Frear ou mudar de rota? A proposta de trocar a corrida dos modelos gigantes por uma IA especializada

Em pouco mais de uma semana, a conversa pública sobre inteligência artificial mudou de eixo. No dia 12 de setembro, o presidente executivo da Anthropic, Dario Amodei, publicou um ensaio defendendo que a indústria reduza, por acordo, o ritmo com que melhora seus modelos mais capazes. Em poucas horas, Sam Altman, da OpenAI, e Elon Musk manifestaram apoio.¹ Desde então, a discussão gira em torno de quanto e como desacelerar. Em artigo publicado nesta terça-feira (22) no El País, o pesquisador espanhol Ramón López de Mántaras desloca a pergunta: antes de discutir a velocidade, seria preciso discutir para onde a IA deveria ir.²

A proposta não é abandonar o progresso técnico, mas redirecioná-lo. Em vez de apostar em modelos cada vez maiores que tentam fazer de tudo, o autor defende sistemas especializados, heterogêneos e desenhados para problemas concretos. A ideia, que à primeira vista parece acadêmica, tem implicações diretas sobre energia, concentração de mercado e sobre as escolhas que países como o Brasil estão fazendo agora.

O pedido de freio que veio de dentro

O movimento por desaceleração não nasceu entre reguladores ou críticos externos. Em julho, mais de 1.200 funcionários de empresas de IA assinaram uma petição pedindo ao governo americano ajuda para regular o ritmo do desenvolvimento automatizado de IA.³ O ensaio de Amodei veio semanas depois, sustentando que as capacidades dos modelos estão avançando mais rápido do que as salvaguardas e os marcos de governança conseguem acompanhar.⁴

O plano apresentado pelo executivo tem três etapas: testes de segurança mais rigorosos com avaliação independente, coordenação entre as principais empresas e maior cooperação internacional. A Anthropic, porém, comprometeu-se apenas com a primeira. Altman disse que a OpenAI acompanharia o compromisso com avaliadores independentes, enquanto o presidente Donald Trump classificou os alertas como exagerados.¹ O CEO do Google DeepMind, Demis Hassabis, também declarou apoio público, num contexto em que o International AI Safety Report de 2026 lista riscos como uso indevido em biologia e química, capacidades cibernéticas ofensivas e comportamento cada vez mais autônomo dos sistemas.⁵

A natureza voluntária da proposta é seu ponto frágil. Coordenação entre concorrentes diretos raramente se sustenta sob pressão competitiva, e é justamente nessa brecha que López de Mántaras insere sua crítica.

A tese: direção, não velocidade

López de Mántaras, professor de pesquisa do Instituto de Investigação em Inteligência Artificial do Conselho Superior de Investigações Científicas da Espanha (IIIA-CSIC), parte de uma descrição técnica dos grandes modelos de linguagem. Segundo ele, trata-se de sistemas autorregressivos, que produzem sequências de palavras por procedimentos essencialmente probabilísticos. O sucesso extraordinário desses modelos com a linguagem teria alimentado a crença de que bastaria aumentar tamanho, dados e capacidade de cálculo para que capacidades cada vez mais gerais surgissem.²

O autor contesta essa lógica. Para ele, produzir texto plausível e agir de forma confiável num mundo incerto são problemas distintos. Um sistema que opera no mundo real precisa lidar com situações novas, prever as consequências do que faz e se adaptar a ambientes que mudam. A escala tornou os modelos muito competentes em reconhecer e reproduzir padrões, mas isso, no argumento do pesquisador, não equivale a ganho de capacidade cognitiva.²

A alternativa proposta é uma combinação coordenada de ferramentas: modelos estatísticos, sistemas de decisão, aprendizado por reforço, modelos gráficos probabilísticos, mecanismos de planejamento, métodos simbólicos e redes neurais, cada um usado onde for mais adequado. Com isso, o autor procura desmontar o que chama de falsa dicotomia entre acelerar e frear. Seria possível continuar desenvolvendo IA, só que com arquiteturas ajustadas à natureza de cada problema.²

O que os dados dizem sobre escala

Os números mais recentes não confirmam nem refutam a tese de modo simples, mas oferecem pistas relevantes. O AI Index 2026, da Universidade Stanford, registra que o número de parâmetros declarado pelos modelos de fronteira está estacionado perto de um trilhão há três anos, embora o poder de computação usado no treinamento, estimado de forma independente, continue subindo. O mesmo relatório destaca que o OLMo 3.1 Think 32B, com cerca de 90 vezes menos parâmetros que o Grok 4, alcança resultados comparáveis em vários testes apenas com poda, eliminação de dados duplicados e curadoria.⁶

Há outro sinal. Em março de 2026, Anthropic, xAI, Google, OpenAI, Alibaba e DeepSeek estavam agrupadas no topo do ranking Arena, com diferenças pequenas entre si, o que, segundo Stanford, desloca a pressão competitiva para custo, confiabilidade e desempenho em domínios específicos.⁷ Em outras palavras, quando os modelos gerais se equiparam, a vantagem passa a estar no ajuste fino para problemas concretos, exatamente o terreno que López de Mántaras aponta como promissor.

Modelos pequenos dentro de sistemas compostos

A ideia de sistemas heterogêneos já tem defensores dentro da própria indústria. Em artigo de posição publicado em 2025, pesquisadores da NVIDIA e do Georgia Institute of Technology sustentaram que modelos de linguagem pequenos são suficientemente capazes, mais adequados e necessariamente mais econômicos para boa parte das tarefas executadas por agentes de IA, que em geral repetem um conjunto limitado de operações especializadas. Quando a conversação ampla é indispensável, os autores defendem sistemas que acionem modelos diferentes conforme a complexidade de cada etapa.⁸

No mercado corporativo, a distância entre a fronteira e o uso real já é visível. Especialistas ouvidos pelo site PYMNTS observam que desacelerar a fronteira não significa desacelerar a adoção, porque a maior parte dos clientes empresariais sequer usa os modelos mais avançados disponíveis.⁹

A conta de energia e de carbono

O argumento de sustentabilidade é o mais fácil de quantificar. Na atualização mais recente de suas projeções, a Agência Internacional de Energia (IEA) estima que o consumo de eletricidade dos data centers praticamente dobre, de 485 TWh em 2025 para 950 TWh em 2030, chegando a cerca de 3% da demanda global. O consumo dos data centers dedicados à IA cresce ainda mais rápido e deve triplicar no período.¹⁰

O treinamento isolado de um único modelo também pesa. O AI Index estima que o treino do Grok 4, da xAI, tenha gerado mais de 72 mil toneladas de CO₂ equivalente, contra 5.184 toneladas estimadas para o GPT-4. O próprio codiretor do relatório, Ray Perrault, pede cautela com o número, que se apoia em dados inferidos de fontes públicas, e lembra que o instituto Epoch AI chega a uma estimativa próxima de 140 mil toneladas.¹¹ A incerteza dos cálculos já é, por si, um sintoma: quanto maior o modelo, menos transparência sobre seu custo físico.

Concentração: quem pode treinar a fronteira

O ponto politicamente mais forte do artigo de López de Mántaras é o econômico. Treinar modelos cada vez maiores exige capital, computação, dados e infraestrutura em volumes que, na prática, só algumas grandes empresas possuem. Se o progresso deixar de depender do tamanho, argumenta o autor, também diminui o incentivo para vencer concorrentes com sistemas cada vez mais caros.²

Os indicadores de concentração são eloquentes. Em 2025, mais de 90% dos modelos de IA considerados notáveis vieram da indústria, e não da academia. A NVIDIA responde por mais de 60% da capacidade total de computação para IA, com Google e Amazon fornecendo boa parte do restante.⁶ Segundo levantamento citado pelo site Breakthrough News, as cinco maiores empresas de tecnologia dos Estados Unidos têm orçamento de quase US$ 690 bilhões neste ano para data centers e chips, com 32% desse gasto financiado por dívida, ante 9% dois anos antes.¹²

O ângulo brasileiro

Para um país que não disputa a fronteira dos modelos gigantes, a tese da especialização tem apelo evidente. O Plano Brasileiro de Inteligência Artificial (PBIA) prevê R$ 23 bilhões entre 2024 e 2028 e inclui, entre seus objetivos, desenvolver modelos de linguagem em português com dados nacionais e dotar o país de um dos cinco supercomputadores mais potentes do mundo, alimentado por energia renovável.¹³ Análise do Instituto de Economia da Unicamp aponta que o plano acumula objetivos demais para uma única política pública e compara o valor previsto ao dispêndio federal executado em toda a área de ciência e tecnologia em 2022, de R$ 26 bilhões.¹⁴

Em agosto, o governo detalhou uma das rotas de infraestrutura: uma estrutura de supercomputação no Rio de Janeiro, executada pela Rede Nacional de Ensino e Pesquisa (RNP) em parceria com Huawei e iFlytek, com previsão de um modelo de linguagem de grande escala nacional.¹⁵ A escolha de um LLM próprio convive com a pergunta que López de Mántaras coloca: se o objetivo é resolver problemas brasileiros concretos, o caminho mais eficiente passa por um modelo geral grande ou por um conjunto de sistemas especializados?

O setor privado oferece um caso ilustrativo. A Maritaca AI, startup fundada por pesquisadores da Unicamp, lançou em junho o Sabiá-4 Thinking, voltado ao português e ao contexto brasileiro. Nos testes divulgados pela empresa, o modelo ficou ligeiramente abaixo dos concorrentes internacionais na média geral (90,8%, contra algo entre 92,4% e 92,8%), mas os superou em redação jurídica, com 77,7% de acurácia, acima do Gemini 3.1 Pro (75,9%), do Opus 4.8 (74,8%) e do GPT-5.4 (72,8%).¹⁶ O custo para rodar o conjunto completo de testes foi de cerca de R$ 206, ante R$ 449 do GPT-5.4, R$ 281 do Gemini 3.1 Pro e R$ 590 do Opus 4.8, segundo a própria empresa.¹⁶ São números autodeclarados, mas o padrão é coerente com a tese: especialização de domínio compensando escala, com vantagem de custo.

No campo regulatório, o marco legal da IA (PL 2338/2023) foi aprovado pelo Senado em dezembro de 2024 e enviado à Câmara em março de 2025, onde aguarda parecer do relator na comissão especial. A votação, prevista para o fim de 2025, foi adiada para 2026, e o calendário eleitoral pesa sobre o prazo.¹⁷ O projeto adota um modelo baseado em níveis de risco, lógica que se aplica com mais clareza a sistemas de finalidade definida do que a modelos que se propõem a fazer tudo, um ponto que o debate sobre especialização tende a reforçar.

O que acompanhar nos próximos meses

Três movimentos vão indicar se a proposta de López de Mántaras ganha tração além do campo das ideias. O primeiro é se o compromisso voluntário de desaceleração sobrevive à competição entre laboratórios e à pressão de investidores. O segundo é se a concorrência, com os modelos gerais cada vez mais parecidos entre si, se desloca de fato para custo, confiabilidade e desempenho setorial. O terceiro, no caso brasileiro, é como o PBIA e o marco legal vão tratar a escolha entre um modelo nacional de grande porte e o fomento a soluções especializadas para saúde, justiça, agricultura e serviços públicos.

A contribuição mais útil do artigo publicado pelo El País talvez seja lembrar que a política tecnológica não se resume a um pedal de acelerador. A pergunta sobre qual IA queremos construir, e para resolver quais problemas, é anterior à pergunta sobre a velocidade.

Perguntas frequentes

Ewerton Lopes — Curador Editorial · O Tecido