A IA Mais Cara é a que Não Serve para Nada

Nunca se investiu tanto em inteligência artificial. E talvez nunca tenha sido tão fácil confundir movimento com progresso.

jun 05, 2026

Seiscentos e cinquenta bilhões de dólares. Esse é o volume de capital que Microsoft, Alphabet, Meta e Amazon devem investir, somadas, em capacidade de inteligência artificial ao longo deste ano, segundo estimativas do Bridgewater Associates. A Gartner, por sua vez, projeta que o gasto global em IA alcançará US$ 2,5 trilhões em 2026. São cifras que, por sua magnitude, dispensam qualificação, afinal, elas representam o maior compromisso corporativo de capital da história moderna. No entanto, magnitude não é sinônimo de direção. O número revela o tamanho da aposta, mas não diz nada sobre a qualidade dela. E é precisamente nessa lacuna, entre o volume do investimento e a clareza de seu propósito, que se concentra o risco mais relevante da economia digital contemporânea.

O ponto de partida para compreender esse risco não é tecnológico, mas conceitual. A inteligência artificial, neste estágio, já não pode ser tratada como uma ferramenta que se adquire, implementa e avalia por funcionalidades isoladas. Ela opera, quando bem integrada, como uma camada que reorganiza a própria lógica da empresa, ou seja, da maneira como se prevê demanda à forma como se compreende o consumidor, da otimização de processos à arquitetura das decisões estratégicas. Dizer que a IA virou pilar do negócio, portanto, não é uma figura de linguagem; é uma descrição literal. Mas pilares sustentam edifícios apenas quando estão fincados em fundações sólidas. E o que os dados começam a revelar é que uma parcela significativa das organizações está erguendo pilares sobre areia.

Em agosto de 2025, o MIT publicou o relatório The GenAI Divide, que analisou o retorno efetivo dos investimentos corporativos em IA generativa. A conclusão foi tão contundente quanto desconfortável: dentro da amostra estudada, noventa e cinco por cento das empresas que alocaram entre trinta e quarenta bilhões de dólares em iniciativas de IA generativa não obtiveram retorno mensurável na última linha.

É possível (e justo) argumentar que o estudo adota um recorte temporal restrito e uma visão alarmista, pois parte desse investimento carrega horizontes de maturação mais longos e externalidades difíceis de capturar em métricas convencionais. Mas o diagnóstico central permanece intacto, pois a maioria desses orçamentos foi alocada sem propósito estratégico definido, distribuída em pilotos isolados que jamais se conectaram com os processos centrais da organização. O capital, no fim, não foi investido; foi disperso. E dispersão, quando se trata de centenas de bilhões, é apenas um eufemismo sofisticado para desperdício.

Com efeito, parte desse fenômeno se explica por uma dinâmica que o mercado já começa a reconhecer, ainda que com relutância: o chamado agent washing. O termo descreve a prática, cada vez mais disseminada entre fornecedores de tecnologia, de rebatizar chatbots convencionais, assistentes de perguntas e respostas e robôs de automação de processos como “agentes de IA”, apropriando-se de um vocabulário que evoca autonomia e inteligência contextual para comercializar, na prática, soluções com capacidades muito mais limitadas. A manobra, nesse sentido, não é inocente, pois ela infla expectativas, justifica preços desproporcionais e, sobretudo, distorce a percepção do mercado sobre o que a tecnologia realmente pode entregar no estágio atual. É, em essência, o mesmo mecanismo que impulsionou bolhas anteriores: a distância entre a promessa narrativa e a entrega operacional aumenta até que a conta, inevitavelmente, chega.

E essa distorção encontra solo fértil em um fenômeno comportamental que atravessa conselhos de administração e comitês executivos com igual intensidade: o FOMO (fear of missing out), o medo de ficar de fora. Boa parte das empresas, particularmente no Brasil, está adotando IA não por diagnóstico estratégico, mas por ansiedade institucional. Elas criam comitês de inteligência artificial, distribuem licenças de modelos generativos para toda a organização e aguardam que algo transformador emerja espontaneamente. Não emerge. Porque a IA não é uma semente que germina por exposição; é uma infraestrutura que produz resultado apenas quando plantada com intenção, irrigada com dados estruturados e colhida com métricas definidas antes da semeadura. A pressa movida pelo medo de ficar para trás produz, paradoxalmente, exatamente o atraso que se temia, pois consome recursos que poderiam ser alocados em iniciativas com propósito real.

Há, nesse sentido, uma distinção fundamental que a maioria das organizações ainda não internalizou, e que deveria preceder qualquer decisão de investimento: nem todo problema exige a mesma categoria de solução. A Gartner propõe uma classificação que, em sua aparente simplicidade, é extraordinariamente útil: um assistente baseado em modelo de linguagem resolve tarefas de busca e síntese de informação; uma automação tradicional resolve processos repetitivos e bem mapeados, com custo menor e risco inferior; e um agente autônomo resolve problemas que envolvem julgamento contextual, múltiplas etapas encadeadas e decisão complexa. O erro recorrente é pagar o preço da terceira categoria para resolver problemas que pertencem à primeira, e, não raro, à segunda. É o equivalente corporativo de contratar um neurocirurgião para tratar uma dor de cabeça.

Mas existe uma armadilha anterior, e talvez mais cara, do que a classificação equivocada da solução: a ilusão de que é possível ser AI First sem antes ser Data First. Isso quer dizer que, nenhum agente, por mais sofisticado que seja o modelo que o sustenta, entrega valor sobre uma base de dados fragmentada, inconsistente ou inacessível. A inteligência artificial é, por definição, dependente da qualidade do substrato informacional sobre o qual opera. Ignorar essa sequência lógica, de investir na camada de inteligência antes de consolidar a camada de dados, não é implementar IA. É escalar confusão. E a confusão escalada tem um custo que os relatórios do MIT apenas começam a mensurar.

Onde, então, a IA efetivamente entrega valor? O mercado financeiro oferece um exemplo revelador, particularmente no segmento de wealth management. Muito se discute sobre a substituição de consultores e assessores por agentes autônomos, mas esse cenário, no horizonte visível, permanece improvável, pois a relação entre um gestor de patrimônio e seu cliente envolve dimensões que nenhum modelo de linguagem captura com fidelidade: empatia em momentos de crise, sensibilidade em discussões sobre herança e planejamento sucessório, leitura de sinais emocionais que precedem decisões financeiras irracionais.

O que a IA faz sozinha, e faz com eficiência crescente, é multiplicar a capacidade desse profissional. Ela gera relatórios que antes exigiam horas em questão de minutos, vasculha portfólios em busca de inconsistências que escapariam ao olho humano, sintetiza dezenas de calls de resultados em análises acionáveis. Ou seja, mais do que acelerar o que já era feito, a inteligência artificial viabiliza o que antes era impossível: antecipar uma necessidade do cliente antes que o telefone toque, identificar padrões dispersos em múltiplas comunicações, transformar volume bruto de informação em clareza prescritiva. É exatamente o tipo de aplicação em que a tecnologia amplifica o humano em vez de tentar substituí-lo.

Esse padrão, vale notar, não é exclusivo do setor financeiro. Já analisamos neste espaço como o Magalu transformou a IA em competência distribuída, não como um projeto piloto centralizado, mas como uma linguagem operacional que permeia mais de vinte mil colaboradores e dezenas de iniciativas simultâneas em produção, da recuperação de margem no financeiro à automação de atendimento via WhatsApp. A diferença entre o Magalu e a maioria das empresas que figuram nos noventa e cinco por cento do relatório do MIT não é orçamentária. É cultural. É a diferença entre tratar a IA como um item de checklist institucional e tratá-la como uma reorganização profunda do modo como a empresa opera, decide e serve.

E é precisamente essa distinção entre consumo e transformação que nos conduz ao fenômeno talvez mais emblemático deste ciclo. Michael Burry, o investidor que ficou célebre por antecipar a crise de 2008, cunhou recentemente o termo tokenmaxxing para descrever algo que, segundo ele, está inflando a demanda por chips de IA de maneira artificialmente insustentável. A lógica que Burry identifica é a seguinte: empresas, pressionadas pela narrativa de que precisam adotar inteligência artificial em todas as frentes, transformaram o consumo de tokens em métrica de produtividade. Isso, por óbvio, não se trata de uso orgânico nascido de necessidades reais, mas de consumo induzido por metas internas, rankings departamentais e mandatos gerenciais. E, seu resultado é um ecossistema onde o volume de consumo de IA foi desacoplado da utilidade que esse consumo efetivamente gera.

O que Burry questiona, portanto, não é se a inteligência artificial tem valor, isso é incontestável. O que ele questiona é se o volume atual de consumo reflete utilidade real ou um hiperconsumismo corporativo orientado por cotas e pressão institucional. E a pergunta é pertinente porque tem precedentes. Já vimos ciclos em que a abundância de uma métrica foi confundida com a presença de valor: cliques que não geravam conversão, downloads que não geravam engajamento, dados que não geravam decisão. O tokenmaxxing é a versão computacional desse mesmo fenômeno, uma abundância que parece virtude, mas que, quando não mediada por discernimento estratégico, é apenas ruído travestido de progresso. É, de fato, o inverso exato do que discutimos ao analisar a Amazon: onde a empresa de Jassy constrói vantagem por meio de infraestrutura acumulada e custos comprimidos com propósito, o tokenmaxxing representa gasto inflado sem substrato operacional. A espiral virtuosa de uma é a espiral viciosa do outro.

Entre no canal Entrelinhas no WhatsApp e siga nosso Instagram: informação rápida, em tempo real, que tangibilizam as transformações.

Há, nesse cruzamento entre investimento sem propósito, consumo sem critério e adoção sem fundação, uma ironia estrutural que merece ser explicitada. Em uma edição anterior, analisamos como o excesso de informação disponível nas organizações, longe de melhorar a qualidade das decisões, frequentemente a deteriora, porque ver mais nunca significou entender melhor. O mesmo princípio se aplica, agora, à própria inteligência artificial. Isso quer dizer que usar mais IA não significa extrair mais valor dela, pois quando a adoção é guiada por ansiedade e não por estratégia, quando o consumo é impulsionado por metas artificiais e não por necessidades reais, e quando a implementação ocorre sobre bases de dados precárias e processos não mapeados, o resultado é um investimento que se parece com transformação, mas que, na prática, apenas adiciona complexidade a sistemas que já não eram bem compreendidos.

O caminho para os que estão acertando, em contrapartida, segue uma lógica quase artesanal em meio à pressa industrial. Começa pela dor, não pela ferramenta. Sendo assim, deve-se mapear gargalos antes de contratar soluções; definir métricas de sucesso antes de lançar pilotos; e, sobretudo, reconhecer que a IA não entrega resultados instantâneos, mas que ela exige ciclos de teste, aprendizado e escala que se medem em trimestres, não em semanas. A analogia mais honesta talvez seja a da academia: a matrícula não transforma o corpo; a consistência, sim. Quem espera resultados em noventa dias desiste antes de colher qualquer benefício estrutural. O ganho pertence a quem aparece todos os dias, ajusta a carga com inteligência e mede o progresso com paciência.

Talvez o ponto mais decisivo, porém, esteja acima dos processos e das ferramentas. A transformação por IA não acontece sem adesão visível e ativa das lideranças estratégicas, e não apenas como endosso retórico em reuniões de conselho, mas como prática cotidiana. Nenhuma comunicação interna, nenhum manifesto corporativo e nenhum comitê de inovação substitui o efeito de ver a alta gestão utilizando IA no dia a dia, questionando processos consolidados e demonstrando, pelo exemplo, que a mudança não é uma orientação descendente, mas um compromisso compartilhado. A divisão que se desenha no mercado, portanto, não é entre empresas grandes e pequenas, nem entre setores mais ou menos tecnológicos. É entre organizações que já estão testando, aprendendo e iterando, e aquelas que ainda esperam ter certeza antes de agir.

A certeza, neste jogo, é um luxo que o ritmo da transformação simplesmente não oferece.

Os seiscentos e cinquenta bilhões, deste modo, voltam ao centro da questão, não como evidência de progresso, mas como espelho. Refletem, ao mesmo tempo, a dimensão real da oportunidade e a escala do risco. Porque a IA será para esta década o que a internet foi para os anos 2000: uma reconfiguração total da economia, dos modelos de negócio e das relações de poder entre empresas, setores e geografias. Quem ficar de fora pagará um preço alto. Mas quem entrar sem propósito, sem fundação e sem discernimento, pagará um preço igualmente severo, somado com a agravante de ter acreditado que estava fazendo a coisa certa. No fim, o que separa quem captura valor de quem apenas queima caixa não é tecnologia. É cultura, clareza e a disciplina cada vez mais rara de distinguir movimento de direção.