Trezentos e sessenta anos depois, a lição do Grande Incêndio continua sendo uma das mais difíceis de aceitar no mundo dos negócios: às vezes, a coisa mais valiosa que uma instituição pode fazer é desmontar o que construiu para dar espaço ao que precisa construir. As notícias de hoje são, cada uma à sua maneira, histórias de demolição deliberada, com empresas que vendem divisões inteiras, trocam de liderança, abandonam mercados ou se fundem com desconhecidos, não porque estejam fracassando, mas porque entenderam que o formato antigo não cabe no mundo que está se formando. A Nestlé vende seu negócio de vitaminas por US$ 1 bilhão para focar em quatro pilares. A Apple troca de CEO pela primeira vez em 15 anos e aposta que o futuro da empresa está nas mãos de quem constrói hardware, não de quem gerencia cadeias de suprimentos. Fabricantes chinesas de baterias se aliam a empresas brasileiras para disputar o primeiro grande leilão de armazenamento de energia do país. E a GoPro, que passou duas décadas construindo câmeras para surfistas, se funde com uma empresa de óptica militar e vira fornecedora de hardware para defesa nacional e data centers de IA. Em todos os casos, o que se queima não é destruído; mas é liberado.

A Nestlé Vende para Se Encontrar

A Nestlé fechou acordo para vender seu negócio de vitaminas, suplementos e minerais tradicionais por US$ 1 bilhão para a gestora americana Yellow Wood Partners. A transação é mais um capítulo de uma reestruturação que, nos últimos meses, transformou a maior empresa de alimentos do mundo numa espécie de canteiro de obras corporativo: a Nestlé já transferiu parte de sua divisão de águas para uma joint venture com a Platinum Equity, se afastou do negócio próprio de sorvetes e agora abre mão de um segmento que, numa era de proteinificação e obsessão por saúde, parecia natural manter. O que permanece é o que a empresa decidiu que sabe fazer melhor do que qualquer concorrente: café, pet, nutrição e alimentos, apenas quatro pilares, nem mais, nem menos.

A decisão de vender sua seção de suplementos, num momento em que o mercado de wellness cresce a dois dígitos em praticamente todo o mundo, é contraintuitiva o suficiente para merecer uma segunda leitura. A Nestlé, na verdadem não está saindo do mercado de saúde, mas está saindo do segmento genérico de suplementos tradicionais, onde compete com centenas de marcas baratas e sem diferenciação, e mantendo as marcas premium baseadas em ciência, como Solgar e Pure Encapsulations, onde as margens são maiores e sua vantagem competitiva é maior. A lógica é a mesma que levou farmácias “de luxo”, como a Drogaria Iguatemi, a dedicar 70% de suas prateleiras a cosméticos e suplementos de alto valor: quando o mercado se divide entre o commoditizado (que migra para o digital e para o preço mais baixo) e o premium (que justifica a presença física e o preço mais alto), ficar no meio é um limbo.

Para o mercado de alimentos e saúde no Brasil, onde a Nestlé é uma das maiores empregadoras e anunciantes, a reestruturação sinaliza que a empresa que durante décadas tentou estar em todas as prateleiras está, deliberadamente, escolhendo em quais vale a pena ficar. E, nas Entrelinhas, está respondendo à mesma pressão que atravessa todas as indústrias de consumo neste momento: a era em que tamanho era sinônimo de força deu lugar a uma era em que foco é sinônimo de sobrevivência. A Nestlé não está, portanto, encolhendo. Mais do que isso. Ela está decidindo quem quer ser quando crescer, e, para isso, precisa primeiro deixar de ser o que não quer mais.

A Apple Trocou seu Comando de Vez

John Ternus, de 50 anos, assumiu oficialmente o cargo de CEO da Apple nesta terça-feira, encerrando os 15 anos de Tim Cook à frente da empresa que Steve Jobs fundou e que Cook transformou de uma companhia de US$ 350 bilhões em valor de mercado no início de sua gestão numa empresa que hoje ultrapassa os US$ 5 trilhões. Cook permanece no conselho de administração. Em seu último memorando interno, obtido pela Bloomberg, agradeceu à equipe e invocou a frase mais famosa de Jobs, a de que a Apple existe para “deixar uma marca no universo”, sem se estender sobre o que vem a seguir. A contenção foi deliberada e, de certo modo, definiu sua gestão inteira: Cook nunca foi o homem das visões grandiosas; ele foi o homem que fez a máquina funcionar.

A escolha de Ternus, que liderou a engenharia de hardware da Apple durante os anos em que a empresa projetou seus próprios chips, lançou o Vision Pro e redesenhou toda a linha de Macs e iPhones, é uma declaração sobre o que a Apple acredita que importa nos próximos anos. Uma das estratégias que Cook escolheu para a era da IA foi a de não competir pela construção de modelos de fronteira, mas pela construção dos dispositivos onde esses modelos rodam localmente, e os chips M5 Ultra e M6, apresentados na semana passada, são a materialização dessa aposta. Ternus é o homem que construiu esses chips. E colocá-lo no comando é a forma mais clara que a Apple encontrou de dizer que acredita que o futuro da IA pertence ao hardware, não ao software, ou, pelo menos, que o valor mais defensável da cadeia está no dispositivo que você segura na mão, não no modelo que roda na nuvem.

A pergunta que investidores, funcionários e concorrentes farão a partir de agora é se Ternus é o líder que a Apple precisa para o próximo ciclo, ou se a empresa está repetindo o erro que cometeu em 1985, quando substituiu Jobs por John Sculley, um executivo brilhante de operações que transformou a Apple numa empresa eficiente e irrelevante ao mesmo tempo. Cook evitou esse destino mantendo a máquina de Jobs funcionando com uma disciplina impecável, mas sem criar nenhuma categoria de produto tão transformadora quanto o iPhone. Ternus, nesse cenário, herda uma empresa no auge do valor de mercado e, opostamente, na base da inovação percebida – sendo que a distância entre as duas coisas é exatamente o espaço onde a próxima era da Apple será definida. O Grande Incêndio de Londres destruiu a cidade velha para que Wren construísse a nova. A transição na Apple não envolve fogo, mas a lógica é a mesma: o que Cook construiu foi extraordinário. O que Ternus precisará construir é diferente. E a pergunta não é se ele é capaz; é se a Apple como instituição está disposta a queimar o que precisa queimar para dar espaço ao que vem depois.

A China Quer Guardar a Energia do Brasil

Fabricantes chinesas de baterias estão fechando parcerias com empresas brasileiras para disputar o primeiro grande leilão de armazenamento de energia do país, marcado para dezembro. A CATL, maior fabricante de baterias do mundo, anunciou uma aliança estratégica com a Moura, uma das marcas mais tradicionais do setor elétrico brasileiro. Outras empresas chinesas seguem o mesmo caminho, buscando parceiros locais que possam assegurar o componente de conteúdo nacional exigido por uma das duas modalidades do certame. O leilão recebeu um cadastramento recorde de mais de 296 gigawatts em projetos, um número que revela tanto o apetite do mercado quanto a urgência da demanda: com o crescimento acelerado da energia solar e eólica, o Brasil precisa de baterias para armazenar o excesso de energia gerado em momentos de pico e liberá-lo quando o sol se põe ou o vento para.

A engenharia regulatória do leilão é particularmente reveladora sobre como o Brasil tenta equilibrar dois objetivos que, na prática, competem entre si. A concorrência de 2 de dezembro exige que as baterias sejam classificadas como “nacionais”, mesmo que as células (o coração do equipamento) venham da China, porque o Brasil simplesmente não possui capacidade de fabricá-las. O que se nacionaliza é o entorno: os packs, o software de gerenciamento, os inversores e a infraestrutura de instalação. A segunda concorrência, em 4 de dezembro, é aberta a qualquer empreendimento, sem exigência de conteúdo local. O resultado é um sistema que reconhece a dependência tecnológica chinesa em partes, mas tenta capturar valor industrial no restante da cadeia, uma espécie interessante de pragmatismo regulatório que aceita a realidade sem se submeter inteiramente a ela.

A Entrelinha geopolítica disso, contudo, é mais densa do que a engenharia sugere. A CATL se alia à Moura no mesmo período em que o Brasil assinou um acordo de governança de IA liderado pela China, testou emissão de títulos em yuan, recebeu a Bilibili contratando em São Paulo e viu montadoras chinesas atingirem 44% do segmento premium automotivo. Cada uma dessas movimentações, isoladamente, pode até ser pontual. Lidas em sequência, porém, desenham uma presença chinesa no Brasil que avança sobre energia, finanças, tecnologia, cultura e indústria com uma consistência que, como já escrevemos, deveria preocupar a todos mais do que parece preocupar. O leilão de baterias de dezembro é, portanto, mais do que uma licitação energética, sendo, na verdade, mais um capítulo de uma reconfiguração de alianças em que o Brasil, posicionado entre os dois maiores blocos tecnológicos do mundo, faz suas escolhas não por ideologia, mas por pragmatismo. E o pragmatismo, neste momento, fala mandarim.

A GoPro Agora É uma Empresa de Defesa

A GoPro, que durante duas décadas foi sinônimo de câmeras de ação para surfistas, ciclistas e aventureiros, anunciou sua fusão com a Starman Optical, uma empresa de capital fechado especializada em transceptores ópticos, num negócio de US$ 285 milhões que levará a marca para os mercados de defesa nacional e infraestrutura de IA. A empresa combinada pretende usar o portfólio de mais de 2.500 patentes da GoPro, acumuladas em anos de desenvolvimento de estabilização de imagem, compressão de vídeo e resistência a condições extremas, juntamente com a fabricação nacional (americana) da Starman para produzir componentes ópticos destinados a data centers e forças armadas, inteiramente fabricados nos Estados Unidos.

A transição, apesar de parecer ser curiosidade corporativa, é uma questão sobrevivência. A GoPro passou os últimos anos enfrentando crises financeiras severas, com receitas em declínio e margens comprimidas pela concorrência de câmeras de celulares que, a cada geração, se aproximam mais da qualidade que um dia foi exclusividade da Hero. A fusão com a Starman reconhece que a GoPro como empresa de câmeras para consumidores atingiu um teto que nenhum lançamento de produto consegue romper, mas que a tecnologia óptica que ela aperfeiçoou ao longo de vinte anos possui um valor enorme em mercados onde durabilidade, precisão e miniaturização são requisitos não negociáveis: drones militares, satélites de reconhecimento, e agora os transceptores ópticos que conectam GPUs dentro de data centers de IA.

O caso da GoPro é, provavelmente, o exemplo mais puro de uma tendência que vem se repetindo muito nos últimos anos: muitas empresas de hardware de consumo estão descobrindo que seus ativos mais valiosos não são os produtos que vendem ao público, mas as tecnologias que desenvolveram para fabricá-los. A Riot Platforms, por exemplo, abandonou a mineração de Bitcoin para vender energia aos datacenters da Anthropic. A própria Apple compra chips “sob medida”, desenhados para que seus iPhones possam rodar modelos de IA em Macs. E agora a GoPro transforma suas patentes em novos componentes para o Pentágono. O padrão é o mesmo do Grande Incêndio: o que se constrói sobre as ruínas raramente se parece com o que existia antes, mas usa, quase sempre, as fundações que sobreviveram ao fogo.

Leia também:

Beth Galetti é Senior Vice President de People Experience and Technology da Amazon. Na prática, uma das principais executivas de RH da companhia. Ela começou a carreira como desenvolvedora, mas estava havia cerca de 25 anos sem escrever código. Até decidir experimentar as novas ferramentas de inteligência artificial da Amazon.

Poucos meses depois, Galetti afirma já ter produzido mais de 100 mil linhas de código com IA. Em um voo para Seattle, construiu uma aplicação que depois seria usada em uma competição interna da Amazon. Mais de 1.500 funcionários participaram criando soluções para problemas reais do trabalho.

Mas o número de linhas de código é provavelmente a parte menos importante da história. A principal lição é outra: a IA está diminuindo drasticamente a distância entre ter uma ideia e conseguir executá-la.

Até pouco tempo atrás, um funcionário de RH, financeiro ou operações que identificasse um problema dependia de uma equipe de tecnologia, orçamento e espaço no roadmap para construir uma solução. Agora, algumas dessas pessoas conseguem simplesmente descrever o que precisam em linguagem natural e começar a desenvolver por conta própria.

Na Amazon, um funcionário criou uma aplicação que transformou um processo manual de quase quatro horas em uma verificação automatizada de um segundo, com potencial para economizar dezenas de milhares de horas por ano.

Esse exemplo aponta para uma das grandes mudanças provocadas pela IA: software está deixando de ser exclusivamente uma competência de quem trabalha com software.

Isso não significa que todo mundo será desenvolvedor. Significa que cada profissional ganha uma capacidade muito maior de construir pequenas ferramentas, agentes, automações e aplicações ao redor do próprio trabalho.

O profissional de RH pode criar sua ferramenta. O vendedor pode automatizar parte de sua operação. O financeiro pode construir um agente para analisar determinados dados. O gerente pode transformar uma planilha e um processo manual em uma aplicação. Surge uma espécie de funcionário-builder.

E isso muda também o papel das áreas de tecnologia. Se pequenos problemas podem ser resolvidos diretamente por quem está próximo deles, os engenheiros deixam de gastar parte do tempo atendendo demandas menores e podem se concentrar em arquitetura, infraestrutura, segurança e problemas realmente complexos. Essa é exatamente uma das consequências destacadas por Galetti.

Existe uma segunda lição importante na experiência dela: não é preciso dominar a tecnologia antes de começar a usá-la. Galetti conta que não sabia exatamente como construir sua aplicação. Perguntou ao assistente interno da Amazon qual ferramenta deveria utilizar, abriu o Kiro e começou. Para ela, o aprendizado aconteceu durante a execução.

Essa talvez seja uma inversão importante para líderes. Durante muito tempo, empresas abordaram novas tecnologias assim:

treinar → aprender → dominar → usar.

Com IA, o caminho pode ser muito mais parecido com:

usar → errar → aprender → melhorar.

A fluência nasce da frequência.

Por isso, talvez uma das melhores estratégias de treinamento em IA não seja colocar milhares de funcionários em cursos sobre inteligência artificial. É dar ferramentas, criar segurança para experimentar e encontrar problemas reais para que eles resolvam usando IA.

A Amazon parece ter entendido essa combinação. A companhia diz disponibilizar ferramentas de IA para seus funcionários e, simultaneamente, anunciou um compromisso de US$ 2,5 bilhões para preparar pelo menos 50 milhões de pessoas para o futuro do trabalho, incluindo programas de qualificação e certificações em IA. Ferramenta sem capacitação gera pouco impacto. Capacitação sem ferramenta vira teoria.

Mas talvez exista uma lição ainda mais profunda para quem lidera empresas. Quando Galetti diz que essas ferramentas estão ampliando aquilo que as pessoas são capazes de fazer, estamos falando de uma mudança na própria unidade econômica do trabalho.

As empresas param de perguntar “quantas pessoas precisamos para realizar esse processo?”E começa a indagar: “quanto uma pessoa equipada com IA consegue realizar?” É uma diferença enorme. Porque, à medida que esse multiplicador aumenta, organogramas, funções, equipes e processos desenhados para uma era anterior começam inevitavelmente a parecer grandes demais ou lentos demais.

Por isso, talvez a grande transformação da IA nas empresas não seja colocar um chatbot na mão de todos. É transformar cada funcionário em alguém capaz de identificar um problema, construir uma solução e eliminar trabalho que antes simplesmente fazia parte do trabalho.

Durante décadas, as empresas contrataram pessoas para operar sistemas. Depois contrataram desenvolvedores para construir esses sistemas. Agora podemos estar entrando em uma terceira fase: aquela em que cada profissional começa a construir pequenos sistemas ao redor de si mesmo. E, se isso acontecer em escala, a IA não mudará apenas como trabalhamos. Ela mudará a própria arquitetura das empresas.

Leia também:

Coase observou que, se todas as pessoas pudessem contratar livremente umas às outras, seria possível organizar a produção por meio de uma sucessão de acordos independentes: alguém contrataria um profissional para produzir uma peça, outro para transportá-la, um terceiro para vendê-la, e assim por diante, sem que fosse necessário reunir todos sob o mesmo teto. Em teoria, o mercado poderia coordenar todo esse processo. Na prática, contudo, recorrer ao mercado também custa, porque é necessário descobrir quem pode prestar determinado serviço, comparar preços e qualidades, negociar condições, celebrar contratos, comunicar aquilo que se deseja, acompanhar a execução e verificar se o resultado corresponde ao combinado. A esses atritos Coase associou a ideia de custos de transação, e sua conclusão foi que a empresa surge porque, em determinadas circunstâncias, coordenar atividades sob uma mesma organização custa menos do que negociar separadamente cada uma delas no mercado. Em vez de contratar uma pessoa a cada nova necessidade, a empresa reúne trabalhadores, recursos e informações em uma estrutura permanente, dentro da qual as tarefas podem ser distribuídas por uma direção e planejamento comum, sem que cada interação exija uma nova negociação.

Coase estava interessado em explicar a organização das empresas, não a rotina de uma pessoa diante de um computador. Ainda assim, sua intuição oferece uma das melhores maneiras de compreender o que a inteligência artificial realmente faz pela produtividade, porque os indivíduos também enfrentam custos para acessar informações, conhecimentos e competências de que não dispõem. Mesmo quando sabemos exatamente o que pretendemos alcançar, existe uma distância entre a intenção e o resultado, e essa distância é preenchida, na maior parte das vezes, não pelo trabalho em si, mas pelas fricções que o cercam. Considere alguém que precise preparar uma apresentação sobre um mercado que conhece pouco: a criação dos slides talvez seja apenas a última etapa do trabalho, porque antes dela será necessário formular o problema, pesquisar o setor, selecionar dados relevantes, compreender os principais conceitos, organizar uma narrativa, escolher exemplos, resumir conclusões e adaptar a linguagem ao público. Se determinadas capacidades não estiverem disponíveis, essa pessoa ainda precisará procurar um pesquisador, contratar um designer ou pedir ajuda a colegas, e cada interação exigirá contexto, instruções, prazo, acompanhamento e revisão.

Com a IA, várias dessas operações são reunidas em uma única interface. A mesma pessoa pode explorar o assunto, esclarecer conceitos, comparar interpretações, organizar o argumento, produzir uma estrutura inicial e revisar o resultado sem trocar de ferramenta ou recomeçar a explicação a cada etapa, porque o sistema conserva o contexto e conecta as diferentes fases do trabalho em uma sequência contínua. O ganho não decorre apenas de a máquina escrever mais rapidamente. Decorre de ela diminuir o custo de mobilizar diferentes capacidades para que o trabalho possa acontecer. E é por isso que medir o impacto da IA somente pelo tempo economizado na execução de uma tarefa pode subestimar seu verdadeiro valor, porque muitas vezes o maior desperdício não estava no ato de produzir, mas nas fricções anteriores e posteriores à produção: não era apenas escrever o relatório, mas encontrar os dados, compreender o assunto, decidir por onde começar e transformar uma ideia ainda confusa em uma sequência inteligível; não era apenas criar uma campanha, mas reunir referências, transmitir o conceito, comparar versões e coordenar as pessoas envolvidas; não era apenas resolver um problema técnico, mas descobrir quem poderia resolvê-lo e conseguir explicar com precisão o que estava errado.

Quando se examina a redução de custos que a IA proporciona à luz do enquadramento de Coase, o que pode ver é uma lista de fricções que estão sendo comprimidas simultaneamente, e cuja soma explica o impacto desproporcional que a tecnologia exerce sobre a produtividade individual. A IA reduz os custos de busca, porque encontrar uma informação, um precedente, uma fórmula, uma referência visual ou uma possível solução já não exige necessariamente percorrer dezenas de fontes de maneira desordenada. Reduz os custos de comunicação, porque ajuda o usuário a transformar intenções incompletas em instruções mais claras, diminuindo a distância entre o que se quer dizer e o que se efetivamente consegue dizer. Reduz os custos de coordenação, ao conservar o contexto, conectar diferentes etapas e permitir que pesquisa, planejamento, execução e revisão aconteçam em sequência sem perder o fio. E reduz os custos de verificação, ao comparar versões, apontar inconsistências e testar o resultado contra critérios previamente definidos.

Há, ainda, uma redução especialmente importante que se conecta diretamente ao fenômeno do vibe coding, por exemplo: a redução do custo de experimentação. Afinal, durante muito tempo, colocar uma ideia à prova exigia mobilizar pessoas e recursos antes mesmo de saber se ela funcionaria, porque uma nova identidade visual dependia de um designer, um protótipo dependia de um programador, uma análise preliminar dependia de um especialista e uma campanha dependia de uma equipe criativa. Isso tornava o erro caro, e como consequência, muitas ideias eram abandonadas não porque fossem ruins, mas porque descobrir se eram boas custava demais. A inteligência artificial altera essa lógica de forma radical, uma vez que agora é possível produzir uma primeira versão, simular alternativas, identificar fragilidades e descartar caminhos em poucos minutos. A qualidade final ainda pode exigir experiência humana, conhecimento técnico e trabalho especializado, mas o custo de chegar a algo que possa ser avaliado caiu de uma maneira que, como sessenta milhões de projetos criados na Lovable em menos de dois anos demonstram, já está transformando quem pode empreender e o que pode ser testado.

Isso ajuda a explicar por que uma única pessoa passa a realizar atividades que, pouco tempo atrás, dependeriam de uma pequena organização, e por que essa mudança é qualitativamente diferente de simplesmente usar uma ferramenta mais eficiente. A IA, nesse contexto, não transforma cada indivíduo em pesquisador ou analista ao mesmo tempo. O que ela faz é reduzir o custo de acessar parcelas dessas competências, funcionando como uma camada de coordenação entre a intenção do usuário e um conjunto de capacidades que antes estavam dispersas entre profissionais, departamentos, ferramentas e empresas diferentes. Sob essa perspectiva, a IA não é apenas uma tecnologia de automação, embora também seja isso. É, fundamentalmente, uma tecnologia de coordenação, e sua importância econômica não está somente nas tarefas que consegue executar, mas nas interações que deixa de ser necessário organizar para que essas tarefas sejam executadas. Cada pesquisa abreviada, cada instrução que não precisa ser repetida e cada erro descoberto antes de chegar a terceiros representam pequenos custos de transação que foram comprimidos, e a soma dessas compressões, multiplicada por milhões de profissionais, é o que produz o ganho de produtividade agregado que os números estão começando a registrar.

Isso não significa, contudo, que esses custos desapareceram, e nossa honestidade de análise exige que se registrem as novas fricções que a própria IA cria, porque toda tecnologia que elimina certos atritos tende a gerar outros. Trabalhar com inteligência artificial exige formular boas instruções, verificar (muito bem) as informações que ela nos entrega, proteger dados, avaliar a qualidade das respostas e definir quais decisões podem ou não ser delegadas, exigências que nos exigem ser verdadeiros pilotos pilotos de IA, pois o profissional que sabe operar a IA com julgamento crítico, o piloto, captura o ganho de produtividade integralmente; ao passo que profissional que delega tudo seu pensamento para a máquina, sem sequer avaliar o resultado, é o que podemos chamar de passageiro. Ele produz mais volume com menos qualidade e cria custos de supervisão que podem, em alguns casos, superar o tempo economizado. A IA pode gerar resultados convincentes, mas equivocados, tornando a capacidade de julgamento mais valiosa, não menos, e há um limite importante que o enquadramento de Coase nos ajuda a enxergar: quanto mais genérica e reversível for uma tarefa, mais facilmente ela poderá ser delegada; quanto mais envolver responsabilidade, confiança, contexto institucional ou consequências difíceis de corrigir, maior será a necessidade de intervenção humana. A IA pode produzir uma minuta, mas alguém precisa responder por ela. Pode sugerir uma estratégia, mas não assume os riscos de sua adoção. Pode oferecer opções, mas não determina sozinha quais valores devem orientar a escolha. Reduzir o custo de acessar uma capacidade não equivale, automaticamente, a transferir integralmente a responsabilidade por seu uso.

Ainda assim, a transformação permanece profunda, e talvez a melhor maneira de dimensioná-la seja observar que, até agora, grande parte da produtividade de uma pessoa dependia dos recursos que ela conseguia reunir ao seu redor, como sua equipe, seu capital conhecimento e seus contatos. A inteligência artificial diminui o tamanho mínimo da estrutura necessária para transformar uma ideia em resultado. Projetos que antes exigiam uma organização podem começar com um indivíduo. Tarefas que aguardavam disponibilidade de terceiros podem ser iniciadas imediatamente. Competências que estavam fora de alcance podem ser utilizadas, ainda que de maneira parcial, por meio de uma conversa.

O verdadeiro motivo pelo qual a IA nos torna mais produtivos, portanto, não é simplesmente que ela trabalha depressa, embora trabalhe. É que ela reduz o número de obstáculos entre aquilo que imaginamos e aquilo que conseguimos realizar. Ronald Coase mostrou que a economia não é composta apenas pelos custos visíveis de produzir bens e prestar serviços, mas também pelos custos invisíveis de organizar as relações necessárias para que a produção aconteça. A inteligência artificial atua justamente sobre essa camada invisível. E talvez seja por isso que seu impacto pareça tão maior do que o de uma ferramenta convencional, afinal, uma ferramenta convencional aperfeiçoa uma etapa do seu trabalho; a IA, por sua vez, começa a conectar todas elas. Ao baratear a busca, a coordenação e a experimentação, ela não apenas nos ajuda a executar tarefas, mas muda, de fato, a quantidade de organização necessária para realizá-las. E sua maior contribuição à produtividade pode, no fim, ser resumida de maneira simples: a IA reduz a distância entre querer e fazer.

Leia também:

Trezentos e onze anos depois, a estratégia do Rei Sol é, possivelmente, a melhor metáfora para o que a Nvidia está fazendo com a indústria de inteligência artificial. As notícias de hoje contam, cada uma à sua maneira, a mesma história de absorção: empresas que expandem seu domínio não pela eliminação dos concorrentes, mas pela integração deles ao próprio ecossistema. A Nvidia investe US$ 3,5 bilhões na MediaTek para garantir que os chips personalizados que seus clientes constroem continuem falando a língua da Nvidia. A OpenAI transforma seu bilhão de usuários em audiência publicitária, absorvendo o modelo de negócio que sempre sustentou o Google e a Meta. A Eli Lilly usa os lucros recordes das canetas emagrecedoras para comprar mais uma empresa de biotecnologia, expandindo seu portfólio para doenças autoimunes com a mesma voracidade com que conquistou a obesidade. E a China investe US$ 20 bilhões para colocar milhões de robôs em suas fábricas, absorvendo a manufatura global numa escala que o restante do mundo não consegue acompanhar. Em todos os casos, o padrão é o mesmo de Versalhes: o poder não cresce conquistando território, mas cresce fazendo com que todo o território funcione segundo as suas regras.

A Nvidia e Seu Império

A Nvidia investiu US$ 3,5 bilhões na taiwanesa MediaTek, uma das maiores fabricantes de chips do mundo, num acordo que dá à empresa asiática acesso à tecnologia NVLink Fusion, um tipo de protocolo que permite que qualquer chip, mesmo que não seja da Nvidia, se comunique diretamente com os processadores e a infraestrutura de data center da empresa americana. Em troca, a MediaTek passará a projetar chips personalizados para clientes de IA e hiperescaladores que poderão ser conectados, sem atrito, à plataforma que a Nvidia já domina. É, na essência, o mesmo movimento que fez com o Groq: a Nvidia não precisa fabricar todos os chips do mundo, mas precisa apenas garantir que todos os chips do mundo falem a sua língua.

A lógica por trás do investimento responde diretamente à maior ameaça que a Nvidia enfrenta neste momento, e que o mercado tem acompanhado ao longo de meses: praticamente todos os seus maiores clientes, desde a OpenAI à, mais recentemente, Apple, desenvolvem chips próprios para reduzir a dependência das GPUs da Nvidia. O Jalapeño da OpenAI, as TPUs do Google, os Trainium da Amazon, as negociações da Anthropic com a Samsung… cada um desses projetos é um passo em direção à autonomia de silício. A Nvidia, nesse cenário, não pode efetivamente impedir que seus clientes construam alternativas, mas pode garantir que essas alternativas precisem do NVLink para funcionar em escala, e que, ao funcionar, gerem demanda adicional pelo ecossistema da Nvidia em vez de substituí-lo. É a estratégia de Luís XIV aplicada ao mundo dos chips: se o nobre vai construir seu próprio castelo, que ao menos o construa dentro de Versalhes.

O acordo com a MediaTek se soma à parceria anunciada na semana passada com a AWS, que implantará mais 2 milhões de GPUs da Nvidia e também integrará o NVLink Fusion, à proposta de compra da Hugging Face por US$ 12,9 bilhões, à absorção da tecnologia da Groq, e aos mais de US$ 1,35 trilhão em compromissos financeiros que a Nvidia acumulou ao longo deste ano. O padrão que surge é, portanto, o de uma empresa que deixou de ser fabricante de chips e se tornou a nova arquiteta de um ecossistema, onde, a cada investimento, a cada parceria e a cada aquisição, torna mais caro, mais difícil e mais irracional para qualquer cliente operar fora dele. Jensen Huang disse na última teleconferência que “basicamente todas as nuvens, todos os criadores de modelos estão implementando nossa plataforma de alguma forma”. A frase, lida nas Entrelinhas, é a declaração de um monarca que já não precisa conquistar, porque todos os que importam já moram no palácio.

A Outra Face do Modelo de Negócio da OpenAI

A OpenAI anunciou que o ChatGPT Ads, seu negócio de publicidade, atingiu US$ 1 bilhão em receita anualizada. Os anúncios, que começaram como testes nos Estados Unidos no início do ano, agora se expandem para Índia, Europa, Oriente Médio e Norte da África por meio de um Ads Manager próprio que já atrai pequenas e médias empresas como anunciantes. Os anúncios são exibidos para usuários do plano gratuito e do OpenAI Go, que representam a vasta maioria da base de um bilhão de usuários ativos semanais da plataforma de IA. O marco de US$ 1 bilhão é apresentado pela empresa como prova de um “modelo de negócios diversificado”, e, nas Entrelinhas, como mais uma linha de receita para justificar a avaliação de US$ 852 bilhões que o IPO precisará sustentar.

A decisão de vender anúncios é, simultaneamente, a coisa mais previsível e mais reveladora que a OpenAI poderia fazer. Previsível porque toda plataforma com um bilhão de usuários acaba monetizando atenção, o próprio Google fez isso com a busca, a Meta fez com o feed, o YouTube fez com o vídeo, e o TikTok está fazendo com tudo ao mesmo tempo. Com a IA não seria diferente. Reveladora porque expõe o limite do modelo de assinatura: cobrar US$ 20 ou US$ 200 por mês de quem paga não é suficiente para cobrir uma operação que, como vem sendo demonstradora por todas as fornecedoras de modelos, queima mais caixa do que gera, haja vists que a própria OpenAI faturou cerca de US$ 25 bilhões no último ano e queimou US$ 27 bilhões. A publicidade não fecha essa conta sozinha, mas reduz a pressão, e, mais importante, abre um caminho de receita que escala com a base de usuários em vez de depender exclusivamente do preço por assinatura.

A ironia é que a Anthropic, principal rival da OpenAI, transformou a decisão de vender anúncios no alvo de sua primeira campanha no Super Bowl, ridicularizando a ideia de que um chatbot de IA deveria exibir publicidade. A Anthropic se posiciona como a alternativa de IA “limpa”, sem anúncios, focada exclusivamente na qualidade do modelo e na segurança. Mas a Anthropic também acumulou US$ 42 bilhões em prejuízo e se prepara para um IPO onde precisará provar que seu modelo de negócio é sustentável sem publicidade. A pergunta que o mercado fará, e que, no fundo, é a pergunta que define toda a economia da IA neste momento, é se o futuro pertence a quem cobra caro e entrega qualidade, ou a quem distribui de graça e monetiza a atenção. O Google e a Meta já responderam a essa pergunta. A OpenAI está respondendo agora. E a Anthropic aposta que a resposta dessa vez será diferente. Será mesmo?

A Eli Lilly Usa o Dinheiro do Mounjaro para Comprar Outra Empresa

A Eli Lilly anunciou a aquisição da Merida Biosciences por até US$ 2,9 bilhões, a mais recente numa sequência de compras que transforma os lucros recordes das canetas emagrecedoras em planejamentos farmacêuticos de longo prazo. A Merida desenvolve tratamentos para doenças autoimunes, com foco num medicamento chamado MER511, voltado à doença de Graves e à doença ocular da tireoide, condições para as quais os tratamentos atuais não atacam os anticorpos que de fato causam o problema. Se aprovado, o MER511 seria o primeiro a fazê-lo, o que explica o interesse da Lilly e o preço que está disposta a pagar por uma empresa em fase inicial de desenvolvimento clínico.

A aquisição é o terceiro grande movimento da Eli Lilly em seis meses: em fevereiro, comprou a Orna Therapeutics por US$ 2,4 bilhões para terapias autoimunes baseadas em células B; em maio, investiu quase US$ 4 bilhões em desenvolvedoras de vacinas; e, em julho, fechou a compra da AtaiBeckley por US$ 3,8 bilhões para entrar no mercado de terapias psicodélicas para depressão. Somadas, as aquisições ultrapassam US$ 13 bilhões em menos de um ano, todas financiadas pelo caixa gerado pelo Mounjaro e pelo Zepbound, os medicamentos que, como temos acompanhado nos últimos anos, estão redesenhando mercados que vão muito além da farmácia.

A estratégia da Lilly é a de uma empresa que entendeu que a janela do GLP-1 é extraordinária, mas não eterna. A tirzepatida gerou a maior parte da receita dos últimos trimestres, e sua respectiva proteção patentária se estende até 2036, mas sua concorrente mais direta, a Novo Nordisk, já enfrenta cinco concorrentes genéricos no Brasil, dando a Lilly o sinal de por onde ela deve seguir após as perdas das patentes. A Lilly está usando o pico de caixa gerado pela obesidade para construir, peça por peça, um portfólio diversificado que sobreviva ao dia em que o Mounjaro não for mais a fonte dominante de receita. É a versão farmacêutica do conselho mais antigo do capitalismo: não guarde todo o dinheiro no mesmo lugar. E US$ 13 bilhões em aquisições sugerem que a Lilly leva o conselho a sério.

A China Constrói um Exército de Robôs

Mais de dois milhões de robôs já operam dentro das fábricas chinesas, mais do que em qualquer outro país do mundo, e o número cresce a um ritmo que a maioria dos analistas ocidentais subestimou. O plano de Xi Jinping de investir US$ 20 bilhões para colocar a China na vanguarda da robótica industrial, mais do que um projeto de pesquisa, é uma reorganização da base manufatureira da segunda maior economia do planeta, conduzida com a mesma disciplina que transformou o país no maior produtor mundial de painéis solares, baterias, veículos elétricos e, agora, chips de memória. A China já fabrica mais da metade dos robôs industriais do mundo. Os braços que soldam, pintam, içam cargas e montam peças nas fábricas de Chengdu e Hangzhou trabalham sem pausa, sem benefício trabalhista e sem reclamar, e alguns deles já são projetados para construir outros robôs.

A urgência por trás da automação não é apenas competitiva, mas é também demográfica. Até 2035, mais de um terço da população chinesa terá mais de 60 anos. O país perderá quase 60 milhões de habitantes na próxima década, um número equivalente à população da França. E cerca de 120 milhões de pessoas ainda trabalham no setor manufatureiro, muitas delas em funções repetitivas que um braço robótico de US$ 20 mil já executa com mais precisão e menos custo. A automação não é, para Pequim, uma escolha estratégica entre eficiência e emprego; é, de fato, uma necessidade imposta pelo envelhecimento de uma população que, sem robôs, simplesmente não terá mãos suficientes para manter as fábricas funcionando (assim como boa parte do Ocidente).

A China está, portanto, construindo um ecossistema completo para sustentar seu avanços tecnológicos que se expandem para todas as áreas do mercado: escolas técnicas que formam engenheiros desde os 15 anos, cadeia de suprimentos que fornece componentes em menos de uma hora, e uma base industrial que, como uma analista citada pela BBC resumiu, permite fabricar um robô em Shenzhen em um dia, enquanto, na Europa, o mesmo processo leva uma semana. A vantagem que o Ocidente ainda mantém, segundo os próprios chineses, é no “cérebro”, com a inteligência artificial que programa os robôs. Mas a distância nessa frente, como a DeepSeek e a Moonshot demonstraram, está encolhendo mais rápido do que qualquer embargo conseguiu impedir. E quando os robôs que a China constrói encontrarem o cérebro que a China treina, possivelmente veremos uma revolução industrial que nenhuma tarifa conseguirá deter.

Leia também:

A demanda explodiu, a oferta não conseguiu acompanhar e a Nvidia tornou-se uma das empresas mais valiosas do planeta. Quem conseguia seus chips avançava. Quem não conseguia precisava esperar.

Mas existe uma característica importante em toda grande revolução tecnológica: o gargalo nunca desaparece. Ele apenas muda de lugar.

Pense na cadeia da inteligência artificial como uma enorme estrada. Não importa se existem dez pistas durante quase todo o percurso. Se, em algum ponto, elas convergem para apenas uma, é ali que o trânsito vai parar.

E é justamente nesse trecho mais estreito que costuma estar parte importante do valor econômico.

A cadeia começa muito antes da Nvidia. A Zeiss produz alguns dos sistemas ópticos mais sofisticados do planeta, com lentes e espelhos de precisão extrema. Essa tecnologia é utilizada pela ASML em suas máquinas de litografia, equipamentos fundamentais para desenhar circuitos microscópicos nos chips mais avançados.

Depois entra a TSMC.

Se empresas como a Nvidia projetam a arquitetura dos chips, a TSMC é responsável por transformar esses projetos em componentes físicos, fabricando bilhões de transistores em wafers de silício.

Então chegamos às GPUs.

Durante alguns anos, elas foram o grande ponto de escassez da revolução da IA. A Nvidia estava exatamente no trecho mais congestionado da estrada — e capturou uma quantidade extraordinária de valor.

Só que a capacidade de processamento continuou aumentando.

E surgiu outro problema.

Memória.

Uma GPU extremamente poderosa precisa receber enormes quantidades de dados em altíssima velocidade. É aí que entra a memória HBM, produzida por empresas como Micron e SK hynix.

Imagine uma cozinha. A GPU é um cozinheiro extraordinariamente rápido. A memória é responsável por colocar os ingredientes na bancada. Não adianta tornar o cozinheiro cada vez mais eficiente se os ingredientes não chegam na mesma velocidade.

O gargalo começa, então, a migrar.

E quando a escassez muda de lugar, o dinheiro tende a acompanhá-la.

Fabricantes de memória ganham importância. Capacidade produtiva torna-se disputada. Preços e margens recebem pressão. Aquilo que antes parecia apenas mais um componente passa a ocupar uma posição estratégica dentro de toda a cadeia.

Mas talvez o movimento mais interessante seja pensar onde estará o próximo gargalo.

Porque, mesmo que existam chips e memória suficientes, ainda precisamos ligar tudo isso.

Data centers consomem quantidades extraordinárias de eletricidade. Precisam de geração de energia, redes de transmissão, transformadores, refrigeração, cabos e infraestrutura física.

Podemos chegar ao ponto de possuir servidores, GPUs e memória suficientes — mas não ter energia disponível para colocá-los para funcionar.

E então o valor poderá migrar novamente.

Primeiro, o gargalo esteve na fabricação. Depois, nas GPUs. Agora, aparece com força na memória. Amanhã, pode estar na eletricidade, nos transformadores, na refrigeração ou em algum componente da cadeia que hoje recebe muito menos atenção.

Essa talvez seja uma das maneiras mais interessantes de observar a corrida da inteligência artificial.

Em vez de perguntar apenas “qual será a próxima Nvidia?”, talvez devêssemos fazer outra pergunta:

onde estará o próximo gargalo?

Porque quando todo mundo percebe a escassez, parte da oportunidade já foi capturada.

O verdadeiro jogo está em enxergar onde a estrada vai estreitar antes de o trânsito chegar até lá.

O gargalo muda de lugar.

E o dinheiro muda junto.

Leia também:

Jobs era fundador, símbolo, storyteller, visionário e, para muita gente, praticamente indissociável da própria Apple. Sob sua liderança nasceram produtos que não apenas conquistaram mercados, mas ajudaram a redefini-los: Macintosh, iPod, iPhone e iPad. A pergunta que pairava sobre Cupertino era inevitável: o que acontece com uma empresa construída ao redor de um gênio quando o gênio não está mais lá?

Quinze anos depois, talvez tenhamos a resposta. Tim Cook deixará o cargo de CEO, amanhã, 1º de setembro de 2026, passando a Executive Chairman, enquanto John Ternus assume o comando da companhia. Cook entrega uma Apple profundamente diferente daquela que recebeu.

Em 2011, a empresa faturava aproximadamente US$ 108 bilhões por ano e lucrava US$ 26 bilhões. Em 2025, sua receita chegou a US$ 416 bilhões. O valor de mercado, que terminou 2011 em cerca de US$ 378 bilhões, hoje está na casa dos US$ 4,6 trilhões. E chegou a ultrapassar brevemente os US$ 5 trilhões em julho.

Mas reduzir o legado de Cook a esses números seria perder justamente a parte mais interessante da história. Steve Jobs dominava a arte da genialidade. Tim Cook dominou a ciência da exponencialidade.

Jobs mostrou repetidamente que uma empresa poderia criar algo que as pessoas ainda não sabiam que desejavam. Cook mostrou que era possível transformar essas invenções em plataformas globais, conectadas, recorrentes e cada vez mais difíceis de abandonar.

São competências completamente diferentes. A Apple que Cook herdou ainda era, em grande parte, uma empresa que vendia produtos extraordinários. A Apple que ele entrega é um ecossistema. Hoje existem mais de 2,5 bilhões de dispositivos Apple ativos no mundo. A App Store sozinha recebe mais de 850 milhões de usuários por semana. Serviços como iCloud, Apple Music, Apple Pay, Apple TV, App Store e outras assinaturas transformaram uma relação que antes acontecia principalmente na compra de um aparelho em uma relação permanente com o consumidor.

Essa talvez seja uma das maiores realizações estratégicas de Cook: ele transformou produtos em pontos de entrada para um sistema. Comprar um iPhone passou a aumentar a probabilidade de comprar um Watch. O Watch reforça o Health. Os AirPods tornam-se extensão natural do iPhone. O iCloud conecta tudo. O Apple Pay transforma o dispositivo em carteira. Os serviços aumentam recorrência. E quanto mais elementos entram nessa equação, maior fica o custo (financeiro, comportamental e emocional) de sair dela.

Não é apenas cross-sell. É arquitetura de ecossistema. Cook também fez algo menos visível para o consumidor, mas talvez ainda mais importante para a empresa: levou a integração vertical da Apple a outro nível. O melhor exemplo é o Apple Silicon. Ao substituir processadores de terceiros por chips desenhados internamente, a Apple passou a controlar simultaneamente hardware, sistema operacional e uma parcela cada vez mais crítica do silício que conecta os dois. O movimento permitiu criar uma arquitetura comum entre diferentes famílias de produtos e tornou o ecossistema ainda mais integrado.

É curioso porque isso revela uma característica recorrente da gestão Cook. Suas maiores inovações nem sempre estavam no palco. Muitas estavam por trás dele. Supply chain, manufatura, contratos de longo prazo com fornecedores, eficiência de capital, distribuição global, chips proprietários, serviços, monetização da base instalada. Jobs era obcecado pela experiência que acontecia na mão do consumidor. Cook construiu a infraestrutura econômica necessária para colocar aquela experiência nas mãos de bilhões deles.

Talvez por isso exista uma leitura injusta de que “a Apple deixou de inovar” sob Cook. É verdade que nenhum produto lançado durante sua gestão produziu uma ruptura comparável à do iPhone. E esse ponto não deve ser ignorado. Apple Watch, AirPods, Vision Pro e outras categorias importantes não reorganizaram a sociedade como o smartphone fez. A companhia também foi criticada por reagir lentamente à explosão recente da inteligência artificial, um desafio que continuará sobre a mesa de John Ternus.

Mas existe um problema nessa comparação: usar o iPhone como unidade mínima de inovação condenaria praticamente qualquer CEO da história. O iPhone é uma anomalia. Talvez seja mais justo perguntar outra coisa: quantas empresas conseguem transformar uma grande invenção em uma plataforma que continua se expandindo por duas décadas? Quantas conseguem evitar que um produto extraordinário se transforme em seu próprio teto?

A história da tecnologia está cheia de empresas que descobriram o futuro e não conseguiram capturá-lo. Criaram o computador, o celular, o software, a rede social ou algum outro produto extraordinário, e depois perderam a próxima curva. Cook fez o contrário. Ele pegou a curva criada por Jobs e construiu novas curvas sobre ela.

Hardware puxou software. Software puxou serviços. Serviços aumentaram recorrência. A recorrência aumentou o valor da base instalada. A base instalada atraiu desenvolvedores. Desenvolvedores aumentaram o valor da plataforma. A plataforma vendeu mais dispositivos. É um flywheel.

E talvez seja justamente aí que esteja a diferença entre genialidade e exponencialidade. A genialidade produz o momento extraordinário. A exponencialidade cria um sistema no qual cada avanço torna o próximo avanço mais poderoso.

Jobs ensinou empresas a pensar diferente. Cook mostrou que, depois de pensar diferente, é preciso descobrir como escalar diferente. Em setembro, John Ternus receberá uma Apple muito maior, mais rica, mais integrada e provavelmente mais poderosa do que aquela que Cook recebeu. Mas receberá também um desafio parecido: administrar uma empresa cujo passado recente parece grande demais para ser superado.

Só que há uma diferença importante. Tim Cook recebeu de Steve Jobs alguns dos melhores produtos da história. John Ternus receberá de Tim Cook uma das máquinas de negócios mais poderosas já construídas. Talvez esse seja o legado definitivo de Cook. Ele não tentou ser o próximo Steve Jobs. E foi exatamente por isso que conseguiu construir a próxima Apple.

Leia também

O mais interessante é perceber o intervalo entre a invenção e a adoção. Setenta anos antes da atual corrida por eletrificação, baterias e energia renovável, uma das maiores montadoras do mundo já testava esse caminho. A tecnologia, porém, ainda não estava pronta para transformar aquela visão em mercado. É um bom lembrete de que algumas revoluções não começam quando uma ideia surge, mas quando custo, infraestrutura, tecnologia e comportamento finalmente se encontram.

Chegaram mais 4 chineses.

Mais quatro marcas de carros chineses acabam de anunciar ou detalhar sua entrada no mercado brasileiro: BAIC, iCAUR, DFM e IM. Com elas, o Brasil já passa de 20 marcas de origem chinesa com presença ou operação comercial no país.

Há poucos anos, para a maioria dos brasileiros, carro chinês era praticamente sinônimo de duas ou três marcas e qualidade duvidosa. Agora, eles estão em todos os lugares. E não estão chegando apenas com carros importados.

A BAIC fala em fábrica no Brasil, 150 pontos de venda e 10 modelos até 2028. A DFM pretende abrir 60 lojas e já planeja produção local. A iCAUR é mais uma ofensiva do gigantesco grupo Chery. E a IM, controlada pela SAIC, vem atacar o mercado de luxo.

Mas talvez o número mais impressionante esteja fora das concessionárias: entre janeiro e julho de 2026, as importações de veículos vindos da China cresceram 105,4% e já representaram mais da metade de todos os carros importados pelo Brasil.

Durante muito tempo, quando falávamos sobre a chegada de carros chineses, a disputa se resumia a preço. Agora, os “ecossistemas” é o que melhor define: tecnologia, baterias, software, velocidade de desenvolvimento, distribuição e, cada vez mais, produção local.

E há outra diferença importante. Os chineses não estão escolhendo um único segmento para atacar. Há carros de entrada, SUVs, picapes, híbridos, elétricos e modelos de luxo. A competição não está vindo por uma porta. Está entrando por todas.

Mounjaro para Cabelo?

Depois da febre das canetas emagrecedoras, Wall Street parece estar tentando antecipar a próxima grande onda da indústria farmacêutica: a calvície. A Veradermics já valorizou quase 500% desde seu IPO, enquanto a Absci mais que dobrou de valor em 2026.

Pode ser apenas euforia. Mas também pode ser antecipação de sinal. A alopecia afeta centenas de milhões de pessoas, os principais medicamentos usados hoje existem há décadas e uma nova geração de tratamentos começa a avançar nos testes clínicos. Um deles tem potencial estimado de US$ 4 bilhões em vendas anuais.

Só que existe uma segunda entrelinha aqui: a IA pode estar começando a encurtar o ciclo de criação de medicamentos. O ABS-201, candidato da Absci contra a queda de cabelo, foi desenvolvido com IA generativa. A empresa diz ter conseguido levá-lo do conceito à clínica em cerca de 2 anos, contra os 5 ou 6 anos tradicionalmente necessários nessa etapa.

Talvez estejamos vendo duas curvas se encontrarem. De um lado, mercados gigantescos esperando soluções melhores. Do outro, uma tecnologia capaz de aumentar drasticamente o número de moléculas testadas e reduzir o tempo necessário para encontrar novos medicamentos.

O Mounjaro pode ter sido mais do que um fenômeno farmacêutico. Pode ter mostrado ao mercado o tamanho da recompensa para quem descobrir primeiro a próxima solução que milhões de pessoas desejam. E a IA pode fazer essas descobertas chegarem cada vez mais rápido.

Cerveja e IA no Cardápio do Bar.

Em Pequim, um bar resolveu adicionar uma coisa diferente ao cardápio: inteligência artificial ilimitada. No AGI Bar, o cliente compra uma bebida e ganha acesso gratuito a tokens para usar diferentes modelos de IA.

A cerveja mais vendida custa só 9,9 yuans, cerca de US$ 1,47. Depois de pedir, muitos clientes abrem o notebook, conectam no Wi-Fi e configuram seus agentes. O bar mantém até o DeepSeek-V4-Flash rodando localmente em dois Nvidia DGX Spark.

Pode parecer apenas uma ação de marketing. Mas existe uma entrelinha interessante: tokens estão começando a virar infraestrutura. Durante anos, bares e cafés atraíram clientes oferecendo Wi-Fi gratuito. Agora, na China, já existe lugar oferecendo capacidade computacional e acesso à IA como parte da experiência.

Talvez seja mais um sinal de como a adoção realmente acontece. Primeiro, a tecnologia é cara e restrita. Depois vira produto. Em seguida, vira serviço. Até chegar ao momento em que simplesmente esperamos que ela esteja disponível em todo lugar. O Wi-Fi já foi motivo para escolher um café. Talvez, daqui a pouco, a quantidade de tokens seja.

Anthropic cria “USB” para IA.

A Anthropic acaba de apresentar o MHS - Model Hardware Standard. Parece complicado, mas a ideia é simples: imagine um USB universal para a inteligência artificial se conectar a máquinas do mundo físico.

Hoje, um microscópio, um braço robótico e uma máquina de laboratório normalmente falam “línguas” diferentes. Para fazê-los trabalhar juntos, engenheiros precisam criar integrações específicas que podem levar semanas ou meses. O MHS cria uma linguagem comum. A Anthropic diz que algumas dessas integrações podem cair para horas ou minutos.

E aí começa a parte realmente importante. Com as máquinas conectadas, um agente pode receber uma ordem como: “execute este experimento”. Ele pode controlar equipamentos, acompanhar resultados, mudar parâmetros e coordenar várias máquinas ao mesmo tempo. Em um teste com a Genentech, Claude chegou a operar equipamentos de laboratório, analisar os resultados e ajustar sozinho a forma como o experimento era executado.

E isso pode representar algo bem maior para a Anthropic. Antes, a empresa criou o MCP, um padrão que permite que a IA se conecte a coisas do mundo digital, como arquivos, bancos de dados, softwares e ferramentas. Pense nele como uma espécie de tomada universal para a IA conversar com sistemas digitais.

Agora, com o MHS, a Anthropic quer levar essa mesma lógica para o mundo físico. Em outras palavras: o MCP conecta a IA ao software. O MHS quer conectar a IA às máquinas. Isso pode colocar a Anthropic em uma posição muito maior do que simplesmente vender o Claude.

Se esses padrões forem amplamente adotados, a empresa pode ajudar a definir como as IAs vão se conectar tanto ao mundo digital quanto ao mundo físico. E aí está a grande entrelinha. Os agentes de IA começaram lendo documentos, acessando sistemas e usando softwares. O próximo passo é controlar microscópios, robôs, equipamentos industriais e linhas de produção.

Leia também

Nos negócios, velocidade virou virtude. Decidir rápido, testar rápido, lançar rápido, corrigir rápido. Em muitos mercados, estar certo tarde demais é quase a mesma coisa que estar errado.

Só que existe uma categoria de coisas que parece resistir a essa lógica. Não dá para acelerar uma amizade verdadeira. Não existe atalho para construir confiança. Reputação continua levando anos. Aprender alguma coisa de verdade exige repetição, erro e tempo. Uma boa conversa não melhora quando tentamos terminá-la mais rápido.

Até a leitura funciona assim. Podemos resumir um livro em cinco minutos, assistir a um vídeo sobre ele ou pedir para uma IA listar suas principais ideias. Vamos ganhar tempo. Mas talvez não ganhemos exatamente a mesma coisa. Algumas ideias precisam permanecer conosco por algum tempo antes de se tornarem nossas.

Talvez esse seja um dos paradoxos do nosso tempo: ficamos extraordinariamente bons em economizar minutos e, ao mesmo tempo, começamos a tratar como desperdício justamente os processos que precisam deles.

A tecnologia continuará comprimindo o tempo. E isso é ótimo. Provavelmente vamos esperar cada vez menos por quase tudo. Mas talvez maturidade seja também saber distinguir aquilo que deve ser acelerado daquilo que perde valor quando tentamos apressar.

Porque a velocidade virou uma vantagem competitiva em quase tudo. Menos, talvez, nas coisas mais importantes.

Leia também

1. Marketing começa antes do marketing

O primeiro princípio dizia: “Vamos entender verdadeiramente as necessidades das pessoas melhor do que qualquer outra empresa.” Markkula não escreveu “vamos comunicar melhor”. Escreveu “vamos entender melhor”. Essa diferença parece pequena, mas muda completamente a lógica de uma empresa, porque durante décadas muitas organizações trataram marketing como a área responsável por explicar ao mercado aquilo que a empresa havia decidido produzir. Primeiro construía-se o produto. Depois alguém precisava encontrar uma maneira de vendê-lo.

A filosofia da Apple invertia essa ordem. O produto deveria nascer da compreensão do cliente. Quando uma empresa conhece profundamente as frustrações, desejos, hábitos e comportamentos das pessoas, marketing deixa de ser um departamento e passa a ser parte da arquitetura do negócio. É por isso que algumas empresas parecem prever o que os consumidores querem. Na maioria das vezes, elas não estão prevendo o futuro. Estão observando o presente melhor do que os concorrentes.

2. Estratégia é aquilo que você decide não fazer

O segundo princípio talvez seja ainda mais poderoso: “Para fazer bem aquilo em que decidimos focar, precisamos eliminar todas as oportunidades que não são importantes.” Existe uma palavra particularmente importante nessa frase: oportunidades. Markkula não dizia para eliminar problemas. Dizia para eliminar oportunidades.

Porque o maior inimigo de uma boa empresa nem sempre é uma ideia ruim. Às vezes são dezenas de ideias boas: novos mercados, novos produtos, novos canais, novas funcionalidades, novas tecnologias, novas parcerias. Tudo parece interessante, até que a organização perde a capacidade de decidir o que realmente importa. Foco não é escolher uma prioridade. É aceitar conscientemente as oportunidades que você vai deixar passar.

Steve Jobs transformaria isso em uma obsessão anos depois. Quando voltou à Apple, em 1997, uma das primeiras coisas que fez foi reduzir drasticamente a quantidade de produtos da companhia. Menos coisas, mais energia em cada uma delas. Essa talvez seja uma das grandes ironias do mundo empresarial atual: nunca tivemos tantas ferramentas para fazer coisas e, exatamente por isso, ficou mais importante decidir o que não fazer.

A inteligência artificial torna essa questão ainda mais relevante. Quando o custo de criar software, conteúdo, campanhas, produtos e experimentos cai dramaticamente, o recurso escasso deixa de ser capacidade de execução. O recurso escasso passa a ser atenção.

3. Qualidade também precisa parecer qualidade

O terceiro princípio era chamado de “Impute”. É provavelmente o mais sofisticado dos três. Markkula escreveu algo que muitos engenheiros e empreendedores ainda têm dificuldade de aceitar: “As pessoas julgam um livro pela capa.”

Você pode ter o melhor produto, a melhor tecnologia e a melhor engenharia. Mas, se tudo isso for apresentado de maneira descuidada, as pessoas atribuirão esse descuido ao produto. O contrário também acontece. Apresentação, embalagem, interface, loja, comunicação, atendimento e experiência transmitem sinais sobre aquilo que não conseguimos enxergar diretamente.

O consumidor não consegue abrir um computador e avaliar milhares de decisões de engenharia. Então utiliza pistas. O design vira uma pista. A embalagem vira uma pista. A loja vira uma pista. O site vira uma pista. Até a fonte utilizada numa apresentação vira uma pista. Toda experiência comunica alguma coisa sobre a qualidade invisível do produto.

Talvez por isso a Apple sempre tenha tratado detalhes aparentemente banais com uma seriedade quase irracional. A caixa não é apenas uma caixa. A loja não é apenas uma loja. O site não é apenas um site. São mecanismos de transferência de percepção.

Três princípios. Uma arquitetura.

O mais interessante é perceber como as três ideias funcionam juntas. Empatia determina o que devemos criar. Foco determina o que não devemos criar. Imputação determina como aquilo que criamos será percebido. É quase uma arquitetura completa de negócios condensada em três palavras.

Primeiro, compreenda profundamente as pessoas. Depois, escolha poucas coisas nas quais ser extraordinário. Por fim, certifique-se de que cada ponto de contato transmita a qualidade que você colocou no produto. Parece óbvio quando lemos hoje. Mas foi escrito em 1977.

E talvez exista uma lição ainda maior escondida naquela folha. A tecnologia muda, os canais mudam, os algoritmos mudam, os produtos mudam. Mas os fundamentos de uma grande empresa mudam muito menos do que imaginamos.

Quase cinquenta anos depois, muitas companhias ainda estão tentando encontrar uma nova estratégia de marketing. Talvez algumas delas precisassem apenas voltar para aquela página.

Leia também

Pode parecer apenas mais um canal de vendas.

Mas talvez seja um sinal de uma transformação muito maior: as plataformas de tecnologia estão começando a entrar no território das farmácias.

O Mercado Livre já possui praticamente toda a infraestrutura necessária para isso. Tem milhões de usuários, meios de pagamento, logística própria, dados, relacionamento com consumidores e capacidade de entregar produtos rapidamente. Quando uma farmacêutica consegue conectar seus medicamentos diretamente a essa estrutura, parte da função tradicional da farmácia começa a ser questionada.

E o mercado percebeu o risco.

Quando a iniciativa mexicana ganhou repercussão, ações de grandes redes farmacêuticas brasileiras chegaram a recuar, mesmo que a operação estivesse acontecendo em outro país. O motivo é simples: investidores não estavam olhando apenas para o México. Estavam tentando imaginar o que aconteceria se esse modelo chegasse ao Brasil.

E existe um segundo movimento acontecendo ao mesmo tempo.

Nos Estados Unidos, a Amazon está avançando em uma direção ainda mais profunda. Em vez de simplesmente vender medicamentos, começou a integrar diferentes etapas da jornada de saúde dentro do mesmo ecossistema.

O paciente pode passar por atendimento médico, receber uma prescrição, comprar o medicamento pela Amazon Pharmacy, recebê-lo em casa e continuar sendo acompanhado ao longo do tratamento.

Essa diferença é fundamental.

Uma farmácia tradicional participa principalmente da transação. A Amazon tenta controlar a jornada.

E quem controla a jornada constrói uma relação muito mais difícil de substituir.

É justamente por isso que medicamentos GLP-1, como Ozempic e Wegovy, podem acabar funcionando como uma espécie de porta de entrada das Big Techs para um mercado muito maior. São tratamentos recorrentes, de enorme demanda e que exigem acompanhamento contínuo, exatamente o tipo de produto que favorece a construção de um ecossistema.

O Brasil aparece naturalmente no horizonte dessa transformação. O mercado de medicamentos para obesidade cresce rapidamente, novos concorrentes começam a aparecer e plataformas digitais já demonstram interesse pelo setor.

O próprio Mercado Livre começou a construir sua presença farmacêutica no país. A grande barreira, por enquanto, está na regulação, que impõe restrições importantes à comercialização digital de medicamentos sujeitos a prescrição.

Mas regulação pode mudar.

E é aí que surge a pergunta que deveria preocupar as grandes redes de farmácias.

Quando a farmacêutica consegue vender dentro do marketplace, o marketplace possui a logística, o pagamento e o relacionamento com o consumidor, e uma empresa como a Amazon consegue integrar até consulta médica e acompanhamento, qual passa a ser a vantagem competitiva de quem simplesmente entrega a caixa do medicamento no balcão?

Outras indústrias já aprenderam essa lição.

Livrarias acreditaram que sua vantagem estava na loja. Locadoras acreditaram que estava nas prateleiras. Lojas de departamento acreditaram que estava nos metros quadrados.

Até descobrirem que o consumidor queria o produto, não necessariamente o lugar onde estava acostumado a comprá-lo.

Talvez as farmácias estejam chegando ao mesmo momento.

Porque o balcão nunca foi o negócio.

Era apenas o lugar onde a transação acontecia. E esse lugar está começando a mudar.

Leia também:

A Spaten Pro é talvez um dos exemplos mais sintomáticos dessa inversão. A cerveja foi concebida em torno de uma proposta que, alguns anos atrás, pareceria irracional e totalmente invendável: oferecer a experiência de tomar uma cerveja enquanto se elimina justamente algumas das características tradicionalmente associadas à categoria, retirando álcool, glúten e parte relevante das calorias, com um novo foco de posicionar o produto não na mesa do bar, mas no universo da academia, do esporte e de um estilo de vida preocupado com aquilo que entra no corpo.

A Coca-Cola também percorre um caminho parecido há mais tempo, que progride na mesma lógica da Spaten, só que de forma mais gradual: primeiro, a empresa retirou o açúcar da sua bebida, e a versão zero açúcar, com zero calorias, tornou-se em muitos mercados mais vendida do que a original; depois, em países como Espanha e México, retirou também a cafeína, criando a Coca-Cola Zero Zero, apresentada como uma maneira de continuar tomando Coca-Cola em momentos nos quais o consumidor prefere evitar o estimulante. Observe, com isso, a inversão que está acontecendo: o produto continua prometendo entregar aquilo que realmente importa, o sabor, a experiência, a marca e o ritual, enquanto tenta eliminar progressivamente aquilo que pode gerar qualquer tipo de resistência ao consumo.

O que torna essa mudança relevante para além das prateleiras é que ela não está acontecendo por acaso, mas, na verdade, ela coincide com uma transformação muito mais ampla na relação das pessoas com o próprio corpo, uma transformação que a tecnologia acelerou de forma decisiva. Nunca monitoramos tanto a nós mesmos: relógios inteligentes contam passos, calorias, batimentos cardíacos e horas de sono; aplicativos registram treinos e alimentação; academias deixaram de ocupar um nicho para se transformar em parte da rotina de dezenas de milhões de pessoas; proteína virou o novo argumento de venda para produtos que vão de iogurtes a barras e bebidas; e termos como déficit calórico, glicemia, metabolismo, recuperação e longevidade escaparam dos consultórios e passaram a frequentar nossas conversas do dia a dia. A cultura fitness se encontrou com a cultura do bem-estar, e ambas estão se encontrando agora com uma terceira força potencialmente ainda mais poderosa: a popularização dos medicamentos da classe dos GLP-1, os tão famosos Mounjaro e Ozempic.

Mais do que abstratos, os efeitos econômicos dessa convergência já são mensuráveis. Uma pesquisa da PwC publicada em 2026 encontrou usuários de GLP-1 reduzindo suas compras de doces, salgadinhos, bebidas açucaradas e álcool enquanto aumentavam o consumo de frutas, vegetais e proteínas. Nos Estados Unidos, 21% dos lares pesquisados já tinham ao menos um usuário atual de GLP-1, mais que o dobro dos 9% encontrados em janeiro de 2025. Entre os usuários, 61% disseram comprar menos doces e 56%, menos salgadinhos, e o gasto doméstico com supermercado caiu 5,5%. Isso importa porque uma parte considerável da indústria de consumo foi construída para um mundo no qual o problema das empresas era estimular o apetite, e os GLP-1 introduzem uma variável que atua justamente sobre uma das forças que movimentavam essa engrenagem: a própria PwC descreve uma redução daquilo que chama de food noise, a negociação mental constante em torno da próxima comida, bebida ou recompensa.

Mas seria precipitado concluir que caminhamos simplesmente para uma sociedade que deixará de beber cerveja, refrigerante ou comer doces, porque os hábitos humanos são, obviamente, mais resistentes do que os produtos. Afinal, uma cerveja nunca foi apenas uma combinação de água, malte, lúpulo e álcool; ela sempre foi, também, o copo depois do trabalho, o churrasco de domingo, o futebol com os amigos e aquela boa conversa no bar. Da mesma maneira, uma Coca-Cola não é consumida exclusivamente porque alguém deseja ingerir açúcar ou cafeína: existe o sabor, o almoço, o cinema, a lata gelada, a associação construída durante décadas entre determinados momentos e aquela bebida. É por isso que simplesmente dizer às pessoas que abandonem esses produtos encontra um obstáculo que nenhuma campanha de saúde pública, por mais bem-intencionada que seja, conseguiu superar completamente: para eliminar o produto, muitas vezes seria necessário eliminar também o ritual que se formou ao redor dele - mas o problema é que rituais são muito mais difíceis de destruir do que produtos.

A inovação por subtração oferece uma terceira alternativa que é, possivelmente, mais inteligente do que qualquer uma das duas opções anteriores. Em vez de obrigar o consumidor a escolher entre preservar o hábito ou preservar a saúde, ela tenta preservar o hábito enquanto retira dele parte das suas externalidades negativas. O consumidor pode continuar encontrando os amigos para uma cerveja, mas sem necessariamente consumir álcool. Pode tomar uma Coca-Cola no jantar sem ingerir açúcar e, em alguns mercados, sem consumir cafeína perto da hora de dormir. Pode manter o ritual enquanto modifica sua composição. O que está acontecendo, quando se olha para esses produtos com a lente certa, é menos uma abstinência e mais um desacoplamento: a separação de coisas que historicamente vieram juntas. O sabor do açúcar. A cerveja do álcool. A sobremesa do excesso calórico. O café da cafeína. O prazer da consequência... Não queremos necessariamente abandonar aquilo que gostamos, mas, cada vez mais, a sociedade parece querer descobrir até onde é possível preservar a experiência de sempre retirando o custo que aprendemos a associar a ela.

E é justamente aqui que se revela uma das grandes oportunidades da indústria de consumo nos próximos anos, porque quanto mais a saúde ocupa espaço nas decisões individuais, maior se torna o mercado para empresas capazes de oferecer versões menos conflitantes dos hábitos que as pessoas já possuem. O produto ideal, nessa nova era em que vivemos, talvez deixe de ser necessariamente aquele que promete uma experiência nova e pode ser aquele que permite continuar vivendo uma experiência antiga com menos culpa. É uma mudança que inverte a direção da inovação, que, durante décadas, dogmatizou que inovar significava descobrir o que ainda poderia ser acrescentado ao produto; agora, para algumas das categorias mais relevantes do consumo, a pergunta começa a ser o que ainda pode ser retirado sem destruir aquilo que faz o consumidor desejar o produto.

Essa transformação aponta, por fim, para algo ainda maior do que uma mudança na formulação de cervejas e refrigerantes, porque ela revela uma inversão naquilo que a sociedade entende como abundância e, consequentemente, naquilo que entende como luxo. Em períodos de escassez da raça humana, açúcar, gordura, carne, álcool e alimentos altamente calóricos foram símbolos de prosperidade justamente porque eram relativamente escassos: comer muito era privilégio, e a fartura estava associada à riqueza porque a maior parte da humanidade passou séculos convivendo com algum grau de escassez. A industrialização virou essa equação de cabeça para baixo, e com ela, as calorias tornaram-se abundantes, o açúcar tornou-se barato, alimentos ultraprocessados puderam ser encontrados praticamente a qualquer hora, aplicativos colocaram milhares de restaurantes literalmente dentro do nosso bolso, o entretenimento, antes uma arte, tornou-se praticamente infinito e estímulos estão disponíveis durante todas as horas em que permanecemos acordados.

E quando a abundância deixa de ser um privilégio, talvez seja a capacidade de recusá-la que passe a carregar status. O luxo contemporâneo começa a assumir formas curiosamente negativas: não ter açúcar, não beber álcool, não comer demais, não ficar acordado até tarde, não estar permanentemente conectado.

O que todos almejam e propagam agora, é o privilégio de ter tempo para dormir oito horas por noite, disposição para treinar todos os dias, disciplina para escolher alimentos melhores e, com tudo isso, acompanhar os próprios indicadores de saúde - atributos que, inevitavelmente, caminham em conjunto a uma valorização estética de quem os pratica. Em um mundo construído para oferecer cada vez mais, o autocontrole se torna um bem escasso, e é nesse sentido que a saúde começa a funcionar como uma nova moeda de luxo, não necessariamente porque cuidar da saúde seja uma novidade, mas porque uma parcela crescente da economia começa a transformar a capacidade de preservar o corpo em um tipo de produto, serviço, assinatura ou símbolo de estilo de vida.

A prateleira do supermercado apenas torna essa transformação visível. Uma cerveja que anuncia orgulhosamente aquilo que retirou de sua fórmula e um refrigerante que elimina progressivamente açúcar, calorias e cafeína parecem lançamentos triviais quando visto isoladamente, mas, sob a lente correta, ajudam a revelar uma mudança maior na psicologia do consumo que conecta desde a farmácia na esquina da sua casa, até o comportamento social de todo um hemisfério em um mesmo movimento. Passamos boa parte do último século construindo uma economia especializada em adicionar mais sabor. Agora começamos a desenvolver produtos para consumidores que continuam desejando isso, mas estão cada vez menos dispostos a aceitar as consequências que tradicionalmente vieram junto. E talvez, por isso, uma das próximas grandes fronteiras da indústria de consumo não esteja em descobrir o que ainda pode ser colocado dentro dos produtos, mas exatamente no contrário: descobrir tudo aquilo que pode ser retirado deles sem que deixemos de desejá-los.

Leia também:

Duzentos e setenta e sete anos depois, cada notícia de hoje envolve sua própria versão do pacto fáustico, com o ganho evidente e o custo que só aparece nas entrelinhas. A OpenAI abre escritório em São Paulo e ganha acesso ao terceiro maior mercado de chatbots do mundo, mas traz consigo a mesma estrutura de dados e dependência que reguladores do planeta inteiro começaram a questionar. A Shein finalmente chega à bolsa, mas o preço que o mercado paga é um quarto do que ela valia quatro anos atrás, o custo de ter construído um império sobre brechas comerciais que governos decidiram fechar. A Nvidia negocia a compra da Hugging Face, a maior plataforma de modelos de código aberto do mundo, e ganha o ecossistema - mas a comunidade que tornou a plataforma valiosa pode não sobreviver à aquisição que supostamente a fortalece. E a Uber revela por que não trará carros autônomos ao Brasil: o trabalho humano aqui é tão barato que a tecnologia mais avançada do mundo não consegue competir com ele. Em todos os casos, alguém ganha. Em todos, o preço é mais alto do que a manchete sugere.

A OpenAI Abre as Portas no Brasil

A OpenAI anunciou o lançamento de uma operação comercial no Brasil, com escritório em São Paulo, depois de o país se tornar o terceiro maior mercado do ChatGPT no mundo, atrás apenas dos Estados Unidos e da Índia. Os números que sustentam a decisão são eloquentes mesmo sem que a empresa revele a base total de usuários: são 215 milhões de mensagens enviadas por brasileiros ao ChatGPT por dia, o maior índice de uso de imagens geradas por IA do mundo e uma posição entre os cinco maiores mercados para aplicações de voz e ditado. O Brasil, diante disso, não é apenas mais um país na lista de expansão, mas é, para a OpenAI, o laboratório natural mais completo de adoção de IA fora do eixo anglo-saxão: uma população enorme, jovem, conectada, com alta penetração de smartphones e uma afinidade cultural com novas tecnologias que poucos mercados do tamanho do brasileiro demonstram.

As parcerias anunciadas junto com a operação revelam a estratégia de entrada. O acordo com o ITA oferece contas e créditos para estudantes de engenharia, criando uma base de desenvolvedores familiarizados com as ferramentas da OpenAI antes mesmo de entrarem no mercado de trabalho. Isso é, em essencia, o mesmo modelo que a Microsoft usou com universidades nos anos 1990 para garantir que cada engenheiro formado soubesse usar Windows e Office. Outra parceria da provedora de IA com a startup Enter, voltada a advogados, aponta para o mercado jurídico brasileiro, um dos mais volumosos e burocráticos do mundo, onde a automação de tarefas repetitivas por IA tem potencial de gerar ganhos de produtividade significativos. E o memorando com a Prodam, empresa de processamento de dados da prefeitura de São Paulo, sinaliza que a OpenAI quer estar dentro da máquina pública, exatamente no momento em que o governo federal vem criando cargos de especialistas em infraestrutura de IA e estuda construir um data center estatal via Telebras.

A Entrelinha que merece atenção, contudo, é o que a chegada da OpenAI ao Brasil significa para o ecossistema que já existe aqui. A Anthropic não possui operação local. O Google distribui o Gemini por meio do Android e da busca, mas sem escritório dedicado à venda corporativa de IA no país. A OpenAI, ao se instalar com equipe comercial, parcerias institucionais e presença física, ocupa um vácuo que os concorrentes deixaram aberto em nosso país, e, ao ocupá-lo, define os termos da conversa sobre IA corporativa no Brasil antes que qualquer rival tenha chance de apresentar os seus. É a lógica que o Mercado Livre fez por tantas vezes: quem chega primeiro e conquista o hábito torna a troca de plataforma mais custosa do que a permanência.

A OpenAI, nesse sentido, não veio ao Brasil apenas porque o mercado é grande. Veio porque, se não viesse agora, outra empresa viria, e o custo de chegar segundo, num mercado de 215 milhões de mensagens diárias, seria alto demais para aceitar.

A Shein Chega à Bolsa Valendo um Quarto do que Já Valeu

A Shein definiu o preço de seu IPO em Hong Kong, levantando US$ 1,7 bilhão numa operação que avalia a empresa em pouco mais de US$ 26 bilhões. Quatro anos atrás, a mesma Shein era avaliada em quase US$ 100 bilhões. A queda de 75% é o retrato de um modelo de negócio que foi construído sobre condições excepcionais e que, agora, enfrenta um mundo que decidiu, deliberadamente, fechar cada uma das brechas que o sustentavam. O frete direto da China ao consumidor, sem tarifas, era a base da competitividade. Os Estados Unidos, porém, para a infelicidade da empresa, revogaram a isenção fiscal para pacotes pequenos - pacotes esses em que estavam embaladas as blusinhas da Shein. A produção sob demanda a preços imbatíveis era o motor de crescimento da empresa, mas tarifas e a guerra no Oriente Médio elevaram os custos de materiais. E a concorrência com a Temu, que opera sob uma lógica semelhante, comprimiu suas margens num mercado que, de repente, tem duas empresas fazendo a mesma coisa.

O prospecto confirma o que os números de avaliação já sugeriam: a Shein registrou prejuízo de US$ 99 milhões no primeiro trimestre de 2026, ante lucro de US$ 395 milhões no mesmo período do ano anterior. O crescimento da receita desacelerou. E a empresa precisou recorrer pesadamente aos investidores que já detinham participação para viabilizar a própria oferta, o que significa que quem apostou na Shein a US$ 100 bilhões está, agora, comprando mais ações a US$ 26 bilhões para evitar que o IPO fracasse e suas participações anteriores se desvalorizem ainda mais. É o tipo de dinâmica que, no mercado de venture capital, se chama de “down round com suporte de insiders”, e que, traduzido para o português claro, significa que os investidores originais estão jogando dinheiro bom atrás de dinheiro ruim porque a alternativa é pior.

Para o mercado de e-commerce transfronteiriço como um todo, a Shein a US$ 26 bilhões é um teste de sobrevivência com implicações diretas para o Brasil, onde a empresa é uma das plataformas de maior crescimento e onde as regras de importação para compras internacionais seguem em discussão. Se a Shein provar que consegue operar com margens viáveis mesmo sem as brechas fiscais, o modelo sobrevive, mas adaptado, menor e mas funcional. Se não provar, o sinal será de que o fast fashion transfronteiriço, tal como Shein e Temu o praticaram, atingiu seu teto regulatório e competitivo. Darwin, que já invocamos em edições anteriores, diria que o ambiente mudou. Goethe diria que o preço do pacto chegou.

A Nvidia Compra o Coração do Código Aberto

A Nvidia concordou em comprar a Hugging Face por US$ 12,9 bilhões, segundo o The Information. A aquisição, se confirmada, dará à fabricante de chips a maior plataforma do mundo para compartilhamento e download de modelos de inteligência artificial de código aberto, uma vez que a empresa é, literalmente, o repositório onde desenvolvedores de todo o planeta publicam, testam e distribuem os modelos que competem diretamente com os sistemas proprietários da OpenAI e da Anthropic. É, de longe, o movimento mais estratégico que a Nvidia fez desde que a revolução da IA começou.

O motivo mais evidente da aquisição é defensivo. Como temos documentado ao longo de meses, todos os maiores laboratórios de IA de código fechado (OpenAI, Google, Amazon e Anthropic) desenvolvem chips próprios para reduzir sua dependência da Nvidia. O Jalapeño da OpenAI, as TPUs do Google, os chips Trainium da Amazon, as negociações da Anthropic com a Samsung… cada um desses movimentos é uma fissura no monopólio de hardware que sustentou a avaliação trilionária da Nvidia. Ao comprar a Hugging Face, a empresa garante que o ecossistema de código aberto - que são a alternativa mais viável aos modelos proprietários - continue dependente das suas GPUs. Quanto mais modelos abertos existirem, mais desenvolvedores precisarão de hardware para rodá-los, e mais chips a Nvidia venderá. A Hugging Face, nesse cálculo, não é um produto, mas é um seguro contra a perda de relevância num mundo em que seus maiores clientes estão construindo a saída.

Mas a aquisição também responde a um problema prático e imediato que poucos observadores conectaram até agora. A Nvidia, como bem sabemos, acumula mais de US$ 1,35 trilhão em compromissos financeiros que incluem garantias de dívida, investimentos em data centers e contratos de computação em nuvem. Se os clientes que contrataram essa capacidade não a utilizarem integralmente, a Nvidia ficará com o prejuízo. Contudo, a carta na manga é que a Hugging Face, que já auxilia desenvolvedores a rodar modelos usando poder computacional alugado, daria à Nvidia uma válvula de escape: a capacidade ociosa que seus clientes não consumirem pode ser vendida, via Hugging Face, a milhões de desenvolvedores menores que hoje não são clientes diretos da Nvidia. É, simultaneamente, uma aposta no futuro do código aberto e uma rede de segurança para os compromissos do presente. E o preço de US$ 12,9 bilhões, para uma empresa que lucrou US$ 59,7 bilhões num único trimestre, é troco de pinga.

A Uber Explica Por que o Carro Autônomo Não Chega ao Brasil

A Uber explicou por que os veículos autônomos ainda não são economicamente viáveis no Brasil. Segundo a empresa, a automação só compensa quando substituir um motorista custa menos do que continuar pagando pelo trabalho humano. Nos Estados Unidos, onde a mão de obra é mais cara, uma corrida com motorista custa à empresa cerca de US$ 2 por milha. Por isso, existe espaço para que, no futuro, um veículo autônomo reduza os custos da operação. No Brasil, porém, uma corrida inteira custa ao passageiro, em média, entre US$ 3,50 e US$ 4; na Índia, entre US$ 2,50 e US$ 3. Com tarifas tão baixas, o valor destinado ao motorista também é reduzido. Substituí-lo por um carro autônomo exigiria gastos maiores com sensores, computadores, manutenção especializada, monitoramento remoto e gerenciamento da frota, além das despesas normais com marketing, pagamentos, incentivos e questões jurídicas. Em outras palavras, a Uber economizaria pouco ao retirar o motorista, mas assumiria uma estrutura tecnológica muito mais cara. Por isso, a empresa calcula que ainda levará décadas para que o custo dos veículos autônomos caia o suficiente para competir com o trabalho humano em mercados como o brasileiro.

A declaração é fascinante porque inverte a narrativa que dominou o setor de mobilidade nos últimos anos. A história que se contava era a de que o carro autônomo substituiria o motorista humano em todos os mercados, inevitavelmente, assim que a tecnologia amadurecesse. O que a Uber está dizendo, com números, é que a tecnologia pode amadurecer perfeitamente e, ainda assim, não competir economicamente em países onde a mão de obra é abundante e barata. O gargalo não é a inteligência artificial, não é o lidar e nem a regulação, mas é a aritmética. Um motorista brasileiro que aceita uma corrida de R$ 20 e fica com R$ 14 depois da comissão da Uber opera a um custo que nenhum robô, por mais eficiente que seja, consegue igualar no curto prazo. A automação que parecia uma ameaça existencial para milhões de motoristas de aplicativo se revela, no Brasil, uma promessa distante, que está protegida não por regulação, mas pela desigualdade salarial que torna o trabalho humano mais barato do que a máquina que deveria substituí-lo.

A ironia disso é estrutural, e diz algo profundo sobre os limites da automação em economias emergentes. Enquanto Austin e Atlanta registram 30% mais viagens por veículo autônomo do que a média da Uber, sugerindo que a tecnologia gera demanda adicional onde já existe, o Brasil e a Índia seguirão sendo mercados onde o motorista humano é, por enquanto, insubstituível, não porque eles sejam melhores, mas porque são mais baratos. E, para a Uber, que opera em 75 países com apenas 0,1% de suas corridas feitas por veículos autônomos, a lição é que o futuro da mobilidade não será uniforme: haverá mercados onde o carro dirige sozinho e mercados onde o motorista continua sendo a opção economicamente racional. A linha que separa os dois é, infelizmente, salarial. E essa linha, ao contrário do que os otimistas da automação prometiam, não vai se mover tão rápido quanto a tecnologia.

Leia também:

Hoje, na mesma plataforma, uma criança assiste à Galinha Pintadinha, um adolescente acompanha gamers, um jovem consome podcasts, um executivo procura uma aula sobre inteligência artificial e um idoso assiste à missa ou ouve músicas de décadas atrás. Não significa que essas pessoas estejam consumindo as mesmas coisas. Na verdade, acontece exatamente o contrário.

A força do YouTube está em permitir que pessoas completamente diferentes habitem o mesmo lugar sem precisar compartilhar os mesmos interesses.

Essa talvez seja a principal diferença entre o YouTube e as redes sociais tradicionais. No Facebook, a conexão começou pelas pessoas que você conhecia. No Instagram, identidade e influência tiveram um papel central. No TikTok, tendências e códigos culturais ajudam a definir a experiência. No YouTube, o ponto de partida é outro: interesse > idade.

O algoritmo não precisa saber que você tem 12, 40 ou 75 anos para entender o que provavelmente quer assistir. Ele observa comportamento, temas, canais e padrões de consumo. A partir daí, cria praticamente uma plataforma diferente para cada indivíduo.

É por isso que o YouTube consegue ser simultaneamente desenho animado, televisão, universidade, rádio, igreja, videogame, podcast, jornal e manual de instruções.

Mas existe uma segunda transformação acontecendo, talvez ainda mais importante. O YouTube voltou para a sala de estar. Durante anos, imaginamos que o smartphone destruiria definitivamente a televisão como centro da casa. Só que o que aconteceu foi mais curioso. O YouTube saiu do computador, dominou o celular e agora está conquistando justamente a maior tela da casa.

E, quando isso acontece, nasce um comportamento novo. Uma mesma televisão pode reproduzir Galinha Pintadinha pela manhã, futebol à tarde, podcast no começo da noite e missa no domingo. A tela continua sendo coletiva. O conteúdo se tornou individualizado.

A velha televisão reunia gerações porque havia poucas opções. Todos assistiam ao mesmo programa porque era aquilo que estava passando. O YouTube faz exatamente o contrário. Ele reúne gerações porque oferece opções praticamente infinitas.

Esse é um paradoxo interessante: antes, a escassez de conteúdo reunia a família. Agora, a abundância de conteúdo permite que todas as gerações permaneçam na mesma plataforma. Por isso, talvez seja insuficiente definir o YouTube simplesmente como uma rede social ou plataforma de vídeo. Ele está se transformando em algo maior: uma infraestrutura global de conteúdo capaz de acompanhar uma pessoa durante praticamente toda a vida.

A criança que entra para assistir desenhos não precisa abandonar a plataforma quando crescer. O conteúdo muda com ela. Depois vêm games, música, estudos, carreira, negócios, notícias, saúde, hobbies, religião. O YouTube não precisa envelhecer com sua audiência. Ele simplesmente muda junto com ela.

E talvez esteja aí uma das maiores vantagens competitivas já construídas por uma plataforma digital. O YouTube não conseguiu fazer todas as gerações gostarem das mesmas coisas. Conseguiu algo muito mais difícil: fazer todas elas permanecerem no mesmo lugar.

Leia também

A primeira é que a IA ainda está esperando o que ele chamou de “seu momento iPhone”. Altman comparou a fase atual a uma época que nós, que vivemos os anos 2000, reconhecemos com clareza: o período em que smartphones já existiam, mas ainda não haviam se tornado aquilo que o iPhone os transformaria. Quem viveu os anos anteriores a 2007 sabe que o conceito de um computador de bolso não era novo. Já existiam muitos aparelhos, como a Palm Treo, os dispositivos com Windows CE, os aparelhos da Nokia com Symbian… e todos nos permitiam checar e-mails, navegar na internet, mesmo que de forma rudimentar, e rodar aplicativos básicos.

Mas eram ferramentas de nicho, usadas por entusiastas e profissionais de tecnologia, e a experiência de utilizá-los era, na melhor das hipóteses, funcional, nunca fluida, nunca intuitiva, nunca algo que uma pessoa comum escolheria usar por prazer. O iPhone, surgindo e ascendendo nesse cenário, não venceu porque tinha um processador mais potente ou uma tela maior que os demais celulares; ele venceu porque reimaginou a relação entre o ser humano e o dispositivo, tornando a interação tão natural que, agora, o smartphone deixou de ser uma ferramenta para se tornar, literalmente, uma extensão da nossa vida. Altman está dizendo, portanto, com todas as letras, que a IA ainda não fez essa transição: as peças tecnológicas existem, os modelos são poderosos, as capacidades impressionam, mas ninguém encontrou ainda a forma de transformar tudo isso em algo que mude completamente a maneira como uma pessoa comum interage com a tecnologia no dia a dia.

É uma admissão um pouco estranha, não acham?. O CEO da empresa que lançou o ChatGPT, que atingiu um bilhão de usuários e que está à beira de um IPO que pode avaliá-la acima de um trilhão de dólares, está dizendo que o produto transformador ainda não foi criado. E se analisarmos essa admissão em face da Teoria da Curva de Rogers e a difusão de inovações, o que Altman está descrevendo é a posição exata em que a IA se encontra na curva: já ultrapassou os inovadores e os early adopters, já alcançou a maioria inicial em muitos segmentos, mas ainda não cruzou o limiar que transforma essa tecnologia em uma infraestrutura invisível do nosso dia a dia. O ChatGPT, nessa analogia, seria o Palm Treo da inteligência artificial: impressionante para quem o usa, transformador para determinados profissionais, mas ainda distante do momento em que a IA desaparecerá dentro da experiência cotidiana de tal forma que usá-la deixará de ser uma decisão consciente e passará a ser algo que simplesmente acontece, da mesma forma que ninguém pensa “vou usar meu smartphone agora”, mas simplesmente pega o celular e resolve o que precisa resolver.

A segunda admissão é que Altman reconhece não saber dizer “não” com a frequência necessária, e para explicar o que quer dizer com isso, recorre a Steve Jobs. Jobs dizia que uma das razões centrais do sucesso da Apple era a disposição de rejeitar mil ideias boas para se concentrar inteiramente nas poucas ideias que eram extraordinárias, uma disciplina que exigia dizer não a propostas que, individualmente, faziam sentido, mas que, somadas, diluiriam o foco da empresa a ponto de comprometer a qualidade do que realmente importava. Altman admite que a OpenAI ainda não aprendeu essa lição, e a trajetória recente da empresa, talvez, pode realmente confirmar o diagnóstico: nos últimos doze meses, a OpenAI lançou geração de imagem, geração de vídeo, agentes de programação, agentes de trabalho genérico, ferramentas de voz, integrações com dezenas de plataformas, um marketplace de aplicativos, recursos de memória, modelos de raciocínio, modelos econômicos e uma expansão geográfica agressiva. São todas iniciativas defensáveis isoladamente, mas que, vistas em conjunto, configuram exatamente o padrão que Jobs identificava como o inimigo da excelência: uma empresa que faz muitas coisas boas em vez de fazer poucas coisas extraordinárias.

E existe uma conexão direta entre as duas primeiras admissões, porque elas nos mostram algo sobre a natureza do “momento iPhone” que a IA ainda não alcançou. O iPhone não foi o resultado de a Apple ter tentado fazer tudo ao mesmo tempo. Foi, pelo contrário, o resultado de anos de foco obsessivo em uma única ideia, a de um dispositivo que reimaginasse a interface entre pessoa e computador, executada com uma atenção ao detalhe que só era possível porque a empresa havia dito não a centenas de outros projetos que competiam por atenção e recursos. Se a IA realmente está à espera do seu iPhone, e se Altman reconhece que não aprendeu a lição de Jobs sobre dizer não, a implicação é que o momento transformador da IA talvez não venha da empresa que lança mais funcionalidades, mas daquela que encontrar a coragem de eliminar quase tudo para se concentrar na experiência que realmente muda a forma como as pessoas vivem. E essa implicação levanta uma possibilidade que o próprio Altman provavelmente preferiria não contemplar: que o iPhone da IA talvez não saia da OpenAI.

A terceira admissão é, possivelmente, a mais surpreendente e a que mais merece atenção dos nossos leitores do Entrelinhas, porque contradiz a narrativa dominante sobre o que a IA vai fazer com a economia. Altman prevê que estamos prestes a presenciar “o maior boom de pessoas abrindo pequenos negócios que o mundo já viu”. A parte esperada dessa previsão é que a IA vai permitir que empreendedores individuais, sem equipe, sem capital de risco e sem formação técnica, operem negócios que antes exigiriam estruturas corporativas para funcionar, exatamente o fenômeno do vibe coding que já se espalhou por todos os lugares. Mas a parte verdadeiramente reveladora é o que vem depois: Altman acredita que muitos desses novos negócios vão prosperar “precisamente porque não têm nada a ver com IA”, porque as pessoas vão querer “experiências autênticas e não tecnológicas”.

Essa previsão, vinda do CEO da maior empresa de IA do mundo, carrega uma honestidade que realmente merece ser levada a sério, porque ela reconhece algo que temos explorado ao longo de várias edições por aqui e que talvez seja uma das Entrelinhas mais importantes de todo esse movimento: quanto mais a inteligência artificial permeia a vida cotidiana, mais valor adquire aquilo que ela não consegue replicar. A padaria artesanal cujo pão é feito por mãos humanas. O restaurante cuja experiência depende de um chef que cozinha com intuição, não com algoritmo. O terapeuta cuja escuta é insubstituível precisamente porque é humana. O artesão cujo produto é valorizado porque alguém o fez, não porque uma máquina o otimizou…

A IA pode cuidar da gestão, do marketing, da contabilidade, do atendimento automatizado e de dezenas de outras funções operacionais que antes exigiriam uma equipe inteira. E ao cuidar de tudo isso, ela libera o empreendedor para se concentrar exclusivamente naquilo que nenhuma máquina consegue oferecer: autenticidade.

É uma inversão que ecoa na neurociência do consumo, afinal, já se sabe o por que os consumidores recusaram a conveniência de comprar pelo ChatGPT e preferiram manter o ritual de escolher por conta própria - justamente pelo prazer dopaminérgico que está envolto ao processo de escolha dos produtos, por exemplo, algo essencialmente humano. E ecoa, também, nessa homogeneização da linguagem, onde observamos que, em um mundo onde todos os textos soam igual porque foram filtrados pelo mesmo modelo IA, a voz que se distingue é a mais autêntica.

Diante disso, fica cada vez mais claro que quanto mais a IA padroniza, automatiza e otimiza, mais escasso e mais valioso se torna aquilo que é genuinamente humano, genuinamente imperfeito e genuinamente original.

Para quem lidera negócios e acompanha essas transformações, as três admissões de Altman, lidas em conjunto, compõem uma leitura do momento que é mais nuançada e mais útil do que a maioria das análises de mercado: a IA é poderosa, mas ainda não encontrou sua forma definitiva de chegar às pessoas; a empresa que lidera o setor reconhece que está tentando fazer coisas demais e que precisa aprender a focar; e o maior impacto econômico da IA pode não estar nos negócios que a utilizam como produto, mas nos negócios que ela viabiliza justamente por cuidar de tudo aquilo que não é o coração do que oferecem. É, em certo sentido, a admissão mais generosa que o líder de uma revolução tecnológica poderia fazer: reconhecer que o legado mais importante da tecnologia que construiu talvez seja permitir que as pessoas façam, com mais liberdade e mais escala, exatamente aquilo que as máquinas não sabem fazer.

Leia também:

Cento e quarenta e três anos depois, a lição do Krakatoa permanece como uma das mais subestimadas pela mente humana: eventos cujo epicentro parece distante produzem ondas de choque que atingem quem não se considerava exposto. As notícias de hoje são, cada uma à sua maneira, erupções cujas consequências vão muito além do ponto de origem. A Meta paga US$ 18 bilhões para encerrar processos sobre segurança infantil, e a onda de choque atinge toda plataforma digital que usa engajamento algorítmico como modelo de negócio. A Nvidia divulga nesta quarta-feira o balanço mais aguardado do ano, e o resultado não determinará apenas o preço de uma ação, mas determinará o que o mercado pensa sobre a sustentabilidade de trilhões de dólares investidos em inteligência artificial. E a Moonshot AI, dona do modelo chinês que rivalizou com Claude e ChatGPT nos benchmarks, negocia acordos para hospedar seu Kimi K3 diretamente dentro das nuvens da Microsoft, da Amazon e do Google, o que seria o primeiro grande pacto de compartilhamento de receita entre uma empresa chinesa de IA e as big techs americanas. Nenhuma dessas histórias fica contida no próprio epicentro. E as ondas de choque, como as do Krakatoa, podem chegar a lugares que ainda não sabem que estão na rota.

A Meta Paga US$ 18 Bilhões: o Preço da Culpa?

A Meta concordou em pagar valores próximos de US$ 18 bilhões para encerrar as ações judiciais movidas por 29 estados americanos que acusavam Facebook e Instagram de projetar mecanismos deliberadamente destinados a viciar crianças e adolescentes, explorando suas vulnerabilidades psicológicas para maximizar tempo de uso e receita publicitária. O acordo, que ainda depende de aprovação judicial, não inclui admissão de culpa por parte da empresa de Zuck, mas US$ 18 bilhões são, por si sós, a declaração mais eloquente que um balanço patrimonial pode fazer. Afinal, podemos apostar que empresas não pagam esse valor para resolver acusações que consideram infundadas; pelo contrário, pagam para evitar um julgamento cujo resultado poderiam não controlar – e cujas provas, extraídas dos próprios documentos internos da Meta, já eram de domínio público.

Os termos do acordo vão além do cheque. Se aprovado, a Meta terá que implementar um “Modo Noturno” que bloqueia seus aplicativos para adolescentes entre meia-noite e seis da manhã, um “Modo Escolar” que silencia notificações durante o horário de aula, e uma série de controles parentais que a empresa poderia ter criado anos atrás, mas que só surgem agora porque um tribunal a obrigou. O detalhe mais interessante, contudo, é o que a própria Meta fez com o acordo: apresentou-o publicamente como um apelo para que YouTube e TikTok adotem proteções semelhantes. A empresa que gastou US$ 18 bilhões para se livrar de acusações de danos a crianças agora se posiciona como defensora da segurança infantil – e usa o próprio acordo para pressionar concorrentes que ainda não enfrentaram o mesmo escrutínio… ou, talvez, para deixar toda sua concorrência num novo patamar sem o uso de dados de crianças.

A onda de choque, ainda, não se limita às redes sociais americanas. No Brasil, a Agência Nacional de Proteção de Dados multou a ByteDance, dona do TikTok, em R$ 153,7 milhões por falhas no tratamento de dados de crianças e adolescentes, e determinou a suspensão das transmissões ao vivo do Discord até que a plataforma adotasse medidas efetivas de proteção. A direção, pelo que pareec, é global e irreversível: governos estão convergindo na conclusão de que o modelo de engajamento algorítmico, quando aplicado a menores, produz danos que nenhuma atualização de termos de uso resolve, e que a única linguagem que as plataformas entendem é a que vem acompanhada de valores com nove zeros. Os US$ 18 bilhões da Meta são o preço mais alto já pago por uma empresa de tecnologia em matéria de segurança infantil. Mas a pergunta que esse número suscita não é se a Meta pode pagá-lo – ela pode, e com folga. A pergunta é quanto custará para YouTube, TikTok, Snapchat e todas as plataformas que usam os mesmos mecanismos, quando os mesmos estados baterem às suas portas com os mesmos processos. E baterão. Se eu fosse eles, seguiria a proposta da Meta e já me adiantaria.

O Balanço Mais Esperado do Ano Chegou

A Nvidia divulgou ontem os resultados de um dos trimestres mais lucrativos da história da indústria de semicondutores. A empresa faturou US$ 96,2 bilhões – mais que o dobro do registrado no mesmo período do ano anterior – e encerrou o trimestre com uma margem bruta de 75%. O lucro líquido da empresa chegou a extraordinários US$ 59,7 bilhões, enquanto o fluxo de caixa livre alcançou US$ 21,3 bilhões. Para o próximo trimestre, a projeção já é de uma receita de US$ 108 bilhões. Além disso, a companhia devolveu US$ 26 bilhões aos acionistas e não apresentou, em nenhuma linha do balanço, qualquer sinal evidente de desaceleração.

São cifras sem precedentes entre os fabricantes de chips e que pouquíssimas empresas, em qualquer setor, já conseguiram alcançar. Elas confirmam, sem grande margem para discussão, que a Nvidia continua ocupando uma posição praticamente insubstituível no fornecimento da infraestrutura que sustenta a revolução da inteligência artificial. Não vou fingir que esses números não são impressionantes, porque são muito. Faturar US$ 96 bilhões em um único trimestre, com uma margem bruta de 75% e um fluxo de caixa superior à receita anual de muitas empresas do S&P 500, representa um desempenho do qual nenhum concorrente da indústria consegue sequer se aproximar. Mas as Entrelinhas do balanço merecem tanta atenção quanto as manchetes.

Cerca de US$ 40 bilhões dessa receita vieram de clientes hyperscale, traduzindo, as big techs que constroem data centers de IA em escala industrial. Como temos documentado, porém, essas empresas não conseguem financiar toda a expansão apenas com recursos próprios. É nesse ponto que a relação se torna mais complexa, pois nessas negociações, a Nvidia vende os chips e, ao mesmo tempo, garante arrendamentos e investe nos construtores da infraestrutura para que os pedidos continuem chegando.

Jensen Huang afirmou, na carta que acompanhou os resultados, que essa estrutura “está funcionando muito bem”. E, por enquanto, está mesmo. A OpenAI perdeu dinheiro no ano passado, enquanto a Anthropic acumula US$ 42 bilhões em prejuízos. Ainda assim, ambas se preparam para possíveis IPOs cujo objetivo central será levantar mais capital para sustentar sua expansão – e continuar comprando chips da Nvidia. A estrutura funciona, portanto, porque a Nvidia passou a ocupar simultaneamente três posições: fornecedora, financiadora e avalista de seus próprios clientes.

Huang afirma que essa relação não é circular. Acho difícil enxergá-la de outra maneira, mas, como se costuma dizer, critiquem os métodos, não os resultados. A receita é real. O fluxo de caixa é real. E os US$ 59,7 bilhões de lucro obtidos em um único trimestre são tão reais quanto qualquer número já publicado por uma empresa de tecnologia. Ainda assim, uma companhia que produz quase US$ 60 bilhões em lucro trimestral enquanto garante US$ 105 bilhões em arrendamentos de seus próprios clientes está, por definição, atuando dos dois lados da mesma transação. O modelo funciona enquanto esses clientes conseguirem cumprir a sua parte.

A pergunta que o balanço não responde, e que nenhum balanço conseguiria responder sozinho, é se a demanda por infraestrutura de IA continuará crescendo no ritmo necessário para justificar compromissos dessa magnitude. Ou se, em algum momento dos próximos trimestres, a conta de quem compra se tornará maior do que a capacidade de quem financia. Os números de hoje são espetaculares. A dúvida que eles não conseguem dissipar também é.

O Modelo Chinês Quer Morar nas Nuvens Americanas

A Moonshot AI, a startup chinesa cujo modelo Kimi K3 alcançou o topo dos rankings de programação e tarefas complexas nos benchmarks mais respeitados da indústria, está negociando acordos de compartilhamento de receita com Microsoft, Amazon e Google para hospedar o K3 diretamente no Azure, na AWS e no Google Cloud. Se concretizado, será o primeiro grande pacto comercial em que uma empresa chinesa de inteligência artificial divide sua receita com os maiores provedores de nuvem americanos – em uma operação que, na superfície, parece um contrato comercial rotineiro, mas que, nas Entrelinhas, desafia a lógica de blocos separados que Washington vem construindo desde que começou a restringir a exportação de chips e modelos para a China.

Nesse contexto, o secretário do Tesouro americano, Scott Bessent, ameaçou incluir a Moonshot numa lista negra comercial, acusando-a de plagiar o modelo Fable da Anthropic por meio de destilação e de adquirir ilegalmente chips da Nvidia – acusações que a Moonshot nega, atribuindo o desempenho do K3 a inovações originais em sua arquitetura. Ao mesmo tempo em que Washington considera banir a empresa, as três maiores plataformas de nuvem americanas negociam para hospedá-la. O modelo chinês que supostamente roubou tecnologia ocidental pode acabar rodando nos servidores americanos, gerando receita para empresas americanas e atendendo clientes americanos. E a ironia, se é que se pode chamá-la assim, é que a razão para isso é puramente econômica: o Kimi K3 entrega um desempenho comparável ao do GPT-5.5 e ao do Claude Opus 4.8 por um preço que empresas corporativas preferem pagar, e os provedores de nuvem, que lucram com cada token processado em suas plataformas, têm interesse financeiro direto em oferecer a opção mais barata ao cliente.

Enfim, para a Anthropic e a OpenAI, que se preparam para IPOs que dependem de manter preços premium e base de clientes corporativos, a possibilidade de o K3 rodar dentro do Azure e da AWS é a ameaça mais concreta que a commoditização chinesa produziu até agora. Enquanto os modelos chineses competiam apenas em benchmarks acadêmicos ou em plataformas próprias, era possível tratá-los, mesmo com com super resultados, como curiosidades da indústria, que ainda estavam na casa do “potencial”. Contudo, no momento em que esses modelos chineses passam a ser oferecidos dentro da mesma nuvem onde os clientes da Anthropic e da OpenAI já operam, a comparação se torna instantânea, direta e impossível de evitar: uma nova oferta com o mesmo modelo de distribuição, a mesma infraestrutura e o mesmo dashboard, mas por um preço incomparavelmente menor.

No provável acordo, a Moonshot pede 30% da receita gerada, e os provedores de nuvem ficam com 70%. Para Azure, AWS e Google Cloud, é uma receita marginal com custo próximo de zero. Para os laboratórios americanos de IA de código fechado, é a confirmação de que a guerra de preços que temos documentado não acontece apenas fora de casa, mas está, enfim, entrando pela porta da frente, servida pelos mesmos parceiros que, até ontem, distribuíam exclusivamente seus produtos.

Leia também:

Enquanto boa parte dos países ricos enfrenta envelhecimento populacional e crescimento mais lento, regiões da África, da Ásia e da América Latina ainda deverão incorporar milhões de pessoas às cidades e ao mercado consumidor. É justamente nesses países que estará uma parcela importante da nova demanda mundial por energia, alimentos, moradia, serviços, tecnologia e infraestrutura.

A China percebeu esse movimento cedo.

Pequim não quer apenas vender produtos para esses novos consumidores. Quer construir as estradas tecnológicas pelas quais essas economias funcionarão. Telecomunicações, satélites, sistemas de pagamento, nuvem, inteligência artificial, veículos elétricos, financiamento e infraestrutura digital passaram a fazer parte dessa estratégia.

Existe uma razão histórica para essa proposta encontrar espaço.

Durante séculos, grande parte do Sul Global exportou matérias-primas e importou tecnologia, máquinas e conhecimento. A independência política chegou, mas diferentes formas de dependência econômica permaneceram. E, na economia digital, surgiu uma nova camada dessa relação: países podem possuir milhões de usuários, empresas e aplicativos, mas continuar dependendo de chips, GPS, nuvem, sistemas operacionais, plataformas e modelos de IA controlados no exterior.

A China aparece justamente oferecendo uma alternativa.

Depois de construir seu próprio sistema de navegação, empresas de telecomunicações, plataformas digitais e uma poderosa indústria de baterias, veículos elétricos e inteligência artificial, o país agora procura exportar parte dessa infraestrutura para outros mercados emergentes.

A proposta é sedutora: se o Sul Global depende excessivamente das tecnologias americanas e europeias, por que não criar uma segunda opção?

Mas existe um paradoxo.

Reduzir a dependência dos Estados Unidos não significa necessariamente conquistar independência. Um país pode substituir equipamentos, plataformas e financiamento ocidentais por alternativas chinesas e, ainda assim, continuar dependente — apenas mudando o endereço dessa dependência.

E é justamente nesse tabuleiro que o Brasil ocupa uma posição privilegiada.

População, alimentos, energia, minerais estratégicos, indústria e um enorme mercado consumidor dão ao país escala para negociar simultaneamente com China, Estados Unidos e Europa. A oportunidade brasileira, portanto, não deveria ser escolher simplesmente um dos lados.

Deveria ser usar a competição entre eles para construir capacidade própria.

Atrair investimentos, mas também conhecimento. Comprar tecnologia, mas formar profissionais capazes de dominá-la. Receber infraestrutura, mas desenvolver empresas brasileiras. Diversificar fornecedores para que nenhuma potência tenha controle excessivo sobre setores essenciais da economia.

Porque autossuficiência não significa isolamento. Nem mesmo China e Estados Unidos produzem sozinhos tudo aquilo de que precisam.

Autonomia significa ter alternativas.

A China entendeu que boa parte do crescimento deste século acontecerá no Sul Global. Por isso, não disputa apenas os consumidores que viverão nesses mercados.

Disputa quem fornecerá os satélites, as redes, os chips, a nuvem, o crédito e os algoritmos que sustentarão suas economias.

A promessa chinesa é ajudar o Sul Global a conquistar independência.

A grande questão é saber se essa nova ordem produzirá países realmente mais autônomos, ou apenas uma nova dependência com outro endereço.

Leia também:

Mas o ChatGPT não surgiu do nada. Por trás daquela caixa de diálogo aparentemente simples havia quase oito décadas de pesquisas, sucessivas ondas de entusiasmo e frustração, disputas acadêmicas, avanços matemáticos e uma expansão extraordinária da capacidade computacional. A IA que hoje responde a milhões de pessoas é apenas o capítulo mais visível de uma história muito mais antiga, uma história que começou antes mesmo de existirem computadores como os conhecemos.

Antes da inteligência artificial ter um nome

Uma das primeiras peças dessa história apareceu em 1943, quando o neurocientista Warren McCulloch e o matemático Walter Pitts publicaram um modelo matemático inspirado no funcionamento dos neurônios humanos. A proposta era representar o cérebro como um conjunto de unidades conectadas capazes de receber informações, processá-las e produzir uma resposta.

Nasciam ali as primeiras bases teóricas das redes neurais artificiais. Evidentemente, aquelas estruturas estavam muito distantes dos sistemas utilizados atualmente. Ainda assim, introduziam uma ideia que acompanharia a inteligência artificial pelas décadas seguintes: se o cérebro humano produz inteligência por meio da interação entre neurônios, talvez fosse possível reproduzir parte desse funcionamento em uma máquina.

Poucos anos depois, em 1950, o matemático britânico Alan Turing apresentou uma pergunta ainda mais fundamental: “As máquinas podem pensar?”

A questão apareceu em seu célebre artigo Computing Machinery and Intelligence. Em vez de tentar definir filosoficamente o que significava “pensar”, Turing propôs uma experiência prática. Uma pessoa conversaria, por meio de mensagens, com outro ser humano e com uma máquina. Se não conseguisse distinguir com segurança qual dos dois era o computador, seria possível dizer que a máquina havia demonstrado um comportamento inteligente.

A experiência ficaria conhecida como Teste de Turing. Mais importante do que a resposta, porém, era a própria pergunta. Turing ajudou a deslocar o debate sobre inteligência do campo puramente filosófico para o terreno da computação, demonstrando que talvez não fosse necessário compreender completamente a mente humana para construir máquinas capazes de imitar algumas de suas manifestações.

O verão em que a IA ganhou um nome

A inteligência artificial se transformou formalmente em um campo de pesquisa em 1956, durante um encontro realizado no Dartmouth College, nos Estados Unidos. Organizado por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, o evento reuniu pesquisadores interessados na possibilidade de reproduzir capacidades humanas por meio de máquinas.

Foi na proposta do encontro que apareceu a expressão “inteligência artificial”, cunhada por John McCarthy. A premissa dos organizadores era de que todos os aspectos da aprendizagem e da inteligência poderiam, em princípio, ser descritos com precisão suficiente para serem simulados por uma máquina. A conferência de Dartmouth passou, por isso, a ser considerada o marco fundador da IA como disciplina acadêmica.

O otimismo daqueles primeiros pesquisadores era enorme. Muitos acreditavam que problemas fundamentais da inteligência humana seriam solucionados em poucas décadas, ou até em poucos anos. Esse entusiasmo produziu alguns dos primeiros programas capazes de executar tarefas que pareciam exigir raciocínio.

O Logic Theorist, desenvolvido por Allen Newell, Herbert Simon e Cliff Shaw, conseguia demonstrar teoremas matemáticos. Já Arthur Samuel criou, a partir de 1952, um programa de damas que aprimorava seu desempenho à medida que jogava. Em 1959, Samuel ajudaria a popularizar a expressão “machine learning”, ou aprendizado de máquina, para descrever sistemas capazes de melhorar com a experiência, em vez de depender apenas de instruções previamente programadas.

Essa distinção seria decisiva para o futuro da tecnologia. Na programação tradicional, um ser humano escreve as regras que a máquina deve seguir. No aprendizado de máquina, o computador recebe exemplos e procura identificar, por conta própria, os padrões existentes neles. Em outras palavras, os pesquisadores começavam a perceber que talvez não fosse necessário ensinar à máquina todas as respostas. Seria possível ensiná-la a aprender.

As primeiras promessas e as primeiras frustrações

O entusiasmo inicial, contudo, encontrou rapidamente os limites materiais de sua época. Os computadores eram caros, lentos e possuíam capacidade de armazenamento extremamente reduzida. Muitos dos algoritmos concebidos pelos pesquisadores eram teoricamente interessantes, mas exigiam um poder computacional que simplesmente não existia.

Além disso, problemas aparentemente simples para uma pessoa revelavam uma complexidade gigantesca para as máquinas. Reconhecer um objeto, compreender uma frase ambígua ou identificar o contexto de uma conversa exigia muito mais do que aplicar algumas regras lógicas.

Apesar dessas limitações, novos experimentos continuaram aparecendo. Em 1966, Joseph Weizenbaum apresentou a ELIZA, um programa capaz de simular uma conversa com um psicoterapeuta. O sistema identificava palavras nas mensagens do usuário e devolvia perguntas previamente estruturadas. Sua compreensão era quase inexistente, mas a experiência já revelava algo importante: mesmo diante de um mecanismo relativamente simples, as pessoas tendiam a atribuir à máquina uma inteligência maior do que ela realmente possuía.

Nas décadas seguintes, ganharam espaço os chamados sistemas especialistas. Em vez de tentar construir uma inteligência geral, capaz de realizar qualquer tarefa, esses sistemas eram programados para operar em campos específicos, como diagnósticos médicos, análise química ou avaliação de crédito. Eles reuniam conjuntos extensos de regras fornecidas por especialistas humanos e as aplicavam a problemas concretos.

Por algum tempo, essa abordagem pareceu promissora, mas nela se havia uma dificuldade: o conhecimento humano é vasto, mutável e repleto de exceções. Transformar toda essa complexidade em regras explícitas era caro, demorado e, em muitos casos, impossível.

Quando as promessas deixaram de corresponder aos resultados, o financiamento diminuiu e o entusiasmo arrefeceu. A inteligência artificial atravessou períodos que ficariam conhecidos como “invernos da IA”, os quais foram momentos em que governos, universidades e empresas reduziram seus drasticamente seus investimentos no área depois de expectativas exageradas não se concretizarem.

A história da IA não avançou, portanto, em linha reta, mas, como todo nova tecnologia, foi formada por sucessivos ciclos de euforia, decepção e reconstrução – veja só como se comporta o Bitcoin.

A inteligência como adaptação

Enquanto parte dos pesquisadores tentava representar o conhecimento por meio de regras, outra corrente procurava inspiração na evolução da natureza. Entre as décadas de 1960 e 1970, John Holland desenvolveu os fundamentos dos algoritmos genéticos, uma abordagem baseada em mecanismos como seleção, reprodução e mutação, ou seja, baseado na teoria de Darwin.

Em vez de buscar diretamente uma única resposta perfeita, esses algoritmos produziam diferentes soluções, avaliavam seus resultados e combinavam as melhores alternativas ao longo de suas várias e sucessivas gerações. As soluções menos eficientes eram descartadas; as mais promissoras davam origem a novas possibilidades.

O objetivo não era reproduzir literalmente a evolução biológica, mas utilizar sua lógica como mecanismo de resolução de problemas, uma vez que em ambientes complexos, a melhor resposta nem sempre pode ser encontrada por meio de uma sequência fixa de instruções; às vezes, é necessário testar, selecionar e adaptar – assim como nós fizemos por bilhões de anos.

Imagine alguém escolhendo o caminho entre sua residência e o trabalho. A rota mais curta pode ter semáforos em quase todos os cruzamentos. O caminho com menos trânsito pode ser muito mais longo. A estrada de visual mais agradável talvez acrescente vários minutos à viagem. Diante de objetivos conflitantes, raramente existe uma solução absolutamente perfeita. O que normalmente procuramos é um percurso suficientemente bom, que seja, ao mesmo tempo, relativamente rápido, agradável e sem tantas interrupções.

Essa capacidade de encontrar soluções satisfatórias em ambientes imperfeitos é uma das características mais humanas da inteligência. Os estudos de Holland demonstravam que as máquinas também poderiam procurar respostas por meio da adaptação, sem depender exclusivamente de regras rígidas ou de uma solução previamente definida.

Os algoritmos genéticos não se tornaram a base de toda a inteligência artificial, mas abriram um ramo importante da computação evolutiva e ajudaram a consolidar a percepção de que a inteligência não precisava ser apenas programada, mas que ela poderia, de fato, surgir de processos de seleção e aprendizagem.

A longa espera pelo poder computacional

Durante décadas, muitas das ideias fundamentais da inteligência artificial já existiam no papel. O problema era que os computadores ainda não eram capazes de executá-las em grande escala.

As redes neurais são o melhor exemplo, pois seus princípios haviam sido formulados desde os anos 1940, mas sua aplicação prática permanecia limitada. Para treinar redes maiores, eram necessários três elementos que só se tornariam abundantes muito mais tarde: dados, capacidade de processamento e armazenamento.

O surgimento da internet teve um papel enorme nesse processo, pois ajudou a resolver o primeiro problema. Bilhões de textos, imagens, vídeos e interações passaram a ser produzidos e armazenados digitalmente. A evolução dos semicondutores, por sua vez, resolveu parte do segundo, uma vez que um mundo com processadores cada vez mais poderosos – especialmente as unidades de processamento gráfico, ou GPUs – tornaram possível realizar simultaneamente uma enorme quantidade de cálculos. Ao fim, a expansão dos data centers e da computação em nuvem forneceu a infraestrutura necessária para conectar tudo isso.

A inteligência artificial, agora, finalmente encontrara as condições materiais para executar ideias concebidas décadas antes.

2012: a máquina aprende a enxergar

Um dos grandes pontos de virada ocorreu em 2012, durante uma competição de reconhecimento de imagens chamada ImageNet. Uma rede neural conhecida como AlexNet, desenvolvida por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, apresentou um desempenho muito superior ao dos métodos predominantes até então.

A conquista demonstrou o potencial do deep learning, ou aprendizado profundo. Com várias camadas de processamento, grandes conjuntos de dados e GPUs, as redes neurais conseguiam identificar padrões complexos com uma precisão inédita.

A partir daquele momento, o aprendizado profundo deixou de ser uma corrente relativamente periférica para se tornar o centro da corrida tecnológica. Sistemas de reconhecimento facial, tradução automática, transcrição de voz, recomendação de conteúdo e direção autônoma começaram a avançar rapidamente. A IA estava, de vez, deixando de depender de regras escritas uma a uma por seres humanos para, em vez disso, as máquinas aprenderem padrões a partir de enormes quantidades de exemplos.

Mas ainda faltava uma peça essencial: uma arquitetura capaz de compreender e produzir linguagem em escala.

2017: a arquitetura que mudou a IA

Essa peça apareceu em 2017, quando oito pesquisadores ligados ao Google publicaram o artigo Attention Is All You Need. O trabalho apresentou uma nova arquitetura de rede neural chamada Transformer. Até então, muitos sistemas de linguagem processavam uma sequência de palavra por palavra, carregando informações do começo até o final de uma frase. Esse método dificultava o treinamento e fazia com que o modelo perdesse parte do contexto em textos mais longos.

O Transformer introduziu no centro da arquitetura um mecanismo chamado autoatenção. Por meio dele, o sistema poderia avaliar as relações entre diferentes palavras de uma sequência e identificar quais elementos eram mais relevantes para compreender cada parte do texto.

Em uma frase, por exemplo, uma palavra localizada no final poderia depender diretamente de outra colocada muito antes. O mecanismo de atenção permitia reconhecer essa relação sem precisar percorrer toda a sequência de forma estritamente linear.

Além de melhorar a compreensão do contexto, a nova arquitetura permitia processar diferentes partes dos dados paralelamente. Isso tornou o treinamento mais eficiente e possibilitou a construção de modelos muito maiores.

O Transformer se tornaria o coração dos grandes modelos de linguagem. A própria sigla GPT significa Generative Pre-trained Transformer: um Transformer generativo e previamente treinado. Foi a partir daí que uma nova lógica ganhou força, afinal, se modelos maiores, alimentados com mais dados e treinados com mais capacidade computacional apresentavam resultados melhores, então seria possível avançar ampliando continuamente essas três dimensões.

Surgiram as chamadas leis de escala, que identificaram relações relativamente previsíveis entre o tamanho dos modelos, a quantidade de dados, o poder computacional e seu desempenho. A inteligência artificial entrou, assim, em uma nova fase: deixou de ser apenas um problema científico para se transformar também em um gigantesco projeto de infraestrutura.

Construir modelos de ponta passou a exigir chips especializados, enormes data centers, quantidades colossais de energia e investimentos de bilhões de dólares. A IA saiu gradualmente das universidades e migrou para os laboratórios das grandes empresas de tecnologia, as únicas organizações com recursos suficientes para sustentar essa expansão.

Podemos dizer, de certo modo, diante dessa narrativa, que o Transformer teve um papel mais que fundamental para se criar as condições para a industrialização da inteligência artificial.

2022: a inteligência artificial encontra o público

Nos anos seguintes, os modelos de linguagem cresceram rapidamente. Eles foram treinados com grandes volumes de textos e aprenderam a prever qual palavra – ou, mais precisamente, qual fragmento de palavra – deveria aparecer em seguida em determinada sequência.

À primeira vista, prever a próxima palavra parece uma tarefa limitada. Mas, quando realizada por modelos com bilhões de parâmetros e treinados em uma parcela expressiva do conhecimento disponível digitalmente, essa previsão produz capacidades surpreendentes. Os sistemas aprendem padrões gramaticais, estilos de escrita, relações entre conceitos, estruturas de programação e formas recorrentes de raciocínio.

Ainda assim, esses modelos permaneciam relativamente distantes do consumidor comum. Isso mudou em 30 de novembro de 2022, quando a OpenAI apresentou o ChatGPT. Em poucos dias, o serviço alcançou seu primeiro milhão de usuários. Nos meses seguintes, sua expansão revelou uma demanda que nem mesmo parte da indústria havia compreendido completamente. Milhões de pessoas, de uma hora para outra, começaram a utilizar a IA para escrever, estudar, pesquisar, programar, criar imagens, analisar documentos e organizar o trabalho.

A grande inovação estava, acredito eu, dentro da maneira como este novo produto oferecido. Em vez de exigir conhecimento técnico ou o uso de códigos, o ChatGPT entregava a inteligência artificial por meio da interface mais familiar possível: uma conversa.

A inteligência artificial deixava, então, de ser uma tecnologia silenciosa, escondida atrás dos mecanismos de recomendação, filtros de spam e sistemas de busca e, pela primeira vez, ela se apresentava diretamente ao usuário e respondia em linguagem natural. Esse foi o verdadeiro impacto do ChatGPT: a IA ganhou uma interface universal.

O lançamento do ChatGPT também desencadeou uma nova corrida entre as maiores empresas do mundo. Google, Microsoft, Meta, Amazon, Anthropic e diversas companhias passaram a disputar pesquisadores, chips, dados e capacidade energética. O novo objetivo da competição era, agora, controlar os modelos que mediariam a relação das pessoas com a informação, o trabalho e a própria internet.

Ao mesmo tempo, a IA começou a ultrapassar a função de simplesmente gerar respostas. Os modelos passaram a interpretar imagens, ouvir vozes, produzir vídeos, operar programas e executar tarefas. Surgiram os agentes de inteligência artificial: sistemas capazes de receber um objetivo, elaborar etapas e agir em diferentes ambientes digitais para alcançá-lo.

A trajetória que começou com a pergunta de Turing – “as máquinas podem pensar?” – aproxima-se, portanto, de uma questão diferente: o que as máquinas serão capazes de fazer?

Uma história de quase oitenta anos

Vista apenas pelo presente, a inteligência artificial parece ser uma revolução repentina. Em poucos anos, modelos de linguagem passaram a escrever, programar, criar imagens e conversar com centenas de milhões de pessoas. Mas essa velocidade aparente esconde uma história longa.

As redes neurais remontam a 1943. A pergunta de Turing foi formulada em 1950. A expressão inteligência artificial nasceu em 1956. O aprendizado de máquina começou a tomar forma ainda naquela década. Os algoritmos genéticos foram desenvolvidos a partir dos anos 1960. O aprendizado profundo encontrou sua grande demonstração em 2012. O Transformer apareceu em 2017. E o ChatGPT chegou ao público em 2022.

Cada avanço, é claro, dependeu dos anteriores. Ideias criadas quando os computadores ocupavam salas inteiras atravessaram décadas até encontrar os dados, os chips e a infraestrutura necessários para funcionar em escala. Por isso, a história da inteligência artificial não é apenas a história de máquinas que se tornaram progressivamente mais capazes, mas é também a história de uma ambição humana persistente: a de compreender a inteligência, reproduzir parte de seu funcionamento e, finalmente, transformá-la em tecnologia.

O ChatGPT foi, ao fim, o momento em que uma história iniciada quase oitenta anos antes finalmente se tornou visível para todos.

Leia também:

Duzentos e oitenta e três anos depois, a obsessão de Lavoisier por tornar o invisível mensurável é, possivelmente, a força mais poderosa da economia contemporânea. As notícias de hoje são todas variações sobre esse princípio. A Apple apresenta um chip que transforma o computador pessoal em laboratório de inteligência artificial, permitindo que modelos complexos rodem localmente, sem que seus dados precisem atravessar a nuvem para serem processados. A Waymo anuncia que levará seus robotáxis a Munique, medindo cada metro de asfalto alemão com a mesma meticulosidade que Lavoisier dedicava a cada reação no laboratório. A Life360 coloca sensores no pescoço de oito milhões de animais de estimação, transformando cada passeio, cada refeição e cada pico de energia de um cachorro em dado rastreável por toda a família. E a Oura se prepara para um IPO de US$ 16 bilhões construído sobre a premissa de que medir continuamente o sono, a frequência cardíaca e a temperatura do corpo humano por meio de um anel no dedo vale mais do que qualquer check-up anual. Em todos os casos, o que muda não é o objeto que se observa, mas é o fato de que alguém decidiu que ele merecia ser medido.

O Último Chip da Era Tim Cook

A Apple apresentou nesta terça-feira os processadores M5 Ultra e M6, que equiparão as novas gerações do Mac Mini e do Mac Studio. O M5 Ultra é o primeiro chip de quatro núcleos da história da empresa, projetado especificamente para executar grandes modelos de inteligência artificial diretamente no computador do usuário, sem depender de servidores remotos. A ideia é que um desenvolvedor possa treinar, ajustar e rodar modelos de fronteira no próprio Mac, com a privacidade que a nuvem não garante e a velocidade que a conexão com a internet não oferece. O M6, por sua vez, é a versão voltada ao consumidor comum, ou seja, o profissional que quer usar ferramentas de IA no dia a dia sem entender necessariamente o que acontece por baixo da superfície, da mesma forma que usa o Face ID sem saber como funciona o sensor infravermelho.

O lançamento é, quase certamente, o último grande anúncio de produto sob a gestão de Tim Cook, que deixa o cargo de CEO em 1º de setembro para assumir a presidência do conselho de administração, passando o bastão a John Ternus. A transição acontece num momento em que a estratégia que Cook escolheu para a era da IA está sendo validada pelo mercado com uma clareza difícil de contestar. A Apple, diferentemente de suas concorrentes, não construiu data centers bilionários, não treinou modelos de fronteira e não entrou na insana guerra dos tokens. Em vez disso, licenciou o Gemini do Google para alimentar a Siri, firmou parcerias como o MapKit for Automotive com a Ford, e concentrou seus investimentos em chips que rodam a IA de outros com mais eficiência do que os outros rodam a própria.

Um exemplo disso, é que enquanto a Alphabet gastou US$ 44,9 bilhões de capex num único trimestre com IA (entrando em fluxo de caixa negativo), a Apple gastou US$ 2,45 bilhões, manteve uma margem bruta de 50% e atingiu os tão aclamados US$ 5 trilhões em valor de mercado. Não é que Cook tenha ignorado a IA, mas é que entendeu que, na corrida pela infraestrutura, o mais inteligente às vezes não é quem constrói o motor, mas quem dirige o carro que outra pessoa montou.

A pergunta que Ternus herda, contudo, é se essa estratégia se sustenta quando o ciclo muda. Cook protegeu a Apple da armadilha de gastos que está comprimindo as margens de suas rivais, mas também a manteve dependente de parceiros que podem, a qualquer momento, renegociar os termos da relação. Se o Google decidir cobrar mais pelo Gemini, ou se a próxima geração de assistentes exigir capacidades que só modelos proprietários oferecem, a Apple precisará construir o que até agora preferiu alugar – e construir sob pressão é sempre mais caro do que construir com antecedência. Cook sai como o CEO que transformou disciplina financeira em vantagem competitiva. Ternus precisará provar que a disciplina não foi, na verdade, procrastinação.

A Waymo Leva seus Robotáxis à Indústria Automobilística Alemã

A Waymo anunciou que levará seu serviço de robotáxis a Munique, tornando a cidade bávara a primeira da Europa continental a receber os veículos autônomos da subsidiária da Alphabet. O processo seguirá o mesmo roteiro que a empresa aplica em cada uma das onze cidades americanas onde já opera: primeiro, os carros percorrem as ruas com motoristas humanos ao volante, mapeando cada faixa, cada sinalização e cada cruzamento. Depois, rodam de forma autônoma com um motorista de segurança presente. Em seguida, o motorista sai do carro. E, por fim, o serviço abre ao público pagante. A Waymo ainda não possui autorização regulatória na Alemanha, mas o país é, desde 2021, o primeiro da União Europeia a ter legislação que permite veículos totalmente autônomos em vias públicas.

A escolha de Munique carrega uma carga simbólica que vai além da logística. Munique é a sede da BMW, o coração pulsante de uma indústria automobilística alemã que, como o mercado tem visto, enfrenta uma pressão existencial vinda de múltiplos lados ao mesmo tempo. Montadoras chinesas como a BYD e a Denza já conquistaram grande parcela do mercado premium global. A Tesla testa em Austin seu Cybercab sem volante nem pedais. E a Wayve, startup britânica, já propõe licenciar seu software de direção autônoma diretamente às montadoras como uma espécie de “Android dos carros”. E, quando a Waymo estaciona um robotáxi sem motorista na cidade que inventou o prazer de dirigir, a mensagem é de que o futuro do automóvel será definido não por quem monta o chassi, mas por quem escreve o software que o dirige. E quem escreve esse software, neste momento, não é nenhuma montadora alemã.

O contexto europeu adiciona à operação uma complexidade que o mercado americano não enfrenta. A Waymo já confirmou planos para Londres, onde competirá com a Wayve e sua parceira Uber, a mesma Uber que, não passado não tão distante, fez lobby nos Estados Unidos para exigir que robotáxis mantenham motoristas humanos em 85% das viagens. A regulação trabalhista europeia é mais rígida, a resistência sindical mais organizada, e a sensibilidade pública à automação de empregos mais aguda do que na Califórnia ou no Texas.

A Waymo terá que provar não apenas que seus carros dirigem com segurança, mas que a sociedade alemã está disposta a aceitar que eles o façam, e que os benefícios da autonomia superam o desconforto de ver táxis sem motorista circulando por ruas onde, até ontem, um ser humano estava ao volante. A direção autônoma na Europa não é apenas um problema de engenharia, mas, de fato, é um problema de consentimento social. E esse problema, ao contrário de um sensor de lidar ou de um algoritmo de navegação, não se resolve com mais dados.

O Seu Pet Agora Tem Perfil Digital

A Life360, aplicativo de localização familiar com mais de 80 milhões de usuários em 150 países, expandiu seus recursos de rastreamento de animais de estimação com o lançamento de etiquetas escaneáveis, alertas de picos de energia e ferramentas que permitem à família inteira acompanhar se seu cachorro foi alimentado, passeado, medicado ou se a caixa de areia do gato foi limpa. Desde que a empresa adquiriu a Tile e integrou sua tecnologia de rastreamento, mais de oito milhões de pets foram adicionados às contas de seus usuários, transformando um aplicativo que nasceu para localizar filhos adolescentes num sistema de monitoramento que agora abrange cada membro da casa, incluindo os que têm quatro patas.

Lida isoladamente, uma etiqueta escaneável na coleira de um cachorro parece um acessório menor. Lida ao lado da transformação que vem afetando toda nossa sociedade, é mais um capítulo de uma tendência que ganha força econômica a cada semana: a humanização dos animais de estimação está criando, para pets, o mesmo ecossistema de saúde, dados e consumo recorrente que já existe para seres humanos.

A Wigow, por exemplo, prepara seu suplemento de controle de peso para cães com 40 mil tutores na fila de espera; e o iFood já opera em seu aplicativo a aba “pet shop” como uma categoria recorrente dentro do seu marketplace. E agora a Life360 converte cada passeio, cada refeição e cada pico de atividade de um animal em dado compartilhado por toda a família, com a mesma naturalidade com que compartilha a localização dos filhos na escola.

O padrão que se consolida é que à medida que famílias diminuem de tamanho e animais ocupam o espaço afetivo que antes pertencia a filhos, o mercado migra junto. Suplementação, monitoramento, medicina preventiva, rastreamento comportamental… serviços que o mercado de saúde humana levou décadas para construir estão sendo replicados para pets numa fração do tempo, porque a infraestrutura digital que os viabiliza já existe. O que falta é apenas a decisão de apontá-la para o animal em vez de para o dono. E essa decisão, a julgar pelos oito milhões de pets já rastreados e pelos R$ 7 bilhões que o mercado de suplementação animal movimenta, já foi tomada.

O Anel que Mede Seu Corpo Vai à Bolsa

A Oura, fabricante finlandesa dos anéis inteligentes que monitoram sono, frequência cardíaca e temperatura corporal, planeja um IPO nos Estados Unidos no próximo mês que pode levantar até US$ 3 bilhões e avaliar a empresa em mais de US$ 16 bilhões. Sua receita demonstra o porque do valuation, uma vez que dobrou de US$ 500 milhões para US$ 1 bilhão entre 2024 e 2025, e a projeção para 2026 é de US$ 2 bilhões – um ritmo de crescimento que posiciona a Oura entre as empresas de hardware de consumo de crescimento mais rápido do mundo, ao lado do Apple Watch nos seus primeiros anos e do AirPods na fase de explosão de demanda.

A empresa que começou como uma ferramenta de fitness para executivos do Vale do Silício se reinventou como marca de saúde de massa, e a trajetória é reveladora sobre a direção do mercado de vestíveis como um todo. A Whoop, sua concorrente mais direta, percorreu caminho semelhante: de pulseira para atletas de elite a plataforma de monitoramento hormonal e exames de sangue que já vale US$ 10 bilhões. A Samsung lançou o Galaxy Ring há dois anos. O Google redesenhou o Pixel Watch para entregar resumos mensais de pressão arterial e resistência à insulina. E a OpenAI abriu o ChatGPT Health para mais de 300 milhões de perguntas semanais sobre saúde, criando um consultório informal acessível a qualquer pessoa com conexão à internet.

Assim, é cada vez evidente que corpo humano se tornou, nas Entrelinhas, a próxima grande plataforma de dados do planeta, e quem conseguir medir, interpretar e monetizar esses dados continuamente terá construído um modelo de receita recorrente tão poderoso quanto qualquer assinatura de software.

A tensão que acompanha essa promessa, porém, é a mesma que Lavoisier enfrentou ao medir o que antes era um mistério: medir transforma a compreensão, mas também transforma a relação com o que se mede. Monitorar o sono é útil até o momento em que cada noite mal dormida vira fonte de ansiedade. Acompanhar a frequência cardíaca é valioso até que variações perfeitamente normais provoquem consultas desnecessárias. A Oura e seus concorrentes operam na fronteira exata entre empoderar e alarmar, e o modelo de negócio depende de que o usuário permaneça no lado do empoderamento, porque quem se assusta demais desliga o anel e cancela sua assinatura.

Lavoisier provou que medir é o primeiro passo para entender. Mas também provou, com a própria cabeça, que nem tudo que pode ser medido está pronto para ser julgado. O mercado de US$ 16 bilhões que a Oura leva à bolsa é construído sobre a premissa de que saber mais sobre seu corpo é sempre melhor. A resposta, como na maioria das coisas que envolvem saúde, é mais complicada, e mais interessante, do que um sim ou um não.

Leia também:

Hoje, a Amazon já movimenta mais de US$ 150 bilhões em vendas brutas de groceries e se tornou o segundo maior supermercado dos Estados Unidos. Mais de 150 milhões de americanos compram alimentos pela plataforma ao longo do ano. A distância para o primeiro lugar ainda existe, mas a infraestrutura que está sendo montada mostra que a ambição vai muito além de vender algumas bananas pela internet.

O grande salto aconteceu quando a empresa colocou alimentos perecíveis dentro de sua rede de Same-Day Delivery. Agora, em mais de 2.300 cidades americanas, o consumidor pode colocar leite, carne, frutas e ovos no mesmo carrinho em que compra um livro, um carregador ou papel higiênico e receber tudo em poucas horas. A Amazon não criou uma jornada separada de supermercado. Ela colocou o supermercado dentro da Amazon.

Para isso funcionar, porém, não basta entregar rápido. Alimento é muito mais complexo que eletrônico. A Amazon desenvolveu uma rede especializada com controle de temperatura, embalagens térmicas e seis pontos de inspeção de qualidade entre a chegada do produto e sua saída para entrega. A Freshness Guarantee tenta resolver justamente uma das maiores barreiras do supermercado digital: convencer alguém de que outra pessoa (ou um sistema) pode escolher sua comida por ela.

Ao redor disso existe um ecossistema inteiro. A Whole Foods funciona como loja, marca, ponto de retirada e infraestrutura física. Microcentros de fulfillment aproximam estoque do consumidor. O Amazon Now atende compras urgentes em até 30 minutos. Inteligência artificial ajuda a prever demanda. E o Prime amarra tudo com benefícios de entrega. Não é uma coleção de iniciativas independentes. É uma infraestrutura de abastecimento doméstico.

E os primeiros números sugerem que comida pode mudar a economia do negócio. Desde a entrada dos perecíveis no Same-Day, suas vendas cresceram mais de 40 vezes. Onde o serviço está disponível, alimentos chegaram a ocupar nove das dez primeiras posições entre os itens mais pedidos. E pedidos que incluem perecíveis possuem mais de três vezes o número de produtos e gastam mais de 80% a mais que pedidos sem alimentos.

Esse talvez seja o ponto mais importante. Você não compra um notebook toda semana. Mas compra leite, frutas, ovos, café e produtos de limpeza continuamente. Portanto, groceries dão à Amazon algo extremamente valioso: frequência. Quanto mais vezes uma pessoa abre a Amazon para abastecer a casa, maior a chance de outras categorias entrarem no mesmo carrinho. O supermercado deixa de ser apenas uma fonte de receita e passa a aumentar a utilização de toda a máquina logística.

Isso também explica por que o Prime fica mais poderoso. Uma assinatura utilizada algumas vezes por mês para receber produtos pode se transformar em algo presente várias vezes por semana. Quando a Amazon começa a abastecer sua geladeira, cancelar o Prime se torna uma decisão muito diferente. Grocery aumenta recorrência, recorrência aumenta dados, dados melhoram previsão de demanda e previsão melhora estoque, velocidade e custo.

Há ainda uma mudança conceitual importante. O supermercado tradicional tenta colocar cada vez mais categorias dentro de uma loja. A Amazon faz o contrário: coloca o supermercado dentro de uma plataforma que já vende praticamente tudo. Seu concorrente deixa de ser apenas Walmart, Kroger ou Costco. A disputa passa a ser por quem se torna a principal interface de abastecimento da casa americana.

É por isso que talvez seja pequeno dizer que a Amazon está tentando construir um supermercado maior. O que ela parece estar construindo é algo diferente: um sistema operacional do consumo doméstico. Whole Foods é a presença física. Amazon.com é a interface. Prime cria fidelidade. Same-Day entrega. IA prevê. A rede logística executa. E os alimentos trazem aquilo que faltava para fechar o ciclo: recorrência.

Se essa engrenagem continuar funcionando, a Amazon não precisará ter mais supermercados para se tornar o maior supermercado dos Estados Unidos. Talvez precise apenas fazer com que cada vez mais americanos parem de pensar em “ir ao supermercado” e passem simplesmente a pensar em “pedir na Amazon”.

Leia também

A OpenAI lançou, há pouco mais de um mês, o ChatGPT Work, um produto que estende a lógica dos agentes de programação, que já haviam transformado a forma como software é escrito, para qualquer tipo de trabalho profissional. O sistema se conecta à caixa de entrada do usuário, ao calendário, ao Slack, ao Notion, ao navegador e a dezenas de outros aplicativos, e opera sobre esse ambiente com uma autonomia realmente absurda, num contexto onde ele não apenas responde a perguntas sobre o que está no e-mail, mas redige respostas, organiza dados, cria apresentações, transforma planilhas em ferramentas de planejamento e executa sequências de tarefas que, até ontem, exigiam horas de trabalho manual. O engenheiro-chefe do produto descreveu sua própria relação com o sistema com uma franqueza meio incomoda para nós diante de todo esse poder da ferramenta: ele admitiu que existe a possibilidade de o programa acessar uma mensagem privada sobre determinado assunto sem saber que não deveria compartilhar certas informações, e acrescentou que aceita as consequências pessoais dessa exposição porque considera que é a única maneira de testar o futuro.

Essa declaração é reveladora não pelo que diz sobre o ChatGPT Work especificamente, mas pelo paradoxo que ela articula e que se aplica a qualquer sistema de IA que aspire a ser genuinamente útil no ambiente de trabalho: para que a inteligência artificial entregue o valor máximo que promete, ela precisa receber não apenas informações, mas acesso, permissões e poder de ação sobre a vida digital do usuário. E quanto mais acesso ela recebe, mais útil se torna, e quanto mais útil se torna, mais difícil é recuar para o modelo anterior em que ela apenas respondia a perguntas sem tocar em nada. É uma espiral em que conveniência e exposição crescem juntas, e onde o ponto de máxima utilidade coincide, quase perfeitamente, com o ponto de máximo risco.

Essa coincidência muda a natureza do debate sobre IA no ambiente profissional de uma forma que ainda não foi plenamente absorvida. Durante anos, a discussão sobre tecnologia e privacidade se concentrou em uma pergunta de delimitada: quem tem acesso aos meus dados? Era uma questão sobre vigilância, sobre quem podia ver o quê, e as respostas envolviam criptografia, permissões de acesso, políticas de privacidade e regulações como a LGPD. A IA agêntica acrescenta uma segunda pergunta que é, potencialmente, mais consequente: o que está autorizado a agir em meu nome? Porque quando um sistema não apenas lê seu e-mail, mas responde por você, quando não apenas analisa sua agenda, mas reorganiza seus compromissos, este problema deixa de ser sobre privacidade e se torna sobre uma espécie de delegação de nossa autoridade. E delegação de autoridade implica responsabilidade, porque se o sistema comete um erro, envia uma mensagem inadequada, compartilha uma informação confidencial, toma uma decisão que contradiz a estratégia da empresa, a pergunta que surge imediatamente é: quem responde por isso? O funcionário que delegou? A empresa que autorizou a ferramenta? O fornecedor do modelo que a construiu? A resposta, hoje, é que ninguém sabe, porque as estruturas jurídicas e organizacionais existentes foram desenhadas para um mundo em que decisões profissionais eram tomadas por pessoas, não por sistemas autônomos operando em nome delas.

Há, nessa transição, um desafio técnico enorme que nos ajuda a explicar por que a IA agêntica avançou tão rapidamente na programação e tão lentamente em outras áreas. O código de software tem uma propriedade que o torna adequado para avaliação por máquinas: ele funciona ou não funciona. Você pode testá-lo, executá-lo, verificar se produz o resultado esperado e medir sua qualidade com métricas objetivas. Quando um agente de IA escreve código, o engenheiro pode avaliar o resultado com certa precisão em poucos minutos. Mas a maioria das atividades profissionais não compartilha essa propriedade. Uma boa apresentação de negócios, uma estratégia de vendas eficaz, um parecer jurídico bem fundamentado ou uma análise financeira perspicaz são trabalhos cujo valor é subjetivo, contextual e frequentemente impossível de avaliar sem conhecimento profundo do domínio e das circunstâncias específicas. Quando a IA gera uma apresentação sobre a estratégia da empresa para o próximo trimestre, como o gestor sabe se o resultado é bom? Ele precisa ler cada slide, avaliar cada argumento, verificar cada dado e julgar cada recomendação, o que pode exigir quase tanto tempo quanto teria gasto fazendo a apresentação ele mesmo. A promessa de produtividade esbarra, nesses casos, na dificuldade de verificação, e essa dificuldade é tanto maior quanto mais complexa e subjetiva for a tarefa delegada.

É justamente nesse ponto que surge uma distinção que pode definir como a indústria de IA se desenvolverá nos próximos anos. Existem duas abordagens possíveis para a IA agêntica no ambiente de trabalho: uma que busca executar tudo de forma autônoma, apresentando ao usuário o resultado final sem envolvê-lo no processo, e outra que trabalha em colaboração a ele, analisando possibilidades, apresentando alternativas, solicitando validações em pontos-chave e reduzindo a margem de erro por meio de verificações contínuas. A primeira abordagem é mais impressionante em demonstrações e mais sedutora para quem quer eliminar tarefas da agenda: você pede, a IA faz e, no fim, você recebe o resultado pronto. A segunda é menos espetacular, mas potencialmente mais confiável, porque mantém o julgamento humano inserido no processo em vez de relegá-lo à avaliação posterior de um produto já finalizado. A diferença entre as duas abordagens é, mais do que de codificação, de filosofia: a primeira trata o humano como supervisor distante de uma máquina autônoma; a segunda trata o humano como parte ativa de um processo em que a máquina amplifica sua capacidade sem substituir seu julgamento.

Nesse cenário, se a abordagem autônoma prevalecer, o risco é que profissionais se habituem a receber resultados prontos sem exercitar o julgamento que os tornaria capazes de avaliar se esses resultados são bons, criando exatamente o tipo de dependência em que os profissionais passam a delegar não apenas a execução, mas também o próprio raciocínio e, com o tempo, perdem a capacidade de realizar aquilo que delegaram. Se a abordagem colaborativa prevalecer, a IA funciona como o que os melhores assistentes humanos sempre foram: alguém que faz o trabalho pesado, mas que traz as decisões importantes de volta ao gestor, mantendo viva a conexão entre quem decide e o que é decidido.

Ainda, a dimensão mais profunda dessa transição se revela, porque a questão de delegar autoridade a um sistema de IA não é apenas uma questão de eficiência ou de risco operacional. É uma questão sobre quem controla a interface entre o profissional e seu trabalho, pois quando a IA que organiza seu e-mail, sua agenda, suas tarefas e suas decisões pertence a uma empresa cujos incentivos podem não coincidir integralmente com os seus, a delegação de autoridade carrega uma camada adicional de complexidade: você está confiando não apenas na inteligência do sistema, mas na intenção de quem o construiu. E confiar na intenção é algo que nenhuma especificação técnica pode garantir.

Por fim, para quem lidera negócios e acompanha essas transformações, a implicação é de que a IA que está chegando ao ambiente de trabalho não é mais uma ferramenta que responde a perguntas e espera o próximo comando, mas é, contrariamente, um sistema que age, que executa, que acessa, que decide e que opera sobre a vida profissional dos seus funcionários com uma autonomia que, há dois anos, não existia. Integrar essa capacidade à operação de uma empresa exige mais do que adotar uma assinatura e distribuir acessos. Exige definir, com clareza que ainda não existe na maioria das organizações, quais decisões podem ser delegadas, quais precisam de validação humana, quem responde quando o sistema erra e como se garante que a conveniência de hoje não se transforme na dependência de amanhã. Porque nos últimos anos, a pergunta que fizemos sobre inteligência artificial foi até onde ela seria capaz de chegar. A pergunta que se impõe agora é diferente, e bem mais difícil de responder: até onde estamos dispostos a deixá-la entrar?

Leia também: