O próximo gargalo da inteligência artificial não são os chips. É a economia

Da escassez de capacidade computacional à escassez de retorno

Toda grande transformação tecnológica começa com uma restrição física. Nas ferrovias do século XIX, era o aço. Na eletrificação industrial, a geração de energia. Na internet dos anos 1990, a infraestrutura de telecomunicações. Na inteligência artificial generativa, a restrição inicial foi a capacidade computacional — especificamente, a escassez de processadores gráficos de alta performance capazes de treinar os grandes modelos de linguagem.

Não por acaso, a primeira onda de valorização nos mercados concentrou-se nas empresas posicionadas na base dessa cadeia: fabricantes de semicondutores como a Nvidia — que viu sua capitalização de mercado superar US$ 3,2 trilhões —, provedores de infraestrutura de nuvem, operadores de data centers e desenvolvedores dos grandes modelos fundacionais. Entre 2022 e 2025, o índice S&P 500 acumulou alta superior a US$ 30 trilhões em valor de mercado, impulsionado em grande parte por esse grupo seleto de empresas.

Mas a história econômica mostra que essa dinâmica raramente permanece inalterada. À medida que uma tecnologia amadurece, a escassez tende a migrar. O que inicialmente era um problema de oferta transforma-se, quase inevitavelmente, em um problema de utilização eficiente dos recursos. É o que os economistas chamam de deslocamento da fronteira de restrição: quando o insumo escasso de ontem torna-se o insumo abundante de amanhã, a criação de valor migra para quem souber aproveitá-lo.

É exatamente esse movimento que começa a se desenhar na inteligência artificial. Os investidores estão gradualmente deixando de perguntar quanto as empresas investem em IA para questionar qual retorno esses investimentos são capazes de gerar. Em fevereiro de 2026, Amazon, Alphabet e Microsoft anunciaram planos de investimento de US$ 660 bilhões em infraestrutura de IA para o ano — alta de 60% sobre o ano anterior e de 165% em relação a 2024. O mercado respondeu com ceticismo: as três companhias perderam juntas cerca de US$ 900 bilhões em valor de mercado nos dias seguintes aos anúncios.

O paradoxo de Solow revisitado

Há uma ironia histórica que os economistas conhecem bem. Em 1987, o Nobel de Economia Robert Solow formulou aquela que se tornaria uma das frases mais citadas da economia moderna: "Vê-se computadores em toda parte, menos nas estatísticas de produtividade". O que ficou conhecido como o Paradoxo de Solow descrevia uma constatação perturbadora: décadas de investimento massivo em tecnologia da informação não produziam os saltos de produtividade prometidos pelos entusiastas do setor.

O paradoxo foi, eventualmente, resolvido — mas só na década seguinte. A produtividade americana disparou nos anos 1990, quando as empresas finalmente aprenderam a reorganizar seus processos em torno dos computadores. A lição foi clara: a tecnologia por si só não basta. É necessária uma profunda transformação organizacional para que o potencial produtivo se materialize em resultados econômicos mensuráveis.

Hoje, pesquisadores da Universidade de Stanford, como Erik Brynjolfsson — um dos maiores especialistas mundiais na relação entre tecnologia e produtividade —, argumentam que a inteligência artificial pode estar no início de uma trajetória semelhante, descrita como uma "Curva em J": um período inicial de desaceleração e adaptação, seguido de um salto exponencial de produtividade. Os dados revisados de 2025 mostram o crescimento da produtividade americana em 2,7%, quase o dobro da média da última década — um sinal que pode indicar o início dessa inflexão.

Porém, o economista Daron Acemoglu, Nobel de Economia de 2024, adota postura mais cautelosa. Em trabalho publicado pelo National Bureau of Economic Research, ele projeta ganhos de produtividade entre 0,5% e 0,7% ao ano na próxima década — modestos quando comparados às expectativas de mercado. Para Acemoglu, apenas as tarefas efetivamente substituíveis por IA nos próximos anos são aquelas que, no conjunto, representam uma fração limitada do trabalho humano.

A divergência entre Brynjolfsson e Acemoglu espelha uma tensão mais ampla: a distância entre o potencial técnico da IA e sua capacidade de transformação econômica no curto e médio prazo. Um estudo recente do NBER, que ouviu 6.000 executivos nos Estados Unidos, Reino Unido, Alemanha e Austrália, revelou que, embora dois terços das empresas afirmem usar IA, o consumo médio da tecnologia é de apenas 1,5 hora por trabalhador por semana. Mais de 90% das firmas relataram impacto nulo em produtividade nos últimos três anos.

Quem captura o valor da inteligência artificial?

A pergunta central da segunda fase da revolução da IA não é tecnológica. É econômica: quem ficará com a maior parcela do excedente gerado pela tecnologia?

A teoria econômica das tecnologias de propósito geral (General Purpose Technologies), desenvolvida pelos economistas Timothy Bresnahan e Manuel Trajtenberg nos anos 1990, oferece uma estrutura analítica útil. Tecnologias de propósito geral — como a máquina a vapor, a eletricidade e a internet — caracterizam-se por três atributos: pervasividade (aplicação em múltiplos setores), potencial de melhoria contínua e capacidade de gerar inovações complementares. A inteligência artificial preenche todos esses critérios.

Contudo, a mesma teoria ensina que os ganhos econômicos das GPTs raramente ficam com os criadores da tecnologia original. A eletricidade revolucionou a indústria ao longo do século XX, mas os maiores beneficiários não foram as geradoras de energia — foram as empresas que redesenharam suas fábricas e processos produtivos em torno dela. Com a internet, os grandes vencedores não foram as operadoras de telecomunicações que construíram a infraestrutura, mas sim as empresas que inventaram novos modelos de negócio sobre ela.

Com a inteligência artificial, o padrão pode se repetir. Se os modelos de linguagem se tornarem progressivamente mais acessíveis e comoditizados — tendência acelerada pela emergência de concorrentes como o DeepSeek, que demonstrou em 2025 ser possível construir modelos competitivos com frações do custo dos líderes americanos —, o diferencial competitivo passará a ser a capacidade de incorporar esses modelos às operações, 
produtos e decisões corporativas. A questão não será ter acesso à IA, mas saber o que fazer com ela.

Pesquisa da consultoria McKinsey estima que a adoção generalizada da IA poderia adicionar até US$ 13 trilhões ao PIB global até 2030. Mas a distribuição desse valor está longe de ser linear. Um levantamento da FGV IBRE aponta que a concentração de capacidades de IA em poucas grandes empresas de tecnologia levanta questões relevantes de poder de mercado, captura de dados e distribuição dos ganhos de produtividade — com riscos concretos de que os benefícios fiquem restritos a um conjunto muito pequeno de agentes econômicos.

Bolha ou revolução? A falsa dicotomia

A comparação com a bolha da internet tornou-se inevitável. Valuations elevados, investimentos recordes e concentração de mercado alimentam dúvidas sobre a sustentabilidade do ciclo atual. O próprio comportamento recente dos mercados — que puniram as big techs por anunciarem investimentos bilionários, mesmo com resultados operacionais positivos — revela uma mudança de perspectiva: os investidores querem ver lucros, não apenas promessas de transformação futura.

Mas a oposição entre bolha e revolução é, em grande medida, uma falsa escolha. A internet foi simultaneamente uma revolução econômica e uma bolha financeira. As ferrovias americanas do século XIX geraram ondas de especulação, falências em massa e destruição de capital — e ainda assim transformaram radicalmente a estrutura produtiva dos Estados Unidos. O mesmo padrão se repetiu com a eletrificação, com a aviação comercial e com a biotecnologia.

O economista Carlota Perez, em sua obra seminal sobre revoluções tecnoeconômicas, demonstra que os grandes ciclos de inovação passam invariavelmente por duas fases: uma de instalação, marcada por exuberância financeira e investimento em infraestrutura; e uma de desdobramento, em que a tecnologia finalmente se integra ao tecido produtivo e gera ganhos amplos e sustentados. A crise financeira que frequentemente separa essas duas fases não nega a revolução — ela a reorienta. O capital migra da especulação para a utilização.

Mercados frequentemente acertam sobre a importância de uma inovação e erram sobre o momento e a distribuição dos ganhos. A inteligência artificial pode seguir trajetórias semelhantes. A pergunta relevante não é "vai ou não vai transformar a economia?", mas sim: "quando, onde e para quem?"

Produtividade: a variável decisiva — e seus obstáculos

Se existe um argumento estrutural capaz de justificar o entusiasmo em torno da inteligência artificial, ele está na produtividade. Diferentemente das ondas anteriores de digitalização, que automatizaram principalmente tarefas físicas e rotineiras, a IA generativa avança sobre atividades cognitivas: pesquisa, análise, programação, atendimento ao cliente, compliance e tomada de decisão. Caso sua promessa se concretize em escala, os efeitos sobre a produtividade global poderão ser comparáveis aos das grandes tecnologias de propósito geral dos últimos dois séculos.

Os primeiros dados microeconômicos são sugestivos. Estudos indicam que agentes de IA resolvem cerca de 14% mais problemas por hora no atendimento ao cliente. Desenvolvedores usando ferramentas de assistência por IA entregam código cerca de 55% mais rápido. Em operações de segurança cibernética, ganhos de produtividade da ordem de 25% a 30% foram documentados em ambientes controlados. A consultoria IBM aponta que empresas que utilizam IA para análise de dados tomam decisões até 40% mais rápidas.

No entanto, a adoção tecnológica tende a ser rápida. A transformação organizacional, não. Esse é o nó central que separa as promessas da realidade. A pesquisa do NBER mencionada anteriormente reforça esse ponto: o descompasso entre a narrativa corporativa sobre IA e seu impacto mensurável nos indicadores de produtividade é gritante. Segundo levantamento da Solvd com a Wakefield (2025), 71% dos CIOs e CTOs afirmam que as expectativas dos boards sobre retorno sobre investimento em IA são irreais — precisamente porque não conseguem demonstrá-lo com dados concretos.

O verdadeiro desafio não será instalar sistemas de IA, mas redesenhar organizações inteiras para operar de forma eficiente com eles. Isso exige mudanças profundas em estruturas hierárquicas, processos de tomada de decisão, formação de capital humano e cultura corporativa. A eletricidade demorou décadas para transformar plenamente a indústria americana depois de sua disseminação — não por falta de tecnologia, mas por falta de reorganização produtiva. A IA pode enfrentar curva de aprendizado semelhante.

Para o Brasil, o desafio é ainda mais agudo. O setor de serviços concentra aproximadamente 70% das horas trabalhadas no país, segundo estudo citado pelo NeoFeed, mas é marcado por elevada fragmentação, baixa concorrência e produtividade historicamente estagnada. A difusão da IA nesse segmento será essencial — porém, demandará investimentos simultâneos em infraestrutura digital, formação de capital humano e um ambiente regulatório que não desincentive a inovação.

O que os mercados passarão a observar

Os mercados financeiros estão entrando em uma nova fase da narrativa da inteligência artificial. Na primeira etapa, o foco esteve na construção da infraestrutura — e os prêmios foram colhidos por quem fornecia os insumos essenciais. Na segunda fase, que se inicia agora, a atenção se deslocará inevitavelmente para a monetização.

Os investidores passarão a escrutinar com maior rigor indicadores como expansão de margens operacionais, crescimento de receita incremental atribuível à IA, geração de caixa livre, produtividade por empregado e retorno sobre o capital investido. A mera menção de IA nos relatórios e calls de resultados — prática que, entre setembro de 2024 e 2025, foi adotada por 374 empresas do S&P 500 — deixará de ser suficiente para sustentar valuations elevados.

Nesse cenário, os verdadeiros vencedores da segunda fase poderão ser empresas hoje menos visíveis: companhias de setores tradicionais — financeiro, saúde, logística, varejo — que conseguirem integrar a IA de forma sistêmica às suas operações, gerando ganhos concretos de eficiência e diferenciação competitiva. Também emergirão como relevantes as empresas que desenvolverem modelos de negócio proprietários sobre dados e processos que a IA ainda não consegue replicar.

A concentração no topo da cadeia de valor também merece atenção. A emergência do DeepSeek revelou que o domínio tecnológico não é imune à competição — e que modelos altamente eficientes podem ser construídos com custos muito inferiores aos praticados pelos líderes ocidentais. Se os modelos fundacionais se tornarem cada vez mais comoditizados, a guerra de capital das big techs pode se transformar em uma corrida cujo prêmio é menor do que o esperado.

Conclusão: a inteligência que falta não é artificial

A primeira fase da revolução da inteligência artificial premiou quem construiu a infraestrutura. A próxima fase deverá premiar quem demonstrar capacidade de transformar essa infraestrutura em resultados econômicos concretos e sustentáveis.

O paradoxo de Solow da era digital nos lembra que tecnologia e produtividade não são sinônimos. Entre o chip e o lucro, há um intervalo que só se atravessa com reorganização, aprendizado e, sobretudo, inteligência estratégica — essa, definitivamente, não artificial.

Os mercados estão começando a compreender essa distinção. E os gestores, analistas e executivos que chegarem primeiro a essa compreensão estarão melhor posicionados para capturar o valor que a revolução da IA promete — mas que ainda não entregou.

Referências

1. ACEMOGLU, Daron. The simple macroeconomics of AI. National Bureau of Economic Research (NBER), Working Paper n. 32487, maio 2024. Disponível em: https://www.nber.org/papers/w32487.
2. BICK, Alexander; BLANDIN, Adam; DEMING, David J. The rapid adoption of generative AI. National Bureau of Economic Research (NBER), Working Paper n. 32966, setembro 2024. Disponível em: https://www.nber.org/papers/w32966.
3. BRESNAHAN, Timothy F.; TRAJTENBERG, Manuel. General purpose technologies: 'Engines of growth'? Journal of Econometrics, v. 65, n. 1, p. 83-108, 1995.
4. BRYNJOLFSSON, Erik. The productivity paradox of information technology. Communications of the ACM, v. 36, n. 12, p. 66-77, 1993.
5. BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey R. Generative AI at work. National Bureau of Economic Research (NBER), Working Paper n. 31161, abril 2023. Disponível em: https://www.nber.org/papers/w31161.
6. EXAME. Big Techs devem investir US$ 320 bilhões em IA em 2025. Exame, 10 fev. 2025. Disponível em: https://exame.com/inteligencia-artificial/big-techs-devem-investir-us-320-bilhoes-em-ia-em-2025/.
7. EXAME. Big Techs perdem US$ 900 bilhões após anunciar gastos recordes com IA. Exame, 6 fev. 2026. Disponível em: https://exame.com/invest/mercados/big-tech-perde-us-900-bilhoes-apos-anunciar-gastos-recordes-com-ia/.
8. FGV IBRE. Impactos do avanço da inteligência artificial no mercado de trabalho: o que fazer? Blog da Conjuntura Econômica, 26 fev. 2026. Disponível em: https://ibre.fgv.br/blog-da-conjuntura-economica/temas/impactos-do-avanco-da-inteligencia-artificial-no-mercado-de.
9. IDC. Worldwide Artificial Intelligence Spending Guide. International Data Corporation, 2025.
10. McKINSEY GLOBAL INSTITUTE. Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey & Company, setembro 2018.
11. NEOFEED. Com o avanço da IA, o 'segredo' da produtividade está em replicar os ganhos do agronegócio. NeoFeed, 27 fev. 2026. Disponível em: https://neofeed.com.br/economia/com-o-avanco-da-ia-o-segredo-da-produtividade-esta-em-replicar-os-ganhos-do-agronegocio/.
12. PEREZ, Carlota. Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Cheltenham: Edward Elgar, 2002.
13. SOLOW, Robert M. We'd better watch out. New York Times Book Review, 12 jul. 1987.
14. SOLVD; WAKEFIELD RESEARCH. AI ROI Survey: CIO and CTO Perspectives. 2025.
15. SROUR, Solange. Produtividade brasileira e inteligência artificial: desafios e oportunidades. UBS Global Wealth Management, fev. 2026.

**As opiniões expressas em artigos são de exclusiva responsabilidade dos autores e não coincidem, necessariamente, com as do Diário do Comércio**

IMAGEM: Igor Omilae/Unsplash