O Problema dos Dados Sujos que Está a Travar a Próxima Onda de Robôs de IA
Um novo inquérito a mais de 700 engenheiros de IA revela que dados defeituosos, não algoritmos fracos, são a principal razão pela qual sistemas de IA física falham antes de chegarem ao mundo real.
Pontos-chave
- Um inquérito de 2026 a mais de 700 profissionais de IA, reportado pelo IEEE Spectrum AI, revela que problemas de qualidade de dados causam a maioria das falhas em sistemas de IA física.
- 78% das equipas já veem resultados mensuráveis de IA visual e física, contudo 74% acreditam que o campo recebe muito menos investimento do que merecia.
- As equipas que conseguem colocar produtos de IA física no mercado gastam quase três vezes mais tempo a preparar e curar dados do que as equipas cujos projetos estagnam.
- 92% dos profissionais concordam sobre para onde o campo se dirige a seguir, sinalizando um forte consenso sobre o que a IA física precisará fazer.
Nos últimos dez anos, os maiores avanços em IA, modelos de linguagem de grande dimensão, a tecnologia por trás de chatbots como ChatGPT, geradores de imagens, assistentes de voz, foram todos construídos sobre texto. Palavras, frases, parágrafos extraídos da internet.
Agora a fronteira deslocou-se para o mundo físico.
Sistemas que conduzem carros, guiam braços robóticos em fábricas, ou orientam drones de entrega não leem frases. Leem feeds de vídeo, digitalizações LiDAR (mapas 3D baseados em laser do ambiente), e fluxos de dados de sensores que chegam milhares de vezes por segundo. Construir IA que compreenda e aja no espaço físico é genuinamente mais difícil do que ensiná-la a escrever um email.
Então, o que está realmente a correr mal?
Problemas de dados causam a maioria das falhas, não modelos de IA fracos. Um inquérito de 2026 a mais de 700 profissionais, conduzido com apoio da Voxel51 e abrangido pelo IEEE Spectrum AI, revelou que as equipas estão a recolher enormes quantidades de dados de vídeo e sensores, mas têm dificuldades em transformar esse material bruto em algo útil.
O gargalo mais claro é a anotação: o processo lento e dispendioso de etiquetar o que existe em cada fotograma de filmagem para que a IA possa aprender com isso. As equipas frequentemente etiquetam tudo o que recolhem, depois descartam a maioria antes do sistema ser colocado no mercado. Esse esforço desperdiçado consome orçamentos e atrasa prazos.
O que diferencia as equipas que conseguem colocar no mercado das que estagnam?
Tempo gasto em trabalho de dados, não algoritmos melhores. As equipas bem-sucedidas investem quase três vezes mais tempo a curar, limpar e selecionar os dados de treino em comparação com as equipas cujos projetos nunca chegam à produção.
É uma descoberta notável. O instinto no desenvolvimento de IA é frequentemente perseguir um modelo maior ou uma arquitetura mais recente. Este inquérito diz que a aposta mais inteligente é ser rigoroso com os dados que fornece ao modelo em primeiro lugar.
| Descoberta | Valor |
|---|---|
| Equipas que veem valor mensurável de IA física | 78% |
| Equipas que dizem que o campo está subinvestido | 74% |
| Vantagem de trabalho de dados para equipas bem-sucedidas | ~3x mais tempo |
| Profissionais que concordam para onde o campo se dirige | 92% |
O que significa isto para as pessoas comuns?
A IA física já está à nossa volta: robôs de armazém que ordenam encomendas, robôs hospitalares que transportam suprimentos, software de condução autónoma em carros novos. O inquérito sugere que estes sistemas continuarão a chegar, mas lentamente e de forma desigual, porque construí-los bem é um trabalho pouco glamuroso e exigente.
Os 74% que acreditam que o campo está subinvestido podem bem estar certos. Se mais recursos fluírem para infraestrutura de dados em vez de lançamentos de modelos que fazem manchetes, os produtos de IA física que chegarem aos consumidores poderiam tornar-se significativamente mais fiáveis.
Por enquanto, a mensagem dos profissionais que constroem estes sistemas é direta: o algoritmo raramente é o problema. Os dados é que são.
