PRINCIPAIS DESTAQUES
1. Altman diz que imaginava uma onda de disrupção muito maior logo depois do GPT-4, lançado em 2023.
2. O executivo agora aponta para um problema diferente: a tecnologia avançou mais rápido do que empresas e sociedade conseguem incorporá-la.
3. A mudança de tom acontece enquanto a indústria enfrenta obstáculos concretos, como integração empresarial, confiança, custos de infraestrutura e resistência à expansão dos data centers.
O erro de Altman foi calcular o ritmo, não o potencial
Sam Altman fez uma admissão que chama atenção justamente por vir de uma das pessoas mais associadas à corrida pela inteligência artificial.
O CEO da OpenAI reconheceu que errou ao estimar a velocidade com que a IA transformaria a economia depois da chegada do GPT-4, em 2023.
Na época, a expectativa era de que modelos muito mais capazes provocassem rapidamente uma ruptura no mercado de software. Novos produtos poderiam aparecer, empresas tradicionais poderiam perder espaço e uma quantidade enorme de negócios poderia ser reconstruída ao redor da inteligência artificial.
A realidade foi mais lenta.
Em uma entrevista que começou a circular amplamente neste domingo, Altman explicou que imaginava que, pouco depois do GPT-4, haveria “muito mais disrupção” e que negócios de software estariam imediatamente disponíveis para serem reinventados.
O ponto mais interessante, porém, veio na explicação para o erro.
Segundo Altman, a economia simplesmente tem muita inércia. Pessoas continuam comprando das mesmas empresas, usando as mesmas ferramentas e repetindo processos que já conhecem. Mesmo quando aparece uma tecnologia capaz de mudar tudo, a mudança de comportamento não acontece na mesma velocidade.
E, para ele, isso pode não ser uma notícia ruim.
“A tecnologia pode acelerar em meses. Pessoas, empresas e mercados não necessariamente aceleram junto.”
Essa diferença ajuda a explicar uma das contradições mais curiosas do atual ciclo da IA: os modelos estão evoluindo em ritmo impressionante, mas a transformação econômica provocada por eles não acompanha necessariamente a mesma curva.
GPT-4 parecia ser o começo de uma ruptura imediata
Quando o GPT-4 chegou, em março de 2023, a discussão sobre inteligência artificial mudou de escala.
O modelo demonstrou capacidades que pareciam próximas demais de tarefas tradicionalmente associadas ao trabalho intelectual humano. Programação, redação, análise, tradução e resolução de problemas passaram a ser apresentados como áreas que poderiam sofrer transformações profundas.
Pouco depois, a indústria entrou em uma corrida ainda mais agressiva.
Modelos maiores chegaram ao mercado. Empresas começaram a integrar IA em produtos existentes. Surgiram agentes, copilotos, assistentes especializados e ferramentas capazes de executar sequências de tarefas.
Mas existe uma diferença enorme entre uma demonstração tecnológica impressionante e uma transformação econômica completa.
Uma empresa pode ter acesso a um modelo extremamente poderoso e ainda assim não saber exatamente como utilizá-lo.
Ela pode precisar reorganizar equipes, alterar sistemas internos, revisar políticas de segurança, treinar funcionários, adaptar bancos de dados e descobrir como medir se a ferramenta realmente está economizando dinheiro ou aumentando receita.
É justamente aí que a visão de Altman parece ter mudado.
A tecnologia ficou pronta antes das empresas
Em fevereiro de 2026, Altman já vinha dizendo que a adoção da IA estava ocorrendo de maneira mais lenta do que esperava.
Naquele momento, ele resumiu o problema de uma forma bastante direta: não seria mais principalmente um problema de treinamento dos modelos, mas de aplicação.
Essa distinção é importante.
Durante anos, a pergunta dominante foi:
“Como criar uma IA mais inteligente?”
Agora, uma pergunta diferente ganha espaço:
“Como transformar essa inteligência em algo que funcione de verdade dentro de uma organização?”
Pesquisas sobre adoção empresarial apontam para uma dificuldade semelhante. Um levantamento publicado pela Harvard Business Review em fevereiro encontrou uso regular de IA em 88% das empresas analisadas, mas também identificou frustração com resultados e dificuldade para integrar as ferramentas profundamente aos processos de trabalho.
Ou seja, usar IA não significa necessariamente transformar uma empresa.
Uma pessoa pode abrir o ChatGPT todos os dias e continuar trabalhando exatamente da mesma maneira.
Uma companhia pode disponibilizar um copiloto para milhares de funcionários e ainda não conseguir alterar seus principais indicadores de produtividade.
Esse é o tipo de “atrito” que não aparece em um benchmark de modelo.
A economia não muda só porque a tecnologia permite
Existe uma característica humana por trás da avaliação de Altman: as pessoas gostam de continuidade.
Empresas têm contratos, fornecedores, sistemas legados, equipes especializadas e processos que foram construídos ao longo de anos.
Trocar tudo por uma nova tecnologia pode parecer racional em uma apresentação, mas é muito mais complicado quando envolve milhares de funcionários e milhões de dólares.
Imagine uma companhia que utiliza um sistema antigo para atendimento ao cliente.
Um novo modelo de IA pode ser muito melhor em interpretar mensagens. Isso não significa que a empresa possa simplesmente desligar o sistema antigo na segunda-feira.
É preciso conectar bancos de dados, definir permissões, verificar respostas, criar mecanismos para casos excepcionais, estabelecer quem será responsabilizado por erros e convencer os funcionários de que a nova ferramenta realmente ajuda.
É nesse intervalo entre “é possível” e “está implantado” que boa parte da revolução da IA está acontecendo.
O impacto pode ser grande, mas chegar em ondas
A consequência é que a transformação talvez não pareça uma explosão.
Pode parecer uma sucessão de pequenas mudanças.
Primeiro, uma empresa automatiza uma parte do atendimento. Depois, acelera programação. Em seguida, usa agentes para organizar documentos. Mais tarde, altera a forma como seus funcionários pesquisam informações.
Quando essas mudanças se acumulam, o impacto pode ser enorme.
Mas ele pode levar anos para aparecer claramente nos números da economia.
Essa interpretação também ajuda a entender por que Altman agora considera a lentidão da sociedade algo potencialmente positivo.
Uma mudança gradual dá às pessoas mais tempo para aprender.
Empresas conseguem reorganizar equipes.
Governos podem discutir regras.
Escolas podem adaptar currículos.
E setores inteiros podem testar a tecnologia antes de depender dela completamente.
A mesma lentidão que frustra quem espera uma revolução imediata pode funcionar como uma espécie de amortecedor social.
O novo problema da OpenAI pode ser transformar IA em produto
A declaração de Altman também tem uma dimensão estratégica para a própria OpenAI.
Se os modelos mais avançados já conseguem realizar tarefas impressionantes, o diferencial deixa de estar apenas na capacidade bruta da tecnologia.
O valor passa a estar em como ela é empacotada, integrada e aplicada.
Essa mudança é especialmente relevante no mercado empresarial, onde a OpenAI enfrenta uma disputa intensa com outras empresas, incluindo a Anthropic. Altman já havia indicado que o segmento corporativo seria uma prioridade importante para a companhia em 2026.
Isso muda a natureza da competição.
Não basta ter o modelo com a melhor pontuação em um teste.
Uma empresa precisa entregar uma solução que funcione dentro do ambiente de trabalho de um cliente.
Precisa responder perguntas muito menos glamourosas do que “quando chegaremos à AGI?”.
Quanto custa?
Quem vai operar?
Como os dados serão protegidos?
O que acontece quando a IA errar?
Quanto tempo leva para implementar?
Qual é o retorno financeiro?
É nesse território que boa parte da próxima batalha da inteligência artificial pode acontecer.
E existe outro freio: o mundo físico
A desaceleração percebida por Altman não está relacionada apenas ao comportamento das empresas.
A própria infraestrutura necessária para expandir a IA está encontrando resistência.
Os data centers, que concentram os computadores responsáveis por treinar e executar modelos, estão se tornando um dos principais pontos de conflito entre a indústria de tecnologia e comunidades locais nos Estados Unidos.
Uma pesquisa Reuters/Ipsos publicada em junho mostrou que 64% dos americanos eram contrários ao ritmo acelerado de construção dessas instalações, enquanto 57% se opunham à construção de um data center em sua própria comunidade. As preocupações envolvem principalmente eletricidade, água, ocupação de terrenos e o impacto econômico local.
Uma pesquisa da Gallup citada em levantamentos mais recentes apontou uma resistência ainda maior, com cerca de 70% dos americanos dizendo que não gostariam de ter um data center em suas comunidades.
Isso cria uma situação curiosa.
A indústria fala em acelerar a construção da infraestrutura para acompanhar a demanda por IA.
Parte da população responde que não quer essa infraestrutura perto de casa.
E políticos começam a perceber que a discussão deixou de ser exclusivamente tecnológica.
A conta da IA está ficando física
Durante muito tempo, a inteligência artificial foi apresentada como algo essencialmente digital.
Agora, seus impactos estão cada vez mais concretos.
São prédios enormes.
São redes elétricas reforçadas.
São sistemas de refrigeração.
São chips.
São cabos.
São terrenos.
São bilhões de dólares investidos em infraestrutura.
A Agência Internacional de Energia estima que os data centers consumiram cerca de 1,5% da eletricidade mundial em 2024 e projeta que essa participação possa dobrar até 2030.
Portanto, mesmo que os modelos evoluam rapidamente, a expansão da IA precisa passar por algo muito mais lento do que um laboratório: o mundo físico.
E o mundo físico tem limites.
A própria indústria começa a se preparar para uma IA menos linear
Outro sinal dessa mudança de ambiente aparece na estratégia de empresas que estão no centro da corrida.
A NVIDIA, por exemplo, continua investindo agressivamente em modelos e infraestrutura, mas também está ampliando sua atuação no ecossistema de modelos abertos.
A companhia anunciou um acordo de US$ 6 bilhões para licenciar tecnologia e incorporar mais de 100 engenheiros da startup Poolside, em uma iniciativa ligada ao desenvolvimento de modelos de pesos abertos.
A movimentação mostra que a competição não está acontecendo apenas para criar modelos cada vez maiores.
Existe uma disputa por eficiência, custo, velocidade, distribuição e acesso.
Um modelo menor e mais barato pode ser mais útil para uma empresa do que um sistema gigantesco, especialmente quando a tarefa não exige o máximo de capacidade disponível.
É uma lógica que pode ganhar importância justamente porque a adoção empresarial está se tornando mais prática.
A indireta para a Anthropic e o debate sobre quem deve controlar a IA
Na mesma entrevista em que falou sobre o ritmo de adoção, Altman também abordou um dos debates mais sensíveis da indústria: quem deve controlar sistemas de inteligência artificial cada vez mais poderosos.
Ele descreveu dois cenários que considera especialmente ruins.
De um lado, uma IA que se torne poderosa demais e deixe de estar sob controle humano.
Do outro, uma situação em que o poder da tecnologia fique concentrado nas mãos de poucas pessoas ou organizações.
Altman classificou esses resultados como profundamente contrários aos interesses humanos.
Embora não tenha mencionado diretamente a Anthropic ou Dario Amodei, as declarações foram interpretadas como parte da disputa mais ampla sobre segurança, abertura e controle de modelos avançados.
O debate é particularmente relevante porque não existe consenso dentro da indústria sobre a melhor maneira de lidar com sistemas cada vez mais capazes.
Alguns defendem maior abertura dos modelos.
Outros consideram que sistemas extremamente poderosos precisam permanecer sob controle rigoroso.
E há quem argumente que concentrar o controle em poucas empresas também cria riscos.
O paradoxo é difícil de resolver
Quanto mais poderosa a IA fica, maior é a preocupação com seu uso.
Mas quanto mais controle se coloca sobre ela, maior pode ser a concentração de poder.
Esse dilema está se tornando uma das questões centrais da próxima fase da tecnologia.
E a discussão acontece ao mesmo tempo em que a sociedade ainda está tentando responder perguntas mais básicas.
A IA vai realmente aumentar a produtividade?
Quantos empregos serão modificados?
Quais profissões serão transformadas primeiro?
As empresas vão economizar dinheiro ou simplesmente gastar mais com infraestrutura?
Quem ficará com os ganhos dessa nova produtividade?
Não existe uma resposta definitiva para essas perguntas.
E talvez seja justamente essa incerteza que explique a nova cautela de Altman.
O hype pode ter sido rápido demais para a economia
A declaração do CEO da OpenAI representa uma mudança interessante no discurso sobre inteligência artificial.
Durante boa parte dos últimos anos, a conversa foi dominada por previsões aceleradas.
A cada novo modelo, surgiam expectativas de que uma nova revolução estava prestes a começar.
Agora, um dos principais executivos da indústria reconhece que o mundo real não acompanha necessariamente esse relógio.
Isso não significa que a IA tenha fracassado.
Pelo contrário.
A tecnologia continua avançando rapidamente e sua presença em empresas, produtos e serviços aumenta.
O que parece estar sendo recalibrado é o prazo necessário para que essa transformação apareça em escala.
A IA pode ser revolucionária sem transformar tudo de uma vez.
Essa talvez seja a parte mais importante da nova avaliação de Altman.
O erro não estaria em acreditar que a inteligência artificial teria um impacto enorme.
Estaria em imaginar que uma tecnologia suficientemente poderosa seria capaz de vencer, sozinha e imediatamente, décadas de hábitos, processos, contratos, sistemas e comportamentos.
A economia não funciona como um laboratório.
O que pode acontecer daqui para frente
Se Altman estiver certo, a próxima fase da IA pode ser menos cinematográfica e mais operacional.
Em vez de uma ruptura instantânea, veremos uma sequência de mudanças dentro das empresas.
Agentes assumindo tarefas específicas.
Softwares sendo redesenhados em torno de modelos de IA.
Funcionários trabalhando com sistemas inteligentes.
Novos produtos surgindo lentamente.
Empresas antigas desaparecendo não porque uma IA as destruiu durante a noite, mas porque concorrentes aprenderam a operar de maneira mais eficiente.
Ao mesmo tempo, a infraestrutura continuará crescendo, pressionando redes elétricas e comunidades.
E os governos terão de decidir até onde permitir essa expansão.
A inteligência artificial, portanto, pode estar entrando em uma fase menos fascinante no discurso, mas talvez muito mais importante na prática.
O desafio agora não é apenas construir máquinas mais inteligentes.
É fazer com que pessoas, empresas e instituições consigam acompanhar essa inteligência.
E, ironicamente, o homem que ajudou a acelerar essa corrida agora reconhece que talvez o maior obstáculo não seja a velocidade dos modelos.
É a velocidade dos seres humanos.
Em uma frase
Sam Altman agora admite que a IA avançou mais rápido do que a capacidade da sociedade de mudar, e isso pode fazer da adoção gradual o verdadeiro ritmo da revolução tecnológica.
