A inteligência artificial (IA) está se tornando um recurso muito mais acessível, impulsionada pela redução de custos, modelos mais eficientes e maior disponibilidade de poder computacional. Embora essa tendência beneficie usuários e corporações, ela representa um desafio significativo para a sustentabilidade financeira de líderes do setor, como OpenAI e Anthropic.
Uma análise veiculada pelo The Wall Street Journal aponta que a IA está deixando de ser um bem escasso para se aproximar de uma commodity. Esse movimento pode diminuir a vantagem competitiva das empresas que atualmente lideram o desenvolvimento dos modelos mais sofisticados.
Um dos principais motivos dessa transformação é a drástica queda nos custos da IA capaz de executar a maioria das tarefas diárias. Isso é facilitado pelo surgimento de modelos mais leves, operáveis tanto na nuvem quanto diretamente em dispositivos, incluindo soluções de Google, Apple e empresas chinesas de IA.
Adicionalmente, a China reforçou sua estratégia. Em um discurso realizado em Xangai na quinta-feira (16), o presidente chinês Xi Jinping defendeu a manutenção da liberação de modelos de IA de 'pesos abertos' ('open-weights'), permitindo modificação e uso livre. Essa tática visa contrabalançar a hegemonia dos Estados Unidos no setor. Modelos chineses, como GLM 5.2 e Kimi K3, estão diminuindo a diferença em relação aos sistemas avançados desenvolvidos por empresas americanas.
A Meta também avançou consideravelmente no desenvolvimento de modelos focados em programação, demonstrando capacidade de competir diretamente com OpenAI e Anthropic no nicho lucrativo de geração de código. Espera-se que o atual gargalo de capacidade computacional seja mitigado com a ativação de novos data centers e o desenvolvimento de métodos mais eficientes para rodar modelos de IA. Em certas aplicações, a oferta de tokens, unidade básica de consumo, já acompanha a demanda.
Esses progressos são vistos como positivos para consumidores e empresas. Há cerca de um ano, Sam Altman, diretor-executivo da OpenAI, expressou o desejo de tornar a inteligência artificial tão barata que fosse difícil de mensurar. A IA tem potencial para elevar a produtividade em diversas profissões e reduzir a fricção digital, em vez de simplesmente substituir trabalhadores.
Contudo, o cenário gera incertezas sobre o futuro financeiro de OpenAI e Anthropic, ambas candidatas a ofertas públicas de ações. Como dependem de manter uma superioridade tecnológica frente a gigantes consolidadas, elas podem sofrer se a IA for tratada como uma tecnologia de uso geral, comparável à eletricidade ou ao automóvel.
Dados da Sensor Tower, citados na análise, indicam que, em março, o ChatGPT passou a representar menos de 50% da participação global entre usuários consumidores, considerando acessos via web e dispositivos móveis. Essa diminuição foi atribuída principalmente à competição exercida pelo Google Gemini e pelo Claude, da Anthropic.
No âmbito corporativo, modelos chineses também começaram a competir com os principais sistemas americanos, apresentando desempenho similar em algumas métricas, mas com custos substancialmente menores. O ranking da OpenRouter mostra que os cinco modelos mais usados por empresas são atualmente chineses, e aproximadamente 45% dos tokens monitorados pela plataforma são consumidos por esses modelos.
A análise também ressalta o lançamento de um modelo de pesos abertos pela Thinking Machines Lab, empresa liderada por Mira Murati, ex-diretora de tecnologia da OpenAI. Este sistema visa equilibrar desempenho e custo operacional, resumindo a mudança com a analogia: 'Quem precisa de uma Ferrari de IA para ir ao trabalho quando um Honda Civic de IA está logo ali?'
Diante da crescente concorrência, OpenAI e Anthropic têm aumentado seus investimentos em engenheiros e acesso a data centers, mesmo que isso afete a rentabilidade. Ambas as companhias estão comprometendo centenas de bilhões de dólares para preservar a liderança tecnológica. Paralelamente, clientes empresariais estão avaliando com mais rigor o investimento necessário em IA e quais modelos premium justificam seus custos.
Outro fator acelerador da transformação da IA em commodity é a ampla divulgação do saber sobre como construir modelos avançados. Apesar de as empresas continuarem protegendo seus segredos industriais — como o processo movido pela Apple contra a OpenAI por suposto roubo de propriedade intelectual —, pesquisadores publicam continuamente estudos científicos detalhando novos avanços. Laboratórios chineses e empresas, como a Thinking Machines Lab, também disponibilizam regularmente modelos de código aberto com documentação completa de sua criação.
O texto aborda também a técnica conhecida como 'distilação', que envolve treinar um modelo usando outro como referência. OpenAI e Anthropic acusam empresas chinesas de usar este método para criar sistemas concorrentes baseados em informações privadas. No entanto, a própria indústria utiliza a técnica legitimamente; grandes modelos são frequentemente empregados para gerar versões menores e mais ágeis.
O novo modelo que suportará a Siri atualizada da Apple, por exemplo, foi destilado a partir de modelos do Google, conforme um acordo entre as partes. Em um ensaio recente, Satya Nadella, CEO da Microsoft, classificou como 'irônico' que empresas que treinam modelos com dados da internet e informações de clientes tentem barrar o uso da distilação por terceiros. Ele argumentou: 'Se o aprendizado flui apenas em uma direção, o valor econômico converge para os proprietários da infraestrutura de aprendizado, e não para os criadores do próprio conhecimento.'
Anteriormente, a principal vantagem competitiva de OpenAI e Anthropic residia em oferecer modelos notavelmente superiores aos concorrentes. Com a popularização de sistemas considerados 'suficientemente bons' — e, em alguns casos, altamente avançados — disponíveis tanto para usuários de iPhone quanto para grandes corporações, essas empresas precisam encontrar novos diferenciais.
Enquanto o Google conta com seu motor de busca, a Meta possui sua base de redes sociais, e Microsoft e Amazon dominam a infraestrutura empresarial, e a Apple controla um vasto ecossistema de dispositivos.
Eric Zhao, professor da Universidade de Oxford e coautor de um estudo mencionado, sugere que o acesso à energia elétrica pode se tornar a principal vantagem competitiva futura das empresas de IA. À medida que a oferta de eletricidade se restringe e comunidades se opõem à construção de novos data centers, a eficiência energética será crucial. Ele afirmou que 'os laboratórios de fronteira precisarão competir por inteligência por watt.'
A OpenAI está expandindo suas fontes de receita, contando com mais de três milhões de clientes corporativos e desenvolvendo hardware próprio para criar um vínculo direto com os consumidores. Por sua vez, a Anthropic alcançou seu primeiro trimestre lucrativo recentemente e protocolou um pedido para abertura de capital no outono do hemisfério norte (setembro-dezembro). Se a oferta pública ocorrer, a empresa poderá captar fundos para adquirir novos clientes, desenvolver outras fontes de renda ou aumentar o aluguel de data centers.
A análise conclui que o mercado de IA pode ser robusto o suficiente para sustentar múltiplas empresas vitoriosas, inclusive permitindo que OpenAI ou Anthropic se tornem gigantes tecnológicos. Entretanto, o texto cita uma avaliação do Banco de Compensações Internacionais (BIS), segundo a qual o volume de investimentos em IA já ultrapassa qualquer ciclo de expansão econômica pacífica, incluindo a construção ferroviária e a bolha das empresas de internet do final dos anos 90.
Neste contexto, crescem os críticos que duvidam se as empresas conseguirão justificar os investimentos atuais e os futuros. Sem uma vantagem competitiva duradoura, as companhias que lideram o boom da IA podem enfrentar uma retração considerável no futuro.
Ao enviar currículos e adaptar documentos para diferentes oportunidades, os candidatos podem notar que as respostas recebidas são frequentemente parecidas. Uma investigação conduzida pela Universidade Stanford sugere que essa semelhança pode não ser coincidência.
Os pesquisadores analisaram milhões de inscrições e concluíram que diversas companhias podem empregar sistemas de inteligência artificial que replicam os mesmos critérios de aceitação e descarte. A pesquisa, intitulada Algorithmic Monocultures in Hiring, examinou cerca de 4 milhões de candidaturas submetidas por mais de 3,4 milhões de indivíduos a 156 empresas pertencentes a 11 setores econômicos.
Um fator crucial identificado foi que todas essas organizações estavam utilizando algoritmos fornecidos pelo mesmo provedor. Este detalhe possibilitou a identificação do fenômeno denominado 'monocultura algorítmica', termo inspirado na agricultura, onde vastas extensões são dedicadas a um único tipo de cultivo. Quando muitas empresas adotam ferramentas similares, aumenta a probabilidade de que avaliem os postulantes seguindo essencialmente a mesma lógica, o que se aplica tanto aos acertos quanto às falhas inerentes aos modelos.
Outra descoberta relevante diz respeito aos perfis de candidatos parecidos. Conforme o estudo, indivíduos com características análogas tendem a receber avaliações consistentes, mesmo concorrendo a vagas em corporações distintas. Os resultados primários revelam que aproximadamente 10% dos candidatos que participam de quatro processos seletivos são rejeitados em todos eles. Adicionalmente, cerca de 4% daqueles que se inscrevem em dez vagas sofrem dez rejeições consecutivas.
As recusas ocorrem com uma frequência superior àquela esperada em decisões tomadas de forma independente. É notável que muitos currículos são eliminados antes mesmo de serem examinados por um recrutador humano. Para confirmar se este comportamento era aleatório, os pesquisadores compararam os dados com uma linha de base teórica e estudos prévios sobre recrutamento sem centralização algorítmica, demonstrando que as negativas sucessivas refletem um padrão comum entre os diferentes processos seletivos.
De acordo com as simulações realizadas, continuar enviando currículos ainda é vantajoso. O estudo aponta que elevar o volume de candidaturas melhora as chances de obter uma oportunidade, embora este benefício diminua quando as empresas utilizam sistemas idênticos. Em um cenário onde as decisões são autônomas, cerca de dez candidaturas seriam suficientes para atingir uma alta probabilidade de receber pelo menos uma recomendação positiva. Contudo, quando os processos são mediados por plataformas centralizadas, esse número sobe para aproximadamente 25 candidaturas para garantir uma probabilidade de 99,9%.
Os autores também emitiram um alerta sobre a concentração do mercado de tecnologia voltado ao recrutamento. Visto que poucos fornecedores atendem a muitas empresas, quaisquer vieses ou limitações existentes podem se disseminar rapidamente. Ademais, a pouca transparência dessas plataformas dificulta a realização de pesquisas independentes e complica a compreensão de como tais ferramentas impactam o acesso ao emprego, sendo que, para muitos candidatos, todo esse processo ocorre sem que tenham ciência de que um algoritmo realizou a primeira análise do currículo.
Ferramentas de inteligência artificial (IA) têm demonstrado grande potencial para aumentar a produtividade em diversas áreas. Contudo, pesquisas recentes sugerem que o uso indiscriminado dessas tecnologias pode levar ao enfraquecimento das capacidades cognitivas dos indivíduos.
Estudos analisados indicam que a dependência excessiva desses sistemas pode diminuir a aptidão dos usuários para solucionar problemas sem o suporte tecnológico. Esse alerta surgiu de investigações realizadas com estudantes e profissionais, onde os participantes que usaram IA obtiveram melhorias imediatas no desempenho, mas enfrentaram dificuldades ao realizar as mesmas tarefas de forma autônoma.
Experimentos com trabalhadores e alunos confirmaram que a IA pode otimizar resultados quando aplicada em atividades alinhadas às suas competências. Em uma pesquisa que envolveu centenas de consultores da Boston Consulting Group, pesquisadores da Wharton School notaram um aumento na quantidade de tarefas finalizadas e uma diminuição no tempo gasto por quem teve acesso à ferramenta.
Este levantamento, divulgado em 2026 na revista Organization Science, revelou que os colaboradores assistidos por IA produziram trabalhos de qualidade superior em funções onde a tecnologia era mais competente. Os progressos mais significativos foram observados entre os profissionais que possuíam um desempenho inicial mais modesto.
Um achado similar foi encontrado em um estudo conduzido por Grace Liu, da Carnegie Mellon University, focado na resolução de problemas matemáticos. Ao comparar estudantes com e sem acesso à IA, o estudo identificou um desempenho superior entre aqueles que puderam utilizar o recurso durante os exercícios.
Apesar dos ganhos instantâneos, os pesquisadores detectaram efeitos adversos após a remoção do auxílio tecnológico. Indivíduos acostumados com a IA passaram a apresentar um rendimento inferior ao daqueles que jamais haviam usado o recurso e demonstraram menor resiliência frente às dificuldades.
Adicionalmente, outro estudo investigou como a confiança exagerada nas respostas geradas por sistemas de IA afeta a tomada de decisões. Steven Shaw e Gideon Nave avaliaram mais de 1.300 participantes e identificaram um fenômeno denominado «cognitive surrender», caracterizado pelo abandono da própria avaliação pelo usuário em favor da conclusão fornecida pela máquina.
Os pesquisadores argumentam que a IA pode operar como um terceiro mecanismo cognitivo, complementando os métodos tradicionais de pensamento rápido e análise detalhada descritos por Daniel Kahneman. O problema surge quando essa ferramenta deixa de ser um complemento ao raciocínio humano e passa a substituí-lo integralmente.
Especialistas enfatizam que a habilidade crucial diante da IA será discernir quais tarefas devem permanecer sob controle humano e quais podem ser delegadas aos sistemas automatizados. A colaboração é mais eficaz quando o usuário compreende os limites da tecnologia e consegue julgar suas saídas.
Uma análise de 2024, publicada na revista Nature Human Behavior e baseada em 106 experimentos com IA, mostrou que a performance conjunta entre humanos e máquinas é otimizada quando cada parte atua em sua área de maior vantagem. No entanto, quando o sistema demonstra superioridade, a dificuldade humana em saber se deve confiar ou contestar a ferramenta pode comprometer o resultado final.
Os especialistas entrevistados destacaram que processos como a concepção inicial de ideias, a redação de textos e a geração de conhecimento requerem participação ativa humana. Para eles, a IA é mais valiosa em fases de revisão, questionamento de argumentos e aperfeiçoamento de trabalhos já existentes.
A preocupação se estende ao ambiente educacional. Os estudos citados indicaram que os estudantes podem aprender menos ao empregar a IA unicamente para agilizar deveres escolares. Por outro lado, quando a ferramenta é utilizada para obter esclarecimentos, formular perguntas e assimilar conceitos, os danos ao processo de aprendizagem são minimizados.
Judy Hanwen Shen e Alex Tamkin, da Anthropic, relataram em sua pesquisa com desenvolvedores aprendendo uma nova biblioteca de programação dificuldades conceituais, de leitura de código e de depuração quando a IA era usada como atalho para obter soluções prontas. A recomendação dos pesquisadores é reconfigurar a IA como um instrumento de aprofundamento, estimulando o questionamento e expandindo a capacidade analítica, em vez de simplesmente eliminar o esforço mental necessário para aprender.
