A IA levou a culpa pelo bombardeio de escola no Irã, mas a verdade é muito mais preocupante
Na primeira manhã da Operação Epic Fury, em 28 de fevereiro de 2026, forças americanas atingiram a escola primária Shajareh Tayyebeh, em Minab, no sul do Irã, acertando o prédio pelo menos duas vezes durante o período letivo da manhã. Entre 175 e 180 pessoas morreram, a grande maioria meninas com idades entre 7 e 12 anos.
Em poucos dias, a pergunta que organizou toda a cobertura jornalística era se o Claude, um chatbot desenvolvido pela Anthropic, havia selecionado a escola como alvo. O Congresso dos Estados Unidos escreveu ao secretário de Defesa, Pete Hegseth, questionando a extensão do uso de inteligência artificial nos ataques. A revista The New Yorker perguntou se o Claude poderia ser confiável para obedecer ordens em combate, se ele poderia recorrer à chantagem como estratégia de autopreservação e se a principal preocupação do Pentágono deveria ser o fato de que o chatbot tinha uma personalidade. Quase nada disso tinha qualquer relação com a realidade. O sistema de alvo da Operação Epic Fury rodava numa plataforma chamada Maven. Ninguém estava discutindo sobre o Maven. 🎯
O que é o Maven e por que ninguém estava olhando para ele
Oito anos antes da tragédia em Minab, o Maven era o projeto mais contestado do Vale do Silício. Em 2018, mais de 4.000 funcionários do Google assinaram uma carta se opondo ao contrato da empresa para construir inteligência artificial para os sistemas de targeting do Pentágono. Trabalhadores organizaram protestos. Engenheiros pediram demissão. E o Google acabou abandonando o contrato.
Quem assumiu foi a Palantir Technologies, empresa de análise de dados e contratante de defesa cofundada por Peter Thiel. Ao longo dos seis anos seguintes, a Palantir transformou o Maven numa infraestrutura de targeting que reúne imagens de satélite, inteligência de sinais e dados de sensores para identificar alvos e conduzi-los por todas as etapas, desde a primeira detecção até a ordem de ataque.
O prédio em Minab havia sido classificado como instalação militar num banco de dados da Agência de Inteligência de Defesa que, segundo a CNN, não havia sido atualizado para refletir que o edifício fora separado do complexo adjacente da Guarda Revolucionária Islâmica e convertido em escola. Imagens de satélite, conforme reportado pela NPR, mostram que essa mudança havia ocorrido até 2016, no mínimo. Um chatbot não matou aquelas crianças. Pessoas falharam em atualizar um banco de dados, e outras pessoas construíram um sistema rápido o suficiente para tornar essa falha letal.
Quando a guerra do Irã começou, o Maven já havia se tornado parte da infraestrutura militar, invisível como um cano dentro da parede, e toda a discussão girava em torno do Claude. Essa obsessão funciona como uma espécie de psicose coletiva sobre IA, embora não do tipo que normalmente discutimos. Ela afeta tanto os críticos quanto os entusiastas da tecnologia com a mesma intensidade. Você não precisa usar um modelo de linguagem para deixá-lo organizar sua atenção ou distorcer seu pensamento.
O poder de uma tecnologia carismática
Em 2019, a pesquisadora Morgan Ames publicou The Charisma Machine, um estudo sobre como certas tecnologias atraem atenção, recursos e atribuição de mérito para si mesmas, desviando tudo isso de todo o resto. O framework habitual para entender essa dinâmica é o conceito de hype, mas o hype descreve apenas o que os entusiastas fazem e atribui aos críticos um papel privilegiado de desmascaramento que ainda assim mantém a tecnologia no centro de toda discussão. Uma tecnologia carismática molda todo o campo ao seu redor, como um ímã organiza limalha de ferro. Os large language models podem ser a instância mais poderosa desse fenômeno na história.
Quando a guerra começou, termos como AI safety, alignment, hallucination e stochastic parrots já haviam se tornado o vocabulário obrigatório de qualquer debate sobre inteligência artificial, estruturando e limitando o que era possível dizer. Pior ainda: o próprio termo inteligência artificial havia se tornado sinônimo de LLMs. Quando a escola foi bombardeada, foi esse o repertório que as pessoas utilizaram, apesar de esse aparato crítico ser inadequado para o conjunto mais antigo e mais maduro de tecnologias envolvidas no targeting militar.
A pergunta real, aquela que quase ninguém fazia, não diz respeito ao Claude ou a qualquer modelo de linguagem. É uma pergunta burocrática sobre o que aconteceu com a kill chain, a cadeia de eliminação. E a resposta é a Palantir. 👇
A kill chain: da artilharia francesa ao software da Palantir
Na linguagem militar, kill chain é um termo notavelmente honesto. Em essência, refere-se ao framework burocrático que organiza as etapas entre detectar algo e destruí-lo. A referência mais antiga que se encontra para o termo em si vem dos anos 1990, mas a ideia é bastante antiga, remontando pelo menos à década de 1760, quando reformadores da artilharia francesa começaram a substituir o olho experiente do artilheiro por tabelas balísticas, parafusos de elevação e procedimentos de disparo padronizados.
As etapas da kill chain estão sujeitas a mudanças constantes, para acompanhar alterações na doutrina de targeting e também para incorporar quaisquer modas de gestão que venham a afligir os pensadores estratégicos militares. Os militares dos EUA nomearam e renomearam as etapas durante 80 anos. Na Segunda Guerra Mundial, a sequência era find, fix, fight, finish. Na década de 1990, a Força Aérea havia esticado para find, fix, track, target, engage, assess, ou F2T2EA. Cada geração de tecnologia militar foi vendida com a promessa de tornar tudo nas kill chains mais curto, exceto as siglas.
O Maven Smart System da Palantir é a iteração mais recente dessa compressão, e nasceu de uma mudança no pensamento estratégico durante o segundo mandato de Obama. Em 2014, o secretário de Defesa Chuck Hagel e seu vice, Robert Work, anunciaram a chamada third offset strategy, ou terceira estratégia de compensação. Um offset nessa lógica é uma aposta de que uma vantagem tecnológica pode compensar uma fraqueza estratégica que o país não consegue resolver diretamente.
Os dois primeiros offsets abordavam o mesmo problema: os Estados Unidos não conseguiam equiparar a União Soviética em forças convencionais. Armas nucleares, o primeiro offset, tornaram a vantagem de pessoal irrelevante nos anos 1950. Quando os soviéticos alcançaram paridade nuclear nos anos 1970, munições guiadas de precisão e tecnologia stealth ofereceram a promessa de que uma força menor poderia derrotar uma maior. Em 2014, essa vantagem estava se erodindo. China e Rússia haviam passado duas décadas adquirindo munições guiadas e construindo sistemas de defesa projetados para manter forças americanas fora de alcance. Robert Work insistiu que o terceiro offset não era sobre nenhuma tecnologia específica, mas sobre usar tecnologia para reorganizar como os militares operavam, permitindo que os EUA tomassem decisões mais rápido que China e Rússia.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Do drone ao analista: o problema da sobrecarga de informação
Em abril de 2017, no início do primeiro governo Trump, Work ajudou a estabelecer a Equipe Interfuncional de Guerra Algorítmica, designada Projeto Maven. Um dos generais que supervisionavam o Maven, o Tenente-General Jack Shanahan, colocou o problema sem rodeios: milhares de analistas de inteligência passavam 80% do tempo em tarefas mundanas, afogados em filmagens de drones de vigilância que ninguém tinha tempo de assistir. Uma única missão de um drone Predator podia gerar centenas de horas de vídeo. A premissa central do projeto era que a máquina pudesse assistir para que o analista pudesse pensar.
O Pentágono precisava de alguém para construí-lo. O Google aceitou o contrato, e o que aconteceu em seguida se tornou a ação trabalhista mais visível da história do Vale do Silício. Após o Google abandonar o contrato, a Palantir o assumiu em 2019.
Scarlet Dragon: de exercício de mesa a 1.000 alvos por hora
O XVIII Corpo Aerotransportado começou a testar o sistema num exercício chamado Scarlet Dragon, iniciado em 2020 como um wargame de mesa num porão sem janelas em Fort Bragg. Seu comandante, o Tenente-General Michael Erik Kurilla, queria construir o que chamou de primeiro corpo habilitado por IA no Exército. O objetivo era testar se o sistema poderia dar a uma pequena equipe a capacidade de targeting que antes exigia milhares de pessoas.
Ao longo dos cinco anos seguintes, o Scarlet Dragon cresceu para um exercício militar usando munição real, abrangendo múltiplos estados e ramos das forças armadas, com engenheiros da Palantir e de outros contratantes embutidos ao lado dos soldados. Cada vez que o exercício era executado, deveria responder à mesma pergunta: quão rápido o sistema conseguia ir da detecção à decisão?
O benchmark era a invasão do Iraque em 2003, onde aproximadamente 2.000 pessoas trabalhavam no processo de targeting para toda a guerra. Durante o Scarlet Dragon, 20 soldados usando o Maven lidavam com o mesmo volume de trabalho. Em 2024, a meta declarada era 1.000 decisões de targeting por hora. Isso equivale a 3,6 segundos por decisão ou, da perspectiva individual do operador, uma decisão a cada 72 segundos. 😳
Como funciona a interface do Maven na prática
A interface do Maven se parece com uma versão militar de software de gerenciamento de projetos corporativos cruzado com um aplicativo de mapeamento. O que o analista militar vê é um mapa com camadas de dados de inteligência ou uma tela organizada em colunas, cada uma representando uma etapa do processo de targeting. Alvos individuais se movem pelas colunas da esquerda para a direita conforme avançam por cada estágio, num formato emprestado do Kanban, sistema de workflow de manufatura enxuta desenvolvido na Toyota e amplamente utilizado em desenvolvimento de software.
Antes do Maven, operadores trabalhavam em oito ou nove sistemas separados simultaneamente, extraindo dados de um, cruzando referências em outro, movendo detecções manualmente entre plataformas. O Maven consolidou tudo isso numa única interface. Cameron Stanley, diretor-chefe de digital e IA do Pentágono, chamou isso de camada de abstração, termo comum em engenharia de software que significa um sistema que esconde a complexidade por baixo dele.
Humanos conduzem o targeting. Por baixo da interface, sistemas de machine learning analisam imagens de satélite e dados de sensores para detectar e classificar objetos, pontuando cada identificação por quão confiante o sistema está de que acertou. Três cliques convertem um ponto de dados no mapa em uma detecção formal e o movem para o pipeline de targeting. O sistema recomenda como atacar cada alvo, qual aeronave, drone ou míssil usar, qual arma parear, e o oficial seleciona entre as opções ranqueadas.
A IA por baixo da interface não é um modelo de linguagem. As tecnologias centrais são os mesmos sistemas básicos que reconhecem seu gato numa biblioteca de fotos ou permitem que um carro autônomo combine câmera, radar e lidar numa imagem única da estrada, aplicados aqui a filmagens de drone, radar e imagens de satélite de alvos militares. Eles precedem os large language models por anos. Nem o Claude nem nenhum outro LLM detecta alvos, processa radar, funde dados de sensores ou parea armas a alvos.
LLMs são adições tardias ao ecossistema da Palantir. No final de 2024, anos após o sistema central estar operacional, a Palantir adicionou uma camada de LLM, que é onde o Claude se encaixa, permitindo que analistas busquem e resumam relatórios de inteligência em linguagem natural. Mas o modelo de linguagem nunca foi o que importava nesse sistema. O que importava era o que o Maven fez ao processo de targeting: consolidou os sistemas, comprimiu o tempo e reduziu as pessoas.
A lição do Vietnã: quando o sistema só consegue medir a si mesmo
Essa não é uma ideia nova. Os militares dos EUA tentam fechar a lacuna entre ver algo e destruí-lo desde que essa lacuna existe, e cada tentativa produziu o mesmo tipo de falha.
No final dos anos 1960, os EUA enfrentaram uma versão do mesmo problema no Vietnã. Suprimentos se moviam para o sul pela Trilha Ho Chi Minh através de selva que os militares não conseguiam enxergar. A solução foi a Operação Igloo White, um programa de 1 bilhão de dólares por ano que espalhou 20.000 sensores acústicos e sísmicos ao longo da trilha. Esses sensores transmitiam dados para aeronaves de retransmissão, que alimentavam os sinais para computadores IBM 360 na base aérea de Nakhon Phanom, na Tailândia. Os computadores analisavam os dados e previam onde os comboios estariam, e aeronaves de ataque eram direcionadas para essas coordenadas.
O sistema podia sentir, mas não podia ver. Podia detectar uma vibração, mas não distinguir um caminhão de um carro de boi. Os norte-vietnamitas perceberam. Tocavam gravações de motores de caminhão, conduziam animais perto dos sensores para acionar a detecção de vibração e penduravam baldes de urina em árvores para disparar os detectores químicos. A Força Aérea alegou que 46.000 caminhões foram destruídos ou danificados ao longo da campanha. A CIA reportou que as alegações de um único ano excediam o número total de caminhões que se acreditava existir em todo o Vietnã do Norte. A própria saída do sistema era a única medida de seu desempenho, e ninguém de fora tinha autoridade para contestá-la. Quando voos de reconhecimento diurnos não encontraram os destroços de todos aqueles caminhões, o pessoal da Força Aérea inventou uma criatura para explicar a ausência. Chamaram-na de o grande devorador de caminhões laociano.
Precisão de tiro, imprecisão de inteligência
O padrão que se desenrolou no Vietnã, um sistema de targeting que só conseguia medir seu próprio desempenho e acabou acreditando em sua própria saída, é na verdade mais antigo que a computação digital. O historiador Michael Sherry, em seu livro de 1987 The Rise of American Air Power, rastreou esse padrão até a doutrina fundadora do bombardeio de precisão, cuja confiança em seus próprios métodos tornava desnecessário examinar o que esses métodos produziam.
Carl von Clausewitz, o general prussiano do século 19 cujos escritos permanecem como a fundação do pensamento militar ocidental, tinha uma palavra para tudo que a otimização deixa de fora. Ele chamava de fricção: o acúmulo de incerteza, erro e contradição que garante que nenhuma operação saia como planejado. Mas a fricção também é onde o julgamento se forma. Clausewitz observou que a maioria da inteligência é falsa, que relatórios se contradizem. O comandante que trabalhou através disso aprende a ver como um olho se ajusta à escuridão, não obtendo melhor iluminação, mas permanecendo tempo suficiente para usar a luz que existe.
Esse permanecer é o que leva tempo. Comprima o tempo e a fricção não desaparece. Você apenas para de notá-la.
Quando velocidade mata: o precedente do Iraque em 2003
A invasão do Iraque em 2003, a operação que o Scarlet Dragon usaria como benchmark, foi um caso emblemático. Marc Garlasco, chefe de targeting de alvos de alto valor do Pentágono durante a invasão, operou o ciclo de targeting mais rápido que os EUA tinham executado até então. Ele recomendou 50 ataques contra lideranças iraquianas de alto escalão. As bombas foram precisas, atingiram exatamente onde foram miradas, mas a inteligência por trás delas não era. Nenhum dos 50 ataques matou seu alvo pretendido.
Duas semanas após a invasão, Garlasco deixou o Pentágono pela Human Rights Watch, foi ao Iraque e ficou parado na cratera de um ataque que ele mesmo havia designado como alvo. O ciclo de targeting havia sido rápido o suficiente para atingir 50 prédios e rápido demais para descobrir que estava atingindo os prédios errados.
Jon Lindsay, que serviu como oficial de inteligência da Marinha no Kosovo e depois estudou targeting de operações especiais no Iraque, descobriu algo revelador. Uma vez que um alvo era reificado num slide de PowerPoint, o pacote de inteligência de alvo se tornava uma caixa-preta. Questionar as premissas por trás dele ficava mais difícil conforme a caçada ganhava momentum, conforme a pasta engrossava com o que Lindsay chama de resíduos representacionais. Havia mais maquinário para construir um alvo do que para inspecionar a qualidade de sua construção.
Durante a guerra aérea no Kosovo, o General Wesley Clark exigiu 2.000 alvos. A CIA indicou apenas um alvo durante toda a guerra: o diretório federal de suprimentos e aquisições. Analistas tinham um endereço, mas não coordenadas, então tentaram fazer engenharia reversa da localização a partir de três mapas desatualizados. Acabaram atingindo a embaixada da China, que havia se mudado recentemente, a 300 metros do prédio que estavam mirando. O Departamento de Estado sabia que a embaixada havia se mudado. O banco de dados de instalações militares não. Lindsay chamou isso de relatório circular: um acúmulo de documentos de apoio que criava a ilusão de múltiplas validações enquanto amplificava um único erro. Lindsay, escrevendo em seu diário na época, chamou o resultado de um erro imenso, perfeitamente empacotado.
O efeito britânico: quando a lentidão salvava vidas
Em 2005, o Tenente-Coronel John Fyfe, da Força Aérea dos EUA, publicou um estudo sobre targeting sensível ao tempo durante a invasão de 2003. Fyfe destacou as diferentes abordagens de forças britânicas e americanas. No Centro Combinado de Operações Aéreas, oficiais da RAF atuavam em posições de liderança ao lado de seus colegas americanos, operando sob regras de engajamento mais restritivas.
Fyfe notou que suas personalidades mais reservadas e conservadoras produziam o que ele chamou de um efeito amortecedor muito positivo no ritmo por vezes apressado e caótico das operações ofensivas. O contraste entre turnos era visível: líderes americanos pressionavam a todo vapor, enquanto oficiais britânicos reconsideravam metodicamente riscos e trade-offs de custo-benefício antes de aprovar execuções. Nos turnos liderados pelo Reino Unido, não houve incidentes de fogo amigo e nenhum dano colateral significativo.
De dentro do framework de eficiência, cada característica que Fyfe descreve era registrada como um defeito. Os turnos britânicos eram mais lentos. As regras de engajamento restritivas adicionavam restrições. O efeito amortecedor adicionava tempo. Velocidade salva vidas, diz o argumento, mas o ciclo de targeting mais rápido antes do Maven foi o de Garlasco, e ele atingiu 50 prédios sem acertar um único alvo pretendido. O Scarlet Dragon eliminou tudo isso: os desacordos sobre targeting, a deliberação, a hesitação e os momentos em que alguém tinha tempo de objetar ou notar algo errado.
O dilema burocrático: quando o julgamento humano vira coluna num software
Organizações que funcionam com procedimento formal precisam de alguém dentro do processo para interpretar regras, notar exceções, reconhecer quando as categorias não se encaixam mais no caso. Se a organização admite que seus resultados dependem da discrição das pessoas que os executam, então o procedimento não é um procedimento, mas uma sugestão, e a autoridade que a organização deriva de parecer governada por regras desmorona. Então o julgamento tem que acontecer e tem que parecer outra coisa. Tem que parecer seguir o procedimento em vez de interpretá-lo.
O historiador de ciência Theodore Porter argumentou em seu livro de 1995, Trust in Numbers, que organizações adotam regras quantitativas não porque números são mais precisos, mas porque são mais defensáveis. Julgamento é politicamente vulnerável. Regras não são. O procedimento existe para fazer a discrição desaparecer, ou parecer que desapareceu.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Em 1984, o historiador David Noble mostrou que quando os militares americanos e fabricantes automatizaram seus chãos de fábrica, escolheram consistentemente sistemas que eram mais lentos e mais caros, mas que moviam a tomada de decisão para longe dos trabalhadores e para dentro da gestão. O ponto não era eficiência, frequentemente era extremamente esbanjador, mas controle.
Alex Karp, CEO da Palantir, descreve exatamente essa conquista em seu livro de 2025, The Technological Republic. Ele escreve que o software agora está no comando, com o hardware servindo como meio pelo qual as recomendações da IA são implementadas no mundo. Seu modelo para como isso deveria funcionar vem da natureza: enxames de abelhas e murmurações de estorninhos. Nenhuma mediação da informação capturada pelos batedores quando retornam à colmeia, escreve Karp. Sem relatórios semanais para a gerência intermediária, sem apresentações para líderes mais seniores, sem reuniões para preparar outras reuniões.
Isso soa libertador, até utópico. Mas o sinal que passa sem mediação é também o sinal que ninguém pode questionar.
Karp pensa que está destruindo burocracia. Na verdade, está codificando-a. O desprezo por reuniões e relatórios semanais, ele trata isso como o processo burocrático em si. Não é. Era onde pessoas interpretavam o procedimento, o lugar onde alguém podia notar quando as categorias não se encaixavam mais no caso. O que Karp eliminou foi a discrição que a instituição nunca pôde admitir que dependia. O que resta é uma burocracia que pode executar suas regras, mas sem ninguém para interpretá-las. Burocracia codificada em software não dobra. Ela estilhaça. 💥
O pacote de alvo que parecia como todos os outros
O pacote de alvo para a escola Shajareh Tayyebeh apresentava uma instalação militar. Lucy Suchman, cujo livro de 1987 Plans and Situated Actions permanece como a análise mais afiada de como procedimentos formais obscurecem o trabalho que realmente produz seus resultados, não teria se surpreendido. Planos sempre parecem completos depois. Eles alcançam essa completude filtrando tudo que não era legível para suas categorias.
Esse pacote parecia com todos os outros pacotes na fila. Mas fora do pacote, a escola aparecia em listagens comerciais iranianas. Era visível no Google Maps. Um motor de busca poderia tê-la encontrado. Ninguém buscou. A 1.000 decisões por hora, ninguém iria buscar. Um ex-funcionário sênior do governo fez a pergunta óbvia: o prédio estava numa lista de alvos há anos, no entanto isso passou despercebido, e a questão é como.
O Congresso não autorizou essa guerra. Em duas semanas, forças americanas atingiram 6.000 alvos. A escola foi um deles. Forças americanas mataram quase 200 pessoas, e a cobertura jornalística recorreu ao rótulo de erro de IA, que domesticou o evento em algo que um algoritmo melhor ou salvaguardas melhores poderiam ter prevenido.
O que a discussão sobre o Claude esconde
Nos dias após o ataque, o carisma da IA organizou toda a conversa política em torno da tecnologia: se o Claude alucinou, se o modelo estava alinhado, se a Anthropic tinha responsabilidade por sua implantação. A questão constitucional de quem autorizou essa guerra e a questão legal de se esse ataque constitui um crime de guerra foram deslocadas por uma questão técnica que é mais fácil de fazer e impossível de responder nos termos em que foi colocada. O debate sobre o Claude absorveu a energia. É isso que o carisma faz.
E isso também obscureceu algo mais profundo: as decisões humanas que levaram à morte de entre 175 e 180 pessoas, a maioria delas meninas entre 7 e 12 anos. Alguém decidiu comprimir a kill chain. Alguém decidiu que deliberação era latência. Alguém decidiu construir um sistema que produz 1.000 decisões de targeting por hora e chamá-las de alta qualidade. Alguém decidiu começar essa guerra. Centenas de pessoas estão sentadas no Capitólio, se recusando a pará-la.
Chamar isso de problema de IA dá a essas decisões, e a essas pessoas, um lugar para se esconder. 🕊️
Uma versão anterior deste artigo foi publicada no Artificial Bureaucracy, Substack de Kevin T Baker.
