O quê

Expert systems (sistemas especialistas) são programas de IA baseados em regras IF-THEN curadas por especialistas humanos e armazenadas numa knowledge base separada do inference engine que as aplica. Dominaram a IA aplicada entre meados dos anos 1970 e o início dos anos 1990.

A premissa central: inteligência específica em domínios técnicos vem de regras explícitas. Para construir IA que diagnostica infecções, configura computadores ou avalia crédito, basta entrevistar especialistas humanos, formalizar seu conhecimento em centenas de regras IF condição THEN ação e deixar o motor inferencial encadeá-las.

Casos canônicos:

• DENDRAL (Stanford, 1965) — primeiro expert system de sucesso; identificava estruturas moleculares orgânicas a partir de espectrometria de massa.
• MYCIN (Stanford, 1976) — diagnóstico de infecções bacterianas. Ver MYCIN.
• XCON / R1 (CMU/DEC, 1980) — configurava sistemas VAX da Digital. Em 1986, processava ~80.000 pedidos/ano com ~10.000 regras; estimou-se economia de ~$40M/ano para DEC [VERIFICAR — números frequentemente citados].
• PROSPECTOR (SRI, 1979) — exploração mineral.
• CADUCEUS / INTERNIST-I (Pittsburgh, 1980s) — diagnóstico em medicina interna.

Como funciona

A arquitetura padrão tem três componentes:

1. Knowledge Base — coleção de regras IF (premissa1) AND (premissa2) THEN (conclusão), mais fatos sobre o domínio. Exemplo de MYCIN:

   IF the infection is bacterial AND the site is blood AND the patient is at risk for gram-negative bacteria, THEN the suggested therapy is gentamicin.

2. Inference Engine — algoritmo que encadeia regras. Dois modos:

   • Forward chaining — partir de fatos conhecidos e disparar regras cujas premissas batem, derivando novos fatos até atingir uma conclusão. Bom para monitoramento contínuo.
   • Backward chaining — partir de uma hipótese e perguntar quais fatos seriam necessários para confirmá-la, recursivamente. Bom para diagnóstico — MYCIN usava esse modo.

3. Knowledge Acquisition Tooling — interfaces para que engenheiros do conhecimento (knowledge engineers — profissão que existiu nos anos 80) extraíssem regras de especialistas humanos via entrevistas estruturadas.

Certainty factors — extensão crítica. Diagnóstico médico raramente é determinístico (“se febre então tifoide”). MYCIN introduziu fatores de certeza (CF entre -1 e 1) que ponderavam a força das regras. Antecipou raciocínio probabilístico, embora sem fundação bayesiana rigorosa — críticas posteriores (Pearl, 1988) mostraram inconsistências.

LISP e Prolog foram as linguagens-mãe dessa era. OPS5 (CMU, ~1980) foi a primeira linguagem amplamente adotada especificamente para expert systems. CLIPS (NASA, 1985, derivado de OPS) continua disponível em 2026 para sistemas embarcados de tomada de decisão simples.

Por que importa

Provou que IA podia gerar valor comercial direto. Antes dos expert systems, IA era pesquisa acadêmica financiada por DARPA. XCON/R1, deployed na DEC, foi o primeiro caso público inegável de IA gerando lucro mensurável. Atraiu investimento corporativo massivo — entre 1980 e 1988, o mercado de hardware/software de expert systems cresceu de praticamente zero para ~$1-2B/ano [VERIFICAR — números muito variáveis].

Lançou o boom-bust dos anos 80. O sucesso inicial gerou hype: livros de Feigenbaum (The Fifth Generation, 1983) prometiam IA empresarial universal. Japão lançou o Fifth Generation Computer Project (1982-1992, ~$850M de investimento estatal) apostando em hardware otimizado para Prolog e expert systems. Symbolics e LMI vendiam Lisp Machines dedicadas por ~$70.000 cada.

Em ~1988-1992, o castelo colapsou:

• Manutenção de regras é cara. Sistemas com >10.000 regras viravam impossíveis de auditar. Adicionar uma regra nova causava interações imprevistas com regras antigas.
• Especialistas humanos não conseguem articular tudo. Conhecimento tácito (intuição clínica, “olfato” de detetive) não vira IF-THEN.
• Generalização zero. Cada novo domínio = começar do zero. Sem aprendizado, sem transferência.
• PCs comoditizados comeram Lisp Machines. Por que pagar $70k por Symbolics se você pode rodar variantes de Prolog em Sun?

Esse colapso é o segundo AI Winter (~1987-1993). Symbolics faliu em 1996. Carnegie Mellon e Stanford desinvestiram. A comunidade que sobreviveu pivotou para machine learning estatístico (SVMs, redes bayesianas, decision trees) — preparando o terreno para deep learning vinte anos depois.

Lição direta para AI safety e alignment hoje. Toda tentativa moderna de alinhamento via regras explícitas (constitutional AI manual, sistemas de policy explícita, content moderation por regex) reaprende a lição: regras não escalam, não generalizam, são frágeis a casos novos. O paradigma vencedor — RLHF, constitutional AI com self-critique — tenta capturar valores implícita e estatisticamente, descendente direto da reação contra expert systems.

Estado em 2026

• Expert systems não morreram, viraram nicho. CLIPS, Jess, Drools continuam usados em aplicações onde determinismo, auditabilidade e custos baixos importam — workflow engines, regulatory compliance, decisões de seguro/crédito explicáveis por lei.
• Renaissance híbrida. Sistemas modernos de produção (financeiro, jurídico, médico) frequentemente combinam LLM para entendimento + regras explícitas para decisão final — quem decide é a regra, não o LLM. Esse padrão (LLM-as-router, rules-as-decision) é a herança viva do approach simbólico.
• Neuro-symbolic AI é linha de pesquisa ativa em DeepMind, MIT-IBM Watson Lab — combinar redes neurais com raciocínio simbólico explícito. AlphaGeometry (2024) é um caso de sucesso recente.
• Em Magik LLM Gathering, expert systems ocupam o arquétipo do Rulebook — poder rígido, eficaz no escopo certo, frágil fora dele.

Tratamento de carta — proposta

Expert System Framework Conceito · Citadel · custo 🟦🟨

Persistente. Permanece em jogo.

Rule-Based: No início de cada turno, escolha uma condição (ex.: “se o oponente tem 3+ cartas na mão”). Enquanto a condição for verdadeira, todos os seus Modelos ganham +1/+1. Quando deixar de ser verdadeira, perde o efeito.

Brittle: Se o oponente jogar uma carta com keyword “Edge Case” ou “Adversarial”, destrua este Conceito.

“600 regras cobrem 95% dos casos. Os outros 5% derrubam o sistema.”

A primeira mecânica é o disparo condicional clássico; a segunda é a fragilidade documentada: regras quebram em entradas que não anteciparam.

Veja também

MYCIN · AI Winter · John McCarthy · Grace Hopper