Fadiga de modelos: laboratórios de IA lançam versões toda semana

Em uma única semana no início de setembro de 2026, quatro dos maiores laboratórios de inteligência artificial do mundo lançaram novos modelos. A Anthropic lançou o Claude Fable 5.1 e o Claude Mythos 5.1. A Meta lançou o Muse Spark 1.3. O Google apresentou o Gemini 3.8 Flash. A OpenAI lançou em seguida o GPT-6 Astra, modelo que a empresa descreve como voltado a cibersegurança e uso de computador, fruto de 'anos de pesquisa e grandes apostas'. Na mesma semana, a Mohamed bin Zayed University of Artificial Intelligence, em Abu Dhabi, acrescentou sua própria família de modelos abertos K2 Horizon, e a fabricante de chips Nvidia concordou em comprar a plataforma de código aberto Hugging Face por US$ 12,9 bilhões. O resultado, segundo executivos e pesquisadores ouvidos pela CNBC, é um fenômeno que eles chamam de 'fadiga de modelos': um esgotamento crescente entre os engenheiros que constroem esses sistemas e as empresas que precisam escolher entre eles.

Por que os laboratórios não desaceleram

O agrupamento dos lançamentos não é coincidência, segundo Ahmed Abbasi, professor da Mendoza School of Business, da Notre Dame, e pesquisador de IA há 25 anos. Segundo ele, as grandes desenvolvedoras 'estão todas disputando a maior fatia do orçamento do cliente', competindo para lembrar clientes e desenvolvedores de que inovam pelo menos tão rápido quanto os rivais. Anthropic e OpenAI, ambas avaliadas por investidores privados perto de US$ 1 trilhão, pressionam com força especial rumo a uma eventual abertura de capital. O executivo-chefe da OpenAI, Sam Altman, disse à CNBC que 'todos estamos migrando para ritmos mais rápidos', atribuindo parte da aceleração ao retorno das equipes das férias de verão.

O interesse financeiro explica a urgência. A Gartner projeta que os gastos mundiais com IA chegarão a US$ 2,59 trilhões em 2026, alta de 47% sobre 2025, dos quais mais de US$ 1 trilhão irão para serviços, software, segurança, modelos e outras ferramentas, além da infraestrutura pura. Toda família de modelos que fica um lançamento atrás corre o risco de perder parte desse orçamento para um rival disposto a lançar mais rápido — mesmo que, como observou Noah Faro, diretor de tecnologia da startup financeira Farsight, a maioria dos lançamentos desta semana tenha sido 'versões pontuais', atualizações de modelos existentes, e não criações totalmente novas. Segundo Faro, os últimos lançamentos que realmente mudaram o jogo foram o Fable 5 da Anthropic, em junho, e o Kimi K3 da Moonshot AI, em julho.

Sinto que a fadiga de modelos é real. Não me interpretem mal, estou extremamente animado com toda essa inovação, mas realmente acho que estamos em um ambiente com tanta efervescência que é preciso fazer barulho para se destacar.

Uma esteira que desgasta engenheiros e compradores

O ritmo aparece claramente nos números. Segundo uma análise do Crypto Briefing, o intervalo mediano entre grandes lançamentos de modelos de ponta em todo o setor caiu de 37,5 dias em 2023 para apenas 11 dias no acumulado de 2026. O próprio ritmo da OpenAI conta uma história parecida: o intervalo mediano entre seus lançamentos de modelos caiu de 170,5 dias em 2023 para 49 dias neste ano. Laboratórios chineses aumentaram a pressão — o modelo Kimi K3, da Moonshot AI, com 2,8 trilhões de parâmetros, alcançou paridade de desempenho com sistemas proprietários fechados a cerca de um sexto do custo de implantação, e modelos chineses responderam por 41% dos downloads no Hugging Face na primavera de 2026, antes da compra da plataforma pela Nvidia.

Analistas da Gartner apontaram o problema de fundo em junho de 2026: a 'convergência de capacidades', tendência de novos modelos de ponta obterem pontuações muito próximas entre si em testes padrão, o que apaga quase imediatamente a vantagem de lançar primeiro. O custo humano também ficou visível. Em julho de 2026, mais de 1.000 funcionários dos principais laboratórios de IA assinaram uma petição pedindo um ritmo de desenvolvimento mais equilibrado, citando saturação dos testes de referência e menos tempo para documentação e testes de segurança.

• Intervalo mediano entre grandes lançamentos de modelos: 37,5 dias em 2023, 11 dias no acumulado de 2026
• Ritmo próprio da OpenAI entre lançamentos: 170,5 dias em 2023, 49 dias em 2026
• Gastos mundiais com IA previstos pela Gartner para 2026: US$ 2,59 trilhões, alta de 47% sobre 2025
• Fatia dos downloads do Hugging Face de modelos abertos chineses, primavera de 2026: 41%
• Funcionários de laboratórios de IA que assinaram petição em julho de 2026 por um ritmo mais equilibrado: mais de 1.000

Esse desgaste recai diretamente sobre as equipes de TI das empresas. 'É realmente difícil avaliar cada um dos modelos que estão saindo agora', disse Suresh Vasudevan, CEO da startup de IA corporativa Clockwork Systems. Se sua empresa quer testar dez modelos candidatos para uma tarefa, disse ele, pode simplesmente escolher cinco e deixar o resto de lado — não porque os outros sejam piores, mas porque não sobra tempo para checar todos. 'Cada lançamento é tão bom que fica difícil identificar um salto real de qualidade', completou Vasudevan.

O que isso muda para uma empresa que precisa escolher um modelo

Para uma empresa brasileira que precisa decidir em qual modelo de IA se apoiar — quase sempre fornecido por um laboratório americano —, a fadiga de modelos transforma uma escolha técnica em um alvo móvel. Prender o roteiro de um produto ao modelo de um único fornecedor traz o risco de uma reescrita cara meses depois, quando um concorrente lançar algo bem melhor ou o próprio fornecedor descontinuar a versão em uso. A resposta que vem se firmando entre compradores corporativos, ecoando o comentário de Vasudevan e o achado da Gartner sobre convergência de capacidades, é parar de tratar o modelo subjacente como um ativo duradouro: cada vez mais empresas constroem uma camada de abstração — um roteador ou camada de orquestração capaz de trocar de modelo sem reescrever o código da aplicação — para que um modelo mais rápido ou mais barato possa ser adotado a cada trimestre, em vez de forçar uma reestruturação completa. Para uma empresa brasileira, isso soma-se ao custo cambial e logístico de depender de um fornecedor do outro lado do Atlântico: pesar o custo de troca e a dependência de fornecedor tão seriamente quanto os resultados de benchmark desta semana passa a ser tão importante quanto a decisão inicial em si.