História Recente da IA Generativa: do ChatGPT a 2026

Este é o segundo de dois textos sobre a história da IA Generativa. O primeiro conta a origem, de Turing ao ChatGPT. Este aqui conta o que aconteceu depois, marco a marco, até julho de 2026.

O que você vai aprender aqui

• A história recente da IA Generativa se conta melhor como seis rupturas: os modelos aprenderam a raciocinar, a OpenAI quase se separou por uma crise de governança, a China provou que eficiência vence força bruta, o capital investido virou rotina bilionária, os agentes viraram colegas de trabalho, e o mercado de trabalho começou a pagar o preço.
• Cubro o momento DeepSeek (janeiro de 2025) e por que ele foi o choque mais subestimado do período.
• Explico por que o trio ChatGPT, Gemini e Claude virou disputa entre Estados Unidos, China e Japão, com o Claude Fable 5, o GLM chinês e o Fugu japonês entrando na conversa.
• Trago também o que ficou fora do noticiário do trio original: o problema de soberania que a Mistral ainda não resolveu, a dança de cadeiras de executivos e cientistas, e minha leitura pessoal sobre se estamos numa bolha.

Se você ainda não leu a origem da história, comece por História da IA Generativa, que cobre de Turing ao lançamento do ChatGPT.

---

Este artigo complementa o e-book gratuito Engenharia de Prompts na Prática. Best seller na Amazon, com mais de 900 avaliações 4,5 estrelas, o livro ensina mais de 30 técnicas para usar ChatGPT, Gemini e Claude no dia a dia. Baixe gratuitamente no link.

Escrevo este texto em julho de 2026, a poucos meses de completar quatro anos desde o lançamento do ChatGPT. Nesse intervalo, a Anthropic acabava de lançar o Claude Sonnet 5, no fim de junho, e o mercado ainda discutia se a onda de captações bilionárias que tomou o setor refletia demanda real ou o topo de uma bolha de capital.

Palestrando para lideranças corporativas brasileiras, ouço a mesma pergunta todo trimestre: o ritmo de lançamentos ficou rápido demais para acompanhar, e a maioria dos resumos que circulam por aí são listas cronológicas sem interpretação. Este texto organiza a evolução da IA Generativa por tema, não por ano, porque foi assim que o mercado realmente se moveu: em ondas de ruptura, não em um calendário organizado.

---

---

Raciocínio: de responder a pensar

O ChatGPT que explodiu em dezembro de 2022 respondia em um único fôlego. Recebia o prompt, previa a próxima palavra, e a próxima, até terminar a resposta. Não parava para verificar o próprio raciocínio.

O primeiro salto veio rápido. Em 14 de março de 2023, a OpenAI lançou o GPT-4, com salto real de exatidão lógica e capacidade de interpretar imagens além de texto. No mesmo dia, em um daqueles acasos que a história adora, a Anthropic lançou publicamente sua própria API com o Claude e o Claude Instant, depois de meses testando o modelo em alfa fechado com parceiros selecionados. Dois lançamentos concorrentes, na mesma data, começando a corrida que definiria os quatro anos seguintes.

O Google não estava nessa data. A arquitetura por trás de todos esses modelos, o Transformer, tinha saído de um paper do próprio Google Brain, o “Attention Is All You Need”, de 2017. Mas o medo de canibalizar o negócio de busca, o motor financeiro da empresa, fez o Google manter o LaMDA, seu modelo conversacional interno, fora do mercado por anos. Só reagiu depois do ChatGPT: lançou o Bard em fevereiro de 2023, cinco dias depois do ChatGPT Plus, com desempenho abaixo do esperado. A virada real veio só em fevereiro de 2024, quando o Bard virou Gemini, e o investimento que se seguiu tornou o Google um dos protagonistas mais relevantes da corrida.

O passo seguinte não foi mais inteligência bruta, foi outro jeito de processar a pergunta. Em setembro de 2024, a OpenAI lançou o o1, o primeiro modelo comercial que “pensa” antes de responder, gastando mais tempo de computação em problemas difíceis de física, química e matemática antes de entregar a resposta final. Anthropic e Google seguiram o mesmo caminho nos meses seguintes, cada um com sua própria versão de raciocínio estendido.

Essa mudança de arquitetura teve um efeito colateral que poucos anteciparam: modelos que pensam mais devagar também mentem menos. Em 30 de junho de 2026, a Anthropic lançou o Claude Sonnet 5, o modelo mais agêntico da família Sonnet até então, com desempenho próximo ao do Opus por um preço bem menor. O System Card do modelo trouxe um dado que interessa mais a quem lidera equipes do que a quem só programa: a taxa de comportamento bajulador e desonesto sob pressão, medida pelo teste MASK, caiu de 13,3% no Sonnet 4.6 anterior para 3,1% no Sonnet 5, a menor de qualquer Claude testado até aquele momento.

Depois de ensinar os modelos a raciocinar melhor, o setor começou a medir se eles também ficaram mais honestos enquanto raciocinam. É um critério mais difícil de vender em keynote do que “mais rápido” ou “mais barato”, mas é o que decide se você confia numa IA que já opera sozinha em tarefas de várias etapas.

Governança: a crise que quase separou os fundadores

Enquanto os modelos ficavam melhores, a empresa que os criou quase implodiu por dentro.

Em 17 de novembro de 2023, o conselho da OpenAI demitiu Sam Altman da posição de CEO, alegando perda de confiança na liderança dele. Greg Brockman, presidente e cofundador, pediu demissão em solidariedade, e a Microsoft, principal investidora da OpenAI, anunciou que contrataria os dois para liderar uma nova divisão de IA.

Quase todos os cerca de 800 funcionários da OpenAI assinaram uma carta pedindo a renúncia do conselho e o retorno de Altman. Em 22 de novembro, cinco dias depois da demissão, Altman voltou ao cargo, com um conselho reformulado.

Cinco dias de caos resumem uma tensão que o setor inteiro carrega desde então: quem decide os limites de uma tecnologia que se move mais rápido do que qualquer estrutura de governança corporativa consegue acompanhar. A OpenAI foi fundada como organização sem fins lucrativos com um braço comercial subordinado, exatamente para colocar segurança acima de crescimento. A crise de novembro de 2023 mostrou, ao vivo, o que acontece quando essa estrutura entra em conflito com a pressão de investidores, funcionários e clientes que já dependem do produto.

Essa mesma tensão nunca foi resolvida, só reorganizada. Em outubro de 2025, a OpenAI concluiu a reestruturação de sua estrutura societária, transformando o braço comercial numa Public Benefit Corporation (estrutura societária com obrigação legal de perseguir um propósito declarado, não só lucro), com a Microsoft como sócia minoritária relevante e acesso garantido à tecnologia da OpenAI até 2032. O conselho sem fins lucrativos manteve o controle formal da empresa, mas o centro de gravidade migrou de vez para o lado comercial.

A crise de 2023 também deu início a uma dança de cadeiras entre executivos e cientistas que ainda não parou. Ilya Sutskever, cientista-chefe da OpenAI e um dos votos que demitiram Altman, deixou a empresa em maio de 2024 e fundou, um mês depois, a Safe Superintelligence (SSI). A SSI levantou 6 bilhões de dólares e chegou a valer 32 bilhões sem lançar nenhum produto, uma aposta declarada em pesquisa de segurança antes de qualquer receita.

Mira Murati, ex-diretora de tecnologia da OpenAI, tomou o caminho oposto. Saiu em setembro de 2024, fundou a Thinking Machines Lab em fevereiro de 2025 com aporte semente de 2 bilhões de dólares, e lançou produto em menos de um ano. Duas ex-lideranças da mesma empresa, mesma crise de origem, apostas opostas sobre o que vem primeiro: pesquisa sem pressa ou produto rápido.

A xAI, de Elon Musk, viveu a versão mais extrema dessa dança: entre 2023 e março de 2026, todos os onze cofundadores da empresa a deixaram, um a um.

Em 2 de fevereiro de 2026, a xAI se fundiu com a SpaceX numa operação que avaliou a SpaceX em 1 trilhão de dólares e a xAI em 250 bilhões, criando uma empresa combinada de 1,25 trilhão, a maior fusão da história por valor de mercado. Assim como no resultado do Deep Blue contra Kasparov, o valor exato vai ficar defasado rápido; o recorde em si é o que fica.

Quem ensina governança de IA para conselhos de administração observa esse caso com atenção redobrada: ele é o exemplo mais visível de como a tensão entre missão e capital se resolve na prática, e não apenas no papel dos estatutos. A pergunta que fica para qualquer board é direta: quem, na sua empresa, decide até onde vai a autonomia da IA que vocês já usam?

Eficiência: o momento DeepSeek

Enquanto empresas americanas discutiam governança e captavam bilhões, uma startup fundada em Hangzhou, na China, vinha treinando modelos em silêncio.

A DeepSeek foi fundada em dezembro de 2023 por Liang Wenfeng, que já comandava a High Flyer, um fundo quantitativo com supercomputadores próprios. A infraestrutura de hardware que a DeepSeek usaria depois para treinar seus modelos de IA já vinha sendo construída havia quase uma década, para outro propósito.

Em 20 de janeiro de 2025, a DeepSeek lançou o modelo de raciocínio R1, afirmando desempenho equivalente ao o1 da OpenAI em vários benchmarks, treinado com uma fração do custo e do hardware usados pelas gigantes americanas. Uma semana depois, em 27 de janeiro, a ação da Nvidia caiu cerca de 17% num único dia, apagando perto de 600 bilhões de dólares em valor de mercado, a maior perda de valor em um único dia da história de uma empresa até aquele momento. AMD, Marvell, Broadcom e a taiwanesa TSMC caíram junto. Detalhei o realinhamento do mercado de chips que se seguiu no post A nova era dos processadores de IA e o fim da “monocultura NVIDIA”.

O choque real estava numa pergunta que ninguém tinha motivo forte para fazer antes: e se o caminho para modelos melhores não dependesse só de comprar cada vez mais chips? Quando descrevo esse episódio lecionando em grandes escolas de negócios, o ponto que mais chama atenção dos alunos é este: treinar um modelo de fronteira continua caríssimo, mas a vantagem de quem tinha mais capital para gastar em hardware ficou menor do que todo mundo supunha até ali. Ficou menos impossível competir, não ficou fácil nem barato.

O episódio acelerou movimentos que já vinham se formando, inclusive uma resposta de peso do próprio governo americano que detalho mais à frente, na seção sobre capital.

O open source virou de vez: em abril de 2025 a Meta lançou o Llama 4, mas o modelo aberto de fronteira que ganhou tração real nos meses seguintes foi chinês, dividido entre DeepSeek e Qwen. Em junho de 2025, a Meta comprou uma fatia relevante da Scale AI e trouxe o fundador Alexandr Wang para liderar a nova Meta Superintelligence Labs, sinal de que mesmo as gigantes americanas estavam reorganizando a aposta depois do choque de janeiro.

A Europa tentou responder a esse realinhamento pela francesa Mistral AI, a principal aposta do continente em soberania de IA. Dinheiro não faltou: a empresa fechou uma rodada de 1,7 bilhão de euros em 2025. O problema que a Mistral ainda não resolveu não é captação, é fronteira: nenhum modelo europeu chegou perto do desempenho de ponta que DeepSeek, Qwen ou os modelos americanos entregam nos benchmarks mais disputados. Soberania tecnológica em IA custa dinheiro, mas quem decide a corrida é capacidade de pesquisa de fronteira, e essa lacuna segue aberta para a Europa.

Capital: quando captar bilhões virou rotina

A corrida por eficiência não freou a corrida por dinheiro. Pelo contrário: acelerou os dois lados ao mesmo tempo.

Prefiro não empilhar aqui cada valuation de OpenAI e Anthropic mês a mês. Esse tipo de número muda de sessão em sessão e qualquer captação de hoje soa modesta perto da próxima; o post original sobre a origem da IA Generativa não fala de quanto custou treinar a AlexNet ou o AlphaGo, fala do que a vitória sobre Lee Sedol significou. O que fica é o padrão, não o dígito: em pouco mais de um ano, a OpenAI fechou a maior captação privada da história, e meses depois a Anthropic ultrapassou a própria avaliação da OpenAI, virando a startup de IA mais valiosa do momento. A cada trimestre, o recorde anterior parecia pequeno.

Esse dinheiro não ficou só no papel. As maiores provedoras de nuvem e infraestrutura de IA dos Estados Unidos entraram em 2026 construindo data center atrás de data center, num ritmo de expansão que nenhuma delas tinha praticado antes. Em janeiro de 2025, dois dias depois do choque da DeepSeek, o governo americano anunciou o Stargate Project, o maior projeto de infraestrutura de IA já anunciado, uma resposta direta à pergunta que a DeepSeek tinha acabado de levantar: e se eficiência bastasse, sem precisar de tanto hardware?

Esse é o pano de fundo do debate mais desconfortável de 2026: estamos numa bolha? Na minha leitura, sim, há bolha financeira. A valorização dessas empresas está em múltiplos absurdos frente ao faturamento real, e boa parte delas ainda opera no vermelho.

A tecnologia por trás disso é outra história. Acho mais provável que se repita algo parecido com a bolha da internet do início dos anos 2000: a bolsa estourou, várias empresas quebraram, e mesmo assim a internet ficou e mudou tudo que veio depois. O padrão que provavelmente vai ficar na memória de quem viveu esse período não é o valor exato de nenhuma rodada, é a sensação de recorde mensal seguida, mais cedo ou mais tarde, por um ajuste de conta.

Agentes: da ferramenta ao colega

Enquanto o capital corria, a forma como as pessoas usavam a IA mudava por baixo.

Em 25 de novembro de 2024, a Anthropic abriu o código do Model Context Protocol (MCP), um padrão para conectar modelos de IA a ferramentas e fontes de dados externas: Google Drive, Slack, GitHub, bancos de dados. A OpenAI e o Google DeepMind adotaram o mesmo padrão nos meses seguintes, e o MCP virou, na prática, o conector universal que faltava para a IA deixar de responder dentro de uma caixa de chat e passar a agir em sistemas reais.

Esse conector é a peça técnica que tornou possível a explosão que veio a seguir. Em maio de 2025, a Anthropic lançou o Claude Code, uma ferramenta que não sugere trechos de código, ela mesma escreve, testa e corrige código de ponta a ponta. Cresceu tão rápido que passou a comandar mais da metade do mercado corporativo de codificação com IA, segundo estimativa da Menlo Ventures, menos de um ano depois de existir.

A concorrente Cursor cresceu na mesma velocidade incomum: nenhuma empresa de software B2B, em qualquer categoria, jamais tinha saído do zero para bilhões de dólares em receita tão rápido, virando o produto de crescimento mais rápido já visto em software corporativo.

O padrão se repete fora do código. Agentes de IA hoje pesquisam, comparam, preenchem formulário, enviam e conferem, sem parar para confirmação a cada passo.

Essa maturidade não veio de uma vez. Acompanhando de perto lideranças brasileiras desde o início da onda, testemunhei essa curva em primeira mão. O primeiro momento foi de desconforto puro: lideranças sentindo que estavam atrasadas numa tecnologia que chegou para todo mundo ao mesmo tempo, sem a curva de adoção gradual de ondas de tecnologia anteriores. Depois veio a fase da ilusão do prompt perfeito, a crença de que bastava escrever a instrução certa para resolver qualquer tarefa.

Dois casos jurídicos furaram essa ilusão. Em 2024, um tribunal canadense condenou a Air Canada a honrar um desconto que o próprio chatbot da empresa tinha inventado. Em 2023, dois advogados americanos foram multados em 5 mil dólares por apresentar num processo judicial jurisprudência que o ChatGPT tinha inventado. Os dois casos ensinaram ao mercado, na marra, que alucinação não é falha rara, é característica do modelo que exige controle construído ao redor dela.

Esse controle virou o campo seguinte de disputa terminológica. Depois do prompt veio o contexto (memória, ferramentas, histórico da tarefa), e depois do contexto veio o harness: o conjunto de limites, pontos de parada e registro auditável que envolve um agente autônomo em produção. Detalhei esse conceito, que chamo de harness engineering, no post Harness Engineering em 2026. A ordem importa: cada etapa resolveu o problema que a etapa anterior deixou em aberto, e pular etapas é a causa mais comum de projeto de agente que falha assim que sai do ambiente de teste.

Essa disputa reapareceu com força em 2026, quando ferramentas de agente pessoal como o OpenClaw (um assistente que executa tarefas no computador do usuário sem supervisão constante) reacenderam o entusiasmo por agentes totalmente autônomos. Vieram junto os mesmos erros de sempre: consumo de token fora de controle e decisões tomadas sem qualquer supervisão. O ciclo se repete: entusiasmo, falha visível e resposta em forma de mais controle.

Detalhei como preparar uma empresa para ser bem interpretada por esses agentes no post Engenharia de contexto para agentes de IA, e a mudança de eixo econômico que isso provoca no post Da economia da atenção à economia da execução.

O resumo prático mudou de figura: não basta medir quantas tarefas a IA conclui, o valor real cruza três eixos, a quantidade de tarefas, a qualidade de cada uma e o impacto que elas têm no negócio. Fazer ficou barato. Validar se manteve caro, porque continua exigindo humano qualificado, e a alucinação tornou esse passo inegociável. A grande decisão estratégica do momento, na minha leitura, é achar onde a soma entre capacidade de processamento agêntico e capacidade de validação humana entrega mais resultado. Na prática, a primeira pergunta é simples: quem na sua equipe pode aprovar uma ação do agente sem checar antes, e quem precisa checar sempre?

Trabalho: quem paga o preço

Toda essa aceleração tem um custo que aparece primeiro na folha de pagamento.

Segundo o rastreamento mensal da consultoria Challenger, Gray & Christmas, a inteligência artificial foi citada como motivo de corte de vagas em mais de 100 mil anúncios de demissão nos Estados Unidos só até junho de 2026, cerca de 23% de todos os cortes do ano. Em maio de 2026, a IA respondeu por 40% dos cortes anunciados no mês. Em junho, liderou pelo quarto mês consecutivo as razões de corte de emprego no país, um recorde sem precedente nos dados dessa consultoria.

Esse número pede uma ressalva antes de virar manchete de LinkedIn. O termo AI washing, atribuir a corte de vagas à inteligência artificial quando a causa real é reestruturação financeira ou corte de custo, ganhou força justamente em 2025 e 2026: empresas que reportam alto retorno sobre investimento em IA não são as mesmas que mais demitem citando IA como motivo. Uma parte desses anúncios descreve automação real. Outra parte usa a palavra na moda para justificar uma decisão que já estava no orçamento antes de qualquer modelo entrar em produção.

A consultoria Forrester foi além: 55% dos empregadores já admitem se arrepender de ter demitido citando IA. A própria Forrester projeta que metade desses cortes será revertida, mas silenciosamente, recontratando no exterior ou por salário menor.

Há, ao mesmo tempo, um sinal na direção oposta: em outubro de 2024, os comitês do Nobel reconheceram trabalho em inteligência artificial em duas categorias científicas na mesma semana. John Hopfield e Geoffrey Hinton receberam o Nobel de Física por fundamentos de redes neurais artificiais. Demis Hassabis e John Jumper receberam o de Química pelo AlphaFold, o sistema que resolveu o desafio de previsão de estrutura de proteínas que a ciência carregava havia cinquenta anos. O mesmo ano que começou a demitir citando IA como motivo também validou, pela mais alta instância de reconhecimento científico do mundo, que parte dessa tecnologia resolve problema real, não só substitui vaga.

Onde isso deixa você em julho de 2026

Passando em revista os últimos quatro anos, o padrão que mais chama atenção não é a velocidade de cada lançamento isolado, é a ausência de pausa entre eles.

Entre agosto e novembro de 2025, o setor lançou o GPT-5, o Sora 2 (o segundo modelo de vídeo generativo da OpenAI) e o Gemini 3 Pro, quase em sequência. Sete meses depois, veio o Claude Sonnet 5, que puxa o preço da inteligência de ponta para baixo, tornando modelos quase tão bons quanto o topo de linha acessíveis a um custo de operação bem menor.

O trio que abriu este texto já não é mais trio. Em junho de 2026, a Anthropic liberou o Claude Fable 5, a versão pública de um modelo mais avançado, o Mythos, mantido sob acesso restrito a parceiros de cibersegurança por causa da capacidade dele nessa área. Na mesma semana, a OpenAI começou a testar em caráter limitado o GPT-5.6, dividido em três camadas batizadas Sol, Terra e Luna, cada uma para um tipo de tarefa.

O open source deixou de ser bandeira só chinesa isolada: a Zhipu, agora rebatizada Z.ai, lançou o GLM-5.2 sob licença aberta e de igual para igual com os modelos ocidentais de ponta, enquanto a japonesa Sakana AI apresentou o Fugu, um modelo pequeno que orquestra outros modelos maiores, e o Marlin, um agente de pesquisa capaz de trabalhar sozinho por horas seguidas.

Registro esses lançamentos de junho de 2026 sabendo que, quando você ler isso, é provável que já exista um seguinte. O que fica não é o nome do modelo, é o padrão: a corrida deixou de ter três protagonistas óbvios e virou disputa aberta entre Estados Unidos, China e Japão, cada um com sua própria aposta de arquitetura.

Essa fragmentação também está puxando a conversa para outro lugar. Depois de quatro anos discutindo qual modelo geral é melhor, o mercado começa a organizar a IA por segmento: treinamento e aplicação específicos para o jurídico, para a saúde, para o varejo, cada setor com seu próprio vocabulário e seus próprios riscos. Some a isso os dois eixos que já apareceram aqui e que, na minha leitura, vão dominar a pauta dos próximos anos: até onde vai a autonomia dos agentes, e quem define os limites de governança para essa autonomia.

Esse é o efeito que mais importa para quem decide orçamento de tecnologia: a barreira de entrada para usar IA de qualidade cai ano após ano, enquanto a barreira para treinar um modelo do zero sobe. A decisão estratégica real virou outra: construir sobre modelos de terceiros, cada vez mais baratos e mais capazes, ou tentar competir na camada de infraestrutura, onde só um punhado de empresas no mundo tem fôlego para jogar.

Onde começar amanhã

Se você lidera um time e ainda não tem clareza de qual desses seis eixos, raciocínio, governança, eficiência, capital, agentes ou trabalho, mais afeta sua operação, comece por um exercício simples: liste as três ferramentas de IA que sua equipe usa hoje e identifique em qual desses temas cada uma se encaixa. A maior parte das empresas brasileiras ainda está presa no eixo de raciocínio (qual modelo responde melhor) quando o eixo que mais vai custar dinheiro nos próximos dois anos é o de agentes (quem em sua empresa já tem permissão para deixar a IA agir sem supervisão a cada passo).

Antes de liberar ferramentas de IA para toda a empresa, uma sequência evita o erro mais comum: distribuir acesso antes de preparar quem vai usar, e só depois se perguntar por que a adoção não sai do papel.

Primeiro, letramento. Ninguém deveria começar a executar tarefas com IA sem entender o que a ferramenta faz e onde ela erra. Duas formas de resolver isso, que não competem entre si: contratar uma palestra ou treinamento com carga horária e prática guiada, ou, como primeiro passo mais barato e imediato, distribuir meu e-book gratuito Engenharia de Prompts na Prática antes mesmo de pedir que as pessoas comecem a usar IA no dia a dia.

Depois, ensine a organizar contexto. Letramento resolve a base, mas quem usa IA no trabalho sem método perde tempo repetindo informação que a ferramenta já deveria ter à mão. Detalhei como estruturar isso no post Engenharia de Contexto para Agentes de IA.

Só depois disso, pense em criar agentes. Um agente sem controle não é automação, é abrir mão de decisão sem saber o preço. Antes de qualquer time criar o primeiro agente, garanta que todo mundo entende o que agente seguro e auditável exige: os limites, os pontos de parada e o registro que permitem confiar numa ação que rodou sem supervisão direta. Descrevi isso no post Harness Engineering em 2026.

Para descobrir qual curso da ESPM faz mais sentido para sua trajetória neste tema, vale conversar com o Consultor de Carreira, um agente de IA que indica os cursos da minha curadoria conforme o seu perfil.

Perguntas frequentes

O que aconteceu com a IA Generativa depois do ChatGPT? Em menos de quatro anos, o ChatGPT deixou de ser o único protagonista. A OpenAI lançou o GPT-4 em março de 2023, a Anthropic lançou o Claude no mesmo mês, e o Google reconstruiu o Gemini. Vieram os modelos de raciocínio, a crise de governança na OpenAI em novembro de 2023, o choque de eficiência da DeepSeek em janeiro de 2025, uma corrida de capital sem precedentes e a ascensão dos agentes de IA. Em junho de 2026, a Anthropic lançou o Claude Sonnet 5 e o Claude Fable 5, enquanto OpenAI, Zhipu (China) e Sakana AI (Japão) lançavam suas próprias respostas.

Quando foi lançado o GPT-4? A OpenAI lançou o GPT-4 em 14 de março de 2023, disponível inicialmente via ChatGPT Plus. No mesmo dia, a Anthropic lançou publicamente sua API com o Claude e o Claude Instant.

O que foi o momento DeepSeek e por que ele importou? Em 20 de janeiro de 2025, a DeepSeek lançou o modelo de raciocínio R1, com desempenho comparável a modelos ocidentais e custo de treinamento muito menor. Em 27 de janeiro, a ação da Nvidia caiu cerca de 17% em um dia, apagando perto de 600 bilhões de dólares em valor de mercado. O episódio provou que eficiência de treinamento podia competir com força bruta de hardware.

Por que a Microsoft passou a oferecer modelos da Anthropic dentro do Copilot? Desde setembro de 2025, a Microsoft passou a oferecer modelos da Anthropic ao lado dos da OpenAI dentro do Microsoft 365 Copilot, reduzindo a dependência de um único fornecedor. O movimento acompanhou a reestruturação da parceria entre Microsoft e OpenAI, concluída em outubro de 2025.

OpenAI e Anthropic ainda são as únicas gigantes da IA Generativa? Não mais. Em junho de 2026, a Anthropic liberou o Claude Fable 5, e a OpenAI testava em caráter limitado o GPT-5.6, dividido nas camadas Sol, Terra e Luna. No mesmo período, a chinesa Zhipu (rebatizada Z.ai) lançou o GLM-5.2 em código aberto competindo de igual para igual com os modelos ocidentais, e a japonesa Sakana AI apresentou o Fugu e o Marlin. A disputa deixou de ter três protagonistas óbvios e passou a incluir Estados Unidos, China e Japão.

Estamos numa bolha de inteligência artificial? Na minha leitura pessoal, sim, há bolha financeira: a valorização dessas empresas está em múltiplos absurdos frente ao faturamento real, e boa parte delas ainda opera no vermelho. A tecnologia em si é outra história. O cenário mais provável se parece com a bolha da internet do início dos anos 2000: a bolsa estourou e várias empresas quebraram, mas a internet ficou e mudou tudo que veio depois.

Por que a Mistral não conseguiu competir de igual para igual com os modelos chineses e americanos? A francesa Mistral AI fechou uma rodada de 1,7 bilhão de euros em 2025, o que mostra que capital não é o obstáculo. O problema é de fronteira tecnológica: nenhum modelo europeu chegou perto do desempenho de ponta que DeepSeek, Qwen ou os modelos ocidentais entregam nos benchmarks mais disputados.

O que foi a fusão entre xAI e SpaceX? Em 2 de fevereiro de 2026, a xAI se fundiu com a SpaceX numa operação que avaliou a SpaceX em 1 trilhão de dólares e a xAI em 250 bilhões, criando uma empresa combinada de 1,25 trilhão, a maior fusão da história por valor de mercado. O acordo veio depois de todos os onze cofundadores da xAI terem deixado a empresa entre 2023 e março de 2026.

A IA está realmente tirando empregos? Os cortes de vagas citando IA como motivo cresceram de forma consistente, liderando as razões de corte de emprego nos Estados Unidos por quatro meses seguidos em 2026, segundo a consultoria Challenger, Gray & Christmas. Ao mesmo tempo, o termo AI washing (atribuir à IA um corte que tem outra causa real) ganhou força em 2025 e 2026, o que exige cautela antes de atribuir todo desligamento à tecnologia.

---

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.