Num momento em que a inteligência artificial (IA) permeia todos os sectores da indústria, emerge uma tendência surpreendente: empresas que baseiam as suas campanhas de marketing precisamente na oposição à IA, enfatizando a “sensibilidade analógica”. Esta estratégia, focada na experiência real do cliente, está a ser ativamente adotada por várias marcas. Analistas do sector tecnológico classificam-a como um “marketing de inversão”, que procura captar a atenção do consumidor ao contrariar a tendência tecnológica dominante, obtendo assim uma eficácia publicitária notável.

Polaroid e Heineken: O Valor da Experiência Humana

Exemplos desta abordagem são visíveis. Em Manhattan, Nova Iorque, um anúncio exterior da Polaroid exibe a imagem de um casal na praia, acompanhado pelo slogan: “A IA não consegue criar areia entre os dedos dos pés”. A marca de câmaras instantâneas apela à nostalgia, argumentando que, por mais avançada que seja, a IA não pode replicar a experiência humana direta nem as memórias autênticas. Patricia Varela, diretora criativa da Polaroid, sublinha: “Somos seres analógicos, feitos para comunicar através dos sentidos. Quanto mais nos perdemos em algoritmos digitais, mais nos afastamos da empatia e da comunicação genuína.”

A Heineken, conhecida marca de cerveja neerlandesa, implementou uma campanha “anti-IA” similar. A ação surgiu em resposta ao lançamento de um dispositivo de IA em forma de colar, chamado ‘Friend’, que prometia interagir com o utilizador. A Heineken aproveitou a controvérsia em torno do dispositivo e lançou uma imagem de um abre-garrafas, também em forma de colar, com a frase: “A melhor maneira de fazer amigos é com uma cerveja”. Guilherme de Marchi, da Heineken EUA, reforçou a mensagem: “Sabemos que as melhores experiências sociais acontecem offline.”

O Crescente Ceticismo Face à Publicidade com IA

Outras marcas juntaram-se a este movimento. Na Índia, a Cadbury Five Star lançou um anúncio em vídeo intitulado “Tornar a IA normal outra vez”, que satiriza como a dependência excessiva da IA para otimizar tarefas acaba por deixar o trabalhador humano mais sobrecarregado e exausto. Nos EUA, a marca de roupa interior Aerie declarou publicamente na sua conta de Instagram que não utilizaria IA nos seus anúncios, uma publicação que rapidamente acumulou mais de 40.000 “gostos” e centenas de comentários de apoio.

Este ceticismo contrasta com o rápido crescimento do mercado de publicidade de IA, que, segundo a Consts & Insights, deverá crescer de 15 mil milhões de dólares em 2024 para 45,34 mil milhões até 2033. No entanto, quanto mais o mercado cresce, maior a resistência. Anúncios gerados por IA de marcas como a Coca-Cola (com o seu urso polar), H&M e Skechers foram recebidos com críticas, sendo considerados “pouco naturais”. Um estudo da plataforma Dividual analisou 21 anúncios que utilizavam IA (de marcas como Volvo e Microsoft) e concluiu que, embora captem mais atenção, têm 3% menos probabilidade de evocar emoções positivas e 12% mais probabilidade de gerar desconfiança.

A Origem da Explosão: A Democratização do “Deep Learning”

Apesar desta reação analógica, a massificação da IA é inegável. Mas o que permitiu esta rápida expansão? A resposta remonta a 2012, quando a equipa de Geoffrey Hinton venceu a competição de reconhecimento de imagem ‘ILSVRC’ usando “deep learning” (aprendizagem profunda). Este evento chocou a comunidade científica e desencadeou o “boom” da IA.

Contudo, até 2015, o “deep learning” mantinha uma elevada barreira de entrada. Ferramentas (“frameworks”) como Torch, Theano e Caffe eram poderosas, mas as suas configurações eram complexas, o código extenso e exigiam um conhecimento matemático considerável. Isto dificultava a experimentação por parte de novos investigadores e programadores.

Keras: A Ferramenta que Simplificou a Revolução

A mudança começou com François Chollet, então estudante de mestrado em Paris, que investigava o processamento de linguagem natural. Frustrado com o fraco suporte das ferramentas existentes para Redes Neuronais Recorrentes (RNNs), Chollet decidiu criar a sua própria biblioteca Python, baseada no Theano, e lançou-a publicamente em 2015.

Essa biblioteca era o Keras. Foi a primeira biblioteca de “deep learning” para Python a ser simultaneamente intuitiva, fácil de implementar e com suporte tanto para RNNs como para Redes Neuronais Convolucionais (CNNs). A resposta da comunidade foi entusiástica. O nome “Keras”, que significa “chifre” em grego antigo, provinha do seu projeto ONEIROS (um acrónimo para um sistema operativo de robô inteligente), numa alusão à mitologia grega onde os sonhos verdadeiros emergiam através de um portão de chifre.

A Visão de Chollet e a Ascensão do TensorFlow

Após se juntar à Google, Chollet manteve uma visão crítica sobre o estado da IA. Argumentou que os Grandes Modelos de Linguagem (LLMs) atuais não “compreendem” o mundo; apenas recuperam a informação mais próxima do que memorizaram. Para medir a verdadeira capacidade de generalização e raciocínio abstrato, desenvolveu o “benchmark” ARC. Crítico da cultura de secretismo de empresas como a OpenAI, que, segundo ele, atrasou o desenvolvimento da AGI (Inteligência Artificial Geral) em 5 a 10 anos, Chollet lançou o ARC Prize em 2024, um prémio de 1 milhão de dólares para equipas que publiquem o seu código-fonte, fomentando a partilha de conhecimento.

Paralelamente, a equipa Google Brain, que usava internamente um pacote chamado DistBelief, decidiu desenvolver uma versão muito melhorada. Baseando-se nos princípios de “design” do Theano, a Google criou o TensorFlow e lançou-o como código aberto (open source) em novembro de 2015. A sua adoção foi imediata e massiva, tornando-se o sistema líder na indústria e levando a Google a desenvolver hardware dedicado, o “TPU” (TensorFlow Processing Unit), em 2016.

O Impacto: A Aceleração da Investigação

O lançamento de Keras e TensorFlow democratizou o acesso ao “deep learning”. Estas “frameworks” – que funcionam como estruturas conceptuais e bibliotecas de código que fornecem as bases para o desenvolvimento de aplicações – permitiram que não só especialistas, mas também estudantes e o público em geral, pudessem facilmente implementar e testar modelos complexos.

Isto funcionou como um catalisador, acelerando a publicação de artigos científicos e facilitando a sua replicação. François Chollet estima que, nos três anos seguintes a 2015, o número de pessoas a desenvolver modelos de “deep learning” aumentou quase 100 vezes. Foi esta democratização de ferramentas que alimentou a explosão da IA, a mesma que hoje gera entusiasmo na indústria e campanhas de marketing céticas por parte dos que defendem o toque humano.