A evolução da indústria de IA entra na 'zona de diferenciação' à medida que o design dominante atrasa

Este artigo tem aproximadamente 18.000 palavras e a estrutura principal é a seguinte:

• Julgamentos intuitivos ou abstratos sobre o desenvolvimento da IA podem ser difíceis de orientar eficazmente decisões

• Duas ferramentas clássicas de análise da evolução industrial (Utterback + Klepper)

• Analisar usando o framework de fusão: em que estágio está a indústria de IA atualmente?

• Uma nova pergunta essencial: Como será o ritmo futuro?

• Escala temporal da evolução da indústria de IA: da era da manufatura para a era digital

• Coordenadas temporais específicas da transformação da IA (projeção)

• Validar inversamente com as últimas tendências

Abra o seu celular e as notícias sobre IA quase todos os dias o atingem: um modelo acaba de ser lançado e seu desempenho superou novamente; uma empresa obteve novo financiamento e sua avaliação atingiu um novo recorde; o número de usuários de uma plataforma ultrapassou um novo marco; em uma classificação, o líder de ontem já foi superado hoje. A densidade e a velocidade da informação são muito superiores a qualquer outra mudança tecnológica anterior.

Essa sensação persiste no WAIC, que acabou de encerrar em julho. O local do evento estava repleto de dados em constante atualização, desempenho sempre superado, parâmetros técnicos e formas de produto constantemente renovados; desde laboratórios de ponta, grandes empresas e startups até players de setores tradicionais, fabricantes de dispositivos finais e instituições de pesquisa, cada vez mais empresas de diferentes tipos estão entrando intensamente nessa revolução tecnológica e industrial.

Com tantas informações e tantos participantes, surgem naturalmente duas reações comuns.

Uma é a ansiedade — estou atrasado? Minha empresa está perdendo algo? Se eu não agir esta semana, será que na próxima já será tarde demais?

Outra é o julgamento impulsivo — quem já venceu? Quem já saiu do jogo? O cenário deste setor já está quase definido?

Por trás das duas reações há na verdade a mesma pergunta: em que estágio atualmente se encontra a indústria de IA? E como podemos fazer esse julgamento de forma racional?

Atualmente, também existem algumas afirmações populares — por exemplo, "a IA já entrou em uma nova fase". Com base em seus próprios pontos de vista, essas avaliações têm sua racionalidade e fundamentação. No entanto, para tomadores de decisão empresariais que precisam realizar julgamentos e decisões estratégicas rigorosos, podem existir questões mais fundamentais que precisam ser respondidas primeiro: por que podemos afirmar que a fase anterior já terminou? Como podemos determinar com certeza que a IA já entrou em uma nova fase? Quais são as características específicas? Quais são as leis internas? Em quais fases se divide o ciclo completo? Essas questões exigem um quadro analítico mais rigoroso e científico para chegar a julgamentos mais confiáveis — e este é exatamente um problema facilmente ignorado na atual transformação da IA, cujo custo pode ser muito alto. Um julgamento incorreto sobre a fase da indústria afetará diretamente a direção, o ritmo e a prioridade dos investimentos de recursos — errar a fase pode fazer com que todas as ações se desviem.

Na discussão atual sobre IA, muitos acadêmicos já começaram a analisar e julgar o estágio em que a indústria se encontra. Um dos exemplos mais representativos é o artigo longo de Karim Lakhani, professor da Harvard Business School, publicado em seu Substack pessoal em março de 2026, intitulado “From Ferment to Dominant Design”. Ele utiliza ferramentas de análise construídas ao longo de décadas por dois renomados estudiosos em pesquisa de inovação industrial — James Utterback (MIT) e Steven Klepper (Carnegie Mellon University) — com base em dados históricos completos de múltiplas indústrias, para avaliar a competição nos grandes modelos de IA e apresentar várias observações originais (que serão detalhadas posteriormente). Sua conclusão central é que a IA atualmente se encontra na fase tardia de fluidez, e o design dominante ainda não foi estabelecido; a ordem industrial deve ser vista como uma questão em aberto, e não como uma conclusão já dada. Essa visão está alinhada com a direção deste artigo e foi uma das fontes importantes de ideias absorvidas pelo autor ao elaborar este framework.

Este artigo apresentará integralmente os frameworks clássicos de dois acadêmicos, explorando um framework de análise expandido para a era digital/IA, combinado com os dados e avanços mais recentes da indústria em 2026. Primeiramente, fará uma avaliação rigorosa do estágio atual da evolução da indústria de IA e, em seguida, levantará uma questão crucial para tomadores de decisão empresarial, mas não respondida pelo professor Lakhani: de acordo com as leis gerais da evolução industrial, qual será o ritmo futuro até a consolidação do design dominante e a manifestação de uma reestruturação profunda?

É a escala de tempo da evolução da indústria de IA mencionada neste artigo — onde estamos e como será o ritmo futuro.

Essas duas ferramentas clássicas são os ativos acadêmicos públicos mais influentes no campo de pesquisa sobre inovação industrial. Seu valor não reside em teorias abstratas, mas sim em padrões derivados de grandes volumes de dados históricos e validados por múltiplas verificações empíricas.

Três estágios da evolução industrial de Utterback: da perspectiva do "dimensionamento do produto"

James Utterback é professor da Sloan School of Management do MIT e um dos estudiosos pioneiros em inovação industrial e evolução tecnológica. Sua pesquisa clássica, realizada em colaboração com William Abernathy já em 1975, observou a história da evolução tecnológica em dezenas de setores manufatureiros e, no livro de 1994, "Mastering the Dynamics of Innovation", sistematizou uma regularidade surpreendentemente consistente: a evolução tecnológica de quase todos os setores segue uma sequência tripartite reconhecível.

Fase de fluidez (Fluid Phase) —— Todos estão testando. Ainda não há respostas sobre como o produto deve ser, o que os clientes realmente querem ou o que é “suficientemente bom”. Vários designs coexistem e competem, com baixas barreiras de entrada e inovação concentrada no nível do produto. A questão central é: o que o produto deve ser?

Fase de transição — certas escolhas de design começam a se estabilizar, e um design dominante emerge. O foco da inovação passa de "o que o produto deveria ser" para "como tornar o produto mais barato, mais confiável e mais escalável" — da inovação de produto para a inovação de processo. A questão central torna-se: o que os clientes valorizam mais?

Fase específica (Specific Phase) — o design do produto está基本定型, a concorrência se volta para a eficiência — quem consegue ser mais barato, mais confiável e mais escalável. A inovação torna-se incremental, e a indústria torna-se altamente concentrada. A questão central passa a ser: quem pode entregar de forma mais confiável, mais barata e mais escalável?

A principal insights deste modelo é que, nos três estágios, "quem está à frente" é completamente diferente. As capacidades dos vencedores no estágio de fluidez (experimentação, velocidade, imaginação, tolerância a erros) são totalmente distintas das capacidades dos vencedores no estágio de especialização (escala, custo, disciplina, confiabilidade). Uma empresa que lidera no estágio de fluidez não tem necessariamente a capacidade de continuar liderando no estágio de especialização — e essa é a razão profunda por trás do fato de que, em muitas transformações industriais, "os líderes do passado acabam sendo eliminados".

Além disso, Utterback e Suárez (1993) posteriormente destacaram que a evolução industrial nem sempre percorre os três estágios — alguns setores acabam por formar um design dominante (trajetória A), enquanto outros podem permanecer por longos períodos em múltiplas trajetórias coexistentes (trajetória B).

2.1.1 Conceitos-chave: O que é "design dominante", e ainda existirá na era da IA?

Na três fases, o Design Dominante é o conceito mais central e merece uma explicação mais detalhada.

O design dominante não é "o produto de uma determinada empresa vencer", mas sim "um conjunto específico de tecnologias e formas de produto se tornarem o padrão de fato da indústria inteira". Uma vez estabelecido, os novos entrantes que desejarem competir precisam fazer isso com base nesse design — produtos que se desviam dele quase inevitavelmente correm o risco de serem marginalizados.

O exemplo mais clássico é o Ford Model T de 1908 — ele não estabeleceu que "a marca Ford venceu", mas sim que a combinação de "motor a combustão a gasolina + motor dianteiro + tração traseira + produção em linha de montagem" se tornou a resposta padrão para toda a indústria automotiva nas décadas seguintes. Desde então, todas as montadoras competiram dentro desse framework de design dominante para ver quem fazia melhor, em vez de desafiar novamente "como um carro deveria ser".

Assim que o design dominante é estabelecido, as regras do jogo da indústria mudam silenciosamente: o foco da inovação passa de "o que o produto deveria ser" para "como tornar o produto mais barato, mais confiável e mais escalável"—da inovação de produto para a inovação de processo. Este é também o divisor de águas mais crucial entre a fase de transição e a fase especializada.

Uma pergunta natural: ainda haverá design dominante na era da IA?

O autor acredita: a resposta é sim, mas a forma será diferente da era da manufatura. Sempre que a indústria exigir entrega em escala, colaboração ecológica e estabilidade nas expectativas dos usuários, surgirá algum tipo de "padrão de fato" — isso é uma exigência econômica do funcionamento da indústria. Embora a era da internet tenha um ritmo mais acelerado, ainda assim surgiram camadas de designs dominantes, como TCP/IP, HTTP, HTML e o núcleo Chromium.

No entanto, o design dominante na era da IA provavelmente será "hierárquico, múltiplo e combinável" — não mais "um único formato de produto dominando tudo", mas sim a emergência de padrões de fato em diferentes camadas da pilha tecnológica, conectados por interfaces e protocolos.

Em outras palavras, o design dominante da era da IA pode não ser o "próximo modelo T", mas sim algo mais próximo a um novo conjunto de pilhas de protocolos hierárquicos como "TCP/IP + HTTP + HTML" — cada camada estável por si mesma e interagindo entre si por meio de interfaces padronizadas. Já estão surgindo hoje o MCP (Model Context Protocol), redes A2A (Agent-to-Agent) e normas de chamadas de API de fato, que podem ser os primeiros traços desse tipo de "design dominante da próxima geração". O design dominante não desapareceu; ele simplesmente mudou de forma de apresentação.

2.1.2 Dados históricos corroboram

A confiabilidade do modelo de três estágios de Utterback deriva de sua precisa representação de vários processos de estabelecimento de design dominante:

• Indústria automobilística: Após a introdução do Modelo T da Ford em 1908, que estabeleceu o design dominante, a indústria automobilística passou rapidamente da fase fluida para a fase de transição.

• Indústria de televisão: No início, televisores em preto e branco coexistiram com várias soluções coloridas; após a adoção do padrão NTSC de televisão a cores em 1953, entrou-se em um período de transição.

• Computadores pessoais: No final dos anos 1970, surgiram várias arquiteturas, como Apple II, TRS-80 e Commodore, até que, em 1981, a arquitetura IBM PC + a aliança Wintel estabeleceram definitivamente o design dominante.

• Smartphones: Antes do lançamento do iPhone em 2007, o mercado apresentava diversos designs, como BlackBerry, Nokia Symbian e Windows Mobile. Após a combinação iPhone + iOS/Android se tornar o design dominante, as outras abordagens rapidamente saíram do mainstream.

Característica comum: todas passam por uma fase de fluxo com múltiplas linhas coexistindo, após a qual uma combinação específica se torna o design dominante. A consistência dessa lei constitui a base empírica do modelo de Utterback.

2.2 Dinâmica populacional da indústria de Klepper: da perspectiva "empresarial"

Steven Klepper é professor de economia na Universidade Carnegie Mellon e um dos principais especialistas em organização industrial e evolução empresarial. Já em 1982, Klepper colaborou com Michael Gort para desenvolver o primeiro modelo matemático formal do ciclo de vida industrial no contexto da economia industrial (geralmente conhecido na literatura acadêmica como modelo G-K). Posteriormente, ele publicou uma série de estudos aprofundados de forma independente. Com base em um estudo sistemático de dados históricos de várias indústrias ao longo de décadas, Klepper descobriu um padrão consistente na entrada e saída de empresas durante seu processo de desenvolvimento:

Entrar na ascensão → Número de empresas atinge o pico → Grande reorganização → Poucas empresas líderes dominam.

A base empírica dessa regularidade é o rastreamento completo da origem, localização e ano de produção de cada empresa que entrou no setor automobilístico dos Estados Unidos entre 1895 e 1966. Os dados são os seguintes:

Há um paradoxo surpreendente:

Levou cerca de 50 a 60 anos para ir do pico até a profunda integração da década de 1960, mas, durante esse período, a produção anual de automóveis nos Estados Unidos aumentou centenas de vezes na escala logarítmica. Em outras palavras, a indústria tornou-se extremamente grande, enquanto o número de empresas tornou-se extremamente reduzido. A indústria não lutou — ela floresceu; os que morreram foram os fracos, não a demanda.

Klepper também validou a mesma tendência em várias indústrias, tornando o formato "crescimento-pico-declínio" não mais um caso exclusivo da indústria automobilística — a indústria de televisores (que contava com mais de 80 participantes no início da década de 1950 e passou por uma consolidação relativamente rápida), máquinas de escrever, válvulas, pneus, penicilina, entre outras, apresentaram o mesmo padrão básico. Isso forneceu à teoria de Klepper uma base empírica sólida.

2.2.1 Uma teoria fundamental: Teoria da Diferença de Capacidade Composta

Klepper explicou o fenômeno acima com uma teoria chamada Teoria da Diferença de Capacidade Composta:

Shuffling is not a sudden judgment by the market, but the inevitable result of compounded differences in corporate capabilities over time.

As diferenças entre empresas em inovação, crescimento e capacidade de redução de custos serão amplificadas exponencialmente ao longo do tempo, até que os mais fracos ultrapassem a linha de sobrevivência. Essa teoria tem três pontos-chave:

Em primeiro lugar, as diferenças de capacidade muitas vezes têm origem em acidentes precoces. Nos primeiros anos em que as empresas entram no setor, suas capacidades são na verdade semelhantes; no entanto, devido a algumas escolhas diferentes em decisões-chave, talentos-chave e oportunidades-chave, começam a surgir diferenças de capacidade entre as empresas. Essas diferenças, no início, parecem quase insignificantes.

Em segundo lugar, as diferenças de capacidade se auto-reforçam e se ampliam exponencialmente. Empresas ligeiramente mais capazes obtêm maior participação de mercado → mais recursos e oportunidades de aprendizado → capacidade ainda mais avançada — esse é um ciclo de retroalimentação positiva. Empresas ligeiramente menos capazes caem em um ciclo de retroalimentação negativa oposto. Anos depois, as diferenças inicialmente "irrelevantes" se acumulam em um abismo "intransponível".

Terceiro, quando a diferença se acumula até o "limiar crítico", os mais fracos são expulsos. As sementes da eliminação já foram plantadas no início do período de fluxo — aparentemente todos estão correndo, mas na verdade, as taxas compostas dos chassis são completamente diferentes.

O estudo acima chegou a uma conclusão que deve alertar os gestores empresariais: esperar até que os resultados financeiros piorarem para começar a valorizar o desenvolvimento de capacidades já é tarde; aguardar sinais visíveis de reestruturação para iniciar a atualização das capacidades significa que a janela de oportunidade já foi fechada. O que realmente determina quem conseguirá atravessar a reestruturação é se a empresa, desde cedo, considerou a "taxa de composto de capacidades" como a variável estratégica mais importante.

2.2.2 Outra observação importante contra-intuitiva: a janela de entrada fecha antes do sinal de embaralhamento

Além da teoria da combinação de diferenças de capacidade, Klepper fez outra observação contraintuitiva, mas extremamente importante — a “janela de entrada” do setor fecha antes do “sinal de reorganização”.

Voltando aos dados da indústria automobilística: após atingir o pico no número de empresas entre 1907 e 1910, a taxa de entrada de novas empresas caiu drasticamente após 1910 — ainda não havia sinais claros de consolidação, a indústria continuava em rápido crescimento e a mídia ainda não começara a reportar notícias sobre "a saída de tal empresa". A verdadeira consolidação (redução contínua do número total de empresas por décadas) só começou após 1920. Ou seja:

• Por volta de 1910 — por fora, ainda parecia um "cenário de prosperidade, com todos fabricando carros", mas a janela de entrada para novos participantes já havia começado a se fechar (os novos jogadores que realmente queriam entrar já estavam se tornando cada vez mais raros)

• 1920-1960 — os sinais de consolidção começaram a aparecer, a mídia começou a relatar a integração, e foi nesse momento que observadores comuns perceberam: "Ah, a indústria está se consolidando."

• Quando os observadores perceberam, a janela de entrada já havia sido fechada por 10 a 15 anos

Esta observação tem implicações práticas profundas: empresas não podem esperar até que sinais visíveis de reestruturação apareçam para decidir se entram em um setor ou camada — porque, quando os sinais se manifestam, a janela de entrada já está fechada. Um julgamento sábio sobre entrada deve ser feito enquanto ainda parece haver prosperidade e todos estão entrando, já tendo realizado uma avaliação independente sobre se a janela está se fechando.

Esta observação será retomada posteriormente ao discutir as coordenadas de tempo da IA — a janela de entrada dos grandes modelos de IA pode fechar mais cedo do que a maioria dos observadores espera.

2.3 Cada ferramenta tem suas próprias cegueiras; usá-las em conjunto favorece uma avaliação científica da fase da indústria.

Usar cada ferramenta separadamente apresenta lacunas evidentes — Utterback lhe diz "como o design do produto evolui", mas não indica quais empresas sobreviverão; Klepper lhe diz "como as empresas são eliminadas", mas não revela como o progresso do produto mudará. Usar apenas uma ferramenta revela apenas metade da imagem da evolução industrial.

A evolução completa de um setor, que inclui os dois processos de “convergência do design técnico” e “renovação da população empresarial” — o primeiro pode ser respondido pelas ferramentas de Utterback, o segundo pelas ferramentas de Klepper. Esses dois processos estão relacionados, mas não estão totalmente sincronizados — a estabelecimento do design dominante geralmente ocorre após o pico no número de empresas e antes da aceleração da renovação.

A indústria automobilística é assim: o número de empresas atingiu o pico de 275 entre 1907 e 1910, o modelo T da Ford estabeleceu o design dominante em 1908, a taxa de entrada caiu drasticamente após 1910 e o número total de empresas começou a diminuir significativamente após 1920. Os dois processos se influenciam mutuamente e definem juntos o ritmo completo da evolução da indústria.

Combinar o uso de duas ferramentas significa analisar a indústria simultaneamente do ponto de vista “do produto” e do ponto de vista “da empresa” — qualquer julgamento sobre a fase de evolução de uma indústria só é mais confiável e mais científico quando as observações nos dois dimensionais se corroboram.

3.0 Declaração do escopo da análise

"A revolução da IA" é um conceito muito amplo. A análise deste artigo concentra-se no conjunto interligado e em evolução conjunta de "grandes modelos de IA e suas aplicações e produtos relacionados" — incluindo o próprio modelo básico, as aplicações e formas de produto ao redor dos grandes modelos (modelo impulsionado por diálogo/programação/Agent/assistente/multimodal/inteligência embutida), bem como os ativos complementares estreitamente relacionados (nuvem, poder de processamento, chips, cadeia de ferramentas, sistema de avaliação). Essas três partes não são três indústrias independentes, mas sim três níveis interligados do mesmo processo evolutivo industrial.

Não abrangido nesta análise: partes que envolvem formas físicas independentes ou lógicas industriais independentes — como o corpo mecânico/hardware de robôs humanóides, AI + saúde/direito/educação e outros setores verticais — cada um possui suas próprias leis industriais e não pode ser diretamente mapeado ao eixo temporal deste artigo.

3.1 Da perspectiva das lentes de Utterback: cada camada ainda está em fase de fluxo

Ao analisar os atuais grandes modelos de IA e suas aplicações através do modelo de três estágios de Utterback, percebe-se que quase todos os aspectos importantes ainda estão em disputa.

Camada de arquitetura: O Transformer será o fim? Ou algum ramo dos Especialistas Mistas (MoE), Modelos de Espaço de Estado (família Mamba), Modelos do Mundo, cálculo durante a inferência ou arquiteturas nativas de Agentes acabará prevalecendo? Enquanto as principais empresas em 2026 investem massivamente na rota MoE, direções alternativas como Modelos do Mundo e arquiteturas nativas de Agentes também continuam a receber avanços significativos da academia e da indústria; a discussão pública sobre a diminuição dos retornos marginais da Lei de Escalabilidade também levou a indústria a reconsiderar "se ainda existem outras possibilidades subjacentes". A rota de arquitetura está longe de se concretizar.

Camada de forma de produto (como a IA será finalmente entregue aos usuários e empresas) — atualmente, há pelo menos seis formas em competição paralela:

Seis formas se sobrepõem e competem entre si, e nenhuma pode afirmar que já venceu — este é exatamente o caráter típico do período de fluxo, com múltiplas formas de produtos coexistindo.

Camada de dimensões competitivas: capacidade de raciocínio, codificação, custo, latência, comprimento do contexto, multimodalidade, capacidade de agente/duração autônoma de tarefas, confiabilidade/ taxa de alucinação, segurança/controlabilidade — qual dimensão será finalmente definida pelo mercado como "a mais importante"? Cada fabricante afirma liderança em sua própria dimensão de especialidade, mas o mercado ainda não chegou a um consenso sobre "qual dimensão é mais importante". Em particular, essa nova dimensão — "por quanto tempo pode operar de forma independente" — que passou de um tópico marginal em 2025 para um indicador central no fórum principal da WAIC em 2026 em apenas um ano — é em si um sinal de que as dimensões competitivas ainda não estão definidas.

Do ponto de vista de Utterback, os grandes modelos de IA e suas aplicações claramente ainda estão em fase fluida — múltiplas linhas coexistem, os conceitos de produtos são incertos e os critérios de competição ainda não estão definidos.

3.2 A partir da perspectiva das lentes de Klepper: período de alta entrada, mas a diferenciação de capacidades já está se formando silenciosamente

Ao analisar a dinâmica populacional da indústria de Klepper em relação à indústria de grandes modelos de IA, observa-se o fenômeno de "contradições coexistentes".

Por um lado, as empresas globais de grandes modelos de IA ainda estão em uma fase de alta entrada — OpenAI, Anthropic, Google, Meta, xAI, Mistral, além da baidu, alibaba e tencent da China, DeepSeek , Moon Shadow, Zhipu, ByteDance, entre outros, além de inúmeras startups focadas em cenários específicos. Novos entrantes continuam a surgir constantemente, com forte característica de experimentação intensa.

Por outro lado, a assimetria de capacidade entre as principais empresas já está se ampliando silenciosamente — poder de computação (quem pode arcar com os custos de treinamento em escala massiva), distribuição (quem controla os pontos de acesso), clientes corporativos (quem acumulou confiança setorial) e velocidade de aprendizado organizacional (quem converte mais rapidamente cada avanço tecnológico em produtos e capacidades comerciais). Este é o cenário em que a "composição de diferenças de capacidade" está ocorrendo silenciosamente — a lacuna observada hoje entre as líderes e as não líderes é, em grande parte, o resultado de uma "composição" ocorrida nos últimos 3 a 4 anos.

Do ponto de vista de Klepper, a indústria de grandes modelos de IA está em um "estágio de alta entrada, mas a diferenciação de capacidades já começou" — equivalente à indústria automobilística entre 1900 e 1910, quando o número de empresas ainda estava subindo em direção ao pico, mas alguns players já estavam secretamente se distanciando.

3.3 Inspeção rigorosa do design dominante: cinco fatores contribuintes

Anteriormente, com base em Utterback + Klepper, já se apontou uma conclusão: os grandes modelos de IA e suas aplicações estão em fase tardia de fluidez. Essa conclusão merece ser verificada novamente de forma comprovável — o autor, reunindo as pesquisas e argumentações dos acadêmicos Utterback, Suárez, Christensen e outros, compilou cinco fatores que promovem o design dominante. Historicamente, a consolidação de um design dominante geralmente exige que pelo menos 3 a 4 desses fatores estejam presentes simultaneamente:

• Fator um: Viabilidade técnica — um determinado design apresenta uma convergência clara em desempenho geral e viabilidade de engenharia, com a indústria efetivamente se concentrando nessa direção, tornando-se a "solução reconhecida" no caminho tecnológico

• Fator dois: maturidade dos ativos complementares — cadeia de suprimentos, padrões, ferramentas, sistemas de treinamento e ecossistema de desenvolvedores voltados para esse design são estabelecidos, criando bloqueio ecológico

• Fator três: manifestação da economia de escala — a entrega em escala deste design cria um ciclo positivo de “redução de custos + economia unitária positiva + modelo de negócio viabilizado”, fazendo o ciclo de investimento-retorno-novo investimento começar a girar

• Fator 4: Impulso das empresas líderes – algumas poucas empresas com influência de mercado adotam e promovem esse design, estabelecendo conjuntamente um padrão de fato por meio de participação de mercado e poder de atração ecológica

• Fator cinco: Intervenção governamental/regulatória — imposição ou orientação da padronização por meio de legislação padronizada, sistemas de certificação e estruturas regulatórias

O modelo T da Ford tornou-se o design dominante de automóveis em 1908 porque cinco fatores foram quase simultaneamente atendidos: viabilidade técnica (motor a combustão interna + configuração de motor dianteiro otimizada), ativos complementares (postos de combustível e rede de manutenção) que avançaram rapidamente, economias de escala (linha de montagem reduzindo custos), fabricante dominante (a Ford chegou a ter mais da metade do mercado) e regulamentação governamental (padrões rodoviários e sistema de licenciamento).

Ao avaliar o estado atual dos grandes modelos de IA e suas aplicações com base nesses cinco fatores, apenas um atende aos critérios, enquanto os outros quatro ainda estão longe de se concretizar — esta é a base específica para a afirmação deste artigo de que "os grandes modelos de IA e suas aplicações ainda estão na fase tardia de liquidez": não é uma impressão subjetiva, mas uma análise passo a passo.

Em outras palavras, o limiar estabelecido pelo design dominante de "pelo menos 3-4 fatores simultaneamente presentes" ainda está muito além do alcance da IA atual.

3.4 Julgamento da fase compreensiva: "zona de divergência" em movimento do estágio tardio de liquidez para o estágio inicial de transição

Com base na análise acima e no teste dos cinco fatores, pode-se emitir um julgamento abrangente: os grandes modelos de IA e suas aplicações atualmente estão na fase tardia de liquidez e já começaram a se mover em direção à fase inicial de transição — o autor denomina isso de "zona de diferenciação".

O significado central de "faixa de diferenciação" pode ser resumido como: a camada de produtos ainda está aberta, mas a diferenciação de capacidades já foi iniciada

A "zona de divergência" não é uma nova fase independente; ela descreve a zona de transição entre a fase fluida e a fase de transição na teoria das três fases de Utterback, e também não prevê que a IA necessariamente completará a transição até a fase especializada. Como um conceito descritivo, ela captura uma estrutura dual objetivamente presente no momento atual:

Em termos de produto, a arquitetura, o formato e os aspectos competitivos ainda estão abertos — múltiplas abordagens coexistem, o design dominante ainda não emergiu, e esta é uma fase ainda em fluxo.

Por outro lado: no nível corporativo, a diferença de capacidade entre líderes e não líderes já começou a se acentuar — as disparidades em poder de computação, distribuição, clientes corporativos e velocidade de aprendizado organizacional estão se ampliando silenciosamente, fazendo parte da fase inicial de transição que já começou.

Quando duas faces se sobrepõem ao mesmo tempo, forma-se a "zona de divergência". Isso não é caos, pois padrões visíveis e assimetrias acumuladas já existem; nem é definitivo, pois os critérios para determinar quem ficará por último ainda não se solidificaram. Em uma frase: externamente, ainda parece haver prosperidade, mas a composta diferença de capacidade já foi iniciada.

Outras observações originais propostas pelo professor Karim Lakhani em um artigo de março de 2026, com base no mesmo quadro analítico, merecem ser incluídas: elas podem ser vistas como uma refinamento adicional dos mecanismos internos da "faixa de divergência".

Observação de Lakhani: A abertura da arquitetura e a assimetria de competição podem coexistir — a abertura no nível arquitetônico e a diferenciação no nível empresarial podem ocorrer simultaneamente. Lakhani deu a esse estado um nome preciso: "Fermentação Estruturada (Structured Ferment)", referindo-se ao mesmo fenômeno descrito neste artigo como "zona de diferenciação" — apenas este artigo enfatiza mais a dinâmica da "diferenciação de capacidades", enquanto Lakhani destaca mais a sensação de coexistência de múltiplas linhas de fermentação.

Observação de Lakhani: Hipótese da Hierarquia Centralizada — A estrutura industrial da IA futura pode não convergir para um "único vencedor leva tudo", mas sim produzir líderes distintos em diferentes camadas da pilha tecnológica: camada de modelos avançados, camada de integração empresarial, camada de ecossistema aberto e camada de complementos especializados (nuvem, chips, ferramentas, segurança), cada uma formando seus próprios líderes.

Lakhani observa três: a orquestração de múltiplos modelos é um novo modelo de negócio — tarefas reais estão sendo divididas em uma cadeia: concepção, busca, redação, codificação, verificação, formatação, entrega — diferentes modelos têm forças distintas em cada etapa dessa cadeia. O que realmente determinará o sucesso pode não ser "qual modelo é o mais forte", mas sim "quem consegue invocar a inteligência correta, no momento correto, para a tarefa correta".

3.5 Características específicas da fase atual

Com base na análise acima, as características específicas da fase atual de "divergência" podem ser resumidas como segue:

Então, se os grandes modelos de IA e suas aplicações estiverem na "zona de diferenciação" (mudando do estágio avançado de liquidez para o estágio inicial de transição), de acordo com as leis gerais da evolução industrial, como será o ritmo futuro até a consolidação do design dominante e a manifestação de uma reestruturação profunda?

Esta é uma questão crucial para tomadores de decisão empresariais. Pois o senso de tempo determina diretamente o ritmo das ações — se a janela for de 20 anos, pode-se planejar com calma; se a janela for de apenas 3 a 5 anos, muitas ações devem ser iniciadas imediatamente.

Uma inferência muito natural é referir-se aos dados históricos de Utterback e Klepper: a indústria automotiva levou cerca de 15 a 20 anos para passar do período fluído à estabelecimento do design dominante e 50 a 60 anos do pico até a integração profunda — se a IA seguir essa mesma escala temporal, parece que ainda temos muito tempo pela frente.

Mas aqui há uma questão muito crítica — as duas ferramentas de Utterback e Klepper têm como base de dados a indústria manufatureira. O escopo temporal da evolução industrial da manufatura pode ser diretamente aplicado à era digital/AI? Se não, qual é o verdadeiro escopo temporal? Esta é a questão que será respondida a seguir.

Diferenças estruturais entre a era da manufatura e a era digital — e por que isso está acelerando

A evolução industrial do setor manufatureiro é naturalmente lenta, pois possui várias características comuns:

Produtos físicos exigem fábricas, cadeia de suprimentos e canais — o crescimento tem restrições físicas

A construção de economias de escala exige capital massivo e tempo — a construção de fábricas e a montagem da cadeia de suprimentos são ações de longo prazo.

• A adoção do usuário é limitada pela velocidade de distribuição física — um carro leva semanas ou até meses para ir da produção até o usuário final

• A evolução tecnológica é limitada pelo ritmo de atualização de processos, materiais e equipamentos de produção — cada nova geração de melhorias exige a reconstrução da linha de produção

Precisamente por essas características, o período de aglomeração da indústria automotiva durou cerca de 20 anos, e mais algumas décadas foram necessárias da design dominante até a integração profunda. Essas escalas de tempo não são "leis gerais" da evolução industrial, mas sim o resultado das restrições físicas e de capital próprias da manufatura.

Quando essas restrições são quebradas digitalmente, os quatro atributos estão passando por mudanças fundamentais, e a escala de tempo da evolução da indústria é diretamente comprimida:

• Distribuição com custo marginal quase zero — um aplicativo pode alcançar globalmente em meses; o ChatGPT atingiu 100 milhões de usuários em apenas cerca de 2 meses, sendo um dos produtos de consumo com a adoção mais rápida da história.

• A economia de escala foi substituída pelo efeito de rede e pelo ciclo de dados — a economia de escala na manufatura depende de fábricas acumuladas ao longo de anos, enquanto o efeito de escala na indústria digital pode estabelecer um ciclo autoalimentado de crescimento exponencial em 1 a 2 anos.

• A adoção pelo usuário é limitada por largura de banda e terminais, e não por distribuição física — reduzindo de "semanas a meses" para "download em minutos, pronto para uso".

• A evolução tecnológica é limitada por talento e poder computacional, e não por processos e equipamentos — empresas líderes acumulam capital, poder computacional e talento em quantidades massivas em um período extremamente curto (em 2026, o compromisso total com infraestrutura de IA das cinco maiores empresas de tecnologia dos EUA atingirá a ordem de 700 bilhões de dólares); essa velocidade de acúmulo de capital é impensável na era da manufatura.

Além dessas quatro mudanças fundamentais, a era digital adiciona ainda dois fatores de aceleração:

• Ciclo de feedback acelerado — produtos digitais podem realizar testes A/B em tempo real, reduzindo o feedback de "anos" para "dias ou até horas", acelerando a "velocidade de aprendizado" e comprimindo drasticamente o tempo necessário para a composta de capacidades.

• Competição global sincronizada — a indústria digital sempre foi um mercado global, com mais participantes, competição mais rápida e reorganização mais intensa.

Questão-chave: Em quantas vezes essas diferenças comprimem a escala temporal da era digital em comparação com a era da manufatura?

Comparação da velocidade de evolução das seis indústrias da era digital

Vamos analisar algumas indústrias digitais que já completaram a evolução do período de liquidez para o período de transição:

Smartphones (2007–2012) —— A iPhone foi lançada em 2007, o Android entrou em 2008, e por volta de 2010 o cenário dominante de iOS + Android ficou claro; por volta de 2013, Nokia, BlackBerry e Windows Phone praticamente saíram do mainstream. Da fase de mobilidade para a consolidação da fase de transição: cerca de 5 anos.

Redes sociais (2004-2012) —— O Facebook foi lançado em 2004; entre 2004 e 2008, várias plataformas competiram (MySpace, Facebook); por volta de 2010, o Facebook estabeleceu sua liderança global. Da fase de fluxo para a fase de transição consolidada: cerca de 6 a 8 anos.

Navegadores da web (1994-2000) —— Em 1994, o Netscape foi lançado; entre 1995 e 1998, ocorreu a guerra dos navegadores (Netscape vs IE); de 1999 a 2000, o IE dominou o mercado. Da fase de liquidez à fase de transição consolidada: cerca de 5 a 6 anos.

Computação em nuvem IaaS (2006-2015) —— AWS foi lançado em 2006, múltiplos participantes competiram entre 2010 e 2013, e em 2016-2018 o cenário dos três principais fornecedores ficou claro (AWS, Azure, GCP). Da fase de fluxo para a fase de transição consolidada: cerca de 8 a 10 anos.

Veículos elétricos (2010–?) —— liderados pela Tesla por volta de 2010, com múltiplas novas empresas surgindo entre 2015 e 2020, e um cenário inicialmente definido por volta de 2025, ainda em transição. Previsão de estabilização: cerca de 12 a 15 anos (envolvendo fabricação física, mais lenta do que a indústria puramente digital — o que nos lembra que partes dos AI que envolvem forma física, como os componentes mecânicos/hardware da inteligência embodiada, serão claramente mais lentas do que as partes puramente digitais).

Julgamento quantitativo com escala de tempo comprimida

Como se deriva o fator de compressão utilizável a partir dos dados de duração dos cinco setores? O autor desenvolveu um método de raciocínio lógico.

Passo 1 · Selecionar a indústria de referência

O setor de referência deve atender a três condições:

Estrutura completa: atravessar o período de liquidez → período de transição → período especial

Dados verificáveis: entrada e saída de empresas, estabelecimento de design dominante, integração profunda com dados históricos verificáveis

O intervalo de tempo é suficientemente longo: fornece a escala de tempo nativa não comprimida.

Os dados da indústria automobilística dos Estados Unidos de 1895 a 1966 rastreados pelo sistema Klepper atendem a esses três pontos.

No entanto, ainda é necessário questionar: o ciclo temporal interno da indústria manufatureira também não é uniforme (televisores T1 cerca de 6-8 anos, automóveis T1 cerca de 15-20 anos, já com uma diferença próxima a 2 vezes). Por que tomar o automóvel como referência representativa da "era da indústria manufatureira"?

Isso pode ser investigado por meio do quadro analítico da versão 5.1 — seis fatores estruturais (distribuição física, economias de escala, adoção do usuário, evolução tecnológica, ciclos de feedback, competição global). Esse quadro não apenas explica as diferenças entre "manufatura vs. digital", mas também as diferenças dentro da própria manufatura. A televisão (que começou em 1946) evoluiu 2 a 3 vezes mais rápido que o automóvel (que começou em 1895), pois aproveitou os ativos já acumulados pela indústria anterior (rádio) em relação a esses seis fatores — redes de distribuição, tecnologia de fabricação de válvulas eletrônicas, percepção do usuário e base tecnológica não precisaram ser construídas do zero.

Essa análise revela um padrão mais profundo: a compressão da escala temporal não é um salto único gerado pela transição da era industrial para a era digital, mas sim um processo contínuo de aceleração acumulada ao longo de múltiplas gerações e fatores. A escolha do automóvel como referência não se baseia apenas nos três critérios superficiais de "estrutura completa + dados acessíveis + longo período", mas sim no fato de que o automóvel é o caso mais completo de construção do zero: todos os seis fatores precisam ser iniciados do zero, sem nenhuma indústria prévia para absorver, representando uma escala temporal nativa não acelerada por acúmulos anteriores. O múltiplo de compressão obtido com base nesse referencial permite estimar aproximadamente o "valor máximo da aceleração acumulada na era digital".

Passo 2 · Compare com os cinco setores digitais

Com base no automóvel T1 (15-20 anos):

Passo 3 · Classifique a IA usando o quadro dos seis fatores

Volte ao quadro dos seis fatores — o grau em que um setor é acelerado por acúmulo prévio em seis fatores determina diretamente seu múltiplo de compressão. Olhando os dados da tabela por esta lógica:

Veículos elétricos: compressão mínima (1,3 a 1,5 vezes), pois ainda exigem a construção independente de três cadeias: fabricação física, cadeia de suprimentos e iteração de hardware;

Indústrias puramente digitais, como navegadores e computação em nuvem: redução de 2 a 3 vezes, pois aproveitam o acúmulo da era do PC e dos primórdios da internet;

Ecossistema de aplicativos para smartphones: maior compressão (3-4 vezes), pois surgiu após o desenvolvimento de uma infraestrutura digital altamente madura — quase todos os pré-requisitos dos seis fatores já haviam sido resolvidos.

Então, modelos de IA de grande porte e suas aplicações pertencem a qual categoria? O autor analisou e considera:

Ela aparece na fase mais tardia da era digital — computação em nuvem, internet, dispositivos móveis, ecossistema de desenvolvedores e infraestrutura de dados já estão altamente maduros; ao mesmo tempo, a IA traz consigo duas novas e sem precedentes retroalimentações autoaceleradoras — efeito de rede e roda de dados (quanto mais usado → mais dados → modelo mais forte → mais pessoas usam).

Segundo o quadro dos seis fatores, o fator de compressão da IA deve estar entre 3 e 5 vezes: o limite inferior de 3 vezes é baseado nos setores já confirmados como "aceleração tardia" na tabela (como navegadores e ecossistemas de aplicativos móveis); o limite superior de 5 vezes é uma extrapolação considerando os dois circuitos de autoaceleração únicos da IA — algo sem precedentes na história, portanto uma estimativa plausível, mas ainda a ser verificada.

Visão geral intergeracional e previsão abrangente

Resumindo a análise acima, é possível obter uma visão geral completa de comparação entre gerações:

Estimativa geral: Da era da manufatura para a era digital, a escala temporal da evolução industrial foi comprimida em aproximadamente 3 a 5 vezes; estima-se que o fator real de compressão dos grandes modelos de IA e suas aplicações situe-se na faixa média a superior desse intervalo.

[Declaração honesta necessária]: A amostra de comparação acima inclui apenas setores digitais cujo design dominante já foi estabelecido, excluindo setores como VR/AR, metaverso e aplicações Web3/blockchain, que ainda não se consolidaram — todos eles superam em muito as expectativas de compressão de 3 a 5 vezes e permanecem em fase de fluxo. Ou seja, a premissa de "compressão de 3 a 5 vezes" assume que a IA seguirá o caminho dos setores digitais já consolidados. Se esse pressuposto mudar, a compressão de 3 a 5 vezes precisará ser ajustada adequadamente.

Após determinar que a escala de tempo foi aproximadamente comprimida 3 a 5 vezes, podemos analisar os marcos temporais específicos dos grandes modelos de IA e suas aplicações. Claro, isso não é uma previsão precisa, mas sim uma estimativa razoável baseada em comparações históricas. Além disso, a premissa para fazer essa estimativa é: os grandes modelos de IA seguirão a trajetória A (formando um design dominante), e não a trajetória B (diversificação permanente).

O julgamento geral do autor é: a probabilidade de os grandes modelos de IA seguirem a trajetória A é significativamente maior do que a de seguirem a trajetória B — mas a forma não é um "único veículo em T", e sim um "projeto multicamadas baseado em pilha de protocolos hierárquicos".

Além do que foi argumentado na seção 2.1.1 sob a perspectiva dos "requisitos econômicos da indústria + pilha de protocolos em camadas da internet", três sinais observáveis atualmente também sustentam fortemente esse julgamento:

• O pacote de ferramentas técnicas já convergiu superficialmente — arquitetura Transformer, pré-treinamento + pós-treinamento (SFT + RLHF/DPO), fusão multimodal, chamada de ferramentas / agentização — quase todos os principais modelos adotam esses elementos. Essa é a norma antes da dominação de um design histórico.

• Projetos dominantes em subcamadas já estão emergindo — a camada de agentes de programação convergiu para o modelo Claude Code / Cursor / Copilot / Windsurf; produtos nativos multimodais convergiram para a abordagem "modelos de difusão + fidelidade de longo prazo"; na camada de Copilot corporativo, o Microsoft 365 Copilot tornou-se o padrão de fato. Não é necessário que todo o "IA" converge ao mesmo tempo; as subcamadas já estão formando independentemente pequenos projetos dominantes.

• O design dominante na camada de protocolo já está se formando — MCP (proposto pela Anthropic no final de 2024, integrado gradualmente pela OpenAI / Google / Microsoft em 2026), rede A2A — o design dominante na camada de protocolo geralmente é mais duradouro do que na camada de produto (assim como o TCP/IP é mais duradouro do que qualquer navegador)

[Declaração honesta necessária]: Assim que dois sinais inversos forem confirmados, as coordenadas de tempo deste artigo precisarão ser recalibradas:

Sinal reverso um: a fórmula "maior é mais forte" pode deixar de funcionar. Nos últimos cinco anos, a capacidade da IA foi impulsionada principalmente pela fórmula bruta de "modelos maiores + mais dados + maior poder de processamento" (Lei de Escalamento). Se, em 2027-2028, essa fórmula atingir seu limite e não houver uma alternativa forte a curto prazo — a indústria será forçada a explorar rotas completamente diferentes, como modelos do mundo, Mamba e arquiteturas nativas de Agentes, e a "convergência tecnológica" atual pode se romper.

Sinal inverso dois: evolução de “multiplos campos em paralelo” para “designs dominantes próprios de cada campo”. O atual paralelismo de múltiplos campos é, por si só, uma manifestação normal da “divergência de capacidades” — o verdadeiro risco é essa divergência se aprofundar até o ponto de “total falta de interconexão”. Duas forças apontam nessa direção: uma é o “cérebro” da inteligência embodiada (academicamente chamado de modelo VLA) — como exige percepção e processamento em tempo real de feedback físico, sua arquitetura subjacente pode evoluir por um caminho completamente diferente do dos grandes modelos de bate-papo; a outra é a crescente distância entre os dois principais campos, China e EUA, em termos de arquitetura, protocolos, ecossistemas e regulamentação. Se a evolução for da “arquitetura dominante unificada” para “arquiteturas dominantes próprias de vários campos”, o cronograma pode mudar.

Três linhas do tempo cruciais (projeção)

Continuando a análise anterior, se o ponto de partida da industrialização dos grandes modelos de IA for definido como o lançamento do GPT-3 em 2020 (este é o ponto de referência amplamente aceito pela indústria: arquitetura Transformer madura, primeira manifestação de capacidades emergentes e primeiro API comercial de nível empresarial), a partir desse ponto, o autor traçou um cronograma abrangente de 2020 a 2035, dividido em quatro fases:

Expand detailedly from the overall chart; for corporate decision-makers, three key timelines are worth further analysis and attention (analysis scope: AI large models and their applications; parts involving independent physical forms or independent industry logic need to be evaluated separately according to their respective rates of evolution).

Linha do tempo um: surgimento do design dominante — aparição em camadas, previsto para 2026-2032, implementado em fases

Os ritmos de convergência entre diferentes subcamadas não estão sincronizados e variam significativamente. Com base nos sinais observáveis atualmente, é possível fazer uma estimativa por faixas (em vez de um cronograma preciso):

• Surgiu anteriormente (cerca de 2026-2028) — camada de protocolo (MCP / A2A / especificação de chamada de API) e camada de agente de programação. O custo de iteração da camada de protocolo é relativamente baixo, e o consenso entre fabricantes é formado rapidamente, já apresentando um esboço de padrão de fato; a camada de agente de programação já apresenta uma convergência clara de formas de produto (Claude Code / Cursor / Copilot / Windsurf / Tongyi Lingma etc.).

• Surgimento a médio prazo (cerca de 2027-2029) — Linha principal de produtos em três camadas: assistente de conversa universal, produtos nativos multimodais (modelo de difusão + rota de fidelidade de longo prazo), e copiloto embarcado (forma voltada para fluxos de trabalho empresariais). Essas três camadas já apresentam sinais claros de convergência entre os líderes, e a penetração dos produtos líderes entre os clientes está aumentando rapidamente; no entanto, a definição completa ainda exigirá 2 a 3 anos.

• Surgimento mais tardio (por volta de 2028-2030) — Camada de estação de trabalho para Agentes de escritório / desktop (representados por WorkBuddy, Coze / Kozu, Bailian, etc.). Impulsionado principalmente por vinculação ecológica, com rápida adoção por meio de pontos de entrada, fluxos de colaboração e posição ecológica; no entanto, a implantação produtiva empresarial ainda está no estágio inicial de transição de "aumento de eficiência individual" para "aumento de eficiência organizacional", com a completa consolidação prevista para por volta de 2028-2030.

• Mais tardio (2030-2032 e além) — Camada de Agentes Autônomos Gerais (Manus, Operator, etc.), paradigma de colaboração entre múltiplos agentes, inovação fundamental na camada de arquitetura, camada de "cérebro" da inteligência embutida (modelos VLA). Agentes autônomos gerais e a colaboração entre múltiplos agentes enfrentam problemas profundos, como confiabilidade, estrutura de custos, limites de responsabilidade e protocolos interdomínios, com um ritmo de convergência claramente mais lento do que a camada puramente digital; a camada de arquitetura atualmente apresenta uma "convergência superficial de kits de ferramentas" (Transformer + MoE + pós-treinamento + arquitetura de memória), e inovações fundamentais reais são esperadas somente após 2030.

[Declaração honesta necessária]: As faixas acima são apenas estimativas razoáveis com base nos sinais atuais — fornecem uma sensação de tempo, não um cronograma. Antes de 2030, a arquitetura, a forma e os维度 de competição ainda estão em evolução; após 2030, as regras do jogo podem começar a ser reiniciadas em camadas.

Linha do tempo 2: Janela de encerramento · Previsto para 2026-2030 (camada de modelos avançados será encerrada primeiro)

A observação central de Klepper é que "a janela de entrada fecha antes do sinal de consolidação" — a taxa de entrada na indústria automobilística caiu em 1910, enquanto a consolidação se manifestou entre 1920 e 1960, com um atraso de 10 a 15 anos. Comprimindo esse padrão por 3 a 5 vezes na era digital, esse intervalo é reduzido para 2 a 5 anos — portanto, a janela de entrada fecha aproximadamente 2 a 5 anos antes da consolidação profunda, ou seja, entre 2026 e 2030.

Mas é necessário analisar os diferentes estágios do encerramento de forma hierárquica:

• Camada de modelos de ponta: mais cedo a fechar; como entrante puro nessa camada, será muito difícil após 2027-2028 — a combinação de poder computacional, talento e confiança corporativa está chegando ao fim; em 2026, observa-se que o capital de risco global para a camada de modelos de ponta está se concentrando em poucos.

• Camada de protocolo e camada de ferramentas: fechada mais cedo; uma vez que os protocolos, como MCP/A2A, se tornem dominantes, os entrantes tardios precisarão se integrar ao ecossistema, em vez de criar algo do zero

• Camada de aplicação e camada de forma de produto: relativamente mais aberta; a camada de agente de programação está com sua janela de oportunidade se fechando rapidamente devido à rápida integração comercial dos principais produtos; no entanto, ainda há espaço relativamente amplo para entrada na camada de aplicação, como produtos nativos multimodais e Agentes de escritório / desktop, com oportunidades ainda disponíveis entre 2028 e 2032.

• Camada de integração de setores verticais: abertura contínua; a janela de integração de IA com setores verticais como saúde, direito e educação pode persistir além de 2035

Significado central: Diferentes posições estratégicas apresentam níveis de urgência distintos para a janela de entrada — a janela para apostar na camada de modelos de ponta é a mais curta, enquanto a janela para aplicativos e integração vertical é relativamente mais ampla.

Linha do tempo três: Reorganização profunda começa · Previsto para 2030-2035 (ocorre principalmente no nível dos modelos avançados)

O mecanismo de composição de capacidades de Klepper opera mais rapidamente na era digital — 8 a 10 anos podem alcançar o efeito composto de 30 anos da era da manufatura. A lacuna de capacidades entre empresas será exponencialmente ampliada dentro dessa janela de tempo até um ponto irreversível.

Mas a intensidade da reorganização profunda também varia por camada:

• A camada de modelos de ponta sofre a maior reorganização: complexidade de capacidades, barreiras de capital computacional e concentração de confiança empresarial — podem convergir para poucos líderes

• A reorganização nas camadas de aplicação e de forma de produto é menos intensa: cada camada pode manter alguns principais players, com mais long tail

• A reorganização na camada de protocolo quase não ocorre: uma vez estabilizado, o padrão é o padrão

• Reorganização da camada de integração vertical do setor ligada à lógica dos setores tradicionais: a IA é apenas uma das variáveis; o ritmo da reorganização do setor em si será dominante

Urgência da janela de entrada das empresas

Ao analisar juntas estas três linhas do tempo, uma inferência chave:

A maioria das empresas que têm modelos de IA de grande porte e suas aplicações como foco estratégico pode ter apenas 2 a 4 anos para ajustar sua estratégia — para estabelecer sua posição antes da emergência do design dominante (especialmente no nível da forma do produto) até 2030, é necessário concluir a definição da direção e a escolha de entrada até 2028; inversamente, 2026-2027 são os dois anos mais críticos.

Mas essa linha do tempo pressupõe que economias de escala e modelos de negócio alcançarão transições críticas antes de 2027-2030. A validação reversa da sétima seção mostrará que "economias de escala e modelos de negócio ainda não se formaram" é uma das observações mais verdadeiras em 2026. Se os desafios do modelo de negócio persistirem e não forem superados após 2028, a janela de surgimento do design dominante pode ser adiada em 2-3 anos — ou seja, os coordenadas temporais acima dependem de dois pressupostos: "IA segue a trajetória A + economias de escala superando a barreira em 3-4 anos". Qualquer alteração em um desses pressupostos exigirá uma recalibração das coordenadas temporais.

Para partes que envolvem formas físicas independentes ou lógicas industriais independentes (hardware de inteligência embutida, AI + setores verticais, etc.), os cronogramas precisam ser ajustados conforme seus próprios ritmos — mas a lei subjacente de que “a diferença na taxa de composição de capacidades é amplificada exponencialmente” se aplica a todas as camadas.

Esta é a "escala temporal da evolução da indústria de IA" — fornecendo um senso temporal preciso, hierárquico e condicional derivado de um quadro analítico.

Uma análise rigorosa deve resistir à verificação com os dados mais recentes. Utilize as tendências observáveis da indústria de IA em 2026, nas quatro dimensões de produto, empresa, negócio e campo, para realizar uma validação reversa da afirmação anterior sobre a "faixa de diferenciação"—escolha apenas seis sinais mais representativos.

Verificação 1: A arquitetura ainda está aberta

A evolução da arquitetura em 2026 ainda avança por múltiplas linhas: sob a dominância do Transformer, os Especialistas Mistas (MoE) em Gemini 3.1 Pro, DeepSeek Aplicação abrangente em modelos como V4; o cálculo durante a inferência torna-se uma dimensão central de competição para novas versões como GPT e Claude; modelos de espaço de estado (família Mamba) e arquiteturas nativas de Agentes continuam a gerar novas explorações em 2025-2026; a direção de modelos mundiais continua sendo impulsionada por acadêmicos de ponta como Fei-Fei Li e Yann LeCun. As janelas de contexto estão passando rapidamente de centenas de milhares para milhões de tokens; a diminuição dos retornos marginais da Lei de Escalabilidade também começou a ser discutida publicamente em 2026 — tudo isso indica que as trajetórias tecnológicas ainda estão sendo reavaliadas.

Conclusão: A nível de arquitetura, ainda está claramente em fluxo. Os fatores de viabilidade técnica do design dominante estão longe de serem atendidos — esta é precisamente a evidência direta do lado "dimensão do produto ainda aberta" na "zona de divisão".

Verificação 2: As empresas realmente já estão se diferenciando — mas o cenário é de múltiplos grupos atuando simultaneamente

O cenário real da camada de modelos avançados em 2026 é uma estrutura com múltiplos grupos atuando em paralelo, sem um líder absoluto:

• Grupo principal dos EUA: OpenAI, Anthropic e Google como principais, seguidos por Meta (série Llama) e xAI

• Bloco de rotas abertas da China: DeepSeek 、Qwen、 Kimi , Zhipu, Doubao , Hunyuan, etc., form independent competitiveness in dimensions such as cost, open source, multilingual support, and vertical scenarios

• Europa/outros blocos: Mistral ocupa um lugar no ecossistema de código aberto

Ao mesmo tempo, os sinais de divergência são claros: a participação de tráfego de usuários do ChatGPT caiu significativamente de sua anterior posição dominante, o uso do Gemini cresceu em múltiplos anuais, e a Anthropic obteve alto crescimento em cenários empresariais e de desenvolvedores, com seu ARR entrando na casa dos US$ 10 bilhões e sua receita trimestral atingindo a escala de bilhões de dólares.

Conclusão: Isso está totalmente em linha com a análise da "zona de diferenciação" — no nível do produto, ainda existe um cenário aberto com múltiplos grupos atuando em paralelo (arquitetura não definida, rota não definida), mas no nível corporativo, a diferença de capacidade entre os líderes e os demais já está claramente se ampliando. É importante observar que a "diferenciação de capacidade" não equivale a "poucas empresas vencedoras" — pode ser, sim, "múltiplos grupos se distanciando cada um em sua própria frente".

Verificação 3: A estrutura industrial está evoluindo em direção a "camadas concentradas + orquestração de múltiplos modelos"

Lakhani previu "hierarquização centralizada" e "orquestración multi-modelo", que em 2026 receberam forte validação prática:

• Camada de modelos de ponta: múltiplos fabricantes líderes e vários grupos ocupando posições simultaneamente (ver 7.2)

• Camada de integração corporativa: Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein, entre outros, estão se posicionando respectivamente

• Camada de ecossistema aberto: DeepSeek (Infereção de baixo custo), Llama, Mistral anclados respectivamente

• Camada especializada de suprimento: NVIDIA (GPU), AMD/Intel, Cerebras/Groq (novos chips de arquitetura) ocupam posições distintas — a barreira de entrada nesta camada está sendo empurrada ao limite pela concentração de capital descrita na Seção 5.1

Ao mesmo tempo, o orquestramento de múltiplos modelos passou de "modelo emergente" para uso mainstream — os usuários já não perguntam "qual modelo é o mais forte", mas sim "qual modelo é o mais forte em qual cenário": usar Claude para redação e programação, Gemini para busca e análise, e ChatGPT para geração de imagens e conversas gerais tornou-se comum.

Conclusão: A hipótese de concentração hierárquica e o orquestramento de múltiplos modelos são válidos — e a evolução da concentração hierárquica ocorreu mais rapidamente do que o esperado.

Verificação 4: A escala de tempo está sendo significativamente comprimida

A principal evidência de compressão da escala temporal vem das quatro curvas: "velocidade de adoção, fluxo de capital, redução de custos e iteração de capacidades":

• Taxa de adoção: O ChatGPT atingiu 100 milhões de usuários em cerca de 2 meses, sendo um dos produtos de consumo mais rapidamente adotados da história.

• Velocidade de entrada de capital: A Anthropic levou apenas cerca de 4 anos desde sua fundação para atingir ARR na casa dos US$ 10 bilhões — uma época de manufatura exigiria décadas

• Velocidade de redução de custos: O preço dos tokens dos principais modelos grandes caiu aproximadamente duas ordens de grandeza nos últimos três anos, e os preços de inferência dos principais modelos abertos e de baixo custo já entraram na faixa de "centavos por milhão de tokens"

• Velocidade de iteração de capacidade: de GPT-3 a GPT-5, menos de 6 anos — na era da manufatura, a iteração de uma geração de produtos geralmente leva 5 a 10 anos

Conclusão: A compressão da escala de tempo não apenas se sustenta, mas em algumas curvas específicas (adoção, custo, iteração de capacidade), o grau de compressão real pode atingir 5 a 10 vezes. No entanto, é importante observar — a velocidade de compressão dessas curvas específicas é maior do que a compressão da evolução geral da indústria, pois a evolução geral da indústria ainda é limitada por variáveis lentas, como a validação de modelos de negócios, a regulamentação estabilizada e o amadurecimento do ecossistema, mantendo-se na mediana de 3 a 5 vezes, conforme avaliado na Seção 5.3. Em outras palavras, o "lado do sinal" da evolução da indústria de IA (curvas) já acelerou claramente, enquanto o "lado da estrutura" (estabelecimento do design dominante) requer um período de sedimentação mais longo.

Verificação 5: Economias de escala e modelo de negócios estável ainda não se consolidaram

Entre os cinco fatores que impulsionam o design dominante, "a manifestação de economias de escala" é uma condição necessária — apenas quando o custo de entrega em escala de um design for suficientemente baixo, o modelo de receita estável for claro e for possível formar um ciclo positivo de "investimento-retorno-reinvestimento", o design dominante poderá realmente se solidificar. Ao aplicar esse critério aos grandes modelos de IA e suas aplicações em 2026, percebe-se que as economias de escala e os modelos de negócio ainda estão longe de se consolidar:

• Os custos de treinamento e inferência ainda estão passando por grandes flutuações — o preço dos tokens caiu cerca de duas ordens de grandeza nos últimos três anos, e os preços de inferência para modelos de código aberto e de baixo custo líderes entraram na faixa de "centavos por milhão de tokens"; a curva de custos ainda está se movendo rapidamente, longe de ser "estável"

• As principais empresas ainda estão investindo em grande escala e de forma contínua — empresas de modelos avançados como OpenAI e Anthropic estão geralmente em estágios de alto investimento e alto financiamento; embora o ARR da Anthropic já tenha entrado na faixa de centenas de bilhões de dólares, em relação aos gastos com treinamento e poder computacional, ainda não saiu da fase em que os investimentos superam amplamente os retornos.

• A implementação de IA para o ROI empresarial está sendo mais lenta do que o esperado — muitos projetos de IA empresarial ainda estão na fase de POC ou piloto, e a conversão da IA em aumento da produtividade total dos fatores e em crescimento positivo de ROI/ROE ainda está amplamente em exploração; segundo pesquisas setoriais de 2025-2026, como o McKinsey “State of AI” e o MIT NANDA “GenAI Divide”, a maioria dos investimentos em IA empresarial ainda não gerou retornos financeiros positivos claros.

• O modelo de negócios estável ainda está em exploração — taxas de assinatura, cobrança por token, cobrança por resultado de agentes, personalização corporativa, participação de API, open source + serviços... Cada modelo de negócios tem seus representantes, mas nenhum ainda alcançou o estado de "lucro escalável + crescimento composto".

Conclusão: O ciclo positivo de "investimento-retorno-reinvestimento" dos grandes modelos de IA e suas aplicações ainda não foi estabelecido—isso é uma manifestação direta do fato de que os fatores que dominam a economia de escala não estão sendo atendidos. Se a economia de escala e o modelo de negócios ainda não são estáveis, então certamente ainda estamos na zona de diferenciação, pois isso é uma condição prévia para a convergência do período de transição para o período especializado.

Verificação 6: WAIC 2026 — "Quanto mais顶尖 as pessoas, maiores as divergências"

O WAIC 2026, que acabou de ocorrer em julho de 2026, forneceu uma confirmação ao vivo do lado do "ser humano".

Os quatro temas avançados da reunião (inteligência física, inteligência científica, infraestrutura de poder computacional, governança de agentes) são simultaneamente considerados direções da “próxima etapa” — a coexistência de múltiplas ramificações, sem uma única linha dominante, é a forma típica de uma fase de fluidez. Um cenário bastante esclarecedor é que o ganhador do Prêmio Turing de 2024, Richard Sutton, e o presidente da Jiepao Xingchen, Yin Qi, fizeram quase ao mesmo tempo dois julgamentos radicalmente opostos:

• Sutton: "A IA ainda é fraca e pouco confiável", "o caminho da transferência do conhecimento humano" já "atingiu seu limite", e o futuro deve avançar para a "era da experiência"

• Yin Qi: "As habilidades dos modelos em 2026 estão ultrapassando um ponto crítico", "a indústria está na base do pico da AGI", e os agentes se tornarão "a unidade mínima de produtividade"

No mesmo local e no mesmo momento, duas figuras altamente representativas deram respostas quase opostas à pergunta “Onde estamos realmente?”. Ao mesmo tempo, Yoshua Bengio alertou que “a sociedade ainda não está preparada para sistemas mais capazes e independentes”; Xue Lan, da Universidade Tsinghua, e Mark Nitzberg, da Berkeley, propuseram limites respectivamente sobre “julgamentos de valor” e “decisões de vida ou morte” — enquanto os níveis de regulamentação e governança ainda discutem princípios, e não padrões de execução.

Conclusão: Se a IA realmente já entrou na "segunda metade" ou na "fase de execução após a consolidação do design dominante", pesquisadores e empreendedores de ponta não teriam divergências tão nítidas sobre a questão mais básica: "Onde realmente estamos?". Isso, por si só, é uma forte evidência em tempo real de que ainda estamos na "zona de divisão".

Verificação geral: Este é o "intervalo de divergência"

Veja as seis verificações anteriores juntas — elas não são seis eventos isolados, mas sim seis perspectivas independentes que se corroboram mutuamente para um mesmo resultado. Em uma frase:

Os grandes modelos de IA e suas aplicações estão na "zona de diferenciação" — a segmentação de produtos ainda está aberta, a diferenciação de capacidades já começou e os modelos de negócio ainda não foram validados. Este é o resultado da confirmação em três dimensões: na terceira parte (análise de estágios), na sexta parte (coordenadas temporais) e nesta seção (tendências de 2026), não uma inferência isolada.

Voltar às duas perguntas iniciais — onde estamos e qual será o ritmo futuro.

Usando um framework combinado de duas ferramentas de análise clássicas, mais uma verificação rigorosa dos cinco fatores dominantes de design, além de validação reversa com as tendências mais recentes de 2026, é possível fornecer uma resposta clara sobre os atuais grandes modelos de IA e suas aplicações.

Onde estamos — os grandes modelos de IA e suas aplicações estão atualmente na "zona de diferenciação", em transição do estágio avançado de liquidez para o estágio inicial. Os fatores que moldam o design dominante atendem atualmente apenas a 1 (parcialmente); a estrutura industrial pode evoluir para um modelo de "hierarquia concentrada" em vez de "um único vencedor".

Como será o ritmo futuro — segundo um sistema de coordenadas temporais hierárquicas, os principais desenhos podem surgir em várias subcamadas por volta de 2027-2030, com uma reestruturação profunda se manifestando entre 2030-2035, deixando às empresas um período de ajuste estratégico de aproximadamente 2 a 4 anos.

A hierarquização significa que a urgência varia entre diferentes níveis estratégicos (camada de modelos前沿 / camada de aplicativos / camada de integração vertical), mas a lei subjacente da "composição de diferenças de capacidade" aplica-se a todas as camadas. Aqui é apresentado um senso temporal hierárquico e condicional, não um cronograma preciso — o ritmo exato da evolução será ajustado conforme mudanças em pressupostos como a Lei de Escalabilidade e tendências de fragmentação.

Para os tomadores de decisão empresariais, essas duas avaliações, combinadas, formam um eixo temporal. Sobre esse eixo, surge uma questão ainda mais fundamental: nessa fase e nessa janela de tempo, como as empresas devem pensar, agir e se autoajustar?

O autor discutirá esta questão no próximo artigo...

Este artigo é do número do WeChat "Instituto de Pesquisa Tencent" (ID: cyberlawrc), autor: Li Hongsheng