IA no Brasil avança do laboratório ao concreto, mas gargalos de energia, chips e escala ainda se impõem desafios

O Brasil entrou numa nova etapa da corrida da inteligência artificial. Depois de um primeiro momento dominado por testes com chatbots, automação de atendimento e uso corporativo de ferramentas estrangeiras, o país passou a discutir a infraestrutura pesada por trás da tecnologia: capacidade computacional, centros de dados, modelos de linguagem treinados para o português e regras para o uso da IA em setores sensíveis.

Essa mudança de fase aparece em três movimentos simultâneos. O primeiro é o esforço do governo federal para estruturar uma política nacional para a área, com o Plano Brasileiro de Inteligência Artificial (PBIA), que prevê R$ 23 bilhões em investimentos até 2028. O segundo é o surgimento de modelos e empresas brasileiras focados em aplicações locais, com ênfase no português e em tarefas ligadas a direito, educação e administração pública. O terceiro é a corrida por infraestrutura física, com novos aportes em data centers preparados para cargas de IA, especialmente no estado de São Paulo.

O avanço, porém, convive com limites conhecidos: o país ainda depende fortemente de chips importados, de nuvem estrangeira e de capacidade computacional concentrada fora de suas fronteiras. A avaliação de pesquisadores e executivos do setor é que o Brasil deixou de ser apenas espectador, mas ainda não tem escala para competir com os polos que hoje definem a fronteira tecnológica global.

Plano federal tenta transformar IA em política industrial

O principal marco institucional da área hoje é o Plano Brasileiro de Inteligência Artificial, coordenado pelo Ministério da Ciência, Tecnologia e Inovação. O documento final, divulgado em 2025, prevê R$ 23 bilhões em quatro anos e organiza a estratégia do governo em eixos como infraestrutura, inovação empresarial, qualificação de pessoal, serviços públicos e apoio à regulação.

Na prática, o plano representa uma tentativa de tratar IA não apenas como ferramenta de produtividade, mas como política de Estado. A lógica é a de que o país precisa desenvolver capacidade própria em áreas críticas — como computação de alto desempenho, bases de dados em português e formação de mão de obra — para não depender integralmente de plataformas estrangeiras.

O documento também procura responder a uma preocupação recorrente em Brasília e no setor acadêmico: a de que a economia brasileira se torne usuária intensiva de inteligência artificial sem capturar a maior parte do valor gerado por ela. Em outras palavras, o risco é o país pagar pelo uso de modelos e nuvem desenvolvidos fora, sem criar uma base doméstica robusta de pesquisa, software e infraestrutura.

A promessa do PBIA, no entanto, ainda precisará ser testada na execução. O histórico brasileiro de políticas tecnológicas é marcado por planos ambiciosos e implementação desigual. O que determinará o peso real da iniciativa não é apenas o volume anunciado, mas a velocidade com que recursos saem do papel, a coordenação entre ministérios e a capacidade de atrair investimento privado complementar.

O Brasil começa a formar sua própria camada de LLMs

Na frente dos grandes modelos de linguagem, a principal novidade do ecossistema brasileiro foi a consolidação de iniciativas voltadas explicitamente ao português do Brasil. A mais conhecida é a Maritaca AI, startup criada por pesquisadores ligados à Unicamp e liderada pelo cientista da computação Rodrigo Nogueira.

A empresa desenvolve a família de modelos Sabiá, apresentada como uma linha de LLMs treinada para português e para contextos brasileiros. Em sua comunicação institucional, a Maritaca afirma que os modelos são especializados em tarefas como análise e resumo de documentos longos, interpretação de legislação, uso em fluxos jurídicos e integração com sistemas corporativos.

O movimento é importante porque toca num dos pontos mais sensíveis do uso de IA no país: a diferença entre “falar português” e “entender o Brasil”. Modelos globais conseguem responder em português com fluência, mas nem sempre lidam bem com o vocabulário jurídico nacional, com normas administrativas locais, com o estilo documental do setor público ou com referências específicas do mercado brasileiro.

É nesse espaço que startups locais tentam se posicionar. Em vez de competir frontalmente com gigantes estrangeiras em modelos generalistas de fronteira, elas apostam em adaptação, fine-tuning, recuperação de informação e serviços voltados a setores em que conhecimento de domínio importa tanto quanto poder bruto de processamento.

Universidades e laboratórios saem da fase de adaptação e entram na de avaliação

Ao mesmo tempo, a pesquisa brasileira em IA aplicada ao português começou a ganhar uma camada mais sofisticada de avaliação. Em vez de medir apenas desempenho genérico, grupos de pesquisa passaram a construir benchmarks focados em áreas específicas do país, como direito e saúde.

Um exemplo recente é o LegalBench-BR, trabalho acadêmico publicado em 2026 para avaliar modelos de linguagem em classificação de decisões judiciais brasileiras. O estudo conclui que modelos generalistas comerciais podem ter desempenho fraco em classes específicas do direito nacional e que modelos adaptados ao domínio jurídico brasileiro conseguem resultados superiores mesmo com ajustes relativamente leves.

Esse tipo de produção importa por dois motivos. Primeiro, porque ajuda a medir o que modelos realmente fazem em português brasileiro, e não apenas o que prometem em benchmarks internacionais. Segundo, porque abre espaço para uma estratégia mais realista para o país: em vez de tentar reproduzir, no curto prazo, um modelo de fronteira do porte dos líderes globais, desenvolver modelos e aplicações especializados para setores em que o Brasil tem massa crítica de dados, demanda e conhecimento.

Treinar modelos de ponta no país ainda é exceção

Apesar do avanço na camada de aplicações e de modelos especializados, o Brasil ainda está longe de competir no treinamento de sistemas de fronteira. Modelos de última geração exigem milhares de GPUs, redes de altíssima velocidade, grande disponibilidade de energia e acesso a capital em escala que hoje se concentra principalmente nos Estados Unidos e na China.

Na prática, isso significa que boa parte da IA “feita no Brasil” ainda depende, em algum estágio, de infraestrutura externa. Empresas nacionais conseguem adaptar modelos, criar produtos, organizar dados e oferecer soluções locais. Já construir um sistema de grande escala do zero, com desempenho comparável ao das maiores plataformas globais, continua sendo uma barreira técnica e financeira muito alta.

Essa limitação ajuda a explicar por que a discussão brasileira sobre inteligência artificial passou a incluir temas até pouco tempo periféricos ao debate digital, como subestações, refrigeração líquida, conexão elétrica e disponibilidade de terrenos para centros de dados.

Data centers viram a face mais concreta da corrida da IA

Se o país ainda não disputa a ponta do treinamento de LLMs, a expansão de data centers se tornou o capítulo mais tangível da evolução da IA no Brasil.

O anúncio mais expressivo até aqui veio da Ascenty, empresa controlada por Digital Realty e Brookfield Infrastructure, que informou em maio de 2026 a construção de um complexo de IA em Sumaré, no interior de São Paulo, com investimento total estimado em R$ 30 bilhões. Segundo a companhia, US$ 1,2 bilhão serão investidos diretamente na infraestrutura do empreendimento, enquanto os clientes devem aportar outros R$ 24 bilhões em supercomputadores. A operação inicial está prevista para o fim de 2026.

O projeto foi apresentado como um centro de dados concebido para cargas intensivas de inteligência artificial, com capacidade inicial de 60 MW, expansível para 160 MW. A região escolhida não é casual: o eixo Campinas–Sumaré–Vinhedo já concentra parte importante da infraestrutura digital do país, com boa conectividade, proximidade do mercado corporativo paulista e acesso relativamente favorável a energia e terrenos.

Para o mercado, o anúncio da Ascenty tem peso simbólico porque mostra que a IA no Brasil saiu da fase de piloto e entrou no terreno do investimento físico pesado. O que está em jogo já não é apenas licenciamento de software, mas a montagem de infraestrutura capaz de suportar treinamento, inferência e armazenamento em escala crescente.

Data Center da Ascenty em Sumaré, interior de São Paulo / Imagem: Reprodução

São Paulo lidera, mas energia pode definir o próximo mapa

A concentração dos investimentos em São Paulo segue a lógica histórica do setor de tecnologia e telecomunicações no Brasil. O estado reúne o maior mercado consumidor corporativo, a infraestrutura de fibra mais densa e boa parte dos clientes de nuvem e serviços digitais.

Mas a própria expansão da IA pode alterar esse desenho no médio prazo. Data centers voltados a inteligência artificial consomem muito mais energia do que estruturas tradicionais de TI, o que faz da oferta elétrica um dos principais critérios para novos projetos. Em alguns casos, a variável energética passa a pesar tanto quanto a proximidade do cliente.

É por isso que o debate sobre o futuro da IA no Brasil começa a se aproximar do debate energético. Operadores de data center buscam locais com conexão mais rápida à rede, possibilidade de expansão e custos compatíveis com uma operação intensiva em GPUs. A equação inclui ainda refrigeração, disponibilidade hídrica e prazo de licenciamento.

Vantagem comparativa brasileira está na energia limpa — mas isso não basta

Nesse cenário, o Brasil aparece no radar internacional com um trunfo: uma matriz elétrica relativamente limpa em comparação com grandes polos globais de computação. Em um momento em que empresas de tecnologia estão sob pressão para reduzir emissões, esse fator ajuda a tornar o país atraente para a expansão de infraestrutura digital.

A Elea Data Centers, por exemplo, destaca operar unidades abastecidas por energia renovável e usa a agenda ESG como parte de sua estratégia de posicionamento.

Ainda assim, executivos e analistas do setor têm repetido que energia “limpa” não resolve o problema sozinha. Para data centers de IA, importa tanto a origem da energia quanto a sua disponibilidade no local certo, com estabilidade e prazo de conexão compatíveis com os cronogramas dos projetos. Em outras palavras, o país pode ter vantagem ambiental e, ao mesmo tempo, perder investimentos se não conseguir entregar capacidade elétrica onde os empreendimentos precisam ser instalados.

Regulação segue em aberto e pode influenciar a velocidade da adoção

Paralelamente à expansão de infraestrutura e à multiplicação de aplicações, o Brasil ainda discute qual será o marco legal para o desenvolvimento e o uso da inteligência artificial.

O Senado aprovou em dezembro de 2024 o PL 2.338/2023, que estabelece regras para o uso de IA no país e propõe um sistema de governança baseado em níveis de risco. O texto seguiu para a Câmara, onde a tramitação continuou em 2025 e 2026, ao lado de novas propostas relacionadas ao tema, como o PL 2.688/2025.

O debate regulatório brasileiro tenta equilibrar duas pressões. De um lado, a necessidade de criar salvaguardas para sistemas usados em áreas sensíveis, como crédito, segurança, saúde, relações de trabalho e decisões automatizadas com impacto sobre direitos. De outro, o temor de que regras excessivamente rígidas reduzam a competitividade de empresas locais justamente no momento em que o país tenta ganhar tração.

Hoje, a percepção predominante no setor é que a regulação será inevitável, mas seu desenho fará diferença. Um marco que exija transparência, governança e responsabilização proporcional ao risco pode favorecer a adoção corporativa e pública. Um modelo considerado excessivamente oneroso por startups e empresas menores pode ampliar a dependência de grandes plataformas já consolidadas.

A IA brasileira está mais madura, mas ainda incompleta

O retrato atual da inteligência artificial no Brasil é o de um ecossistema em consolidação, não de um setor plenamente formado. Há sinais claros de amadurecimento: o país tem um plano nacional, startups especializadas em português, pesquisa aplicada mais robusta, investimentos relevantes em data centers e um debate regulatório mais sofisticado do que o de poucos anos atrás.

Ao mesmo tempo, os pontos frágeis continuam evidentes. O Brasil não produz chips, depende fortemente de infraestrutura externa para treinar modelos de maior porte e ainda carece de escala para disputar a fronteira tecnológica. Sua oportunidade, ao menos por ora, parece estar menos em rivalizar com os líderes globais e mais em construir uma posição própria: desenvolver aplicações em português, aproveitar sua base de dados e conhecimento setorial, expandir infraestrutura local e transformar IA em ganho concreto de produtividade.

A questão central, daqui para frente, não será apenas se o Brasil usará inteligência artificial em larga escala. Isso já começou. A pergunta mais importante é quanto do valor econômico, do conhecimento técnico e da infraestrutura dessa transformação ficará de fato no país.