A discussão sobre inteligência artificial nas empresas costuma começar pela produtividade: quantas horas podem ser economizadas, quantos atendimentos podem ser automatizados e quanto código pode ser produzido mais rapidamente. Esses ganhos existem, mas já não são a questão central. Os números divulgados pela Anthropic antes de sua oferta pública mostram que a camada de modelos fundacionais exige volumes extraordinários de capital, infraestrutura e energia. Para executivos, isso significa que a governança de IA precisa deixar de ser uma iniciativa isolada de inovação e passar a integrar a gestão de riscos corporativos. Quando poucos fornecedores controlam a computação necessária para treinar e operar modelos avançados, eles também ganham influência sobre preço, disponibilidade, desempenho e requisitos de segurança. Empresas usuárias não estão apenas contratando uma ferramenta; estão incorporando uma nova dependência operacional. O risco é maior para organizações que permitem o uso informal de IA em dados, documentos, códigos e decisões sem controles consistentes, rastreabilidade ou responsáveis definidos.
O que está acontecendo com a governança de IA
Segundo informações reportadas pelo Olhar Digital, a Anthropic registrou receita de US$ 16,3 bilhões no primeiro semestre de 2026, mas também prejuízo de US$ 80 bilhões no período. O resultado inclui uma despesa extraordinária de US$ 72,4 bilhões. Mais revelador do que o número contábil é a trajetória dos custos: os gastos com infraestrutura de IA saíram de US$ 2,3 bilhões no primeiro semestre de 2025 para quase US$ 9 bilhões no primeiro semestre de 2026. A companhia também informou que seus cinco maiores clientes representam 25% dos negócios. Em seus próprios documentos, reconhece que salvaguardas podem falhar ou ser contornadas e relatou o uso de sua ferramenta de programação em uma campanha cibernética atribuída a agentes patrocinados pelo Estado chinês. O quadro combina concentração comercial, infraestrutura escassa e riscos de uso indevido em uma mesma cadeia tecnológica.
Por que isso importa para empresas: governança de IA
O mercado de modelos fundacionais tende a ser estruturalmente concentrado porque exige chips, nuvem, energia, dados, equipes especializadas e capital em uma escala que poucas organizações conseguem sustentar. Isso não torna a adoção corporativa inviável; torna indispensável tratá-la com o rigor aplicado a provedores críticos de nuvem, pagamentos ou segurança. A governança de IA deve responder não apenas se um caso de uso funciona, mas o que ocorre quando o fornecedor muda preços, limita capacidade, altera políticas ou sofre uma interrupção.
- Concentração de fornecedor: equipes que constroem processos inteiros sobre um único modelo ficam expostas a reajustes, limites de uso e mudanças de funcionalidade sem alternativas prontas.
- Exposição de dados: prompts podem conter contratos, informações de clientes, estratégias comerciais, dados de saúde, trechos de código e conhecimento proprietário.
- Ampliação da superfície de ataque: agentes capazes de escrever código, resumir documentos e executar fluxos podem acelerar tanto defesas quanto phishing, fraude e automação maliciosa.
- Pressão sobre margens: consultorias, BPOs e áreas internas que vendem ou executam trabalho analítico repetível precisarão demonstrar valor em resultado, integração e responsabilização, não em volume de horas.
Serviços financeiros, saúde, biotecnologia, jurídico e software sentirão o efeito primeiro, pois concentram dados sensíveis, processos documentais caros e obrigações regulatórias relevantes.
Aplicações práticas de governança de IA
Nos próximos 90 dias, TI, Segurança, Jurídico e áreas de negócio deveriam estabelecer um programa corporativo simples, mas obrigatório. O primeiro passo é criar um gateway aprovado para modelos, contratado como plataforma especializada ou habilitado com recursos equivalentes do provedor de nuvem. Esse gateway deve centralizar autenticação, políticas de uso, escolha de modelos e registros que permitam auditoria. A meta não é bloquear a experimentação: é impedir que ela aconteça fora do alcance da empresa.
Controle de acesso e classificação de dados
O acesso deve ocorrer por SSO, com perfis adequados a cada função e regras claras sobre quais categorias de informação podem ser enviadas a modelos externos. Prompts e respostas precisam ser registrados segundo políticas de retenção, com mascaramento ou bloqueio para dados confidenciais quando necessário. Jurídico e Segurança devem aprovar cláusulas de uso, localização de dados e responsabilidades de fornecedores antes de escalar qualquer solução.
Pilotos com valor mensurável
Um piloto em atendimento ou operações oferece um ponto de partida objetivo. Em atendimento, a IA pode resumir interações, sugerir respostas e recuperar conhecimento interno, enquanto um humano aprova mensagens sensíveis. Em operações, pode classificar solicitações, extrair dados de documentos e preparar análises preliminares. Meça tempo economizado, taxa de retrabalho, qualidade, incidentes de dados e adesão dos usuários. Em desenvolvimento, restrinja inicialmente a assistência de código a repositórios autorizados e aplique revisão humana, testes e controles de segurança antes da implantação.
O resultado esperado é reduzir o uso não autorizado de ferramentas, proteger ativos confidenciais e provar ganhos de produtividade com controles auditáveis.
Minha análise
O prejuízo da Anthropic é menos importante como julgamento sobre uma empresa e mais importante como evidência sobre a economia da IA. Modelos fundacionais não devem se comportar como software convencional, no qual custos marginais caem rapidamente e muitos concorrentes conseguem operar com capital moderado. A infraestrutura necessária cria barreiras que favorecem grandes laboratórios, provedores de nuvem e fabricantes de chips. Esse poder de mercado será repassado, em alguma medida, aos clientes corporativos por meio de preços, limites de capacidade e condições de uso.
Minha posição é clara: empresas médias não precisam treinar seus próprios modelos para competir, mas precisam controlar seus dados, seus fluxos e suas decisões. Nos próximos seis a 12 meses, veremos a separação entre organizações que usam chatbots genéricos de forma dispersa e aquelas que conectam IA a dados organizados, permissões, processos e métricas de negócio. As segundas criarão vantagem operacional proprietária; as primeiras apenas alugarão produtividade padronizada com risco crescente.
O que acompanhar
Líderes devem acompanhar quatro sinais: a evolução dos preços e da capacidade de inferência; o grau de dependência de um único fornecedor; a maturidade dos controles de acesso e auditoria; e o crescimento de incidentes envolvendo uso indevido de IA. Também merece atenção a concentração de receita dos laboratórios, pois ela pode influenciar prioridades de produto e condições comerciais. A pergunta relevante em comitês executivos não é qual modelo lidera um teste técnico, mas qual arquitetura permite trocar ou combinar fornecedores sem expor dados, interromper operações ou perder rastreabilidade.
A adoção de IA deixou de ser uma decisão exclusivamente tecnológica. Ela envolve compras, jurídico, segurança, operações, dados e continuidade de negócios. Empresas que formalizarem controles agora poderão experimentar com velocidade e confiança; as que tolerarem ferramentas invisíveis em processos críticos descobrirão tarde demais onde seus dados circularam e quais decisões foram influenciadas. O próximo orçamento de IA deveria reservar recursos não apenas para licenças e pilotos, mas para governança, integração e auditoria. Sua organização sabe quais processos já dependem de modelos externos e quem responde por essa dependência?
Read this article in English: English version
