Uma fila dobrando a esquina pode significar que o restaurante é ótimo. Ou que a cozinha é pequena demais para tanta gente. Em nenhum dos dois casos a fila diz se a casa fecha o mês no azul, e é nesse ponto que a discussão sobre o dinheiro da inteligência artificial chega a outubro de 2026. De um lado estão empresas de tecnologia que dizem não dar conta da procura. Do outro estão críticos que perguntam se esse negócio se paga.
Ed Zitron está no segundo grupo. Em entrevista à DW publicada em 15 de outubro na editoria de negócios, o escritor, jornalista e crítico de IA afirmou que o boom da inteligência artificial está construído sobre premissas insustentáveis, com consequências de longo alcance, e que muitas das maiores promessas do setor continuam sem comprovação. A conversa, de pouco mais de 13 minutos, recebeu um título que resume o clima: a IA seria "muito badalada, frequentemente temida e possivelmente superestimada". No dia seguinte, um segmento do noticiário DW News com o mesmo entrevistado circulou com uma pergunta no lugar do título: e se os céticos estiverem certos sobre a IA?
Temida e superestimada não são a mesma coisa
As três palavras do título apontam para debates diferentes. "Temida" remete ao risco extremo. Em ensaio publicado em 13 de outubro na revista The Atlantic, Peter Wehner lembra que alguns dos principais arquitetos da IA falam abertamente na possibilidade de um fim permanente da espécie humana, e que a ansiedade ligada à tecnologia já aparece em consultórios de terapia.
O ceticismo de Zitron vai na direção oposta. A dúvida dele não é se a máquina ficará poderosa demais. É se ela entrega o que foi prometido e se o modelo de negócios por trás dessa entrega fica de pé.
Duas expressões no centro da conversa
Uma sorveteria hipotética vende muito na semana mais quente de janeiro, multiplica o resultado por 52 e anuncia um faturamento anual de dar inveja. A conta não está errada. O ano é que não vai ser igual àquela semana. Em finanças, esse tipo de cálculo se chama annualized run rate, ou taxa de receita anualizada: pega-se o ritmo de um período curto, como um mês ou um trimestre, e projeta-se esse ritmo para doze meses. É uma medida comum entre empresas que crescem depressa e tem sua utilidade, desde que se lembre que ela descreve uma velocidade, não um ano fechado.
A outra expressão que atravessa a discussão é unsustainable financial model, modelo financeiro insustentável. O termo descreve um negócio cujos custos crescem mais rápido do que a receita capaz de pagá-los, e que por isso depende de dinheiro novo para seguir funcionando. A pergunta de fundo do debate é justamente essa: se as empresas de IA estão construindo o futuro ou uma bolha movida a queima de caixa.
O que dizem os otimistas
Quem olha para a fila e vê boa notícia tem números grandes para mostrar. Em análise publicada em 13 de outubro (abre em nova aba), a gestora de investimentos RiverFront Investment Group afirma que a tese dos céticos, a de que a IA seria uma solução à procura de um problema e de que a construção de infraestrutura passaria na frente da demanda, "não apareceu nos dados".
O argumento da gestora parte da história. Segundo ela, bolhas de infraestrutura costumam nascer quando a oferta atropela a procura, como as ferrovias em excesso do século 19, os cabos de fibra óptica dos anos 1990 e as casas financiadas sem critério em meados dos anos 2000. Com a IA, diz a RiverFront, acontece o contrário: falta capacidade.
Os maiores compradores dessa capacidade são os chamados hyperscalers, empresas que constroem e operam os enormes centros de dados onde os modelos de IA rodam. Depois dos balanços de julho, as quatro maiores, entre elas Microsoft, Alphabet, Amazon e Meta, projetaram juntas de US$ 720 bilhões a US$ 745 bilhões em investimentos de capital para 2026, isto é, dinheiro destinado a prédios, servidores e chips. A gestora compara o valor com os cerca de US$ 350 bilhões em gastos com centros de dados em 2025 que ela mesma havia citado em novembro do ano passado. É dinheiro grosso, e, segundo as empresas e seus fornecedores, ainda não basta:
- Amazon: disse que seu plano de cerca de US$ 220 bilhões não dará capacidade suficiente para a demanda de 2026 e que espera ficar limitada de novo em 2027.
- Microsoft: o Azure, seu serviço de computação em nuvem, cresceu 43% no último trimestre; a diretora financeira, Amy Hood, afirmou que "a demanda continua superando a oferta".
- Alphabet: elevou duas vezes desde fevereiro a faixa prevista de investimentos, a mais recente para entregar capacidade mais depressa.
- TSMC: a fabricante de chips espera crescer pouco mais de 40% em receita em 2026 e disse a analistas, em julho, que sua capacidade de encapsulamento (a etapa que monta e interliga os chips) está tão apertada que limita o crescimento dos clientes.
- Nvidia: a receita com centros de dados subiu 117% em um ano, para US$ 89 bilhões, no trimestre mais recente.
A gestora também cita uma pesquisa da Universidade Stanford de 2026. Pelo levantamento, a IA chegou a 53% de adoção global em três anos contados a partir do lançamento do ChatGPT, contra cerca de 15 anos no caso do computador pessoal e sete no da internet. O mesmo estudo indica que 88% das organizações no mundo usam IA em pelo menos uma função.
O que esses números provam, e o que não provam
Os números são fortes no que medem: gasto, uso e falta de equipamento. Nenhum deles, sozinho, mostra que o dinheiro investido volta com lucro, que é exatamente onde mora a dúvida de quem fala em promessas sem comprovação. Boa parte dos valores também é projeção, já que o investimento de 2026 está anunciado, não concluído. E o otimismo tem lado. A RiverFront diz seguir "construtiva" em relação a investimentos em temas selecionados de IA, ou seja, recomenda o setor a seus leitores, e apoia parte do diagnóstico em declarações das próprias empresas que vendem essa capacidade.
Há um detalhe curioso no raciocínio da gestora. Ela compara a IA não à bolha da internet, mas à corrida do ouro na Califórnia em meados do século 19, e tira daí uma recomendação: a aposta mais sólida estaria nos vendedores de pás e picaretas, papel que atribui aos fabricantes de chips e aos hyperscalers, e não nos garimpeiros, que seriam as empresas que desenvolvem os modelos de IA. Lida pelo avesso, a recomendação mostra onde a própria gestora prefere não arriscar. É um otimismo com o pé atrás.
A régua também está em xeque
Existe uma segunda frente na discussão, menos visível que a do dinheiro: como saber se a tecnologia avança tanto quanto se diz. Quando uma turma decora as respostas da prova do ano anterior, as notas sobem sem que ninguém tenha aprendido muito mais. Na IA, as provas padronizadas usadas para comparar modelos se chamam benchmarks. O cientista da computação Moritz Hardt (abre em nova aba), diretor do Instituto Max Planck de Sistemas Inteligentes, acha que elas estão quebradas.
"Não há outra forma de ver: o ecossistema de benchmarks está quebrado", disse Hardt em entrevista à revista Quanta publicada em 16 de outubro. Ele conta que, pouco depois de um resultado marcante de 2012, começou a desconfiar de que sistemas de aprendizado de máquina conseguiam subir nos rankings "sem fazer nada de inteligente". Segundo a Quanta, novos testes para grandes modelos de linguagem, como o GPT-6 Astra, da OpenAI, são criados e resolvidos com regularidade de relógio, e muita gente da área, cética ou entusiasta, enxerga nisso não uma prova do potencial da IA, mas um sinal de que o método tem falhas graves.
Hardt não está defendendo a tese de Zitron. O alvo dele é a régua, não a tecnologia, e no livro The Emerging Science of Machine Learning Benchmarks (abre em nova aba), lançado em 2026, sustenta que o problema tem conserto. A história que ele estuda, porém, mostra quanto a régua pesa. Em 1987, o primeiro benchmark da Darpa, agência de pesquisa ligada à defesa, para transcrição automática de fala mostrou que a IA mais avançada da época não superava métodos estatísticos considerados "burros". O resultado fraco ajudou a abrir um "inverno da IA": 25 anos de interesse em queda e financiamento minguando. Em 2012, outro teste, o ImageNet, virou o jogo quando uma rede neural de oito camadas superou com folga os demais algoritmos na classificação de imagens e deu a largada à revolução do aprendizado profundo.
Um teste já esvaziou uma onda de entusiasmo; outro deu início à seguinte. Agora é a própria régua que está sob suspeita. Faltam réguas confiáveis.
O que está estabelecido é a escala: empresas anunciando centenas de bilhões de dólares em investimentos para 2026 e fornecedores dizendo que não dão conta dos pedidos. O que está em disputa é se essa escala se paga e se as provas usadas para medir o avanço da tecnologia merecem a confiança que recebem. Para Zitron, as premissas do boom não se sustentam. Para a RiverFront, os dados já desmentiram os céticos.
Perguntas frequentes
Quem é Ed Zitron e qual é a crítica dele à IA?
Zitron é escritor, jornalista e crítico do setor de inteligência artificial. Em entrevista à DW, afirmou que o boom da IA se apoia em premissas insustentáveis, com consequências de longo alcance, e que muitas das maiores promessas da indústria seguem sem comprovação.
O que significa annualized run rate?
É a taxa de receita anualizada: o faturamento de um período curto, como um mês ou um trimestre, projetado para doze meses. A medida é útil para empresas que crescem depressa, mas descreve um ritmo, não um resultado anual já realizado.
Quais números os otimistas usam para rebater os céticos?
A RiverFront Investment Group cita a projeção de US$ 720 bilhões a US$ 745 bilhões em investimentos das quatro maiores operadoras de centros de dados para 2026, declarações de empresas segundo as quais a demanda supera a oferta e uma pesquisa de Stanford que registra 53% de adoção global da IA em três anos.
Por que os testes que comparam modelos de IA estão sob suspeita?
Segundo o cientista da computação Moritz Hardt, os modelos conseguem subir nos rankings sem fazer nada de inteligente, o que compromete a confiança nas comparações. Ele considera o sistema de benchmarks quebrado, mas passível de conserto.