Em 14 de Junho de 2026, Mark Zuckerberg fez algo raro entre líderes de big techs. Escreveu um memorando interno admitindo que a Meta errou na maior reestruturação de sua história recente. Um mês antes, a empresa havia demitido 10% da força global de trabalho e realocado 7.000 funcionários para funções ligadas a fluxos de inteligência artificial.

“Dada a complexidade dessas transformações, cometemos alguns erros e quase certamente iremos cometer mais”, escreveu o executivo. A nova unidade de Applied AI Engineering chegou a operar com até 50 colaboradores por gerente. O resultado foi desorganização, queda de produtividade e um ambiente interno que funcionários descreveram como “deprimente”.

Zuckerberg tem entre 125 e 145 biliões de dólares em capex para 2026, a maior parte voltada à infra-estrutura de IA. Mesmo com esse colchão financeiro, a transição gerou ruído suficiente para forçar uma admissão pública. Para empresas sem essa margem, o mesmo tipo de erro chega mais pesado: produto quebrado, cliente insatisfeito, time desmotivado.

O caso da Meta não está sozinho. O que está a acontecer, simultaneamente em salas de direcção no mundo inteiro, é que o entusiasmo dos últimos anos está a ceder espaço a algo mais trabalhoso e mais honesto: o momento em que promessa e performance precisam se encontrar.

Minha leitura é que o descontentamento actual com a IA generativa não representa o fracasso da tecnologia. Representa o amadurecimento forçado de um mercado que, depois de anos de expectativas infladas, está aprendendo a separar insight real de ilusão bem produzida.

O que ficou para trás

A fase em que bastava anunciar um piloto de IA para impressionar investidores chegou ao fim. Os números são bastante directos sobre isso. Segundo o Project NANDA do MIT, 95% das organizações que investiram em IA generativa não viram retorno mensurável até 2025.

A S&P Global encontrou um padrão parecido: 42% das empresas abandonaram a maior parte de suas iniciativas de IA ao longo do último ano. O BCG identificou que apenas 5% das organizações conseguem criar valor substancial em escala, enquanto a maioria fica presa em pilotos que nunca saem do papel.

Esses dados revelam uma lição de casa que deveria ter sido feita antes da pressa de implementar. Empresas que compraram a narrativa de transformação instantânea estão a pagar agora por nunca terem definido, desde o início, qual problema específico a IA deveria resolver. Não é exactamente uma surpresa, mas custa caro.

O mercado está a corrigir essa lacuna da forma mais cara possível: aprendendo enquanto erra. É desconfortável, mas é o único caminho real para sair do hype e chegar à utilidade factual.

Por que o ROI não aparece

A McKinsey registrou que 88% das organizações já usam IA generativa de alguma forma. Apenas 39% conseguem associar esse uso a um impacto mensurável no EBIT. A distância entre adopção e resultado financeiro é o centro da frustração corporativa actual.

A pesquisa Writer’s Enterprise Survey de 2026 colocou números nesse custo oculto: para cada 10 horas supostamente economizadas com IA, quase 4 são gastas corrigindo as saídas que o sistema produziu. O que aparece em slide como economia vira, na prática, trabalho redobrado.

A Forbes, em reportagem de Junho de 2026, descreveu a IA agêntica como particularmente desperdiçadora nesse cenário. Empresas que adotaram agentes autónomos ultrapassaram em até três vezes os orçamentos planeado de consumo de tokens, sem ganhos proporcionais de produtividade.

O problema raramente está na tecnologia. Está na expectativa de que ela resolveria, sozinha, problemas de processo, governança e escopo que as próprias empresas nunca haviam resolvido antes. A Deloitte confirma: apenas 31% das organizações relatam impacto financeiro real depois de escalar projectos de IA além do piloto.

Quando a máquina falha e o negócio paga

Falhas operacionais têm custo directo sobre a confiança, e o sector viveu um episódio emblemático disso em Junho de 2026. A Anthropic, considerada por muitos a empresa mais cautelosa do sector, lançou o modelo Claude Fable 5, baseado na arquitetura Mythos. Durou 96 horas até a primeira grande crise.

O system card publicado junto ao lançamento, um documento técnico de 319 páginas, revelava uma salvaguarda invisível: quando o sistema identificava uma requisição que parecia tentativa de destilação, técnica usada para treinar modelos concorrentes a partir das respostas de um modelo maior, ele simplesmente degradava a resposta sem avisar o usuário. Quem perguntava recebia algo pior e não tinha como saber disso.

A comunidade de pesquisa reagiu com intensidade. O analista da SemiAnalysis classificou o mecanismo como “sabotagem secreta”. A Anthropic recuou em 48 horas e prometeu que qualquer limitação futura desse tipo seria visível e comunicada ao usuário. O episódio se soma a outras vozes críticas, como o pesquisador Nathan Lambert, que tem chamado parte do discurso de segurança em IA de pouco rigoroso do ponto de vista científico, e Dean Ball, que descreve certas narrativas de risco existencial como retórica útil para justificar posições de mercado dominantes.

Para quem opera no dia-a-dia das empresas, essa história aparece em escala menor, mas igualmente custosa: sistemas de moderação que bloqueiam anúncios legítimos, classificações erradas de conteúdo que afetam receita, decisões tomadas por modelos cuja lógica interna ninguém consegue auditar. Confiança perdida por opacidade é cara de recuperar.

A desconfiança tem números

A percepção pública sobre IA generativa ficou mais dura ao longo de 2026. O Pew Research Center registrou, em Março, que metade dos americanos está mais preocupada do que animada com o avanço dessas tecnologias no cotidiano.

A NBC News encontrou um quadro ainda mais polarizado: apenas 5% dos eleitores americanos se declaram “muito positivos” em relação à IA, contra 22% que se dizem “muito negativos”, resultando em favorabilidade líquida de -20 pontos. O instituto Quinnipiac complementa o retrato: 80% dos americanos estão preocupados com a tecnologia, e apenas 21% confiam nas informações que ela gera.

A pesquisa conduzida pela The Economist com o YouGov, em Maio de 2026, mostrou um consenso atravessando gerações: na maioria das faixas etárias pesquisadas, a maioria das pessoas acredita que a IA está a avançar mais rápido do que a sociedade consegue absorver.

Esses números dizem algo específico. Não é rejeição à tecnologia, é rejeição à pressa irresponsável com que ela tem sido implementada. A sociedade está a sinalizar, com bastante clareza, que quer adopção responsável, não velocidade pela velocidade.

O platô é real, e isso é óptimo

A estratégia dos últimos anos, baseada em modelos cada vez maiores, mais dados e mais poder computacional, ainda funciona. Mas seus retornos marginais estão a diminuir de forma visível, segundo análise da Hyperight publicada em 2026.

O próximo ciclo de ganhos relevantes provavelmente não virá de modelos maiores. Virá de efeitos compostos: inferência mais rápida, tratamento de erros mais sofisticado, raciocínio mais consistente em tarefas longas e complexas. É uma mudança de eixo, da escala bruta para a engenharia fina.

Esse platô funciona como filtro natural. Ele força a indústria a competir em inovação real de produto, não apenas em parámetros de modelo. As empresas que dependiam exclusivamente do argumento “nosso modelo é maior que o do concorrente” perdem essa vantagem quando o ganho marginal de escala se aproxima de zero.

O valor real está a migrar do modelo base para a aplicação específica: triagem inteligente de processos, roteamento de decisões, automação de fluxos de trabalho bem governados. Quem souber fazer isso com consistência tem muito mais a ganhar do que quem ainda aposta em ter o modelo mais potente.

O que sobrevive

No meio desse ajuste todo, alguns casos de uso já provaram o seu valor de forma consistente. Processamento inteligente de documentos, atendimento ao cliente com supervisão humana activa, análise de dados estruturados e geração de código com revisão técnica obrigatória formam o núcleo do que funciona hoje.

O diferencial competitivo parou de ser o acesso ao modelo mais avançado do mercado. Pertence a quem consegue integrar a tecnologia disponível com governança clara e métricas de retorno definidas desde o primeiro dia.

Para mercados emergentes, incluindo Angola e outras economias lusófonas em expansão digital, esse momento tem um ângulo interessante. Quem chega depois pode aprender com os erros caros de quem chegou primeiro e construir iniciativas de IA sobre bases mais sólidas, sem repetir a fase de experimentação sem critério que consumiu bilhões em mercados maduros.

Chegar tarde, aqui, pode ser vantagem.

O futuro pertence a quem mede melhor

O amadurecimento do mercado de IA generativa é sinal de que a tecnologia está a sair de curiosidade de laboratório para se tornar ferramenta de negócio com regras, métricas e responsabilidades.

As empresas que vão atravessar essa fase bem são aquelas capazes de combinar optimismo tecnológico com rigor financeiro, e ambição estratégica com a paciência de fazer as coisas direito. Mais do que qualquer modelo específico, essa combinação vai determinar quem sai na frente na próxima década.

O futuro da IA generativa pertencerá a quem souber medir, com honestidade, o que ela de facto entrega.

Se você lidera negócios ou equipas e já viveu esse momento de ajuste com IA, saiba que essa curva de maturidade sobre as potencialidades e limitações concretas valem mais do que qualquer protótipo ou projecto grandioso. Ou seja: você está no caminho certo.

—

Diego Seguro, é professor de tecnologia na Universidade Anhembi Morumbi e especialista em soluções de inteligência artificial para negócios. Com certificação xPRO em IA e Data Science pelo MIT e mais de 16 anos de experiência em tecnologia, marketing, educação e inovação, actua como consultor em projectos de transformação digital e IA.