As receitas do trimestre de março atingiram US$ 21,6 bilhões, um crescimento de 27% em relação ao ano anterior — a maior taxa em cinco anos — e o lucro líquido saltou dramaticamente para US$ 521 milhões. As ações da empresa em Hong Kong subiram cerca de 20% em uma única sessão, tornando-se a maior valorização percentual do índice Hang Seng naquele dia. Mas o número que melhor explica o movimento do mercado não está nas margens nem nos volumes de PCs: está no fato de que as receitas relacionadas à inteligência artificial cresceram 84% no trimestre e representaram 38% das receitas totais do grupo.
A conversa sobre inteligência artificial nas grandes empresas segue um roteiro confortável: avaliar plataformas, aprovar orçamentos, desenhar pilotos. Enquanto isso, nos sistemas de CRM, nas operações de atendimento ao cliente e nos fluxos de aprovação financeira, há agentes de IA tomando decisões sem que ninguém saiba exatamente quantos são, quais dados tocam nem o que fazem quando ninguém os vigia. Esse é o dado incômodo que a indústria leva meses contornando com elegância.
Desde o final de 2022, os mercados asiáticos viveram uma reconfiguração silenciosa, mas profunda. A irrupção da inteligência artificial generativa não apenas transformou a narrativa dos mercados globais, mas reordenou o peso específico dos índices regionais em torno de um punhado de nomes. Três empresas — Taiwan Semiconductor Manufacturing Company, Samsung Electronics e SK hynix — chegaram a explicar mais da metade dos retornos do índice FTSE Asia ex-Japan.
Em 13 de maio de 2026, a Anthropic lançou o Claude para Pequenas Empresas, uma versão de seu assistente de IA conectada diretamente às ferramentas operacionais de pequenos negócios: e-mail, calendário e — o que é novidade — software de contabilidade. A promessa concreta é que o Claude pode fazer reconciliações, gerar demonstrações de resultados e categorizar transações sem que o dono precise tocar em uma planilha. Mas a reação do mercado especializado não foi de entusiasmo sem ressalvas: foi de boas-vindas cautelosas, com um alerta que há tempos ressoa neste setor.
Há uma narrativa que domina as conversas nos conselhos de administração e nos fundos de capital de risco há dois anos: a inteligência artificial devorará o software empresarial da mesma forma que o software devorou os modelos analógicos de negócio. É uma imagem poderosa. E como toda imagem poderosa que circula sem fricção, ela merece que alguém aplique pressão antes que dite decisões de investimento com consequências reais.
Existe uma cena que se repete em quase todas as PMEs que conheço. A equipe de tecnologia apresenta um piloto de inteligência artificial. Os números iniciais são promissores. O conselho aprova o investimento. E seis meses depois, o piloto ainda continua sendo um piloto.
Em uma semana de maio de 2026, a infraestrutura de IA empresarial cruzou uma fronteira que os marcos de auditoria, conformidade e seguros ainda não haviam desenhado. No dia 7 de maio, a AWS apresentou em versão preliminar o Amazon Bedrock AgentCore Payments, um sistema construído com Coinbase e Stripe que permite aos agentes de inteligência artificial realizar pagamentos autônomos durante sua execução. Dois anúncios em sete dias, de duas das maiores plataformas de infraestrutura tecnológica do planeta, descrevem o mesmo comportamento: um agente que decide gastar dinheiro por conta própria.
Mais de 100 milhões de dólares por um programa diário de tecnologia que gera aproximadamente 5 milhões de dólares anuais em receita. Isso é um múltiplo de avaliação superior a 20x sobre vendas para um ativo de mídia, em um setor onde os múltiplos típicos raramente superam 3x ou 4x de receita. Não é um erro de cálculo. É uma declaração estratégica.
Há um padrão que se repete com consistência suficiente para ser levado a sério: as tecnologias não se concentram onde são vistas, mas onde se apoiam. As redes sociais se concentraram na distribuição, não no conteúdo. A nuvem se concentrou na infraestrutura, não nas aplicações. A inteligência artificial está seguindo a mesma geometria, mas o ponto de controle está um nível mais abaixo do que em qualquer ciclo anterior.
A narrativa dominante sobre inteligência artificial e negócios tem um viés estrutural que raramente é nomeado: ela é construída quase exclusivamente em torno de empresas com mais de 500 funcionários. Não porque as grandes corporações sejam mais interessantes, mas porque para os fornecedores de tecnologia elas representam contratos mais previsíveis, ciclos de venda relativamente mais curtos e fluxos de receita recorrentes que justificam os gastos com vendas e marketing. A lógica é compreensível do ponto de vista da economia do vendedor. O problema é que essa lógica distorceu a leitura de onde o trabalho real acontece na economia.
Há um padrão silencioso que a história econômica repetiu pelo menos duas vezes com clareza antes da era da inteligência artificial. Primeiro com a eletrificação industrial, depois com os computadores pessoais. Em ambos os casos, a tecnologia chegou décadas antes de seu impacto aparecer nas estatísticas de produtividade.
A computação quântica há mais de uma década promete reorganizar a medicina, os materiais e a inteligência artificial. Nesse tempo, a maior parte do capital fluiu para os circuitos supercondutores da IBM e do Google, plataformas que exigem refrigeração a temperaturas próximas ao zero absoluto, infraestrutura cara e calibração permanente. Mas abaixo dessa narrativa dominante foi tomando forma uma aposta diferente: usar átomos neutros como qubits, capturá-los com lasers, operá-los à temperatura ambiente e escalá-los em arranjos de centenas ou milhares de unidades.
Há um momento na vida de qualquer plataforma de produtividade em que não é mais suficiente fazer bem uma única coisa. A Notion chegou a esse ponto. A empresa — conhecida por anos como o lugar onde equipes guardam notas, wikis e bases de dados — acaba de anunciar uma reconfiguração profunda de sua arquitetura: um conjunto de capacidades que, juntas, transformam o espaço de trabalho em um ambiente onde agentes de inteligência artificial podem operar, receber instruções, executar código e sincronizar dados externos em tempo contínuo.
Em uma noite no final de 2024, Denis Shilov estava assistindo a um thriller policial quando teve uma ideia para um experimento. Ele escreveu um prompt que conseguia fazer qualquer modelo de inteligência artificial ignorar seus próprios filtros de segurança. O que Shilov concluiu desse episódio não foi que havia encontrado um bug, mas sim que nenhuma empresa tinha uma camada de controle pós-implantação sobre o que seus modelos de IA faziam assim que os usuários começavam a interagir com eles.
Há um dado que deveria incomodar qualquer executivo que tenha aprovado um orçamento de inteligência artificial nos últimos dois anos: os Estados Unidos, o país que fabrica os modelos mais poderosos do mundo, ocupa a posição 24 na adoção global de IA. Sua taxa é de 28,3%. O problema não é tecnológico. Nunca foi.
Há um padrão que se repete toda vez que uma tecnologia deixa de ser experimento e se torna infraestrutura de produção. Aconteceu com os bancos de dados relacionais, com os serviços em nuvem, com os microsserviços. E agora acontece com os modelos de linguagem de grande escala.
A conversa sobre segurança em inteligência artificial empresarial tende a convergir no mesmo ponto: modelos mal treinados, alucinações, vieses algorítmicos. Enquanto as equipes técnicas debatem a arquitetura do modelo, dados sensíveis já estão viajando para servidores externos, os agentes operam com privilégios excessivos e ninguém atualizou os frameworks de gestão de identidades para incluir entidades que tomam decisões sem que nenhum humano as supervisione em tempo real. A lacuna não é técnica em sua origem. É comportamental e organizacional.
Quando uma empresa gera 97 bilhões de dólares em fluxo de caixa livre em um único ano fiscal, a pergunta não é se ela pode investir. A pergunta é que arquitetura de poder ela constrói com esse dinheiro e quem fica preso dentro dela. A Nvidia ultrapassou 40 bilhões de dólares em compromissos de capital nos primeiros cinco meses de 2026, incluindo uma aposta de 30 bilhões na OpenAI.
Sarvam AI, X Pay da Ebix e AuthLead da AuthBridge tratam de problemas empresariais distintos. Avaliá-los exige separar capacidades declaradas, resultados comprovados e métricas adequadas a cada negócio.
Existe uma crença que percorre os corredores de quase toda organização que investiu em inteligência artificial nos últimos oito anos. A crença de que o problema é sempre de quantidade. Mais dados. Mais tokens. Mais cobertura. Mais histórico armazenado.
Quando a SAP desembolsa US$ 1,16 bilhão por uma startup alemã de 18 meses de vida, não está comprando tecnologia. Está comprando tempo. E quando Anthropic e OpenAI anunciam, na mesma semana, suas próprias estruturas para levar IA a grandes empresas, o que emerge não é uma corrida pelo melhor modelo: é uma corrida por quem controla a camada onde as decisões de negócio são automatizadas.
Há um momento preciso no ciclo de qualquer modelo de negócio em que a narrativa coletiva deixa de descrever a realidade e começa a produzi-la. O setor SaaS chegou a esse momento há mais de um ano, e a indústria ainda está processando o que isso significa. Não é o colapso que alguns anteciparam com o termo 'SaaS-pocalypse', mas também não é o retorno sem fricção ao crescimento de 2021.
A imagem que melhor descreve o estado da inteligência artificial nas empresas durante 2025 não é a de uma tecnologia que falhou. É a de uma tecnologia que foi usada sem comprometimento real. Segundo um relatório do MIT publicado naquele ano, 95% dos pilotos de IA generativa não chegaram à produção com impacto mensurável.
A inteligência artificial generativa chegou à maioria das organizações não pela área de tecnologia, mas pela porta dos fundos dos aplicativos de produtividade. Microsoft 365 Copilot, Gemini, os assistentes integrados em plataformas de colaboração: essas ferramentas foram ativadas em ambientes corporativos onde os funcionários já trabalhavam, e com isso começou um experimento silencioso cujos termos ninguém havia negociado completamente. O problema não está nos modelos de linguagem. Está no que esses modelos encontram quando se conectam a uma organização real.