A corrida pela Inteligência Artificial entrou em uma nova fase.
Durante os últimos anos, empresas como OpenAI, Anthropic e Google investiram bilhões de dólares no desenvolvimento dos chamados modelos de fronteira: sistemas de IA extremamente avançados, normalmente disponibilizados por meio de APIs e serviços proprietários.
Porém, uma mudança importante está acontecendo.
Modelos de pesos abertos, especialmente desenvolvidos por empresas chinesas, estão reduzindo rapidamente a distância em relação aos modelos proprietários mais avançados do mercado.
De acordo com uma análise da Mozilla divulgada em setembro de 2026 e apresentada pela Ars Technica, a diferença de capacidade entre os melhores modelos fechados e os melhores modelos de pesos abertos caiu para aproximadamente 4,4 meses.
Ao mesmo tempo, a diferença de custo pode ser muito maior.
Esse cenário começa a mudar a forma como empresas precisam pensar sobre Inteligência Artificial: em vez de simplesmente escolher o modelo considerado "mais poderoso", passa a ser necessário avaliar qual modelo oferece o melhor equilíbrio entre capacidade, custo e finalidade.
O que são modelos de pesos abertos?
Antes de entender essa mudança, é importante diferenciar dois conceitos.
Um modelo de IA proprietário normalmente é disponibilizado como um serviço.
O usuário envia uma solicitação para a infraestrutura da empresa responsável pelo modelo e recebe uma resposta.
Já um modelo com pesos abertos (open weights) disponibiliza os principais componentes treinados do modelo para download.
Isso permite que desenvolvedores e empresas possam executar o modelo em sua própria infraestrutura ou escolher onde hospedá-lo.
Essa diferença pode ter consequências importantes.
Uma empresa pode, por exemplo, utilizar um modelo de pesos abertos sem depender exclusivamente de um único fornecedor de IA.
Porém, é importante destacar que open weights não significa necessariamente open source completo.
Em muitos casos, os pesos estão disponíveis, mas informações importantes como dados utilizados no treinamento, pipeline de dados e código de treinamento permanecem fechados.
A distância entre os modelos está diminuindo
Um dos principais pontos apresentados pela análise da Mozilla é justamente a redução da diferença de desempenho entre modelos proprietários e modelos de pesos abertos.
Um exemplo citado é o Kimi K3, da Moonshot AI.
Segundo os dados apresentados no relatório, o modelo alcançou uma pontuação composta no Artificial Analysis Intelligence Index apenas três pontos abaixo do modelo proprietário Fable 5, da Anthropic.
A diferença fica ainda mais interessante quando observamos o custo.
O Kimi K3 teria um custo equivalente a aproximadamente 30% do custo do modelo proprietário utilizado na comparação.
Isso significa que, em determinados cenários, uma empresa pode obter desempenho próximo gastando significativamente menos.
O caso do GLM 5.2
Outro exemplo importante apresentado na análise é o GLM 5.2, desenvolvido pela empresa chinesa Z.ai, anteriormente conhecida como Zhipu AI.
O modelo foi avaliado pela Vals AI utilizando um mesmo ambiente de execução para diferentes modelos.
Esse detalhe é importante porque comparações entre modelos podem ser influenciadas pelo software utilizado para executá-los.
No teste Terminal-Bench 2.1, utilizando um ambiente considerado neutro pela Vals AI, o GLM 5.2 ficou a aproximadamente um ponto dos modelos Claude Opus 4.7 e 4.8 da Anthropic.
Entretanto, o custo por tarefa do modelo aberto ficou em aproximadamente um quinto do custo dos modelos proprietários comparados.
Isso representa uma diferença significativa para empresas que precisam executar milhares ou milhões de tarefas utilizando Inteligência Artificial.
O que significa uma vantagem de quatro meses?
Esse talvez seja um dos dados mais interessantes da análise.
A Mozilla utiliza uma métrica conhecida como time horizon, baseada em pesquisas da METR.
A ideia é medir a duração das tarefas que um modelo consegue executar com uma taxa de sucesso considerada confiável.
Segundo os dados apresentados, o melhor modelo fechado consegue atualmente realizar uma tarefa aproximadamente 1,7 vez mais longa do que a tarefa mais longa que o melhor modelo aberto consegue executar de forma confiável.
Um exemplo utilizado pela Mozilla ajuda a visualizar essa diferença.
Se um modelo aberto consegue realizar de maneira confiável uma tarefa que levaria aproximadamente sete horas para um profissional humano, um modelo fechado poderia alcançar algo próximo de 12 horas.
Porém, essa diferença também estaria diminuindo.
A projeção apresentada no relatório indica que, alguns meses depois, o modelo aberto poderia alcançar o nível que anteriormente exigia um modelo fechado.
Isso ajuda a explicar a ideia de que pagar por um modelo proprietário pode representar aproximadamente quatro meses de vantagem tecnológica, dependendo do tipo de tarefa.
Nem toda tarefa precisa do modelo mais caro
Um dos pontos mais importantes da análise é justamente este:
nem toda tarefa precisa utilizar o modelo mais avançado disponível.
Segundo a Mozilla, modelos proprietários de fronteira ainda apresentam vantagens principalmente em determinadas categorias de trabalho, como:
- Trabalho profissional especializado
- Recuperação intensiva de informações
- Contextos muito longos
- Fluxos de trabalho complexos
- Tarefas que exigem maior capacidade de raciocínio
Por outro lado, tarefas rotineiras podem ser executadas por modelos mais baratos.
Isso muda completamente a estratégia de utilização de IA dentro de uma empresa.
Um exemplo: utilizar diferentes modelos para diferentes tarefas
A empresa DoorDash é citada na reportagem como exemplo dessa estratégia.
Segundo a matéria, a empresa utiliza o Kimi para tarefas rotineiras e reserva modelos mais avançados para trabalhos considerados mais difíceis.
Essa abordagem demonstra uma mudança importante.
A pergunta deixa de ser:
"Qual é o melhor modelo de IA?"
E passa a ser:
"Qual modelo é suficiente para esta tarefa?"
Essa mudança pode representar uma economia significativa para empresas que utilizam IA em larga escala.
O modelo não é tudo
Outro ponto importante é que o desempenho de um sistema de IA não depende exclusivamente do modelo.
Existe toda uma camada de infraestrutura ao redor dele.
Podemos imaginar uma aplicação moderna de IA da seguinte maneira:
Aplicação
|
v
API / Gateway
|
v
Orquestração
|
v
Modelo de IA
|
+---- Ferramentas
|
+---- Banco de dados
|
+---- Arquivos
|
+---- Sistemas externos
Essa infraestrutura pode determinar o que o modelo consegue fazer na prática.
Uma aplicação pode utilizar um excelente modelo, mas ainda assim apresentar resultados ruins se não possuir uma boa estratégia para:
- Gerenciar contexto
- Executar ferramentas
- Armazenar informações
- Buscar dados
- Executar código
- Controlar custos
- Monitorar resultados
- Aplicar regras de segurança
Por isso, comparar apenas os benchmarks dos modelos não conta toda a história.
O papel dos agentes de IA
A situação fica ainda mais interessante quando entramos no conceito de agentes de IA.
Um agente não precisa apenas responder perguntas.
Ele pode:
- Receber uma tarefa
- Planejar etapas
- Utilizar ferramentas
- Consultar informações
- Executar código
- Avaliar resultados
- Continuar trabalhando até concluir a tarefa
Nesse cenário, a capacidade do modelo é apenas uma parte da solução.
A qualidade das ferramentas e do ambiente utilizado pelo agente também pode influenciar diretamente o resultado.
A própria reportagem destaca que modelos fechados frequentemente são acompanhados de sistemas próprios de ferramentas e memória, chamados de harnesses, que podem melhorar seu desempenho em determinadas tarefas.
O crescimento dos modelos de pesos abertos
A popularidade dos modelos de pesos abertos também aparece nos dados do OpenRouter, uma plataforma que permite acessar diferentes modelos de IA.
Segundo o relatório da Mozilla, oito dos dez modelos com maior volume de tokens em agosto de 2026 disponibilizavam seus pesos.
Isso demonstra que modelos de pesos abertos estão ganhando espaço entre desenvolvedores.
Porém, existe uma diferença importante entre utilização e receita.
Um estudo da Linux Foundation citado pela reportagem, utilizando dados de maio a setembro de 2025, indicava que modelos abertos representavam aproximadamente 4% da receita analisada, enquanto modelos fechados concentravam aproximadamente 96%.
A própria Mozilla ressalta que esses números são anteriores ao crescimento mais recente dos modelos abertos e, portanto, podem não representar o cenário atual.
A concentração dos modelos abertos na China
Existe ainda uma questão estratégica importante.
Segundo a Mozilla, uma grande parte dos modelos de pesos abertos mais avançados atualmente vem de empresas chinesas.
Entre os nomes presentes nesse ecossistema estão:
- Moonshot AI
- Z.ai
- DeepSeek
- Alibaba
- Qwen
Isso cria uma situação interessante.
De um lado, empresas dos Estados Unidos continuam tendo forte presença entre os modelos proprietários de fronteira.
Do outro, empresas chinesas possuem uma presença crescente no desenvolvimento de modelos cujos pesos podem ser disponibilizados para terceiros.
A preocupação apresentada pela Mozilla não está necessariamente relacionada ao fato de os modelos serem chineses, mas à concentração tecnológica.
Se uma grande parte dos modelos abertos utilizados mundialmente vier de um único país, existe o risco de criar uma nova forma de dependência tecnológica.
Open weights não significa necessariamente open source
Esse é um detalhe importante para entender o cenário atual.
É comum encontrar na internet a expressão "modelo open source" sendo utilizada para qualquer modelo que possa ser baixado.
Tecnicamente, isso pode ser uma simplificação.
Um projeto completamente aberto pode disponibilizar diferentes componentes necessários para compreender, reproduzir ou modificar o sistema.
Já um modelo de pesos abertos pode disponibilizar principalmente os parâmetros treinados.
Uma analogia simples seria pensar em uma receita de bolo.
Um modelo completamente aberto seria mais próximo de receber:
- A receita
- Os ingredientes
- O processo de preparação
- As ferramentas utilizadas
- Os testes realizados
Um modelo de pesos abertos pode ser mais parecido com receber o bolo pronto e algumas informações sobre como ele foi produzido.
Você pode utilizá-lo e, dependendo da licença, modificá-lo ou executá-lo localmente.
Mas não necessariamente consegue reproduzir todo o processo original.
Por que isso importa para desenvolvedores?
Para quem trabalha com desenvolvimento de software, essa mudança pode ser extremamente relevante.
Até pouco tempo atrás, desenvolver com IA significava principalmente consumir uma API de uma empresa.
Hoje existem cada vez mais possibilidades.
Um desenvolvedor pode:
- Utilizar uma API proprietária
- Executar um modelo localmente
- Hospedar um modelo em sua própria infraestrutura
- Utilizar uma plataforma intermediária
- Alternar entre diferentes modelos
- Criar sistemas híbridos
Isso cria uma nova habilidade profissional:
saber escolher e integrar modelos de IA de acordo com o problema.
A IA está se tornando uma commodity?
Essa pode ser uma das consequências mais importantes dessa evolução.
Quando diferentes empresas conseguem oferecer modelos capazes de realizar tarefas semelhantes, o modelo individual começa a se tornar menos exclusivo.
Isso pode pressionar:
- Preços
- Margens
- Estratégias de diferenciação
- Modelos de negócio
- Investimentos em infraestrutura
Se uma empresa consegue trocar um modelo caro por outro significativamente mais barato sem perder qualidade suficiente para seu caso de uso, o poder de negociação muda.
O modelo deixa de ser o único diferencial.
A infraestrutura, os dados, as ferramentas, as integrações e a experiência do usuário passam a ter ainda mais importância.
O verdadeiro diferencial pode estar ao redor da IA
Uma consequência interessante é que empresas podem começar a competir não apenas pelo modelo, mas pelo ecossistema construído ao redor dele.
Imagine duas empresas utilizando modelos de capacidade semelhante.
A primeira oferece apenas uma API.
A segunda oferece:
- API
- Busca na web
- Execução de código
- Memória
- Ferramentas
- Integrações
- Monitoramento
- Controle de custos
- Segurança
- Agentes
- Ambiente de desenvolvimento
Para o desenvolvedor, a segunda solução pode ser muito mais interessante.
Isso mostra que a corrida da IA não está acontecendo apenas no treinamento dos modelos.
Ela também está acontecendo na infraestrutura construída ao redor deles.
O que essa mudança significa para o futuro?
A evolução apresentada pela Mozilla e pela Ars Technica aponta para um mercado cada vez mais competitivo.
É possível imaginar um futuro no qual empresas utilizem diferentes modelos dependendo da tarefa.
Por exemplo:
+-- Modelo local
|
+-- Modelo econômico
|
Usuário --> Sistema +-- Modelo especializado
|
+-- Modelo proprietário
|
+-- Modelo de raciocínio avançado
O sistema poderia escolher automaticamente a opção mais adequada considerando:
- Qualidade
- Custo
- Velocidade
- Privacidade
- Complexidade
- Segurança
- Disponibilidade
Nesse cenário, saber trabalhar com apenas um modelo pode não ser suficiente.
O profissional precisará compreender o ecossistema como um todo.
O que os desenvolvedores deveriam aprender?
Essa evolução reforça a importância de aprender mais do que simplesmente utilizar uma interface de chatbot.
Para quem trabalha com desenvolvimento de software, alguns conhecimentos tendem a ganhar importância:
APIs de Inteligência Artificial
Aprender a integrar aplicações com diferentes modelos.
Engenharia de Prompt
Saber estruturar instruções eficientes e confiáveis.
RAG
Aprender a conectar modelos de IA a bases de conhecimento externas.
Agentes
Entender sistemas capazes de utilizar ferramentas e executar múltiplas etapas.
LLMs locais
Aprender a executar modelos de pesos abertos utilizando ferramentas como Ollama, vLLM e outras soluções.
Avaliação de modelos
Aprender a comparar modelos de acordo com tarefas reais, e não apenas rankings.
Controle de custos
Entender tokens, latência, infraestrutura e custo por tarefa.
Segurança
Compreender riscos relacionados a dados, prompts, ferramentas e agentes.
Uma nova mentalidade para trabalhar com IA
Talvez a principal lição dessa mudança seja abandonar a ideia de que existe um único "melhor modelo".
Um modelo pode ser excelente para programação e não ser a melhor opção para outra tarefa.
Outro pode ser extremamente barato e suficiente para grande parte das necessidades de uma empresa.
Outro pode ser escolhido porque pode ser executado localmente e permite maior controle sobre os dados.
Portanto, a pergunta mais importante não deveria ser:
"Qual é o melhor modelo de IA?"
Mas sim:
"Qual modelo oferece o melhor equilíbrio entre capacidade, custo, velocidade, segurança e controle para esta tarefa?"
Conclusão
A evolução dos modelos de pesos abertos está mudando rapidamente o cenário da Inteligência Artificial.
A distância entre os melhores modelos abertos e os modelos proprietários de fronteira está diminuindo, enquanto a diferença de preço pode continuar sendo significativa.
Isso não significa que os modelos proprietários deixaram de ser importantes.
Eles ainda oferecem vantagens em determinadas tarefas e, principalmente, em infraestrutura, ferramentas, suporte e ambientes empresariais.
Por outro lado, modelos de pesos abertos oferecem novas possibilidades de controle, personalização e redução de custos.
Para desenvolvedores e empresas, o cenário que se desenha é menos parecido com uma disputa em que existe apenas um vencedor e mais parecido com um grande ecossistema de modelos especializados.
A habilidade mais importante pode deixar de ser simplesmente "saber usar IA" e passar a ser "saber escolher, integrar, avaliar e operar diferentes modelos de IA de acordo com cada problema".
E essa é uma das mudanças que tornam o desenvolvimento de software com Inteligência Artificial uma das áreas mais interessantes para acompanhar nos próximos anos.