Ask Jeeves fecha as portas: o avô da busca conversacional se despede
O Ask Jeeves, pioneiro da busca em linguagem natural desde 1997, encerrou oficialmente em maio de 2026, décadas antes de o ChatGPT popularizar a ideia.
O Ask Jeeves, portal de busca que ensinou a web a responder perguntas em português claro antes mesmo de o Google existir como produto, fechou oficialmente em 1º de maio de 2026. Quase 30 anos depois de abrir as portas, a IAC (InterActiveCorp), dona atual da marca, desligou os servidores e publicou uma nota de agradecimento aos engenheiros e usuários que construíram a história do serviço.
Contexto técnico
Em 1997, quando o Ask Jeeves foi ao ar, os buscadores funcionavam como índices de palavras-chave: você digitava "Roma turismo" e o sistema tentava casar esses termos com páginas indexadas. O Jeeves propôs algo diferente: aceitar perguntas em linguagem natural, como "Quais são os pontos turísticos de Roma?", e devolver uma resposta direta.
Isso que hoje chamamos de NLU (Natural Language Understanding, ou compreensão de linguagem natural) era um problema muito difícil para a época. Sem LLMs (Large Language Models, modelos de linguagem de grande escala treinados em enormes volumes de texto) e sem embeddings semânticos (representações numéricas que capturam o significado das palavras), o Ask Jeeves usava regras heurísticas e bancos de perguntas pré-mapeadas para tentar entender a intenção do usuário.
A abordagem era limitada, mas o conceito era visionário. O que o Jeeves tentava fazer manualmente em 1997, o ChatGPT e o Gemini fazem hoje usando transformers, atenção contextual e bilhões de parâmetros treinados.
Para ter uma ideia da distância tecnológica, veja a diferença entre as duas abordagens:
# Abordagem antiga (simplificada): match de padrão fixo
if "pontos turísticos" in query and "Roma" in query:
return respostas_pre_cadastradas["roma_turismo"]
# Abordagem moderna: embedding + busca semântica
embedding = modelo.encode(query) # transforma texto em vetor numérico
resultados = busca_vetorial(embedding) # acha documentos semanticamente próximos
resposta = llm.gerar(query, resultados) # gera resposta em linguagem natural
Impacto para devs
A história do Ask Jeeves é um ótimo lembrete de que boas ideias surgem antes da infraestrutura necessária para sustentá-las. O conceito de busca conversacional estava certo desde o início, mas a stack tecnológica de 1997 não tinha como entregá-lo de forma escalável.
Para quem está aprendendo a desenvolver hoje, isso tem uma lição direta: quando você trabalha com busca e linguagem natural em suas aplicações, provavelmente está usando alguma dessas tecnologias que tornaram o sonho do Jeeves possível:
- RAG (Retrieval-Augmented Generation): técnica que combina busca vetorial com geração de texto. O modelo recupera documentos relevantes e os usa como contexto antes de responder, exatamente o que o Jeeves tentava fazer com regras manuais.
- Embeddings: ao transformar texto em vetores numéricos, sistemas como o OpenAI Embeddings ou o Sentence Transformers conseguem medir similaridade semântica entre perguntas e documentos, mesmo quando as palavras exatas não coincidem.
- Fine-tuning: ajuste fino de um modelo pré-treinado para um domínio específico, algo que permite criar buscas especializadas sem partir do zero.
Se você está construindo uma feature de busca hoje, ferramentas como LangChain, LlamaIndex ou pgvector (extensão vetorial do PostgreSQL) entregam em poucas linhas o que custaria anos de engenharia em 1997.
Conclusão
O fechamento do Ask Jeeves é simbólico: enquanto Google, OpenAI e outros correm para tornar a busca cada vez mais conversacional, o serviço que inventou essa ideia apaga a luz em silêncio. Para devs júniors, vale guardar essa referência histórica. A próxima vez que você usar uma API de embeddings ou montar um pipeline RAG, saiba que está completando uma ideia que começou com um mordomo fictício digitando respostas na internet há quase três décadas.