Fadiga dos modelos: laboratórios de IA lançam versões todas as semanas

Numa 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. A Google apresentou o Gemini 3.8 Flash. A OpenAI seguiu-se com o GPT-6 Astra, um modelo que a empresa descreve como centrado na cibersegurança e no uso de computador, fruto de 'anos de investigação e grandes apostas'. Na mesma semana, a Mohamed bin Zayed University of Artificial Intelligence, em Abu Dhabi, acrescentou a sua própria família de modelos abertos K2 Horizon, e o fabricante de chips Nvidia acordou comprar a plataforma de código aberto Hugging Face por 12,9 mil milhões de dólares. O resultado, segundo responsáveis e investigadores ouvidos pela CNBC, é um fenómeno a que chamam 'fadiga dos modelos': um esgotamento crescente entre os engenheiros que constroem estes sistemas e as empresas que têm de escolher entre eles.

Porque é que os laboratórios não abrandam

Este agrupamento de lançamentos não é coincidência, segundo Ahmed Abbasi, professor da Mendoza School of Business, da Notre Dame, e investigador de IA há 25 anos. Segundo ele, os grandes criadores 'estão todos a disputar a maior fatia do orçamento do cliente', competindo para lembrar clientes e programadores de que inovam pelo menos tão depressa como os rivais. A Anthropic e a OpenAI, ambas avaliadas por investidores privados em cerca de 1 bilião de dólares, pressionam com especial força a caminho de uma eventual entrada em bolsa. O diretor executivo da OpenAI, Sam Altman, disse à CNBC que 'estamos todos a passar para cadências mais rápidas', atribuindo parte da aceleração ao regresso das equipas das férias de verão.

O interesse financeiro explica a urgência. A Gartner projeta que a despesa mundial em IA atingirá 2,59 biliões de dólares em 2026, mais 47% do que em 2025, dos quais mais de 1 bilião irá para serviços, software, segurança, modelos e outras ferramentas, além da infraestrutura pura. Qualquer família de modelos que fique atrás num lançamento arrisca perder parte desse orçamento para um rival disposto a lançar mais depressa — mesmo que, como notou Noah Faro, diretor de tecnologia da startup financeira Farsight, a maioria dos lançamentos desta semana tenham sido 'versões pontuais', atualizações de modelos existentes e não criações totalmente novas. Segundo Faro, os últimos lançamentos que realmente mudaram o panorama foram o Fable 5 da Anthropic, em junho, e o Kimi K3 da Moonshot AI, em julho.

Sinto que a fadiga dos modelos é real. Não me interpretem mal, estou muito entusiasmado com toda esta inovação, mas acredito mesmo que estamos num ambiente com tanta efervescência que é preciso fazer barulho para se destacar.

Uma passadeira rolante que desgasta engenheiros e compradores

O ritmo vê-se claramente nos números. Segundo uma análise da 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 desde o início de 2026. O próprio ritmo da OpenAI conta uma história semelhante: o intervalo mediano entre os seus lançamentos de modelos caiu de 170,5 dias em 2023 para 49 dias este ano. Os laboratórios chineses têm aumentado a pressão — o modelo Kimi K3, da Moonshot AI, com 2,8 biliões de parâmetros, atingiu paridade de desempenho com sistemas proprietários fechados a cerca de um sexto do custo de implementação, e os modelos chineses representaram 41% dos downloads no Hugging Face na primavera de 2026, antes da compra da plataforma pela Nvidia.

Os analistas da Gartner apontaram o problema de fundo em junho de 2026: a 'convergência de capacidades', a tendência de os novos modelos de ponta obterem pontuações muito próximas entre si em testes-padrão, o que apaga quase de imediato a vantagem de ser o primeiro a lançar. O custo humano também se tornou visível. Em julho de 2026, mais de 1000 trabalhadores dos principais laboratórios de IA assinaram uma petição a pedir um ritmo de desenvolvimento mais equilibrado, citando a saturação dos testes de referência e a redução do tempo para documentação e testes de segurança.

• Intervalo mediano entre grandes lançamentos de modelos: 37,5 dias em 2023, 11 dias desde o início de 2026
• Ritmo próprio da OpenAI entre lançamentos: 170,5 dias em 2023, 49 dias em 2026
• Despesa mundial em IA prevista pela Gartner para 2026: 2,59 biliões de dólares, mais 47% do que em 2025
• Fatia dos downloads do Hugging Face de modelos abertos chineses, primavera de 2026: 41%
• Trabalhadores de laboratórios de IA que assinaram uma petição em julho de 2026 por um ritmo mais equilibrado: mais de 1000

Este desgaste recai diretamente sobre as equipas de TI das empresas. 'É realmente difícil avaliar cada um dos modelos que estão a sair agora', disse Suresh Vasudevan, diretor executivo da startup de IA empresarial Clockwork Systems. Se a sua empresa quiser testar dez modelos candidatos para uma tarefa, disse, pode simplesmente escolher cinco e deixar os restantes de lado — não porque sejam piores, mas porque já não há tempo para os verificar a todos. 'Cada lançamento é tão bom que se torna difícil distinguir um verdadeiro salto de qualidade', acrescentou Vasudevan.

O que isto muda para uma empresa que tem de escolher um modelo

Para uma empresa portuguesa que tem de decidir em que modelo de IA apostar — quase sempre fornecido por um laboratório norte-americano —, a fadiga dos modelos transforma uma escolha técnica num alvo em constante movimento. Prender o roteiro de um produto ao modelo de um único fornecedor arrisca uma reescrita dispendiosa meses depois, quando um rival lançar algo claramente melhor ou o próprio fornecedor descontinuar a versão em uso. A resposta que se tem vindo a impor entre os compradores empresariais, ecoando o comentário de Vasudevan e a conclusão da Gartner sobre a convergência de capacidades, é deixar de tratar o modelo subjacente como um ativo duradouro: cada vez mais empresas constroem uma camada de abstração — um router 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 obrigar a uma reestruturação completa. Para uma empresa portuguesa, a isto soma-se a distância contratual e regulatória de depender de um fornecedor norte-americano: pesar o custo de mudança e a dependência do fornecedor com o mesmo rigor com que se pesam os resultados de referência desta semana passa a ser tão decisivo como a escolha inicial.