O problema da captura de valor pela IA

A IA pode ser uma das tecnologias de criação de valor mais poderosas da história e ainda assim ter um problema de captura de valor.

Alex Karp diz que empresas que compram IA correm o risco de vazar sua propriedade intelectual para a Anthropic e a OpenAI. Satya Nadella chama a resposta de soberania: uma empresa mantendo o controle de sua própria inteligência em vez de alugá-la de volta uma consulta de cada vez. Eles estão dizendo coisas semelhantes, mas comunicando-as de forma um pouco diferente: o ativo escasso não é mais apenas o modelo, mas também o contexto e o know-how que o modelo aprende com os padrões agregados em toda a sua empresa e seus concorrentes.

Pegue os seguros. Imagine State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual e mais de 100 seguradoras menores processando sinistros através do mesmo modelo. Cada seguradora alimenta o modelo com o mesmo fluxo de contexto: a descrição do acidente, fotos, orçamento do reparo, anotação do regulador, aprovação limítrofe, sinal de fraude, anulação, pagamento, recurso, resultado da recuperação.

No começo, isso é obviamente útil. O modelo processa sinistros mais rápido, sinaliza casos suspeitos, aprende quais orçamentos de reparo estão inflados, quais padrões médicos parecem estranhos e quais anulações depois se tornam prejuízos.

Mas, se o mesmo modelo aprende com cada seguradora, o seu julgamento de sinistros ainda é sua vantagem? A exceção de subscrição que protegia seu índice de sinistralidade se torna um benchmark. O padrão de fraude que sua equipe detectou cedo se torna um recurso vendido de volta ao mercado.

Observe o que você mantém e o que você perde. A seguradora ainda possui o risco, o relacionamento com o cliente, o regulador e o índice de sinistralidade. O modelo compartilhado possui cada vez mais a curva de aprendizado. Seus erros, anulações e a intuição de sinistros conquistada com esforço se tornam sinal de treinamento.

Essa intuição faz parte da sua propriedade intelectual real. Não do tipo registrado, as patentes e a marca, mas do tipo operacional: como sua equipe precifica risco, detecta fraudes, lê ambiguidades e usa tudo o que a empresa sabe. O modelo pode dissolver um dos seus fossos ao tornar esse julgamento escasso reproduzível.

É por isso que empresas focadas apenas em proteger dados estão pensando de forma muito restrita. O ativo mais profundo é o contexto institucional e o know-how: o julgamento na cabeça das pessoas sobre o trabalho profissional difícil.

Os laboratórios entendem isso. OpenAI e Anthropic estão, segundo relatos, escalando dados 10x ano após ano e gastando bilhões para mobilizar especialistas de domínio para criar as tarefas que treinam os agentes. Uma tarefa é o trabalho de especialista embalado em algo que um modelo pode aprender: prompt, ambiente, ação, rubrica, verificador, pontuação.

Agora pegue as ciências da vida. A Anthropic deixou sua direção clara: ferramentas para pesquisadores hoje, descoberta mais autônoma com o tempo. Claude for Life Sciences e Claude Science colocam literatura, agentes, artefatos científicos, reprodutibilidade e computação em uma única "bancada de trabalho". Se milhares de biotechs usarem esse sistema em torno de alvos, ensaios, segurança, endpoints e decisões de matar ou continuar, o pesadelo não é que a Anthropic veja a descoberta específica de alguma biotech; é que a Anthropic aprenda como são as perguntas e o julgamento sérios de descoberta de medicamentos em milhares de empresas enquanto também entra nesse espaço.

Produtos próprios são como capturar esse "aprendizado" em escala. Nos seguros, o modelo dissolve sua vantagem na linha de base do setor. Na farmacêutica, ele pode fazer isso e depois competir com você usando o que muitos ensinaram a ele. Também torna seus fossos reais mais expostos (mais sobre isso depois).

Acho que ninguém argumentaria contra o fato de que a IA cria valor ao tornar o know-how privado utilizável em escala. Mas também torna o "know-how" menos escasso. Se toda seguradora, banco ou biotech pode acessar a mesma capacidade através do mesmo modelo, o que costumava ser sua vantagem se torna a linha de base do setor. O valor não desaparece; ele é dividido: os clientes obtêm preços mais baixos ou melhor serviço, o fornecedor do modelo obtém o aprendizado, e você obtém um ganho de produtividade inicial que a concorrência desgasta.

Aqui está porque tão pouco do valor duradouro fica com você.

1. Se todos obtiverem a mesma vantagem, os clientes ficam com ela. Imagine uma montadora usando um modelo para negociar semicondutores, resina, frete, capacidade de fabricação sob contrato e peças substitutas. A vantagem é comprar melhor que a próxima montadora: saber qual escassez de fornecedor é real, qual cotação embute margem excessiva e quando preservar o suprimento é mais importante que apertar o preço. Se toda montadora executa a aquisição através do mesmo modelo, o modelo não apenas reduz custos. Ele torna a compra mais "semelhante". O melhor comprador perde a diferença entre seu processo e o de todos os outros. Os fornecedores também se adaptam: uma vez que todo comprador chega com a mesma análise de custo-alvo, mapa de fonte alternativa e roteiro de negociação, o manual de jogo se torna precificado.
2. O modelo também captura o que se acumula. Imagine 1.000 biotechs com recursos limitados usando Claude for Life Sciences porque não têm a plataforma interna de uma grande farmacêutica. Cada empresa possui seu composto, custo de laboratório, programa fracassado e trilha regulatória. Mas a bancada de trabalho pode ver o padrão em todas elas: qual sinal de toxicidade matou o programa, qual ensaio deu falsa confiança, qual endpoint era fraco e qual subgrupo de paciente não era o certo. Se ela estiver presente em biotechs e farmacêuticas suficientes, pode ver padrões de falha que nenhuma empresa isolada consegue ver. Enquanto a vantagem dos dados está na exclusividade, uma bancada de trabalho compartilhada quebra a exclusividade por agregação. E porque a Anthropic pretende desenvolver seus próprios medicamentos, a ferramenta que você adota para eficiência é construída pela entidade cujo objetivo final pode ser fazer o que você faz, usando o que aprendeu observando o campo fazer.
3. Você contribui com o único e recebe a média. Você contribui com julgamento, dados, contexto e decisões diferenciados: o padrão de fraude que apenas sua equipe detectou, o blefe do fornecedor que seu comprador ignorou, o negócio que seu PM matou antes do mercado vê-lo. Você recebe de volta a mistura de tudo isso. A Citadel nunca iria querer que todos os pods do mundo fossem treinados nos critérios de eliminação do seu melhor PM. Para a melhor empresa, essa é a negociação perdedora: você entrega um julgamento acima da média e recebe a média.
4. Direitos de dados não são direitos de aprendizado. As empresas sabem como negociar retenção, confidencialidade, segurança, controles de acesso e exclusões de treinamento. Mas a questão mais importante é quem possui o julgamento derivado: tarefas, loops de feedback, avaliações, rastros de fluxo de trabalho, correções, modos de falha, padrões de decisão, habilidades de agente e insights de produto. Uma vez que a empresa de modelo conhece o problema difícil, ela pode adquirir a lógica do trabalho de outra forma. Ela pode contratar especialistas para criar casos que testem as mesmas decisões: o modelo deve aumentar as taxas, apertar a subscrição, sinalizar fraude, excluir um segmento ou aceitar um índice de sinistralidade pior para manter um cliente lucrativo? O raciocínio se torna treinável.
5. O ganho é inicial; a dependência se acumula. A primeira adoção cria um salto de produtividade real. Mas assim que os concorrentes executam o mesmo modelo, esse salto se torna a linha de base, e o que resta não é sua vantagem, é sua dependência da próxima atualização. Todos capturarão o primeiro ganho, mas o fornecedor captura a curva de aprendizado recorrente. Ano um, o modelo da fábrica reduz o tempo de inatividade, mas então todo rival tem o mesmo fluxo de trabalho de manutenção preditiva e o fornecedor possui a intuição do processo da qual você agora depende.

Nada disso significa captura zero. O primeiro a se mover ganha lucro real na janela antes dos rivais adotarem. O único problema é que o valor duradouro vai para quem possui o aprendizado e, por padrão, esse não é você. O que transforma toda a questão em decisões tomadas fluxo de trabalho por fluxo de trabalho, tarefa por tarefa. Onde seu trabalho é genérico, agrupe-o e aproveite o ganho, porque lá você está protegendo a mediocridade. Onde o julgamento de sua equipe é o produto, mantenha-o fora do modelo compartilhado.

Aqui está a maneira mais simples de ver isso. Pense no TikTok, YouTube e Google: você pensa que é o cliente, mas é a matéria-prima. Cada vídeo que você termina ensina ao algoritmo o que funciona, e esse aprendizado é o produto real, vendido ao próximo anunciante e usado para fisgar o próximo usuário.

É assim que os CEOs devem pensar sobre Anthropic e OpenAI: TikTok para dados corporativos, exceto que o feed é seu trabalho e o sinal de engajamento é seu julgamento. Os provedores de modelo são aquela máquina apontada para o know-how mais caro da sua empresa. Seus especialistas aparecem para obter ajuda com sinistros, negociações, cláusulas, fornecedores, testes, chamadas de risco e problemas de produção. Cada hesitação, anulação, escalação, aprovação, rejeição e segundo olhar ensina ao modelo como sua empresa pensa.

No TikTok, o criador pelo menos recebe. Aqui, você fornece os dados, o contexto e o aprendizado ("know-how") dos dados, e a plataforma pode vender o produto finalizado de volta para todo o seu setor, ou eventualmente escolher competir com você no caso da farmacêutica.

Portanto, a pergunta executiva é simples: você quer o próprio TikTok da sua empresa, ou quer usar o compartilhado? Você provavelmente precisa passar por ambos.

Antes de colocar qualquer fluxo de trabalho de alto valor na Anthropic, OpenAI ou outro modelo compartilhado, faça uma pergunta: se todo concorrente aprendesse como lidamos com esta decisão, ainda seríamos melhores que eles?