Muito se fala sobre a ascensão das inteligências artificiais chinesas. A DeepSeek surpreendeu o mercado ao demonstrar que era possível desenvolver modelos competitivos gastando muito menos do que as gigantes americanas. A Alibaba avançou com sua família Qwen, enquanto outras empresas chinesas passaram a disputar posições cada vez mais próximas das líderes ocidentais nos rankings de desempenho. A distância tecnológica entre Estados Unidos e China, que parecia enorme há poucos anos, diminuiu consideravelmente. Mas existe uma contradição curiosa nessa história, afinal, se as inteligências artificiais chinesas estão tão próximas das americanas, por que quase ninguém parece utilizá-las?
Pense no seu cotidiano. Quando alguém precisa escrever um texto, recorre ao ChatGPT. Quando um programador busca ajuda para desenvolver um software, pode recorrer ao Claude. Quando uma empresa incorpora inteligência artificial às ferramentas de trabalho, provavelmente utiliza soluções da Microsoft, do Google ou de alguma outra companhia americana. Os nomes chineses aparecem nas manchetes, nos benchmarks e nas discussões sobre a corrida tecnológica, mas raramente ocupam o mesmo espaço na rotina dos consumidores ocidentais. A explicação é que estamos procurando as IAs chinesas no lugar errado.
Enquanto as americanas disputam a atenção do consumidor, uma parte importante da competição chinesa acontece nos bastidores. Não necessariamente nos aplicativos que você abre, mas nos sistemas que fazem esses aplicativos funcionarem. São tarefas menos impressionantes, como classificar documentos, organizar informações, traduzir relatórios, extrair dados de milhares de arquivos ou executar etapas repetitivas de um processo empresarial, ou seja, atividades que dificilmente virariam uma demonstração espetacular de inteligência artificial, mas que, quando multiplicadas por milhões de operações, representam uma parcela relevante do trabalho e dos custos de uma empresa.
Por isso, o motivo dessa presença silenciosa é bastante simples: as IAs chinesas podem ser muito mais baratas. Dependendo dos modelos, da infraestrutura e do tipo de tarefa, a diferença de custo em relação às alternativas americanas mais sofisticadas pode chegar a dezenas de pontos percentuais, alcançando economias de 60% a 90% em determinadas comparações. Isso acontece tanto pela eficiência de algumas arquiteturas quanto pela disponibilidade de modelos de pesos abertos, que permitem às empresas executar a tecnologia em infraestrutura própria ou contratar provedores mais econômicos. Deste modo, para um consumidor de dia a dia (como muitos de nós), essa diferença talvez seja pouco perceptível. Já para uma empresa que processa milhões ou bilhões de tokens por mês, ela pode determinar a viabilidade financeira de toda uma operação.
Nesse cenário, imagine, por exemplo, uma companhia que recebe diariamente milhares de solicitações de clientes. Parte dessas mensagens exige uma análise sofisticada, seja no momento de interpretar uma reclamação complexa ou de decidir qual procedimento deve ser adotado para determinada operação. Outra parte, porém, envolve simplesmente identificar o assunto, localizar informações, preencher campos e encaminhar a solicitação ao departamento correto. Seria necessário utilizar o modelo mais poderoso e caro do mercado para executar todas essas etapas? Provavelmente não. É como contratar um engenheiro altamente especializado para projetar uma fábrica e depois exigir que ele próprio organize cada caixa do estoque. Ele certamente conseguiria fazer isso, mas sua capacidade estaria sendo utilizada em uma tarefa que não exige toda a sua especialização.
É justamente dessa constatação que começa a surgir uma nova divisão de trabalho na inteligência artificial: a separação entre a IA que pensa e a IA que executa. De um lado, modelos de raciocínio avançado, utilizados para planejar, interpretar problemas complexos e tomar decisões que exigem maior sofisticação. Do outro, modelos mais econômicos, encarregados de realizar o grande volume de operações necessárias para transformar essas decisões em resultados concretos. Só uma adendo, é que vale ressaltar que essa classificação não se trata de uma distinção técnica absoluta, já que modelos chineses também raciocinam e modelos americanos também executam tarefas simples. Trata-se, sobretudo, de uma maneira economicamente eficiente de distribuir o trabalho.
Sob esse pretexto, começa a ganhar força uma divisão particularmente interessante, onde se vê que no organismo de IA que opera em muitas empresas, o cérebro pode ser americano, enquanto a mão de obra é chinesa. Uma empresa poderia utilizar um modelo avançado da OpenAI ou da Anthropic para interpretar um problema, construir uma estratégia e definir quais ações devem ser realizadas. Em seguida, encaminharia as etapas mais previsíveis e repetitivas para modelos chineses, como os da DeepSeek ou da Alibaba, capazes de executar essas tarefas por uma fração do custo. O consumidor continuaria interagindo com uma única plataforma, sem necessariamente perceber que diferentes inteligências artificiais participaram da operação.
Essa arquitetura também ajuda a explicar por que a inteligência artificial está deixando de ser apenas uma disputa sobre quem possui o melhor modelo. Durante os primeiros anos da corrida, a pergunta predominante era relativamente simples: qual sistema é mais inteligente? Agora, conforme as empresas começam a incorporar IA em processos reais, surge uma questão talvez mais importante, que é a de quanto custa utilizar essa inteligência em escala? Afinal, não basta que um modelo consiga realizar uma tarefa extraordinária, mas é preciso que milhares de tarefas ordinárias possam ser executadas todos os dias sem que a conta se torne insustentável.
Esse problema fica ainda mais evidente com o avanço do chamado tokenmaxxing, expressão utilizada para descrever o incentivo ou comportamento de consumir quantidades cada vez maiores de tokens. Em ambientes empresariais, especialmente quando funcionários e agentes de IA passam a executar tarefas extensas, o consumo pode crescer rapidamente. O caso da Uber, que trouxe essa discussão para o centro do debate, ilustra uma dificuldade que tende a se espalhar cada vez mais ao mercado: a inteligência artificial aumenta a produtividade, mas também pode criar uma nova fonte de desperdício. Quanto mais etapas automatizadas, mais chamadas aos modelos, mais processamento e, consequentemente, maior a fatura.
É aqui que a divisão entre raciocínio e execução ganha uma segunda função. Além de organizar o trabalho, ela permite organizar o orçamento. Uma empresa não precisa necessariamente limitar a quantidade de inteligência artificial utilizada por seus funcionários para controlar os gastos. Pode, em vez disso, determinar quais tarefas realmente justificam o uso de modelos premium e quais podem ser realizadas por alternativas mais econômicas. Em outras palavras, o objetivo deixa de ser simplesmente consumir menos tokens e passa a ser gastar menos por resultado produzido.
Isso exige uma mudança importante na forma como as empresas contratam tecnologia. Em vez de escolher um único fornecedor para resolver absolutamente tudo, elas podem construir uma espécie de central de distribuição de inteligência artificial. Diante disso, cada solicitação seria encaminhada ao modelo mais adequado, considerando complexidade, preço, velocidade, confiabilidade e segurança. Uma análise estratégica poderia seguir para um modelo americano de ponta, enquanto a classificação de documentos seria processada por um modelo chinês de menor custo. A escolha deixaria de ser uma questão de preferência por determinada marca e passaria a funcionar como uma decisão operacional.
Naturalmente, essa divisão também possui limites. Nem toda tarefa repetitiva é simples, nem todo modelo barato entrega a confiabilidade necessária. Além disso, empresas precisam considerar a proteção de dados, as exigências regulatórias e os riscos de depender de fornecedores estrangeiros. A possibilidade de hospedar determinados modelos chineses em infraestrutura própria ajuda a reduzir algumas dessas preocupações, embora não elimine automaticamente todos os riscos. Portanto, a lógica não é substituir indiscriminadamente os modelos americanos pelos chineses, mas descobrir onde cada tecnologia oferece a melhor combinação de capacidade, custo e segurança.
Todavia, há uma consequência ainda mais interessante nessa transformação. A corrida da inteligência artificial pode estar reproduzindo, no mundo digital, uma divisão internacional do trabalho que conhecemos há décadas na economia física. Por décadas, empresas americanas concentraram atividades de maior valor agregado, como desenvolvimento de produtos, marcas e projetos, enquanto uma parcela importante da produção industrial era realizada na China, aproveitando sua escala e seus custos competitivos. Agora, algo semelhante pode começar a acontecer com a própria inteligência: o planejamento e as decisões mais sofisticadas permanecem associados aos modelos premium americanos, enquanto uma parcela crescente do processamento operacional encontra alternativas economicamente atraentes nos modelos chineses.
A diferença é que, dessa vez, não estamos falando de fábricas, contêineres ou linhas de montagem. Estamos falando de tokens. A matéria-prima da nova divisão internacional do trabalho é o processamento de informações, e sua cadeia produtiva pode estar distribuída entre modelos desenvolvidos em países diferentes, operando simultaneamente dentro de um mesmo sistema.
Isso não significa que a China esteja condenada a executar enquanto os Estados Unidos pensam. Pelo contrário, os avanços dos modelos chineses indicam que essa fronteira pode se deslocar continuamente. Tampouco significa que as empresas americanas abandonarão o mercado de modelos econômicos. Mas revela que a competição está adquirindo uma dimensão que vai além da capacidade tecnológica, onde não basta desenvolver a inteligência mais poderosa; é preciso oferecer a inteligência economicamente adequada para cada trabalho.
Entre no canal Entrelinhas no WhatsApp e siga nosso Instagram: informação rápida, em tempo real, que tangibilizam as transformações.
Talvez seja por isso que as IAs chinesas pareçam tão ausentes do nosso cotidiano. Estamos acostumados a medir a importância de uma tecnologia pela quantidade de pessoas que conhecem sua marca ou utilizam diretamente seus aplicativos. Mas, na economia digital, algumas das tecnologias mais importantes são justamente aquelas que ninguém vê (veja a Oracle, por exemplo, que roda o sistema operacional de milhões de negócios sem que a maioria da população sequer conheça a empresa). Elas não precisam conquistar a tela do consumidor para conquistar uma parcela relevante do mercado.
No fim, a pergunta talvez não seja mais onde estão as inteligências artificiais chinesas, mas quantas tarefas elas já conseguem realizar sem que percebamos. Porque, enquanto os Estados Unidos disputam quem constrói o cérebro mais poderoso, a China pode estar encontrando seu espaço ao oferecer a mão de obra mais econômica da nova economia digital. E, para as empresas que precisam transformar inteligência em resultados, essa diferença pode ser tão importante quanto a própria inteligência.
