O crescimento da IA está desacelerando

O crescimento do mercado de IA não está desacelerando — ele acelera: projeções indicam que o mercado global deve atingir US$ 2.480,05 bilhões até 2034 (CAGR de 26,60%), com investimentos em IA generativa já em US$ 25,2 bilhões em 2023 e US$ 12,2 bilhões apenas no Q1 de 2024. A adoção corporativa também dispara: 72% das empresas globais já usam IA em 2024, contra 55% em 2023, e no Brasil, 57% da população já interagiu com ferramentas de IA — índice superior ao dos EUA. O que está realmente desacelerando é o ritmo de avanços fundamentais em grandes modelos de linguagem (LLMs), como GPT-5.6, GPT-6, Claude Opus 4 e Gemini 3: especialistas como Gary Marcus apontam estagnação em ganhos de capacidade apesar de aumentos exponenciais em custo computacional, e a Anthropic propôs em junho de 2026 uma pausa global no treinamento de modelos mais potentes por riscos de controle e autoaperfeiçoamento recursivo.

Essa dicotomia explica a 'crise financeira' citada na notícia: os laboratórios precisam gerar trilhões em receita até 2030 para sustentar gastos de infraestrutura que já chegam a US$ 222 bilhões em 2024 (Alphabet, Amazon, Meta, Microsoft), mas enfrentam dificuldades em converter experimentação em ROI claro. Clientes corporativos reduzem uso não por rejeição à tecnologia, mas por custos imprevisíveis e falta de casos de uso maduros — especialmente com modelos como GPT-5.6 e Gemini 3, cuja complexidade operacional ainda supera sua utilidade prática em ambientes empresariais reais.

Essa desaceleração nos avanços de ponta impacta diretamente a confiança do mercado em modelos futuros como GPT-6 e Claude Opus 4: se a escalabilidade não gera ganhos proporcionais em robustez, segurança ou eficiência, investidores e empresas passam a priorizar otimização de modelos existentes (ex.: GPT-4 Turbo, Claude Sonnet 4) em vez de apostar em novas versões de alta potência. Para o Brasil, isso significa que a janela de oportunidade para adotar IA generativa com foco em governança, dados locais e casos práticos (como compliance fiscal ou atendimento em português) é agora — antes que a indústria se concentre exclusivamente em modelos hiperescaláveis, caros e menos adaptáveis ao contexto regulatório e operacional nacional.

Desenvolvedores brasileiros estão sentindo o impacto na prática: enquanto frameworks e APIs para GPT-4 Turbo e Claude Sonnet 4 estão maduras e bem documentadas, integrações com GPT-5.6, Gemini 3 ou Claude Opus 4 ainda carecem de suporte estável, SDKs oficiais e exemplos em português. Além disso, 42% das empresas relatam 'experiência inadequada em IA generativa' como barreira crítica — o que reforça a necessidade de capacitação em fine-tuning, RAG e avaliação de modelos, não só em prompt engineering. A desaceleração nos saltos de arquitetura também favorece soluções leves e especializadas: modelos open-weight como Phi-3 e Llama 3.2, treinados localmente com dados fiscais e jurídicos brasileiros, ganham competitividade frente a GPT-6 ou Gemini 3, cujo custo de inferência pode ser 5–8x maior sem ganho proporcional em acurácia para tarefas específicas de back-office.