2025: A Onda de Choque de US$ 600 Bilhões da IA

O dinheiro parou de pingar na AI e começou a chegar como uma inundação. O investimento em AI empresarial saltou de US$ 1,7 bilhão em 2023 para US$ 37 bilhões em 2025, um salto de 20x que transformou pilotos experimentais em estratégia mandatada pelo conselho. CFOs que passaram 2023 pedindo por “uma pequena prova de conceito” passaram 2025 escrevendo cheques de nove dígitos para integração de modelos, infraestrutura e agentes que poderiam tocar cada fluxo de trabalho.

O capital de risco seguiu a mesma atração gravitacional. Startups de AI capturaram quase 50% de todo o financiamento global de startups em 2025, um aumento de uma fatia de nicho apenas quatro anos antes. Fundos que antes equilibravam apostas em fintech, cripto e aplicativos de consumo, discretamente se renomearam como “AI-first” e reescreveram suas teses em torno de modelos de fundação, agentes e barreiras de dados.

Mega-rodadas deixaram de ser exceções e se tornaram o padrão para qualquer coisa com uma barreira de entrada minimamente plausível. Somente nos EUA, 49 startups de AI levantaram rodadas de US$ 100 milhões ou mais, um clube que ia desde players de AI jurídica como Harvey até copilotos verticais em saúde, finanças e manufatura. Investidores de estágio avançado trataram cada um como um potencial monopólio de categoria, pagando por curvas de crescimento que se pareciam mais com software em nuvem em 2010 do que com SaaS em 2025.

Todo esse capital detonou no mercado de talentos. Engenheiros de ML seniores e especialistas em infraestrutura saltaram de salários FAANG para ofertas de startups recheadas com participação massiva, bônus de assinatura e termos de trabalho remoto por padrão. Funções de software tradicionais sentiram a pressão à medida que as faixas de remuneração se inclinavam para pessoas que podiam lançar ou escalar grandes modelos de linguagem, não apenas integrar APIs.

As avaliações seguiram a mania. Agentes de AI pré-receita levantaram a preços de unicórnio com a promessa de receita futura baseada no uso; empresas com tração real, como Cursor atingindo US$ 500 milhões de ARR, redefiniram o teto para o que o software “AI-native” poderia valer. Os mercados públicos oscilaram entre euforia e pânico, com eventos como os avanços de código aberto da DeepSeek ajudando a apagar centenas de bilhões do valor de mercado da Nvidia em uma única sessão de negociação e lembrando a todos o quão frágil essa nova economia de AI poderia ser.

Ondas de choque atingiram o Vale do Silício em um dia frio de negociação em janeiro de 2025, quando a startup chinesa DeepSeek lançou o DeepSeek-R1 no GitHub e Hugging Face. O modelo igualou ou superou sistemas de ponta ocidentais em vários benchmarks de raciocínio, mas foi lançado como um checkpoint com licença permissiva e totalmente baixável. Para uma comunidade acostumada a APIs limitadas e tetos de uso, o R1 parecia menos um lançamento de produto e mais uma fuga de prisão.

Em poucas horas, a Nvidia perdeu aproximadamente US$ 600 bilhões em valor de mercado, a maior perda em um único dia para qualquer empresa dos EUA na história. Comentaristas instantaneamente enquadraram isso como causalidade: se modelos abertos e de alta qualidade pudessem rodar em GPUs ou até CPUs de commodity, a demanda em hiperescala por aceleradores de ponta da Nvidia de repente parecia menos infinita. Os traders não esperaram por nuances; eles precificaram um futuro onde a AI não significava mais expansão automática de margem para um único fornecedor de chips.

Essa narrativa simplificou demais a situação. A queda da Nvidia também acompanhou uma volatilidade tecnológica mais ampla, realização de lucros após um superciclo de GPU de vários anos e ansiedade sobre a capacidade excessiva de data centers. No entanto, o DeepSeek-R1 forneceu uma história clara e um vilão: o código aberto como uma ameaça existencial à AI proprietária e às pilhas de hardware que a alimentam.

Estrategicamente, o R1 desfez a suposição de que apenas gigantes dos EUA como OpenAI, Google, Anthropic ou Meta poderiam desenvolver modelos de raciocínio de ponta. O DeepSeek mostrou que uma pilha enxuta e agressivamente otimizada — pipelines de dados chineses, truques de treinamento caseiros, ajuste implacável de inferência — poderia fechar a lacuna sem o inchaço de trilhões de parâmetros. Isso desafiou não apenas os modelos fechados, mas todo o modelo de negócios de IA baseado em nuvem e alugado por API.

Os desenvolvedores agiram rápido. Em semanas, o GitHub foi preenchido com: - Assistentes de codificação baseados em R1 - Aplicativos de chat no dispositivo para laptops e telefones - Copilotos empresariais auto-hospedados conectados a códigos e documentos internos

O “Ano da IA local” deixou de ser uma previsão e se tornou uma realidade de entrega, à medida que as equipes perceberam que poderiam manter os dados on-prem, evitar taxas por token e ainda obter desempenho próximo ao de ponta.

Geopoliticamente, o DeepSeek-R1 chegou como um momento Sputnik. Os formuladores de políticas dos EUA, já nervosos com as ambições de chips da China, agora se deparavam com um laboratório chinês ditando o ritmo em modelos abertos que qualquer um — startups, universidades, estados rivais — poderia ramificar e especializar. Pequim, por sua vez, obteve uma vitória de soft power: a prova de que poderia moldar a pilha global de IA não apenas por meio de proibições de hardware e controles de exportação, mas por meio de código que rodava em todos os lugares.

Os agentes pararam de esperar por instruções e começaram a agir por conta própria no início de 2025. O Operator da OpenAI chegou primeiro, um trabalhador baseado em nuvem que abria seu próprio navegador, clicava em aplicativos da web, preenchia formulários, extraía dados e encadeava ferramentas para lidar com “milhões de tarefas diferentes” sem um humano controlando o mouse. Em março, a Manus seguiu com seu General AI Agent, propondo um único trabalhador que poderia viver dentro dos fluxos de trabalho empresariais e orchestrar tudo, desde atualizações de CRM até relatórios financeiros.

Os desenvolvedores de repente tiveram que pensar menos em prompts e mais em delegar tarefas. Em vez de pedir a um modelo para “redigir um e-mail”, os primeiros usuários apontaram o Operator para uma caixa de entrada e o instruíram a triar uma semana de mensagens, agendar reuniões e enviar itens de ação para o Jira. Clientes da Manus conectaram agentes a sistemas internos para que pudessem conciliar faturas durante a noite ou monitorar continuamente os pipelines de vendas.

Andrej Karpathy deu a este novo fluxo de trabalho um nome em fevereiro: “Vibe coding.” Em vez de especificar cada função e caso de borda, os engenheiros descreveram a “vibe” de um recurso — como ele deveria parecer, como deveria se comportar — e deixaram um agente de IA iterar sobre código, testes e documentação. O termo se espalhou rápido o suficiente para ganhar sua própria entrada na Wikipedia, consolidando uma mudança da codificação linha por linha para a arquitetura conversacional.

O Vibe coding refletiu uma mudança mais ampla na colaboração humano-IA. As equipes começaram a projetar: - Especificações e restrições de alto nível - Guardrails, conjuntos de testes e monitores - Loops de feedback onde os agentes propunham mudanças e os humanos apenas aprovavam ou redirecionavam

Tarefas complexas e de longa duração tornaram-se o verdadeiro campo de prova. Os Operators permaneceram ativos por horas, rastreando logs de suporte para elaborar análises de causa raiz, refatorando microsserviços inteiros ou executando campanhas de marketing de várias etapas que abrangiam criação de anúncios, testes A/B e painéis de análise. Estes não eram prompts únicos; eram projetos.

O hype, previsivelmente, superou a realidade. As demonstrações mostravam fluxos de trabalho impecáveis e sem intervenção manual, mas os usuários do início de 2025 encontraram integrações de ferramentas frágeis, falhas silenciosas em longas cadeias e agentes que alucinavam elementos de UI que não existiam. As equipes de segurança se recusaram a dar acesso em nível de navegador a qualquer coisa com credenciais de root, e muitas implantações “totalmente autônomas” foram discretamente revertidas para modos supervisionados.

Ainda assim, a direção parecia irreversível. O agente da Operator e da Manus deixou claro que a próxima mudança de plataforma não era apenas chatbots mais inteligentes, mas AI com algo como um corpo: browsers, APIs e infrastructure pelos quais ela poderia se mover sozinha. Para quem acompanha as apostas geopolíticas e de infrastructure mais amplas dessa mudança, The AI 'Sputnik Moment,' DeepSeek, and Decentralized AI | Grayscale mapeou como agentes, modelos abertos e computação descentralizada poderiam colidir.

Os relógios mal marcavam fevereiro antes que os laboratórios começassem a disparar. O Google abriu com Gemma 3, uma linha de código aberto surpreendentemente capaz que escalava de amigável para laptops a classe de data center, e então seguiu quase imediatamente com Gemini 2.5, seu primeiro modelo que fez o “contexto infinito” parecer menos um truque de demonstração e mais uma funcionalidade de produto. Na primavera, a Anthropic respondeu com a família Claude 4, e a Meta lançou o Llama 4 “Herd”, transformando 2025 em uma corrida armamentista medida em tokens, parâmetros e GitHub stars.

O Google apostou no contexto como seu diferencial. O truque principal do Gemini 2.5: janelas de milhões de tokens que podiam ingerir bases de código inteiras, wikis corporativas e arquivos de e-mail de vários anos em uma única sessão. Empresas obcecadas com conformidade e rastreabilidade de repente tinham um modelo que podia literalmente ler tudo e mantê-lo ativo na memória.

A Meta seguiu na direção oposta com o Llama 4 Herd, apostando que um enxame vence um monólito. Em vez de um único modelo de fronteira gigante, o Herd orquestrou muitos Llamas – alguns ajustados para código, outros para busca, outros para raciocínio multimodal – em um pacote coordenado. Os desenvolvedores podiam compor trabalhadores especializados em vez de rezar para que um único modelo geral adivinhasse o comportamento correto.

A Anthropic assumiu discretamente um campo de batalha diferente: teclados e terminais. O Claude 4 e suas variantes, especialmente Claude Code e mais tarde Claude Code for the Web, tornaram-se o “rei da codificação” de facto, alimentando IDEs, editores baseados em navegador e ferramentas de codificação agentic como Cursor e Windsurf. Os benchmarks importavam menos do que a realidade vivida: pull requests mais rápidas mescladas, menos stack traces noturnos e patches escritos por AI que realmente compilavam.

A especialização definiu o ano. Em vez de LLMs de tamanho único, as equipes escolheram pilhas: - Claude 4 para refatorações profundas e raciocínio multi-arquivo - Gemini para análise de longo contexto de logs, tickets e documentação - Llama 4 Herd para fluxos de trabalho personalizáveis, on-prem e sensíveis à privacidade

Na frente de código aberto, o Qwen3 da Alibaba provou que o momento DeepSeek não foi um evento isolado. Os modelos Qwen3 atingiram um ponto ideal de desempenho, flexibilidade de licença e eficiência de hardware, tornando-se um pilar em regiões cautelosas com a dependência da nuvem dos EUA. Plataformas auto-hospedadas, desde startups iniciantes até nuvens apoiadas pelo estado, padronizaram o Qwen3 como a alternativa “boa o suficiente para sempre” ao aluguel de modelos de fronteira por token.

Superinteligência deixou de ser uma palavra de ficção científica em 2025 e se tornou um item nas demonstrações financeiras corporativas. No centro está Stargate, uma proposta de construção de $500 bilhões em infrastructure de AI dedicada em grande parte à OpenAI, distribuída ao longo de aproximadamente quatro anos. Esse número rivaliza com o custo de sistemas rodoviários nacionais e programas espaciais, mas desta vez o concreto é despejado em data centers, contratos de energia e fornecimento de chips.

Stargate efetivamente transforma a OpenAI de uma empresa de modelos em uma quase-utilidade. Relatórios descrevem campi multi-gigawatts, redes personalizadas e integração estreita com aceleradores de classe Nvidia e o que vier depois deles. A aposta: se a AGI é real, quem controla a grade de computação controla o futuro.

Mark Zuckerberg respondeu elevando as ambições de IA da Meta ao máximo. Ele lançou a Meta Superintelligence Labs, uma reorganização e rebranding que visa explicitamente sistemas super-humanos, não apenas melhores recomendações de Reels. Recrutadores começaram a oferecer pacotes de remuneração total de 9 dígitos para pesquisadores e engenheiros de elite, com ofertas pesadas em ações projetadas para atrair diretamente da OpenAI, Google DeepMind e Anthropic.

A guerra por talentos tornou-se pública e brutal. Nomes de destaque desapareceram silenciosamente das listas de autores e subitamente apareceram nos diretórios de empregos da Meta. Compensações vazaram no X e no Blind, com ofertas que supostamente ultrapassavam US$ 50 milhões em ações, além de salários multimilionários para um punhado de contratações “distintas”.

A Microsoft, já a maior apoiadora da OpenAI, parou de fingir que apenas alugava GPUs. Em novembro, ela estabeleceu a MAI Superintelligence Team, um grupo dedicado dentro da empresa encarregado de buscar sistemas superinteligentes na própria pilha da Microsoft. Essa mudança sinalizou a intenção de Redmond de se proteger contra a dependência excessiva da OpenAI e de incorporar pesquisa de ponta profundamente no Azure, Windows e Microsoft 365.

Juntos, Stargate, Meta Superintelligence Labs e MAI marcam uma mudança estratégica. A fronteira não gira mais em torno de quem lança o próximo modelo chamativo como GPT-5 ou Claude 4.5. A corrida agora se concentra em quem pode financiar e operar infraestrutura em escala continental, garantir o fornecimento de energia e chips, e reunir o pequeno grupo de pessoas capazes de pilotar sistemas de classe AGI.

Modelos tornaram-se as aplicações. Superinteligência é a plataforma. E 2025 é quando os maiores players da tecnologia começaram a pagar preços de plataforma.

Obrigatório não é mais um exagero, é política. Em meados de 2025, o AI-native IDE Cursor ultrapassou discretamente US$ 500 milhões em ARR, um número que pareceria agressivo para uma suíte SaaS madura, não para um editor de código que mal existia há alguns anos.

Desenvolvedores se moveram em sincronia. Pesquisas mostraram que 84% dos desenvolvedores usam ou planejam usar ferramentas de IA em seu fluxo de trabalho, e aproximadamente metade de todos os desenvolvedores iniciam um assistente de codificação de IA todos os dias.

A ascensão do Cursor transformou o “AI-first IDE” de curiosidade em padrão. Sua integração estreita de refatorações, edições de múltiplos arquivos e contexto em escala de repositório fez com que o preenchimento automático tradicional parecesse discado.

Novos participantes de peso validaram essa mudança. A OpenAI lançou o Codex Agent em maio, um companheiro de codificação sempre ativo que podia: - Iniciar projetos greenfield a partir de especificações - Executar testes e depurar em loop - Abrir pull requests com diffs legíveis por humanos

A Amazon seguiu em julho com o Kiro, um agente de codificação focado em empresas, conectado diretamente ao AWS. O Kiro não apenas sugeria código; ele entendia IAM policies, VPC layouts, internal APIs e regras de conformidade corporativa, então gerava infraestrutura e código de aplicação que as correspondiam.

Departamentos de TI empresariais pararam de perguntar se deveriam permitir assistentes de IA e começaram a perguntar em qual pilha padronizar. A Microsoft silenciosamente venceu essa discussão: o Microsoft 365 Copilot chegou a salas de reunião, RH, finanças e vendas, e até o final de 2025, 90% das empresas da Fortune 500 o haviam implementado.

A ubiquidade do Copilot também importou para os desenvolvedores. Revisões de código chegavam pré-sumarizadas no Outlook, threads do Teams vinham com resumos técnicos auto-gerados, e gerentes de produto colavam especificações que o Copilot já havia limpado e estruturado para implementação.

Assistentes de codificação de IA também surfaram uma onda geopolítica e competitiva mais ampla. O DeepSeek-R1 da China, enquadrado por alguns analistas como um “Sputnik moment” para a IA, acelerou a urgência global; para um aprofundamento, veja DeepSeek: O Momento Sputnik da Era da IA?.

Até o final de 2025, não usar um assistente de codificação de IA parecia menos com maestria e mais com negligência. Equipes que tentaram bani-los descobriram uma realidade desconfortável: velocidade, consistência e até a qualidade da documentação agora pressupunham que um bot incansável e ciente do contexto estava no editor ao lado de cada engenheiro.

Reguladores finalmente pararam de assistir e começaram a escrever regras. O EU AI Act, que entrou em vigor em 2025, tornou-se o primeiro arcabouço legal completo do mundo para IA, classificando sistemas por nível de risco e impondo obrigações rigorosas em implantações de “alto risco” em setores como saúde, finanças e infraestrutura crítica. Modelos de fundação agora enfrentam requisitos de transparência, segurança e documentação que são muito mais rigorosos do que leis de privacidade anteriores, como o GDPR.

Bruxelas não agiu sozinha; os tribunais se juntaram com um martelo financeiro. A Anthropic concordou com um acordo relatado de US$ 1,5 bilhão com uma coalizão de autores sobre suposta violação de direitos autorais em seus dados de treinamento, tornando-se instantaneamente o caso de referência para toda futura disputa de direitos autorais de IA. O pagamento sinalizou que “raspar agora, litigar depois” havia se transformado de um truque de crescimento em um risco para o balanço patrimonial.

Todo provedor de modelo de linguagem grande de repente teve que modelar a exposição legal juntamente com o throughput de tokens. Processos e ameaças agora abrangem: - Livros, notícias e código protegidos por direitos autorais em corpora de treinamento - Similaridade de saída com obras específicas - Uso indevido, difamação e violações de privacidade por usuários finais

Essa pressão empurra os fornecedores para conjuntos de dados licenciados, dados sintéticos e filtros de conteúdo rigorosos, mas também levanta uma questão difícil: os modelos de fronteira podem permanecer competitivos sem a web bagunçada e protegida por direitos autorais?

Nesse caos, surgiu uma nova classe de escritórios de advocacia nativos de IA. A Harvey levantou US$ 300 milhões em uma rodada Série D com uma avaliação multibilionária para construir copilotos jurídicos especializados para revisão de contratos, preparação para litígios e análise regulatória. Grandes escritórios de advocacia discretamente encaminharam milhares de horas de descoberta e due diligence por meio de sistemas semelhantes ao Harvey, transformando o trabalho jurídico em outra arena onde a IA não é mais experimental, mas infraestrutura obrigatória.

Agosto finalmente entregou o que dois anos de rumores haviam prometido: o GPT-5. A OpenAI o enquadrou menos como um modelo e mais como um sistema operacional para inteligência — multimodal nativo, memória persistente e agentes conectados desde o primeiro dia. Empresas discretamente transformaram pilotos em produção, pois o GPT-5 reduziu drasticamente a sobrecarga de engenharia de prompts e fez com que os fluxos de trabalho da era GPT-4.1 anteriores parecessem primitivos.

Quatro meses depois, o GPT-5.2 chegou como a versão “conserta tudo”. A OpenAI aprimorou o raciocínio, reduziu a latência e melhorou dramaticamente o uso de ferramentas, especialmente para código e dados estruturados. Para muitas empresas, o 5.2 — não o 5.0 — tornou-se o verdadeiro ponto de migração, com fornecedores correndo para estampar “GPT-5.2 inside” em painéis de SaaS.

Enquanto os modelos de texto dominavam as manchetes, a mídia generativa se tornou termonuclear. O Sora 2 da OpenAI expandiu de vídeos estranhos para a geração sincronizada de vídeo mais áudio, transformando um único prompt em um storyboard, um corte bruto e uma trilha sonora temporária. O Google contra-atacou com o Nano Banana Pro, um gerador de imagens compacto, mas surpreendentemente capaz, que rodava eficientemente em GPUs de consumo e telefones de ponta.

O Google também não ficou de fora da guerra de modelos. O Gemini 3 chegou como a resposta de Mountain View ao GPT-5, um modelo geral de primeira linha firmemente integrado ao Workspace, Android e Chrome. Em demonstrações internas do Google, o Gemini 3 não apenas resumiu Docs; ele reescreveu apresentações de slides, reestruturou modelos de Sheets e gerou automaticamente campanhas de e-mail com variantes A/B ao vivo.

As indústrias criativas sentiram o choque primeiro. Estúdios de vídeo usaram o Sora 2 para pré-visualização, animatics e localização, com algumas agências de publicidade reduzindo os prazos de produção de semanas para dias. Criadores independentes encadearam GPT-5.2, Sora 2 e Nano Banana Pro em “micro-estúdios” de uma pessoa que apresentavam, roteirizavam, faziam storyboards e renderizavam campanhas inteiras.

As empresas se moveram tão rápido quanto. GPT-5.2 e Gemini 3 tornaram-se os cérebros padrão por trás de: - Agentes de suporte ao cliente que lidavam com ciclos de vida completos de casos - Copilotos internos que escreviam políticas, código e documentação - Bots de análise que consultavam data warehouses e produziam apresentações prontas para o conselho

Projetos legados de “chatbot” morreram silenciosamente. Em seu lugar, os CIOs padronizaram um pequeno conjunto de modelos de fronteira—GPT-5.2, Gemini 3 e Claude 4.x—para tudo, desde revisões de conformidade até design de produtos, consolidando 2025 como o ano em que a IA de propósito geral deixou de ser um projeto piloto e começou a operar a empresa.

Incumbentes ricos em dinheiro passaram o final de 2025 transformando a corrida desenfreada da IA em uma disputa por território. A NVIDIA deu início à corrida, adquirindo os ativos da Groq por US$ 20 bilhões em um acordo que integrou a tecnologia LPU de ultrabaixa latência da startup à sua já dominante pilha de GPUs. A Meta rapidamente seguiu, anunciando que adquiriria a Manus, a startup de agentes badalada por trás do General AI Agent, para integrar firmemente a automação em seu ecossistema Llama e em sua iniciativa empresarial.

Dinheiro estratégico fluiu quase tão agressivamente quanto fusões e aquisições. A Disney investiu US$ 1 bilhão na OpenAI, visando explicitamente a tecnologia de geração de vídeo do Sora como a espinha dorsal para futuras animações, VFX e experiências em parques temáticos. A medida sinalizou que Hollywood não vê mais a IA como uma ferramenta auxiliar, mas como infraestrutura central para pipelines de conteúdo.

Alianças se solidificaram em algo mais próximo de blocos. Microsoft, NVIDIA e Anthropic formalizaram uma parceria estratégica tripartite, alinhando nuvem, silício e modelos com foco em segurança em uma única pilha pronta para empresas que desejam capacidade de ponta com um verniz de governança. A IBM aprofundou seu próprio pacto empresarial com a Anthropic, enquanto a equipe de superinteligência MAI da Microsoft silenciosamente se tornou o centro de gravidade político para as ambições de IA de Redmond.

As avaliações se recusaram a esfriar, mesmo com reguladores cercando e mercados públicos oscilando. A Databricks levantou US$ 4 bilhões em uma rodada Série L de estágio avançado com uma avaliação de US$ 134 bilhões, consolidando seu papel como a plataforma neutra de dados e IA entre os hyperscalers e todos os outros. A Perplexity atingiu uma avaliação de US$ 20 bilhões com a promessa de que “mecanismos de resposta” desviarão dinheiro de busca e publicidade do Google mais rápido do que os incumbentes podem se reestruturar.

Por trás dos números principais, esses mega-acordos começaram a definir quem controla quais camadas da pilha de IA. A aquisição da Groq pela NVIDIA apertou seu controle sobre o hardware de inferência justamente quando modelos abertos no estilo DeepSeek ameaçavam a demanda por GPUs, uma tensão desvendada em Beyond the Headlines on DeepSeek's Sputnik Moment. A compra da Manus pela Meta, a aposta da Disney no Sora e o eixo Microsoft-NVIDIA-Anthropic apontaram todos na mesma direção: menos players independentes, maiores barreiras de entrada e um mercado de IA que de repente se parecia muito mais com a velha guarda da Big Tech.

2025 termina com a AI em todo o lado: em IDEs, browsers, call centers e data centers. Modelos locais e open-source como DeepSeek-R1 e Qwen3 transformaram o “bom o suficiente” em “proteção estratégica”, dando às empresas alavancagem contra os preços dos hyperscalers. Ao mesmo tempo, os fluxos de trabalho agentic saltaram de demos de hackathon para produção, com OpenAI Operator, Amazon Kiro e Manus a mostrar como o software pode agora ler documentos, clicar em botões e enviar código.

A estratégia de modelos inverteu-se silenciosamente. Em vez de um mega-modelo a fazer tudo, as empresas agora empilham sistemas especializados: modelos de raciocínio como o3, instâncias leves de Gemma 3 ou Llama 4 Herd para tarefas em dispositivos, e motores de vídeo como Sora 2 ou Veo 3. MCP e padrões semelhantes transformaram estes modelos em componentes plugáveis dentro de sistemas de agentes maiores.

2026 provavelmente mata o IDE “tradicional” como padrão. O Cursor a atingir $500 milhões de ARR, a aquisição da Windsurf e o Claude Code for the Web apontam para editores onde a AI detém a navegação, o boilerplate e os refactors, enquanto os humanos especificam a intenção. Espere: - IDEs nativos de AI empacotados com nuvens - “coding daemons” agnósticos de editor que monitorizam repos, não keystrokes - Agentes corporativos com foco na conformidade que controlam cada merge

Agentes a falar apenas com humanos já parece antiquado. O trabalho inicial A2A da Google, as Agent Skills da Anthropic e o servidor MCP da Zapier todos sugerem protocolos agent-to-agent onde as ferramentas negociam APIs, SLAs e pagamentos sem código de ligação humano. As máquinas irão cada vez mais autenticar, contratar e coordenar diretamente com outras máquinas.

Os papéis humanos mudam de “coder” para arquiteto de AI. Você projeta restrições, decompõe sistemas e define testes; agentes autónomos implementam, integram e iteram. A habilidade escassa torna-se moldar o comportamento sob regulamentação como o EU AI Act, não memorizar os internos de frameworks.

Ao comprimir uma década de adoção de AI em 12 meses, 2025 fixou a AI na stack padrão: desde chips (Stargate, acordos NVIDIA–Anthropic) a suites de produtividade (MS 365 Copilot em 90% da Fortune 500) a dev tools. 2026 não responde se isto foi uma bolha; responde o quanto do software é reconstruído em torno de agentes que nunca se desligam.

Qual foi o evento de AI mais impactante de 2025?

Embora altamente debatido, o lançamento do modelo open-source DeepSeek-R1 foi ligado a uma queda histórica de $600 mil milhões na capitalização de mercado da Nvidia num único dia, marcando um 'Sputnik moment' para a indústria.

Quanto dinheiro foi investido em AI empresarial em 2025?

O investimento em AI empresarial disparou para $37 mil milhões em 2025, um aumento massivo de apenas $1.7 mil milhões em 2023. Além disso, as startups de AI capturaram quase 50% de todo o financiamento de risco global.

O que é o Stargate Project?

O Stargate Project é uma iniciativa massiva de $500 mil milhões anunciada em 2025 para construir uma nova infraestrutura de AI dedicada para a OpenAI ao longo dos próximos quatro anos.

Quais os principais modelos de AI foram lançados em 2025?

2025 viu o lançamento de vários modelos marcantes, incluindo o GPT-5 da OpenAI, o Gemini 3 da Google, o Llama 4 'Herd' da Meta, a família Claude 4 da Anthropic, e os open-source DeepSeek-R1 e Qwen3.