Uma nova pesquisa VentureBeat Pulse Research aponta para um descompasso crescente na IA empresarial: as organizações estão ampliando as ambições de infraestrutura e considerando mudanças de fornecedores, embora muitas ainda não tenham visibilidade básica sobre quanto realmente custa sua computação de IA existente.

A pesquisa, com base em 107 respondentes de organizações com mais de 100 funcionários em uma única onda de junho de 2026, descobriu que apenas 21% dizem executar IA em produção em escala. No entanto, segundo a cobertura da VentureBeat, 45% planejam avaliar nuvens especializadas em IA no próximo ano, 64% pretendem trocar ou adicionar um provedor de infraestrutura nos próximos 12 meses, e 38% dizem que isso pode acontecer no próximo trimestre. Ao mesmo tempo, 83% dos respondentes que operam GPUs relataram utilização de 50% ou menos, e apenas 44% disseram acompanhar rigorosamente o custo e o retorno de sua computação de IA.

Essa combinação importa porque sugere que a próxima fase da IA empresarial pode ser moldada menos pela demanda bruta por mais hardware e mais pela fraca instrumentação de custos, práticas de implantação imaturas e decisões de aquisição apressadas. Para construtores e compradores corporativos, a manchete não é simplesmente que os orçamentos de IA estão subindo. É que os gastos parecem estar avançando à frente da disciplina operacional.

Um mercado ainda inicial em implantação já se prepara para mudar de plataforma

Uma das mensagens mais claras da pesquisa é que muitas empresas ainda estão no início de sua implantação de IA. A VentureBeat disse que 76% dos respondentes ainda estão experimentando ou têm apenas algumas cargas de trabalho em produção. Isso torna a atual reorganização de infraestrutura notável: as organizações não estão trocando de fornecedor a partir de uma posição de experiência operacional madura e estável. Muitas ainda estão construindo as bases.

O uso atual continua concentrado em provedores estabelecidos. A VentureBeat informou que a Google Cloud lidera o uso atual de infraestrutura de IA com 48%, enquanto outras grandes plataformas, incluindo Microsoft, AWS e Oracle, além de APIs de provedores de modelos como Gemini, OpenAI e Anthropic, compõem a maior parte da pilha atual. Em contraste, provedores especializados de nuvem GPU que atraem muita atenção nos círculos de infraestrutura de IA, incluindo CoreWeave, Lambda, Crusoe e Nebius, registraram pouco ou nenhum uso atual nesta amostra.

Mas a avaliação planejada parece bem diferente da implantação atual. A área mais citada para revisão no próximo ano foram as nuvens especializadas em IA, com 45%, segundo a pesquisa. A VentureBeat também informou que 32% pretendem avaliar aceleradores não Nvidia e 28% planejam avaliar silício Nvidia de próxima geração. Em outras palavras, o próximo ciclo de gastos pode não aprofundar o status quo tanto quanto testar alternativas a ele.

Essa é uma distinção importante para equipes de IA corporativa. Uma empresa pode estar fortemente comprometida com IA em nuvem hoje e ainda usar o próximo ciclo orçamentário para investigar novas camadas de infraestrutura, novos tipos de aceleradores e diferentes estruturas de custo para treinamento e inferência.

Compradores se importam mais com adequação e TCO do que com o preço unitário dos tokens

Os sinais de compras da pesquisa são provavelmente mais úteis do que seus instantâneos de participação de mercado. Segundo a VentureBeat, os respondentes disseram que a integração com a pilha existente foi o principal fator na escolha de um provedor de infraestrutura de IA, citado por 41%, seguido do custo total de propriedade, com 35%. O custo por milhão de tokens ficou bem abaixo, em apenas 8%.

Esse achado vai contra o enquadramento popular da competição em infraestrutura de IA como uma corrida para publicar o preço unitário mais barato. Os compradores corporativos, pelo menos nesta amostra, parecem se importar mais se a nova infraestrutura se encaixa em sistemas de identidade, pipelines de dados, ferramentas de observabilidade, controles de governança e contratos existentes do que com uma tarifa de tokens chamativa.

O resultado também ajuda a explicar por que, segundo relatos, Microsoft Azure e Google Cloud lideram a consideração de troca no curto prazo com 33% cada, seguidos por OpenAI com 30% e Gemini com 22%. A VentureBeat interpreta isso como evidência de que boa parte do movimento de curto prazo pode envolver provedores incumbentes trocando participação ou consolidando gastos de clientes, em vez de uma migração rápida para novos fornecedores especializados.

Para equipes de produto, isso significa que o mérito técnico por si só pode não ganhar orçamento. Provedores que conseguem simplificar a migração, unificar a cobrança, melhorar a governança ou facilitar a aquisição corporativa podem ter mais alavancagem do que fornecedores focados estritamente em preços de benchmark.

As evidências apontam para um problema de responsabilidade, não apenas de capacidade

A estatística mais forte do relatório talvez seja a de utilização. A VentureBeat disse que, entre as empresas operando GPUs, 83% relataram utilização de 50% ou menos, e 49% disseram que a utilização era de 25% ou menos. Outros 8% disseram que não medem a utilização de forma alguma.

Se esses números estiverem corretos, sugerem que uma grande quantidade de capacidade cara está ociosa. Isso não é necessariamente surpreendente em programas de IA em estágio inicial, nos quais as equipes muitas vezes superprovisionam para experimentar, compram capacidade antes da implantação ou não têm escalonadores de carga de trabalho sofisticados o suficiente para manter os sistemas ocupados. Mas isso mina a ideia de que mais GPUs, por si só, sejam a resposta imediata para a maioria dos gargalos de IA empresarial.

O lado contábil parece igualmente fraco. Menos da metade dos respondentes, 44%, disse acompanhar rigorosamente o custo e o retorno da computação, segundo a VentureBeat. Outros disseram acompanhar apenas parcialmente, ainda não conseguir quantificar ou não ter priorizado isso.

Juntos, esses achados sustentam a tese central do artigo de uma “lacuna de computação”: as empresas estão tomando decisões de infraestrutura mais rápidas e maiores do que seus sistemas de medição conseguem justificar. Em termos práticos, isso pode significar equipes aprovando instâncias reservadas, clusters de GPU, compromissos com APIs de modelos ou novas parcerias em nuvem sem economias unitárias claras no nível da carga de trabalho.

Para a IA empresarial, isso importa porque os problemas de custo geralmente aparecem tarde. Uma prova de conceito pode tolerar uma economia vaga; um produto de inferência em escala não pode. Se as organizações não sabem quais cargas de trabalho estão consumindo orçamento, quais modelos estão superprovisionados ou onde filas de GPU e limites de memória estão criando desperdício oculto, a próxima fase de gastos pode simplesmente tornar essas ineficiências mais difíceis de reverter.

Evidência, metodologia e o que ainda é incerto

Esta é uma pesquisa útil, mas deve ser lida com cautela. A própria VentureBeat observa que os dados vêm de uma única onda do 2º trimestre de 2026, com 107 respondentes qualificados, e devem ser tratados como um sinal direcional, não como uma medição precisa do mercado. A amostra é autoselecionada, tende a organizações de médio porte e favorece adotantes de IA em estágio mais inicial, em vez dos maiores operadores hyperscale.

Essa ressalva importa por várias razões. Primeiro, o uso atual de provedores nesta pesquisa não é o mesmo que a participação global dos gastos com IA empresarial. Segundo, intenções de troca relatadas costumam ser mais ruidosas do que o comportamento real de troca. Terceiro, as respostas sobre utilização e acompanhamento de custos são autorrelatadas, não auditadas de forma independente.

Algumas das afirmações mais voltadas ao futuro também são atitudes baseadas em pesquisa, não resultados de mercado observados. O interesse em nuvens especializadas em IA, aceleradores não Nvidia e computação descentralizada ou soberana reflete planos de avaliação, não compras comprometidas. Da mesma forma, a preocupação com largura de banda de memória e restrições de KV-cache em inferência é real em implantações avançadas, mas o achado da VentureBeat de que cerca de um em cada cinco respondentes desconhece o problema diz mais sobre a maturidade do comprador do que sobre quando esse gargalo se tornará urgente para uma empresa específica.

Mesmo com essas ressalvas, a lógica interna da pesquisa é coerente: os adotantes em estágio inicial ainda estão construindo, estão insatisfeitos o suficiente para avaliar alternativas, e muitos ainda não têm os controles de custo necessários para julgar bem essas alternativas.

O que isso significa para construtores e equipes de IA empresarial

Para fornecedores de infraestrutura, a mensagem é clara: a venda corporativa está cada vez mais relacionada à visibilidade operacional, não apenas ao acesso a aceleradores. Provedores capazes de mostrar forte atribuição de custos, relatórios de utilização, controles de política e orquestração de cargas de trabalho podem encontrar mais tração do que aqueles que vendem apenas capacidade bruta.

Para as empresas, a prioridade talvez precise mudar de comprar mais computação para medir melhor a computação atual. Isso significa chargeback no nível da carga de trabalho, políticas de roteamento de modelos, agendamento de GPUs, estratégias de cache e uma contabilidade mais clara entre experimentação, treinamento e inferência. Também significa comparar os custos de APIs de modelos com a economia de auto-hospedagem de uma forma que inclua mão de obra, integração, confiabilidade e sobrecarga de governança, e não apenas o preço por token.

Para os construtores de IA, especialmente os que lançam produtos em Google Cloud, Microsoft Azure, AWS ou Oracle enquanto consomem APIs da OpenAI, Anthropic ou Gemini, a pesquisa é um lembrete de que escolhas de infraestrutura não são mais decisões de bastidor. Elas afetam latência, margens, confiabilidade, conformidade e flexibilidade do roadmap do produto. Se finanças e engenharia não conseguem enxergar essas compensações em conjunto, as decisões de arquitetura serão guiadas pela urgência de compras e não por evidências.

O que observar a seguir

O próximo sinal a acompanhar é se o interesse declarado em avaliação se transforma em movimento real de cargas de trabalho em direção à CoreWeave, Lambda, Crusoe, Nebius ou outras nuvens especializadas em IA. Um segundo indicador importante é se as empresas adotam ferramentas mais formais de observabilidade de custos de IA em vez de continuar gerenciando gastos por meio de painéis de nuvem e relatórios parciais.

Também valerá observar se a onda de trocas permanece concentrada em incumbentes como Google Cloud, Microsoft Azure, OpenAI e Gemini, ou se se amplia para uma diversificação significativa de aceleradores. Se avaliações de opções não Nvidia se converterem em implantações, isso sinalizaria uma mudança mais profunda na forma como as empresas pensam sobre desempenho, risco de fornecimento e controle de custos.

Por fim, observe as métricas operacionais. Se futuras pesquisas mostrarem aumento da utilização de GPU e mais empresas acompanhando rigorosamente a economia da computação, então o gasto excessivo de hoje pode parecer uma dor de crescimento temporária. Caso contrário, a IA empresarial pode entrar em seu próximo ciclo de expansão com os mesmos problemas de visibilidade, só que com uma conta maior.

Perspectiva da Creati.ai

A percepção mais importante desta pesquisa não é que as empresas querem mais infraestrutura de IA. Isso já era óbvio há algum tempo. O sinal mais útil é que muitos compradores agora reconhecem integração e custo total de propriedade como os verdadeiros critérios de decisão, mas ainda carecem da instrumentação para medir qualquer um deles com confiança.

Essa lacuna cria uma oportunidade em toda a pilha. Provedores de nuvem, plataformas de modelos, fornecedores de observabilidade e equipes internas de plataforma têm a chance de transformar o controle de custos de IA em um recurso do produto, e não em um pensamento tardio para a área financeira. Os vencedores podem ser as empresas que tornem a computação legível: não apenas disponível, mas atribuível, governável e fácil de comparar entre cargas de trabalho. Em IA empresarial, uma economia mais clara pode se tornar uma vantagem competitiva mais forte do que a próxima queda incremental no preço de tabela.