Enquanto você dormia, 48 agentes de IA vasculharam 1.200 km² de selva mexicana usando dados de laser da NASA. Em menos de 72 horas, eles identificaram o que parece ser um complexo maia inteiro, enterrado debaixo de vegetação densa na Península de Yucatán. E o cara que orquestrou tudo? Não é arqueólogo. É um engenheiro de software do Google.

Pietro Miotti estava de férias no Peru quando teve uma ideia que, honestamente, parece coisa de filme: “E se eu apontasse meus agentes de IA para dados de LiDAR da NASA e pedisse para eles procurarem pirâmides?”. O resultado foi tão surpreendente que o Instituto Nacional de Antropología e Historia do México (INAH) respondeu em menos de 24 horas confirmando que o local não existia em nenhum registro oficial.

Como um pensamento aleatório virou uma descoberta arqueológica

Tudo começou no dia 18 de outubro de 2026. Miotti conta que estava viajando pelo Peru quando fez uma pergunta simples aos seus agentes: “O que um explorador moderno faria com as ferramentas de hoje?”. A resposta unânime dos quatro modelos que ele consultou (Gemini, ChatGPT, Claude e Grok) foi: LiDAR.

Para quem não conhece, LiDAR (Light Detection and Ranging) é uma tecnologia que dispara milhões de pulsos de laser a partir de um avião ou drone. Esses pulsos atravessam a copa das árvores e batem no chão, criando um mapa 3D extremamente detalhado do terreno. Na prática, é como tirar um raio-X da floresta: você consegue ver o que está escondido debaixo de quilômetros de vegetação tropical sem derrubar uma única árvore.

A arqueologia já conhece bem o potencial do LiDAR. Em 2018, pesquisadores liderados por Richard Hansen usaram a mesma tecnologia para encontrar mais de 960 assentamentos maias na Bacia de Mirador-Calakmul, na Guatemala. Essa descoberta mudou completamente a visão que tínhamos da civilização maia, mostrando uma sociedade muito mais populosa e conectada do que se imaginava.

A diferença? Hansen e sua equipe levaram anos de trabalho com equipes multidisciplinares. Miotti fez algo parecido com prompts e 48 instâncias de IA rodando em paralelo.

O dataset da NASA que estava esperando alguém olhar

O dataset usado por Miotti se chama G-LiHT (Goddard’s LiDAR, Hyperspectral & Thermal Imager). Ele foi capturado entre abril e maio de 2013 durante a campanha AMIGA-Carb, que sobrevoou a Península de Yucatán no México. Os dados são públicos e qualquer pessoa pode baixá-los no site da NASA.

O G-LiHT é um sistema multissensor portátil que opera a uma altitude de cerca de 335 metros. Ele usa um laser de 1.550 nanômetros que emite até 150 mil pulsos por segundo, com cada ponto tendo aproximadamente 10 cm de diâmetro. Cada pulso pode gerar até oito retornos, o que permite separar a vegetação do terreno com precisão absurda.

O problema é que dados brutos de LiDAR são densos, difíceis de interpretar e volumosos. Estamos falando de centenas de milhões de pontos por transecto. Ninguém fica sentado olhando isso manualmente por diversão. E é aí que a abordagem de Miotti ficou interessante.

Ele converteu as faixas de LiDAR em imagens visuais, basicamente modelos digitais de terreno renderizados como fotos. Isso transformou dados brutos de sensoriamento remoto em algo que agentes de IA multimodais (que entendem imagens) podem interpretar diretamente.

48 agentes olhando fotos de selva

Eu sei o que você está pensando: “Ele treinou algum modelo de deep learning especializado em arqueologia?”. Não. Nada disso.

Miotti foi explícito: “Não havia nenhum modelo especial ou classificador envolvido. Os agentes literalmente olharam as fotos, seguindo um guia preciso”. Os 48 agentes receberam instruções detalhadas sobre o que procurar: pirâmides, plataformas e praças com bordas retas e cantos definidos. Ao mesmo tempo, precisavam filtrar falsos positivos como colinas naturais, sumidouros (cenotes) e estradas.

Os agentes trabalharam a noite toda entre os dias 18 e 19 de outubro. No dia seguinte, Miotti acordou com vários locais candidatos já sinalizados. Um deles se destacou dos demais.

O que os agentes encontraram (e o que ainda é especulação)

O local prioritário fica em uma colina na selva mexicana. Segundo a análise das imagens de LiDAR, o sítio apresenta:

Confirmado por LiDAR (interpretação visual):

• Uma praça nivelada com bordas retas e cantos definidos
• Um montículo oval de 8 a 12 metros de altura (possível pirâmide)
• Uma estrutura tipo pátio elevado
• Uma possível aguada (reservatório de água)
• Três plataformas ao redor que podem ser habitações

Especulação dos agentes (baseada em padrões conhecidos):

• Provável datação do Período Clássico (250 a 900 d.C.)
• O layout é consistente com um centro cerimonial de pequeno a médio porte
• As plataformas residenciais sugerem uma comunidade permanente

Miotti faz questão de dizer que a parte interpretativa é especulação: “Essa parte é especulação, de uma longa conversa com os agentes”. Ele sabe que não é arqueólogo e que a confirmação real depende de escavações no local.

De 0 a resposta do governo em 72 horas

A timeline do projeto impressiona mais do que o resultado em si:

• 18 de outubro: Ideia surge durante viagem ao Peru
• 18 a 19 de outubro: Agentes processam 1.200 km² de dados G-LiHT durante a noite, sinalizam múltiplos locais candidatos
• 19 de outubro: Miotti identifica o local prioritário, agentes fazem busca na literatura acadêmica e cruzam com os arquivos do INAH
• 20 de outubro: Relatório finalizado e enviado ao INAH, em espanhol, com coordenadas em anexo selado
• 21 de outubro: INAH responde: “nenhum sítio arqueológico registrado foi identificado no local indicado no seu relatório”

Pensa nisso por um segundo. Quatro dias. Do zero absoluto (nem a ideia existia) até uma resposta oficial do governo mexicano. Os agentes não só analisaram as imagens: eles fizeram pesquisa bibliográfica, redigiram o relatório formal, traduziram para o espanhol e identificaram o contato correto no INAH para enviar.

O plot twist que ninguém esperava

Depois da confirmação do INAH e da história viralizar, veio uma atualização importante: o sítio já havia sido mapeado em um paper acadêmico de 2025 (Estrada-Belli et al.), mas ainda não estava registrado no banco de dados oficial do México.

Isso significa que os agentes não “descobriram” algo completamente novo, mas sim “redescobriram” independentemente um local que pesquisadores acadêmicos já haviam identificado. A estrutura existia na literatura científica, mas não nos registros oficiais do INAH.

Isso diminui a façanha? Eu diria que não. O fato de agentes de IA, sem treinamento específico em arqueologia, terem chegado ao mesmo resultado que uma equipe de pesquisadores profissionais valida completamente a abordagem. A metodologia funciona, e provavelmente existem centenas de outros sítios nos dados do G-LiHT que ninguém revisou ainda.

Por que isso importa (e não é sobre arqueologia)

Vamos ser práticos aqui. A descoberta maia é fascinante, mas o que realmente importa é o método. Miotti demonstrou que:

1. Agentes de IA generalistas já funcionam como analistas de dados visuais

Nenhum modelo foi treinado especificamente. Foram usados Gemini, ChatGPT, Claude e Grok, modelos comerciais que qualquer pessoa pode acessar. A “expertise” veio de um prompt bem escrito com critérios claros de busca.

2. O custo caiu de milhões para quase zero

Campanhas de LiDAR tradicionais custam centenas de milhares de dólares. A análise dos dados exige equipes especializadas trabalhando por meses ou anos. Miotti usou dados públicos gratuitos e APIs de IA que custam centavos por chamada.

3. Dados públicos são subutilizados de forma grotesca

O dataset G-LiHT está disponível publicamente desde 2013. Treze anos sentado em um servidor da NASA, acessível para qualquer pessoa no planeta, e aparentemente ninguém havia feito uma varredura sistemática dessa escala com ferramentas automatizadas.

4. A barreira de entrada para “ciência de descoberta” desapareceu

Você não precisa mais de um PhD, um laboratório ou um grant de pesquisa para fazer descobertas significativas. Precisa de curiosidade, uma boa pergunta e acesso a agentes de IA. Isso é ao mesmo tempo empolgante e um pouco assustador.

LiDAR + IA: o combo que está mudando a arqueologia

A combinação de LiDAR com IA não é totalmente nova, mas está acelerando de forma brutal.

Em 2018, a já mencionada pesquisa de Richard Hansen na Guatemala usou LiDAR para mapear mais de 60 mil estruturas e 964 assentamentos na Bacia de Mirador-Calakmul. A pesquisa revelou calçadas de até 35 km conectando cidades, sugerindo uma sociedade muito mais organizada do que se pensava.

Em 2024, pesquisadores da Universidade de Tulane usaram deep learning combinado com dados G-LiHT para detecção automatizada de assentamentos maias, com resultados promissores mas limitados pela necessidade de dados de treinamento rotulados.

O que Miotti fez de diferente foi usar modelos de linguagem multimodais como analisadores de imagem zero-shot, sem treinamento prévio, sem dataset de validação, sem pipeline de ML complexo. Só prompt engineering e força bruta computacional de 48 agentes em paralelo.

O que a comunidade está dizendo

A reação no Hacker News foi, previsivelmente, uma mistura de entusiasmo e ceticismo saudável. Com mais de 800 pontos e centenas de comentários, a discussão tocou em pontos importantes:

Os entusiastas destacam que isso é só o começo. Se 1.200 km² renderam pelo menos um sítio confirmável, imagine o que acontece quando alguém roda isso na Amazônia, no Sudeste Asiático ou na África Central, regiões com cobertura LiDAR crescente e registros arqueológicos notoriamente incompletos.

Os céticos apontam que a “redescoberta” de um sítio já publicado não é a mesma coisa que uma descoberta inédita. Além disso, sem verificação de campo, tudo que temos é interpretação de imagens, e formações naturais podem enganar até arqueólogos experientes, quanto mais modelos de linguagem.

Os pragmáticos notam que o valor real não está no sítio em si, mas na demonstração de que datasets públicos gigantescos podem ser processados por agentes autônomos a custos marginais. Isso tem implicações enormes para qualquer campo que depende de análise visual de dados geoespaciais.

Como você pode fazer algo parecido

O projeto de Miotti não usou nada proprietário. Aqui está um roteiro simplificado de como replicar a abordagem:

# 1. Baixar dados G-LiHT da NASA (domínio público)
# https://gliht.gsfc.nasa.gov/
# Escolha uma região com cobertura LiDAR
# 2. Converter dados LiDAR em imagens de terreno
# Ferramentas: PDAL, LAStools, QGIS
pdal pipeline terrain_model.json
# Gera modelos digitais de terreno (DTM) como imagens
# 3. Dividir em tiles gerenciáveis
gdal_retile.py -ps 1024 1024 -targetDir tiles/ terrain.tif
# 4. Usar API multimodal para análise
# Python + API do Claude/Gemini/GPT-4o

import anthropic
import base64
client = anthropic.Anthropic()
# Para cada tile de imagem
with open("tile_001.png", "rb") as f:
    image_data = base64.standard_b64encode(f.read()).decode("utf-8")
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    messages=[{
        "role": "user",
        "content": [
            {"type": "image", "source": {"type": "base64", "media_type": "image/png", "data": image_data}},
            {"type": "text", "text": """Analise esta imagem de terreno LiDAR.
Procure por: estruturas retangulares/ovais elevadas (possíveis pirâmides),
áreas planas com bordas definidas (possíveis praças),
padrões geométricos artificiais.
Ignore: colinas naturais, cenotes, estradas.
Se encontrar algo, descreva a localização e as características."""}
        ]
    }]
)

Óbvio que existe um abismo entre rodar esse script e publicar um paper revisado por pares. Mas o ponto é que a ferramenta de triagem está acessível para qualquer dev com um cartão de crédito e uma tarde livre.

O futuro que ninguém está preparado

Se um engenheiro de software conseguiu, nas férias, apontar agentes de IA para dados públicos da NASA e encontrar o que parece ser um sítio arqueológico maia em 72 horas, o que acontece quando:

• Governos decidirem fazer varreduras sistemáticas de todo o seu território?
• Universidades integrarem agentes autônomos nos seus pipelines de pesquisa?
• Empresas de mineração usarem a mesma técnica para encontrar depósitos minerais?
• Organizações ambientais monitorarem desmatamento ilegal em tempo real?

A resposta é que a quantidade de “conhecimento escondido” em dados públicos já existentes é provavelmente maior do que qualquer um de nós imagina. Dados de satélite, registros médicos anonimizados, sequências genéticas, dados meteorológicos: tudo isso está sentado em servidores esperando que alguém faça a pergunta certa para um agente de IA.

Miotti não inventou uma tecnologia nova. Ele fez uma pergunta criativa e deixou os agentes trabalharem enquanto ele dormia. Às vezes, a melhor inovação é essa: juntar peças que já existem de um jeito que ninguém tinha tentado antes.

Fonte de inspiração: Pietro Miotti, “My AI agents found an unmapped Maya site in Mexico”