A mudança de Eric Schmidt da busca do Google para a estratégia de IA

Por que Eric Schmidt importa na conversa sobre política de IA

Eric Schmidt importa para a política de IA porque sua carreira liga a operação de uma plataforma tecnológica global ao esforço de construir capacidade tecnológica nacional. Sua influência não vem de ocupar um cargo eletivo nem de redigir regulamentos. Ela vem de traduzir problemas de engenharia, investimento e organização em recomendações que autoridades podem financiar, atribuir e medir.

Essa distinção mantém o foco. Os anos de Schmidt no Google explicam por que autoridades o escutam, mas isto não é uma biografia nem uma história da busca. A questão relevante é como a experiência com dados, infraestrutura, talentos técnicos e iteração rápida de produtos orientou seu trabalho posterior em segurança nacional e inteligência artificial.

Uma estratégia nacional de IA é o plano coordenado de um governo para pesquisa, adoção comercial, uso no setor público, segurança e supervisão. Ela abrange financiamento universitário, imigração qualificada, fornecimento de semicondutores, centros de dados, energia, compras públicas, padrões técnicos, preparação da força de trabalho e cooperação internacional. Também precisa decidir onde as restrições se justificam, quem responde por falhas e como os cidadãos podem contestar decisões automatizadas nocivas.

Quatro debates atravessam o trabalho público de Schmidt:

• Inovação diz respeito à pesquisa, criação de empresas, velocidade de implantação e acesso a capital e computação.
• Segurança abrange adoção na defesa, operações cibernéticas, inteligência, proteção de modelos e capacidades perigosas de uso duplo.
• Governança atribui responsabilidades por meio de testes, documentação, monitoramento, responsabilidade legal e reparação.
• Competição trata da relação entre EUA e China, coordenação com aliados, chips avançados, padrões técnicos e talentos.

Esses debates se sobrepõem, mas não são intercambiáveis. Uma política que aumenta a capacidade doméstica de computação pode apoiar pesquisa e defesa enquanto pressiona os sistemas de eletricidade. Uma restrição à exportação pode atrasar o acesso de um concorrente a hardware avançado, impondo custos aos fornecedores nacionais. Uma exigência de segurança pode proteger pessoas em um contexto de alto risco e se tornar um desperdício se for aplicada sem mudanças a uma ferramenta administrativa de baixo risco.

A importância de Schmidt está nesse enquadramento operacional. Estratégia nacional não é uma declaração de que IA importa. É um conjunto de instituições, orçamentos, sistemas técnicos, incentivos e prazos que determina se a ambição pública resiste ao contato com a implementação.

Da liderança em engenharia à escala do Google

A carreira de Schmidt em tecnologia lhe deu experiência direta com problemas organizacionais que mais tarde apareceriam em suas recomendações de política. Formado em ciência da computação, trabalhou no Bell Labs, Sun Microsystems e Novell antes de entrar no Google como diretor-executivo em 2001. O Google já tinha seus fundadores, tecnologia de busca e um público que crescia depressa. O papel dele era transformar esse impulso em uma empresa capaz de operar de forma confiável em mercados e produtos diversos.

Ele permaneceu como CEO do Google até 2011. Nesse período, a empresa ampliou sua infraestrutura de computação, negócio de publicidade, força de trabalho e variedade de produtos. A lição era maior que o crescimento: uma invenção técnica tem valor limitado quando a organização não consegue contratar pessoas, distribuir recursos de computação, testar mudanças, se recuperar de falhas ou tomar decisões na velocidade necessária.

A busca ilustra a conexão entre essas disciplinas operacionais. Em termos conceituais, um sistema de busca precisa realizar três tarefas distintas:

• O rastreamento encontra documentos e os revisita à medida que a web muda.
• A indexação organiza o material encontrado para que possa ser recuperado com eficiência.
• A classificação estima quais resultados atendem melhor a uma consulta e intenção específicas.

Cada tarefa depende de infraestrutura, qualidade dos dados, medição e manutenção constante. Uma mudança útil na classificação precisa funcionar em diferentes idiomas, consultas raras, tentativas de spam, notícias repentinas, redes lentas e bilhões de interações. Uma taxa pequena de erro pode gerar um grande volume diário de resultados ruins quando o serviço opera em escala global.

A era da busca também consolidou a experimentação controlada. As equipes podiam comparar uma mudança proposta com o sistema existente, observar o comportamento dos usuários, examinar casos de falha e reverter uma publicação quando as evidências se voltavam contra ela. Monitoramento e reversão faziam parte do produto, não eram trabalho administrativo acrescentado depois do lançamento.

A confiança era mais difícil de medir, mas igualmente relevante. A classificação da busca influencia o que as pessoas encontram, e a coleta de dados cria deveres de privacidade e segurança. Os usuários podem abandonar um serviço se os resultados parecerem manipulados, inseguros ou persistentemente imprecisos. Os governos enfrentam um problema relacionado com a IA: um sistema pode cumprir uma meta interna de desempenho e ainda perder legitimidade se as pessoas não conseguirem entender, contestar ou evitar suas decisões.

A analogia tem limites. Um país não é uma empresa de tecnologia, cidadãos não são clientes e a autoridade pública não pode ser reduzida à gestão de produtos. O governo deve cumprir a lei, proteger direitos constitucionais, garantir o devido processo e responder a instituições com mandatos concorrentes. A experiência de Schmidt no setor privado ajuda quando identifica gargalos operacionais. Ela convence menos quando a velocidade corporativa é tratada como substituta da responsabilidade democrática.

Os papéis públicos que criaram a influência política de Schmidt

A transição de Schmidt para a política nacional de tecnologia ocorreu por uma sequência de funções formais de aconselhamento e iniciativas financiadas de forma privada. Esses papéis lhe deram acesso a líderes da defesa, legisladores, especialistas técnicos e equipes de política, além de gerar documentos públicos pelos quais sua influência pode ser avaliada.

Em 2016, o secretário de Defesa Ash Carter escolheu Schmidt para presidir o recém-criado Defense Innovation Board. Seu mandato era aconselhar líderes do Department of Defense sobre práticas organizacionais, software, dados, talentos e adoção mais rápida de tecnologia. O conselho não dirigia operações militares nem concedia contratos. Produzia recomendações para ajudar uma grande burocracia a trabalhar de modo mais eficaz com tecnologia moderna e fornecedores comerciais.

Mais tarde, o Congresso criou a National Security Commission on Artificial Intelligence, conhecida como NSCAI. Schmidt presidiu a comissão bipartidária de 15 membros, tendo o ex-vice-secretário de Defesa Robert Work como vice-presidente. Sua missão legal era recomendar como os Estados Unidos deveriam desenvolver IA e tecnologias relacionadas para atender às necessidades de segurança nacional e econômica.

A NSCAI entregou seu relatório final ao presidente e ao Congresso em 2021. O documento tinha 16 capítulos e planos de ação detalhados sobre adoção na defesa, talentos técnicos, infraestrutura de pesquisa, microeletrônica, alianças, uso responsável e competição com a China. Sua importância veio da combinação de argumentos estratégicos e propostas implementáveis. As autoridades podiam extrair uma estrutura de escritório, programa de contratação, conceito orçamentário ou exigência de testes, em vez de aceitar um apelo genérico para investir em IA.

Depois que a NSCAI concluiu seu trabalho, Schmidt fundou o Special Competitive Studies Project em 2021. A fundação privada de operação estuda IA e outras tecnologias emergentes em relação à segurança nacional, à economia e à sociedade. Schmidt a preside, enquanto equipe e conselheiros continuam publicando propostas de política e reunindo tomadores de decisão públicos e privados.

Essas posições mostram quatro caminhos pelos quais um conselheiro pode afetar políticas:

• Enquadramento define o problema e o vocabulário que as autoridades usam para discuti-lo.
• Planos convertem metas amplas em escritórios, atribuições, programas e prazos.
• Redes conectam órgãos públicos a pesquisadores, investidores, empresas e ex-autoridades.
• Continuidade mantém recomendações em circulação depois que uma comissão é dissolvida.

Nenhum desses caminhos dá ao conselheiro controle formal. O Congresso decide se autoriza e financia programas. Órgãos do Executivo interpretam mandatos, escrevem regras de compras e gerenciam implantações. Tribunais, inspetores-gerais, auditores, jornalistas e sociedade civil podem expor falhas. Schmidt pode moldar o cardápio de opções, mas as instituições públicas decidem o que será pedido e o que permanece.

O que defendia a estratégia da NSCAI

O argumento central da NSCAI era que a vantagem em IA depende de toda uma estrutura técnica e institucional, não de um único modelo superior. O relatório descrevia essa estrutura por meio de talentos, dados, hardware, algoritmos, aplicações e integração. A fragilidade em qualquer camada pode impedir que um resultado impressionante de laboratório se transforme em uma capacidade nacional confiável.

O relatório pediu que o Department of Defense e a Intelligence Community tivessem as bases para ampla integração de IA prontas até 2025. A meta era um prazo para o trabalho de preparação, não uma certificação de que todos os órgãos ou missões relevantes estariam prontos para IA nessa data. Uma retrospectiva séria deve perguntar quais bases foram construídas, como funcionaram e quais problemas permaneceram.

Suas recomendações podem ser agrupadas em cinco temas práticos:

• A adoção pelo governo exigia liderança sênior, dados utilizáveis, software moderno, computação segura e compras iterativas.
• A política de talentos exigia novas carreiras técnicas, melhor formação, contratação flexível e acesso contínuo a especialistas internacionais.
• A política de hardware exigia atenção à fabricação de semicondutores, acesso a chips avançados, concentração da oferta e pesquisa.
• A capacidade nacional de pesquisa exigia investimento público e acesso mais amplo a computação, conjuntos de dados, modelos e suporte técnico.
• O uso responsável exigia testes, julgamento humano, prestação de contas, monitoramento e cooperação com aliados.

O componente de uso responsável às vezes se perde quando a NSCAI é resumida como um documento sobre corrida. Seu relatório final argumentava que sistemas de segurança nacional precisam de confiança justificada. Operadores devem entender onde um sistema funciona, onde falha, como adversários podem atacá-lo e quanto risco uma missão pode aceitar. O documento propôs liderança de IA responsável dentro dos órgãos e apoio multidisciplinar à avaliação e à governança.

Partes da análise de 2021 envelheceram porque a IA generativa mudou o problema prático. Modelos fundamentais de propósito geral agora podem produzir texto, software, imagens, áudio e planos por uma única interface. Eles podem ser adaptados com prompts, recuperação de informação, ajuste fino e uso de ferramentas sem treinar um modelo desde o início. Isso ampliou o acesso e tornou mais difíceis de descrever os limites de capacidade.

A inferência também se tornou um recurso estratégico ao lado do treinamento. Um país pode ter modelos, mas não ter computação, capacidade de rede, eletricidade ou ambientes seguros de implantação suficientes para usá-los em hospitais, órgãos públicos, laboratórios e unidades militares. Roubo de modelos, ajuste fino malicioso, mídia sintética, uso de ferramentas por agentes e trabalho biológico ou cibernético assistido por IA agora exigem mais atenção do que recebiam nos primeiros documentos estratégicos.

Assim, a parte duradoura da NSCAI é sua visão de sistemas. A parte datada é qualquer pressuposto de que a adoção de IA segue um caminho convencional de software, com requisitos estáveis e atualizações previsíveis. A estratégia atual precisa governar um serviço em transformação, suas ferramentas ao redor, seus fluxos de dados e as pessoas que dependem dele.

Quais recomendações se tornaram instituições visíveis

Várias iniciativas posteriores dos EUA se parecem com propostas da NSCAI, embora a semelhança por si só não prove que Schmidt ou a comissão as causaram. Legislação, trabalho dos órgãos, pesquisas anteriores, pressão comercial, eventos de segurança e mudanças na política presidencial também moldaram o resultado.

O Department of Defense criou o cargo de Chief Digital and Artificial Intelligence Officer em fevereiro de 2022. O escritório reuniu sob uma autoridade sênior responsabilidades importantes por dados, análises e IA. Essa escolha organizacional enfrentou o problema de coordenação descrito pela NSCAI: pilotos dispersos não produzem adoção em todo o departamento quando dados, infraestrutura, política e compras continuam divididos.

O CHIPS and Science Act veio em 2022, com quase US$ 53 bilhões para incentivos à fabricação de semicondutores, pesquisa e programas associados de força de trabalho. Seu alcance foi além da IA, mas a computação avançada tornou a capacidade de semicondutores uma preocupação direta da estratégia nacional. Fábricas, encapsulamento, equipamentos de fabricação, pesquisa, mão de obra qualificada e segurança de fornecimento se tornaram objetos de política, não assuntos deixados inteiramente às decisões de compra das empresas.

O piloto do National Artificial Intelligence Research Resource começou em 2024 para dar a pesquisadores e educadores acesso a computação, conjuntos de dados, modelos, software, treinamento e suporte. Em sua atualização de progresso de dois anos, o programa informou apoio a mais de 600 projetos de pesquisa e 6 mil estudantes, participação em todos os estados e cerca de US$ 100 milhões em contribuições em espécie de parceiros privados. É um exemplo concreto de infraestrutura público-privada destinada a reduzir a distância entre laboratórios bem financiados e a comunidade de pesquisa mais ampla.

O AI Action Plan da Casa Branca de 2025 apresentou mais de 90 ações federais em três pilares: inovação, infraestrutura e diplomacia e segurança internacionais. Sua ênfase política diferia das políticas anteriores. Deu mais peso ao rápido desenvolvimento do setor privado, à construção de centros de dados, ao fornecimento de energia, às exportações de IA, à adoção federal e à aplicação de restrições à computação avançada.

Um memorando de segurança nacional de junho de 2026 levou a agenda operacional adiante. Ele orientou ações sobre adoção na segurança nacional, contratação técnica, uma reserva de talentos em IA, ambientes compartilhados de dados e modelos, resposta a incidentes, práticas de segurança e métodos padronizados de teste, avaliação, verificação e validação. Também definiu controlabilidade como a capacidade de monitorar um sistema e tomar medidas corretivas.

Juntas, essas medidas mostram convergência de políticas em torno de problemas que Schmidt enfatizou: capacidade estatal, pessoal técnico, infraestrutura de computação, coordenação institucional e avaliação mensurável. Elas não resolvem se as soluções adotadas são suficientes ou bem projetadas. Criar um escritório é mais fácil que dar-lhe autoridade. Anunciar um programa é mais fácil que manter suas dotações. Publicar um método de avaliação é mais fácil que aplicá-lo contra um fornecedor favorecido ou uma missão urgente.

Pesquisa, talentos e infraestrutura tornam a estratégia executável

Uma estratégia nacional de IA só se torna executável quando pesquisa, pessoas, computação, dados e regras de implantação operam como uma carteira única. Financiar um componente e negligenciar outro gera capacidade sem uso ou dependência de poucos fornecedores.

O financiamento público de pesquisa deve apoiar ciência básica, missões aplicadas, métodos de avaliação e trabalhos com retorno comercial incerto. Também deve incluir mecanismos de transição. Uma equipe universitária pode demonstrar uma técnica valiosa, mas sua adoção pode parar sem hospedagem segura, engenharia de produto, autorização legal, recursos para manutenção e um órgão público disposto a assumir o resultado.

A política de talentos exige mais que formar pesquisadores adicionais de aprendizado de máquina. O governo precisa de engenheiros de software e dados, especialistas em cibersegurança, gerentes de produto, profissionais de compras, juristas, auditores, especialistas de domínio e autoridades seniores capazes de fazer escolhas técnicas. Um modelo de defesa avaliado sem operadores pode falhar em condições de campo. Um sistema de benefícios revisado sem conhecimento de direito administrativo pode negar o devido processo mesmo quando sua previsão é estatisticamente precisa.

A política de computação deve distinguir treinamento de inferência. Treinar um modelo grande exige computação concentrada por um período limitado. Operar esse modelo para muitos usuários gera demanda contínua por aceleradores, memória, redes, armazenamento, eletricidade, refrigeração e manutenção. Planos de compra que preveem o desenvolvimento e ignoram o custo operacional podem deixar órgãos com um piloto bem-sucedido que eles não conseguem ampliar.

A infraestrutura física agora faz parte da estratégia. Centros de dados exigem locais adequados, energia confiável, capacidade de transmissão, água ou sistemas alternativos de refrigeração, conexões de rede, equipamentos de reposição e planos de emergência. Medidas úteis incluem o tempo para conectar nova capacidade, taxas de utilização, custo por carga de trabalho concluída, tempo de recuperação após interrupção e a parcela de cargas sensíveis que pode operar em ambientes aprovados.

A política de dados começa pela autoridade legal e pela finalidade. Os órgãos precisam saber por que um conjunto de dados existe, quem pode usá-lo, por quanto tempo pode ser retido, quais populações ele descreve mal e como as correções se propagam. A procedência importa porque uma avaliação não consegue explicar uma falha quando a origem e o histórico de transformação dos registros subjacentes são desconhecidos.

Métodos de preservação de privacidade podem reduzir a exposição, mas não eliminam a necessidade de governança. Controles de acesso, ambientes seguros, desidentificação, privacidade diferencial, análise federada e registros de auditoria enfrentam ameaças diferentes. Um órgão deve escolhê-los conforme os dados, os usuários, o modelo de ataque e o dever público envolvidos.

A implantação deve seguir um ciclo de vida, não um teste único de aceitação:

1. Defina a decisão, a população afetada, a autoridade legal e o responsável humano.
2. Estabeleça uma referência sem IA e uma meta mensurável de benefício.
3. Teste desempenho, segurança, vieses, acessibilidade e uso indevido no contexto pretendido.
4. Publique gradualmente, com registros, caminhos de escalonamento, comunicação de incidentes e reversão.
5. Reavalie depois que o modelo, os dados, a política ou as condições operacionais mudarem.

Esse processo apoia a velocidade porque torna possíveis testes pequenos e reversíveis. Ele também impede que uma demonstração impressionante de protótipo seja confundida com evidência de produção.

A IA muda a segurança nacional por sua capacidade de uso duplo

A IA muda a segurança nacional ao aumentar a velocidade, a escala e a acessibilidade da análise e da ação. Organizações de inteligência podem usá-la para examinar imagens, traduzir materiais, pesquisar grandes coleções de documentos, identificar anomalias cibernéticas e ajudar analistas a conectar sinais. Organizações militares podem aplicá-la à logística, manutenção, apoio ao planejamento, sensoriamento e sistemas autônomos.

A mesma capacidade pode apoiar atacantes. A geração de código pode ajudar defensores a inspecionar software e adversários a variar programas maliciosos. A geração de linguagem pode reduzir o custo de phishing personalizado e operações de influência. A visão computacional pode apoiar resposta a desastres ou vigilância persistente. Modelos biológicos podem ajudar pesquisas legítimas e reduzir algumas barreiras à experimentação nociva.

Por isso, a política para uso duplo não pode se reduzir a uma lista de modelos proibidos. O risco depende do modelo, das ferramentas conectadas, dos dados disponíveis, do acesso do usuário, do ambiente de implantação e da consequência do erro. Um modelo geral sem permissões externas cria uma exposição diferente do mesmo modelo conectado a bancos de dados sigilosos, equipamentos de laboratório, contas financeiras ou armas.

As compras públicas enfrentam dificuldade semelhante. Contratos tradicionais pressupõem requisitos estáveis e uma versão do produto que pode ser testada antes da aceitação. Serviços de IA podem mudar o modelo, a camada de segurança, o sistema de recuperação, a mistura de treinamento ou a política de uso durante o contrato. Os órgãos precisam receber aviso de mudanças relevantes e poder repetir avaliações antes que uma atualização chegue a trabalho sensível.

Uma implantação defensável para segurança nacional deve incluir cinco controles:

• Testes específicos da missão que meçam falsos positivos, falsos negativos, latência, falhas sob estresse e comportamento adversarial.
• Acesso de menor privilégio, que limite os dados, ferramentas e ações disponíveis ao sistema.
• Autoridade humana identificada para aprovação, intervenção, escalonamento e desligamento.
• Registros e monitoramento contínuos, pensados para investigação e não para marketing do fornecedor.
• Termos contratuais sobre atualizações, incidentes, uso de dados, acesso ao modelo, portabilidade e encerramento.

O envolvimento humano precisa ser significativo. Exigir que uma pessoa clique em aprovar pouco ajuda quando a interface esconde a incerteza, a carga de trabalho impede revisão ou a cultura organizacional pune a discordância do modelo. Operadores precisam de treinamento, tempo, informações alternativas e autoridade para rejeitar um resultado.

Usos de alta consequência exigem evidências mais rigorosas. Um sistema que resume correspondência de rotina pode tolerar erros inaceitáveis em seleção de alvos, alertas de inteligência, triagem médica ou acesso a um benefício público. A velocidade deve vir de revisão proporcional e implantação reversível, não da pretensão de que todos os usos têm a mesma gravidade.

A competição entre EUA e China é maior que uma corrida de modelos

A competição de IA entre EUA e China envolve capacidade industrial, pesquisa, talentos, energia, cadeias de fornecimento, adoção e alianças, e não uma única classificação de modelos. Tratá-la como linha de chegada incentiva afirmações dramáticas e esconde as instituições que sustentam vantagem ao longo dos anos.

Comparações de capacidade precisam especificar o que está sendo medido. Treinar um modelo de alto desempenho é diferente de fabricar chips avançados, implantar sistemas por toda a indústria, fornecer capacidade de nuvem confiável, produzir descobertas científicas ou integrar IA às operações militares. Um país pode liderar em uma categoria e depender de fornecedores estrangeiros em outra.

Controles de exportação procuram retardar o acesso a determinados chips avançados e equipamentos de fabricação de semicondutores. Seu efeito depende do escopo técnico, da fiscalização, da participação de aliados, de estoques, de rotas de desvio e da capacidade do país-alvo de desenvolver substitutos. Controles muito estreitos podem ter pouco efeito. Regras amplas demais podem incentivar clientes a deixar fornecedores dos EUA ou motivar substituição mais rápida.

Os aliados importam porque as cadeias de semicondutores e computação atravessam fronteiras nacionais. Projeto de chips, fabricação, equipamentos de produção, materiais, encapsulamento, serviços de nuvem e talentos de pesquisa estão distribuídos entre países. Uma política coordenada pode reduzir evasão, dividir custos, apoiar práticas de segurança compatíveis e dar aos parceiros motivo para construir com sistemas confiáveis.

A competição também afeta a governança. Se toda exigência de avaliação for descrita como desarmamento unilateral, órgãos e empresas investirão pouco em testes até que uma falha imponha reação. Se toda capacidade for restringida por motivos especulativos, a pesquisa e a adoção benéfica podem se deslocar para outro lugar. Uma estratégia competente preserva espaço para experimentação e aplica controles mais fortes a acessos, ações e contextos que criam risco crível à segurança nacional.

A concentração complica a posição dos EUA. Treinar e operar sistemas de fronteira exige recursos disponíveis a um número limitado de empresas. A concentração pode acelerar investimento e implantação, mas também pode enfraquecer o poder de negociação do governo, reduzir o acesso à pesquisa e criar dependências comuns entre órgãos. Política de concorrência, interoperabilidade, portabilidade, infraestrutura pública de pesquisa e exigências de acesso ao código-fonte ou a modelos podem enfrentar partes desse problema.

A metáfora da corrida continua politicamente eficaz porque cria urgência. Ela é analiticamente incompleta porque liderança estável depende de resiliência, correção de erros, legitimidade pública e cooperação. Um país que implanta rapidamente, mas não consegue proteger seus modelos, energizar seus centros de dados, treinar operadores ou responder a incidentes, não construiu uma vantagem duradoura.

A governança deve acompanhar o uso e suas consequências

Uma governança de IA eficaz atribui deveres conforme o que um sistema faz, quem ele afeta e quão grave seria uma falha. Um chatbot que responde perguntas gerais, um auxílio diagnóstico, uma triagem de contratação e um componente autônomo de seleção de alvos não devem enfrentar exigências idênticas de evidência.

A primeira tarefa de governança é a classificação. As autoridades devem identificar se o sistema informa uma pessoa, recomenda uma ação, toma uma decisão ou executa uma ação. Em seguida, devem mapear direitos afetados, perdas possíveis, grupos vulneráveis, mecanismos de recurso e a reversibilidade do dano.

Cinco perguntas expõem rapidamente uma governança fraca:

• Que decisão o sistema influencia e quem continua legalmente responsável?
• Que evidências apoiam seu uso para essa população e ambiente operacional?
• Quais informações são coletadas, retidas, compartilhadas ou usadas em treinamento posterior?
• Como uma pessoa afetada pode obter explicação, correção e revisão humana?
• Que evento aciona suspensão, notificação, reparação ou compensação?

Justiça exige examinar resultados, em vez de supor que remover atributos protegidos elimina a discriminação. Outras variáveis podem atuar como substitutos, registros históricos podem incorporar tratamento desigual e os custos dos erros podem recair de modo desigual. Os órgãos devem testar grupos relevantes, investigar causas e decidir se o uso continua legal e justificado depois da mitigação.

A transparência deve se adequar ao público. Engenheiros precisam de documentação sobre modelos e dados. Operadores precisam de limites, incertezas e instruções de escalonamento. Profissionais de compras precisam de informações sobre custo, segurança, atualizações e dependências. Uma pessoa afetada por uma decisão precisa de um motivo compreensível e de uma via de recurso utilizável. Publicar um longo documento técnico não atende às quatro necessidades.

A análise de privacidade deve abranger interações com o modelo e dados de treinamento. Prompts, documentos recuperados, saídas de ferramentas, registros, comentários e registros gerados podem conter informações sensíveis. Os termos de contratação devem indicar se um fornecedor pode reter esses materiais, usá-los para treinamento, transferi-los entre fronteiras ou expô-los a subcontratados.

Avaliações de modelos de fronteira e auditorias de aplicações respondem a perguntas diferentes. Uma avaliação de modelo pode testar capacidade cibernética, engano, conhecimento biológico ou resistência ao uso indevido. Uma auditoria de aplicação examina o sistema completo implantado, incluindo prompts, recuperação, ferramentas, interfaces, procedimentos humanos e população afetada. Passar em uma não substitui a outra.

Pesquisadores independentes, organizações da sociedade civil, inspetores-gerais, organismos de padronização e laboratórios de teste acrescentam conhecimento e escrutínio que órgãos e fornecedores podem não ter. Os acordos de acesso devem proteger a segurança e dados pessoais, mas o sigilo não deve se tornar uma defesa genérica contra exame externo.

A colaboração público-privada precisa de limites e evidências

A colaboração público-privada funciona quando as partes definem o problema público, a autoridade legal, o resultado esperado, o limite de segurança e as condições de saída antes de selecionar a tecnologia. Parcerias vagas geram publicidade, mas tornam difíceis de examinar custo, responsabilidade e desempenho.

O governo contribui com mandato, financiamento público, acesso a contextos de missão e capacidade de apoiar trabalho de longo prazo. Empresas contribuem com equipes de engenharia, infraestrutura comercial, conhecimento atualizado de produtos e experiência na operação de sistemas em escala. Universidades e organizações sem fins lucrativos podem fornecer pesquisa fundamental, métodos de avaliação, formação e crítica independente.

Seus incentivos diferem. Um fornecedor se beneficia quando um piloto se amplia para um contrato longo. Um líder de órgão pode se beneficiar ao anunciar adoção rápida antes que as evidências amadureçam. Um grupo de pesquisa pode preferir publicação aberta mesmo quando um resultado traz implicações de segurança. Bons acordos reconhecem esses incentivos e criam direitos de revisão, divulgação, concorrência e encerramento em torno deles.

Conflitos de interesse merecem tratamento direto quando conselheiros de destaque mantêm investimentos, cargos em conselhos, relações comerciais ou projetos filantrópicos na mesma área de política. A divulgação não prova influência imprópria, e a expertise muitas vezes vem acompanhada de conexões profissionais. Ela permite que autoridades e público avaliem a origem de uma recomendação, procurem visões concorrentes e afastem participantes quando necessário.

A prototipagem de baixo risco oferece uma área prática para colaboração. Koder.ai, por exemplo, permite criar interfaces web em React, serviços de backend em Go com PostgreSQL e aplicações móveis em Flutter por conversa em linguagem natural. Ele oferece modo de planejamento, exportação de código-fonte, implantação e hospedagem, domínios personalizados, snapshots e reversão. Essas funções podem encurtar o ciclo de feedback para um demonstrador ou ferramenta interna.

Uma aplicação gerada ainda exige revisão antes de ser usada em produção no setor público. As equipes devem inspecionar código, dependências, autenticação, controles de acesso, fluxos de dados, acessibilidade, registros, resiliência, licenças e configuração de implantação. Cargas de trabalho sensíveis também exigem um ambiente de hospedagem aprovado e cumprimento dos deveres de segurança e de registros do órgão. Vibe coding muda como um protótipo é produzido, não quem responde por ele.

Um contrato de piloto útil deve especificar:

• Um grupo restrito de usuários e um período de operação limitado.
• Medidas de referência de custo, qualidade e tempo de conclusão.
• Restrições sobre retenção, treinamento, localização de dados e subcontratados.
• Testes de segurança, notificação de mudanças, comunicação de incidentes e deveres de reversão.
• Direitos de exportação, portabilidade, documentação e encerramento.

Essa estrutura permite que órgãos aprendam sem ficarem presos a um fornecedor antes de entenderem o sistema. Ela também dá aos pilotos bem-sucedidos evidências confiáveis para expansão.

Como avaliar a influência de Schmidt e qualquer estratégia de IA

A influência de Schmidt deve ser avaliada por adoção, recursos, durabilidade institucional e resultados, e não por discursos ou proximidade com autoridades. Uma recomendação pode moldar o debate sem virar política, e uma política posterior pode se parecer com ela sem ter sido causada por ela.

Comece pela atribuição. Identifique o relatório, depoimento, recomendação de conselho ou proposta específica associada a Schmidt. Separe as declarações pessoais dele dos documentos de consenso produzidos por uma comissão ou instituição. O relatório de uma comissão de 15 membros não é idêntico à visão privada de seu presidente.

Depois, acompanhe a cadeia de implementação:

1. O Congresso ou um órgão adotou a proposta de forma reconhecível?
2. Ela recebeu autoridade legal, dotações, equipe e liderança responsável?
3. A instituição responsável publicou marcos e evidências de desempenho?
4. Os usuários receberam uma capacidade confiável, não apenas um piloto ou anúncio de escritório?
5. Auditorias, incidentes, custos, impactos sobre direitos ou resultados estratégicos sustentaram a alegação original?

Os cronogramas precisam ser específicos o bastante para permitir falhas. Uma aspiração de cinco anos deve identificar o que acontece no primeiro ciclo orçamentário, quais dependências precisam chegar antes e quem pode intervir quando os marcos atrasam. Caso contrário, o plano pode ser declarado bem-sucedido apenas pela atividade.

As métricas devem corresponder ao objetivo. Um programa de adoção governamental pode medir tempo de compra, conclusão de tarefas pelos usuários, custo por caso, taxa de substituição humana, incidentes de segurança e tempo de recuperação. Um programa de pesquisa pode medir acesso concedido, utilização de recursos, publicações, reprodutibilidade, resultados de formação e transferência de resultados para a prática. Contar reuniões ou documentos gerados revela pouco sobre capacidade.

As escolhas devem estar visíveis. Planos sérios explicam quem arca com custos de energia, como restrições de exportação afetam fornecedores, quais dados não podem ser usados, quando uma pessoa precisa decidir e quais implantações serão proibidas ou suspensas. Uma estratégia que promete máxima velocidade, segurança, abertura, privacidade e controle ao mesmo tempo evitou as decisões que a estratégia deve tomar.

O que o percurso de carreira de Schmidt mostra em última análise

O percurso de Schmidt mostra que liderança em IA é tanto um problema organizacional e político quanto um problema de desenvolvimento de modelos. O Google demonstrou o valor de infraestrutura, medição, talentos técnicos, experimentação e recuperação em enorme escala. Seu trabalho de aconselhamento aplicou essas ideias operacionais à capacidade governamental, adoção na defesa, política de semicondutores, acesso à pesquisa e competição internacional.

A transferência é útil, mas incompleta. Instituições públicas devem proteger direitos, justificar decisões coercitivas, divulgar conflitos, manter supervisão democrática e oferecer reparação. Esses deveres não podem ser substituídos por ciclos de produto mais rápidos ou melhor gestão técnica.

A parte mais forte da contribuição de Schmidt para a política é insistir que uma estratégia nacional de IA precisa de mecanismos coordenados. Pesquisa sem acesso à computação para. Modelos sem operadores qualificados ficam como demonstrações. Compras sem avaliação compram incerteza. Segurança sem alianças ignora a estrutura das cadeias de fornecimento. Inovação sem responsabilidade pode destruir a confiança necessária para adoção.

A resposta adequada não é aceitação automática nem rejeição baseada na origem corporativa de Schmidt. É verificação disciplinada: identificar a proposta, acompanhar a autoridade e o dinheiro, examinar a implementação, medir resultados e contar os custos que alegações públicas deixam de fora. É assim que a influência se torna visível e que uma estratégia nacional de IA pode ser julgada por seus resultados.