Empresas investiram bilhões em inteligência artificial generativa nos últimos dois anos, mas a grande maioria dos pilotos corporativos não gera retorno mensurável. Em 15 de julho de 2026, a joint venture entre Anthropic, Blackstone e Hellman & Friedman apresentou a Ode with Anthropic, uma empresa de serviços de implementação de IA avaliada em aproximadamente US$ 1,5 bilhão. O lançamento chegou semanas depois de a OpenAI criar sua própria unidade de deployment corporativo. Os dois maiores laboratórios de IA do mundo estão apostando que o próximo trilhão de dólares não está em modelos melhores, e sim em fazer a tecnologia funcionar dentro de empresas reais.
Aposta de 1,5 Bilhão em Execução
A Ode with Anthropic foi anunciada como uma empresa de serviços de IA corporativa com cerca de US$ 1,5 bilhão em capital, apoiada por Blackstone, Hellman & Friedman, Goldman Sachs e outros investidores. A ideia partiu da própria Blackstone: depois de contratar grandes consultorias e pequenas boutiques de IA para implantar a tecnologia em suas empresas de portfólio, uma boutique chamada Fractional AI se destacou e foi adquirida como fundação da nova empresa. A Ode emprega aproximadamente 100 engenheiros descritos como generalistas de elite, mais da metade ex-fundadores, e opera sob o princípio Claude-first, usando a tecnologia da Anthropic sempre que possível, mas sem exclusividade contratual.
O CEO da Ode, Chris Taylor, concedeu entrevista exclusiva ao TechCrunch e foi explícito sobre a ambição: é perfeitamente imaginável que a empresa se torne uma organização de um trilhão de dólares algum dia, desde que executem bem. A declaração sintetiza a tese central do lançamento — o gargalo deixou de ser a qualidade do modelo e passou a ser a capacidade de integrá-lo em processos reais de negócio, uma tarefa que a maioria das empresas ainda não domina. Essa dificuldade tem impactos diretos no setor de serviços e na indústria, onde a promessa de automação esbarra na realidade da integração de sistemas legados.
Dias antes, a OpenAI já havia anunciado sua Deployment Company, unidade dedicada a enviar engenheiros de IA para clientes corporativos. Quando os dois principais fabricantes de modelos do planeta decidem simultaneamente que o dinheiro está em ajudar empresas a usar a tecnologia, isso constitui um sinal forte sobre onde o valor deste ciclo de IA está se acumulando. Consultorias como Deloitte e Accenture também criaram suas próprias equipes de engenheiros forward-deployed, confirmando a mesma leitura de mercado.
Modelos Deixaram de Ser Diferencial
Por dois anos, a narrativa dominante foi uma corrida de modelos: janelas de contexto maiores, benchmarks mais altos, preços mais baixos a cada trimestre. Essa corrida está se comprimindo de forma visível. Modelos de diferentes laboratórios estão convergindo em capacidade, tornando-se cada vez mais intercambiáveis por trás de uma API, e o preço cai em direção ao custo de inferência. Quando o produto central se torna commodity, o lucro migra para aquilo que ainda é escasso: a capacidade de fazer um modelo funcionar dentro de uma empresa de verdade.
Eddie Siegel, diretor de tecnologia da Ode, comparou a escolha de modelo à escolha de linguagem de programação. Para ele, a seleção de modelo importa, mas não é onde a maior parte do esforço é gasta, pois é apenas um ingrediente em um sistema que precisa ser cuidadosamente engenharizado. A metáfora captura o ponto central: definir uma transformação corporativa apenas pela escolha entre Claude, GPT ou Gemini é como definir um software apenas pela linguagem de programação que utiliza. A decisão técnica importante não é qual modelo contratar, mas como construir o sistema ao redor dele.
A análise mais céptica veio de Jim Covello, então chefe de pesquisa de ações globais do Goldman Sachs. Em relatório publicado em junho de 2024, Covello afirmou que a tecnologia de IA é excepcionalmente cara e, para justificar esses custos, precisa ser capaz de resolver problemas complexos, algo para o qual não foi projetada. O economista Daron Acemoglu, do MIT e prêmio Nobel de Economia, foi ainda mais cético no mesmo documento: estimou que a IA automatizará menos de 5% das tarefas na próxima década e contribuirá com apenas 0,9% para o crescimento do PIB americano, número muito abaixo das previsões transformadoras dos otimistas do Vale do Silício.
Por Que Pilotos de IA Falham
O relatório The GenAI Divide, publicado em julho de 2025 pelo projeto NANDA do MIT, analisou mais de 300 iniciativas públicas de IA, entrevistou representantes de 52 organizações e coletou respostas de 153 líderes seniores em quatro conferências setoriais. A descoberta central foi contundente: apesar de entre 30 e 40 bilhões de dólares em investimento corporativo em IA generativa, 95% das organizações não obtêm retorno mensurável. Apenas 5% dos pilotos integrados de IA estão extraindo milhões em valor, enquanto a grande maioria permanece estagnada sem impacto identificável no resultado financeiro. A pesquisa concluiu que essa divisão não é impulsionada pela qualidade do modelo ou por regulação, mas pela abordagem de implementação adotada por cada organização.
Os dados corporativos são igualmente severos. Uma análise compilada pela Pertama Partners, reunindo dados da RAND Corporation, MIT Sloan, McKinsey e Deloitte sobre mais de 2.400 iniciativas, revelou que 80,3% dos projetos de IA não entregam o valor de negócio pretendido. Desse total, 33,8% são abandonados antes da produção e 28,4% são concluídos sem entregar valor algum. O custo médio de um projeto abandonado chega a US$ 7,2 milhões segundo dados da Deloitte. Em março de 2026, o Goldman Sachs publicou conclusão semelhante: não existe relação significativa entre IA e produtividade no nível da economia como um todo, embora tenha identificado ganhos de 30% em dois casos de uso específicos.
Abismo Entre Gasto e Retorno
David Cahn, parceiro da Sequoia Capital, calculou o que chamou de AI’s 600 Billion Question. Dobrando as projeções de receita da Nvidia para contabilizar custos totais de data centers — chips, eletricidade, edifícios e resfriamento — e dobrando novamente para refletir as margens exigidas pelos usuários finais, ele estimou que o setor precisaria gerar US$ 600 bilhões em receita anual. Mesmo no cenário mais otimista, em que cada gigante de tecnologia gere US$ 10 bilhões por ano com IA, ainda restaria uma lacuna de US$ 500 bilhões entre despesas e receitas. O investidor Emad Mostaque, ex-CEO da Stability AI, chamou o fenômeno de bubble dot AI.
O Goldman Sachs já havia alertado que gigantes de tecnologia estão preparadas para gastar mais de 1 trilhão de dólares em capex de IA nos próximos anos. Segundo reportagem da revista The Atlantic, o valor de mercado das empresas vinculadas à IA subiu 27 trilhões de dólares nos últimos três anos, montante equivalente a 36% do valor de toda a bolsa de valores americana. Como observaram analistas do Goldman Sachs, as expectativas de lucro embutidas nesses valores exigem otimismo panglossiano para se sustentar. O investidor Jeremy Grantham, conhecido por antecipar as crises financeiras de 2000 e 2008, classificou a IA como uma bolha que pode desinflar a qualquer momento.
Quem Vai Vencer Essa Corrida
A barreira central para escalar IA não é infraestrutura, regulação ou talento, mas sim aprendizado. A maioria dos sistemas de IA generativa não retém feedback, não se adapta ao contexto e não melhora com o tempo. O relatório do MIT identificou que parcerias externas têm o dobro da taxa de sucesso comparadas a projetos construídos internamente, evidenciando que a expertise de implementação é o fator decisivo para cruzar o abismo entre piloto e produção. A análise da Pertama Partners sobre os motivos de fracasso mostrou que 84% dos projetos que falham envolvem problemas de liderança: ausência de alinhamento executivo sobre o significado de sucesso, falta de governança de dados e tratamento da IA como mero projeto de TI em vez de transformação de negócio. Projetos com envolvimento sustentado do CEO atingem 68% de sucesso, contra apenas 11% quando perdem o patrocínio executivo. Essa dimensão humana é central para debater a ética na inteligência artificial e seus impactos no mercado de trabalho.
Chris Taylor resumiu a oportunidade em termos diretos: empresas que não são de IA vão estar entre as grandes vencedoras deste momento se adotarem a tecnologia da maneira correta. A condição, porém, é exigente. Para reescrever processos centrais de negócio com inteligência artificial é preciso talento aplicado de alto calibre, algo que a maioria das organizações simplesmente não possui. É exatamente esse vácuo que a Ode, a Deployment Company da OpenAI e as grandes consultorias estão correndo para preencher com equipes de engenheiros embedded que se sentam ao lado do negócio.
| Abordagem que fracassa | Abordagem que funciona |
|---|---|
| Escolher modelo pelo melhor benchmark | Absolver o modelo numa interface intercambiável |
| Tratar IA como projeto de TI isolado | Patrocinar como transformação com o CEO ativo |
| Confiar em benchmarks do fornecedor | Avaliar nas próprias tarefas representativas |
| Deixar governança de dados para depois | Documentar fluxo de dados antes do piloto |
| Construir tudo internamente do zero | Usar parceiros que deixem capacidade interna |
O caminho para empresas e profissionais que querem aproveitar a IA de forma concreta é mensurável e disciplinado. Em primeiro lugar, abstraia cada chamada de modelo numa interface única, de modo que trocar de fornecedor seja apenas uma mudança de configuração. Em segundo lugar, construa um conjunto de avaliação com suas próprias tarefas representativas em vez de confiar em benchmarks genéricos de fabricantes. Em terceiro lugar, exija transferência de conhecimento ao comprar implementação externa, garantindo que padrões, harnesses de avaliação e documentação fiquem com a equipe interna. Por fim, prove o ciclo num fluxo de trabalho delimitado e de alto valor antes de se expandir para sistemas críticos. A tecnologia é sólida, mas sem execução disciplinada o investimento se converte em mais um piloto que jamais chega à produção.
Fontes
- TechCrunch — Anthropic, Blackstone bet the next trillion-dollar AI business is implementation, not just models (15/07/2026)
- MIT Project NANDA — The GenAI Divide: State of AI in Business 2025 (07/2025)
- Goldman Sachs — Gen AI: Too Much Spend, Too Little Benefit? (25/06/2024)
- The Atlantic — The AI Bubble Is No Ordinary Bubble (07/2026)
- Fortune — Goldman finds no meaningful relationship between AI and productivity (03/03/2026)
- CTech/Calcalist — The question that will determine the future of AI