Vantagem competitiva de IAs é curta e valor durável vem de sistemas especializados

A analogia com a nuvem que não se sustentou

Em 2023, Benn Stancil previu que a IA seguiria trajetória idêntica à da computação em nuvem: poucos provedores dominantes (OpenAI, Anthropic) construiriam modelos fundacionais caros, e todos os demais consumiriam via API - assim como AWS e Azure dominaram infraestrutura física. A vantagem seria autorreforçada: ecossistema, modelos melhores e preços menores.

Essa previsão se revelou ingênua. O lançamento do Kimi K3 pela chinesa Moonshot AI - modelo open-source que rivaliza com os melhores modelos americanos em tarefas-chave - reacendeu o debate. A diferença estrutural é que um provedor de nuvem é infraestrutura física (servidores, data centers, cabeamento) que leva anos para ser replicada; um modelo de IA é um arquivo que pode ser publicado na internet da noite para o dia. A vantagem competitiva de um modelo frontier é sempre "um tweet de distância de desaparecer".

Stancil propõe uma analogia melhor: modelos frontier são como filmes de grande orçamento - custam uma fortuna, faturam muito por um mês e depois são relegados à prateleira de lançamentos anteriores. Labs de IA não são provedores de nuvem plantando infraestrutura duradoura; são estúdios de cinema caros, perpetuamente à espera do próximo sucesso.

As respostas possíveis

Apps como diferencial: Se as pessoas preferem Claude Code a Codex, talvez a lealdade ao app sustente o negócio. Mas apps (ou "wrappers") são baratos de construir, já existem alternativas open-source populares, e isso cria uma dependência frágil: o retorno de centenas de bilhões em pesquisa depende do sucesso de um projeto de hack day.

Apps entrelaçados com modelos: OpenAI otimiza modelos especificamente para Codex; Anthropic oferece desconto em tokens para quem usa Claude Code. Quando a Anthropic tentou remover seu melhor modelo (Fable) dos planos flat-rate do Claude Code, a reação foi tão negativa que a empresa voltou atrás. Isso revela fragilidade: se uma mudança de preço pode balançar o mercado, quanto dele é movido por momentum e reputação?

Complexidade enterprise como defesa: A resposta mais provável é tornar a troca difícil - não pela qualidade do produto, mas pela complexidade. Preços opacos, implementações demoradas, certificações obrigatórias. É o que toda empresa de software faz ao "pivotar para o enterprise": SAP, ServiceNow e Alteryx faturam bilhões não por features superiores, mas porque o labirinto de complexidade é a defesa.

Uma alternativa mais interessante: modelos especializados

Stancil sugere que o valor durável pode vir de modelos altamente especializados. Se um modelo já tem "inteligência" de base suficiente (Fable, GPT-5.6, Kimi), treiná-lo para ser excelente em uma tarefa específica - desenvolvimento de drogas, por exemplo - pode superar tentar treinar o próximo modelo generalista para ser bom em tudo.

Isso se alinha com a visão de Satya Nadella: cada empresa deveria construir sistemas agênticos que melhoram com o tempo, usando dados e workflows próprios, criando um "capital de tokens" que compõe e é difícil de replicar. A Thinking Machines, lab fundada pela ex-CTO da OpenAI Mira Murati, segue essa linha. A ideia final: em vez de vender apenas o modelo, vender a expertise para customizá-lo - transformando labs em algo mais parecido com agências de placement de agentes especializados.