O quê

IBM Watson foi o sistema de question answering que, em 14–16 de fevereiro de 2011, venceu os maiores campeões humanos do Jeopardy! — Ken Jennings e Brad Rutter — num confronto televisionado. Foi o “momento IA pop” da época, anterior ao AlphaGo (2016): a primeira vez que o grande público viu uma máquina vencer humanos num jogo de linguagem natural e conhecimento enciclopédico.

Construído por uma equipe liderada por David Ferrucci sobre a arquitetura DeepQA, Watson combinava recuperação de informação (IR), processamento de linguagem natural e pontuação de evidências — rodando num cluster de servidores POWER7, sem acesso à internet durante o jogo. Retrospectivamente, sua capacidade técnica era modesta: hoje seria descrito como um RAG — Retrieval-Augmented Generation sofisticado, sem LLM.

Em Magik LLM Gathering, Watson é tratado como system — o hype que abriu caminho e depois virou cautela.

Como funciona

DeepQA: muitos candidatos, muita evidência

Watson não “sabia” respostas — ele as caçava. Dada uma pista do Jeopardy!, o DeepQA:

1. Analisava a pergunta (tipo de resposta esperada, entidades, trocadilhos típicos do programa).
2. Gerava centenas de candidatos buscando numa base massiva de texto (enciclopédias, dicionários, obras de referência) indexada offline.
3. Coletava evidências para cada candidato em paralelo, usando dezenas de algoritmos independentes.
4. Pontuava e combinava as evidências, escolhendo a resposta com maior confiança — e só “apertava o botão” se a confiança passasse de um limiar.

Ensemble, não modelo único

A força de Watson era a combinação de muitos analisadores fracos — não um único cérebro, mas um comitê de heurísticas ponderadas por aprendizado de máquina. Era engenharia de IR de altíssimo nível, costurada para o domínio específico do Jeopardy!.

O que faltava: generalização

Watson era brilhante no Jeopardy! e frágil fora dele. Adaptá-lo a um novo domínio exigia meses de engenharia manual de features e dados — a mesma rigidez que limitava a Symbolic AI (GOFAI). Não havia transferência fácil; cada aplicação era um projeto do zero.

Por que importa

Foi o marco cultural pré-deep-learning. Watson colocou “IA vence humanos” no horário nobre e injetou expectativa (e capital) na área anos antes dos LLMs. Para muita gente, foi o primeiro contato com IA “que entende linguagem”.

Virou estudo de caso de hype vs. entrega. A IBM apostou pesado em Watson Health (a partir de ~2015), prometendo revolucionar diagnóstico e oncologia. O resultado ficou muito aquém; o negócio foi desmembrado e vendido em 2022. “Watson” passou de troféu a cautionary tale sobre prometer demais.

Antecipou a arquitetura RAG. A lógica “recuperar evidências → pontuar → responder” é, em espírito, o que o RAG — Retrieval-Augmented Generation faz hoje — só que com Transformers e embeddings no lugar das heurísticas manuais. Watson estava certo no formato, cedo demais na tecnologia.

Estado em 2026

• Encerrado como linha de produto emblemática. A marca Watson sobrevive fragmentada (e a IBM repivotou para watsonx, plataforma de IA generativa), mas o “Watson do Jeopardy!” é história.
• Lição permanente. É citado sempre que se discute a distância entre demo impressionante e produto que funciona em produção — especialmente em saúde.
• Comparação técnica didática. Mostrar como Watson resolvia QA sem LLM ajuda a entender o que os Transformers trouxeram de novo: generalização e linguagem sem engenharia manual por domínio.
• Pré-história da IA pop. Junto a Deep Blue (xadrez, 1997) e AlphaGo (Go, 2016), Watson marca a linha do tempo de “máquinas vencendo humanos”.

Tratamento de carta — proposta

IBM Watson, Jeopardy! Champion Legendary System · Founders

Ao entrar, busque no seu deck e “responda”: revele as 5 cartas do topo, escolha a que mais combina com a categoria atual (recuperação + evidência) e jogue-a de graça. Watson é poderoso só dentro do domínio declarado; fora dele, custa o dobro.

“This is Jeopardy! — e a resposta veio de um cluster que nunca tocou a internet.”

A mecânica encena recuperação-por-evidência (escolher a melhor entre candidatos) e a fragilidade fora do domínio.

Veja também

RAG — Retrieval-Augmented Generation · Symbolic AI (GOFAI) · Expert Systems · ChatGPT (2022)