Finalmente, uma empresa conseguiu usar IA e descobriu que seus negócios foram tomados por empresas de grandes modelos

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 arremessou uma bomba com um tom quase descontrolado.

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

O apresentador perguntou se isso seria “empurrar a culpa”. Karp respondeu: “Não, eu só estou declarando fatos.”

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

Não é uma descarga emocional de uma única pessoa. Quando o líder de uma empresa com valor de mercado acima de um trilhão de dólares solta uma saraivada contra toda a indústria de modelos de grande escala ao vivo para o país, e o mercado dá uma resposta positiva com dinheiro de verdade, isso significa que uma emoção coletiva atingiu o ponto crítico.

Nos últimos dois anos, todos ficaram falando sobre como abraçar os modelos de grande escala. Mas agora, um novo problema está vindo à tona — se a empresa ficar “alta demais” demais do lado dos modelos de grande escala, ela pode ser destruída por eles?

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

Ao lembrar do início de 2024, dá para resumir a postura das empresas diante dos modelos de grande escala em quatro palavras — “primeiro, use”.

Pouco importa se há ROI ou não, para onde vai o fluxo dos dados — o que não pode é ficar para trás. Naquela época, o discurso predominante era: “a revolução da IA chegou; se não abraçar, vai ser淘汰”. CIOs e CTOs de todos os setores, sob uma enorme pressão, enfiam IA em cada etapa de negócio que fosse possível inserir. Era uma decisão típica movida pelo pânico tecnológico.

Em 2025, “abranger tudo” virou a palavra-chave. As empresas começaram a inserir modelos de grande escala de maneira séria nos fluxos centrais dos negócios, deixando de ser só fazer demos e organizar hackathons internos. De atendimento ao cliente a geração de código, de análise de mercado a design de produto — a profundidade e a amplitude em que a IA penetra no negócio se expandem de forma exponencial.

Mas entrando em 2026, uma mudança sutil de sentimento começa a acontecer.

Os dados de uma pesquisa da Salesforce mostram que apenas metade dos líderes de TI confia na base de infraestrutura de dados da própria empresa para sustentar a implementação bem-sucedida da IA. Um relatório de pesquisa divulgado pela NTT DATA em maio deste ano usou diretamente a expressão “chocar na parede” — a IA empresarial está enfrentando gargalos arquiteturais 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 deixando o “tokenmaxxing” — consumir tokens sem pensar — e passando a questionar de verdade a taxa de retorno sobre o investimento. “A visão básica é: não desperdice mais tempo com tokens.”

Isso não é negar modelos de grande escala; é a indústria inteira saindo do ‘entusiasmado’ rumo ao ‘não ingênuo’. Depois da fase de euforia, as empresas começam a encarar com mais frieza um problema fundamental: o que eu entrego e o que eu recebo de volta — essa conta fecha?

**02 **Quando o parceiro vira concorrente

As críticas de Karp ainda estavam no nível do modelo de negócios. Mas o que realmente arrepia é outra ameaça, mais direta — seu provedor de serviços de IA pode estar usando os dados e os cenários que você contribui para construir um produto que substitui o seu.

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

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

Em 14 de abril, o diretor de produtos da Anthropic, Mike Krieger, renunciou silenciosamente ao cargo de membro do conselho da Figma.

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

Naquele dia, as ações da Figma caíram quase 8%.

Uma reportagem posterior da Fast Company trouxe um detalhe que vale ser analisado com atenção — a Figma e empresas como Adobe e Canva têm relações de parceria de vários anos com a Anthropic, mas ninguém foi avisado antes do lançamento do Claude Design. Todo mundo percebeu de repente, no susto, que o “parceiro de IA” com quem contavam, sob seus próprios olhos, virou concorrente.

Esse caso merece reflexão porque revela um problema estrutural ainda mais perigoso na era dos modelos de grande escala do que em qualquer momento anterior — quando você colabora em profundidade com uma empresa de IA, você não só entrega as portas de entrada no mercado como também entrega sua compreensão central dos cenários e os dados das necessidades dos usuários.

A Anthropic conseguiu criar o Claude Design, em grande parte, porque ao colaborar com empresas de ferramentas de design, aprendeu profundamente o fluxo de trabalho e as dores dos designers.

Mas, se ampliar o olhar, não se trata de um roteiro novo na história da tecnologia.

A Amazon, que começou com plataformas de e-commerce, criou marcas próprias usando dados da plataforma para identificar com precisão as categorias mais lucrativas e então lançou produtos próprios para corroer vendedores terceiros. A Microsoft, partindo do sistema operacional, foi incorporando navegador, softwares de escritório e ferramentas de comunicação um por um — o Netscape foi morto, o Slack foi forçado a ser vendido. O Google se estendeu a partir do mecanismo de busca, respondendo diretamente às perguntas dos usuários com páginas de resultados, marginalizando o Yelp e uma grande quantidade de serviços verticais de informação.

A regra de ferro do setor nunca mudou — quando uma plataforma tem dados e compreensão suficientes de usuários, ela invade a cadeia a montante.

Na era dos modelos de grande escala, essa regra fica ainda mais feroz, porque a invasão das plataformas tradicionais exige tempo para acumular compreensão, enquanto modelos de grande escala já são, por natureza, um “acelerador de entendimento”. Cada chamada de API, cada entrada de dados de negócio, ajuda o fornecedor do modelo a compreender seu território com mais rapidez e profundidade.

**03 **O “limite de Roche” da era da IA

Na astronomia existe um conceito chamado “limite de Roche” — quando um corpo celeste se aproxima demais de uma estrela de grande massa, a força de maré supera a gravidade que ele tem sobre si mesmo, e o corpo acaba sendo despedaçado.

Essa metáfora descreve de forma precisa a relação de hoje entre empresas e modelos de grande escala — e isso é inquietante.

O modelo de grande escala é a estrela de grande massa. Toda empresa quer usar sua atração gravitacional para acelerar — melhorar eficiência, reduzir custos, inovar. Mas o problema é que, quando você chega perto o bastante, sua “matéria” começa a ser arrancada. Seus dados, seu know-how e sua compreensão das necessidades dos usuários passam para o centro gravitacional no processo de colaboração.

E então surge a pergunta: onde está o limite para “dançar com a IA” sem ser finalmente engolido?

Essa pergunta já foi colocada na mesa nos Estados Unidos. Mas se você acha que isso está longe demais das empresas chinesas, talvez seja uma ilusão.

Há diferenças no ritmo de aplicação de IA entre empresas da China e dos EUA. Empresas americanas já entraram na fase de implantação em larga escala e profundamente integrada aos negócios, enquanto as chinesas, no geral, ainda estão passando dos testes-piloto para a escala. Uma pesquisa divulgada pela Lenovo em conjunto com a IDC em março deste ano mostrou que 72% das empresas no país já concluíram a fase de testes de agentes e já colocaram em uso formal, com IA implantada em uma média de 3,5 cenários. Mas o foco dos desafios já mudou de “falta de capacidade de computação” e “falta de dados” para “efeitos de aplicação abaixo do esperado” e “ROI pouco claro”.

Em outras palavras, as empresas chinesas estão entrando em uma “fase de clareza sobre IA” parecida com a das empresas americanas.

A Geek Park, ao conversar recentemente com vários empreendedores e empresas de negócios tradicionais, encontrou um fenômeno interessante: muitas vezes, essas pessoas não chegam a essas questões por um senso de crise direto do tipo “estou com medo de a empresa de modelos roubar meu negócio”; elas começam a redefinir de forma natural a pergunta — “no mundo da IA, qual é o meu valor central?” depois que a IA é realmente colocada dentro do negócio.

Essa redefinição, no final, se apoia em duas capacidades-chave.

**04 **Quem controla a “infraestrutura do chão” da IA?

A primeira — e a mais prática — é altamente alinhada com o que Karp falou: seus dados e sua lógica de negócio, afinal, rodam sobre o “chão” de quem?

Karp reforçou repetidas vezes no CNBC que os dados operacionais mais sensíveis de uma empresa não deveriam entrar na caixa-preta de um provedor terceirizado de modelos. Ele posicionou a Palantir como uma camada de aplicação de “IA soberana” — modelos podem ser de terceiros, mas os dados têm de ficar dentro dos próprios muros, e a implantação precisa acontecer em infraestrutura que seja controlável pela própria empresa.

Isso não é paranoia; a sensação de que isso é verdadeiro é basicamente a mesma entre empresas chinesas. O responsável de P&D da WPS 365 da Kingsoft, Huang Weijie, disse recentemente algo bem acertado: “Hoje, o que as empresas precisam não é de hardware e de modelos, e sim de uma camada de aplicação de IA segura.”

Os dados da IDC também confirmam essa tendência. Na implantação de capacidade de computação para IA empresarial, a participação de cloud pública está diminuindo, e a participação total de cloud privada e implantação local subiu de 54% para 69%. “Dados não saem da zona” está deixando de ser apenas um slogan de compliance e virando a primeira condição de triagem quando CTOs escolhem soluções.

Karp chama isso de “commodity cognition” de percepção “comercializada”. O entendimento dele é que a qualidade do modelo em si está tendendo à convergência; o valor de diferenciação real não está na camada do modelo, mas na camada de aplicação que liga as capacidades do modelo a cenários específicos da empresa. O “motor de IA soberana” lançado em parceria com a NVIDIA, da Palantir, é a lógica em forma de produto — usando modelos open source somados a uma camada ontológica e um framework de governança próprios da Palantir, para que as empresas rodem IA em um ambiente totalmente controlável, sem sair nem um byte de dados. A receita da Palantir no primeiro trimestre de 2026 foi de US$ 1,63 bilhão, com crescimento de 85% ano a ano; de certa forma, isso é um “voto” do mercado por esse caminho.

Há um sinal a ser observado aqui — no futuro, empresas e soluções que ajudem as empresas a rodar IA “no próprio chão” vão ser ainda mais valorizadas. No mercado local, “cérebro privado de IA” já virou uma trilha real, e várias startups estão construindo produtos em torno disso. Não é mania de pureza técnica; é uma escolha racional feita depois de a empresa ter pensado bem.

**05 **Não transforme a organização em uma “máquina de repetição”

A segunda capacidade é mais difícil de quantificar, mas a Geek Park está sentindo cada vez mais isso ao conversar com empresas — quando a IA consegue substituir cada vez mais etapas de execução, que tipo de “pessoa” uma organização ainda precisa?

Algumas empresas que andam mais rápido já caíram nesse buraco.

Quando, em certos pontos, a eficiência da IA supera claramente a das pessoas, surge naturalmente a ideia de “cortar pessoas”. Mas depois que a organização fica mais fina, um problema oculto aparece — aquilo que a IA executa, na essência, é a “melhor prática” que essas pessoas conseguiram consolidar no ambiente antigo. Quando o ambiente muda, o mercado muda e os usuários mudam, a IA ainda segue fielmente aquela lógica antiga, enquanto a organização já não tem pessoas suficientes para perceber essas mudanças e empurrar o negócio para evoluir.

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

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 passa a precisar de outro tipo de pessoa — não aquelas que fazem tarefas específicas no sentido tradicional, e sim pessoas capazes de “comandar” a IA. Esse papel exige compreender o panorama geral do negócio, avaliar se aquilo que a IA gera ainda serve para a realidade que está mudando, e enxergar novas possibilidades além do “melhor resultado” entregue pela IA.

Algumas empresas na vanguarda já estão pensando seriamente sobre isso. Elas descobriram que com IA, a verdadeira competitividade não é “quantas pessoas você substituiu com IA”, e sim “se suas pessoas conseguem dominar a IA para fazer o que antes era impossível”. Se você só deixa a IA automatizar continuamente com base em dados históricos, em loops contínuos, você fica preso essencialmente a algum instantâneo do passado.

A importância dessa virada de percepção talvez não seja menor do que a de soberania de dados. Quando a IA achata barreiras técnicas, “o julgamento humano” e “a capacidade de evolução da organização” passam a ser as coisas mais difíceis de copiar. Algumas empresas já perceberam isso; outras ainda não. Mas essa linha divisória pode ficar bem nítida nos próximos 1 ou 2 anos.

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

Nos últimos dois anos, uma suposição implícita dominou toda a indústria: o valor na era da IA, no fim, vai se concentrar nas empresas de modelos. Quanto mais perto do modelo, mais alto o valor.

Essa suposição agora está sendo abalada.

No CNBC, Karp na verdade deixou claro um ponto — o próprio modelo está se tornando “commodity cognition” (conhecimento percebido como bem comum). Quando as diferenças de capacidade entre grandes modelos ficam cada vez menores, a diferenciação de verdade já não está na camada do modelo. Uma estrutura de indústria em que só as empresas de modelos dominam, além de não ser saudável para as empresas, também restringe a velocidade de desenvolvimento de toda a indústria de IA.

O que as empresas precisam nunca foi um modelo mais forte. Elas precisam de um ecossistema inteiro — capaz de responder às ansiedades de soberania de dados, proteger as barreiras competitivas contra “sugar” (captura) e permitir que a IA seja integrada ao negócio de verdade sem perder o controle. Essa demanda está criando um mercado bem mais complexo do que “vender token”.

Alguns caminhos já mostram sinais claros.

“Infraestrutura de IA soberana” está se tornando uma trilha real, com dinheiro grande. Não é só conceito. Só no primeiro semestre de 2026, a Europa já tinha 3 empresas de infraestrutura de IA soberana (Nebius, nScale, AtlasEsge) que levantaram juntas mais de US$ 11,8 bilhões. Poucos dias atrás, a Valarian em Londres acabou de receber US$ 50 milhões na rodada A — fazendo algo bem concreto: adicionar uma camada de “controle soberano” entre sistemas de IA e dados sensíveis, decidindo quais IAs podem tocar quais dados e sob quais condições. Esse tipo de coisa nem existia como necessidade há dois anos; agora governos e grandes empresas estão enfileirados.

“Portais de IA” e camadas intermediárias de orquestração estão virando uma parte indispensável da arquitetura de IA empresarial. Quando uma empresa usa ao mesmo tempo OpenAI, Anthropic, modelos open source e até seus próprios modelos especializados ajustados, quem faz o roteamento unificado, controle de custos, governança de permissões e auditoria? Esse lugar, na era do software tradicional, era chamado de middleware; na era da IA, é chamado de gateway ou camada de orquestração. Não é “sexy”, mas é uma infraestrutura-chave para a empresa sair de “usar IA” para “gerenciar IA”. A Palantir, essencialmente, faz exatamente essa camada — apenas na versão mais pesada. Soluções mais leves, para empresas de diferentes tamanhos, têm um espaço enorme.

Na camada de aplicação, soluções de IA por setor vertical também estão saindo do estágio de “encaixar uma carcaça” e indo para “aprofundar”. Antes, muitas chamadas “aplicações de IA” eram, no fundo, apenas colocar uma casca de GPT. Agora, os produtos realmente sustentáveis são aqueles que entendem profundamente know-how específico de cada setor, e amarram de forma estreita as capacidades da IA à lógica do setor. A âncora de valor dessas empresas não está no modelo; está na percepção/entendimento do setor — algo que as empresas de modelos grandes dificilmente conseguem obter apenas treinando.

Até mesmo no nível de “pessoas”, aparece um novo mercado de serviços. Quando mais empresas percebem que não precisam de mais ferramentas de IA, mas de pessoas que saibam “comandar a IA” e métodos organizacionais para isso, surgem rapidamente demandas por consultoria de mudança organizacional na era da IA, formação de talentos e redesenho de processos.

No fim das contas, uma indústria com apenas “camada do modelo” é frágil. O que realmente faz a indústria de IA correr mais rápido e com mais saúde é um ecossistema mais tridimensional. Nesse ecossistema, há quem faça modelos, quem faça infraestrutura soberana, quem faça gateways e governança, quem faça aplicações profundas de setores verticais, e quem ajude empresas a remodelar sua capacidade organizacional. Cada camada responde a necessidades reais da empresa no caminho de “abraçar” para “dominar”.

Essas necessidades, no último ano, foram ficando cada vez mais claras — de vagas para mais definidas. A seguir, as novas soluções, provedores de serviços e produtos que surgirem em torno dessas demandas podem viver uma fase de explosão bem mais definida.

Voltando à metáfora do limite de Roche. Encontrar a órbita segura nunca foi tarefa de uma única empresa. Quando todo o ecossistema começa a crescer forças além dos modelos, é aí que as empresas realmente ganham lastro para não serem despedaçadas.