A IA que veio da China para disputar o topo

Em meados de junho de 2026, desenvolvedores de software ao redor do mundo começaram a redirecionar suas chamadas de API para um endereço pouco conhecido: z.ai. O modelo que eles testavam — o GLM-5.2 — saía da China com uma promessa concreta: desempenho próximo ao dos melhores sistemas americanos, licença aberta para qualquer uso e um custo entre cinco e sete vezes menor do que as alternativas proprietárias dos principais laboratórios ocidentais.¹ Em poucas semanas, o modelo escalou para a terceira posição entre os mais usados em tarefas de agentes de IA no mundo, segundo a plataforma de rastreamento ArenaAI.

Por trás do Z.ai está a Zhipu AI, empresa fundada em 2019 a partir do laboratório Knowledge Engineering Group (KEG) da Universidade Tsinghua, em Pequim — o mesmo ambiente acadêmico que gerou outras startups líderes do ecossistema chinês, como Moonshot AI e Baichuan. Seus fundadores, Tang Jie e Li Juanzi, são professores do Departamento de Ciência da Computação da Tsinghua e começaram a empresa focados em grafos de conhecimento antes de pivotar, em 2020, para modelos de linguagem de larga escala. A empresa se rebatizou como Z.ai para o mercado internacional em 2025.²

O GLM-5.2 é o produto mais maduro desta trajetória: um modelo de arquitetura Mixture-of-Experts com 744 bilhões de parâmetros no total e cerca de 40 bilhões ativos por token processado. Ele suporta uma janela de contexto de 1 milhão de tokens — suficiente para analisar repositórios inteiros de código ou documentos corporativos extensos — e foi disponibilizado sob licença MIT, o que significa que qualquer desenvolvedor pode baixar os pesos, modificar e implantar o modelo sem restrições regionais ou comerciais.³

O que os benchmarks dizem — e o que omitem

Quando a Z.ai publicou o scorecard completo do GLM-5.2 em 16 de junho de 2026, três dias após o lançamento, os números chamaram atenção. No SWE-bench Pro — benchmark de engenharia de software de longo horizonte —, o modelo marcou 62,1, superando o GPT-5.5 da OpenAI (58,6) e se aproximando perigosamente do Claude Opus 4.8 da Anthropic (que não está disponível publicamente, mas registrava 75,1 em testes similares do FrontierSWE). No índice de inteligência da Artificial Analysis (v4.1), o GLM-5.2 alcançou pontuação 51, tornando-se o modelo de pesos abertos com melhor desempenho já avaliado pela plataforma.⁴

Em matemática olímpica — AIME 2026 e IMOAnswerBench —, o modelo supera os rivais ocidentais. Em codificação terminal e uso de ferramentas (MCP-Atlas), fica a poucos décimos do Claude Opus 4.8. Onde a diferença permanece mais significativa é em tarefas de engenharia de software de duração muito longa, que demandam raciocínio encadeado por muitas horas, como o NL2Repo e o SWE-Marathon: nesses benchmarks, a Anthropic mantém vantagem considerável.⁵

Uma ressalva importante: a Z.ai lançou o modelo sem publicar benchmarks próprios, o que é incomum para um lançamento de fronteira. Os números disponíveis vêm de avaliações independentes de terceiros — Artificial Analysis, VentureBeat, BenchLM — e de dados da própria empresa publicados dias depois. Essa opacidade inicial gerou ceticismo legítimo na comunidade, embora os resultados independentes tenham sustentado as alegações de desempenho nas semanas seguintes.⁶

A arquitetura do custo baixo

O diferencial de preço não é acidental. O GLM-5.2 introduz uma otimização arquitetural chamada IndexShare: em vez de recalcular os mecanismos de atenção em cada uma das camadas esparsas do modelo, reutiliza o mesmo indexador ao longo de quatro camadas consecutivas. A redução resultante no custo computacional por token chega a 2,9 vezes em janelas de contexto de 1 milhão de tokens. O modelo também incorpora uma camada atualizada de Multi-Token Prediction para decodificação especulativa, aumentando em até 20% o comprimento médio dos tokens aceitos durante a inferência.⁷

Combinado com a licença aberta e a possibilidade de autodesenvolvimento (self-hosting), esse design permite que equipes de desenvolvimento eliminem completamente os custos de API ao hospedar o modelo em sua própria infraestrutura — pagando apenas pelo custo de computação. Para startups e empresas de médio porte sensíveis a orçamento, a matemática se torna convincente: uma carga de trabalho que custaria US$ 1.000 por dia em tokens de um modelo proprietário pode ser reduzida a menos de US$ 200 com o GLM-5.2 via API, ou a custo marginal com hospedagem própria.⁸

A onda maior: China como potência de código aberto

O GLM-5.2 não é um caso isolado. Ele é a crista mais recente de uma onda que começou em janeiro de 2025, quando a DeepSeek lançou seu modelo R1 e causou uma queda de quase 20% nas ações da Nvidia em um único dia. Desde então, empresas como Z.ai, MiniMax e Tencent lançaram modelos competitivos em raciocínio, programação e tarefas agênticas, e o tempo para novas capacidades chegarem ao mundo do código aberto encolheu de meses para semanas — em alguns casos, dias.⁹

O substrato desse avanço é claramente estatal. Investidores governamentais chineses passaram de menos de dez operações por ano em IA antes de 2018 para mais de 140 em 2025 — uma multiplicação de cerca de quinze vezes na participação estatal. Rodadas recentes como as da Moonshot AI (US$ 700 milhões em janeiro de 2026) e StepFun (US$ 717 milhões) são ancoradas por capital de origem governamental ou de corporações estatais. Além disso, a Z.ai recebeu mais de 3 bilhões de yuans em capital estatal ao longo de sua trajetória, segundo dados de filings levantados pela O Cafezinho.¹⁰

A estratégia de código aberto não é apenas comercial na China — ela tem peso político. Como analisou Liu Zhiyuan, professor da Tsinghua e cientista-chefe da ModelBest, em entrevista ao MIT Technology Review Brasil: "Ao divulgar pesquisas fortes, as empresas constroem reputação e ganham publicidade gratuita." Em agosto de 2025, o Conselho de Estado chinês publicou minuta de política incentivando universidades a recompensar contribuições de código aberto em plataformas como GitHub e Gitee, podendo contabilizá-las como crédito acadêmico.¹¹

O gargalo dos chips e os limites do avanço

Não se trata, porém, de uma vantagem sem fricção. Os controles de exportação americanos sobre chips de inteligência artificial seguem sendo a principal limitação estrutural para os laboratórios chineses. A Z.ai e seus concorrentes gastam fortunas alugando capacidade de computação em data centers fora da China para contornar as restrições — a Z.ai registrou, no primeiro semestre de 2025, despesas com computação mais de sete vezes superiores às suas receitas.¹²

Um relatório do NIST (Centro Nacional de Padrões e Tecnologia dos EUA) publicado em maio de 2026 avaliou que os melhores modelos chineses estão cerca de oito meses atrás dos líderes americanos em capacidade geral — uma lacuna que nem de perto a China reconhece em seus próprios comunicados. O Council on Foreign Relations, em análise publicada em abril de 2026, argumentou que a distância real em leaderboards públicos se reduziu a aproximadamente 2,7%, mas ponderou que benchmarks públicos tendem a superestimar o fechamento da brecha em capacidades mais difíceis de mensurar.¹³

Jeffrey Ding, professor de relações internacionais da George Washington University especializado em tecnologia emergente, pondera que os controles de exportação de chips produziram efeito limitado: "Você pode restringir o acesso ao hardware, mas não pode controlar as ideias que todo o mundo já está compartilhando." A Z.ai, notavelmente, foi a única empresa chinesa a assinar os Compromissos de Seul em governança de IA — um sinal de que, diferentemente de DeepSeek e outras, busca legitimidade internacional além do desempenho técnico.¹⁴

A sombra da segurança e da soberania de dados

Dois obstáculos reais persistem para a adoção em larga escala do GLM-5.2 fora da China. O primeiro é regulatório: a Z.ai foi incluída na lista negra comercial do Departamento de Comércio dos EUA em 2025, e documentos societários mostram que parte de seus acionistas são controlados por agência governamental chinesa vinculada à indústria de defesa. O segundo é técnico-jurídico: empresas que roteiam dados sensíveis pela API da Z.ai hospedada na China podem estar expostas às leis de segurança nacional chinesas, que obrigam empresas locais a cooperar com autoridades.¹⁵

A solução que muitos adotam — e que a própria Z.ai encoraja — é a hospedagem própria: baixar os pesos do modelo do Hugging Face e operar em infraestrutura local ou em provedores neutros como AWS, Azure ou Google Cloud. Nesse caso, os dados nunca chegam a servidores chineses. A licença MIT garante que não há restrição legal para esse uso. Essa é, aliás, a vantagem mais concreta do código aberto sobre modelos proprietários: a soberania operacional.

Também há a questão da distilação de dados. A Anthropic enviou carta ao Senado americano acusando a Alibaba de criar 24.000 contas fraudulentas para extrair dados dos seus sistemas — uma prática chamada distilação, pela qual um laboratório usa as saídas de um modelo rival para treinar o próprio. A acusação não se estende à Z.ai diretamente, mas o debate é relevante: Charles O'Neill, diretor de treinamento de modelos na empresa Baseten, afirmou que a distilação sozinha não explica o desempenho do GLM-5.2, que exige várias técnicas arquiteturais complexas além dela.¹⁶

O que isso significa para o Brasil

Para empresas brasileiras, o cenário atual apresenta tanto uma oportunidade concreta quanto um conjunto de riscos que merecem atenção. Do lado positivo, o Brasil é o maior mercado de IA da América Latina e enfrenta um gargalo de custo bem documentado. Pesquisa da Abiacom de janeiro de 2026 revelou que 72% das empresas brasileiras estão ainda nos estágios inicial ou experimental de adoção de IA. Um dos principais freios citados: custo de acesso às APIs de modelos de fronteira.¹⁷

A ministra da Ciência, Tecnologia e Inovação, Luciana Santos, reconheceu em fevereiro de 2025, ao comentar a ascensão da DeepSeek, que "o aspecto mais importante dessa nova tecnologia é mostrar que o volume de recursos necessários para competir em IA não é inalcançável para países como o nosso." O GLM-5.2 reforça essa percepção: modelos de código aberto com desempenho de fronteira tornam viável que startups e empresas de médio porte brasileiras construam aplicações sofisticadas sem depender de orçamentos que até hoje eram exclusivos de grandes corporações.¹⁸

Do lado dos riscos, o cenário geopolítico impõe cautela. Uma empresa brasileira que adote o GLM-5.2 via API da Z.ai pode estar sujeita às leis chinesas de dados caso processe informações sensíveis pelo servidor da empresa na China. Além disso, em um contexto de acirramento das relações comerciais entre EUA e China, a escolha do fornecedor de IA carrega implicações além do técnico — potencialmente afetando acesso a mercados, parcerias e tecnologias americanas no futuro. A autohospedagem (self-hosting) mitiga o risco de dados, mas exige capacidade técnica que 60,5% das empresas brasileiras ainda dizem não possuir internamente, segundo pesquisa da Zappts de abril de 2026.¹⁹

O Plano Brasileiro de Inteligência Artificial (PBIA), que prevê investimentos de R$ 23 bilhões até 2028 e o desenvolvimento de um modelo de linguagem próprio em português pelo Laboratório Nacional de Computação Científica, aponta para uma terceira via: não depender integralmente nem de EUA nem de China, mas construir capacidade soberana em IA. É uma ambição legítima — e a emergência de modelos chineses baratos e abertos, paradoxalmente, pode acelerá-la ao reduzir o custo de pesquisa e desenvolvimento para laboratórios nacionais.²⁰