AT&T aposta em IA de código aberto para cortar custos e proteger dados, e o Brasil observa de perto

A AT&T processa, em média, 45 bilhões de tokens de inteligência artificial todos os dias. É um volume que, segundo a própria operadora, poderia se tornar impagável se dependesse exclusivamente de modelos proprietários de ponta. Por isso, o diretor de Dados e IA da empresa, Andy Markus, decidiu inverter a lógica predominante no setor nos últimos anos: em vez de concentrar operações em fornecedores fechados como OpenAI, Google ou Anthropic, a companhia está migrando cada vez mais tarefas para modelos abertos, incluindo opções desenvolvidas na China.

Hoje, modelos abertos já respondem por cerca de 25% de todo o uso de IA da AT&T, incluindo funções sensíveis como o gerenciamento da própria rede de telecomunicações. A meta declarada por Markus é ambiciosa: elevar essa fatia para algo entre 70% e 80% do uso total nos próximos anos. A informação foi divulgada originalmente pelo jornal americano The Wall Street Journal, em reportagem assinada por Belle Lin^[1].

O que muda quando uma operadora troca de modelo

A distinção técnica importa para entender a aposta. Modelos proprietários, como os oferecidos por grandes laboratórios de IA, não podem ser baixados nem alterados livremente pelo usuário. Já os modelos de peso aberto (open weight) disponibilizam os parâmetros numéricos que definem o comportamento da IA, permitindo que empresas rodem o sistema em sua própria infraestrutura. Os modelos verdadeiramente de código aberto vão além, liberando também dados de treinamento e código-fonte completo^[1].

Para viabilizar essa transição sem perder eficiência, a AT&T construiu o que chama internamente de "roteador inteligente", um sistema que decide automaticamente qual modelo é mais adequado, e mais barato, para cada tarefa específica. A empresa relata economias de 80% a 90% em determinadas aplicações depois da migração de modelos fechados para abertos^[1]. Um exemplo citado é o OTel, modelo aberto customizado com dados do setor de telecomunicações, que hoje sustenta agentes de IA capazes de identificar a causa raiz de falhas na rede^[1].

A economia por trás dos tokens

O movimento da AT&T não é isolado. Segundo o Gartner, os gastos globais das empresas com plataformas e modelos de IA devem somar 64 bilhões de dólares em 2026, alta de 63% sobre o ano anterior, mas o critério de escolha dos compradores está mudando: cada vez menos pesa apenas a capacidade técnica do modelo, e cada vez mais entram na conta latência, confiabilidade, governança e previsibilidade de custo^[2]. Analistas da consultoria também apontam que, nos próximos dois anos, modelos abertos devem sustentar mais da metade dos casos de uso corporativo de IA no mundo, ante menos de 10% hoje, segundo dados citados pelo WSJ^[1].

Esse cenário de contenção orçamentária ajuda a explicar por que o mercado de modelos abertos deixou de ser dominado pelos laboratórios americanos. Em maio de 2026, modelos de peso aberto desenvolvidos por empresas chinesas, como DeepSeek, Alibaba (Qwen), Moonshot AI (Kimi), Zhipu (GLM) e MiniMax, já respondiam por cerca de 61% de todos os tokens consumidos na plataforma OpenRouter, com quatro dos cinco modelos mais usados vindos de laboratórios chineses. O Llama, da Meta, que antes liderava o segmento aberto, saiu do ranking dos mais utilizados^[3].

É nesse contexto que a Meta lançou, em 10 de agosto de 2026, o Muse Glimmer, modelo de 30 bilhões de parâmetros sob licença Apache 2.0, capaz de rodar em um único computador com placa de vídeo de consumidor. O lançamento veio acompanhado de um manifesto do executivo-chefe da Meta pedindo que Washington reduza barreiras regulatórias à IA aberta americana, para que ela consiga competir com a produção chinesa^[4].

Dados, soberania e o papel dos modelos chineses

A decisão da AT&T de incluir modelos chineses em seu portfólio ocorre em meio a um debate mais amplo sobre segurança nacional. Críticos argumentam que modelos abertos originados na China trazem riscos para infraestruturas críticas. Para Markus, no entanto, o uso de modelos abertos, independentemente da origem, é o que garante à operadora controle sobre a entrada e a saída de dados, algo que ele descreve como inegociável do ponto de vista de proteção de propriedade intelectual^[1].

O analista Chirag Dekate, do Gartner, observa que empresas em geral relutam em depender de um único fornecedor de IA e sentem necessidade crescente de proteger sua propriedade intelectual dos próprios laboratórios que desenvolvem os modelos, mesmo quando esses laboratórios afirmam não usar dados de clientes corporativos para treinamento^[1].

O que isso significa para empresas no Brasil

O debate chega ao Brasil em um momento de aceleração na adoção corporativa de IA, ainda que a taxas mais modestas do que as americanas. Segundo a 16ª edição da pesquisa TIC Empresas, do Cetic.br | NIC.br, a proporção de empresas brasileiras que declaram usar algum tipo de IA passou de 13%, em 2024, para 17%, em 2025. Entre as grandes companhias, com mais de 250 funcionários, o salto foi de 38% para 50% no mesmo período^[6]. A média brasileira, no entanto, ainda fica abaixo dos 20% registrados na União Europeia^[7].

Paralelamente, cresce no país a discussão sobre soberania digital. A Brasscom projeta 2 trilhões de reais em investimentos em nuvem, IA, big data e segurança da informação entre 2026 e 2029, ao mesmo tempo em que aponta um déficit comercial de 193 bilhões de reais entre importação e exportação de tecnologia da informação^[8]. Iniciativas como a plataforma pública SoberanIA, que reúne Serpro, AWS, Claro e Oracle em torno de um modelo de linguagem nacional para dados do setor público, mostram que o dilema entre custo, controle e dependência de fornecedores estrangeiros, o mesmo que orienta as escolhas da AT&T, também está no radar de gestores públicos e privados brasileiros^[9].

Para o mercado corporativo brasileiro, a lição da AT&T aponta para um caminho possível: tratar a escolha entre modelo aberto e fechado não como questão ideológica, mas como decisão de engenharia de custos e de governança de dados, avaliada tarefa por tarefa.

Perguntas frequentes