Resposta direta: não. Nenhuma empresa de médio porte precisa esperar por supercomputador nacional ou nuvem soberana para ter resultado com inteligência artificial. O que trava um projeto de IA nesse porte quase nunca é a infraestrutura de IA disponível no país — é o dado bagunçado dentro de casa, espalhado por sistemas que não conversam entre si.
O governo federal anunciou em agosto de 2026 um novo pacote do Plano Brasileiro de IA: R$ 2,3 bilhões em infraestrutura de IA, incluindo um supercomputador de 7,2 mil petaflops a ser instalado no Rio Grande do Norte e uma segunda estrutura em parceria com empresas chinesas, a partir de 2027. O objetivo declarado é reduzir a dependência tecnológica externa do país. É política industrial legítima, e eu torço para que dê certo. Mas ela responde a um problema de Estado — soberania, pesquisa, treinamento de modelos de fronteira — que a empresa que me procura para aplicar IA quase nunca tem.
Principais aprendizados
- O gargalo de IA numa empresa de médio porte quase nunca é capacidade de processamento — é dado disperso, sem dono e sem padrão.
- Investimento público em infraestrutura de IA soberana resolve um problema de Estado (dependência externa, pesquisa, treinamento de modelos grandes), não o problema de adoção de quem já fatura.
- A nuvem comercial madura já entrega hoje mais poder de computação do que uma empresa média consegue consumir — o gap não está aí.
- “Preparar o dado” não é um projeto de TI de dois anos: é escolher um processo, nomear um dono do dado e padronizar os poucos campos que aquele caso de uso precisa.
- Quem espera a infraestrutura nacional para começar chega em 2027 com o mesmo dado bagunçado de 2026 — e mais dois anos de atraso na curva de aprendizado.
Por que a sua empresa não precisa de petaflops?
Um supercomputador de 7,2 mil petaflops existe para treinar modelos de inteligência artificial do zero, rodar simulações científicas e sustentar pesquisa de ponta. Nenhuma dessas coisas é o que a sua empresa vai fazer com IA. Uma empresa de médio porte consome IA: usa um modelo que já foi treinado, através de uma API ou de um serviço gerenciado, para resolver uma tarefa específica — classificar um chamado, extrair um campo de um documento, responder uma dúvida recorrente de cliente.
Para esse tipo de uso, a conta de computação é um arredondamento perto do resto. O provedor de nuvem que a sua empresa provavelmente já usa para e-mail e planilha oferece, no mesmo contrato, acesso a modelos de linguagem com capacidade muito acima do que qualquer operação média consegue ocupar. O limite prático não é quantos petaflops você alcança — é quantos processos da sua empresa estão descritos com clareza suficiente para uma máquina executar sem quebrar no meio do caminho.
Quando uma empresa me diz que “ainda não tem infraestrutura para IA”, quase sempre o que falta não é servidor. É que o dado que o modelo precisa ler está em quatro lugares diferentes, com nomes diferentes para a mesma coisa, e ninguém é dono do conjunto. Nenhum petaflop resolve isso.
O que “dado organizado” realmente significa na prática?
Aqui costuma haver um mal-entendido que paralisa. Quando falo em organizar o dado, as pessoas ouvem “data lake”, “governança corporativa”, “projeto de dois anos com consultoria grande”. Não é isso — pelo menos não para começar. Para um caso de uso específico, dado organizado é um conjunto pequeno de coisas: um dono nomeado para aquele dado, uma regra explícita de quem e o que pode lê-lo, e um formato consistente nos poucos campos que aquele caso precisa.
Vi esse padrão de perto no início da minha carreira, numa operadora de telecom, num projeto de previsão de cancelamento de contrato. O modelo estatístico estava pronto havia semanas. Ele não entregava porque os dados do cliente estavam divididos entre o sistema de cobrança, o de atendimento e o cadastro comercial — e cada um contava uma versão diferente de quem era aquele cliente. O trabalho que destravou o projeto não foi de ciência de dados. Foi unificar o cadastro e definir quem respondia por ele. A barreira era organizacional, não computacional — e isso não mudou.
O setor financeiro brasileiro é a melhor prova disso. Ele lidera em IA aplicada não por causa de orçamento, mas porque o Open Finance obrigou bancos e fintechs a padronizar e permissionar dado anos antes de qualquer projeto de IA entrar em pauta. Chegaram na IA com a lição de casa feita. Qualquer empresa pode escolher fazer a mesma lição — num processo de cada vez, sem esperar regulação e sem esperar data center nacional.
Quando faz sentido, então, olhar para infraestrutura de IA própria?
Existe hora certa para essa conversa. Ela vem depois de um caso de uso rodando com resultado medido, não antes. Quando a empresa já tem um processo apoiado por IA que funciona e quer escalar, três situações justificam olhar para onde o dado e o modelo moram: exigência regulatória ou contratual de manter dado sensível em território nacional; volume alto o suficiente para que o custo por chamada de API vire uma linha relevante no orçamento; ou uma necessidade real de latência muito baixa, que poucos processos administrativos têm.
Fora desses casos, trocar a discussão de “qual processo eu automatizo primeiro” por “qual nuvem eu contrato” é adiar o que dói. A leitura institucional desse mesmo raciocínio — o critério que a empresa média pode copiar dos R$ 3 bilhões que os bancos vão investir em IA — está no blog da HAIA: o que decide o retorno não é o tamanho do cheque, é onde o dinheiro entra.
Governança e infraestrutura, quando entram na hora certa, aceleram a captura de valor. Quando entram cedo demais, viram a desculpa mais cara que existe para não começar.
Perguntas frequentes
O que é o pacote de R$ 2,3 bilhões do Plano Brasileiro de IA?
Resposta direta: é um investimento público anunciado em agosto de 2026 em infraestrutura de IA, com um supercomputador de 7,2 mil petaflops previsto para o Rio Grande do Norte e uma segunda estrutura de nuvem em parceria internacional a partir de 2027. O objetivo é reduzir a dependência tecnológica externa do país — um objetivo de Estado, não de empresa individual.
Uma empresa de médio porte precisa de infraestrutura de IA própria?
Resposta direta: não na maioria dos casos. Modelos já treinados, acessados por API ou serviço gerenciado na nuvem comercial, cobrem a quase totalidade dos casos de uso de uma operação média. Infraestrutura própria só se justifica com exigência regulatória de residência de dado, volume muito alto ou latência crítica — e sempre depois de um caso de uso validado.
Qual é o primeiro passo para preparar o dado para IA?
Resposta direta: escolher um único processo e nomear um dono para o dado que ele usa. A partir daí, padronizar os poucos campos que aquele caso de uso lê e definir uma regra clara de quem pode acessar o quê. Não é um projeto corporativo de dois anos — é um recorte estreito, resolvido antes de ligar o modelo.
Esperar a nuvem soberana brasileira vale a pena?
Resposta direta: não como estratégia de adoção. A infraestrutura nacional pode importar para política pública, pesquisa e setores com dado altamente sensível, mas ela não chega antes de 2027 e não muda o que trava a IA na empresa média hoje. Quem espera vai começar depois, com o mesmo dado desorganizado e menos tempo de aprendizado acumulado.
Gillian Pellegrino é fundadora da HAIA (Human Intelligence Amplified by AI) e consultora executiva em inteligência artificial. São mais de 30 anos de carreira em tecnologia, com IA conversacional desde 2011, traduzindo IA em resultado mensurável para líderes empresariais brasileiros.
