#Gate直通IPO第三期Anthropic O que exatamente a Anthropic está vendendo?
Em 10 de novembro de 2026, a Anthropic iniciou o roadshow de seu IPO proposto. Roadshow é a apresentação em que uma empresa explica aos investidores como faz negócios e como pretende crescer antes de uma oferta pública inicial de ações; isso não significa que ela já esteja listada na bolsa. Esse roadshow nos deu uma oportunidade rara: além de saber o que o Claude pode fazer, podemos ver como a Anthropic vende essas capacidades, quanto já ganhou e o que está apostando para o próximo passo. Na minha visão, a Anthropic é uma empresa que quer transformar cada avanço dos modelos em uma nova tarefa pela qual os clientes estejam dispostos a pagar continuamente. Para entendê-la, é preciso ir de um pedido de seguro até seus contratos de computação e seu conselho de administração.
01|Claude é um assistente de conversa, mas a Anthropic só ganha dinheiro com conversas?
A Anthropic foi fundada em 2021 por sete pessoas, entre elas Dario Amodei e Daniela Amodei. Originalmente, era uma empresa de pesquisa de IA de ponta, e Claude é uma série de modelos que ela desenvolveu. Hoje, o assistente de conversa que as pessoas usam no celular ou na web também se chama Claude. No dia a dia, não é preciso separar esses dois Claudes, mas, para entender o negócio, é necessário distinguir modelo, produto e plataforma.
O modelo é a camada que fornece os recursos subjacentes. O que o roadshow apresentou não foi um modelo universal que faz de tudo, mas uma variedade de opções, das mais rápidas e baratas às mais capazes de lidar com tarefas complexas. Por exemplo, para classificar muitos documentos por tema, não é necessário usar o modelo mais potente; mas, para pedir que uma IA leia um software desconhecido, encontre um problema, faça a correção e ainda passe nos testes, um modelo mais capaz pode evitar muitos desvios. O que o cliente compra não é o primeiro lugar em um ranking, mas a capacidade adequada para a tarefa em questão. O produto são as ferramentas criadas pela própria Anthropic. Uma pessoa pode abrir o Claude para conversar, e um engenheiro pode usar o Claude Code para alterar código em um projeto. A plataforma permite que outras empresas incorporem esses recursos aos próprios produtos: por meio de uma API, ou seja, uma interface pela qual softwares acessam os recursos uns dos outros, o sistema de uma empresa pode enviar tarefas ao Claude e receber os resultados. Às vezes, você nem vê o nome Claude; apenas percebe que algo que antes exigia mudar para outra ferramenta agora pode ser feito no próprio software que já está usando. Esse é também um ponto bem prático do roadshow, na minha opinião: levar o Claude aos lugares onde os usuários já trabalham. Por exemplo, integrá-lo ao Word e ao Excel ou, por meio de suítes do setor, às ferramentas que os advogados já usam. Para quem desenvolve produtos, há uma diferença bem concreta: você pede ao usuário que transfira os materiais para uma nova janela de conversa toda vez ou permite que ele continue o trabalho diretamente nos documentos, planilhas e sistemas que já usa? Por baixo, pode ser o mesmo modelo, mas a segunda forma de uso tem mais chances de se tornar parte do trabalho diário.
02|Por que começar pela programação, em vez de criar logo um assistente universal?
No roadshow, a Anthropic contou um detalhe: ao desenvolver o Claude Code, a equipe percebeu que os modelos ainda não lançados estavam ficando cada vez melhores em compreender código, mas não esperou que eles amadurecessem o suficiente para começar a criar uma ferramenta. A equipe desenvolveu antecipadamente um produto que permitia ao modelo acessar projetos de código. Em fevereiro de 2025, o Claude Code foi lançado junto com o Claude 3.7 Sonnet como uma prévia de pesquisa limitada. Engenheiros podem pedir que ele leia o código existente, altere arquivos, escreva testes e os execute, e depois revisar o que ele fez. Primeiro lançamento do Claude Code[7]Por exemplo, você pede a um assistente de conversa que corrija um problema de login. Ele pode fornecer um trecho de código que parece bom, mas você precisa colocá-lo de volta no projeto e verificar se não estragou outra coisa. Com o Claude Code, ele pode primeiro procurar os arquivos relevantes, executar os testes existentes depois das alterações e então deixar que uma pessoa revise as modificações. A diferença não é uma resposta mais longa, mas a capacidade de concluir algumas etapas dentro dos limites das permissões concedidas e receber feedback.
Uma IA desse tipo costuma ser chamada de Agente: não apenas dá sugestões, mas também usa ferramentas para realizar tarefas. Por que a programação é adequada para começar? Porque uma parte considerável dos resultados pode ser verificada: se o programa funciona, se passou nos testes e se algo que não deveria ter sido alterado foi mexido. É claro que passar nos testes não significa que o programa pode ser colocado no ar diretamente, mas pelo menos é possível detectar alguns erros, em vez de apenas ler uma resposta bem escrita e tentar adivinhar se está certa. Para a IA passar de responder perguntas a assumir tarefas, é preciso primeiro dar às pessoas um jeito de saber se ela fez o trabalho corretamente. Isso também faz parte do que a Anthropic chama de desenvolver modelos e produtos em conjunto. Primeiro, o modelo aprende com grandes volumes de textos, artigos científicos e código; depois, pratica como resolver problemas e usar ferramentas em tarefas com feedback. Quando o produto chega às mãos de usuários reais, a equipe também consegue perceber com mais facilidade onde o modelo trava e decidir o que a próxima geração precisa aprimorar. Nem toda melhoria depende de aumentar o modelo; às vezes, o que falta é ler o arquivo certo, executar o teste correto ou parar e perguntar a uma pessoa quando houver dúvida. Quando o modelo adquire essas capacidades, o produto pode assumir tarefas mais complexas.
Essa trajetória também aparece em outros tipos de trabalho. A farmacêutica Bristol Myers Squibb (BMS) deu um exemplo no roadshow: antes, uma questão complexa poderia exigir consultas em vários bancos de dados, seguida da organização dos resultados em um relatório, e levar um ou dois meses; no cenário apresentado, o Claude consegue produzir um relatório em quatro ou cinco minutos. Essa comparação se refere a uma consulta e à compilação dos resultados; a possibilidade de reduzir o ciclo de testes em 20% a 30% é uma expectativa da BMS, não um resultado já alcançado. O que realmente merece atenção é que a empresa farmacêutica precisa primeiro conseguir limitar quem acessa quais dados e visualizar como o sistema funciona para poder delegar esse tipo de tarefa.
03|Como o teste por uma equipe se transforma em uma fatura para a empresa inteira?
No roadshow, a Anthropic apresentou um caminho de adoção pelos clientes: geralmente, começa com uma tarefa específica, como um engenheiro usando o Claude Code para corrigir um problema. Quando os resultados se mostram consistentes, cargos próximos começam a usar a ferramenta, mais processos são integrados e, por fim, o Claude pode até ser incorporado a produtos vendidos aos clientes. Essa é uma trajetória típica descrita pela empresa, mas nem todo cliente vai percorrê-la até o fim. A Accenture é um exemplo fácil de entender. Ela usa o Claude no próprio desenvolvimento de software e também o integrou à plataforma de cibersegurança CyberAI, voltada aos clientes. Segundo a Accenture, após implantar a plataforma em seus próprios sistemas de TI, o tempo das varreduras de segurança caiu de três a cinco dias para menos de uma hora. A mesma capacidade serve tanto como ferramenta para engenheiros internos quanto como parte de uma solução entregue a clientes. Quando passa a fazer parte do processo de entrega, cada cliente atendido a mais pode gerar mais uso. Isso também explica por que o negócio do Claude não pode ser entendido apenas com base em assinaturas.
Nos três primeiros trimestres de 2026, cerca de 79% da receita da Anthropic veio da cobrança por uso, e os 21% restantes vieram de assinaturas. É como se a conta da empresa dependesse não apenas do número de pessoas com cartão de acesso, mas também de quanto tempo os equipamentos ficam ligados por dia e de quanto trabalho processam. As empresas podem acessar a plataforma da Anthropic diretamente ou por plataformas de nuvem conhecidas, como AWS, Google Cloud e Microsoft Azure. Usar os canais de compra e implantação que os clientes já conhecem ajuda a transformar testes em operações oficiais. Outro número do roadshow que pode ser facilmente interpretado de forma equivocada é a taxa líquida de retenção de receita, de cerca de 900%.
Em termos simples: o mesmo grupo de clientes que gerou receita no terceiro trimestre do ano passado e se enquadrou nos critérios estatísticos gerou, no total, cerca de nove vezes mais receita no terceiro trimestre deste ano; o cálculo exclui algumas categorias de assinaturas pessoais com preço fixo e não significa que cada cliente gastou nove vezes mais. No mesmo período, havia mais de 11.900 clientes que tinham gerado pelo menos US$ 100 mil em receita nos 12 meses anteriores; esse número também não corresponde ao total de clientes empresariais. Juntos, os dois números indicam que há mais clientes de grande porte e que o mesmo grupo de clientes está gastando mais, mas não revelam por quanto tempo esse crescimento pode continuar.
04|Se os modelos estão ficando mais eficientes, por que contratar tanta capacidade computacional com antecedência?
Capacidade computacional é o poder de processamento fornecido por chips e data centers. Treinar modelos requer capacidade computacional, e também é preciso usá-la toda vez que um cliente pede ao Claude que escreva código ou leia um relatório. A primeira é como desenvolver um produto; a segunda, como prestar um serviço aos clientes repetidamente. A própria Anthropic usa o Claude em pesquisa e operações, e também consome recursos dessa reserva. No roadshow, a empresa disse que fez duas coisas. A primeira foi ampliar as fontes de capacidade computacional: escreveu software de adaptação para diferentes chips e passou a gerenciar em conjunto os recursos de vários fornecedores. Além de comprar serviços de nuvem, ela também aluga chips diretamente por meio do Anthropic Direct, que operam em data centers administrados especificamente para ela. Assim, pode reservar primeiro a capacidade dos data centers, cuja construção demora mais, e decidir depois, quando a demanda estiver mais clara, quais chips instalar e em que quantidade.
A segunda coisa foi fazer com que os recursos existentes rendessem mais. O roadshow deu um exemplo hipotético: se antes eram necessárias 100 unidades de capacidade computacional para treinar determinada capacidade, uma melhoria que multiplicasse a eficiência por quatro reduziria a necessidade a 25 unidades; também seria possível continuar usando 100 unidades para treinar um modelo que antes estava fora de alcance. O fator quatro é um exemplo para explicar o princípio, não significa que todas as tarefas já estejam economizando três quartos dos recursos. Um caso interno mais concreto é o da participação do Mythos na adaptação para chips da AMD: a Anthropic disse que conseguiu executar o Claude em cerca de três dias. O caso mostra que a IA já está ajudando as equipes de pesquisa e desenvolvimento a aprimorar parte da infraestrutura, mas não significa que o modelo já consiga treinar, validar e lançar sozinho sua próxima geração. O custo de uma tarefa individual pode cair, mas a conta total da empresa ainda pode aumentar. A Anthropic apresentou uma comparação específica: segundo os cálculos da empresa, o custo de uso do Opus 5.5 em tarefas típicas é cerca de 40% menor do que o do Opus 5. Mas, se ficar mais barato analisar um relatório, as empresas podem deixar de usar o recurso apenas na sede e oferecê-lo às equipes de todas as regiões. Tarefas que antes não valia a pena fazer ou que não era possível realizar também podem passar a ser feitas. O fato de cada uso do modelo consumir um pouco menos de capacidade computacional não significa que o sistema inteiro vá consumir menos. A dificuldade é que não dá para esperar os clientes formarem uma fila para só então construir a capacidade computacional aos poucos. A Anthropic informou que normalmente contrata capacidade computacional com 12 a 18 meses de antecedência; os recursos comprados de última hora são mais caros. Segundo os critérios de divulgação do prospecto de 10 de novembro, o total dos compromissos de compra e arrendamento já assumidos pela empresa é de cerca de US$ 900,9 bilhões, quase todo relacionado a capacidade computacional e infraestrutura, ao longo de vários anos; alguns contratos ainda estão sujeitos a condições ou preveem formas de rescisão. Esse valor não corresponde ao dinheiro já gasto nem a uma dívida atual de igual montante. O verdadeiro desafio é que muitos clientes não se comprometem a usar a plataforma por um longo prazo, mas a empresa precisa se comprometer primeiro com os fornecedores: se contratar pouco, terá de pagar caro para comprar mais quando a demanda aumentar; se contratar demais, ainda poderá ter de pagar por recursos ociosos quando a demanda diminuir.
05|Com uma receita trimestral de cerca de US$ 17 bilhões, por que ainda não dá para dizer que ela já está lucrando?
O número mais impressionante do roadshow é a receita da Anthropic no terceiro trimestre de 2026, de cerca de US$ 17 bilhões, mais de 12 vezes a do mesmo período do ano anterior. Mas receita é o valor das vendas reconhecido pela empresa segundo as regras contábeis, não o dinheiro que entrou na conta bancária, muito menos o que sobrou no fim. Para saber se esse negócio está funcionando, é preciso pelo menos separar três aspectos. Primeiro, o lucro operacional real. Segundo os princípios contábeis geralmente aceitos nos Estados Unidos, a Anthropic teve um prejuízo operacional de cerca de US$ 567 milhões nesse trimestre, com margem operacional de aproximadamente -3%. Já a margem operacional ajustada divulgada pela empresa foi de cerca de +15%.
Como uma pode ser positiva e a outra, negativa? A segunda métrica exclui duas despesas principais: remuneração em ações para funcionários e despesas não monetárias geradas pela doação de ações da empresa. A métrica ajustada ajuda a avaliar o desempenho operacional sem esses itens, mas essas despesas não deixam de ter um custo só porque não envolvem um pagamento em dinheiro naquele momento. Segundo, é preciso ver como o dinheiro entra e sai. O mesmo prospecto mostra que, nos três primeiros trimestres de 2026, o fluxo de caixa líquido gerado pelas atividades operacionais foi positivo, em cerca de US$ 6,569 bilhões. Esse número não é referente apenas ao terceiro trimestre e não deve ser interpretado como o que sobrará depois de futuros investimentos em equipamentos e infraestrutura. Por outro lado, também não dá para dizer que a empresa gastou US$ 23,3 bilhões em dinheiro no terceiro trimestre só porque teve um prejuízo líquido de cerca desse valor; aproximadamente US$ 21,9 bilhões foram ajustes contábeis não monetários, causados pela variação da avaliação de instrumentos de financiamento, como títulos conversíveis. Terceiro, é preciso ver se o crescimento está tornando o negócio mais leve. A meta de longo prazo apresentada pela empresa é superar uma margem operacional ajustada de 35%, com a condição de que a capacidade computacional se torne mais eficiente, a estrutura de compras melhore e a proporção de outras despesas em relação à receita diminua.
Os números operacionais atuais, porém, não seguem uma trajetória sempre ascendente: a margem operacional ajustada foi de cerca de 19% no segundo trimestre e caiu para aproximadamente 15% no terceiro. No prospecto, a empresa explicou que, no terceiro trimestre, entregou cerca de US$ 5 bilhões em capacidade computacional contratada no curto prazo, que costuma ser mais cara. A chegada rápida da demanda é uma boa notícia, mas atender a essa demanda pode exigir primeiro custos mais altos. Isso é mais interessante do que simplesmente rotular a empresa como “já lucrativa” ou “ainda queimando dinheiro”.
Os clientes podem estar dispostos a pagar mais, uma métrica de lucro pode ser positiva e, ao mesmo tempo, a empresa pode precisar investir grandes somas no futuro. Assim, não é difícil entender por que, mesmo com o forte crescimento da receita, a empresa ainda precisa captar recursos: parte da capacidade computacional precisa ser paga antes de começar a gerar receita. O que a Anthropic precisa provar é que, à medida que mais clientes entregarem mais tarefas ao Claude, o dinheiro que ela ganha poderá cobrir continuamente os custos do negócio — e não apenas fechar a conta em um trimestre favorável.
06|Por que uma empresa que vende IA mais poderosa não disponibiliza todas as suas capacidades mais avançadas?
A Mozilla, que desenvolve o navegador Firefox, corrigiu 271 problemas de segurança encontrados pelo Claude Mythos Preview no Firefox 150. O relato da própria Mozilla sobre o processo é mais interessante do que o número: depois que o modelo identifica problemas suspeitos, a equipe ainda precisa avaliar a gravidade, eliminar relatórios duplicados, escrever correções, testar e lançar as atualizações. O modelo acelerou a identificação de problemas, mas os engenheiros não desapareceram do processo; pelo contrário, precisam encontrar maneiras de lidar com mais descobertas.
A mesma capacidade que ajuda os defensores a encontrar vulnerabilidades também pode ajudar atacantes a encontrar pontos de entrada. Por isso, no Project Glasswing, a Anthropic primeiro concedeu acesso controlado ao Mythos Preview a parceiros de defesa, em vez de disponibilizá-lo diretamente para todo mundo. Em novembro de 2026, o Fable 5.2 e o Mythos 5.2 apresentados oficialmente vinham do mesmo modelo subjacente: o Fable, com proteções mais robustas contra riscos de cibersegurança e biossegurança, foi disponibilizado amplamente; já o Mythos foi disponibilizado por canais verificados para usos qualificados em cibersegurança ou ciências da vida. O que é possível fazer, quem pode usar e quem é responsável pelo resultado são três questões diferentes. Na ciência, vale a mesma lógica. A Anthropic já descreveu um experimento: o Claude identificou uma sequência repetida anômala em um grande conjunto de dados genéticos, e depois os pesquisadores fizeram uma validação inicial em laboratório; ainda é preciso pesquisar como aquele sistema funciona. O Laboratório de Propulsão a Jato da NASA também informou que o Claude ajudou a planejar a rota do rover Perseverance em Marte, mas a equipe de engenharia primeiro verificou os comandos em um rover virtual antes de enviá-los a Marte. O mais interessante nesses exemplos não é que a IA já consiga trabalhar sozinha como cientista ou dirigir um rover em Marte, mas que ela pode ampliar o que as pessoas conseguem explorar, enquanto ainda há formas de verificar resultados importantes.
Na descrição da empresa, segurança não é apenas uma barreira acrescentada antes do lançamento de um modelo. Também inclui ensinar o modelo durante o treinamento a lidar com solicitações prejudiciais e pesquisar por que determinados comportamentos aparecem dentro dele. Para as empresas, isso não é a mesma coisa que perguntar se o sistema pode acessar um arquivo ou se é possível investigar o que deu errado: uma questão diz respeito ao comportamento do próprio modelo, e a outra, às permissões e responsabilidades quando ele é implantado em um trabalho real. Quanto a quem pode tomar decisões sob pressão comercial, a Anthropic conta ainda com outra camada de governança corporativa. Ela é uma public benefit corporation constituída segundo as leis do estado americano de Delaware: pode ter fins lucrativos, mas também tem a responsabilidade de considerar o interesse público. Segundo a descrição do prospecto, se a oferta for concluída, o fundo fiduciário de interesse de longo prazo que detém ações especiais geralmente poderá nomear ou destituir quatro dos sete integrantes do conselho, mas não será responsável pela gestão cotidiana nem aprovará cada lançamento de modelo. Esse mecanismo merece atenção, mas não garante que a empresa sempre vá tomar as decisões certas. Restringir o acesso pode reduzir as vendas de alguns serviços, e fazer mais testes de segurança também custa dinheiro. Por outro lado, conseguir explicar permissões, auditorias e responsabilidades pode dar confiança a mais clientes para integrar tarefas importantes. Esses dois lados precisam ser analisados separadamente.
Voltando àquele pedido de seguro do começo. Depois que a IA organiza os materiais, o analista de seguros ainda toma a decisão. Mas o trabalho que antes consumia tempo já foi redistribuído: a máquina cuida da parte em que é boa, e as pessoas reservam seu tempo para o que exige julgamento especializado. Para a Anthropic, se essa transformação puder ocorrer em mais tipos de trabalho e o custo não sair do controle a cada resultado confiável entregue, o que ela vende não será apenas um assistente de conversa fácil de usar.
Por isso, depois do roadshow, continuarei de olho em três coisas: se os clientes atuais estarão dispostos a confiar ao Claude tarefas mais importantes; se o custo total para concluir uma tarefa de forma confiável, incluindo revisão humana e retrabalho, continuará caindo; e o que a empresa fará quando segurança e crescimento entrarem realmente em conflito.
Essas três coisas dizem mais sobre até onde a empresa pode chegar do que uma demonstração impressionante ou a velocidade do crescimento em um trimestre. Se você está pensando em levar a IA para sua equipe, também pode começar pela mesma pergunta: qual é a próxima tarefa que vale a pena delegar? Se algo der errado, quem vai perceber e quem vai assumir o trabalho de volta?