A inteligência artificial consolidou-se, em poucos anos, como o principal eixo de transformação da economia contemporânea. Mais do que um setor específico, ela opera como uma tecnologia de uso geral, capaz de reorganizar processos produtivos, reduzir custos marginais e acelerar a inovação em praticamente todas as atividades — da indústria à logística, dos serviços à pesquisa científica. Nesse contexto, a inteligência deixa de ser apenas um atributo humano ou organizacional e passa a funcionar como um verdadeiro fator de produção, comparável, em alcance sistêmico, à energia ou à computação em momentos anteriores da história econômica.

Essa transformação, no entanto, repousa sobre uma base material frequentemente subestimada. A produção de inteligência artificial depende de infraestrutura computacional intensiva, ancorada em hardware de alto desempenho, particularmente GPUs. São esses sistemas que viabilizam os ciclos iterativos de treinamento, ajuste e aplicação que definem a dinâmica da IA moderna. Em outras palavras, a inteligência, enquanto fator produtivo, tem um custo — e esse custo é, em grande medida, o custo da computação.

Quando esse custo é estruturalmente elevado, como ocorre no Brasil, as implicações vão muito além do encarecimento de equipamentos tecnológicos. Trata-se de uma distorção no preço do próprio fator “inteligência”. Ao elevar o custo de aquisição de hardware, o sistema encarece a implantação de datacenters, aumenta o preço da computação como serviço e reduz a intensidade com que a IA pode ser utilizada ao longo da economia. O efeito não é apenas quantitativo, mas dinâmico: menos experimentação, menos iteração, menos aprendizado acumulado.

A estrutura tributária brasileira aplicada a hardware computacional — composta por imposto de importação, IPI, PIS/COFINS e ICMS em regime cumulativo — produz um diferencial de preços que se observa de forma concreta no mercado de GPUs, hoje o principal insumo da inteligência artificial. Placas da geração Ada Lovelace, como a RTX 4060, foram lançadas com preço sugerido internacional de US$ 299 e chegaram ao mercado brasileiro com preço oficial em torno de R$ 2.399, enquanto modelos de alto desempenho como a RTX 4090, lançados a US$ 1.599, são comumente ofertados no Brasil em patamares que variam de aproximadamente R$ 14.000 a R$ 20.000 em varejistas especializados. No segmento profissional, diretamente voltado à infraestrutura de IA, placas como a NVIDIA RTX 6000 Ada Generation — cujo preço internacional situa-se na faixa de US$ 6.800 a US$ 10.000 — podem atingir valores superiores a R$ 70.000 no mercado brasileiro, dependendo da configuração e do canal de aquisição.

Esse padrão se mantém ao longo das gerações — incluindo a série 50 — e evidencia um descolamento consistente entre preços domésticos e internacionais, que em casos extremos se aproxima ou ultrapassa um fator de três vezes. A consequência é que o custo da computação de alto desempenho, em vez de refletir predominantemente seu conteúdo tecnológico, passa a incorporar uma distorção estrutural que incide diretamente sobre a base material da inteligência artificial.

Essa dinâmica é particularmente crítica porque a inteligência artificial é, por natureza, um processo iterativo. Sua eficácia depende da capacidade de testar, errar, ajustar e escalar em ciclos rápidos. Quando cada tentativa se torna mais cara, a taxa de aprendizado desacelera. E, em um ambiente global competitivo, onde a vantagem se acumula precisamente pela velocidade de aprendizado, pequenas diferenças de custo tendem a produzir grandes divergências de resultado ao longo do tempo.

O impacto se estende à própria estrutura da provisão de serviços digitais. Datacenters localizados em ambientes de alto custo enfrentam uma dupla restrição: ou repassam os preços aos usuários, reduzindo a competitividade doméstica, ou perdem demanda para provedores internacionais, mais eficientes. Em ambos os casos, o resultado converge para o mesmo ponto: encarece-se o acesso à computação avançada e limita-se a difusão da inteligência artificial como infraestrutura econômica.

Surge, então, uma consequência menos visível, mas mais profunda: a centralização global da capacidade computacional. À medida que operar infraestrutura de IA se torna relativamente mais barato em algumas jurisdições, a produção de inteligência tende a se concentrar nesses polos. Economias onde o custo de acesso é mais elevado não deixam de utilizar IA, mas passam a fazê-lo de maneira dependente — consumindo serviços externos, com menor autonomia sobre os sistemas que estruturam sua própria atividade produtiva.

É nesse ponto que o debate sobre soberania tecnológica assume uma nova dimensão. Não se trata apenas de formar talentos ou desenvolver algoritmos, mas de garantir condições materiais para operar, iterar e escalar sistemas de inteligência em bases competitivas. A soberania, nesse contexto, não é definida pelo acesso formal à tecnologia, mas pela capacidade efetiva de utilizá-la intensivamente.

A implicação final é clara: em uma economia orientada pela inteligência artificial, a tributação incidente sobre hardware computacional deixa de ser um tema setorial e passa a funcionar, na prática, como um imposto sobre o próprio processo de inovação. Ao encarecer o principal insumo da infraestrutura de inteligência, o sistema limita sua difusão, reduz a velocidade de aprendizado e comprime a competitividade de todos os segmentos de atividade.

Não se trata de uma exclusão absoluta, mas de uma desvantagem acumulativa. O país não perde acesso à inteligência artificial — perde a capacidade de competir no seu uso intensivo. E, em um mundo onde a intensidade de uso da inteligência define a fronteira da produtividade e da inovação, essa diferença tende a se ampliar com o tempo.

Em última instância, a questão não é se a inteligência artificial estará presente na economia, mas em que condições ela será utilizada. E essas condições são, antes de tudo, materiais.