# A IA está tornando software e trabalho cognitivo mais abundantes — e a infraestrutura que os produz mais concentrada

**Programa:** Tecnologia, Produção & Sociedade  
**Código:** MT-TS-2026-10-05-ai-abundance-infrastructure-concentration  
**Edição:** 5 de outubro de 2026  
**Corte de informação:** 5 de outubro de 2026

A aceleração tecnológica de 2026 não pode ser descrita adequadamente como uma simples onda de automação. O mecanismo mais importante é uma mudança de escassez. Modelos generativos e agentes reduzem o custo de produzir código, texto, análise, atendimento e partes de workflows administrativos; ao mesmo tempo, a infraestrutura necessária para produzir e operar esses sistemas exige volumes crescentes de chips avançados, memória, energia, centros de dados, capital e distribuição em nuvem.

O resultado é uma economia potencialmente mais competitiva na camada de aplicações e mais concentrada nas camadas de infraestrutura. Essa combinação ajuda a explicar fenômenos que, vistos isoladamente, parecem contraditórios: criação acelerada de novas empresas de software, compressão de múltiplos de SaaS público, pressão sobre vagas de entrada em profissões digitais, crescimento de empresas AI-native, expansão do investimento em centros de dados e escrutínio regulatório sobre cloud e parcerias entre hyperscalers e laboratórios de IA.

A avaliação central é: **a IA não está simplesmente destruindo software ou empregos; ela está deslocando onde ficam as rendas econômicas, quais tarefas justificam salários, quais produtos conseguem manter poder de preço e quais ativos permanecem realmente escassos.**

A evidência ainda não sustenta um cenário de desemprego generalizado causado pela IA. Também não sustenta a tese de que o SaaS esteja desaparecendo. O que já pode ser observado é mais específico: efeitos concentrados nas rotas de contratação de jovens em ocupações expostas, mudança do modelo de precificação do software, compressão de avaliações de mercado em software tradicional e investimento físico excepcionalmente intenso nas camadas que sustentam IA.

## O sinal de aceleração é econômico, não apenas técnico

O *AI Index 2026* de Stanford estima que o investimento corporativo global em IA alcançou **US$ 581,69 bilhões em 2025**, mais que o dobro do ano anterior. O investimento privado somou US$ 344,66 bilhões e operações de fusão e aquisição US$ 214,44 bilhões. A adoção organizacional de IA passou de 55% em 2023 para **88% em 2025**, enquanto IA generativa atingiu 53% de adoção em três anos. [Stanford AI Index 2026](https://hai.stanford.edu/ai-index/2026-ai-index-report/economy)

Esses números não demonstram retorno econômico proporcional. Eles demonstram que empresas e investidores estão realocando capital e processos em uma escala suficiente para alterar mercados de trabalho, infraestrutura e estratégias de produto.

A distribuição do investimento também é assimétrica. O investimento privado em IA nos Estados Unidos alcançou US$ 285,88 bilhões em 2025, comparado com US$ 20,92 bilhões na Europa e US$ 12,41 bilhões na China. A métrica privada subestima parte do financiamento chinês apoiado pelo Estado, portanto não deve ser lida como medida completa de capacidade tecnológica nacional. Ainda assim, a concentração financeira norte-americana é material. [Stanford AI Index 2026](https://hai.stanford.edu/ai-index/2026-ai-index-report/economy)

```chart
type: bar
title: Investimento privado em IA por região em 2025
unit: US$ bilhões
Estados Unidos | 285.88
Europa | 20.92
China | 12.41
```

O gráfico compara a mesma categoria de investimento privado. Ele não mede gasto público, capacidade computacional total ou qualidade dos modelos.

## A abundância digital está criando escassez física

A queda do custo de gerar software não significa que a economia da IA seja leve em capital. A Agência Internacional de Energia estima que o investimento de capital das maiores empresas de tecnologia superou **US$ 400 bilhões em 2025** e deve crescer outros 75% em 2026; a estimativa para 2026 permanece sujeita a revisão. A IEA também observa que o gasto de apenas cinco empresas de tecnologia já supera o investimento global em produção de petróleo e gás. [IEA — Key Questions on Energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary)

A infraestrutura física cresce porque tarefas mais sofisticadas não seguem a mesma curva energética de uma consulta simples. A IEA estima que a energia por tarefa de IA caiu pelo menos uma ordem de magnitude por ano em anos recentes, mas raciocínio, vídeo e tarefas agentic podem consumir centenas ou milhares de vezes mais energia por consulta do que geração simples de texto. Eficiência maior, portanto, pode coexistir com consumo agregado maior.

A demanda elétrica global de centros de dados foi estimada em 485 TWh em 2025 e pode chegar a aproximadamente 950 TWh em 2030, cerca de 3% da demanda elétrica mundial naquele ano. O consumo de centros de dados focados em IA cresce ainda mais rápido. [IEA](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary)

```chart
type: bar
title: Consumo global de eletricidade de data centers
unit: TWh
2025 | 485
2030 | 950
```

O mesmo relatório identifica restrições críticas em conexões à rede, equipamentos elétricos, chips e memória de alta largura de banda, além de resistência de comunidades preocupadas com preços de eletricidade e efeitos ambientais. Isso altera a economia política da IA: o limite deixa de ser apenas a qualidade do algoritmo e passa a incluir disponibilidade de rede, licenciamento, financiamento e aceitação local.

```flow
Modelos e agentes mais capazes → custo de várias tarefas cognitivas cai → software e automação ficam mais fáceis de produzir → competição aumenta na camada de aplicações → funcionalidades genéricas perdem escassez
Adoção de IA em escala → demanda por GPUs, memória, data centers, rede e energia cresce → capital físico e infraestrutura tornam-se gargalos → economias de escala aumentam → poder pode se concentrar em fornecedores de infraestrutura e distribuição
```

Essa dupla trajetória — abundância digital e escassez física — é o eixo que organiza os demais efeitos.

## O choque no trabalho aparece primeiro nas tarefas e nas portas de entrada

A evidência mais recente não mostra uma substituição ampla de trabalhadores. A revisão de agosto de 2026 do Stanford Digital Economy Lab, baseada em dados administrativos de folha de pagamento da ADP cobrindo milhões de trabalhadores nos Estados Unidos até junho, conclui que não há evidência de deslocamento generalizado em toda a economia. Entretanto, trabalhadores de **22 a 25 anos em ocupações expostas à IA estavam 19% abaixo da trajetória contrafactual** que teriam seguido caso acompanhassem seus pares em ocupações menos expostas. Trabalhadores experientes não apresentavam lacuna comparável. [Stanford Digital Economy Lab](https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/)

Isso é compatível com um mecanismo de contratação, não necessariamente de demissão. Empresas podem manter especialistas experientes e reduzir a necessidade de adicionar profissionais juniores para tarefas estruturadas que agora são parcialmente executadas por sistemas de IA.

| Evidência | Resultado observado | Interpretação permitida | Limite |
| --- | --- | --- | --- |
| Stanford Digital Economy Lab, 2026 | jovens de 22–25 anos em ocupações expostas 19% abaixo da trajetória dos pares menos expostos | pressão concentrada nas rotas de entrada | não demonstra desemprego agregado causado por IA |
| ILO, 2025 | 1 em 4 trabalhadores está em ocupação com alguma exposição; 3,3% no gradiente mais alto | exposição é ampla, mas intensidade máxima é minoritária | exposição não equivale a automação integral |
| OECD, 2026 | TI, negócios, gestores e ciência/engenharia estão entre as ocupações mais expostas | a fronteira atingiu trabalho qualificado e digital | alta exposição pode resultar em complementaridade |
| NBER, atendimento | +14% de produtividade média e +34% para novatos/menos qualificados | IA pode difundir práticas de trabalhadores mais capazes | resultado de um contexto específico |
| METR, programação | estudo de 2025 encontrou tarefas 19% mais lentas; atualização de 2026 indica possível melhora, mas com forte viés de seleção | produtividade depende de tarefa, ferramenta e desenho do experimento | não há um multiplicador universal de produtividade |

A ILO calcula que **um em cada quatro trabalhadores** do mundo está em uma ocupação com algum grau de exposição à IA generativa, mas apenas 3,3% do emprego global está no gradiente de exposição mais alto. A organização ressalta que transformação de tarefas é mais provável que eliminação integral de muitas ocupações. [ILO](https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure)

A OECD adiciona um ponto que contradiz a intuição formada durante a automação industrial: algumas das ocupações mais expostas à IA são profissionais de TI, negócios, gerentes, executivos e profissionais de ciência e engenharia. Entre as menos expostas estão limpeza, agricultura, preparação de alimentos e trabalho manual elementar. [OECD — Skills in the AI age](https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en/full-report/component-6.html)

## A carreira júnior pode ser o principal mecanismo social de transmissão

Profissões qualificadas são sistemas de produção de experiência. O programador sênior foi júnior; o advogado que revisa decisões começou pesquisando casos; o analista que julga modelos passou anos construindo planilhas e apresentações; o gestor aprendeu executando tarefas operacionais.

Muitas dessas tarefas iniciais são exatamente as mais estruturadas, digitalizadas e verificáveis — características que tornam uma atividade relativamente compatível com automação.

Isso cria um risco de **compressão da escada de aprendizagem**. A empresa ganha produtividade no curto prazo ao permitir que um profissional experiente supervisione mais trabalho com agentes, mas o mercado pode formar menos pessoas capazes de ocupar posições experientes no futuro.

```diagram
Modelo tradicional
júnior executa tarefas estruturadas → recebe revisão → acumula contexto → assume exceções → torna-se especialista

Modelo com automação intensa
agente executa tarefas estruturadas → especialista revisa exceções → menos vagas de entrada → menor volume de aprendizagem prática → possível gargalo futuro de especialistas
```

Este segundo caminho é uma análise, não um resultado já estabelecido. Há evidência que aponta na direção oposta: o estudo de Brynjolfsson, Li e Raymond com 5.179 agentes de atendimento encontrou ganho médio de produtividade de 14% e ganho de 34% entre trabalhadores novatos e menos qualificados, sugerindo que IA também pode acelerar aprendizado e difundir melhores práticas. [NBER](https://www.nber.org/papers/w31161)

A questão institucional é, portanto, como combinar automação de tarefas de entrada com mecanismos deliberados de formação. Empresas que eliminarem completamente o aprendizado supervisionado podem economizar folha hoje e criar escassez de julgamento humano amanhã.

## Quem está mais exposto socialmente não é apenas quem tem menor escolaridade

A distribuição da exposição também é desigual por gênero e nível de renda dos países. A ILO estima que, globalmente, 4,7% do emprego feminino está no gradiente máximo de exposição, contra 2,4% do emprego masculino. Em países de alta renda, os números sobem para 9,6% e 3,5%, respectivamente. A exposição total alcança 34% do emprego em países de alta renda e 11% nos de baixa renda. [ILO](https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure)

A razão não é uma capacidade intrínseca da IA de “substituir mulheres”, mas a composição ocupacional: funções clericais e administrativas, nas quais mulheres têm participação elevada em vários países, estão entre as mais expostas.

Ao mesmo tempo, países de renda alta possuem mais capital, infraestrutura e empresas capazes de capturar os ganhos de produtividade. Países de renda menor podem enfrentar exposição mais baixa hoje e ainda assim capturar parcela menor da renda gerada pela tecnologia se dependem de modelos, clouds e chips estrangeiros.

Essa combinação produz uma possibilidade distributiva importante: **o local onde o trabalho é transformado e o local onde a renda da infraestrutura é apropriada podem ser diferentes**.

## Quais profissões estão sob pressão — e por qual mecanismo

Uma lista de profissões “que vão desaparecer” seria metodologicamente fraca. O objeto adequado é a tarefa, sua verificabilidade, a necessidade de contexto e o custo de erro.

| Grupo | Exemplos | Mecanismo de impacto | Principal defesa econômica |
| --- | --- | --- | --- |
| tarefas administrativas estruturadas | data entry, back office, secretariado, triagem documental, suporte básico | automação direta de fluxo e linguagem | conhecimento institucional, exceções, relacionamento |
| produção digital de entrada | programação júnior, conteúdo básico, design preliminar, tradução rotineira, pesquisa documental | geração e revisão assistida reduzem horas por entrega | arquitetura, integração, gosto, validação, domínio |
| análise profissional | finanças, jurídico, consultoria, marketing, análise de dados | agente executa pesquisa, síntese e primeira versão | julgamento, responsabilidade, negociação e contexto |
| especialistas técnicos | engenheiros, médicos, pesquisadores, profissionais de segurança | complementaridade e automação parcial | responsabilidade, conhecimento tácito, segurança e trabalho interdisciplinar |
| trabalho físico e relacional | eletricistas, mecânicos, construção, cuidadores, enfermagem operacional | menor exposição direta a LLMs; robótica é a variável futura | presença física, destreza, confiança, ambiente não estruturado |

A fronteira muda com a tecnologia. Baixa exposição atual de trabalho físico não representa imunidade permanente; ela indica que a barreira de automação está no corpo, na percepção e na atuação confiável no mundo real, não na linguagem.

## Software deixa de ser raro antes de deixar de ser necessário

O mercado de software oferece um experimento em tempo real sobre o deslocamento de escassez.

O índice SaaS da Software Equity Group registrou queda do múltiplo mediano **EV/receita dos últimos doze meses de 5,7x no segundo trimestre de 2025 para 3,2x no segundo trimestre de 2026**. Ao mesmo tempo, o relatório observa empresas maiores, mais lucrativas e mais eficientes, com prêmio relativo para DevOps/IT, ERP/supply chain e segurança. [Software Equity Group](https://softwareequity.com/research/quarterly-saas-report)

```chart
type: bar
title: Múltiplo mediano EV/receita no índice SaaS da SEG
unit: vezes
2T 2025 | 5.7
2T 2026 | 3.2
```

Isso é compressão de avaliação de mercado, não prova de colapso do setor.

A evidência contrária é importante. Em setembro de 2026, a Stripe informou que adicionou mais plataformas SaaS novas nos três meses anteriores do que nos seis meses finais de 2025, com novas plataformas **mais de 180% acima do ano anterior**. A empresa também afirma que volumes de pagamento de SaaS em sua base estavam acima do nível anterior à grande venda de ações de software no início de 2026. [Stripe](https://stripe.com/blog/saas-platforms-are-surging-despite-the-saaspocalypse)

As duas observações podem coexistir: software continua crescendo como atividade econômica enquanto o mercado reduz o preço que aceita pagar por receita facilmente replicável.

## O que está sob pressão é a unidade econômica do SaaS clássico

O modelo dominante da era SaaS vinculou receita ao número de usuários humanos: mais empregados usando o produto significavam mais assentos e maior receita recorrente.

Agentes quebram essa relação. Se cinco agentes e três funcionários realizam um processo que antes exigia dez funcionários, uma cobrança puramente por assento perde receita justamente quando a automação aumenta.

A Andreessen Horowitz descreveu essa mudança como transição de *per-seat* para uso e resultado; é uma tese de investidor, não uma regularidade já comprovada em todo o mercado. [a16z](https://a16z.com/newsletter/december-2024-enterprise-newsletter-ai-is-driving-a-shift-towards-outcome-based-pricing/)

Há, porém, evidência operacional de adaptação. O Agentforce da Salesforce oferece créditos baseados em consumo e mede ações executadas pelo agente, além de manter opções de licenciamento por usuário e por conversa. [Salesforce](https://www.salesforce.com/agentforce/pricing/)

A unidade econômica começa a mudar de **“quantas pessoas usam o software?”** para **“quantas ações, resoluções ou resultados o software produz?”**.

Isso aproxima software do orçamento de trabalho e serviços profissionais. Uma aplicação deixa de competir apenas com outra licença e passa a competir com horas de trabalho humano.

## A resposta do SaaS pode ser tornar-se menos substituível, não menos software

Produtos verticais oferecem um exemplo. Dados da Stripe mostram que a adoção mediana de pagamentos dentro de plataformas verticais passou de 27% em 2024 para 40% em 2025, enquanto plataformas líderes ultrapassaram 80%. [Stripe — Vertical SaaS](https://stripe.com/blog/vertical-saas-insights-sessions-2026)

Pagamentos, identidade, compliance, dados históricos, integrações e workflows críticos aumentam custos de troca mesmo quando a interface e várias funcionalidades ficam mais fáceis de replicar.

A Bessemer argumenta que sistemas tradicionais de registro estão sob pressão porque IA reduz custo de migração, estrutura dados não estruturados e permite que software execute ações, mas reconhece que a substituição de grandes ERPs permanece difícil. Essa é novamente uma tese de investidor, útil para formular mecanismos, não uma constatação de que Salesforce, SAP ou ServiceNow serão substituídos. [Bessemer — State of AI 2025](https://www.bvp.com/atlas/the-state-of-ai-2025)

A implicação é uma polarização: **software genérico pode se comoditizar enquanto sistemas que controlam dados, dinheiro, identidade, compliance e workflows críticos se tornam ainda mais centrais**.

## A camada de aplicações pode hipercompetir enquanto a base se concentra

A Federal Trade Commission estudou as relações Microsoft–OpenAI, Amazon–Anthropic e Google–Anthropic e informou que elas envolviam mais de **US$ 20 bilhões em investimento financeiro acumulado**, além de compromissos de cloud, direitos econômicos e acesso a informações. O relatório não declara que essas empresas formam um monopólio ilegal; identifica possíveis efeitos sobre acesso a compute e talento, custos de troca e assimetria informacional. [FTC](https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2025/01/behind-ftcs-6b-report-large-ai-partnerships-investments)

Em junho de 2026, a Comissão Europeia comunicou sua visão preliminar de que AWS e Azure deveriam ser designados *gatekeepers* do Digital Markets Act para serviços de cloud. A Comissão os descreveu como o maior e o segundo maior serviço de cloud na União Europeia. É uma posição preliminar, não uma decisão final sobre abuso de poder de mercado. [European Commission](https://digital-strategy.ec.europa.eu/en/news/commission-reaches-preliminary-position-amazons-and-microsofts-market-leading-cloud-services-should)

O 10-K de 2026 da Microsoft mostra a intensidade física desse poder de escala. Servidores, equipamentos de rede e software registrados ao custo passaram de US$ 132,836 bilhões para **US$ 215,874 bilhões** em um ano; o imobilizado líquido total subiu de US$ 204,966 bilhões para **US$ 313,076 bilhões**. A empresa também tinha US$ 34,6 bilhões comprometidos com novas construções e melhorias, principalmente centros de dados. [Microsoft 2026 Form 10-K](https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm)

```mindmap
Onde a escassez pode migrar
- Infraestrutura física
  - chips e memória
  - data centers
  - energia e conexão à rede
  - capital de longo prazo
- Infraestrutura digital
  - cloud e distribuição
  - identidade e permissões
  - dados proprietários
  - integração com sistemas críticos
- Confiança institucional
  - segurança
  - auditoria
  - compliance
  - responsabilidade jurídica
- Capital humano
  - julgamento
  - conhecimento tácito
  - negociação
  - supervisão de exceções
- Distribuição
  - base instalada
  - pagamentos
  - canais empresariais
  - marca e confiança
```

O poder econômico não desaparece quando código fica barato. Ele migra para os complementos que não ficaram baratos na mesma velocidade.

## Peter Thiel ajuda a formular a pergunta de apropriação da renda gerada

Na aula *Competition is for Losers*, ministrada no curso de startups de Stanford e posteriormente publicada pelo Y Combinator, Peter Thiel apresentou uma distinção entre criar valor e capturar valor. Sua estratégia de “monopólio” está baseada em diferenciação tecnológica, efeitos de rede, economias de escala e domínio inicial de mercados pequenos. [Y Combinator — Peter Thiel](https://www.youtube.com/watch?v=3Fx5Q8xGU8k)

Essa é uma lente estratégica, não evidência de estrutura de mercado em 2026.

Aplicada à IA, ela expõe uma tensão. A camada de aplicações está ficando mais próxima da condição que Thiel considera pouco atraente: muitos competidores, funcionalidades copiáveis e entrada barata. Em contraste, semicondutores avançados, cloud, energia contratada e distribuição global apresentam fortes economias de escala e barreiras de capital.

A pergunta relevante passa a ser menos “quem consegue construir um aplicativo?” e mais “quem controla um ativo que centenas de aplicativos não conseguem reproduzir?”.

## Grandes investidores estão apostando em teses diferentes sobre a mesma transformação

| Investidor / instituição | Tese publicada | O que ela ajuda a explicar | Limitação |
| --- | --- | --- | --- |
| Peter Thiel | empresas duráveis procuram diferenciação, rede, escala e capacidade de capturar valor | por que camadas escassas podem capturar mais renda que aplicações genéricas | estrutura conceitual histórica, não previsão empírica de IA |
| David Cahn / Sequoia | a infraestrutura pode crescer muito mais rápido que a receita final e ainda sofrer excesso de capital | risco de centros de dados e GPUs serem economicamente transformadores sem remunerar todo investimento | análise de investidor e cenários de investimento de capital |
| Bessemer | sistemas de registro estão sob pressão e IA cria “sistemas de ação” | erosão de moats baseados apenas em entrada de dados e interface | tese de venture capital; incumbentes ainda possuem workflows e dados |
| a16z | assento deixa de ser a unidade atômica quando software executa trabalho | transição para consumo e outcome pricing | adoção varia por produto e cliente |
| Masayoshi Son / SoftBank | poucos líderes de ASI podem capturar enorme valor com retornos crescentes | mostra uma aposta explícita em concentração de plataforma | visão altamente especulativa; não é estimativa independente |

David Cahn, da Sequoia, formulou em 2024 o “AI’s $600B Question”: a diferença entre o volume de infraestrutura sendo construído e a receita de aplicações necessária para remunerá-la. Em sua tese para 2026, ele manteve a ideia de duas velocidades — adoção crescente e restrições físicas que atrasam centros de dados — e ressalta que tecnologia transformadora não garante retorno a todo capital investido. [Sequoia 2024](https://sequoiacap.com/article/ais-600b-question) [Sequoia 2026](https://sequoiacap.com/article/ai-in-2026-the-tale-of-two-ais)

A Bessemer mostra o outro lado das avaliações de mercado: em seu Cloud 100 de 2025, 22 empresas de IA respondiam por **US$ 464 bilhões, ou 42% do valor total** da lista. Empresas de IA tinham múltiplo médio de 24x receita, contra 19x entre as demais. [Bessemer Cloud 100](https://www.bvp.com/atlas/the-cloud-100-benchmarks-report/)

Masayoshi Son representa a aposta mais concentradora. No relatório anual de 2025 da SoftBank, ele afirmou acreditar que um pequeno número de líderes de ASI poderia no futuro gerar valor equivalente a pelo menos 5% do PIB mundial e margens próximas de 50%; o grupo havia comprometido até US$ 32,2 bilhões com a OpenAI. Esses números são uma visão do investidor, não um cenário-base independente. [SoftBank](https://group.softbank/en/ir/financials/annual_reports/2025/message/son)

## A distribuição da produtividade pode importar mais que a produtividade média

Se IA aumentar a produtividade de uma empresa em 20%, isso não determina quem recebe o ganho.

Ele pode aparecer como salários maiores, preços menores, margens maiores, menor número de funcionários, mais produção, jornadas menores ou remuneração de fornecedores de cloud e modelos.

A estrutura de mercado influencia a distribuição. Quando várias empresas podem comprar modelos semelhantes, a vantagem na aplicação pode ser rapidamente competida. Quando poucos fornecedores controlam infraestrutura, dados, canais e capital, uma parcela maior da renda pode migrar para esses complementos.

Isso produz cinco impactos sociais possíveis que devem ser monitorados:

1. **polarização dentro das profissões:** especialistas capazes de supervisionar sistemas podem ampliar sua produção enquanto vagas de entrada encolhem;
2. **mudança do poder de barganha:** trabalhadores deixam de negociar apenas contra outros trabalhadores e passam a competir com uma combinação de automação, terceirização e software;
3. **concentração patrimonial:** se ganhos forem capitalizados principalmente nas empresas que controlam infraestrutura, a valorização de ativos pode avançar mais rápido que a renda do trabalho;
4. **assimetria territorial:** regiões que hospedam centros de dados podem receber investimento e impostos, mas também absorver custos de rede, água, licenciamento e oposição local;
5. **dependência tecnológica internacional:** países podem consumir inteligência barata via API sem possuir a infraestrutura, os modelos ou os canais que capturam a maior parte da renda.

Nenhum desses resultados é automático. Concorrência, interoperabilidade, modelos abertos, regulação, tributação, propriedade de capital, políticas de formação e desenho do mercado elétrico podem alterar a distribuição.

## Educação passa a ter um problema de formação, não apenas de currículo

A resposta educacional mais óbvia é ensinar IA. Isso é insuficiente.

Quando ferramentas conseguem produzir primeiras versões de código, relatórios e análises, a escola e a empresa precisam distinguir capacidade de gerar um artefato de capacidade de explicar, verificar e assumir responsabilidade por ele.

A habilidade valiosa migra parcialmente para decomposição de problemas, teste, interpretação de evidência, modelagem causal, segurança, conhecimento de domínio e julgamento sob incerteza.

Ao mesmo tempo, retirar toda tarefa básica de estudantes e profissionais juniores pode reduzir oportunidades de construir modelos mentais. O desafio é usar IA para acelerar a curva de aprendizagem sem eliminar a prática que produz julgamento.

A evidência ainda é insuficiente para afirmar qual arranjo pedagógico funciona melhor em escala. Este é um dos principais pontos a acompanhar.

## Mercados emergentes podem ganhar acesso e perder renda ao mesmo tempo

A IA reduz uma barreira importante para países fora dos principais centros tecnológicos: acesso a capacidade cognitiva. Uma pequena empresa pode utilizar modelos avançados sem construir um data center ou treinar um modelo de fronteira.

Mas esse benefício pode vir acompanhado de transferência de renda para fornecedores externos de compute, cloud e modelos. A concentração de investimento privado em IA nos Estados Unidos indica que propriedade e financiamento não estão se difundindo na mesma velocidade que o uso.

O resultado depende da camada em que cada economia consegue competir. Países capazes de combinar energia confiável, centros de dados, infraestrutura de fibra, software local, dados setoriais, engenharia e mercados internos podem capturar mais valor. Países que permanecem apenas consumidores podem obter produtividade e ainda ampliar dependência tecnológica.

Essa é uma análise estrutural, não uma previsão determinada. Modelos abertos, quedas de custo de hardware, clouds regionais e políticas de interoperabilidade podem reduzir essa assimetria.

## Quatro cenários para 2026–2030

Os cenários abaixo não são previsões nem probabilidades. Eles identificam mecanismos que podem coexistir.

| Cenário | Mecanismo dominante | Mercado de trabalho | Software | Poder econômico |
| --- | --- | --- | --- | --- |
| difusão produtiva | custo de modelos e agentes cai mais rápido que barreiras de adoção | IA complementa trabalhadores e amplia produção | muitas empresas usam IA sem destruir incumbentes | ganhos mais distribuídos entre usuários, empresas e fornecedores |
| economia em halter | aplicações ficam baratas, infraestrutura continua escassa | vagas juniores e tarefas rotineiras comprimem; especialistas ganham alavancagem | commodity no topo, fortes moats em dados/workflow | renda concentra em compute, cloud, energia e distribuição |
| excesso de capital e correção | centros de dados e modelos crescem mais rápido que receita final | adoção continua, mas investimento desacelera | avaliações de mercado convergem e empresas priorizam lucro | investidores em infraestrutura absorvem perdas sem desfazer a tecnologia |
| fragmentação regulatória | soberania de dados, energia e segurança regionalizam a pilha | demanda cresce por compliance e operação local | clouds, modelos e integrações se regionalizam | Estados e fornecedores nacionais recuperam parte do controle |

O cenário mais plausível pode ser uma combinação: difusão rápida na aplicação, concentração em alguns insumos, correções periódicas de avaliação de mercado e fragmentação em setores regulados.

## O que enfraqueceria esta tese

A tese de migração da escassez deve ser revisada se vários sinais ocorrerem em conjunto:

- a lacuna de emprego de jovens em ocupações expostas se fechar de forma persistente enquanto adoção de IA cresce;
- modelos por assento continuarem dominantes mesmo onde agentes executam parcela grande do workflow;
- avaliações de mercado de software genérico recuperarem prêmio sem melhora correspondente em crescimento, retenção ou poder de preço;
- custo de compute e energia cair a ponto de remover economias de escala relevantes;
- interoperabilidade permitir troca de cloud e modelos com custos muito baixos;
- estudos independentes mostrarem que ganhos de produtividade não se sustentam em workflows reais;
- a participação de novos concorrentes em cloud, chips e modelos crescer de maneira suficiente para reduzir concentração.

O objetivo não é provar que uma estrutura específica é inevitável, mas manter a análise falsificável.

## Indicadores a acompanhar

A Marginal Thinking acompanhará especialmente:

- contratação de trabalhadores de 22–25 anos versus profissionais experientes por grau de exposição à IA;
- receita e produção por funcionário em empresas AI-native;
- composição entre preço por assento, consumo, ação e resultado;
- múltiplos de receita e margem em software tradicional versus IA, segurança, dados e infraestrutura;
- custos de migração e concentração em cloud;
- investimento de capital (investimento de capital) de hyperscalers e retorno econômico dos centros de dados;
- demanda elétrica, filas de conexão e repasse de custos de rede;
- preço e disponibilidade de GPUs, HBM e equipamentos elétricos;
- estudos independentes de produtividade por tarefa e por workflow;
- participação da renda do trabalho nos setores mais expostos;
- criação de startups versus concentração de receita e valor;
- evolução da formação de profissionais juniores e das estruturas de aprendizagem dentro das empresas.

## Conclusão

O erro analítico seria escolher entre duas histórias extremas: “a IA destruirá todos os empregos e softwares” ou “a IA é apenas mais uma ferramenta de produtividade”.

A evidência disponível até 5 de outubro de 2026 aponta para uma transformação mais estrutural.

Inteligência aplicada e produção de software estão ficando mais baratas em várias tarefas. Isso reduz barreiras de entrada, pressiona funcionalidades genéricas e amplia o alcance de indivíduos e equipes pequenas. Ao mesmo tempo, a infraestrutura que torna essa abundância possível está ficando extraordinariamente intensiva em capital, energia, chips, redes e distribuição.

No trabalho, o primeiro efeito visível está menos em demissões agregadas do que na composição das tarefas e na contratação de jovens. No software, a primeira ruptura é menos o desaparecimento do SaaS do que a perda de valor do assento como unidade universal e a compressão de produtos sem ativos escassos. Na estrutura industrial, a concorrência pode aumentar no topo enquanto cloud, compute e energia permanecem concentrados na base.

A pergunta central da próxima fase não é se haverá mais inteligência ou mais software. Haverá.

A questão é **quem controla os recursos que continuam escassos quando inteligência e software se tornam abundantes — e como a renda produzida por essa nova combinação será distribuída entre capital, trabalho, consumidores, Estados e territórios.**

## Fontes principais

- [Stanford HAI — AI Index 2026, Economy](https://hai.stanford.edu/ai-index/2026-ai-index-report/economy)
- [Stanford Digital Economy Lab — Canaries in the Coal Mine?, revisão 2026](https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/)
- [ILO — Generative AI and Jobs: refined global exposure index](https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure)
- [OECD — Skills in the AI age](https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en/full-report/component-6.html)
- [NBER — Generative AI at Work](https://www.nber.org/papers/w31161)
- [METR — 2026 developer productivity experiment update](https://metr.org/blog/2026-02-24-uplift-update/)
- [IEA — Key Questions on Energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary)
- [Software Equity Group — Quarterly SaaS Report](https://softwareequity.com/research/quarterly-saas-report)
- [Stripe — SaaS platforms are surging despite the SaaSpocalypse](https://stripe.com/blog/saas-platforms-are-surging-despite-the-saaspocalypse)
- [Stripe — Vertical SaaS insights, 2026](https://stripe.com/blog/vertical-saas-insights-sessions-2026)
- [Salesforce — Agentforce pricing](https://www.salesforce.com/agentforce/pricing/)
- [FTC — Large AI partnerships and investments](https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2025/01/behind-ftcs-6b-report-large-ai-partnerships-investments)
- [European Commission — AWS and Azure preliminary DMA position](https://digital-strategy.ec.europa.eu/en/news/commission-reaches-preliminary-position-amazons-and-microsofts-market-leading-cloud-services-should)
- [Microsoft — 2026 Form 10-K](https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm)
- [Y Combinator — Peter Thiel, Competition is for Losers](https://www.youtube.com/watch?v=3Fx5Q8xGU8k)
- [Sequoia — AI's $600B Question](https://sequoiacap.com/article/ais-600b-question)
- [Sequoia — AI in 2026: A Tale of Two AIs](https://sequoiacap.com/article/ai-in-2026-the-tale-of-two-ais)
- [Bessemer — The State of AI 2025](https://www.bvp.com/atlas/the-state-of-ai-2025)
- [Bessemer — Cloud 100 Benchmarks 2025](https://www.bvp.com/atlas/the-cloud-100-benchmarks-report/)
- [SoftBank — Masayoshi Son, Annual Report 2025](https://group.softbank/en/ir/financials/annual_reports/2025/message/son)
- [Andreessen Horowitz — AI and outcome-based pricing](https://a16z.com/newsletter/december-2024-enterprise-newsletter-ai-is-driving-a-shift-towards-outcome-based-pricing/)