Como JPEG e GIF comprimem imagens: técnica, percepção visual e algoritmos por trás dos formatos

O JPEG não é só 'compressão com perda', é uma cadeia de decisões técnicas que explora a fisiologia da visão humana. A conversão RGB → YCbCr permite o chroma subsampling (ex: 4:2:0), onde dados de cor são reduzidos em até 75% sem impacto perceptível. A DCT transforma cada bloco 8×8 em coeficientes de frequência, e a quantização, ajustável via parâmetro de qualidade, descarta intencionalmente componentes de alta frequência (textura fina, ruído) antes mesmo da codificação final. Já o GIF depende do LZW, um algoritmo *lossless* que constrói dicionários dinâmicos durante a compressão: sequências repetidas (como fundos planos ou áreas monocromáticas) viram códigos curtos, explicando por que animações com pouca variação entre frames comprimem tão bem. Mas sua paleta fixa de 256 cores e ausência de alpha verdadeiro o tornam tecnicamente obsoleto para uso profissional, ainda que persista por legado e simplicidade.

Em 2026, a realidade prática não é escolher entre JPEG e GIF, mas gerenciar uma cadeia de formatos: AVIF como prioridade (melhor relação qualidade/tamanho), WebP como fallback robusto (98% de suporte, bom equilíbrio), e JPEG como último recurso para compatibilidade total. O JPEG XL, apesar de superior tecnicamente (transcodificação lossless de JPEGs existentes + 30, 60% de ganho), falhou na adoção web por falta de suporte estável nos navegadores principais, Chrome o abandonou, Firefox o mantém atrás de flag, Safari é a única implementação ativa. Isso mostra que desempenho bruto não basta: DX (developer experience), ferramentas de build, suporte em CDNs e comportamento de cache influenciam mais a adoção do que especificações teóricas.

Compressão de imagem não é otimização secundária, é infraestrutura. Uma imagem hero mal otimizada pode adicionar 2+ segundos ao LCP (Largest Contentful Paint), quebrando metas de Core Web Vitals e afetando SEO direto. No Shopify, por exemplo, imagens acima da dobra são o gargalo dominante, não o JavaScript. E no contexto de RAG com modelos de visão, imagens comprimidas com perdas excessivas (JPEG com qualidade < 60) geram descrições textuais imprecisas, prejudicando a recuperação de informações técnicas. Além disso, formatos modernos como AVIF e JPEG AI já integram pipelines de CI/CD: ferramentas como Sharp, libvips e Cloudflare Images permitem conversão sob demanda com fallback automático, transformando compressão em questão de configuração, não de manualização.