filosofia das coisas

A inteligência artificial pode transformar a economia e, ao mesmo tempo, existir uma bolha nas empresas e na infraestrutura de IA. Uma tecnologia pode ser revolucionária e seus investidores receberem um retorno muito menor que o esperado.

A discussão envolve três perguntas: quanto valor a IA criará, quem conseguirá capturá-lo e se esse valor justificará os preços das empresas e os investimentos em infraestrutura. Há argumentos relevantes dos dois lados.

Dez motivos pelos quais a IA pode ser uma bolha

• Concorrência intensa e pressão permanente sobre preços. Sempre pode aparecer um modelo suficientemente bom e mais barato. Concorrentes dispostos a aceitar margens menores ou prejuízos temporários dificultam a recuperação dos investimentos. Na Vercel, o preço médio por token caiu 47% entre dezembro de 2025 e setembro de 2026. Isso mostra pressão sobre preços, embora não prove venda abaixo do custo. Fonte: Vercel.
• Modelos abertos podem transformar muitas tarefas em commodities. Uma pesquisa divulgada pelo MIT encontrou modelos abertos com aproximadamente 90% do desempenho dos fechados, a custos de inferência muito inferiores. Para muitas tarefas, essa diferença pode ser pequena demais para justificar um prêmio elevado. Pesos gratuitos, porém, não significam operação gratuita: ainda há custos com servidores, energia e manutenção. Fonte: MIT Sloan.
• O custo de trocar de fornecedor pode ser baixo. Em aplicações preparadas para usar diferentes modelos, a substituição pode exigir pouca alteração de código, enfraquecendo o poder de precificação do laboratório. Entre as equipes acompanhadas pela Vercel, 28,6% mudaram seu laboratório mais utilizado em setembro de 2026. Essa amostra não representa todo o mercado. Fonte: Vercel.
• Quem cria valor pode não conseguir capturá-lo. A analogia com os cabos de internet ajuda a formular uma hipótese: os modelos podem se tornar insumos baratos, enquanto os lucros ficam com aplicativos, distribuidores e empresas usuárias. Uma IA que economiza bilhões para os clientes não necessariamente proporciona bilhões de lucro para quem a desenvolveu. O benefício econômico pode ser enorme e a remuneração do fornecedor, pequena.
• Os ganhos empresariais ainda são modestos ou difíceis de identificar. Já existem ganhos medidos em tarefas específicas, mas ainda há dúvidas sobre sua disseminação para a empresa inteira. Um levantamento com quase 6 mil executivos em quatro países encontrou 89% relatando ausência de impacto sobre a produtividade nos três anos anteriores. Trata-se de percepção empresarial, não de medição direta de toda a economia. Fonte: NBER.
• A infraestrutura exige crescimento muito acelerado da demanda. A 22V Research estimou como necessários US$ 400 bilhões a US$ 600 bilhões de receita anualizada até o fim de 2027 para sustentar a expansão planejada. É um cálculo condicionado a premissas. Fonte: Barron’s.
• O custo real vai além dos tokens. Integração, organização de dados, revisão humana, segurança e correção de erros podem consumir parte importante da economia prometida. Manter a liderança tecnológica também exige novos gastos com treinamento e computação. Uma aplicação barata para experimentar pode ser cara para incorporar a um processo empresarial confiável. Fonte: EY.
• Bons resultados isolados não garantem processos autônomos confiáveis. Um agente precisa acertar uma sequência de etapas, e erros sucessivos podem produzir muito retrabalho. O AI Index de Stanford registra grandes avanços, mas também falhas em aproximadamente um terço das tentativas em um benchmark de uso de computadores. Esse resultado não equivale à taxa de erro em qualquer aplicação empresarial; ilustra a distância que ainda pode existir entre demonstração e autonomia confiável. Fonte: Stanford HAI.
• O tamanho do mercado pode ser inflado por dupla contagem. O cliente paga ao aplicativo, que paga ao laboratório, que paga à nuvem. Somar essas receitas como gastos independentes do consumidor final exagera a dimensão econômica da cadeia. Da mesma forma, recursos captados de investidores para comprar computação não demonstram, por si sós, demanda final sustentável. Uma análise recente reconhece sobreposição entre receitas de aplicativos e laboratórios. Fonte: Generative Value.
• Mesmo um negócio excelente pode estar caro demais. Se a avaliação de uma empresa pressupõe crescimento extraordinário, margens elevadas e liderança duradoura, resultados apenas muito bons podem decepcionar. A bolha pode estar no preço pago pela empresa, mesmo que seu produto seja útil e seu faturamento continue crescendo. A utilidade da tecnologia e o retorno do investimento são questões diferentes.

Dez motivos pelos quais a IA pode não ser uma bolha

• O mercado potencial inclui parte do trabalho intelectual mundial. A comparação relevante pode envolver os gastos com programação, atendimento, administração, contabilidade, análise e outros serviços profissionais. Esse universo é muito maior que o orçamento atual de assinaturas de software. Uma parcela relativamente pequena das despesas hoje destinadas a essas atividades já poderia sustentar receitas de centenas de bilhões de dólares. A dimensão desse mercado é explorada na simulação abaixo.
• Já existe receita comercial expressiva. No documento apresentado à SEC, a Anthropic informou US$ 16,3 bilhões de receita no primeiro semestre de 2026, contra US$ 1,2 bilhão no mesmo período de 2025. Isso demonstra demanda paga e crescimento real. A rentabilidade sustentável continua sendo uma questão separada, mas a atividade já ultrapassou a fase de promessas sem faturamento. Fonte: documento da Anthropic na SEC.
• Preços menores podem ampliar o consumo mais do que reduzem o faturamento. Uma tarefa barata pode passar a ser executada milhões de vezes. Na amostra da Vercel, o gasto estimado cresceu aproximadamente 13 vezes entre dezembro de 2025 e setembro de 2026, apesar da queda de preços. O cálculo utiliza preços de tabela e não equivale a receita auditada. Fonte: Vercel.
• Há ganhos de produtividade medidos em situações reais. Um estudo publicado no Quarterly Journal of Economics, com 5.172 atendentes, encontrou aumento médio de 15% nos problemas resolvidos por hora com assistência de IA. O mecanismo econômico existe. A questão é quanto esses resultados podem ser generalizados e quanto da produtividade adicional se transforma em economia ou receita. Fonte: Brynjolfsson, Li e Raymond.
• A demora nos resultados pode refletir uma fase de adaptação. Disponibilizar um chatbot é rápido; reorganizar processos, integrar sistemas e mudar responsabilidades leva tempo. Uma hipótese favorável é que os ganhos mais importantes dependam dessas transformações e apareçam depois da adoção inicial. Nesse caso, o investimento estaria antecipando uma produtividade que ainda está sendo construída. Essa explicação é plausível, mas precisa ser confirmada pelos resultados.
• Uma pequena vantagem de qualidade pode justificar um preço muito maior. Em tarefas valiosas, o custo de uma resposta errada pode superar amplamente o preço do modelo. Um fornecedor mais confiável pode preservar margens mesmo diante de alternativas baratas. Um modelo “quase tão bom” pode ser suficiente para resumir um texto e insuficiente para executar um processo crítico. A diferença de desempenho precisa ser avaliada pelo valor da tarefa, não apenas pela pontuação em testes.
• Trocar de modelo nem sempre se resume a uma linha de código. Prompts, avaliações, ferramentas, controles e comportamento da aplicação podem exigir ajustes. Quanto maior a integração com os processos do cliente, maior pode ser o custo de migração. A pesquisa divulgada pelo MIT reconhece esse obstáculo. Isso oferece alguma proteção aos fornecedores que já conquistaram confiança e estão incorporados à operação. Fonte: MIT Sloan.
• Fornecer infraestrutura também pode ser um negócio lucrativo. A analogia com os cabos tem limites. A divisão Intelligent Cloud da Microsoft registrou aproximadamente US$ 16 bilhões de lucro operacional no trimestre encerrado em junho de 2026. O resultado abrange a divisão inteira e não deve ser interpretado como lucro específico de IA. Ainda assim, mostra que a infraestrutura digital pode capturar muito valor. Fonte: Microsoft.
• Os laboratórios podem vender produtos completos, além dos modelos. Se o fornecedor também entregar aplicativos, agentes e integrações, poderá capturar parte da receita dos serviços construídos sobre sua tecnologia. Nesse cenário, a empresa passa a competir também pela relação com o usuário e pela execução do trabalho. A possibilidade de o modelo se tornar um insumo barato não determina, sozinha, o destino do negócio inteiro.
• O valor pode vir de produzir mais, além de cortar pessoal. Software antes inviável, atendimento mais amplo, análises adicionais e novos serviços podem gerar demanda. Uma análise da McKinsey estima uma oportunidade econômica anual de aproximadamente US$ 2,5 trilhões em aplicações selecionadas, considerando o custo completo da execução com IA. É potencial estimado, não receita já realizada. O mercado pode crescer pela ampliação da produção, mesmo sem substituir cargos inteiros. Fonte: McKinsey.

O mercado do trabalho intelectual: quantos trilhões estão em jogo?

A EY estima aproximadamente US$ 31 trilhões anuais de custos dos empregadores em setores classificados como white-collar, em países de renda média alta e alta, em 2026. É uma base setorial ampla, não uma medida de trabalho integralmente automatizável. Fonte: EY.

Usando essa base arredondada, é possível construir cenários ilustrativos. A última coluna supõe que os fornecedores cobrem entre 10% e 20% da economia bruta obtida pelos clientes.

Parcela do custo efetivamente economizada	Economia bruta anual	Receita dos fornecedores, se cobrarem 10% a 20% da economia
5%	US$ 1,55 trilhão	US$ 155 a 310 bilhões
10%	US$ 3,10 trilhões	US$ 310 a 620 bilhões
20%	US$ 6,20 trilhões	US$ 620 bilhões a 1,24 trilhão

Os percentuais são hipóteses ilustrativas. A conta pressupõe economia efetivamente aproveitável, antes dos demais custos de implantação. Automatizar 20% das tarefas não garante reduzir 20% da folha: o tempo liberado pode ficar disperso entre funcionários, exigir revisão ou não permitir redução proporcional das despesas.

A simulação mostra por que o argumento otimista merece consideração: uma parcela pequena dessa base pode sustentar centenas de bilhões em receita. A dificuldade é converter capacidade técnica em economia real e permitir que os fornecedores capturem parte dela.

US$ 200 bilhões ou US$ 400 bilhões? É preciso comparar as mesmas coisas

Os números que circulam sobre o mercado de IA misturam faturamento realizado, projeções, receita anualizada e receita necessária para remunerar a infraestrutura. Essas diferenças mudam a interpretação.

• Cerca de US$ 200 bilhões ao final de 2026. Uma análise do Generative Value estima que os principais laboratórios e aplicativos terminem 2026 com US$ 165 bilhões a US$ 220 bilhões de receita anualizada. É uma projeção do ritmo de saída do ano, não faturamento acumulado já realizado. A própria fonte alerta para diferenças contábeis e alguma dupla contagem. Fonte: Generative Value.
• US$ 400 bilhões a US$ 600 bilhões ao final de 2027. Na estimativa da 22V, é receita necessária, não previsão de vendas. Compará-la aos US$ 200 bilhões de 2026 como revisão de projeção mistura datas e conceitos. Fonte: Barron’s.
• Receita anualizada não é faturamento acumulado. Vender US$ 10 bilhões em um mês corresponde a um ritmo anualizado de US$ 120 bilhões, mesmo que as vendas dos meses anteriores tenham sido muito menores. O indicador ajuda a mostrar a velocidade atual do negócio, mas não substitui a receita efetivamente reconhecida ao longo do ano.

O teste econômico será a capacidade de gerar receita e caixa sustentáveis depois dos custos de computação, desenvolvimento e implantação. Se os ganhos crescerem e os fornecedores preservarem margens, o investimento poderá se justificar. Se o valor ficar sobretudo com os usuários enquanto a concorrência comprime os preços, a tecnologia poderá prosperar mesmo com perdas para muitos de seus investidores.

Dados e fontes consultados até 28 de outubro de 2026. Os cenários da tabela são exercícios ilustrativos, não previsões.