A Conta da IA Chegou

Durante dois anos, a pergunta que guiou o gasto corporativo em inteligência artificial foi simples: estamos ficando para trás? A resposta, quase sempre, era comprar mais IA. Assinatura nova, piloto novo, modelo novo. Ninguém perguntava quanto aquilo retornava, porque a pergunta real era outra: e se o concorrente descobrir antes? Em 2026, a conta dessa era de medo começou a chegar, e ela não chega discreta. Chega em balanço trimestral, com lucro caindo um terço. O caso da vez é a Kuaishou, a chinesa dona do app de vídeos curtos Kwai (o rival direto do TikTok no mercado asiático e forte no Brasil) e do Kling AI, um dos maiores geradores de vídeo por IA do mundo. No balanço mais recente, o lucro da companhia caiu cerca de um terço, a maior queda em cinco anos, empurrada por gastos crescentes com inteligência artificial e por repasses maiores a criadores de conteúdo ^[1]. A despesa com IA subiu mais de 35%, e o mercado reagiu na hora: papel em queda na Bolsa de Hong Kong.

O que exatamente quebrou no balanço do Kwai

Os números do trimestre contam uma história precisa de compressão de margem. A receita cresceu 3,4% na comparação anual, para 33,7 bilhões de yuan, movimento saudável porém modesto. Já o lucro do período caiu 27%, e a margem bruta recuou de 54,6% para 51,2% ^[2]. Quando a receita sobe pouco e o lucro despenca, existe um elemento comendo a diferença. No caso da Kuaishou, são dois: custos de revenue sharing com criadores e, principalmente, o investimento pesado em IA, que inclui computação, banda e pesquisa ^[1][2]. O detalhe que o mercado castigou foi o guidance de capex: cerca de 26 bilhões de yuan para o ano (algo próximo de 3,8 bilhões de dólares), aproximadamente 11 bilhões de yuan acima do nível de 2025 ^[3]. Quando a empresa anunciou esse número em março, as ações caíram até 14% em um único dia em Hong Kong ^[3]. Investidores não estão questionando se a Kuaishou sabe construir IA. Estão questionando quando essa IA começa a pagar a própria conta.

Existe uma nuance importante nesse caso, e quem só lê a manchete perde ela. O Kling AI, braço de geração de vídeo da Kuaishou, não é um projeto falido. Pelo contrário: a receita do Kling superou 650 milhões de yuan em um único trimestre, crescendo mais de 300% ao ano ^[2][10]. A empresa inclusive promoveu o spinoff da unidade, que captou 2 bilhões de dólares em capital de risco com avaliação na casa dos 18 bilhões ^[4]. Ou seja: a produto funciona, vende e escala. O problema é que o custo de construir, rodar e distribuir tudo isso cresce em ritmo mais acelerado que a receita, e ainda por cima canibaliza margem de outras linhas, como o live streaming, que caiu 13,5% no trimestre ^[2].

Um negócio de IA de sucesso pode ser, ao mesmo tempo, um negócio que destrói margem por três anos seguidos. Essas duas coisas convivem sem contradição, e confundir crescimento de adoção com retorno financeiro é o erro de leitura mais caro dessa década.

- Gabriel Krüger, Arquiteto de Operações com IA

O Kwai não é exceção, é o primeiro sintoma de escala

Se isso acontecesse só com uma empresa chinesa de vídeos curtos, seria uma nota de rodapé. Mas o Bloomberg apontou há poucos dias que Alibaba, Baidu e a própria Kuaishou são as próximas grandes techs que terão de enfrentar publicamente a pergunta sobre os custos crescentes de manter a competição em IA ^[5]. No plano macro, gestores de fundos já calculam que a onda de capex de IA próxima de 1 trilhão de dólares vai expandir a emissão de títulos de dívida das big techs, porque poucas empresas conseguem bancar isso com caixa gerado ^[6]. Do outro lado da mesa, otimistas existem: estrategistas do JPMorgan subiram a meta do S&P 500 citando justamente o payoff do capex de IA sobre os lucros corporativos ^[7]. O mercado está literalmente dividido entre quem vê o gasto como investimento e quem vê como funeral de margem. E para o lado de quem compra a tecnologia, o quadro é mais duro ainda. O estudo do MIT NANDA, que virou a referência do tema, analisou 300 deployments públicos de IA, entrevistou 52 executivos e ouviu 153 líderes: 95% dos pilotos de IA generativa corporativa não entregaram impacto mensurável no lucro ^[8]. Apenas 2 dos 9 setores analisados (tecnologia e mídia) mostraram transformação de negócio real com GenAI ^[8]. A pesquisa ainda constata que 42% das empresas abandonaram a maioria de suas iniciativas de IA ^[9]. E o dado mais acionável de todos: ferramentas construídas por fornecedores externos especializados tinham o dobro de taxa de sucesso de builds internos, e as melhores margens estão em operações e finanças, não em vendas e marketing, que é onde a maioria das empresas concentrou o orçamento ^[8][9].

Os números que resumem o momento da conta da IA:

• 35%: crescimento dos gastos com IA da Kuaishou que derrubaram o lucro em cerca de um terço, a maior queda em cinco anos [1]
• 26 bilhões de yuan: capex previsto da empresa para 2026, cerca de 11 bilhões acima do ano anterior [3]
• 95%: parcela dos pilotos corporativos de IA generativa sem impacto mensurável no resultado, segundo o MIT [8]
• 42%: proporção de empresas que abandonaram a maioria de suas iniciativas de IA [9]
• 2x: vantagem de sucesso de ferramentas de fornecedores especializados sobre projetos construídos internamente [8]

Por que projeto de IA não dá lucro (e o que os 5% fazem)

A raiz do desperdício raramente é o modelo. É o encaixe no processo. O estudo do MIT mostra que os sobreviventes não são copilotos genéricos nem pilotos isolados: são soluções específicas de domínio, integradas a fluxos de trabalho reais, quase sempre no back office (finanças, compliance, operação), construídas com quem entende o processo de ponta a ponta ^[8][9]. Faz todo sentido mecânico: IA não substitui processo, ela amplifica o que já existe. Se o processo que existe é um piloto isolado, desconectado de onde o dinheiro entra e sai, a amplificação é de teatro, não de resultado. A empresa ganha uma demo bonita para a diretoria e uma fatura mensal para o financeiro. Traduzindo para a escala de quem lê esta newsletter (operação própria, pequeno time, orçamento limitado): a versão doméstica do problema da Kuaishou é a pilha de assinaturas de IA que acumulou desde 2023. ChatGPT, Claude, Gemini, Midjourney, ferramenta de vídeo, ferramenta de áudio, agente de automação, cada uma com plano mensal. A maioria foi assinada no impulso do medo de ficar para trás, nunca passou por nenhuma medição de retorno, e continua debitando todo mês exatamente porque ninguém nunca parou para perguntar: essa ferramenta me devolve o que, em horas ou em receita? A jogada prática que propus no grupo hoje é deliberadamente rude, porque auditoria de custo só funciona quando o critério é brutalmente simples: liste todas as suas IAs ativas e corte as que não economizam pelo menos uma hora de trabalho por semana. Uma hora é o piso, não o teto. Ferramenta que não devolve nem isso é um passivo disfarçado de ativo, e a diferença entre os dois é só a existência de uma medição honesta. O exercício inteiro cabe em uma tarde de sexta-feira e tende a liberar entre uma e três assinaturas por operação, que é dinheiro que volta direto para a margem sem nenhuma perda de capacidade.

Checklist da auditoria de assinaturas de IA:

• Abra o extrato dos últimos 90 dias e liste todo débito recorrente de ferramenta de IA, incluindo os esquecidos dentro de planos bundle.
• Para cada uma, anote a última vez que você usou de fato (não abriu, usou para entregar algo).
• Pergunte: essa ferramenta economiza pelo menos 1 hora por semana, ou gera receita rastreável? Não se trata de impressão, se trata de número.
• Corte sem pena o que não passa no teste. Mantenha o que passa e anote o ganho, para reauditar em 90 dias.
• Antes de assinar a próxima novidade, aplique o mesmo teste por 14 dias na versão gratuita ou mais barata.

O que a Kuaishou e o estudo do MIT contam juntos é o fim de uma fase do mercado: a fase em que gastar com IA era, por si só, uma estratégia defensiva válida. A próxima fase pertence a quem trata IA como qualquer outro investimento de capital, com critério de retorno, prazo de validade e coragem de cortar o que não performa. A diferença entre os dois perfis não está no modelo que cada um usa. Está na disciplina de medir. E medir, como qualquer auditoria, doeu para chegar até aqui, mas custa muito mais caro continuar sem.