noticias

Antes do algoritmo, havia um CD: como Gustavo Guanabara ajudou a ensinar programação ao Brasil

**O Curso em Vídeo não nasceu como startup, estratégia de influência ou projeto para dominar o YouTube.

Começou porque alunos faltavam, perdiam uma aula de programação e não conseguiam acompanhar o restante do curso.

Entre CDs gravados, hospedagens derrubadas, plataformas brasileiras esquecidas e uma evasão brutal nas faculdades de tecnologia, Gustavo Guanabara construiu uma das experiências mais importantes de educação digital do país antes mesmo de esse mercado saber que existia.**

Antes de milhões de pessoas aprenderem Python, JavaScript, algoritmos e desenvolvimento web assistindo a aulas gratuitas, Gustavo Guanabara tinha um problema muito mais modesto.

Ele lecionava em faculdades do Rio de Janeiro e via estudantes perderem o fio da disciplina depois de uma única ausência.

Em programação, especialmente nos primeiros contatos com lógica, uma aula não é apenas uma aula. Ela pode conter a ideia que sustenta todas as seguintes. Quem não compreende condição, repetição, variável ou sequência começa a acumular termos sem enxergar o sistema por trás deles.

A solução encontrada não envolvia inteligência artificial, plataforma educacional, aplicativo ou estratégia de crescimento. Guanabara gravava a aula em um CD e entregava a cópia ao aluno que havia faltado. O objetivo era simples: permitir que ele assistisse ao conteúdo em casa e retornasse sem uma lacuna impossível de fechar.

Essa origem importa porque desmonta boa parte da mitologia atual sobre criadores digitais. O projeto não começou com uma planilha de monetização, estudo de audiência ou promessa de “escalar conhecimento”. Começou como uma correção operacional para um problema de sala de aula. A escala veio depois, quase como um bug bem-vindo.

É difícil encontrar uma metáfora melhor para a primeira internet educacional brasileira. O professor fazia o trabalho manualmente, o aluno levava o conteúdo em mídia física e ninguém falava em produto digital. Havia apenas uma necessidade concreta e a percepção de que uma explicação gravada poderia sobreviver ao horário da aula.

Quando 90 alunos viravam quatro

Guanabara conta que chegou a observar turmas com aproximadamente 90 alunos nos primeiros períodos e apenas quatro estudantes na etapa final. O número pertence à experiência relatada por ele, não deve ser tratado como estatística universal do ensino superior brasileiro, mas ilustra um fenômeno reconhecível: cursos de tecnologia atraem muita gente pela promessa de empregabilidade e perdem parte desses estudantes quando a abstração começa.

A propaganda apresenta programação como uma porta rápida para bons salários, trabalho remoto e mobilidade profissional. A experiência inicial costuma ser bem menos cinematográfica. O estudante precisa aprender a decompor problemas, lidar com mensagens de erro, revisar hipóteses e aceitar que uma máquina executará exatamente a instrução recebida — inclusive quando a instrução estiver errada.

Programação não é necessariamente inacessível. O problema está na diferença entre a expectativa de facilidade e a natureza real do aprendizado. Usar um computador pode parecer intuitivo; programá-lo exige formalizar uma intenção de maneira que o sistema consiga executar. Para quem nunca desenvolveu esse tipo de raciocínio, o primeiro contato pode soar como uma sucessão de regras arbitrárias.

Guanabara chama essa fase de “janela da surra”. É o período em que o estudante apanha do código até começar a reconhecer padrões, antecipar erros e compreender por que determinada estrutura funciona. Sair dessa janela não significa tornar-se um especialista milionário. Significa parar de ser surpreendido por cada detalhe básico e adquirir autonomia suficiente para continuar aprendendo.

A expressão é bem-humorada, mas descreve uma verdade que o discurso sobre formação acelerada costuma esconder. Não existe curso capaz de eliminar completamente o desconforto cognitivo de aprender uma nova forma de pensar. Uma boa metodologia reduz obstáculos desnecessários, organiza os conceitos e impede que o aluno confunda dificuldade inicial com incapacidade permanente. Ela não instala lógica de programação instantaneamente no cérebro.

Primeiro a lógica, depois a linguagem da moda

Uma das ideias mais importantes recuperadas na conversa é a defesa de que iniciantes aprendam lógica antes de se apaixonarem por uma linguagem específica. Parece uma recomendação óbvia, mas o mercado educacional frequentemente faz o contrário.

Python, JavaScript, Java, C#, Go e Rust são apresentados como destinos profissionais. O aluno pergunta qual linguagem “dá mais dinheiro”, qual está em alta e qual será usada pelas empresas. Começa então a memorizar comandos sem compreender a estrutura que eles representam.

Uma condição continua sendo uma condição, independentemente de aparecer como `if`, `se` ou outra construção. Um laço continua repetindo uma operação. Uma variável continua representando um valor que pode ser consultado ou alterado. As linguagens diferem em sintaxe, paradigma, ecossistema, segurança e aplicação, mas todas exigem alguma compreensão sobre fluxo, dados e decisão.

O ensino de algoritmos em português, usando recursos como Portugol, atacava duas barreiras ao mesmo tempo. O aluno não precisava aprender lógica e inglês técnico no mesmo instante. Podia concentrar-se na relação entre instruções, entradas e resultados antes de enfrentar a gramática de uma linguagem real.

Isso não significa que o inglês seja dispensável para uma carreira em tecnologia. Documentações, fóruns, bibliotecas e boa parte da pesquisa continuam sendo publicados primeiro nesse idioma. A questão é pedagógica: não faz sentido transformar a falta de vocabulário estrangeiro em prova de que alguém não consegue raciocinar computacionalmente.

Depois que a lógica se organiza, trocar de linguagem deixa de parecer uma mudança completa de profissão. Continua exigindo adaptação, mas o programador reconhece conceitos familiares sob novas formas.

Essa lição ganhou ainda mais relevância na era da inteligência artificial. Hoje, uma pessoa pode pedir ao ChatGPT, Claude, Gemini ou outro sistema que escreva trechos inteiros de código sem conhecer profundamente a sintaxe. Isso reduz a barreira de entrada e permite criar protótipos rapidamente. Também pode produzir uma geração de usuários capazes de solicitar software, mas incapazes de avaliar o que receberam.

A IA consegue preencher funções, criar componentes e corrigir erros visíveis. Quando a arquitetura está errada, o requisito é contraditório ou a solução introduz uma vulnerabilidade, alguém ainda precisa compreender o problema. A lógica não perdeu valor porque a máquina escreve código. Ela se tornou o instrumento necessário para supervisionar uma máquina que escreve código em grande escala.

O site que foi derrubado pelo próprio sucesso

Depois dos CDs, as aulas foram colocadas na internet para que os estudantes pudessem baixá-las. Guanabara registrou o domínio `guanabara.info`, escolhido, segundo seu relato, porque a extensão era barata. O site não tinha sido pensado para receber uma audiência nacional. Servia aos alunos que já estavam em sua sala.

A infraestrutura descobriu antes do professor que o público era maior.

A hospedagem teria registrado aproximadamente 80 mil downloads, volume completamente incompatível com uma turma de 40 pessoas. A origem do tráfego aparecia em um fenômeno típico da internet brasileira daquele período: o Baixaki havia encontrado e recomendado o material. Pessoas que buscavam aprender programação passaram a ser direcionadas para um site doméstico, dimensionado para poucos alunos.

O servidor caiu. A conta foi questionada. O professor acabou expulso da hospedagem por consumir recursos demais.

Hoje, uma plataforma costuma celebrar quando um conteúdo viraliza. Naquela internet, a popularidade podia funcionar como um ataque de negação de serviço involuntário. Não havia escalabilidade automática, rede de distribuição global ou painel oferecendo um plano profissional com um clique. Se muita gente baixasse o arquivo, o projeto poderia simplesmente desaparecer.

Esse episódio ajuda a explicar como a infraestrutura molda quem consegue ensinar. O conhecimento estava pronto, havia demanda e o público havia encontrado o conteúdo. O obstáculo era a capacidade física de entregar os arquivos.

A internet não democratiza informação apenas porque permite publicar. É necessário armazenar, distribuir, organizar e manter o material disponível. Durante muito tempo, essas etapas foram caras o suficiente para limitar projetos independentes. Plataformas de vídeo resolveram parte dessa dificuldade ao absorver a hospedagem e a transmissão — e, em troca, concentraram o controle sobre audiência, recomendação e monetização.

O Curso em Vídeo cresceria dentro dessa troca. Guanabara deixou de pagar diretamente por cada download, mas passou a depender de empresas que decidiam como vídeos seriam encontrados, exibidos e financiados.

Antes do YouTube, o Brasil tinha o Videolog

A trajetória também recupera uma peça frequentemente esquecida da história digital brasileira. Antes de o YouTube dominar o vídeo online, o Videolog já permitia que usuários brasileiros publicassem e compartilhassem gravações pela internet. Criado em 2004, o serviço antecedeu o lançamento público do concorrente norte-americano.

Guanabara conheceu pessoas envolvidas com o projeto e levou suas aulas para a plataforma. Seu primeiro canal de vídeo não estava no YouTube. Estava no Videolog.

Quando o YouTube surgiu, parecia apenas uma alternativa com servidores mais rápidos. O próprio relato contém a ironia que só a história permite enxergar: o Videolog era o canal principal; o YouTube funcionava como cópia de segurança quando a plataforma brasileira apresentava dificuldades.

Não havia monetização consolidada para criadores, e ninguém possuía razões óbvias para acreditar que aquele site norte-americano se transformaria em uma das maiores infraestruturas culturais do planeta. A ideia de que uma pessoa construiria carreira publicando aulas gratuitas em vídeo ainda parecia economicamente estranha.

O Videolog acabou associado ao portal R7 e encerrou suas atividades anos depois. O YouTube foi comprado pelo Google em 2006, ganhou infraestrutura global, sistemas de publicidade, recomendação e uma máquina de distribuição difícil de enfrentar.

Essa diferença não pode ser explicada apenas por mérito técnico. Produtos digitais sobrevivem por uma combinação de capital, infraestrutura, execução, momento, mercado e decisões empresariais. O Brasil teve iniciativas pioneiras, mas raramente ofereceu a elas o mesmo ambiente financeiro e tecnológico disponível no Vale do Silício.

Imaginar um universo no qual o Google tivesse comprado o Videolog, como os participantes da conversa fazem em tom de brincadeira, não é apenas nostalgia. É uma provocação sobre quantas tecnologias brasileiras surgiram cedo, provaram uma ideia e desapareceram antes de capturar seu valor.

A inovação não pertence necessariamente a quem chega primeiro. Muitas vezes pertence a quem consegue financiar a espera, suportar crescimento e transformar uma solução em infraestrutura.

O Curso em Vídeo nasceu antes de virar Curso em Vídeo

O projeto oficial começou em 2013, mas sua lógica já existia nos CDs, no domínio barato, nos downloads e no Videolog. A marca consolidou algo que havia sido construído por tentativa, necessidade e adaptação.

Essa distinção ajuda a compreender por que o Curso em Vídeo adquiriu uma identidade diferente de muitos produtos educacionais criados diretamente para o mercado. A linguagem veio da sala de aula. Os exemplos foram moldados por dúvidas reais. O professor já havia observado onde estudantes desistiam, quais conceitos travavam a turma e como o excesso de formalidade afastava iniciantes.

A internet permitiu ampliar esse método sem remover completamente a personalidade do ensino. Guanabara não se tornou conhecido por parecer uma instituição. Tornou-se conhecido por explicar conteúdos difíceis sem fingir que a dificuldade não existe.

Esse ponto é especialmente relevante em um momento no qual cursos são produzidos em massa, muitas vezes com roteiros genéricos, narração sintética e aulas montadas para maximizar retenção de plataforma. A tecnologia reduziu o custo de criar conteúdo, mas não eliminou a diferença entre transmitir informação e ensinar.

Ensinar exige perceber o que o aluno ainda não consegue formular. Um iniciante raramente sabe fazer a pergunta perfeita. Ele apenas sabe que “não funciona”. O professor precisa reconstruir o caminho mental que levou ao erro e oferecer uma explicação que faça sentido naquele estágio.

Modelos de inteligência artificial estão ficando melhores nessa tarefa, mas ainda podem responder de forma tecnicamente correta e pedagogicamente inadequada. Também podem oferecer uma solução pronta antes que o estudante compreenda o problema. A resposta resolve o exercício e interrompe o aprendizado.

O valor de um projeto como o Curso em Vídeo não está apenas no volume de conteúdo gratuito. Está na construção de uma escada cognitiva. Cada aula prepara o aluno para compreender a seguinte.

Da programação por botões aos agentes de IA

A conversa percorre uma linha histórica curiosa. Os primeiros computadores eram programados por conexões físicas, chaves e configurações de hardware. Depois vieram linguagens que aproximaram instruções da escrita humana. Hoje, usuários descrevem sistemas em linguagem natural e agentes de IA tentam transformar esses pedidos em código executável.

A distância entre intenção humana e comportamento da máquina diminuiu. A responsabilidade não.

Quando um programador escrevia diretamente cada comando, os erros estavam limitados pela velocidade de produção. Com IA, uma pessoa consegue gerar milhares de linhas em poucas horas. Isso aumenta produtividade e também amplia a quantidade de decisões que precisam ser revisadas.

A conversa usa o termo *harness* para descrever a camada construída ao redor do modelo: ferramentas, memória, contexto, acesso a arquivos, execução de comandos e mecanismos destinados a impedir ações perigosas. Essa camada explica por que dois produtos baseados em modelos semelhantes podem apresentar capacidades muito diferentes.

O modelo é o motor. O sistema ao redor decide quais caminhos ele consegue percorrer.

Essa observação corrige uma parte importante do entusiasmo atual. O próximo salto da IA não dependerá apenas de modelos maiores. Pode vir de memória melhor, ferramentas mais confiáveis, ambientes de execução controlados, janelas de contexto maiores e arquiteturas que usem recursos com mais eficiência.

Contexto, entretanto, não é sinônimo de despejar arquivos indefinidamente. Um modelo pode receber milhões de tokens e continuar falhando se as informações forem contraditórias, desatualizadas ou mal organizadas. A capacidade de localizar o elemento relevante é tão importante quanto a quantidade disponível.

O desafio se aproxima daquele enfrentado por Guanabara em outra escala. Não basta entregar informação. É preciso apresentá-la na ordem certa, no momento certo e de uma forma que possa ser compreendida.

O Transformer não apareceu em “1900 e bolinha”

Em meio ao humor da conversa, a arquitetura Transformer é situada em um passado remoto imaginário. A correção histórica é simples: o artigo “Attention Is All You Need” foi publicado em 2017 por pesquisadores do Google.

A arquitetura abandonou parte das estruturas recorrentes usadas anteriormente e colocou mecanismos de atenção no centro do processamento. Isso permitiu analisar relações entre diferentes elementos de uma sequência de forma mais paralelizável, tornando-se a base técnica de grande parte dos grandes modelos de linguagem atuais.

O Google participou diretamente da criação da tecnologia que ajudaria a desafiar seu principal negócio anos depois. Isso costuma ser apresentado como prova de que a empresa “dormiu no ponto”, mas a realidade é mais complexa. Criar uma arquitetura, transformá-la em produto, financiar sua escala e descobrir uma interface capaz de popularizá-la são tarefas diferentes.

A OpenAI não inventou o Transformer. Soube combiná-lo com escala, alinhamento, interface conversacional e distribuição para transformar uma tecnologia de pesquisa em fenômeno cultural.

O episódio lembra a história do Videolog. Ter uma boa ideia cedo não garante domínio do mercado que ela criará.

Ao mesmo tempo, o Transformer possui custos importantes. A atenção sobre sequências longas consome memória e processamento em escalas que tornam grandes janelas de contexto caras. Pesquisadores investigam arquiteturas alternativas, mecanismos de atenção mais eficientes, modelos recorrentes modernos e outras formas de armazenar ou recuperar informação.

Não existe garantia de que o próximo salto virá do abandono completo dos Transformers. É possível que surja de combinações híbridas, melhorias de hardware, sistemas de recuperação externa ou modelos especializados trabalhando juntos.

A previsão relevante não é que determinada arquitetura vencerá. É que o custo atual ainda impede a inteligência artificial de tornar-se tão local, permanente e acessível quanto a indústria promete.

A inteligência artificial pode ampliar a educação ou industrializar a superficialidade

Ferramentas generativas permitem que estudantes obtenham explicações personalizadas, traduzam conteúdos, criem exercícios e revisem dúvidas sem esperar pela próxima aula. Para pessoas que não possuem acesso a professores especializados, isso pode representar uma transformação concreta.

Também é possível utilizar IA para abandonar o esforço necessário ao aprendizado.

O aluno pede a solução, copia o código, executa e segue adiante sem compreender o raciocínio. O sistema funciona até surgir um problema diferente daquele que o modelo já resolveu.

A velha “janela da surra” continua existindo. A IA apenas oferece maneiras de atravessá-la ou de contorná-la temporariamente.

Quem usa o assistente para perguntar por que um código falhou, comparar abordagens e testar hipóteses pode aprender mais rápido. Quem o utiliza apenas para evitar o contato com a dificuldade acumula dependência.

Isso vale para programadores profissionais. O desenvolvedor que entende arquitetura, segurança e lógica pode delegar partes repetitivas e concentrar-se em decisões maiores. A pessoa que não compreende o sistema pode produzir software visualmente convincente, mas incapaz de resistir ao primeiro caso não previsto.

A educação tecnológica precisa adaptar-se a esse cenário. Avaliar apenas a capacidade de escrever sintaxe perdeu sentido. Será necessário medir compreensão, revisão, capacidade de explicar escolhas e habilidade para identificar quando a IA está errada.

O professor deixa de ser a única fonte de respostas. Torna-se ainda mais importante como organizador de critérios.

O que a história de Guanabara realmente ensina

É tentador resumir essa trajetória como uma narrativa inspiradora sobre persistência. Um professor grava CDs, publica aulas, enfrenta problemas de hospedagem e termina alcançando milhões de pessoas. Essa leitura é verdadeira, mas insuficiente.

A história revela como tecnologias se tornam importantes quando resolvem uma dificuldade concreta.

O CD resolvia a falta. O site resolvia a distribuição. O Videolog resolvia o vídeo online. O YouTube resolveu escala e alcance. O Curso em Vídeo organizou tudo isso em uma experiência educacional contínua.

Nenhuma dessas etapas começou como fim em si mesma.

Hoje, parte do mercado faz o caminho inverso. Compra uma tecnologia e procura qualquer problema que justifique seu uso. Escolas querem “usar IA” antes de definir qual dificuldade pedagógica será atacada. Empresas criam agentes sem compreender o processo que pretendem automatizar. Desenvolvedores geram sistemas inteiros sem saber quais requisitos deveriam ser preservados.

A experiência de Guanabara oferece uma regra mais sóbria: comece pelo aluno que perdeu a aula.

Encontre o obstáculo real, compreenda quem está sendo excluído e escolha a tecnologia que reduz essa distância. Caso a solução cresça, a escala será consequência de sua utilidade, não substituta dela.

O Curso em Vídeo não nasceu porque a internet precisava de mais conteúdo. Nasceu porque um estudante precisava recuperar uma aula de programação.

O resto domínio barato, servidor derrubado, Videolog, YouTube e milhões de alunos veio depois.

Do CD à inteligência artificial, o problema continua sendo humano

A tecnologia mudou radicalmente entre as primeiras gravações e os agentes atuais. A dificuldade central permaneceu semelhante: transformar informação em compreensão.

Um CD pode carregar uma aula inteira e não ensinar nada se o conteúdo estiver mal organizado. Uma janela de contexto pode receber milhões de palavras e continuar produzindo respostas ruins se não conseguir distinguir o essencial. Um modelo pode gerar código impecável na aparência e falhar porque ninguém definiu corretamente o problema.

A escala não substitui a lógica.

Guanabara construiu sua trajetória tentando impedir que alunos desistissem quando o código começava a bater. A indústria de IA vende um futuro no qual a máquina absorverá grande parte desse atrito. Talvez consiga. Mas, enquanto sistemas forem criados para executar intenções humanas, alguém precisará aprender a formular, revisar e compreender essas intenções.

A sintaxe pode ser automatizada. O julgamento ainda não.

Antes do algoritmo, havia um professor gravando CDs para que uma ausência não encerrasse uma carreira. É uma origem pouco glamourosa para uma das maiores iniciativas brasileiras de educação tecnológica e exatamente por isso ela explica tanto.

Grandes plataformas costumam ser lembradas por sua escala. Os projetos realmente transformadores quase sempre começam menores: com uma pessoa percebendo que alguém do outro lado está ficando para trás.

👉 Dúvida? Então veja mais em: [https://pixbugtech.com/linksuteis](https://pixbugtech.com/linksuteis)

[1]: https://pt.wikipedia.org/wiki/Videolog.tv?utm_source=chatgpt.com "Videolog.tv"