Finalmente, uma empresa percebeu que seu negócio foi roubado por empresas de grandes modelos de IA

作者：宇航猿；来源：极客公园

1º de julho, o CEO da Palantir, Alex Karp, entrou no estúdio do CNBC e lançou uma bomba com um tom quase descontrolado.

Ele disse que a indústria de IA está “effing insane” (louca), que os CEOs das empresas americanas estão “livid” (furiosos) com a OpenAI e a Anthropic, e que as empresas estão fazendo uma coisa absurda — pagando malucos por tokens enquanto entregam seus dados operacionais mais centrais aos fornecedores de modelos. E o valor comercial que vem em troca é quase impossível de mensurar.

O apresentador perguntou se isso era “empurrar a culpa” (blaming). Karp respondeu: “Não, eu só estou afirmando os fatos.”

Naquele dia, as ações da Palantir subiram 9%. Esse número, por si só, já era uma espécie de voto — o mercado acredita que ele disse algo que muita gente queria dizer, mas não conseguiu colocar em palavras.

Não é uma descarga emocional de uma pessoa só. Quando o líder de uma empresa com valuation acima de mil bilhões de dólares dispara contra toda a indústria de modelos em rede nacional — e o mercado responde com dinheiro de verdade — isso significa que um tipo de sentimento coletivo chegou ao ponto crítico.

Nos últimos dois anos, todos falaram sobre como abraçar os grandes modelos. Mas agora um problema novo está surgindo — se as empresas ficam perto demais dos grandes modelos, elas podem ser despedaçadas por eles?

**01 **Do “entusiasmado” ao “não ingênuo”

Voltemos ao início de 2024: a postura das empresas diante dos grandes modelos pode ser resumida em quatro palavras — “usar primeiro”.

Tanto faz o ROI, tanto faz para onde os dados vão — o importante é não ficar para trás. Naquela época, a narrativa dominante era: “a revolução da IA chegou; se não abraçar, será descartado”. CIOs e CTOs de todo tipo de empresa, sob uma enorme pressão, enfiaram IA em cada etapa de negócio que era possível enfiar. Era uma decisão típica guiada por pânico tecnológico.

Em 2025, “abrir tudo” virou a palavra-chave. As empresas começaram a incorporar seriamente os grandes modelos nos fluxos centrais do negócio, deixando de ser apenas demos e hackathons internos. Da central de atendimento à geração de código, da análise de mercado ao design de produto, a profundidade e a abrangência da penetração de IA se expandiram exponencialmente.

Mas entrando em 2026, uma mudança de humor sutil está acontecendo.

Uma pesquisa da Salesforce mostra que apenas metade dos líderes de TI confia na infraestrutura de dados da própria empresa para sustentar a implantação bem-sucedida de IA. Um relatório de pesquisa divulgado em maio deste ano pela NTT DATA usou diretamente a expressão “bater na parede” — a IA corporativa está encontrando gargalos estruturais trazidos por exigências de privacidade e soberania de dados. A Gartner prevê que, até 2027, 35% dos países dependerão de plataformas de IA regionalizadas — enquanto hoje esse número é de 5%.

Karp descreveu essa mudança de forma ainda mais direta. Ele disse que as empresas estão saindo do “tokenmaxxing” — o consumo cego de tokens — para começar a realmente questionar a taxa de retorno sobre o investimento. “A visão básica é: não desperdice mais tempo com tokens.”

Isso não é negar os grandes modelos; é a indústria inteira saindo do “entusiasmado” para o “não ingênuo”. Depois da fase de euforia, as empresas passaram a encarar de modo mais frio um problema fundamental — o que eu entrego e o que eu recebo de volta: essa conta fecha?

**02 **Quando o parceiro vira concorrente

A crítica de Karp ainda fica no nível do modelo de negócio. Mas o que realmente arrefria a espinha é outra ameaça, mais direta: seu fornecedor de serviços de IA pode estar usando os dados e o entendimento do contexto que você contribuiu para construir um produto que substitua o seu.

O que aconteceu em abril de 2026 transformou essa preocupação de teoria em realidade.

Em fevereiro deste ano, Figma e Anthropic ainda trabalhavam juntas no desenvolvimento de um recurso chamado “Code to Canvas”, integrando de forma perfeita o código gerado pela Claude ao fluxo de design do Figma. As duas empresas pareciam parceiras íntimas.

Em 14 de abril, o chief product officer da Anthropic, Mike Krieger, renunciou silenciosamente ao assento no conselho do Figma.

Três dias depois, a Anthropic lançou a Claude Design — uma ferramenta de design de IA capaz de gerar protótipos interativos, PPT e materiais de marketing diretamente com linguagem natural, mirando com precisão o negócio central do Figma.

Naquele dia, a cotação do Figma caiu quase 8%.

Uma reportagem posterior da Fast Company trouxe um detalhe digno de nota — o Figma e empresas como Adobe e Canva tinham parcerias de muitos anos com a Anthropic, mas antes do lançamento da Claude Design, ninguém foi avisado. Todo mundo só percebeu, de surpresa, que o parceiro de IA — bem diante dos próprios olhos — virou concorrente.

Esse caso vale a reflexão porque expõe um problema estrutural do tempo dos grandes modelos que é mais perigoso do que em qualquer outra fase — quando você colabora profundamente com uma empresa de IA, você não entrega apenas a porta de entrada no mercado; você entrega também o entendimento central do seu contexto e os dados de necessidades dos seus usuários.

A Anthropic consegue fazer a Claude Design em grande parte porque, na parceria com empresas de ferramentas de design, compreendeu profundamente o fluxo de trabalho e as dores dos designers.

Mas, ampliando o olhar, não é um roteiro novo na história da tecnologia.

A Amazon, ao partir do e-commerce para criar marcas próprias, usa dados da plataforma para identificar com precisão as categorias mais lucrativas e lança seus próprios produtos para corroer os vendedores terceiros. A Microsoft, partindo do sistema operacional, foi incorporando um por um — navegador, softwares de escritório, ferramentas de comunicação — e matou a Netscape, além de forçar o Slack a vender a própria estrutura. O Google, ao estender-se da busca, responde perguntas do usuário diretamente na página de resultados, marginalizando o Yelp e diversos serviços verticais de informação.

A lei inquebrável do setor de tecnologia nunca mudou — quando uma plataforma tem dados suficientes e entendimento dos usuários, ela começa a corroer as camadas mais acima.

Na era dos grandes modelos, essa lei fica ainda mais feroz, porque a invasão das plataformas tradicionais precisa de tempo para acumular entendimento, enquanto os grandes modelos são naturalmente um “acelerador de entendimento”. Cada chamada de API, cada entrada de dado de negócio, ajuda o fornecedor do modelo a entender seu território mais rápido e mais profundamente.

**03 **A “linha de Roche” da era da IA

Na astronomia existe um conceito chamado “linha de Roche”. Quando um corpo celeste chega perto demais de um astro de massa muito maior, as forças de maré superam a gravidade que o próprio corpo consegue manter, e então ele é despedaçado.

Essa metáfora descreve a relação entre empresas e grandes modelos hoje com uma precisão que deixa desconfortável.

Os grandes modelos são o astro de massa muito maior. Todas as empresas querem usar a força gravitacional deles para acelerar — aumentar eficiência, reduzir custos, inovar. O problema é que, quando você chega perto o suficiente, seu “material” começa a ser arrancado. Seus dados, seu know-how, e o entendimento sobre as necessidades dos usuários, vão fluir para o centro gravitacional no processo de parceria.

E qual é o limite para uma empresa “dançar com a IA” sem ser finalmente consumida?

Esse tipo de pergunta já foi colocado na mesa nos Estados Unidos. Mas se você acha que isso está longe das empresas na China, pode ser uma ilusão.

Há diferenças no ritmo de aplicação de IA entre empresas dos EUA e as da China. As empresas americanas já estão na fase de implantação em grande escala, profundamente integrada aos negócios. Já as empresas chinesas, no geral, ainda estão passando de projetos-piloto para escalonamento. Um levantamento divulgado em março deste ano pela Lenovo em parceria com a IDC mostra que 72% das empresas no país já concluíram o piloto de agentes (inteligentes) e começaram a usar oficialmente, com IA implantada em média em 3,5 contextos. Mas o centro dos desafios também mudou — de “falta de capacidade de computação” e “falta de dados” para “efeito da aplicação abaixo do esperado” e “ROI pouco claro”.

Em outras palavras, as empresas chinesas estão entrando na mesma fase de “lucidez com a IA” que as empresas americanas.

O GeekPark, ao conversar recentemente com vários empreendedores e empresas com negócios tradicionais, encontrou um fenômeno interessante: as pessoas muitas vezes não pensam nisso por uma crise direta do tipo “tenho medo de a empresa de modelos roubar meu negócio”, e sim porque, depois de colocar a IA de verdade dentro do negócio, elas começam naturalmente a redefinir “qual é, na era da IA, o meu valor central”.

Essa redefinição acaba se apoiando em duas capacidades-chave.

**04 **Quem controla a “base” da IA?

A primeira — e também a mais concreta — é altamente consistente com o que Karp disse: de fato, em qual “base” rodam seus dados e sua lógica de negócio?

Esse é o ponto central que Karp repetiu várias vezes no CNBC. Os dados operacionais mais sensíveis de uma empresa não deveriam cair na caixa-preta de um fornecedor terceiro de modelos. Ele posicionou a Palantir como uma camada de aplicação para fornecer “IA de soberania”. O modelo pode ser de terceiros, mas os dados precisam ficar dentro do próprio perímetro; e a implantação deve ocorrer em infraestrutura que fique sob controle da própria empresa.

Isso não é paranoia; a sensação das empresas dentro da China é basicamente a mesma. O responsável por P&D da Kingsoft Office WPS 365, Huang Weijie, disse recentemente algo bem certeiro: “Hoje as empresas não estão sem hardware e modelos; estão sem uma camada de aplicação de IA segura.”

Os dados da IDC também reforçam essa tendência: na implantação de capacidade computacional para IA, a participação de cloud pública está caindo. A participação total de cloud privada e implantação local aumentou de 54% para 69%. “Os dados não saem do domínio” deixa de ser apenas um slogan de conformidade e vira a primeira condição de triagem quando CTOs selecionam soluções.

Karp chama isso de “commodity cognition” (cognição de mercadoria). A avaliação dele é que a qualidade do próprio modelo está convergindo, e o valor de diferenciação real não está na camada do modelo, mas na camada de aplicação que vincula a capacidade do modelo a contextos específicos da empresa. O “motor de IA de soberania”, que a Palantir criou em parceria com a NVIDIA, é a lógica transformada em produto — usar modelos open source somados à camada ontológica e ao framework de governança da Palantir, para que a IA rode em um ambiente totalmente controlável e nenhum byte de dados saia. A receita da Palantir no 1º trimestre de 2026 foi US$ 163 milhões, com crescimento de 85% ano a ano; em certa medida, isso é o “voto” do mercado por esse caminho.

Há um sinal a ser observado: empresas e soluções que ajudem a IA a rodar “na própria base” delas terão ainda mais demanda no futuro. No mercado doméstico, “cérebro privado de IA” já virou um segmento real e alguns startups estão construindo produtos ao redor desse tema. Não é mania técnica; é uma escolha racional feita depois de as empresas terem pensado com clareza.

**05 **Não transforme a organização numa “máquina de repetição”

A segunda capacidade — mais difícil de quantificar — é algo que o GeekPark sente cada vez mais ao conversar com empresas: quando a IA consegue substituir cada vez mais etapas de execução, que tipo de “pessoas” a organização ainda precisa?

Algumas empresas mais rápidas já caíram nessa armadilha.

Quando a IA supera claramente o desempenho humano em alguns estágios, surge uma ideia natural: “cortar as pessoas”. Mas depois que a organização fica mais “magrece”, um problema escondido aparece — o que a IA está executando, no fundo, é uma coleção de “melhores práticas” que essas pessoas consolidaram no ambiente antigo. Quando o ambiente muda, o mercado muda, os usuários mudam, a IA continua fielmente executando aquela lógica antiga, enquanto a organização não tem mais pessoas suficientes para perceber essas mudanças e impulsionar a evolução do negócio.

Em outras palavras, uma organização preenchida por IA, mas esvaziada por pessoas, talvez esteja apenas repetindo com eficiência o passado.

Isso não quer dizer que não se deva usar IA para substituir execução. O ponto é que, quando a IA assume cada vez mais a camada de execução, a empresa precisa ainda mais de outro tipo de pessoa — não aquelas que executam tarefas específicas no sentido tradicional, mas quem consegue “comandar” a IA. Essa função precisa entender o quadro geral do negócio, avaliar se o que a IA produz ainda serve para a realidade em mudança, e enxergar possibilidades novas além do “melhor resultado” que a IA oferece.

Algumas empresas adiantadas já estão pensando nisso seriamente. Elas percebem que com IA, a competitividade real não é “quantas pessoas você substituiu com IA”, e sim “se suas pessoas conseguem dominar a IA para fazer coisas que antes não eram possíveis”. Se você só deixa a IA automatizar continuamente dados históricos e manter um ciclo, na prática você fica preso a um retrato congelado do passado.

A importância dessa virada de percepção pode não ser menor do que a soberania dos dados. Quando a IA achata barreiras técnicas, o “juízo humano” e a “capacidade de evolução da organização” acabam se tornando as coisas mais difíceis de copiar. Algumas empresas já perceberam; outras ainda não. Mas essa linha divisória pode ficar muito clara nos próximos 1 ou 2 anos.

**06 **A indústria precisa de “novas empresas de IA”

Nos últimos dois anos, uma suposição implícita dominou a indústria inteira — o valor da era da IA, no fim, se concentrará nas mãos das empresas de modelos. Quanto mais perto do modelo, maior o valor.

Essa suposição está sendo abalada.

Karp, no CNBC, basicamente apontou uma coisa — modelos estão virando “cognição de mercadoria”. Quando a diferença de capacidade entre grandes modelos diminui, a diferenciação real não está mais na camada do modelo. Uma estrutura de indústria em que só empresas de modelos dominam não é saudável nem para as empresas, nem para a velocidade de desenvolvimento de toda a indústria de IA.

O que as empresas precisam nunca foi apenas um modelo mais forte. Elas precisam de um ecossistema inteiro — que responda à ansiedade por soberania de dados, que proteja barreiras competitivas para que não sejam “aspiradas” pelo mercado, e que permita incorporar IA no negócio sem perder o controle. Essa demanda está criando um mercado muito mais complexo do que simplesmente “vender tokens”.

Alguns caminhos já têm sinais claros.

A “infraestrutura de IA de soberania” está se tornando um segmento real, com dinheiro grande. Não é conceito. Só no 1º semestre de 2026, a Europa tinha três empresas fazendo infraestrutura de IA de soberania (Nebius, nScale, AtlasEsge) que, juntas, levantaram mais de 11,8 bilhões de dólares. Poucos dias atrás, em Londres, a Valarian acabou de levantar US$ 50 milhões na rodada A, fazendo algo bem concreto — colocar uma “camada de controle de soberania” entre sistemas de IA e dados sensíveis, determinando quais IAs podem tocar quais dados e em quais condições. Isso nem existia como necessidade real dois anos atrás; agora governos e grandes empresas estão na fila.

“Gateways de IA” e camadas intermediárias de orquestração estão se tornando parte indispensável da arquitetura de IA corporativa. Quando uma empresa usa ao mesmo tempo OpenAI, Anthropic, modelos open source e também modelos próprios que foram ajustados (fine-tuning), quem faz o roteamento unificado, o controle de custos, governança de permissões e auditoria? Esse papel, no mundo do software tradicional, se chama middleware; na era da IA, chama-se gateway ou camada de orquestração. Não é “sexy”, mas é infraestrutura-chave para a empresa sair de “usar IA” e ir para “controlar bem a IA”. O que a Palantir faz é, essencialmente, essa camada, só que no formato mais pesado. Há um enorme espaço para soluções mais leves, voltadas a empresas de diferentes tamanhos.

Na camada de aplicação, soluções de IA por setor vertical também estão saindo do “embrulho” para o “aprofundamento”. No passado, muitas “aplicações de IA” nada mais eram do que envolver uma camada de GPT. Agora, as que realmente se sustentam são as que entendem profundamente know-how específico do setor, amarrando as capacidades de IA com a lógica do setor. O valor dessas empresas não está no modelo; está na percepção do setor — justamente algo que empresas de grandes modelos têm dificuldade em adquirir via treinamento.

Até na camada de “pessoas”, está surgindo um novo mercado de serviços. À medida que mais empresas percebem que precisam não de mais ferramentas de IA, mas de pessoas capazes de “comandar a IA” e de metodologias organizacionais para isso, a demanda por consultoria de transformação organizacional na era da IA, formação de talentos e redesenho de processos também aparece com rapidez.

No fim, uma indústria que só tem “camada de modelo” é frágil. O que de fato faz a indústria de IA rodar mais rápido e com mais saúde é um ecossistema mais tridimensional. Nesse ecossistema, há quem faça modelos, quem faça infraestrutura de soberania, quem forneça gateways e governança, quem crie aplicações profundas por setor vertical e quem ajude as empresas a redefinir capacidade organizacional. Cada camada atende necessidades reais das empresas na transição de “abraçar” para “dominar” a IA.

Essas demandas ficaram cada vez mais claras no último ano: de nebulosas passaram a ser mais nítidas. Em seguida, as novas soluções, prestadores de serviços e produtos que nascerem dessas demandas provavelmente vão passar por uma onda de explosão bem definida.

Voltando à metáfora da linha de Roche. Encontrar a órbita segura nunca foi tarefa de uma única empresa. Quando todo o ecossistema começa a criar forças além dos modelos, as empresas de fato passam a ter base para não serem despedaçadas.