A era do scaling está com os dias contados

O relatório da Stanford AI100, publicado em 10 de novembro de 2026, traz uma mensagem que vai contra a narrativa dominante da indústria de inteligência artificial. AI Goes Mainstream: The Scaling Era and the Rise of Generative AI — o terceiro documento do One Hundred Year Study on Artificial Intelligence — reconhece que o método que impulsionou os avanços mais notáveis dos últimos cinco anos está se esgotando.

O que é o AI100 e por que importa

Criado em 2014 no Instituto para IA Centrada no Humano de Stanford (HAI), o AI100 é concebido como um estudo longitudinal de longo prazo: a cada cinco anos, um painel independente de especialistas avalia o estado da inteligência artificial. A primeira edição saiu em 2016, a segunda em 2021, e a terceira foi presidida por Michael Wooldridge, professor da Universidade de Oxford. O painel conta com nomes como Peter Norvig, da Google, Toby Walsh, da UNSW Sydney, Sara Hooker e Iyad Rahwan, do Instituto Max Planck.

Diferente dos relatórios anuais de Stanford HAI (o AI Index), que focam em dados estatísticos, o AI100 é um exercício de reflexão coletiva, com 12 perguntas fixas, dois estudos aprofundados sobre geopolítica e scaling, e uma linguagem que tenta ser a mais honesta possível. Os autores se permitem uma ironia rara em documentos acadêmicos: avisam, já na introdução, que "o relatório estará desatualizado quando você o ler".

A descoberta central: o scaling está sob pressão

O ponto de maior impacto do relatório é a constatação de que a estratégia que definiu a era da IA generativa — usar dados e computação em escala sem precedentes — está encontrando limites estruturais. Segundo o painel, o paradigma do scaling é agora pressionado por dois fatores:

1. Escassez de dados de alta qualidade. Fontes novas de dados em volume e qualidade para treinar modelos de fronteira estão cada vez mais escassas. Pesquisadores já discutem abertamente o conceito de "peak data" — a ideia de que o pool de texto humano de alta qualidade disponível para treinamento está praticamente esgotado.

2. Custos proibitivos de compute. Treinar modelos de fronteira está se aproximando de um limite econômico. O relatório estima que modelos de fronteira podem logo custar bilhões de dólares para treinar, e, considerando que modelos "vivos" têm apenas cerca de 18 meses de validade antes de precisarem ser refeitos, "esses custos podem tensionar até os recursos dos gigantes do Vale do Silício".

O que isso significa na prática é uma mudança de paradigma. A próxima fase da IA não será definida por modelos cada vez maiores treinados com sempre mais dados brutos. Será definida por algoritmos mais inteligentes, modelos menores que são reconstruídos menos frequentemente, melhor contexto e memória, mais computação no momento da inferência (inference-time compute) e ferramentas ou agentes especializados para tarefas complexas.

"A IA ainda não está se pagando"

Uma das frases mais contundentes do relatório aparece na quarta conclusão principal:

> "O impacto econômico da IA ainda não é evidente em dados macroeconômicos agregados nem nos retornos de investimento das empresas: a IA ainda não está se pagando."

A frase soa ainda mais impactante quando contextualizada. O próprio relatório reconhece que o investimento em infraestrutura de IA é "sem precedentes em escala e velocidade", sustentando partes da economia dos EUA e alimentando temores de uma bolha financeira. Nvidia atingiu valuation superior a US$ 5 trilhões no momento da escrita do documento. Sozinha, a ação da Nvidia representou mais de 15% dos ganhos do mercado de ações americano em 2025. 60% dos ganhos do mercado vieram dos setores de tecnologia e comunicações.

A disparidade entre investimento colossal e retorno mensurável não é novidade — analistas já levantaram essa questão há mais de um ano — mas o fato de um relatório acadêmico independente colocar isso em termos tão diretos é um sinal de que a narrativa do retorno automático está começando a ser contestada até mesmo entre os estudiosos.

A concentração que preocupa

O relatório também diagnostica um problema de governança: o desenvolvimento de IA de fronteira está concentrado em um número pequeno de entidades, predominantemente nos Estados Unidos e na China. Essa concentração, argumentam os autores, não é apenas um fato de mercado — é um problema estrutural de governança global.

A recomendação é clara: a sociedade precisa ter voz sobre como a IA é construída e implantada. E, até o momento, não tem tido. Os autores chamam para maior envolvimento público, educação mais ampla sobre como esses sistemas funcionam e estruturas de governança mais claras.

A IA que escreveu sobre a IA

Há uma ironia fina no próprio processo de produção do relatório. Os autores admitem que usaram ferramentas de IA para transcrições, resumos e rascunhos iniciais. Eles enfatizam que a análise central e a redação final foram conduzidas por humanos. Mas o fato de o documento usar IA para se produzir não é apenas um detalhe burocrático — é um microcosmos da própria tensão que o relatório descreve.

O painel termina com uma chamada que ecoa entre os estudos anteriores do AI100: "os benefícios e os riscos das tecnologias de IA exigem a mesma análise serena e desprovida de ilusões". Não é um chamado para pausar o progresso — o relatório não defende moratória — mas é um aviso de que a aceleração sem escrutínio pode ter consequências que o próprio modelo de scaling não consegue prever.

Fontes: Stanford HAI — AI100 Report 2026, The Next Web, CryptoBriefing

✓ Fontes independentes cruzadas e verificadas antes da publicação