u00e3o conseguiam suportar.<\/p>\n Marcos da Fase 2:<\/strong><\/p>\n O entusiasmo da fase anterior encontrou um limite: a realidade.<\/p>\n Em 1973, o matem\u00e1tico brit\u00e2nico Sir James Lighthill publicou um relat\u00f3rio devastador para o Science Research Council do Reino Unido, no qual conclu\u00eda que nenhuma \u00e1rea da pesquisa em IA havia at\u00e9 ent\u00e3o produzido as descobertas revolucion\u00e1rias prometidas. O chamado Relat\u00f3rio Lighthill<\/strong> provocou cortes dr\u00e1sticos de financiamento no Reino Unido, e os Estados Unidos seguiram caminho parecido pouco depois.<\/p>\n O diagn\u00f3stico era preciso: os sistemas da \u00e9poca eram capazes de resolver vers\u00f5es simplificadas de problemas em ambientes controlados, mas fracassavam completamente ao enfrentar a complexidade e a ambiguidade do mundo real. Tradu\u00e7\u00e3o autom\u00e1tica, compreens\u00e3o de linguagem natural, reconhecimento de imagens: todos esses desafios se revelaram ordens de magnitude mais dif\u00edceis do que os pesquisadores haviam previsto.<\/p>\n Esse per\u00edodo ficou conhecido como o primeiro inverno da IA<\/strong>: financiamento escasso, laborat\u00f3rios fechados, pesquisadores migrando para outras \u00e1reas.<\/p>\n A li\u00e7\u00e3o que esse ciclo deixa \u00e9 direta e ainda extremamente v\u00e1lida para qualquer empresa que pensa em implementar IA hoje: tecnologia sem clareza sobre o problema a resolver, sem capacidade computacional adequada e sem uma abordagem metodol\u00f3gica rigorosa \u00e9 investimento com retorno incerto. O inverno da IA n\u00e3o foi causado pela tecnologia em si, mas pela dist\u00e2ncia entre expectativa e realidade, e pela falta de m\u00e9todo.<\/p>\n Marcos da Fase 3:<\/strong><\/p>\n A IA renasceu na d\u00e9cada de 1980, mas por uma rota diferente: em vez de buscar intelig\u00eancia geral, os pesquisadores apostaram nos sistemas especialistas<\/strong>, programas que codificavam o conhecimento de especialistas humanos em um dom\u00ednio espec\u00edfico para tomar decis\u00f5es dentro daquele escopo.<\/p>\n O exemplo mais emblem\u00e1tico foi o XCON<\/strong> (eXpert CONfigurer), desenvolvido pela DEC (Digital Equipment Corporation) a partir de 1980. O sistema automatizava a configura\u00e7\u00e3o de pedidos de computadores e chegou a economizar, segundo estimativas da empresa, cerca de 40 milh\u00f5es de d\u00f3lares por ano<\/strong>. Foi o primeiro caso documentado de ROI real e mensur\u00e1vel de intelig\u00eancia artificial em uma opera\u00e7\u00e3o corporativa.<\/p>\n O sucesso do XCON desencadeou um boom: nos anos seguintes, empresas de todos os setores investiram em sistemas especialistas. A demanda por hardware especializado (as chamadas Lisp machines<\/em>, projetadas para rodar linguagens de IA) gerou uma ind\u00fastria pr\u00f3pria, avaliada em bilh\u00f5es de d\u00f3lares.<\/p>\n O problema, novamente, era estrutural. Sistemas especialistas eram caros para construir, ainda mais caros para manter e totalmente r\u00edgidos: qualquer mudan\u00e7a no dom\u00ednio exigia reescrita manual das regras. Em 1987, o mercado de hardware especializado colapsou com a chegada dos computadores pessoais, que ofereciam capacidade compar\u00e1vel a uma fra\u00e7\u00e3o do custo. O financiamento secou mais uma vez: o segundo inverno da IA<\/strong> (1987\u20131993) foi mais silencioso que o primeiro, mas igualmente brutal para as empresas que haviam apostado tudo naqueles sistemas.<\/p>\n Marcos da Fase 4:<\/strong><\/p>\n A virada dos anos 1990 trouxe tr\u00eas fatores que, juntos, abriram caminho para a era moderna da intelig\u00eancia artificial: aumento exponencial do poder computacional, acesso crescente a grandes volumes de dados (impulsionado pela internet comercial) e uma mudan\u00e7a fundamental de paradigma algor\u00edtmico.<\/p>\n Em vez de codificar regras manualmente, como faziam os sistemas especialistas, os novos modelos de machine learning<\/strong> (aprendizado de m\u00e1quina) eram treinados com dados. A m\u00e1quina aprendia os padr\u00f5es por conta pr\u00f3pria, sem que nenhum engenheiro precisasse descrev\u00ea-los explicitamente.<\/p>\n O momento simb\u00f3lico que capturou a aten\u00e7\u00e3o do mundo aconteceu em 1997<\/strong>: o computador Deep Blue<\/strong>, da IBM, derrotou Garry Kasparov, campe\u00e3o mundial de xadrez, em uma partida oficial. Era a primeira vez que um computador vencia um ser humano no mais alto n\u00edvel de competi\u00e7\u00e3o em um jogo de estrat\u00e9gia complexa. O evento entrou para a hist\u00f3ria como uma virada de percep\u00e7\u00e3o sobre o que as m\u00e1quinas eram capazes de fazer.<\/p>\n Enquanto o xadrez dominava as manchetes, a IA trabalhava silenciosamente em segundo plano. O Google, fundado em 1998, usava algoritmos de machine learning para indexar e ordenar resultados de busca. Filtros de spam, sistemas de recomenda\u00e7\u00e3o da Amazon, modelos de detec\u00e7\u00e3o de fraude nos bancos: a IA se infiltrou no cotidiano corporativo sem que a maioria das pessoas percebesse.<\/p>\n Em 2006, Geoffrey Hinton e sua equipe publicaram trabalhos que reintroduziram uma ideia que havia sido descartada durante os invernos anteriores: as redes neurais profundas<\/strong> (deep learning). Com o aumento do poder computacional e a disponibilidade de dados em escala, as redes neurais finalmente mostravam o potencial que os pioneiros da Fase 1 haviam vislumbrado d\u00e9cadas antes.<\/p>\n Marcos da Fase 5:<\/strong><\/p>\n Se a Fase 5 foi a semente, a Fase 6 foi a colheita. A combina\u00e7\u00e3o de GPUs (processadores gr\u00e1ficos repropositados para computa\u00e7\u00e3o paralela), dados em escala massiva e arquiteturas de redes neurais cada vez mais sofisticadas produziu avan\u00e7os que, em poucos anos, tornaram obsoletos m\u00e9todos que haviam levado d\u00e9cadas para ser desenvolvidos.<\/p>\n O marco inaugural foi o concurso ImageNet de 2012<\/strong>. A tarefa era classificar imagens em categorias entre mais de 1.000 op\u00e7\u00f5es. Os m\u00e9todos tradicionais de vis\u00e3o computacional erravam em cerca de 26% dos casos. O modelo AlexNet<\/strong>, desenvolvido por Geoffrey Hinton e seus alunos Alex Krizhevsky e Ilya Sutskever, errou em apenas 15%: uma redu\u00e7\u00e3o de mais de 40% no erro, em um \u00fanico salto. O mundo da pesquisa em IA ficou em choque. A era do deep learning havia come\u00e7ado de vez.<\/p>\n Em 2016, o sistema AlphaGo<\/strong>, da DeepMind (pertencente ao Google), venceu Lee Sedol, um dos maiores jogadores de Go do mundo. O jogo de Go, com seu tabuleiro de 19×19 e mais configura\u00e7\u00f5es poss\u00edveis do que \u00e1tomos no universo observ\u00e1vel, era considerado o \u00faltimo grande basti\u00e3o de vantagem humana sobre m\u00e1quinas em jogos de estrat\u00e9gia. A vit\u00f3ria do AlphaGo foi amplamente interpretada como um sinal de que o deep learning havia cruzado uma fronteira qualitativa.<\/p>\n Em 2017, pesquisadores do Google publicaram o artigo “Attention Is All You Need”<\/em>, introduzindo a arquitetura Transformer<\/strong>: a base tecnol\u00f3gica sobre a qual o ChatGPT, o GPT-4, o Claude e praticamente todos os grandes modelos de linguagem atuais foram constru\u00eddos. Sem exagero, \u00e9 um dos artigos mais influentes da hist\u00f3ria da computa\u00e7\u00e3o.<\/p>\n Os anos seguintes foram de acelera\u00e7\u00e3o exponencial. GPT-1 (2018), GPT-2 (2019), GPT-3 (2020): cada vers\u00e3o mostrava capacidades que o modelo anterior n\u00e3o possu\u00eda. DALL-E e Stable Diffusion trouxeram a gera\u00e7\u00e3o de imagens por IA para o p\u00fablico. E em novembro de 2022, a OpenAI lan\u00e7ou o ChatGPT<\/strong>: em apenas dois meses, o produto atingiu 100 milh\u00f5es de usu\u00e1rios ativos, tornando-se o aplicativo de crescimento mais r\u00e1pido da hist\u00f3ria at\u00e9 ent\u00e3o. Para efeito de compara\u00e7\u00e3o, o TikTok levou nove meses para atingir o mesmo n\u00famero.<\/p>\n Marcos da Fase 6:<\/strong><\/p>\n As fases anteriores foram, em sua maior parte, sobre fazer com que m\u00e1quinas entendessem<\/em> o mundo: reconhecer imagens, responder perguntas, gerar textos. A Fase 7 representa uma mudan\u00e7a qualitativa: a IA passou a agir<\/em> no mundo.<\/p>\n Um agente de IA<\/strong> \u00e9 um sistema aut\u00f4nomo que percebe o ambiente, raciocina sobre ele e executa tarefas sem precisar de interven\u00e7\u00e3o humana a cada etapa. A diferen\u00e7a em rela\u00e7\u00e3o a um chatbot convencional \u00e9 fundamental: enquanto um chatbot responde<\/em>, um agente age<\/em>. Ele pode acessar sistemas, tomar decis\u00f5es sequenciais, chamar outras ferramentas e completar fluxos de trabalho complexos de ponta a ponta.<\/p>\n A Fast Company Brasil definiu 2025 como “o ano em que os agentes de IA sa\u00edram dos bastidores”<\/a>: antes restritos a laborat\u00f3rios e prot\u00f3tipos, os agentes se tornaram ferramentas do dia a dia, tanto para desenvolvedores quanto para executivos de opera\u00e7\u00f5es.<\/p>\n Os n\u00fameros confirmam a tend\u00eancia. De acordo com o relat\u00f3rio State of AI 2025 da McKinsey<\/a>, 88% das empresas j\u00e1 utilizam IA em ao menos uma fun\u00e7\u00e3o de neg\u00f3cio, e 23% declararam estar expandindo sistemas de IA agentic dentro de suas opera\u00e7\u00f5es. O Gartner projeta<\/a> que at\u00e9 2029, agentes de IA resolver\u00e3o de forma aut\u00f4noma 80% das solicita\u00e7\u00f5es comuns de atendimento ao cliente, com redu\u00e7\u00e3o de 30% nos custos operacionais.<\/p>\n No Brasil, o cen\u00e1rio tamb\u00e9m avan\u00e7a em ritmo acelerado. Entre 2023 e meados de 2024, bancos e empresas estatais brasileiras investiram mais de R$ 2 bilh\u00f5es em projetos de intelig\u00eancia artificial, com a Finep (Financiadora de Estudos e Projetos) liderando os repasses.<\/p>\n Os agentes de IA de 2025 n\u00e3o operam de forma isolada. Eles se integram a ERPs, CRMs e demais sistemas corporativos, aprendem com os dados gerados pela pr\u00f3pria opera\u00e7\u00e3o e podem ser orquestrados em ecossistemas: m\u00faltiplos agentes com fun\u00e7\u00f5es espec\u00edficas colaborando para executar processos complexos de ponta a ponta.<\/p>\n Na pr\u00e1tica, isso significa: um agente monitorando faturas em aberto e disparando r\u00e9guas de cobran\u00e7a automatizadas; outro analisando candidaturas e triando perfis no RH; outro ainda revisando c\u00f3digo, documentando APIs e gerando relat\u00f3rios de infraestrutura, tudo isso 24 horas por dia, 7 dias por semana, sem precisar de aprova\u00e7\u00e3o manual a cada etapa.<\/p>\n Marcos da Fase 7:<\/strong><\/p>\n A hist\u00f3ria da IA nos ensina que as empresas que entram cedo em cada nova fase saem na frente.<\/strong> Estamos vivendo a Fase 7, e os agentes de IA j\u00e1 operam em \u00e1reas administrativas, financeiras, de RH, marketing e tecnologia em empresas de todos os portes. A NextAge projeta, implementa e monitora agentes aut\u00f4nomos que se integram ao seu ERP, CRM e sistemas internos, com governan\u00e7a completa e ROI definido antes da implementa\u00e7\u00e3o. Conhe\u00e7a os Agentes de IA da NextAge \u2192<\/a><\/p>\n<\/blockquote>\n A pergunta que domina os laborat\u00f3rios e as salas de diretoria \u00e9: onde esse ciclo leva?<\/p>\n H\u00e1 caminhos relativamente bem delineados. Os agentes de IA se tornar\u00e3o mais capazes, mais integrados entre si e mais confi\u00e1veis do ponto de vista de governan\u00e7a. O Gartner projeta que, at\u00e9 2028, organiza\u00e7\u00f5es que usarem agentes de IA em 80% de seus processos voltados ao cliente ter\u00e3o vantagem competitiva consolidada.<\/p>\n A discuss\u00e3o mais substantiva, no entanto, gira em torno do que est\u00e1 al\u00e9m dos agentes: sistemas de IA com racioc\u00ednio generalista cada vez mais sofisticado, capacidade de planejamento de longo prazo e integra\u00e7\u00e3o com o mundo f\u00edsico (rob\u00f3tica, manufatura, log\u00edstica). A linha entre “ferramenta” e “colaborador aut\u00f4nomo” ficar\u00e1 progressivamente mais t\u00eanue.<\/p>\n O que a hist\u00f3ria das 7 fases nos ensina, por\u00e9m, \u00e9 que cada transi\u00e7\u00e3o entre fases criou uma janela de vantagem competitiva para quem entrou cedo com m\u00e9todo. As empresas que esperaram para ver costumaram pagar um pre\u00e7o alto para recuperar o terreno perdido.<\/p>\n N\u00e3o h\u00e1 um \u00fanico criador. Os principais pioneiros foram Warren McCulloch e Walter Pitts (1943), Alan Turing (1950) e John McCarthy (1956). McCarthy foi quem cunhou o termo “intelig\u00eancia artificial” na Confer\u00eancia de Dartmouth, em 1956.<\/p>\n O campo foi oficialmente fundado em 1956, na Confer\u00eancia de Dartmouth. As bases te\u00f3ricas, no entanto, remontam ao trabalho de Turing em 1950 e ao modelo de neur\u00f4nio artificial de McCulloch e Pitts em 1943.<\/p>\n Proposto por Alan Turing em 1950, \u00e9 um crit\u00e9rio para avaliar se uma m\u00e1quina exibe comportamento inteligente indistingu\u00edvel do de um humano. Se um avaliador humano n\u00e3o conseguir distinguir, em uma conversa por escrito, se est\u00e1 interagindo com uma m\u00e1quina ou com outra pessoa, considera-se que a m\u00e1quina passou no teste.<\/p>\n Foram dois per\u00edodos distintos (1974\u20131980 e 1987\u20131993) em que o financiamento e o interesse em IA ca\u00edram drasticamente. Ambos foram causados pela dist\u00e2ncia entre as promessas dos pesquisadores e o que a tecnologia efetivamente entregava.<\/p>\n A IA simb\u00f3lica (predominante nas Fases 1 a 4) utiliza regras l\u00f3gicas codificadas manualmente por especialistas. A IA estat\u00edstica, ou machine learning (Fases 5 em diante), aprende padr\u00f5es diretamente a partir de dados, sem que as regras precisem ser descritas explicitamente.<\/p>\n Deep learning (aprendizado profundo) \u00e9 uma sub\u00e1rea do machine learning que utiliza redes neurais com m\u00faltiplas camadas para identificar padr\u00f5es em grandes volumes de dados. Revolucionou vis\u00e3o computacional, processamento de linguagem natural e, posteriormente, a gera\u00e7\u00e3o de conte\u00fado. A virada do deep learning aconteceu em 2012, com a vit\u00f3ria do AlexNet no ImageNet.<\/p>\nAs 7 fases da hist\u00f3ria da Intelig\u00eancia Artificial<\/h2>\n
Fase 1 (1943\u20131956): A Origem \u2014 Dos Neur\u00f4nios Artificiais \u00e0 Confer\u00eancia de Dartmouth<\/h3>\n
\n
Fase 2 (1956\u20131974): primeiros programas e grandes promessas<\/h3>\n
\n
Fase 3 (1974\u20131980): quando as promessas n\u00e3o se cumpriram<\/h3>\n
\n
![\"M\u00e3o](\"https:\/\/nextage.com.br\/blog\/wp-content\/uploads\/2026\/05\/Fase-3-1974\u20131980_-quando-as-promessas-nao-se-cumpriram.png\")
<\/p>\nFase 4 (1980\u20131993): a IA chega \u00e0s empresas<\/h3>\n
\n
Fase 5 (1993\u20132010): Machine Learning e Big Data<\/h3>\n
\n
Fase 6 (2010\u20132022): a revolu\u00e7\u00e3o do Deep Learning<\/h3>\n
\n
Fase 7 (2023\u2013atual): a era dos Agentes de IA<\/h3>\n
![\"Figuras](\"https:\/\/nextage.com.br\/blog\/wp-content\/uploads\/2026\/05\/Fase-7-2023\u2013atual_-a-era-dos-Agentes-de-IA-.png\")
<\/p>\nO que s\u00e3o agentes de IA?<\/h4>\n
Como os Agentes de IA est\u00e3o transformando empresas hoje?<\/h4>\n
\n
\n
Linha do tempo: os 80 anos da Intelig\u00eancia Artificial<\/h2>\n
\n\n\n
\n \nAno<\/th>\n Marco<\/th>\n<\/tr>\n<\/thead>\n \n 1943<\/td>\n McCulloch & Pitts: primeiro neur\u00f4nio artificial matem\u00e1tico<\/td>\n<\/tr>\n \n 1950<\/td>\n Alan Turing prop\u00f5e o Teste de Turing<\/td>\n<\/tr>\n \n 1956<\/td>\n Confer\u00eancia de Dartmouth: nasce o termo “Intelig\u00eancia Artificial”<\/td>\n<\/tr>\n \n 1966<\/td>\n ELIZA: primeiro chatbot da hist\u00f3ria (MIT)<\/td>\n<\/tr>\n \n 1973<\/td>\n Relat\u00f3rio Lighthill: cortes de financiamento no Reino Unido<\/td>\n<\/tr>\n \n 1974\u20131980<\/td>\n Primeiro Inverno da IA<\/td>\n<\/tr>\n \n 1980<\/td>\n XCON: primeiro ROI corporativo documentado de IA<\/td>\n<\/tr>\n \n 1987\u20131993<\/td>\n Segundo Inverno da IA<\/td>\n<\/tr>\n \n 1997<\/td>\n Deep Blue vence Kasparov no xadrez<\/td>\n<\/tr>\n \n 2006<\/td>\n Geoffrey Hinton relan\u00e7a o Deep Learning<\/td>\n<\/tr>\n \n 2012<\/td>\n AlexNet e ImageNet: virada do deep learning em vis\u00e3o computacional<\/td>\n<\/tr>\n \n 2016<\/td>\n AlphaGo vence campe\u00e3o mundial de Go<\/td>\n<\/tr>\n \n 2017<\/td>\n “Attention Is All You Need”<\/em>: arquitetura Transformer (Google)<\/td>\n<\/tr>\n \n 2022<\/td>\n ChatGPT: 100 milh\u00f5es de usu\u00e1rios em 2 meses<\/td>\n<\/tr>\n \n 2023\u20132025<\/td>\n Era dos Agentes de IA: da gera\u00e7\u00e3o \u00e0 a\u00e7\u00e3o aut\u00f4noma nas empresas<\/td>\n<\/tr>\n \n 2025<\/td>\n Brasil: mais de R$ 2 bilh\u00f5es investidos em IA corporativa<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n O futuro da IA: o que vem depois da fase 7?<\/h2>\n
FAQ \u2014 perguntas frequentes sobre a hist\u00f3ria da IA<\/h2>\n
Quem criou a intelig\u00eancia artificial?<\/strong><\/h3>\n
Quando foi criada a intelig\u00eancia artificial?<\/strong><\/h3>\n
O que \u00e9 o Teste de Turing?<\/strong><\/h3>\n
O que foi o inverno da intelig\u00eancia artificial?<\/strong><\/h3>\n
Qual \u00e9 a diferen\u00e7a entre IA simb\u00f3lica e IA estat\u00edstica (machine learning)?<\/strong><\/h3>\n
O que \u00e9 deep learning?<\/strong><\/h3>\n
O que \u00e9 um agente de IA?<\/strong><\/h3>\n