A conta da IA chega à política, ao código e à carteira

A IA deixou de ser uma promessa de laboratório e passou a ser infraestrutura — com custos, escrutínio e erros que se contam. O fio condutor é a distância entre a capacidade técnica e a confiança que a sustenta.

A fatura política dos data centers

As eleições intercalares norte-americanas travaram o setor. Segundo a newsletter AI For Work, os eleitores rejeitaram data centers de IA em várias votações e deram apoio a candidatos e referendos que exigem regulação forte da construção destas instalações.

O mercado reagiu de imediato. As ações de empresas ligadas a data centers e semicondutores caíram, com destaque para IREN, AMD, Nvidia, CoreWeave e Core Scientific. Segundo a Bloomberg, a Microsoft pode recuar em acordos com operadores de nuvem especializada como Nebius, IREN e Nscale.

A Reuters acrescentou que a Microsoft recusou a opção de mais do que duplicar o acordo existente com a Nscale. Não é uma retirada, é um sinal: com energia mais cara e regulação incerta, os compromissos plurianuais passam a ser revistos.

A indústria reconhece o problema de comunicação. Dina Powell McCormick, presidente da Meta, afirmou numa conferência do Wall Street Journal que as vitórias democratas podem dificultar a construção de data centers e que o setor «não fez um trabalho tão bom como era necessário a explicar os benefícios destes investimentos».

A OpenAI respondeu na quinta-feira com um compromisso público: evitar acordos de não divulgação, dar aos residentes direito de se pronunciarem e pagar a própria eletricidade. Propôs ainda um plano para legisladores, com relato obrigatório de impactos ambientais e transparência nos incentivos fiscais.

O ponto é estrutural. A IA precisa de energia e de território, e ambos têm dono, vizinhos e votos. O gargalo deixa de ser o chip e passa a ser a licença social para construir.

Quando o software se escreve sozinho

No GitHub, a mudança já tem número. Segundo o relatório Octoverse 2026, apresentado a 28 de outubro, mais de 40% dos pull requests submetidos em setembro começaram com um rascunho criado por um agente. Em março, eram 17%.

O volume explica a escala: 110 milhões de pull requests com origem em agentes só em setembro, cerca de seis vezes o valor de março, num ano com 34,3 mil milhões de commits.

O efeito secundário é de engenharia. Esse ritmo obrigou o GitHub a reconstruir parte da infraestrutura Git e contribuiu para falhas de serviço. A ferramenta que democratiza a criação de software passou a ser, também, um problema de capacidade.

Há uma consequência económica que passa despercebida. Com o trabalho feito por agentes, o preço deixa de caber numa subscrição por utilizador: cobra-se por ação, por crédito ou por conversa resolvida, e as equipas financeiras ficam sem regra clara para reconhecer essa receita. A AI For Work dedicou um número ao tema — mudou a forma de cobrar, ninguém avisou as finanças.

Quando o código fica barato, o valor desloca-se para quem verifica. A revisão, o teste e a responsabilidade passam a ser o recurso escasso.

Agentes a comprar: 42,8% de falhas

A Visa testou agentes a fazer compras em nome de pessoas. O resultado, divulgado a 5 de novembro, retrata o estado da automação.

O benchmark colocou 22 modelos, de 12 laboratórios, em 15 cenários de compra. O agente tinha de descobrir os requisitos do cliente por conversa — orçamento, compatibilidade, condições de devolução — e decidir; se nada servisse, devia recusar a compra.

A taxa global de sucesso ficou nos 57,2%. Os melhores modelos passaram 82,2% das tentativas; os piores, 28,9%. O detalhe mais desconfortável: 54% das execuções falhadas terminaram com o agente a comprar mesmo assim e a entregar um produto que não cumpria os requisitos identificados.

A consistência é o ponto fraco. Cada modelo teve três tentativas por cenário e, no conjunto, as três passaram em apenas 34,2% dos casos. Um agente que acerta hoje pode falhar amanhã no mesmo pedido.

Quem faz mais perguntas ao cliente acerta mais: os cinco melhores nesta dimensão passaram 70,2% das vezes, contra 44,4% dos cinco piores. Pagar mais ajudou, sem garantia: 67,1% nos cinco modelos mais caros, 50,2% nos mais baratos.

O contexto de confiança continua baixo. O Trust Index da Visa, de setembro, indica que 72% dos consumidores norte-americanos já usaram um assistente de IA, mas apenas 23% confiam nele para tratar de pagamentos. A conclusão prática para quem vende: um agente que compra mal custa mais do que um cliente que desiste.

A confiança como variável de segurança

Dois anúncios da mesma semana mostram como a confiança passou a ser tratada como requisito técnico, não como detalhe de marketing.

A OpenAI colocou o GPT-6 Cyber atrás de um acesso aprovado, reservado a investigação de segurança. Segundo a AlphaSignal, o modelo encontrou 81 falhas no Firefox e 948 exploits no Linux, e é descrito como mais fiável a manter-se dentro dos limites definidos. O modelo é poderoso e, por isso, distribuído com porta fechada.

A Anthropic foi na direção oposta, em aparência. Ligou o Claude a contas bancárias através da Plaid, com permissões apenas de leitura. O utilizador pode perguntar o que gastou, mas o modelo não movimenta dinheiro.

As duas decisões respondem ao mesmo problema. Um sistema que age em nome de alguém precisa de limites verificáveis: quem o pode usar, o que pode ver e o que pode fazer.

Para as PME, a lição é prática: antes de ligar um agente a contas, ficheiros ou faturação, definir o nível de acesso mínimo e testá-lo. A pergunta não é se o modelo acerta, é o que acontece quando erra.

Modelos abertos: menos enviesados, mais baratos de operar

A eficiência está a migrar para os modelos abertos, e com ela a discussão política sobre o que esses modelos dizem.

A Nous Research demonstrou que o enviesamento do Qwen3 é menos profundo do que se pensava. Um único fine-tune, sem aprendizagem por reforço, reduziu a taxa de propaganda pró-China de 22% para 1%, num modelo da classe dos 27 mil milhões de parâmetros.

No mesmo patamar de dimensão, a Tencent apresentou o Terminal-RSI: 27 mil milhões de parâmetros que reescrevem e treinam o próprio modelo sem intervenção humana. Os dois laboratórios perseguem objetivos opostos com a mesma base técnica — um corrige o modelo, o outro tenta torná-lo autónomo.

Do lado da infraestrutura, investigadores da Prefrontal AI e da ETH Zurich apresentaram o Latent Sparse Attention. A técnica organiza os valores de atenção em clusters e grupos, o que reduz o custo de processar contextos muito longos e corta o tempo até ao primeiro token em 9,2 vezes em janelas de 10 milhões de tokens.

Isto importa a quem usa agentes de código: o contexto cresce ao longo de horas de trabalho e é aí que a fatura dispara.

🧰 Toolkit: IA no Terreno

• OpenCode: agente de código que passou a controlar o browser, com acesso aos separadores e sessões do utilizador.
• txtai: framework open-source que junta busca semântica e orquestração de LLM no mesmo fluxo.
• StartLux: modelos de decisão entre 0,8 e 27 mil milhões de parâmetros que só processam quando há incerteza.
• Decodo Web Data API: recolha de dados com 125 milhões de IPs em mais de 195 localizações; 10 mil pedidos grátis por mês.
• Extensão de tradução local: traduz páginas no browser com um LLM local, sem conta e sem enviar texto para fora.
• Cartões de agente para Slack e Teams: mostram o estado de um agente dentro da conversa, não numa consola à parte.

O saldo da semana não é técnico, é de maturidade. A capacidade subiu — modelos mais eficientes, código produzido em massa, agentes a negociar compras. A confiança não subiu ao mesmo ritmo, e é isso que está a travar a fatura: eleitores que recusam data centers, 42,8% de compras falhadas, 23% de confiança em pagamentos automáticos.

Quem trabalha com IA em Portugal deve ler estes números como um aviso útil. O ganho não vem de delegar mais, vem de definir onde o humano continua a decidir — e de provar, com dados, que o sistema funciona quando ninguém está a olhar.

#IAPortugal #noticiasIA