Bancos e agronegócio: os dois motores do dinheiro real em IA

# Bancos e agronegócio: os dois motores do dinheiro real em IA

Se você acompanha o setor de inteligência artificial no Brasil há pelo menos três anos, como eu, percebeu uma mudança de ritmo que os números oficiais só agora começam a capturar. Não é mais um mercado de curiosos e pioneiros.

É um mercado de orçamentos aprovados em conselho, de áreas de compras emitindo RFPs com cláusulas de IA e de startups fechando rodas em reais.

Eu venho acompanhando essa transição de perto, e o que me impressiona não é o tamanho absoluto do investimento — que ainda é modesto em comparação com os Estados Unidos ou a China — mas a velocidade da mudança de composição.

Sai o piloto de laboratório, entra a operação com SLA, contrato e meta de redução de custo.

O porquê de importar agora é simples: estamos no ponto de inflexão entre entusiasmo e consolidação. Quem entender hoje onde o dinheiro real está indo — e não onde o discurso promete que ele vai — terá vantagem competitiva concreta nos próximos dois ciclos de orçamento.

E quem apostar apenas no hype vai descobrir, tardiamente, que o Brasil tem suas próprias regras de gravidade econômica.

Minha tese nesta coluna é direta: o Brasil adota IA mais rápido do que produz valor mensurável com ela, e essa lacuna entre adoção e maturidade é a história real de 2026.

Vamos aos números, aos setores, às startups e às barreiras — com a franqueza de quem olha esses dados toda semana.

Bancos e agro: onde o orçamento realmente vira resultado

Pense comigo: se você quisesse adivinhar quais setores brasileiros mais investem em IA sem olhar nenhum dado, quais escolheria? Eu apostaria em dois — e acertaria.

O primeiro é o sistema financeiro. Bancos brasileiros estão entre os mais digitalizados do mundo em infraestrutura transacional. O PIX criou uma base de dados comportamental que poucos países possuem, e modelos de crédito, detecção de fraude e personalização se alimentam dessa base.

Quando o AI Index da Stanford HAI documenta a aceleração global de adoção corporativa de modelos generativos, o Brasil acompanha a tendência — mas com um perfil próprio. Aqui, a maior parte do orçamento bancário de IA ainda vai para eficiência operacional, não para produtos novos.

Na prática, isso significa que o banco brasileiro compra IA para reduzir custo de atendimento, acelerar análise de crédito e combater fraude em tempo real. O ROI é mensurável em meses, o que agrada a comitês executivos que vivem sob o olhar do Bacen e de acionistas exigentes.

É uma adoção pragmática, quase conservadora — e por isso sustentável.

O segundo motor é o agronegócio, e aqui está meu primeiro insight que você não lerá facilmente em outro lugar: o agro brasileiro adota IA de forma mais madura do que a indústria urbana. A razão é que sua dor é física e inadiável.

Previsão de safra, monitoramento de pragas por visão computacional, otimização de logística de grãos e crédito rural lastreado em dados de satélite não são pilotos — são operações rodando há anos.

Empresas como as plataformas de agritech que integram imagens de satélite com modelos preditivos de rendimento transformaram a IA em commodity de exportação. O fazendeiro do Mato Grosso não compra "inteligência artificial"; compra redução de perda de safra.

Essa tradução direta de tecnologia em resultado físico explica por que a adoção agrícola resiste melhor aos ciclos de ceticismo.

Entre esses dois motores, existe um vasto território de varejo, indústria e serviços que adota de forma irregular. O varejo brasileiro investe pesado em personalização e precificação dinâmica — os grandes magazines e marketplaces rodam modelos de recomendação que rivalizam com qualquer referência global.

Mas a indústria de base, aquela que emprega milhões, ainda trata IA como projeto de inovação desconectado do chão de fábrica.

O que os dados internacionais confirmam: segundo o AI Index Report da Stanford HAI, a adoção corporativa de IA generativa cresceu em ritmo recorde globalmente entre 2023 e 2025. Mas a distância entre "usar" e "capturar valor" permanece o maior gargalo em praticamente todos os mercados medidos.

O Brasil não é exceção — é, talvez, o exemplo mais nítido dessa lacuna em economias emergentes.

Minha leitura dos números setoriais é que o Brasil opera com dois mercados de IA paralelos: um sofisticado, capitalizado e produtivista (finanças, agro, grande varejo, telecom), e outro performático, movido a prova de conceito que nunca vira produção.

A maioria das empresas brasileiras que declara "usar IA" está no segundo grupo. E é por isso que o percentual de adoção divulgado em pesquisas precisa sempre ser lido com ceticismo profissional.

Startups brasileiras: o recorte de valor está em aplicações verticais

Você já percebeu que o Brasil não produz modelos fundamentais, certo? Sem GPU em escala nacional, sem laboratório de frontier model, nossa contribuição ao ecossistema global de IA acontece em outra camada — e é importante entender qual.

A camada onde o Brasil compete é a aplicacional: software vertical que resolve problemas locais com modelos alheios por baixo do capô.

Eu classifico as startups brasileiras de IA em três ondas, e essa taxonomia ajuda a ler o mercado com mais precisão do que qualquer ranking de valorização.

A primeira onda é a de infraestrutura de dados e conformidade. Com a LGPD consolidada e a regulação de IA em discussão avançada no Congresso, nasceu uma classe de empresas que vende literalmente o "papel em ordem": governança de dados, auditoria de modelos, anonimização e gestão de consentimento.

É um mercado pouco glamouroso e altamente rentável, porque a dor é regulatória e, portanto, inegociável.

A segunda onda é a de aplicações verticais em saúde, jurídico e educação. html). Cada instância judicial é um mercado de eficiência esperando software.

Na saúde, o quadro é mais ambicioso e mais lento. Startups de triagem por imagem, apoio diagnóstico e gestão de leitos enfrentam o duplo filtro da ANVISA e da cultura clínica conservadora.

O resultado é um ciclo de vendas longo, mas com retenção altíssima: quando o hospital incorpora o modelo ao fluxo, ele não sai. Quem entende isso no healthtech brasileiro constrói valor duradouro.

A terceira onda, que eu acompanho com mais interesse analítico, é a de agentes e automação para o mercado de trabalho brasileiro — atendimento, cobrança, back-office.

Aqui está meu segundo insight difícil de encontrar: o Brasil é possivelmente o melhor laboratório mundial de IA conversacional em português para serviços.

Temos um volume colossal de interações digitais de baixa complexidade (cobrança, agendamento, reclamação) que qualquer modelo bem ajustado resolve com margem espetacular.

000 mensais. Um agente de IA bem operado custa fração disso em tokens e infraestrutura, medidos em USD. Com o dólar na faixa dos USD/BRL que enfrentamos nos últimos anos, a conta ainda fecha com folga quando o volume é alto.

O risco é concentrar todo o modelo de negócio nessa arbitragem, que tende a se estreitar conforme os modelos melhoram e os preços por token caem globalmente.

Por outro lado, preciso ser honesto sobre o que falta: capital de risco em volume. As rodas brasileiras de IA em 2025 e 2026 são modestas em comparação com as norte-americanas.

Isso força as startups locais a serem eficientes por design — capital eficiente, focadas em receita desde cedo.

Eu considero isso, no balanço, uma virtude disfarçada. O Brasil não terá seu momento de "growth at all costs" em IA, e talvez isso produza empresas mais resistentes.

O que eu observo diariamente no setor é que as startups que sobrevivem são as que vendem resultado mensurável, não tecnologia.

O pitch de "somos a plataforma de IA para X" perdeu força; o pitch de "reduzimos seu custo de cobrança em 30% em 90 dias" ganha contrato toda semana. É um amadurecimento saudável, ainda que menos noticioso.

Barreiras reais: custo, idioma e regulação — na ordem inversa do discurso público

Vamos nomear as barreiras como elas são, e não como aparecem em painéis de conferência. O discurso público brasileiro coloca a regulação em primeiro plano. Os dados que eu acompanho sugerem que ela é, na verdade, a terceira maior barreira.

A barreira número um é custo em dólar. Toda a stack de IA de ponta — computação, APIs de modelos, ferramentas de orquestração — é precificada em USD, enquanto a receita da maioria das empresas brasileiras é em BRL.

Cada episódio de desvalorização cambial encarece verticalmente projetos que já estavam no limite do business case.

Eu já vi mais de um piloto cancelado não por falha técnica, mas porque a moeda se moveu e o CFO refaz a conta.

Isso cria um comportamento peculiar no mercado local: preferência por modelos menores, rodando em infraestrutura própria ou em nuvens mais baratas, com aceitação de qualidade ligeiramente inferior em troca de previsibilidade de custo. É uma racionalidade econômica que raramente aparece nas análises sobre adoção.

E é ela que molda silenciosamente o que o Brasil efetivamente implanta.

A barreira número dois é idioma e contexto. Os modelos de ponta são treinados majoritariamente em inglês, e o português brasileiro — com suas variantes regionais, gírias, código misto e formalidade burocrática — exige trabalho de adaptação que o mercado global subestima.

Quem já operou chatbot de atendimento no Brasil sabe: o modelo que arrasa no benchmark em inglês tropeça no "você pode me explicar melhor, tio?" de um cliente real em Belém.

Na prática, isso significa que empresas brasileiras investem uma parcela significativa de esforço em fine-tuning, avaliação e guardrails específicos para o contexto local. É um custo invisível nas planilhas globais de adoção, mas muito real nos times de dados daqui.

E é exatamente por isso que a camada aplicacional local tem defesa competitiva: quem resolveu o português brasileiro com seriedade construiu um fosso.

A barreira número três, e não a primeira, é regulação. O marco legal de IA avança pelo Congresso com o espírito alinhado às diretrizes internacionais discutidas na OCDE e com o MCTI atuando como articulador da estratégia nacional. Sim, a incerteza regulatória freia alguns investimentos de maior risco.

Mas os setores que mais adotam — finanças e agro — já operam sob regulação intensa de qualquer forma e não esperam perfeição legal para agir.

O que a regulação faz, no meu diagnóstico, é elevar o custo de conformidade e, com isso, favorecer os grandes players, que têm times jurídicos e de compliance para absorver o ônus.

É uma ironia que merece destaque: a regulação pensada para proteger contra o poder das big techs pode, no Brasil, concentrar ainda mais o mercado de IA nas mãos de quem já é grande.

E há uma quarta barreira que quase ninguém nomeia: talento com experiência real em produção. O Brasil forma bons cientistas de dados, mas formar engenheiro de ML que já levou um modelo a produção sob restrição de custo é outra coisa.

O mercado paga prêmios salariais absurdos para esses profissionais, e a rotação nas áreas de dados das grandes empresas brasileiras é um problema operacional de primeira ordem.

O papel do Estado: da estratégia ao orçamento, a distância persistente

Em outras palavras, se o setor privado conduz a adoção, o que exatamente o Estado brasileiro está fazendo — e o que deveria fazer? Essa é a seção em que eu costumo irritar os dois lados do debate, e farei novamente.

br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/inteligencia-artificial) já consolidou uma estratégia nacional de IA e movimentou linhas de investimento em supercomputação e pesquisa, incluindo esforços de soberania em infraestrutura de computação.

Eu reconheço o avanço institucional: ter uma estratégia documentada, com fundamentação técnica e alinhamento internacional, coloca o Brasil à frente de vários pares emergentes.

Mas meu diagnóstico é mais duro: a distância entre estratégia publicada e capacidade executada continua sendo o maior problema da política pública brasileira de IA. Estratégia sem orçamento contingenciado é posicionamento. Supercomputador sem pipeline de talento que o utilize é monumento.

E o Brasil tem tradição em monumentos tecnológicos.

Onde o Estado poderia gerar retorno imediato e tangível? Eu tenho uma lista curta. Primeiro, em dados públicos: abrir e padronizar bases de saúde, educação e transporte criaria o substrato para aplicações de IA de alto impacto social que o mercado privado nunca terá incentivo para construir sozinho.

Segundo, em compra pública inteligente: o governo é o maior comprador de serviços do país. Se suas licitações exigissem e remunerassem soluções de IA auditáveis, criaria demanda-âncora para todo o ecossistema local.

Terceiro, e mais importante no longo prazo: avaliação. O Brasil precisa de uma capacidade pública de testar e certificar sistemas de IA em contexto local — em português, contra viés demográfico brasileiro, sob as nossas condições sociológicas.

Sem isso, vamos importar modelos calibrados para realidades que não são as nossas e nos surpreender com resultados enviesados.

As referências metodológicas da OCDE oferecem um bom ponto de partida para estruturar essa capacidade.

Sei que existe a tentação de ler o Estado apenas como entrave ou apenas como salvador. Eu rejeito as duas caricaturas.

O Estado brasileiro é, na prática, um operador de demanda gigantesco com execução irregular — e o jogo inteligente do setor privado é estruturar propostas que transformem essa demanda irregular em contrato estável.

O que me deixa modestamente otimista é a profissionalização do debate. As discussões sobre o marco de IA no Congresso, nos últimos ciclos, envolveram mais técnica e menos teatro do que eu esperava.

A comunidade técnica brasileira — universidades, a sociedade civil organizada em torno de dados abertos, os poucos mas qualificados centros de pesquisa — pesou nos textos com argumento, não com gritaria. Isso é raro e valioso.

Onde eu apostaria meu próprio dinheiro em 2027

Chegou o momento da perspectiva pessoal, como prometi. Se eu tivesse que alocar capital próprio — e não apenas opinião — no mercado brasileiro de IA para 2027, onde colocaria fichas? Minha resposta diz muito sobre onde os números apontam.

Primeira aposta: a camada de conformidade e governança de IA. Regulação chegando, adoção acelerando, e cada modelo em produção precisa ser auditável. É o mercado de "pás e picaretas" da corrida local, com concorrência ainda dispersa e receita recorrente natural.

Eu não duvido dessa tese há dois anos, e cada trimestre que passa a confirma.

Segunda aposta: aplicações verticais no agro com componente de IA embarcada em hardware. O agro brasileiro cresce em produtividade, não em área — e produtividade se compra com software e sensores.

A cadeia de fornecedores de tecnologia agrícola brasileira tem alcance global e lastro físico que startups puramente digitais não possuem.

Terceira: serviços de adaptação de modelos para português brasileiro e domínios regulados — o trabalho sujo e lucrativo de fazer modelos globais funcionarem na nossa realidade. Não é sexy. É onde está o dinheiro dos próximos 24 meses.

Meu próximo passo concreto, e aqui vai a chamada à ação: eu vou dedicar os próximos meses a mapear, com metodologia pública, os indicadores reais de captura de valor — não adoção declarada, mas resultado auditável — nos setores financeiro e agropecuário.

Se você lidera adoção de IA em alguma empresa brasileira, eu quero sua experiência no meu radar: escreva-me, compartilhe o que funcionou e o que fracassou. Dado bom neste mercado ainda se constrói em rede.

A lacuna entre adoção e valor é o desafio central, e fechá-la é trabalho de gestor, não de visionário. O Brasil tem os motores, tem o talento aplicado e tem as dores certas. Falta disciplina de execução — e essa, felizmente, se aprende.

O recorte estadual: por que o mapa da IA brasileira não é um mapa do Sudeste

Deixe-me provocar uma leitura que raramente aparece nas análises nacionais: o mercado brasileiro de IA é territorialmente mais descentralizado do que a economia digital como um todo. E isso importa muito para quem investe ou contrata.

O ecossistema de startups em geral concentra-se esmagadoramente em São Paulo. Mas a adoção de IA aplicada se distribui de forma diferente, porque segue as dores produtivas de cada região. O Centro-Oeste absorve tecnologia de visão computacional e previsão de safra.

O Sul industrializado demanda automação de processos fabris e qualidade. O Nordeste, com seu polo de serviços e healthtech em crescimento, adota IA em telemedicina e logística de e-commerce.

Na prática, quem vende IA no Brasil com playbook nacionalizado erra o alvo regional com frequência preocupante. O comprador cearense de software de gestão pública tem prioridades distintas do comprador paulista de varejo — e a proposta comercial que ignora essa diferença morre no funil.

Eu já vi rodadas de investimento se perderem porque o fundador tratava o Brasil como mercado único, à moda das plataformas digitais de consumo.

O dado subestimado aqui é o papel das universidades regionais como âncoras de talento. Campinas, Porto Alegre, Recife, Florianópolis e Belo Horizonte produzem profissionais de dados que ficam nas praças locais, criando bolsões de competência que sustentam ecossistemas secundários.

São ecossistemas menores, mais baratos e, frequentemente, mais focados em problema real do que o circuito de São Paulo, onde o talento compete por salário em USD indexado.

Minha projeção para 2027 é que veremos o primeiro unicórnio brasileiro declaradamente de IA nascido fora do eixo Rio–São Paulo. Não tenho certeza do timing, mas tenho convicção da direção.

O custo de operação regional, somado à proximidade com o cliente produtivo, é uma vantagem estrutural que o capital ainda não precificou adequadamente.

Para o leitor executivo, a implicação é prática: se sua operação está fora do eixo central, você não precisa migrar nem terceirizar para São Paulo. Precisa mapear o bolsão de competência mais próximo e tratá-lo como fornecedor estratégico, com a seriedade que o tema exige.

O paradoxo da produtividade: mais IA, métrica estagnada

Agora quero confrontar uma suposição que quase todo executivo brasileiro carrega implicitamente: a de que adoção de IA produz salto automático de produtividade. Os dados que eu leio sugerem algo mais desconfortável e mais interessante.

O paradoxo funciona assim: empresas brasileiras relatam ganhos localizados expressivos — um time de atendimento 40% mais rápido, uma área de cobrança com inadimplência menor — enquanto as métricas agregadas de produtividade da empresa mal se movem.

O ganho é real, mas diluído na estrutura, absorvido por gargalos que nenhum modelo de linguagem resolve.

Pense comigo em um exemplo concreto e anônimo, de um caso que acompanhei de perto: um middle-market industrial que implantou copilotos para toda a área administrativa. A equipe jurídica passou a revisar contratos 50% mais rápido. Um ganho excelente, sim.

Mas o gargalo do ciclo de fechamento de negócios nunca foi revisão de contrato — era aprovação de crédito, que continua manual e dependente de duas pessoas sobrecarregadas. A IA acelerou o elo que já era rápido.

Esse padrão, que chamo de otimização do elo não-gargalo, é possivelmente a maior fonte de desperdício de IA no Brasil hoje. Ele não aparece em survey nenhum, porque cada área reporta sucesso honesto dentro de sua métrica local.

Só aparece quando alguém com visão de processo inteiro olha o fluxo ponta a ponta — e esse alguém raramente existe na estrutura média da empresa brasileira.

A implicação gerencial é dura: a pergunta correta antes de comprar qualquer ferramenta de IA não é "o que essa ferramenta automatiza?", e sim "qual é o meu gargalo atual e essa ferramenta o toca?". Se a resposta for não, você está comprando velocidade onde não há fila.

É uma pergunta de engenharia de processos, não de tecnologia — e talvez por isso seja feita tão raramente.

Sim, isso é previsível, e eu assumo: nos próximos dois anos, o diferencial competitivo em IA entre empresas brasileiras não estará na ferramenta escolhida, mas na qualidade do mapeamento de processos que precedeu a compra. Ferramenta todo mundo terá acesso. Mapa de gargalo, não.

Capacidade de absorção: o fator que os rankings de adoção não medem

Quero fechar a análise técnica com o conceito que considero mais útil para entender o mercado brasileiro neste momento: capacidade de absorção. Ele vem da economia da inovação, e aplicado à IA é devastadoramente explicativo.

Capacidade de absorção é a habilidade de uma organização de reconhecer valor em conhecimento externo e transformá-lo em uso produtivo. Ela depende de conhecimento prévio, de rotinas internas e de pessoas com experiência suficiente para distinguir demo de produção. Sem ela, toda tecnologia avançada é ruído.

O Brasil tem capacidade de absorção de IA profundamente desigual. As vinte maiores empresas do país absorvem tecnologia global de fronteira com sofisticação comparável a qualquer par internacional — elas têm times internos, benchmarks próprios e poder de negociação com fornecedores.

Abaixo dessa camada, a capacidade cai quase verticalmente.

Por que isso importa para os números de adoção? Porque boa parte das pesquisas que apontam percentuais altíssimos de "empresas que usam IA" está medindo contato, não absorção. Usar um chatbot genérico embutido em ferramenta de escritório é contato.

Ajustar um modelo ao seu dado, medir seu erro e governá-lo é absorção. O primeiro número é três a quatro vezes maior que o segundo, na minha estimativa operacional.

Em outras palavras, o Brasil não tem um problema de adoção de IA. Tem um problema de conversão de adoção em capacidade — e esse problema não se resolve com desconto em licença nem com hackathon. Resolve-se com pessoas experientes mantidas por tempo suficiente em

Qual decisão você vai testar primeiro?