Finalmente algumas empresas descobriram que os negócios foram conquistados pelas empresas de grandes modelos

Autor: Yu-hang Yuan; Fonte: Geek Park

No dia 1 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» (insana), disse que os CEOs de empresas nos EUA estão «livid» (furiosos) com a OpenAI e a Anthropic e disse que as empresas estão a fazer uma coisa absurda — a pagar loucamente por tokens enquanto entregam os seus dados operacionais mais centrais aos fornecedores de modelos. E o valor comercial obtido, quase não é mensurável.

O apresentador perguntou-lhe se isto era uma forma de «passar a culpa». Karp respondeu: «Não, só estou a constatar factos.»

No mesmo dia, as ações da Palantir subiram 9%. Só esse número já é uma forma de votação — o mercado acredita que ele disse muitas das coisas que muita gente quer dizer, mas não consegue.

Isto não é a descarga emocional de uma única pessoa. Quando o líder de uma empresa com uma valorização superior a mil milhões de dólares dispara contra toda a indústria de grandes modelos em direto nacional e o mercado dá um feedback positivo com dinheiro real, isto significa que uma espécie de emoção coletiva chegou a um ponto crítico.

Nos últimos dois anos, todos têm falado sobre como acolher os grandes modelos. Mas agora está a surgir uma questão nova — se uma empresa se aproxima demasiado dos grandes modelos, será que eles a vão rasgar?

**01 **Do “estar a mais” ao “não ser ingénuo”

Recorde o início de 2024: a atitude das empresas perante os grandes modelos pode ser resumida em quatro palavras — «usar primeiro».

Não se importavam com ROI ou não ROI; não se importavam para onde iam os fluxos de dados. De qualquer forma, não podiam ficar para trás. Naquela altura, a narrativa dominante era: «A revolução da IA chegou; se não a abraça, será descartado». Com uma pressão enorme, os CIOs e CTOs de todas as indústrias foram metendo IA em cada etapa de negócio onde fosse possível. Era uma decisão típica impulsionada por pânico tecnológico.

Em 2025, «expansão total» tornou-se a palavra-chave. As empresas começaram a integrar seriamente os grandes modelos nos processos centrais do negócio, deixando de fazer apenas demos e hackathons internos. Da assistência ao cliente à geração de código, da análise de mercado ao design de produto, a profundidade e a amplitude da penetração da IA cresceram exponencialmente.

Mas a entrar em 2026, uma mudança subtil de emoção está a acontecer.

Os dados de uma investigação da Salesforce mostram que apenas metade dos líderes de TI confia na infraestrutura de dados da sua própria empresa para suportar a implementação bem-sucedida de IA. O relatório de investigação publicado pela NTT DATA em maio deste ano usou diretamente a palavra «bater na parede» — a IA empresarial está a encontrar gargalos estruturais causados por requisitos de privacidade de dados e de soberania. A Gartner prevê que até 2027 35% dos países dependerão de plataformas de IA regionalizadas, enquanto hoje esse número é apenas de 5%.

Karp descreve esta mudança de forma ainda mais direta. Disse que as empresas estão a sair do «tokenmaxxing» sem pensar — consumir tokens de forma cega — e a passar a fazer uma verdadeira pergunta sobre a taxa de retorno do investimento. «A perspetiva base é: não desperdicem mais tempo com tokens.»

Isto não está a negar os grandes modelos. É a indústria inteira a sair do “estar a mais” e a entrar numa fase de “não ser ingénuo”. Passada a fase de euforia, as empresas começam a olhar com mais calma para uma questão fundamental — aquilo que entrego, e aquilo que recebo em troca, a conta fecha?

**02 **Quando o parceiro vira concorrente

A crítica de Karp ainda estava no nível do modelo de negócio. Mas o que realmente faz gelar o sangue é uma ameaça mais direta — o teu fornecedor de serviços de IA pode estar a usar os dados e os cenários que tu lhe forneces para construir um produto que o substitui.

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

Em fevereiro deste ano, a Figma e a Anthropic ainda estavam a trabalhar em conjunto no desenvolvimento de uma funcionalidade chamada «Code to Canvas», integrando de forma perfeita o código gerado pela Claude no fluxo de design da Figma. As duas empresas pareciam parceiros íntimos.

A 14 de abril, o diretor de produto da Anthropic, Mike Krieger, demitiu-se silenciosamente do conselho de administração da Figma.

Três dias depois, a Anthropic lançou o Claude Design — uma ferramenta de design de IA que permite gerar diretamente protótipos interativos, PPT e materiais de marketing com linguagem natural, ficando precisamente alinhada com o negócio central da Figma.

Nesse dia, a cotação da Figma caiu quase 8%.

Um detalhe nos artigos posteriores da Fast Company é particularmente elucidativo — a Figma e empresas como a Adobe e a Canva têm relações de colaboração de muitos anos com a Anthropic, mas antes do lançamento do Claude Design, ninguém foi avisado. Toda a gente percebeu, de forma repentina e desprevenida, que o seu parceiro de IA tinha-se transformado em concorrente debaixo dos próprios olhos.

Este caso merece reflexão porque revela, na era dos grandes modelos, um problema estrutural mais perigoso do que antes — quando colaboras profundamente com uma empresa de IA, não entregas apenas uma porta de entrada para o mercado; entregas também a tua compreensão central dos cenários e os dados das necessidades dos utilizadores.

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

Mas se puxarmos a perspetiva para trás, não é um enredo novo na história tecnológica.

A Amazon saiu da plataforma de e-commerce para criar marcas próprias: usou os dados da plataforma para identificar com precisão as categorias mais lucrativas e, depois, lançou os seus próprios produtos para corroer os vendedores terceiros. A Microsoft, partindo do sistema operativo, foi incorporando um a um — browser, software de escritório, ferramentas de comunicação — e assim destruiu a Netscape e forçou a Slack a vender-se. O Google, partindo do motor de busca, responde diretamente às perguntas dos utilizadores através da página de resultados, marginalizando o Yelp e muitos serviços de informação vertical.

A lei férrea da indústria tecnológica nunca mudou — quando uma plataforma tem dados e compreensão dos utilizadores suficientes, vai invadir a montante.

Na era dos grandes modelos, esta lei fica ainda mais feroz, porque a invasão tradicional de plataformas ainda precisa de tempo para acumular compreensão, enquanto os grandes modelos são naturalmente um «acelerador de compreensão». Cada chamada de API e cada entrada de dados do negócio ajudam o fornecedor do modelo a compreender o teu território mais depressa e mais profundamente.

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

Na astronomia existe um conceito chamado «limite de Roche»: quando um corpo celeste se aproxima demasiado de uma estrela de grande massa, as forças de maré ultrapassam a atração gravitacional própria, e o corpo é rasgado.

Esta metáfora descreve a relação entre as empresas e os grandes modelos de hoje de forma tão precisa que é desconfortável.

Os grandes modelos são essa estrela de grande massa. Cada empresa quer aproveitar a sua gravidade para acelerar — aumentar eficiência, reduzir custos, inovar. Mas o problema é que, quando te aproximas o suficiente, o teu «material» começa a ser arrancado. Os teus dados, o teu know-how e a tua compreensão das necessidades dos utilizadores fluem para o centro gravitacional durante a colaboração.

E até onde pode uma empresa «dançar com a IA» sem ser, no fim, devorada?

Nos EUA, esta questão já foi colocada em cima da mesa. Mas se achas que está longe das empresas chinesas, pode ser uma ilusão.

Há diferenças no ritmo de aplicação de IA entre empresas dos EUA e da China. As empresas americanas já entraram numa fase de implantação em grande escala e profundamente integrada nos processos de negócio; enquanto as empresas chinesas, no geral, ainda estão a sair de projetos-piloto para avançar para escalabilidade. Uma investigação da Lenovo em conjunto com a IDC, publicada em março deste ano, mostra que 72% das empresas domésticas já concluíram testes de agentes de IA e os colocaram em uso oficial, com IA a ser implementada em média em 3,5 cenários. Mas o foco dos desafios mudou — de «falta de capacidade de computação, falta de dados» para «os resultados da aplicação não correspondem às expectativas» e «ROI pouco claro».

Por outras palavras, as empresas chinesas estão a entrar numa «fase de lucidez» de IA semelhante à das empresas americanas.

O Geek Park, ao contactar recentemente muitos empreendedores e empresas com negócios tradicionais, encontrou um fenómeno interessante — a forma como as pessoas pensam sobre estas questões, muitas vezes, não vem diretamente de um sentimento de crise do tipo «preocupa-me que a empresa de modelos venha roubar o meu negócio». Em vez disso, surge naturalmente depois de a IA ser verdadeiramente integrada no negócio: passa-se a redefinir «qual é o meu valor central na era da IA».

Esta redefinição acabará por assentar em duas capacidades-chave.

**04 **Quem controla a “infraestrutura base” da IA?

A primeira, e a mais realista, está totalmente alinhada com o que Karp falou — os teus dados e a tua lógica de negócio, em que tipo de infraestrutura de base realmente correm?

O argumento central de Karp no CNBC é repetido sem parar. Os dados operacionais mais sensíveis de uma empresa não devem cair numa caixa-preta de um fornecedor terceirizado de modelos. Ele posiciona a Palantir como uma camada de aplicação para «IA soberana» — o modelo pode ser de terceiros, mas os dados têm de ficar dentro dos teus próprios muros; e a implementação deve ocorrer numa infraestrutura que tu possas controlar.

Isto não é paranoia. Na China, a perceção das empresas é praticamente a mesma. O responsável de I&D da WPS 365 da Kingsoft, Huang Weijie, disse recentemente uma frase muito acertada: «O que falta às empresas hoje não é hardware nem modelos, é uma camada de aplicação de IA segura.»

Os dados da IDC também corroboram esta tendência: na implementação de capacidade de computação para IA empresarial, a quota de cloud pública está a diminuir; a quota total de cloud privada e implantação local aumentou de 54% para 69%. «Os dados não saem do domínio» está a deixar de ser apenas um slogan de conformidade e a tornar-se a primeira condição de filtragem quando os CTOs escolhem soluções.

Karp chama-lhe «commodity cognition» de mercantilização da perceção. O seu julgamento é que a qualidade dos próprios modelos está a convergir; o valor diferenciador real não está na camada do modelo, mas na camada de aplicação que liga as capacidades do modelo a cenários específicos da empresa. A «plataforma de IA soberana» lançada pela Palantir em parceria com a NVIDIA é a materialização desse raciocínio — usando modelos open source somados à camada de ontologia e aos frameworks de governação da Palantir, para executar IA em ambientes totalmente controláveis, sem sair um único byte de dados. A receita da Palantir no 1.º trimestre de 2026 foi de 1,63 mil milhões de dólares, com crescimento anual de 85%. De certa forma, isso é a forma como o mercado vota a favor deste caminho.

Aqui há um sinal que vale a pena observar — no futuro, as empresas e soluções que ajudem a executar IA na “tua própria infraestrutura base” serão ainda mais valorizadas. No mercado doméstico, «cérebro de IA privatizado» já se tornou uma via real; várias startups estão a construir produtos à volta disso. Não é perfeccionismo tecnológico; é uma escolha racional feita depois de as empresas terem pensado com clareza.

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

A segunda capacidade, mais difícil de quantificar, mas cada vez mais evidente nas conversas com empresas do Geek Park, é — quando a IA consegue substituir um número crescente de etapas de execução, que tipo de “pessoa” continua a ser necessária numa organização?

Algumas empresas já caíram nesse buraco e andam mais depressa.

Quando, em certas etapas, a eficiência da IA é claramente superior à dos humanos, a ideia natural é «cortar as pessoas». Mas depois de a organização ficar mais fina, surge um problema oculto — o que a IA está a executar, em essência, é a “melhor prática” que essas pessoas tinham cristalizado no ambiente antigo. Quando o ambiente muda, o mercado muda, os utilizadores mudam, a IA continua a executar fielmente aquela lógica antiga, mas a organização já não tem pessoas suficientes para detetar essas mudanças e impulsionar a evolução do negócio.

Em poucas palavras, uma organização preenchida por IA mas esvaziada por pessoas pode estar apenas a repetir o passado de forma eficiente.

Isto não quer dizer que não se deva usar IA para substituir execução. Quer dizer que, quando a IA assume cada vez mais camadas de execução, as empresas precisam ainda mais de outro tipo de pessoa — não as pessoas que executam tarefas específicas no sentido tradicional, mas sim as que conseguem «comandar» a IA. Esse papel requer compreender o panorama global do negócio; conseguir julgar se aquilo que a IA produz continua aplicável à realidade em mudança; e ver novas possibilidades além do «melhor resultado» que a IA oferece.

Algumas empresas à frente já estão a pensar seriamente sobre isto. Descobriram que, com IA, a verdadeira competitividade não é “quantas pessoas substituiste com IA”, mas sim “se as tuas pessoas conseguem dominar a IA para fazer coisas que antes não conseguiam”. Se apenas deixares a IA automatizar continuamente e repetir ciclos com base em dados históricos, então, no fundo, ficas bloqueado num snapshot do passado.

A importância desta viragem de perceção pode não ser menor do que a soberania de dados. Quando a IA nivela as barreiras tecnológicas, “a capacidade de julgamento das pessoas” e “a capacidade de evolução da organização” acabam por ser as mais difíceis de copiar. Algumas empresas já perceberam; outras ainda não. Mas esta linha de separação pode tornar-se muito clara nos próximos um ou dois anos.

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

Nos últimos dois anos, um pressuposto implícito dominou toda a indústria — o valor da era da IA, no fim, vai concentrar-se nas empresas de modelos. Quanto mais perto do modelo, maior o valor.

Esse pressuposto está a ser abalado.

Karp, no CNBC, na verdade revelou uma questão — o próprio modelo está a transformar-se em perceção mercantilizada. Quando as diferenças de capacidade entre grandes modelos de diferentes empresas ficam cada vez menores, a diferenciação real deixa de estar na camada do modelo. Uma estrutura industrial em que apenas as 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 completo — capaz de responder à ansiedade sobre soberania de dados, capaz de proteger as barreiras competitivas contra serem «sugadoramente drenadas», capaz de fazer com que a IA se integre de facto no negócio sem perder controlo. Essa necessidade está a criar um mercado muito mais complexo do que «vender tokens».

Já há sinais claros em alguns caminhos.

As «infraestruturas de IA soberana» estão a tornar-se uma via real e com dinheiro a entrar. Isto não é conceito. Só no primeiro semestre de 2026, na Europa, havia três empresas a fazer infraestruturas de IA soberana (Nebius, nScale, AtlasEsge) que, em conjunto, levantaram mais de 11,8 mil milhões de dólares. Poucos dias antes, a Valarian em Londres acabou de levantar 50 milhões de dólares na ronda A — faz algo muito concreto: adicionar uma «camada de controlo de soberania» entre os sistemas de IA e os dados sensíveis, para decidir quais sistemas de IA podem aceder a que dados e em que condições. Duas anos atrás, esse tipo de necessidade praticamente não existia; agora, governos e grandes empresas estão a entrar em fila.

As «portas de entrada de IA» (AI gateways) e as camadas de orquestração intermédia estão a tornar-se uma parte indispensável da arquitetura de IA das empresas. Quando uma empresa usa simultaneamente OpenAI, Anthropic, modelos open source e ainda modelos especializados que ela própria afinou, quem faz a união de rotas, controlo de custos, governação de permissões e auditoria? Na era do software tradicional, esta função chamava-se middleware; na era da IA, chama-se gateway ou camada de orquestração. Não é sexy, mas é infraestrutura-chave para as empresas passarem de «usar IA» para «gerir bem a IA». A Palantir, essencialmente, faz essa camada — só que faz a versão mais pesada. Existem enormes oportunidades para soluções mais leves, pensadas para empresas de diferentes escalas.

Na camada de aplicação, soluções de IA por indústria vertical também estão a sair do “embalamento” e a entrar numa fase mais profunda. No passado, muitas chamadas “aplicações de IA” eram, no fundo, apenas uma camada de GPT embrulhada. Mas agora, o que realmente se sustenta são produtos que compreendem profundamente os know-how de uma indústria específica e unem as capacidades da IA às lógicas do setor. O ponto de ancoragem do valor deste tipo de empresa não está no modelo, mas na perceção da indústria — algo que empresas de grandes modelos têm dificuldade em obter apenas através de treino.

Até no nível de «pessoas» está a surgir um novo mercado de serviços. À medida que mais empresas percebem que não precisam mais de ferramentas de IA, mas de pessoas e metodologias organizacionais que consigam «comandar a IA», a procura por consultoria de mudança organizacional na era da IA, formação de talentos e redesenho de processos também está a emergir rapidamente.

No fim, uma indústria composta apenas por “camada de modelo” é frágil. O que faz a indústria de IA acelerar e desenvolver de forma mais saudável é um ecossistema mais tridimensional. Neste ecossistema, há quem faça modelos, quem faça infraestruturas de soberania, quem faça gateways e governação, quem faça aplicações profundas em indústrias verticais e quem ajude as empresas a reestruturar as capacidades organizacionais. Cada camada responde às necessidades reais das empresas à medida que passam de «acolher» para «dominar» a IA.

Nos últimos doze meses, estas necessidades tornaram-se cada vez mais claras, saindo da ambiguidade. Na fase seguinte, uma nova geração de soluções, fornecedores de serviços e produtos nascidos em torno dessas necessidades pode entrar numa onda de explosão bem definida.

Voltando à metáfora do limite de Roche: encontrar a trajetória segura não é, de forma alguma, tarefa de uma única empresa. Quando o ecossistema inteiro começa a crescer forças para além do modelo, as empresas só então ganham confiança para não serem rasgadas.