O robocachorro que expôs a crise da educação em IA na Índia

A internet riu, mas a risada tinha um tom de crítica.

Em 17 de fevereiro de 2026, no Bharat Mandapam, o principal centro de convenções da Índia, uma professora da Galgotias University disse a uma câmera da DD News que sua universidade havia construído “Orion”, um elegante robocachorro de quatro patas, como parte de um Centro de Excelência em IA de ₹350 crore.

A afirmação não sobreviveu à tarde.

Meios de comunicação chineses e observadores de tecnologia rapidamente alegaram que a máquina era o Go2 da Unitree, um robô vendido online, e a apresentação passou de publicidade a constrangimento.

Dizem que a energia do estande foi cortada, a universidade foi encaminhada para fora, houve um pedido de desculpas e um inquérito foi anunciado.

Para um país classificado em terceiro no Global AI Vibrancy tool de 2025 de Stanford, o espetáculo não foi apenas um tropeço de relações públicas; foi um teste de estresse.

Quando os memes desapareceram, uma pergunta permaneceu: que tipo de ecossistema de IA produz uma demonstração que não resiste a uma busca na web?

O boletim que ninguém queria

A narrativa da Índia sobre IA hoje está apoiada por validação séria.

O Global AI Vibrancy tool de Stanford para 2025 colocou a Índia em terceiro, um salto que a mídia indiana leu como prova de que o país está subindo em vários indicadores de IA.

Essa colocação importa porque reflete amplitude: atividade de talento, sinais de pesquisa e escala do ecossistema, não apenas um lançamento de produto chamativo.​

Mas IA é uma dessas áreas em que a escala pode esconder superficialidade.

Um país pode ter muitos usuários de IA — pessoas que sabem implantar ferramentas prontas — e ainda assim ter dificuldades para formar construtores de IA: pesquisadores e engenheiros que criam novos métodos, publicam resultados duradouros e geram PI defensável.

Aqui é onde a história da Índia esbarra nas letras miúdas.

Várias compilações e resumos voltados a políticas destacaram o quão pequena permanece a fatia da Índia nas patentes globais de IA em comparação com as duas maiores potências de IA.

O AI Index Report 2025 de Stanford coloca a Índia em cerca de 0,37% das patentes globais de IA, contra cerca de 70% da China e cerca de 14% dos EUA.​

Patentes são uma medida imperfeita: muitas são de baixa qualidade, alguns avanços não são patenteados e o open source é real.

Mas, como proxies para quem detém tecnologia fundamental, são as melhores disponíveis, e a fatia da Índia é minúscula.

Se a participação da Índia em patentes é tão pequena, a implicação não é que falta talento na Índia. É que o ecossistema tem sido melhor em formar pessoas para usar tecnologia do que para criá‑la em escala.​

Por isso o episódio do robocachorro teve um impacto tão forte. Comprar um robô e construir um robô não são a mesma tarefa.

A primeira é aquisição. A segunda é pesquisa, fabricação, engenharia de sistemas, testes e iteração — trabalho que precisa de laboratórios, orçamentos e mentores experientes.

Quando um sistema subinveste consistentemente na segunda parte, começa a premiar a aparência de inovação em vez da prática dela.

​

O piso de financiamento por trás da “inovação”

Por trás da maioria das histórias de “inovação falsa” há uma história real de escassez.

Os gastos da Índia com pesquisa e desenvolvimento estão em cerca de 0,6% do PIB, conforme citado em reportagens com base no Economic Survey 2025–26.

A mesma cobertura ligada ao Economic Survey aponta para uma segunda limitação: o setor empresarial da Índia contribui com apenas cerca de 41% do gasto total em P&D.​

Esses números moldam tudo a jusante. Quando o capital privado não financia de forma significativa a pesquisa universitária, o sistema recai fortemente sobre orçamentos governamentais e receitas de mensalidades.

Isso tende a produzir comportamentos previsíveis: universidades otimizam para o que é barato de mostrar e fácil de contar: novos centros, novos MoUs, novos cursos de “IA” e artigos de conferência, em vez do que é caro de construir, como acesso a computação, conjuntos de dados de alta qualidade, laboratórios de hardware e supervisão de pesquisa sustentada.

Comparações com economias pares tornam a posição da Índia ainda mais dura de engolir.

Reportagens baseadas no Economic Survey contrastaram a intensidade de P&D de 0,6% da Índia com níveis muito mais altos nos EUA, China e Coreia do Sul.

O contraste fica mais acentuado quando observamos com mais detalhe a participação do setor privado naqueles países, muito maior nessas economias.​

Em outras palavras, a Índia tenta vencer uma corrida deep‑tech com um reservatório raso de P&D e com empresas que ainda não estão assumindo a maior parte do risco de pesquisa.

É aqui que a responsabilização fica distorcida. Quando os recursos são escassos e as métricas são ruidosas, as instituições perseguem sinais.

Renomeiam drones importados como “plataformas indígenas”. Tratam parcerias com fornecedores como “realizações de pesquisa”.

Registram patentes de baixa qualidade para inflar painéis de inovação. Empurram professores para metas de publicação baseadas em quantidade.

Nenhum desses comportamentos é defensável. Mas eles são compreensíveis em um sistema que recompensa resultados que parecem progresso, mesmo quando a capacidade subjacente está ausente.

Onde o pipeline quebra: salas de aula, mentores e computação

Se você quer saber por que o momento “Orion” é plausível, precisa sair do salão da feira e entrar na sala de aula de engenharia média.

Invezz conversou com Prof. Naveen Garg, chefe do Departamento de Ciência da Computação e Engenharia do IIT Delhi, que enquadra a falha como uma questão de fundamentos e mentoria.

A Índia precisa, diz ele, “de um número maior de graduados com fundamentos sólidos em matemática e ciência da computação” e “de um maior contingente de pessoas que possam fornecer a mentoria para pesquisas de IA de qualidade”.

Ele é igualmente direto sobre incentivos:

“O governo não parece estar fornecendo seriamente os incentivos necessários para nos tornar um país líder em pesquisa no domínio da IA. Grandes players como China e EUA realmente investiram uma enorme quantidade de recursos na formação de pesquisadores de qualidade. Isso ainda não aconteceu no país”, disse ele.

Esse problema do “pool de mentores” não é um detalhe acadêmico. Ele decide se os estudantes aprendem receitas ou raciocínio.

O trabalho moderno em IA exige pensamento estatístico, otimização e sólido conhecimento de sistemas.

Exige também julgamento: como avaliar um modelo, como testá‑lo em condições do mundo real, como detectar erros e como comunicar incertezas de forma responsável.

Então há a limitação de infraestrutura, que molda silenciosamente o que os estudantes podem fazer.

Hardeep, engenheiro sênior de IA e ex‑aluno do IIIT Prayagraj, credita ao seu diploma o fato de lhe ter dado “fundamentos teóricos fortes em Machine Learning (ML), Processamento de Linguagem Natural (NLP) e algoritmos”.

Mas ele acrescenta um detalhe crucial ao falar com Invezz: “Transformers e os LLMs modernos não eram abordados na época, e o trabalho prático em projetos era limitado devido aos custos de infraestrutura.”

Para leitores não‑especialistas: “Transformers” são uma arquitetura de modelo que alimenta muitos sistemas modernos de IA, incluindo modelos de linguagem de grande porte (LLMs) que geram texto.

Treinar e testar esses modelos em escala significativa frequentemente requer computação cara (GPUs) e engenharia cuidadosa — recursos que muitas faculdades não possuem.

A conclusão de Hardeep é a linha que deve preocupar mais os formuladores de políticas:

“Hoje, construir produtos reais de IA é muito mais acessível; o sucesso depende em grande parte da curiosidade individual e do autoaprendizado, mais do que apenas do treinamento universitário.”

O autoaprendizado não é uma falha; é uma virtude na tecnologia.

O problema é quando o autoaprendizado se torna um substituto para a capacidade institucional.

Quando universidades consistentemente terceirizam as partes mais difíceis do treinamento para o YouTube, cursos abertos e laptops pessoais, elas ainda colhem os benefícios de reputação, mas os estudantes pagam o preço real em tempo, incerteza e resultados desiguais.

É por isso que o acesso à computação se tornou a nova linha divisória. A iniciativa política da Índia começou a reconhecer essa limitação.

Relatos sobre a IndiaAI Mission apontaram para implantação em grande escala de GPUs, cerca de 18.000 GPUs já distribuídas no âmbito da missão.

Isso importa porque a computação compartilhada pode reduzir a barreira para pesquisadores e startups que, de outra forma, não conseguem rodar experimentos sérios.​

Mas a aquisição de GPUs não é o mesmo que capacidade de pesquisa.

Computação sem mentores produz rotatividade, pessoas rodando experimentos sem orientação sólida sobre avaliação, ética e reprodutibilidade.

Mentores sem computação produzem frustração: estudantes que entendem a teoria, mas não podem fazer trabalhos práticos significativos.

Uma estratégia credível de educação em IA precisa de ambos, em mais do que uma fina camada de campi de elite.

O problema de credibilidade: uma cultura de pesquisa que você não pode desligar

Um robocachorro pode ser desligado. Uma crise de credibilidade não.

O ecossistema de publicação da Índia tem enfrentado crescente escrutínio pela integridade da pesquisa, incluindo o papel de “paper mills” e revisão por pares manipulada em alguns casos.

Um estudo peer‑review de setembro de 2025 publicado no Journal of Data Science, Computing and Information Sciences usou dados do Retraction Watch e examinou 2.853 artigos retratados por acadêmicos indianos de 2010 a 2024.

O estudo constatou que as retratações aumentaram após 2021, com 57,55% ocorrendo entre 2021 e 2024.

A mesma análise lista as principais razões citadas, que incluíram revisão por pares falsa (1.007 artigos), plágio (880) e manipulação/falsificação de dados (746).​

Para leitores não familiarizados com “revisão por pares falsa”: a revisão por pares deveria ser uma verificação independente de especialistas antes da publicação.

Quando é falsificada ou comprometida, trabalhos não confiáveis podem entrar no registro científico.

Retratações são o freio de emergência do sistema, mas também revelam o custo de incentivos fracos e de uma aplicação ineficaz.​

Por que isso importa para a IA? Porque o progresso em IA depende de pesquisa confiável.

Se o pipeline de pesquisa é ruidoso, artigos que não podem ser reproduzidos, resultados exagerados e conjuntos de dados questionáveis desaceleram a adoção pela indústria e afetam a credibilidade global.

O país acaba gastando mais tempo correndo atrás de métricas do que construindo capacidade durável.

O episódio do robocachorro, nesse sentido, é o primo visual de um padrão mais profundo: performance em vez de prova.

Quando instituições são recompensadas por serem vistas na vanguarda em vez de por fazerem trabalho de vanguarda, elas previsivelmente investirão em aparência.

É por isso também que a resposta política não pode parar na punição. Deve mudar incentivos: o que as classificações valorizam, o que as auditorias de acreditação examinam e a que o financiamento está atrelado.

Se o sistema continuar pagando por volume, continuará recebendo volume, às vezes honesto, às vezes não.

​

Construtores vs usuários: a fuga de talentos

O debate sobre IA na Índia divide‑se cada vez mais em dois campos: os otimistas, que defendem que a Índia está se tornando um construtor, e os céticos, que dizem que a Índia ainda é majoritariamente um usuária em escala.

Prof. M Jagadesh Kumar, ex‑presidente da UGC e presidente do Comitê de Revisão do NEP 2020, apresenta com convicção o caso otimista:

"Hoje, as instituições indianas não são apenas usuárias de IA. Elas estão se tornando rapidamente construtoras de IA. Instituições indianas estão cada vez mais colaborando com a indústria para desenvolver soluções de IA na educação, saúde, governança, agricultura e cidades inteligentes. Posso dar alguns exemplos", disse o Prof. Kumar ao Invezz.

"O Ministério da Educação apoiou Centros de Excelência em IA, como o TANUH no IISc. Este centro trabalha em soluções de IA escaláveis para a saúde (especialmente doenças não transmissíveis). A IIT Madras Global Research Foundation anunciou um Applied AI Innovation Centre para acelerar a IA aplicada. O centro conecta a pesquisa ao uso responsável no mundo real", acrescentou.

Ele ainda enfatizou a IndiaAI Mission, que está promovendo inovação em IA, acesso e soluções centradas na Índia em colaboração com instituições educacionais indianas.

"Esses exemplos mostram que muitas universidades indianas estão trabalhando com IA inclusiva e passível de implantação."

Com referência ao incidente da Galgotias, o Prof. Kumar é comedido ao falar sem nomear qualquer instituição:

"Se qualquer instituto exagerar em suas alegações, as medidas mitigadoras devem ser proporcionais, educativas e corretivas. As instituições também devem treinar suas equipes em ética, integridade de pesquisa e comunicação responsável. Essa abordagem é a maneira mais segura de proteger a reputação dos verdadeiros inovadores da Índia", disse ele.

"Também evita que possíveis alegações inflacionadas criem uma narrativa falsa. Mas não tenho dúvidas de que as instituições de ensino superior da Índia estão construindo rapidamente capacidade em IA e criando soluções inclusivas", acrescentou.

Ainda assim, o argumento do cético é difícil de ignorar: exceções de elite não definem a mediana. Um punhado de institutos de ponta pode realmente construir e publicar.

Mas o sistema de ensino superior da Índia é vasto e desigual. Se a maioria dos campi não consegue oferecer acesso real à computação, mentoria crível e uma cultura de pesquisa que priorize integridade, o status de “construtor” permanece concentrado no topo.

Salas de aula acima de cerimônias

E mesmo quando a Índia forma talentos fortes em IA, o país luta para retê‑los.

Coberturas que resumem métricas de talento ligadas ao Stanford AI Index destacaram a pontuação líquida de migração de talento em IA da Índia em -1,55, sinalizando uma saída líquida nessa medida.

Isso importa porque a fuga de cérebros não é apenas uma manchete.

É uma perda cumulativa de mentores, fundadores e líderes de pesquisa — exatamente as pessoas necessárias para fortalecer o pipeline doméstico.​

Em termos financeiros, a Índia está investindo na formação de talentos, mas não capturando retorno suficiente a longo prazo.

E quando os retornos vazam, as instituições sentem ainda mais pressão para performar em rankings e PR, porque o resultado mais profundo — um ecossistema de pesquisa estável — permanece difícil de demonstrar rapidamente.

O Unitree Go2 (se foi esse modelo ou não) é, em última análise, um adereço em uma história maior.

A Índia não carece de ambição. Não falta alunos inteligentes. Falta o tipo de arquitetura de educação e pesquisa que transforma ambição em tecnologia de propriedade nacional.

O robocachorro não foi o escândalo. Foi o sistema que o tornou plausível.