Inteligência Artificial

por Guilherme Felitti

Qual é a invenção mais importante da história da humanidade? Se você falou o smartphone, pode passar no guichê, tomar seu remedinho e voltar para o fim da fila. A roda? O motor — primeiro a vapor, depois a combustão? Pólvora? Vacina? Eletricidade? Os tipos móveis de Gutenberg? Todos ótimos candidatos e, como isso não é uma competição, a gente vai deixar a resposta em aberto. (Quando a discussão sobre fofocas das celebridades acabar na mesa do bar, jogue esse assunto e você verá uma interessante conversa florescer — ou não.)

E se a gente limitar a maior invenção — ou a que mais impactou a vida das pessoas — dos últimos 100 anos? A internet parece ser uma aposta certeira. O semicondutor, também. Mas existe uma terceira muito menos óbvia que dita a forma como você consome diariamente e para o qual você não dá a menor bola: o contêiner.

Se você bebe um macchiatto italiano no café da manhã, mastiga um filé uruguaio no almoço e come uvas argentinas de lanche da tarde, é por que, em todos esses países, os produtores colocaram os produtos dentro de uma caixa de metal que veio flutuando num barco até chegar à sua mesa. Atualmente, 95% de todas as importações e exportações são feitas usando navios carregados de contêineres. É o tipo de ideia que hoje a gente nem para para pensar direito por que parece tão óbvio, mas nem sempre foi assim.

O transporte de produtos pelo mar começa, ainda de forma rudimentar, lá em 3 mil a.C. pelos austronésios, um povo que dominava o Sudeste Asiático, ali ao lado da Austrália — quem viu Moana vai lembrar da história. De 3 mil a.C. até 1956, o transporte marítimo ganhou escala, tanto em rotas como no tamanho dos navios, mas a forma de acondicionar o que precisava ser carregado se manteve, mais ou menos, a mesma. Eram usados grandes sacos de pano e barris de madeira colocados no porão do navio. Para para pensar um pouco nisto: os portugueses estocavam e organizavam os saques ao Brasil da mesma maneira como os navios que ajudaram a alimentar seu bisavô e, talvez, seu avô.

Como não existia uma esquematização, o trabalho de encher e esvaziar um navio era um grande bumba-meu-boi: atraca o navio e deixa as centenas de estivadores entrarem para tirarem, no braço, toneladas de carga. Era um trabalho brutal. O máximo de tecnologia que existia era algum sistema de roldanas e cordas. O resto, era tudo no muque.

O processo era tão caótico que o navio ficava mais tempo atracado para carregar e descarregar do que singrando os oceanos. Era um desperdício de dinheiro não apenas para quem comprava e vendia os produtos, mas também para os donos dos barcos e os caminhoneiros que transportavam os produtos. Foi um destes caminhoneiros que notou uma possível oportunidade de melhorar o processo no começo da década de 1950. Dono da oitava maior empresa de caminhões dos EUA, o norte-americano Malcom McLean começou a experimentar com a ideia de embarcar direto no navio um pacote inteiro junto com a carreta que o transportava. Dentro do pacote de metal estariam todos os produtos, organizados, e o método abarcaria o processo inteiro, da saída da fábrica à chegada ao varejo. Quando finalmente arrumou capital e parceiros para fazer o primeiro teste, McLean desistiu das carretinhas e decidiu embarcar só o invólucro de metal. Nasceu o contêiner. Em 26 de abril de 1956, um navio chamado Ideal X saiu de um porto de Nova Jersey em direção a Houston com 58 contêineres criados por McLean.

“Para McLean, o triunfo real só apareceu quando os custos foram calculados. Carregar carga solta em um navio de médio porte custava R$ 5,83 por tonelada em 1956. Os especialistas que trabalhavam para McLean calcularam que o custo para carregar o Ideal X era de 15,8 centavos de dólar por tonelada. Com número como esses, o contêiner parecia ter um futuro”. Nasceu aí a globalização como a gente conhece hoje.

O trecho acima é de um livro excelente sobre o surgimento do contêiner e seu impacto na economia global intitulado The Box e escrito por um economista chamado Marc Levinson. É uma leitura surpreendentemente cativante sobre uma caixa de metal, muito embora descrevê-la assim seja como falar que o Machado de Assis só empunhava uma pena e o Ayrton Senna só dirigia um carrinho.

Levinson mergulha tanto nos detalhes — por exemplo, no faturamento da empresa de McLean quando ainda eram poucos caminhões em circulação — que, em certo momento, você se entedia e pede para ele acelerar. Uma das descrições mais fascinantes no livro é como o método até então tradicional de carregar e descarregar navios criou um ecossistema inteiro nos portos. Nenhum dos carregadores era contratado, então cabia a uma espécie de gestor indicar quais seriam os funcionários responsáveis pela carga daquele dia. Num ambiente de extrema pobreza e insalubridade profissional, esses gestores tinham um poder enorme e, conforme escolhiam os funcionários, iam colhendo uma rede de favores devidos que, mais à frente, poderiam usar para intentos, digamos… não legais.

Os gestores viraram, por exemplo, agiotas, emprestando dinheiro a taxas chocantes para quem não tinha o que comer, e passaram a se organizar em grupos paramilitares para manter a ordem¹.

A diferença entre os custos tabulados por McLean pintam um clássico cenário de disrupção: um serviço ou produto tão melhor que não deixa espaço para discutir a manutenção do antigo serviço ou produto. A questão não é só econômica. Trafegar bens pela água usando módulos pré-configurados derrubou em 85% o tempo necessário para o transporte. Mais que isso: o frete se tornou rastreável. Era possível saber que um navio descarregado chegaria às docas ao lado da sua indústria daqui a três dias exatamente, o que ajudou a transformar a indústria como um todo. O contêiner deu previsibilidade ao escoamento de produção e derrubou o custo total por diminuir os gastos com estoque. O dono da fábrica não precisava mais pagar tanto em estoque para guardar seus produtos enquanto o navio estava sabe-se lá Deus onde.

Com tantas vantagens, o mercado logístico passou por uma profunda transformação nos últimos 60 anos. Transatlânticos começaram a ser fabricados tendo não humanos, mas contêineres em mente. Por isso, os barcos começaram a espichar para acomodar ainda mais. (Pense numa pessoa que cresce no dorso sem que os membros e a cabeça sigam a mesma escala.) Em 1956, o Ideal X levou 58 contêineres. O maior contêiner ship do mundo hoje, o Hong Kong da operadora OOCL, leva quase 21,5 mil a cada viagem. O YouTube tem vídeos fascinantes (e com músicas heróicas de trailers da Marvel) do Hong Kong navegando, uma parede com 23 contêineres de espessura e 8 de altura — só no convés. No ano que vem, espera-se dois navios que acomodam 23 mil. Com barcos mais compridos e, principalmente, amplos, canais de grande circulação marítima, como o de Suez ou do Panamá, tiveram que ser reformados para os navios conseguirem passar. Com navios maiores, o frete de cada produto cai. Um iPad fabricado na China chega à Europa com preço de frete de R$ 0,05 por peça. Uma TV que também sai da China chega aos EUA por menos de R$ 2.

Atritos

Em 1956 o primeiro navio com contêiner navegou. Três anos depois, veio a peça final. Em São Francisco, foi instalada a primeira grua capaz de carregar e descarregar sozinha contêineres do navio. Todas as peças estavam postas para a revolução que vivemos hoje, com a indústria estabelecida. Mas, ainda que seja tentador, é errado achar que tudo estava resolvido pela questão técnica.

A aceitação do sistema de contêineres foi imediata apenas junto às fabricantes e aos donos de navios. Nas duas décadas seguintes, o setor enfrentaria milhares de greves e negociações tensas com os sindicatos que representavam os direitos dos estivadores, muitas vezes apoiados por gangues. Nenhum outro lugar representa melhor o nó que Nova York. “Entregar um caminhão significava se engajar com um ‘carregador público’, um tipo de fornecedor que só existia em Nova York. O carregador era, na verdade, uma gangue, que exigia o direito único de carregar e descarregar caminhões em um píer particular, apoiada pelos músculos do sindicato local, a Associação Internacional dos Estivadores”.

A briga entre o mercado, representado pelas Associações de Transporte Regionais, e os sindicatos, foi longa e tensa, com ambos os lados concordando em novas regulamentações que introduziam uma pequena novidade por vez. Nenhum dos dois lados parecia satisfeito com esses acordos: o mercado queria colocar fim à norma que exigia a contratação mínima de trabalhadores, enquanto os sindicatos queriam aumentar esse número ou introduzir salários fixos para cada um deles.

Só em 1960 chegaram à primeira versão de um pacto que liberava parcialmente a automação nos portos ao mesmo tempo em que instituía indenizações milionárias do mercado para os estivadores. Os prestes a se aposentar ganharam um bom dinheiro cada e os em idade produtiva ganharam um salário mínimo de 35 horas trabalhadas, ainda que não houvesse muito o que fazer. O chamado “Mechanization and Modernization Agreement” destravou o uso de contêineres nos EUA e, ainda que greves fossem registradas mais de 15 anos depois, instituiu um padrão a partir do qual as relações trabalhistas entre empresas e funcionários no mercado automatizado de contêineres seriam balizadas.

O ponto principal, que vale para esse Tecnocracia, é que um mercado que antes empregava milhões de pessoas pelo mundo foi profundamente alterado por uma inovação tecnológica que dizimou a imensa maioria destes postos de trabalho. Um navio de contêineres hoje emprega 20 pessoas por viagem. Um porto, em vez de milhares, se vira com, no máximo, centenas. É um processo que já vimos se repetir pela história algumas vezes: em vez de contar a história do contêiner, eu poderia ter falado da linha de produção introduzida pelo Henry Ford. Tecnologia segue um padrão: primeiro, é inevitável que a inovação destrua postos de trabalho. Com o tempo e o mercado estabelecido, surgem outras funções que assimilam os que perderam seus empregos anteriores. É sobre esse “gap” que vamos falar. Por que você já deve ter percebido que a gente está chegando a um ponto de inflexão no que diz respeito a tecnologia e trabalho. Desta vez, não são só os estivadores ou os funcionários da Ford que sofrerão as consequências. Seremos todos nós.

Todos os empregos em risco

Para começo de conversa, vamos definir o que é inteligência artificial. Existem uma série de exemplos práticos que são abarcados pela definição. É mais ou menos como Big Data: você pergunta para 30 pessoas e tem, no mínimo, umas 15 respostas diferentes. Inteligência artificial é usado para designar, mais comumente, dois tipos de aplicação:

1. Na primeira, você tem um banco de dados enorme com observações que indicam, por exemplo, se um cliente pagou ou não uma conta. Com esses dados, você pode “ensinar” os algoritmos de aprendizado de máquina a reconhecer padrões inerentes àquele banco de dados ou deixar que eles tirem suas próprias conclusões. É a distinção entre aprendizado supervisionado e não supervisionado. Com os padrões reconhecidos, é possível extrair “insights” e até calcular a probabilidade em um percentual daquele cliente repetir um comportamento. Exemplo: baseado nos clientes que não pagaram, quantos dias de atraso em meses seguidos indicam que um outro cliente possa estar considerando cancelar seu serviço?
2. Na segunda, você tem um algoritmo mais complexo e o apresenta a um cenário e um objetivo. Usando alto poder de processamento, esse algoritmo vai tentando avançar em direção ao objetivo. No começo, o humano se comporta como o pai de uma criança, punindo ações erradas e recompensando passos que o levem mais para perto do objetivo. A partir de certo momento, o algoritmo começa a andar sozinho, ainda baseado em tentativa e erro, até que chega ao resultado final. É o que o setor chama de “reinforcement learning”.

A inteligência artificial, principalmente por meio de um dos seus campos de estudo chamado “deep learning”, já é capaz de aprender — por enquanto — tarefas razoavelmente simples. Ache sem muito esforço no YouTube algoritmos aprendendo como jogar Super Mario Bros, por exemplo. Ou, se você entende de programação, encontre facilmente tutoriais mostrando como criar seu próprio sistema de “reinforcement learning”.

Replicar os dois casos é simples, se a gente estiver falando, de novo, de tarefas simples. Em vez de ter que fazer a codificação de equações matemáticas complexas, bibliotecas já prontas tiram grande parte do esforço de limpar, preparar e “treinar” os dados em algoritmos que possam identificar padrões e indicar possíveis resultados futuros. Isso já seria uma baba. Mas o cenário é ainda mais simples. Gigantes de tecnologia que estão há anos utilizando em suas próprias operações aprendizado de máquina começaram a empacotar serviços prontos para uso que exigem, cada vez menos, a necessidade do cliente saber programar.

Nos últimos três anos, ficou claro para Amazon, Microsoft e Google que computação em nuvem era commodity — ganhava quem cobrasse menos. Era preciso acoplar àquele servidor que você alugou alguma funcionalidade que justificasse a escolha por ele. Então AWS, Azure e Google Cloud começaram a pendurar nos servidores ferramentas de inteligência artificial tão poderosas quanto simples de usar. Pelo Google, por exemplo, você consegue decupar áudios em português em minutos. A AWS fornece um dos serviços de reconhecimento facial mais poderosos do mercado. O jornal New York Times resolveu colocar o serviço à prova e publicou, em abril, como foi fácil montar um sistema privado de monitoramento de espaço público. Durante alguns dias, três câmeras captaram e identificaram mais de 2,5 mil rostos únicos que passavam em uma praça de Nova York. Tudo custou US$ 60, não exigiu um PhD e nem mesmo ter uma câmera: a reportagem usou um feed de câmeras públicas disponível online.

Estou me alongando um pouco nas explicações técnicas para você entender o impacto que isso terá no mercado de trabalho. Seu trabalho envolve procurar documentos? Então atinge. Seu trabalho envolve preencher planilhas? Atinge também. Seu trabalho envolve dirigir de um lugar a outro? Também. Seu trabalho é ler resoluções jurídicas e encontrar qual é a jurisprudência? Seu trabalho envolve atendimento telefônico? Gerenciar estoque ou almoxarifado? Escrever notícias curtas sobre eventos factuais, como balanços de empresas e placares esportivos? Tentar vender produtos? Editar e colorir fotos antigas? Tenho más notícias.

Se o seu trabalho envolve repetir rotinas, ainda que sejam minimamente criativas, é muito provável que um algoritmo já seja capaz de fazê-lo melhor que você. Um estudo feito em 2013 por dois professores da Universidade de Oxford, chamados Carl Frey e Michael Osborne, apontou que 47% dos cargos atuais são altamente passíveis de serem automatizados por um algoritmo. Quando Frey e Osborne escreveram isto, a AWS ainda engatinhava, “big data” era um termo que começava a ser envolvido por hype e não existiam ferramentas tão prontas e baratas para criar algoritmos autônomos. (As profissões seguras, segundo o estudo de Oxford: cuidar de velhinhos e crianças. É sério.)

Para voltar à história que abre o Tecnocracia, enquanto o contêiner é uma arma específica, o aprendizado de máquina é uma categoria inteira. O que isso quer dizer? O contêiner dizimou um mercado de trabalho (tirar e colocar coisas num navio) e alterou toda a cadeia de suprimentos e, consequentemente, a indústria global. O aprendizado de máquina vai dizimar todas as categorias de trabalho. Não pense que minha posição é ludista: os estivadores perderam seus empregos, mas o mercado global de bens foi revolucionado. Existe sempre uma troca. Ser contra a aplicação cada vez mais popular de aprendizado de máquina no mercado de trabalho é como o papai Simpson gritando contra uma nuvem: você pode até tentar, mas não vai mudar em absolutamente nada o resultado.

Não é que a gente esteja próximo a esse cenário: ele já está aí. Hoje, qualquer um com um cartão de crédito e um mínimo de interesse e conhecimento pode ter ferramentas automatizadas com um poder gigantesco. E esta mudança vai passar como um trator — ou um transatlântico — no mercado de trabalho, principalmente porque, desta vez, a concentração de mercado tende ser ainda maior. A disrupção da linha de montagem ou do contêiner se distribuiu por algumas dezenas de grandes empresas que, com o tempo, foram se consolidando. Desta vez, várias profissões devem ficar concentradas em um grupo que cabe nos dedos de uma mão: as donas da infra-estrutura, dos algoritmos e, direta ou indiretamente, dos dados.

Como aconteceu no caso dos estivadores, a tecnologia que tirou empregos deve, em médio prazo, criar novos. Mas apostaria meu braço direito (e eu sou destro) que não será na mesma escala. Havia uma teoria, quando as primeiras máquinas a vapor foram introduzidas, que a tecnologia serviria para livrar o ser humano do trabalho — com tudo automatizado, ficaríamos livres para passar os dias dormindo, lendo, comendo, transando, estudando, pintando… O economista inglês John Maynard Keynes previu que, com a resolução dos problemas econômicos vigentes na década de 1930, nossa rotina de trabalho se limitaria a 15 horas semanais, com uma renda de até oito vezes mais nos países desenvolvidos.

Para o desespero de todos, a visão se mostrou equivocada em várias frentes. A mecanização trouxe um aumento nas horas trabalhadas e jamais estivemos perto desta utopia do tempo livre. Nesta onda de automação com algoritmos, a tendência é o fim de camadas gerenciais, a concentração de riqueza em pouquíssimas empresas e executivos, o encolhimento ainda maior da classe média e a entrada de centenas de milhões na miséria.

O que fazer então com essa multidão de miseráveis?

Antes que o primeiro “liberteen” abra a boca, um pequeno esclarecimento: o Tecnocracia não é adepto da teoria do capitalismo selvagem. Há uma corrente de pensamento, abraçada com fervor pelos libertários mais radicais, de que, ecoando o que Ayn Rand escreveu, o homem é livre para criar suas próprias oportunidades. E não me parece por acaso que, durante minha carreira, 95% das pessoas que conheci que defendiam essa tese tinham tido uma infância de classe média alta. Sempre achei curioso que quem defende que não é preciso fazer nada parece viver em uma realidade isolada, como se a maior concentração de renda não significasse impactos na própria vida — vide segurança, para ficar no exemplo mais óbvio. Tal qual a relação trabalhista de Robin Hood às avessas criada pelos apps de transporte e delivery, você pode achar que esse desemprego em massa alimentado por algoritmos não vai te atingir, até ver as contas públicas arrombadas não apenas pelos casos de corrupção, mas também pelos crescentes gastos com saúde pública, segurança e previdência, todas consequências diretas da miséria. É seu dinheiro de imposto que está indo (e não está conseguindo) tapar esse buraco.

A falsa solução do ensinar a programar

Quando ficou claro que esse iminente gap entre o que o mercado de trabalho pedia nas últimas décadas e o que pede hoje viraria um problema, o Vale do Silício apostou em uma primeira alternativa: ensinar todos os desempregados a programar. Você tem um uma profunda falta de profissionais técnicos de um lado (no Brasil, ainda mais) e um contingente de pessoas sem emprego. Na teoria, parece lindo. Artigos martelam que a ciência de dados oferece empregos com salários anuais na casa das centenas de milhares de dólares e o setor não consegue contratar gente tão rápido como gostaria. Sites oferecem cursos de graça. “Basta ter vontade”, soa aquele slogan na cabeça dos otimistas. Até que você cai na real.

Aprender a programar não é uma tarefa fácil. Não caia no blablablá de que você consegue aprender em uma semana. Esses cursos mágicos que prometem conhecimento total em três meses são ciladas para pegar gente desesperada para mudar de área. O básico você cumpre, mas as tarefas que você vai precisar executar atendendo clientes ou trabalhando na produção de uma empresa são radicalmente mais complicadas do que os exercícios passados pela imensa maioria dos cursos. É o tipo de coisa que você faz feliz na presença de um instrutor, mas que, quando precisa resolver um problema real sem nenhuma ajuda, não sabe bem por onde começar direito.

Falo isso com experiência. Full disclosure: eu fui jornalista durante 13 anos da minha vida e, desde que fui demitido da Editora Globo, no fim de 2016, mudei de carreira. Comecei a aprender Python em 2015. Mesmo depois de incontáveis horas lendo livros, fazendo cursos, criando sistemas, fazendo análises e codificando, ainda acho que meu nível técnico tem que melhorar muito.

Eu tive um colchão financeiro que me permitiu parar por alguns meses só para estudar programação e começar a colocar de pé uma empresa própria focada em análise de dados. Quantas pessoas podem fazer o mesmo? Imagine o sujeito da linha de montagem demitido pelo aumento na automação, sem qualquer referência de linguagens de programação e com o aluguel vencendo daqui a duas semanas. É irreal imaginar que a solução para acolher os demitidos pela automação seja um intensivão de programação.

E não por que a galera é vagabunda, como gostam de pensar muitos dos libertários. É por que: 1) aprender a codificar é difícil; e 2) a qualidade da educação recebida durante os anos de formação por esses trabalhadores no Brasil sempre foi uma merda. Um dos pilares fundamentais da programação é a matemática. Ainda que linguagens de programação e bibliotecas ofereçam serviços e funções já prontas, qualquer um que se aventure a analisar dados para arranjar um emprego em ciência de dados tem que saber o mínimo de estatística. O nível educacional brasileiro é baixo e, em matemática, é ainda pior. Segundo o estudo “The Learning Curve” da Pearson, feito a partir de dados da Organização para a Cooperação e Desenvolvimento Econômico (OCDE), o Brasil ocupa a penúltima posição entre 40 países sobre a proficiência dos seus estudantes em matemática.

Não é de agora — de modo geral, o Brasil nunca foi uma potência científica. Casos de jovens pobres que vencem as dificuldades para faturar prêmios em competições internacionais de matemática, por exemplo, são idênticos às medalhas que o Brasil ganha nos Jogos Olímpicos em categorias não tradicionais, como remo e salto com vara. São “outliers”, não frutos de uma fábrica, de um projeto de longo prazo. Quem consegue se desgarrar, provavelmente apoiado por excelentes escolas particulares e as melhores universidades públicas do Brasil, ingressa numa restrita elite de programadores que ganha dinheiro para a sua e as próximas gerações.

O Brasil tem mostrado um histórico excelente em perder ondas tecnológicas e, ao que tudo indica, já estamos vendo o bonde da inteligência artificial partir de lencinho branco na mão. Com um ensino falho em matemática e sem a mínima noção técnica, é difícil continuar. Mesmo quem começou na área (fez um técnico em Cobol, por exemplo) e fez cursos de reciclagem enfrenta dificuldades. É difícil encontrar gente no comando na área de ciência de dados, por exemplo, que esteja satisfeita com a qualidade dos profissionais que os cursos disponíveis hoje despejam no mercado. Os funcionários chegam em pouco número e sem conhecimento prático ao mercado. Ouvi até de um professor de um desses cursos que ele, diretor numa startup, não contratava quem se formava ali.

As gerações mais novas vão, aos poucos, sendo moldadas tendo em vista essas novas funções. A explosão no uso de dados, por exemplo, já emprega engenheiros de dados, cientista de dados, engenheiros de aprendizado de máquina e deverá criar outros perfis de empregos, como o editor de banco de dados. Há uma geração de trabalhadores, porém, que foi moldada para preencher cargos que estão prestes a expirar. São trabalhadores a partir dos 40 anos, com uma carreira que já dura duas décadas e para quem arrumar um novo emprego é muito difícil. Para a maioria, aprender a programar não é uma opção. Muitos vão se virar como podem, a começar entregando comida ou dirigindo para desconhecidos por meio dos apps de delivery e transporte. Mas até isto tem um limite. O que fazer com quem, ainda assim, não tem vaga?

O pai do Supla

Quando o Vale do Silício caiu na real e percebeu a utopia que era ensinar todo mundo a programar, se enamorou por um outro conceito: a “universal basic income”. Ou a renda básica universal. Entra na história Eduardo Matarazzo Suplicy, um paulistano de 77 anos membro de uma das famílias mais tradicionais da elite de São Paulo.

Nas suas quatro décadas como político no Senado, na Câmara dos Deputados, na Assembleia e, atualmente, na Câmara de Vereadores de São Paulo, Suplicy se tornou uma figura folclórica, mais falado por ter cantado Racionais e Bob Dylan dentro do Congresso do que pela atividade parlamentar. É dessa atividade parlamentar que surgiu o projeto de lei 10.835/2004, que instituiria, a partir de 2005, a renda básica da cidadania, um valor mensal pago a “todos os brasileiros residentes no País e estrangeiros residentes há pelo menos 5 (cinco) anos no Brasil, não importando sua condição socioeconômica”.

Notou que usei o futuro do pretérito na frase anterior, né? O projeto foi aprovado no Senado e na Câmara, sancionado pelo então presidente Lula e só. Naqueles cenários dignos de Brasil, a lei não pegou. Desde 2005, Suplicy se empenha em uma jornada quixotesca para tentar fazer a lei que ele já propôs e já aprovou ter algum impacto prático. Sempre que tem uma oportunidade de dar entrevista, cita a bendita “renda básica da cidadania”. Para a Folha, durante a corrida eleitoral do ano passado, deixou claro que vai ser seu grande projeto de vida. A excentricidade ao redor de Suplicy fez com que ele não fosse levado muito a sério. Até que, numa parceria acidental das mais esquisitas, o Vale do Silício começou a testar na prática o que o pai do Supla vem defendendo há anos.

Em 2016, a Y Combinator, uma das aceleradoras mais relevantes do mercado de tecnologia (Airbnb, Dropbox e Reddit já passaram por lá), anunciou um piloto para distribuir um “salário” mensal entre mil e dois mil dólares para famílias em Oakland, uma das regiões mais pobres e violentas da Califórnia.

“A motivação por trás do projeto é começar a explorar alternativas à rede social de proteção existente. Se a tecnologia elimina empregos e empregos continuam a se tornar menos seguros, um número cada vez maior de pessoas será incapaz de pagar suas contas.” A frase é da diretora do projeto dentro da incubadora, a Elizabeth Rhodes, em uma entrevista ao Quartz. O valor não é aleatório; os EUA definiram a linha da pobreza em US$ 12 mil anuais (ou US$ 1 mil por mês). O piloto limitado (um relatório preliminar pode ser lido online) ajudou a alimentar um teste ainda maior, com mil famílias, que estaria programado para começar em 2019.

A Y Combinator não é a única a testar a renda básica universal no Vale do Silício. Chris Hughes, o cofundador do Facebook que escreveu um texto brutalmente honesto sobre a quebra da rede social no New York Times, ajudou a financiar o The Economy Security Project. O lema é cristalino: “é hora de acabar com a pobreza e reconstruir a classe média. Acreditamos que dinheiro é um jeito efetivo de fazer isso”. Na prática, o projeto vem distribuindo desde o começo do ano US$ 500 mensais para 100 famílias em Stockton, também na Califórnia.

Na verdade, o projeto de distribuição não se restringe ao Vale. A Finlândia está testando distribuir US$ 660 mensais para cerca de dois mil desempregados e a Suíça flerta com um projeto parecido desde 2016, quando a população rejeitou em um referendo distribuir US$ 30 mil anuais a cada um dos seus residentes.

Tal qual o projeto de Suplicy, os testes da Y Combinator e do The Economy Security Project envolvem repasse de dinheiro sem contrapartida. O Bolsa Família tem regras de recebimento: os pais de crianças devem garantir, por exemplo, que elas não atinjam um número de faltas escolares e que tomem vacinas. A distribuição “livre” de dinheiro parte do pressuposto de que, ao não ficar preso às exigências financeiras do fim do mês, o sujeito teria uma maior estabilidade para explorar ao máximo seu potencial, o que ajudaria a nivelar, na teoria e em parte, a sociedade.

Não precisa ser um gênio para concluir que a renda básica está longe de ser uma unanimidade, não apenas pela estranheza de receber dinheiro sem fazer nada (a gente, independentemente da religião, sempre aprendeu que dinheiro é coisa difícil, que precisa ser suado, o que leva muitos a torcerem o nariz de cara para a ideia), mas também pela suspeita de que Vale do Silício esteja a usando como um escudo.

“A renda universal básica se torna um prêmio de consolação para aqueles cujas vidas foram ‘desruptadas’. Os benefícios continuam indo para os criadores e donos das tecnologias, mas agora com menos culpa e cobranças sobre danos colaterais. Em vez de direcionar a tecnologia para o progresso social ao promover projetos que contribuem para o benefício público e o desenvolvimento humano, as elites do Vale do Silício podem ignorar os críticos apontando a renda básica como solução e uma solução que ainda não restringe o motivo para o lucro”. Essa chicotada é do pesquisador Jathan Sadowski em um artigo para o The Guardian. Em outras palavras: a renda básica não resolve a questão da concentração de renda que continua galopante com o crescimento do Big Tech, mas dá o mínimo de paz de espírito para que os pouquíssimos bilionários e os milhares de milionários possam dormir à noite com o mínimo de culpa.

Fica no ar também como funcionaria um programa do tipo em escala nacional, como Suplicy sugeriu. Nos testes nos EUA, são bilionários e fundos de investimento que estão pagando a conta. Com contas públicas extremamente combalidas, como seria possível implementar a ideia teórica de Suplicy sem pensar no desmonte de outras redes de proteção, como o Sistema Único de Saúde (SUS)? Neste aspecto, Sadowski tem razão quando afirma que o projeto de renda básica, sem qualquer planejamento transparente, parece enveredar pelo caminho de ser não um complemento, mas um substituto à rede já em voga.

Ainda teremos uns bons anos até que os testes em curso nos EUA e na Europa produzam dados e análises suficientes para mostrar as consequências positivas e negativas da renda básica. Mas o fato de o Vale do Silício abraçar a ideia (até Mark Zuckeberg já citou a alternativa) enquanto tenta, de qualquer maneira, atrasar ou impedir a regulamentação do mercado, é uma luz amarela gigantesca.

Uma última história para terminar, levantada pelo professor da Universidade de Nova York, Scott Galloway. Quanto de imposto o homem mais rico do mundo paga? Zero. Para começo de conversa, Jeff Bezos não vende suas ações da Amazon e por isso não desengatilha o imposto sobre ganho de capital. Para financiar a vida, o bilionário pega emprestado dinheiro de bancos como JP Morgan a uma taxa de 1,9% e continua rolando a dívida. Ao mesmo tempo, 17% de todos os subsídios públicos dados à Amazon (para instalar novas sedes da empresa, como quase aconteceu em Nova York, ou a isenção de impostos para a empresa em 2019) vão direto para seu bolso.

Entre os subsídios ganhos e os impostos evitados, Galloway classifica Bezos como “o rei dos benefícios públicos”. Segundo o Bloomberg Billionaires Index, sua fortuna pessoal chegou a mais de US$ 160 bilhões no ano passado, um número que Bill Gates, Warren Buffett ou Carlos Slim, os três homens mais ricos do planeta nos últimos 20 anos, jamais atingiram. Com essa grana toda e cheio de benefícios públicos, pagar dezenas de milhões de dólares por ano para famílias carentes é um troco de bala excelente.

Mal aí, Suplicy, mas antes de distribuir o dinheiro você tem que descobrir quem é que não está pagando sua parte.

---