Por que a IA no Brasil pode dar certo mesmo sem um concorrente do ChatGPT

RESUMO ＋

Especialistas ouvidos pela EXAME distinguem a criação de modelos nacionais da disputa com os maiores laboratórios de inteligência artificial. Telma Woerle, diretora do CEIA da UFG, aponta limitações de infraestrutura e dados em português, mas defende aplicações brasileiras em saúde e meio ambiente. Paulo Ernani, da AVEX AI Lab, vê oportunidades na adoção empresarial. Estudos mostram que treinar os modelos mais avançados fica mais caro, enquanto usar uma capacidade já disponível se torna mais barato.

O Brasil pode ganhar com a inteligência artificial (IA) sem construir um concorrente do ChatGPT. Essa é a avaliação de especialistas ouvidos pela EXAME, que distinguem três objetivos frequentemente reunidos no mesmo debate: desenvolver tecnologia nacional, disputar a liderança mundial e transformar ferramentas disponíveis em produtividade.

A diferença importa para o destino do investimento. O Plano Brasileiro de Inteligência Artificial prevê cerca de R$ 23 bilhões entre 2024 e 2028, distribuídos entre infraestrutura, formação, serviços públicos, inovação empresarial e governança. O orçamento não se resume à criação de um chatbot.

Para Telma Woerle de Lima Soares, diretora executiva do Centro de Excelência em Inteligência Artificial (CEIA) da Universidade Federal de Goiás (UFG), competir com os maiores modelos de linguagem esbarra em infraestrutura e dados. Em entrevista à EXAME, ela afirmou que o país está atrás nessa corrida, mas identificou outras áreas nas quais desenvolver soluções próprias pode fazer sentido.

“Existem outros tipos de IAs brasileiras que a gente poderia desenvolver”, disse, ao citar saúde, questões ambientais e biodiversidade.

A fronteira fica mais cara

A competição com os maiores laboratórios tem um custo crescente. Um estudo publicado em 2024 por pesquisadores da Epoch AI e de Stanford estimou que o custo de computação dos treinamentos de fronteira cresceu cerca de 2,4 vezes por ano desde 2016. Mantida a tendência, as maiores rodadas poderiam superar US$ 1 bilhão em 2027.

São estimativas, não contas divulgadas pelos laboratórios. O estudo também mostra que o resultado varia conforme o método: alugar capacidade de nuvem, depreciar equipamentos próprios e comprar toda a infraestrutura produzem valores diferentes. Um orçamento nacional de vários anos não pode ser comparado diretamente com o custo estimado de um único treinamento.

Telma considera que mesmo os investimentos previstos em supercomputação não igualariam a estrutura disponível aos grandes concorrentes internacionais. Há ainda o material necessário para ensinar os modelos: segundo a pesquisadora, os conjuntos públicos de dados em português disponíveis hoje não bastam para treinar, exclusivamente nesse idioma, um sistema da escala dos modelos externos.

A combinação com outras línguas seria necessária, na avaliação dela. Esse limite diz respeito à proposta de um treinamento exclusivamente em português; não elimina a possibilidade de desenvolver uma solução nacional.

Usar fica mais barato

Enquanto avançar a fronteira exige mais recursos, acessar uma capacidade já alcançada pode custar menos. Segundo o AI Index 2025, de Stanford, o custo de inferência — executar um modelo já treinado — de sistemas com desempenho equivalente ao GPT-3.5 caiu mais de 280 vezes entre novembro de 2022 e outubro de 2024.

O dado não significa que toda IA tenha ficado igualmente barata. Mostra, porém, por que a conta de quem compra tecnologia pode seguir uma direção diferente da conta de quem tenta produzir o modelo mais avançado.

É nessa diferença que Paulo Ernani, diretor de operações da consultoria AVEX AI Lab, identifica uma oportunidade brasileira. “O Brasil não precisa que a tese de infraestrutura dê certo para capturar valor”, afirmou à EXAME.

Na avaliação do executivo, uma empresa pode automatizar atendimento, processos comerciais ou operações sem fabricar chips, treinar um modelo próprio ou construir um data center. A disputa entre fornecedores pode favorecer essas compradoras, embora uma correção do setor também traga exposição financeira e cambial para o país.

“O risco real do Brasil é não adotar a tecnologia”, disse.

O argumento para desenvolver aqui

A defesa da adoção não encerra o argumento por tecnologia nacional. Telma ressalta que soluções feitas no exterior refletem os problemas e as condições dos mercados em que foram desenvolvidas. Criar IA no Brasil permite trabalhar com necessidades e dados locais.

“Você faz a sua inteligência própria, você resolve um problema regional, um problema do país”, afirmou. Na visão da pesquisadora, a diversidade brasileira também pode ajudar a desenvolver produtos que depois encontrem clientes no exterior.

Sua proposta é concentrar esforços em áreas nas quais o país possui problemas específicos e conhecimento para enfrentá-los, como saúde e meio ambiente. Isso exige capacidade de pesquisa e infraestrutura, mas estabelece um objetivo diferente de superar um modelo geral em todas as tarefas.

Ernani, por sua vez, coloca a reorganização das empresas no centro da oportunidade. “Se a tese estiver certa, o maior vencedor não vai ser uma empresa de IA, vai ser a empresa comum que aprendeu a usá-la antes dos concorrentes”, disse ela.

Perguntas frequentes

O Brasil precisa criar um ChatGPT próprio?

Os especialistas ouvidos distinguem a adoção de ferramentas existentes do desenvolvimento nacional. Paulo Ernani vê ganhos possíveis para empresas que usam IA, enquanto Telma Woerle defende soluções brasileiras para necessidades específicas, como saúde e meio ambiente.

Quais são os obstáculos para um modelo brasileiro?

Telma Woerle aponta limitações de infraestrutura computacional e de dados públicos em português para treinar um modelo exclusivamente nesse idioma na escala dos grandes concorrentes internacionais.

A inteligência artificial está ficando mais cara ou mais barata?

Depende do objetivo. Um estudo da Epoch AI identificou aumento no custo de treinar modelos de fronteira. Já Stanford registrou queda superior a 280 vezes no custo de executar sistemas com desempenho equivalente ao GPT-3.5 entre novembro de 2022 e outubro de 2024.