Da Euforia à Execução: Capturar Valor na Era da IA

---

Por João Gabriel Alves, CEO e Fundador da Horizonte3

---

• Tese: existe valor real em IA, mas as expectativas podem ficar descalibradas.

  O jogo vira quando a euforia desacelera e o mercado passa a cobrar captura de valor consistente.

  
  

• Onde a descalibração aparece: (1) preços de ativos reagem a mudanças rápidas de custo/eficiência, (2) capex e infraestrutura podem correr à frente da absorção econômica, (3) proliferação de produtos rasos e pouco defensáveis, (4) produtividade e adoção ficam presas em ganhos pontuais e pilotos sem consistência.

  
  

• Implicação prática: vantagem vem de escolher casos relevantes, integrar ao fluxo operacional e medir impacto econômico, em vez de colecionar experimentos.

  
  

• Horizonte3: posicionamento orientado a valor mensurável, integração com ERP/rotina, arquitetura proprietária e agnóstica a LLM, foco em execução e captura consistente em meio ao ruído.

---

1. Introdução

Tulipas são flores belas, raras e visualmente marcantes. No século XVII, na Holanda, tornaram-se símbolo de status e sofisticação. Algumas variedades eram tão incomuns que cada exemplar parecia único.

Nesse contexto, protagonizaram o que costuma ser chamado de a primeira bolha financeira documentada da história.

Houve frisson associado à escassez e ao prestígio. Contratos passaram a ser negociados antes mesmo da colheita. Os preços, ou melhor, as expectativas de revenda, se descolaram do valor estético e ornamental da flor.

Tulipas tinham valor real. O que se deslocou foi o preço em relação à utilidade.

Quando a palavra “bolha” aparece em um artigo, costuma provocar duas reações extremas. De um lado, quem conclui que o ativo não tem valor algum. De outro, quem rejeita a ideia de bolha porque enxerga valor concreto no ativo.

No caso de tecnologias transformadoras, essa dicotomia é insuficiente.

A economista Carlota Perez propõe uma leitura mais sofisticada. Segundo ela, grandes revoluções tecnológicas seguem um padrão recorrente. Primeiro vem uma fase de expansão acelerada, com capital abundante, experimentação intensa e construção de infraestrutura. Depois ocorre um período de ajuste, no qual excessos são eliminados e a base produtiva se reorganiza. Só então emerge uma fase mais madura, em que a tecnologia se integra ao tecido econômico de forma ampla e sustentável.

A expansão das ferrovias nos Estados Unidos não foi um processo calibrado. Trilhos foram construídos além da demanda imediata. Houve excesso de capacidade e quebras. Posteriormente, o mercado se reorganizou e a infraestrutura passou a sustentar ganhos estruturais.

Algo semelhante ocorreu com a internet. O estouro da bolha das empresas “.com” no início dos anos 2000 eliminou exageros financeiros, mas não eliminou a internet. Pelo contrário, preparou o terreno para modelos mais.

Com IA, o movimento parece semelhante.

Desde o lançamento do ChatGPT em 2022, o investimento privado em IA generativa alcançou dezenas de bilhões de dólares por ano. Em 2025, empresas gastaram cerca de US$ 37 bilhões com IA generativa, mais de três vezes o valor do ano anterior.

As estimativas de impacto macroeconômico variam. Na contramão de projeções muito otimistas, Daron Acemoglu projeta efeitos mais modestos, da ordem de 0,9% de aumento cumulativo no PIB em dez anos, com ganhos de produtividade próximos de 0,5%.

Há consenso de que IA gera ganhos de produtividade em tarefas específicas. Em estudo com 5.179 agentes de atendimento, o uso de IA elevou a produtividade média em 14% e em 34% entre trabalhadores menos experientes.

O ponto central deixa de ser se há ganho. A questão é quem captura, quando captura e em que magnitude.

Expectativas crescem de forma acelerada. Quem captura valor quando a euforia desacelera?

Neste artigo, a proposta é organizar os principais sentidos atribuídos à palavra “bolha” quando aplicada à IA. O objetivo não é aderir a um dos extremos do debate, mas extrair critérios de posicionamento em um cenário que combina inovação real, capital abundante e ajuste inevitável.

2. Expectativas embutidas no preço

A emergência da Inteligência Artificial Generativa foi viabilizada menos por uma ruptura teórica recente e mais pela combinação entre dados em escala, avanços incrementais em arquitetura e, sobretudo, capacidade computacional. O aumento exponencial do poder de processamento tornou economicamente viável treinar e operar modelos de grande porte.

Por isso, empresas de hardware responsáveis por essa capacidade, especialmente fabricantes de GPUs como a NVIDIA, tiveram valorização expressiva desde 2022. Parte relevante do valuation dessas empresas está ancorada na expectativa de demanda sustentada por processamento.

Se essa expectativa é revisada, o valuation também é.

Em 27 de janeiro de 2025, um sinal de que as premissas de custo e eficiência ainda estavam em movimento surgiu de forma abrupta. O DeepSeek-R1, desenvolvido por uma empresa chinesa, tornou-se o aplicativo mais baixado na App Store dos Estados Unidos. Mais relevante do que sua popularidade foi a interpretação, por parte do mercado, de que modelos competitivos poderiam operar com custos de treinamento e inferência inferiores ao que se supunha até então.

Veículos como The Wall Street Journal, Financial Times e Bloomberg destacaram que o episódio levou investidores a revisarem expectativas sobre a intensidade futura da demanda por GPUs e sobre a estrutura de custos do setor.

No mesmo dia, as ações da NVIDIA caíram cerca de 17%, eliminando aproximadamente US$ 600 bilhões em valor de mercado, segundo o Wall Street Journal.

O episódio representou um ajuste. Não eliminou a necessidade de processamento, nem invalidou a trajetória da IA. Indicou, contudo, que as premissas sobre custo, eficiência e intensidade de capital seguem em revisão. O tabuleiro de jogo ainda está em definição.

3. Construção antecipada de capacidade

Empresas de infraestrutura não estão expostas apenas à revisão da eficiência dos LLMs, mas também às premissas sobre a velocidade de difusão da IA na economia. Mesmo que a eficiência dos modelos permaneça constante, permanece a pergunta: em que ritmo será possível integrá-los aos processos das empresas e ao cotidiano das pessoas?

A metáfora dos trilhos continua válida. Construir trilhos antes da consolidação do fluxo pode acelerar o desenvolvimento, mas também pode gerar capacidade ociosa no curto prazo.

Há ainda uma diferença relevante. Trilhos têm horizonte de uso de décadas. Chips, por outro lado, sofrem ciclos rápidos de obsolescência tecnológica. A indústria de semicondutores opera com ciclos de atualização de dois a três anos para novas gerações de GPUs, com saltos relevantes de desempenho e eficiência energética a cada nova arquitetura.

Isso significa que o risco não é apenas excesso de capacidade, mas também risco de timing. Investimentos feitos sob determinadas premissas tecnológicas podem precisar ser amortizados em um ambiente que já opera com outra geração de hardware.

Ao mesmo tempo, as projeções de investimento são massivas. O Goldman Sachs estima cerca de US$ 1 trilhão em capex nos próximos anos em data centers, chips, infraestrutura elétrica e redes para suportar IA generativa.

Não se trata de questionar se produzir chips é um negócio lucrativo. A questão é se as projeções de crescimento da demanda e de captura de valor justificam o ritmo atual de expansão de capacidade.

Quando a infraestrutura cresce à frente da absorção econômica, o mercado tende a passar por ajustes. Esses ajustes não anulam a tecnologia. Redefinem o ritmo e a distribuição dos retornos.

4. Proliferação de produtos

Um dos efeitos mais visíveis da Inteligência Artificial Generativa foi a democratização do acesso a capacidades antes restritas a especialistas, inclusive no desenvolvimento de software. Ferramentas como o Lovable permitem que usuários criem aplicações por meio de linguagem natural, sem escrever código tradicional.

Essa redução de barreiras técnicas acelera a criação de produtos. No entanto, redução de fricção não equivale a criação de vantagem competitiva.

Em fases iniciais de ciclos tecnológicos, a oferta costuma crescer mais rápido do que a diferenciação. Muitos produtos surgem apoiados na novidade da experiência, mas com pouca profundidade em termos de geração de valor, integração a processos críticos ou captura de margem sustentável.

É nesse contexto que surgem os chamados AI wrappers. São, em essência, interfaces conectadas a APIs de modelos de linguagem. A proposta pode parecer sofisticada na superfície, mas o núcleo tecnológico e a inteligência permanecem no modelo subjacente. A barreira de entrada tende a ser limitada e a substituição relativamente simples. Ser um “wrappers” não significa necessariamente ser um mau produto. Mas ele precisa ser capaz de responder à fragilidade de diferenciação.

E, além da competição entre pares, há um vetor adicional de pressão: a tendência de verticalização dos próprios provedores de modelos. Empresas como OpenAI, Anthropic e Google têm expandido funcionalidades diretamente para o usuário final e para aplicações corporativas, reduzindo o espaço para intermediários.

O resultado previsível é a proliferação de pilotos corporativos e anúncios de adoção que nem sempre se convertem em impacto estrutural. Pesquisas globais indicam alta experimentação, mas adoção madura ainda concentrada em casos específicos.

Evidências empíricas reforçam esse ponto. Estudo conduzido por pesquisadores de Harvard e BCG mostrou que o uso de IA generativa melhora significativamente o desempenho em determinadas tarefas, especialmente entre profissionais menos experientes, mas pode reduzir a qualidade em atividades que exigem julgamento mais complexo quando utilizada fora de escopo.

Forma-se, então, um contraste entre a magnitude das expectativas que sustentam os investimentos e a efetiva captura de valor na ponta.

Não há dúvida: todas as empresas e indivíduos precisam ter um plano de adoção de IA. O diferencial estará menos na experimentação e mais na capacidade de selecionar problemas relevantes, integrar soluções ao processo decisório e medir impacto econômico real.

5. Como a Horizonte3 se posiciona frente a esse cenário

A Horizonte3 atua desde 2024 apoiando empresas de médio e grande porte na adoção estruturada de Inteligência Artificial, com foco em processos corporativos como finanças, RH e vendas.

Nosso posicionamento parte de um ponto simples: IA só faz sentido quando gera impacto econômico mensurável. Por isso, começamos pela identificação de alavancas concretas de valor e pela estimativa de retorno antes da implementação. Após a entrega, medimos os ganhos efetivos, seja por aumento de conversão, redução de esforço manual ou aceleração de ciclos operacionais.

IA isolada não resolve problemas organizacionais. Projetos bem-sucedidos combinam engenharia de software, ciência de dados e desenho de processos. Por isso, integramos as soluções diretamente aos sistemas de gestão do cliente, incorporando-as ao fluxo decisório existente e evitando iniciativas paralelas.

Em um dos cases, integramos um modelo proprietário de analytics ao ERP do cliente para orientar vendedores, em linguagem simples, sobre quais clientes e produtos apresentavam maior probabilidade de conversão. Fizemos teste A/B e, verificamos que ao utilizar as recomendações do modelo, os vendedores tinham 2x mais chances de conversação e isso gerou um aumento de receita significativo do time. Em outro projeto, automatizamos o faturamento a partir de mensagens recebidas por um bot no WhatsApp, eliminando trabalho manual e validando automaticamente a consistência das informações. Isso acelera o ciclo de caixa e evita que vendas fiquem paradas. Em ambos os casos, a IA atua ao longo do fluxo da solução, não apenas na interface. 

Nossa arquitetura é proprietária e foi desenvolvida internamente, o que reduz custo de operação e evita dependência excessiva de serviços padronizados de nuvem. Mantemos uma camada própria de analytics e modelos, além de uma estrutura agnóstica em relação a LLMs. Isso nos permite adaptar rapidamente a solução conforme evolução tecnológica, critérios de custo ou requisitos de governança.

Se os modelos ficarem mais eficientes e mais baratos, nossas soluções escalam. Nosso papel não é vender um modelo específico, mas estruturar inteligência aplicada ao processo corporativo.

O objetivo é mais do que implementar IA. É criar infraestrutura de decisão orientada a dados, com captura de valor sustentável em um ambiente tecnológico em rápida transformação.

Referências:

• ACEMOGLU, Daron. The Simple Macroeconomics of AI. MIT Working Paper, 2024.

• BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey R. Generative AI at Work. NBER Working Paper No. 31161. National Bureau of Economic Research, 2023.

• DELL’ACQUA, Fabrizio et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper No. 24-013, 2023.

• GOLDMAN SACHS. Gen AI: Too Much Spend, Too Little Benefit? Global Investment Research Report, 2024.

• KINDLEBERGER, Charles P.; ALIBER, Robert Z. Manias, Panics, and Crashes: A History of Financial Crises. 6th ed. Hoboken: John Wiley & Sons, 2011.

• MENLO VENTURES. The State of Generative AI in the Enterprise 2025. Menlo Ventures Report, 2025.

• PEREZ, Carlota. Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Cheltenham: Edward Elgar Publishing, 2002.

• SHILLER, Robert J. Irrational Exuberance. 3rd ed. Princeton: Princeton University Press, 2015.

• MCKINSEY & COMPANY. The Semiconductor Decade: A Trillion-Dollar Industry. McKinsey Global Institute, 2022.