Quando quatro aplicações pensam com o mesmo cérebro
As empresas passaram anos construindo portfólios tecnológicos que parecem diversificados. Ferramentas distintas para vendas, operações, conformidade regulatória, desenvolvimento de software, cadeia de suprimentos. Fornecedores diferentes. Contratos separados. Equipes próprias. A arquitetura visível transmite independência.
Mas há uma camada que a maioria dos inventários tecnológicos corporativos não captura: o modelo de inteligência artificial que alimenta cada uma dessas aplicações. E se quatro dessas dez ferramentas estiverem rodando sobre o mesmo modelo base, ou sobre a mesma família de modelos, ou sobre o mesmo fornecedor de API, então a diversificação que se vê no organograma não existe no lugar onde as decisões são tomadas. Existe no invólucro, não no raciocínio.
Isso é o que uma publicação recente no Forbes Technology Council denominou concentração cognitiva: o fenômeno pelo qual organizações que operam com múltiplas aplicações de inteligência artificial acabam dependendo do mesmo sistema subjacente de conhecimento, com o risco de que uma mudança ou falha nesse sistema se propague silenciosamente por processos de negócio aparentemente independentes. O artigo, escrito por uma executiva sênior de tecnologia em uma instituição financeira global, é um aviso de gestão de riscos mais do que um relato de crise. Mas o que descreve como uma hipótese plausível tem respaldo suficiente na estrutura do mercado atual para ser levado a sério.
O problema que não aparece no painel de operações
A concentração tecnológica clássica tem uma virtude inesperada: quando algo falha, você sabe. Se um fornecedor de nuvem cai, os sistemas param. Se um servidor principal falha, os alertas disparam. A interrupção é visível, mensurável e tem um relógio.
A concentração cognitiva não funciona assim. O sistema pode continuar operando com total normalidade em termos técnicos enquanto os julgamentos que produz mudaram. Uma atualização do modelo base pode modificar o peso que o sistema atribui a determinadas variáveis em um processo de aprovação de crédito, na classificação de alertas de cibersegurança, na revisão de contratos jurídicos ou na geração de propostas comerciais, e nenhuma dessas mudanças aciona um alarme. O painel permanece verde. As aplicações respondem. Os usuários trabalham. E a organização está tomando decisões correlacionadas com base em um raciocínio que acabou de mudar em todas as frentes ao mesmo tempo.
Há evidências de mercado que transformam esse cenário em algo mais do que especulação. Uma pesquisa do Banco da Inglaterra e da Autoridade de Conduta Financeira do Reino Unido realizada com 118 firmas financeiras em 2024 constatou que os três principais fornecedores externos concentravam 73% dos serviços de nuvem reportados e 44% dos fornecedores de modelos. Em paralelo, 55% dos casos de uso de inteligência artificial nessas firmas envolviam algum nível de tomada de decisão automatizada. Esses dois dados juntos traçam o contorno do risco: muitas decisões automatizadas, poucos modelos reais por baixo.
A estrutura do mercado de modelos de linguagem reforça essa leitura. Estimativas da Menlo Ventures sobre o gasto empresarial em inteligência artificial generativa mostram que três fornecedores — Anthropic, OpenAI e Google — concentravam aproximadamente 88% do gasto empresarial em modelos de linguagem em 2025. Não se trata de um oligopólio ilegal nem de um comportamento anticompetitivo; é simplesmente o estado de maturidade do mercado neste momento. Mas combinado com a velocidade com que as empresas estão incorporando essas capacidades, o resultado matemático é uma concentração real de inteligência por baixo de uma aparência de diversidade aplicativa.
O gasto empresarial em inteligência artificial generativa passou de 1,7 bilhão de dólares em 2023 para 11,5 bilhões em 2024 e 37 bilhões em 2025, segundo os mesmos dados da Menlo. Essa velocidade de adoção significa que muitas organizações incorporaram dependências profundas sem ter tido tempo de mapeá-las com rigor. As arquiteturas foram construídas rapidamente porque havia pressão para mostrar resultados. O inventário de dependências cognitivas ficou para depois. Na maioria dos casos, esse depois ainda não chegou.
O que muda quando a falha é silenciosa e correlacionada
Há uma distinção operacional que vale a pena articular com precisão, pois é ela que determina se esse risco merece atenção executiva ou pode ser delegado à equipe de arquitetura.
A concentração de fornecedores tradicional produz falhas de disponibilidade. A concentração cognitiva produz falhas na qualidade das decisões. São categorias de risco distintas com perfis de detecção completamente diferentes.
Uma falha de disponibilidade é detectada em minutos. Uma falha na qualidade das decisões pode permanecer em produção durante semanas ou meses antes de ser identificada, e apenas se existir algum mecanismo de avaliação comparativa capaz de detectar desvios. A maioria das organizações possui protocolos robustos para o primeiro tipo. Para o segundo, a cobertura é escassa ou inexistente.
O artigo menciona um cenário que merece atenção específica: as atualizações de modelos. Quando um fornecedor lança uma nova versão de seu modelo base, as aplicações que rodam sobre essa API herdam a mudança — às vezes de forma transparente, às vezes sem notificação clara. Se quatro aplicações críticas compartilham esse fornecedor, quatro processos de negócio mudam simultaneamente. Algumas mudanças serão neutras ou benéficas. Mas se o novo modelo tiver uma calibração distinta em relação a categorias de risco, tipos de transações ou contextos específicos, o impacto pode ser significativo antes que alguém o tenha medido.
Isso não é um cenário de baixa probabilidade. É a mecânica habitual de como funcionam os modelos como serviço. Os fornecedores atualizam seus modelos com certa periodicidade. As organizações que consomem esses modelos via API herdam essas atualizações dentro dos prazos contratuais que negociaram, que em muitos casos são mínimos. O risco não está na má-fé do fornecedor; está na arquitetura da dependência e na ausência de controles de avaliação contínua que detectem desvios.
O Comitê de Política Financeira do Banco da Inglaterra publicou em abril de 2026 uma análise na qual concluiu que a inteligência artificial avançada ainda não havia sido adotada de maneira a apresentar risco sistêmico no setor financeiro, mas advertiu que esses riscos poderiam aumentar rapidamente à medida que a implantação se expande. A sequência importa: os controles são construídos com mais facilidade antes que as dependências estejam profundamente enraizadas. Uma vez que oito unidades de negócio dependem do mesmo modelo para decisões de alto impacto, o custo de instrumentar validação independente é consideravelmente mais alto do que se feito enquanto o sistema ainda está sendo projetado.
Por que a maioria dos inventários tecnológicos não captura isso
Uma pesquisa do Instituto de Valor para os Negócios da IBM realizada em 2026 com mil executivos sênior em 16 países constatou que 91% admitia não compreender completamente suas dependências de inteligência artificial entre fornecedores, modelos e infraestrutura. 71% afirmou que mudar seu principal fornecedor de inteligência artificial ou seu modelo seria difícil. Esses dois percentuais juntos descrevem uma situação específica: organizações que construíram dependências que não compreendem totalmente e que seriam custosas de reverter.
Parte da explicação é estrutural. Os inventários tecnológicos tradicionais são organizados por aplicação ou por fornecedor de software. Capturam bem a camada visível: qual plataforma, de qual empresa, com qual contrato. O que não capturam é a camada de inteligência subjacente: qual modelo base, de qual família, com qual fornecedor de computação, com quais dados de treinamento, com qual política de atualização. Essa camada é a que determina como o sistema raciocina, e é a que pode estar concentrada mesmo que as aplicações visíveis pareçam diversas.
A outra parte da explicação é de velocidade organizacional. A pressão para mostrar casos de uso de inteligência artificial operando em produção foi, em muitas organizações, maior do que a pressão para documentar dependências. As equipes implantaram rapidamente. Os controles de governança vieram depois, quando vinham. O resultado é que o inventário de aplicações é bastante completo na maioria das empresas médias e grandes, mas o inventário de dependências cognitivas — modelos, famílias de modelos, fornecedores de API, fontes de dados, sistemas de recuperação — não existe com o mesmo nível de detalhe.
Esta não é uma crítica às equipes que tomaram essas decisões. Sob as restrições de tempo, recursos e pressão competitiva que existiam entre 2023 e 2025, mover-se rapidamente foi muitas vezes a escolha correta. O problema é que mover-se rapidamente sem registrar as dependências criadas produz exatamente a situação que 91% dos executivos pesquisados pela IBM descreveu: dependências que não se compreendem totalmente e que seriam difíceis de mudar.
A pergunta que os conselhos de administração deveriam estar fazendo
O artigo da Forbes propõe um instrumento analítico que denomina Índice de Concentração Cognitiva, uma métrica que ainda não tem padrão de indústria, mas cuja lógica é direta: mapear quais modelos, quais fornecedores de API, quais fontes de computação e quais repositórios de dados são compartilhados pelas aplicações de inteligência artificial da organização, cruzar essa informação com a criticidade dos processos de negócio que dependem de cada camada, e avaliar quanto tempo levaria para mudar em um cenário de falha ou degradação.
O valor do instrumento não está no número que produz, mas no processo que força. Uma organização que tenta construir esse mapa pela primeira vez descobre rapidamente o que sabe e o que supunha saber sobre suas dependências. Essa diferença — entre o documentado e o assumido — é onde o risco costuma residir.
Há três variáveis que determinam quando a concentração cognitiva passa de ser um desconforto arquitetônico a ser um problema de governança executiva. A primeira é a criticidade do processo: concentração em aplicações de marketing de baixo risco com alternativas disponíveis é um problema menor; concentração em sistemas de subscrição, aprovação de crédito, detecção de fraude ou decisões de precificação é uma prioridade diferente. A segunda é a velocidade de substituição: quanto tempo leva efetivamente para mudar de modelo ou fornecedor em um processo de negócio real, não em teoria, mas testado em um exercício de continuidade. A terceira é a capacidade de detecção de desvios: se a organização tem ou não mecanismos para identificar que um modelo mudou seu comportamento antes que essa mudança produza dano mensurável.
A McKinsey reportou em sua pesquisa global de 2026 que 28% das organizações destinava mais de 10% de seu orçamento de tecnologia e informação à inteligência artificial. Quando o investimento alcança esse nível, a dependência deixa de ser experimental e passa a ser estrutural. Uma dependência estrutural que não está mapeada, avaliada e com protocolos de continuidade é exatamente o tipo de risco que os conselhos de administração são obrigados a compreender, embora a maioria ainda não tenha o arcabouço conceitual para formulá-lo com precisão.
A diversificação de aplicações foi uma decisão de compra. A resiliência cognitiva é uma decisão de arquitetura. São duas decisões diferentes que muitas organizações confundiram porque uma era visível e a outra não. Corrigir essa confusão a tempo — enquanto as dependências ainda são modificáveis — é consideravelmente menos custoso do que fazê-lo depois que uma mudança de modelo propagada por oito processos de negócio simultâneos obrigue a isso em modo de crise.
