Tag: IA

O redesenho institucional do Estado brasileiro na virada do milênio foi acompanhado por uma atmosfera de profundo debate intelectual e um otimismo quase ingênuo quanto à capacidade das agências reguladoras de blindarem o interesse público. Foi sob o impacto daquela transição que, há 26 anos, me sentei ao lado de Dércio Santiago da Silva Jr. e da saudosa professora Anna Maria Campos, então nossa orientadora, para formular um alerta que considerávamos urgente.

Anna Maria Campos era teórica arguta com suficiente experiência na Administração Pública para ter elegido o conceito deaccountability já como tema de interesse maior, justamente pelo pouco que então dele se falava no Brasil. No artigo “Avaliação de agências reguladoras: uma agenda de desafios para a sociedade brasileira”, publicado na Revista de Administração Pública (RAP) da FGV em 2000, nossa preocupação central residia no que a literatura clássica define como o “risco de captura”. Advertíamos ali que a retirada do Estado da administração direta da infraestrutura e de serviços essenciais, se desprovida de sistemas de avaliação cruzada e transparente, fatalmente transformaria as autarquias regulatórias em reféns do poder econômico e do fisiologismo político.

Os horrores descortinados pela investigação da liquidação do Banco Master fizeram-me lembrar daquele artigo, com o amargor de constatar que os riscos que diagnosticamos há mais de 25 anos se materializaram como profecias negligenciadas, que talvez representem apenas a ponta de um iceberg de altíssimo custo social.

O terremoto provocado pela Operação Compliance Zero revelou que o verdadeiro perigo não reside apenas nas fraudes bilionárias estimadas, mas na sofisticação do modus operandi: a infiltração institucionalizada para corromper servidores de agências, órgãos de controle, do Judiciário e parlamentares, assim como fraudar relatórios de liquidez com títulos inflados. Se o Estado continuar operando na lógica analógica de fiscalização a posteriori – onde a polícia só entra em cena quando o rombo já é de dezenas de bilhões e os fundos de investimento e até de previdência já foram dilapidados —, a sociedade continuará sofrendo prejuízos irreparáveis.

Há, contudo, algumas boas razões para acreditarmos que esses problemas não sejam insolúveis. A fronteira tecnológica atual oferece uma oportunidade sem precedentes para que a parte sã do Estado inverta essa lógica de desgaste e antecipe o crime financeiro e regulatório.

O divisor de águas dessa virada estratégica atende pelo nome de Inteligência Artificial Generativa. Durante a pandemia, o mundo testemunhou o poder dos modelos de deep learning ao identificarem, em meras radiografias de pulmão, os indícios microscópicos da infecção por Covid-19 — padrões, opacidades e anomalias de textura tão sutis que escapavam completamente ao olho de qualquer médico humano altamente treinado. A IA não substituiu o médico; ela ampliou sua visão para dimensões antes invisíveis. Transportada para o ambiente regulatório de agências como Banco Central, CVM, Aneel, ANS, entre outras, essa mesma tecnologia confere à IA a habilidade de “peneirar” indícios de fraude, manipulação de balanços e captura institucional em tempo real, cruzando dados aparentemente desconexos que nenhuma auditoria humana seria capaz de consolidar a tempo de evitar o desastre.

Para evitar que novas fraudes de alta magnitude se consolidem nas áreas reguladas, o Estado precisa desenhar um ecossistema de auditoria algorítmica focado em três pilares preventivos:

1. Auditoria preditiva de balanços e identificação de anomalias de ativos

O caso Master demonstrou que as fraudes florescem na revalidação artificial de papéis antigos para forjar solidez patrimonial. Uma IA alimentada com o histórico de transações de mercado e registro de ativos pode rastrear, em segundos, discrepâncias severas entre o valor real de mercado de um título e o valor declarado nos balanços enviados ao regulador. O algoritmo é capaz de detectar o “estresse oculto” em uma carteira de CDBs ou Certificados de Recebíveis muito antes que a instituição financeira ou a concessionária de infraestrutura entre em rota de colisão operacional, emitindo alertas automáticos de inconsistência contábil antes que o passivo seja transferido para o mercado ou para o cidadão.

2. Mapeamento de redes de influência e captura decisória

A captura regulatória deixa rastros processuais e comportamentais. Modelos avançados de IA podem auditar o fluxo de pareceres emitidos por servidores de agências reguladoras, cruzando a velocidade de aprovação de determinados pleitos, o padrão de decisões favoráveis a certos entes regulados e até a rotatividade de ex-servidores que migram para consultorias privadas (as famosas “portas giratórias”). Assim como na radiografia pulmonar, a IA identifica a “mancha” da anomalia no comportamento administrativo: se um parecer técnico desvia do padrão histórico da própria agência para favorecer uma engenharia societária agressiva, o sistema trava o trâmite e exige dupla checagem externa.

3. Cruzamento dinâmico de garantias e lastros de concessões

Grandes fundos de investimento que assumem o controle de setores sensíveis como água, energia e rodovias utilizam intrincadas teias de empresas de prateleira para blindar o capital. Ao integrar as bases de dados das agências reguladoras com os cartórios de registro de imóveis, juntas comerciais e movimentações de fundos estruturados, a IA Generativa pode fazer a varredura contínua do verdadeiro lastro financeiro que garante aquela concessão pública. Se a saúde financeira da controladora real começar a se deteriorar através de pirâmides e outros mecanismos ocultos de alavancagem, ou da compra de litígios predatórios, o regulador recebe o diagnóstico preditivo, permitindo a intervenção ou a caducidade do contrato antes que o serviço essencial colapse na ponta.

A lição que o mercado e o poder público precisam extrair dos escândalos recentes é a de que o controle analógico, vulnerável e paroquial faliu. O diagnóstico que eu, Anna Maria e Dércio traçamos no ano de 2000 sobre a vulnerabilidade do Estado permanece dolorosamente atual, mas a caixa de ferramentas para virar esse jogo mudou radicalmente. O poder de processamento e a inteligência preditiva estão disponíveis. Cabe ao Estado brasileiro utilizá-los para enxergar a infecção da fraude e da captura regulatória no tecido econômico antes que ela se torne uma metástase generalizada.

Anatomia da omissão no Caso Master: os sinais que a IA teria decodificado

Para compreender como a Inteligência Artificial mudaria o paradigma da fiscalização, é preciso olhar para o retrovisor do caso do Banco Master e isolar as anomalias que orbitavam a instituição muito antes de a Polícia Federal deflagrar a Operação Compliance Zero. No ambiente regulatório analógico, esses dados pareciam ruídos dispersos; para uma arquitetura de aprendizado profundo, eles eram os sintomas claros de uma infecção em estágio avançado.

Se o Banco Central e a Comissão de Valores Mobiliários (CVM) operassem com sistemas preditivos baseados em IA generativa e redes neurais, o colapso de bilhões de reais que vitimou fundos de pensão e regimes de previdência estaduais teria sido estancado na origem por meio de três macroindícios:

 1. Opacidade radiológica dos títulos “Zumbis”

O principal mecanismo de forja de liquidez investigado consistia em adquirir títulos antigos, desvalorizados pelo mercado, e registrá-los nos balanços por valores absurdamente inflados. Esse patrimônio artificial servia de lastro para a emissão de Certificados de Depósito Bancário (CDBs) que eram agressivamente despejados em fundos de pensão de servidores públicos (RPPS).

• O olho humano: O fiscal tradicional avaliava a existência formal do título e a assinatura dos pareceres de avaliação anexados, chancelados por consultorias que, conforme se descobriu, faziam parte do ecossistema de captura.
• O diagnóstico da IA: Ao cruzar dinamicamente a série histórica de negociação daqueles papéis em todo o mercado secundário, a IA identificaria instantaneamente um desvio padrão incompatível: um ativo virtualmente morto, sem liquidez real, sofrendo uma valorização contábil vertical apenas dentro daquela instituição. O algoritmo emitiria um alerta de “Ativo Inflado sem Lastro de Mercado”, bloqueando a validação do balanço antes que esses papéis fossem utilizados para captar o dinheiro dos aposentados.

 2. Padrão de contágio nos Regimes de Previdência (RPPS)

O grupo criminoso expandia sua captação cooptando gestores de fundos de pensão municipais e estaduais para que injetassem os recursos públicos de suas autarquias em papéis emitidos pelo banco, em troca de vantagens indevidas e mimos custeados no exterior.

• O olho humano: As agências reguladoras observavam as alocações de maneira isolada. Se um fundo de previdência de uma prefeitura do interior comprava um CDB da instituição, a operação parecia legal, desde que respeitasse os limites percentuais de risco da legislação vigente.
• O diagnóstico da IA: Um modelo de inteligência de rede mapearia o fluxo de capital de forma sistêmica. A IA identificaria uma coincidência estatística impossível: dezenas de fundos de pensão, geograficamente distantes e sem nenhuma sinergia de comitê de investimento, migrando simultaneamente suas carteiras para ativos de um mesmo banco de médio porte, justamente após eventos específicos ou trâmites políticos em Brasília. O sistema acenderia a luz vermelha para o fenômeno de “Concentração Induzida por Captura”, disparando uma auditoria de conformidade em tempo real nas autarquias compradoras.

 3. Assimetria temporal entre emissão e liquidez

O fluxo financeiro fraudulento operava em um circuito fechado onde os recursos captados retornavam para simular solidez. O dinheiro que saía para financiar festas luxuosas e aportes sob suspeita reentrava no caixa sob a rubrica de novos investimentos.

• O olho humano: O balanço patrimonial trimestral exibia uma fotografia estática e saudável: o nível de depósitos e a liquidez de curto prazo atendiam aos índices exigidos pelo Banco Central (Índice de Basileia).
• O diagnóstico da IA: A IA realiza um eletrocardiograma contínuo do fluxo de caixa, processando transações na velocidade de milissegundos. Ela detectaria que o dinheiro utilizado para liquidar obrigações ou inflar depósitos de última hora vinha de triangulações societárias com empresas de fachada controladas por parentes e operadores do próprio banco (como os fluxos mensais operados pelo núcleo familiar). Ao identificar que o banco estava gerando sua própria liquidez artificial por meio de um mecanismo de autofinanciamento em curto-circuito, o algoritmo denunciaria a fraude estrutural meses antes do estouro da bolha.

O caso Master não foi um cisne negro — um evento imprevisível e inevitável. Foi um elefante branco em uma sala de espelhos administrativa. Os indícios matemáticos, contábeis e de rede estavam todos lá, impressos nas entrelinhas dos dados que o Estado recebe diariamente. A diferença entre o prejuízo bilionário e a blindagem do patrimônio público reside, fundamentalmente, na decisão de trocar a burocracia dos relatórios em PDF pela soberania da auditoria algorítmica em tempo real.

Inteligência como âncora do futuro nacional

A transição da fiscalização reativa para o monitoramento em tempo de execução não é apenas uma sofisticação metodológica; é uma urgência existencial para o desenvolvimento do Brasil. O custo da captura regulatória e das fraudes sistêmicas não se mede apenas nas cifras bilionárias subtraídas dos fundos de pensão ou no sucateamento operacional de serviços essenciais. O prejuízo mais profundo, e de mais difícil reparação, é o desalento que esse ciclo de impunidade e ineficiência projeta sobre as próximas gerações. Quando o topo do sistema econômico opera sob as regras do privilégio e do artifício financeiro, sufoca-se o capitalismo produtivo e sabota-se a meritocracia real. O jovem brasileiro, ao testemunhar a reiteração dessas dinâmicas predatórias, é empurrado para um dilema trágico: a conformidade com a mediocridade institucional ou o exílio em busca de economias de mercado mais íntegras.

É para estancar uma sangria de talentos e de capital intelectual em curso que a Inteligência Artificial deve ser convocada para ocupar lugar especial no núcleo da governança de Estado. Monitorar, passo a passo e em tempo real, a atividade regulatória significa criar uma camada imune ao suborno, à coação e ao cansaço burocrático. O disparo automatizado de alertas diante de estranhezas contábeis e riscos societários retira do fiscal da ponta o peso da solidão decisória e devolve ao investidor legítimo a previsibilidade jurídica necessária para aportar capitais de longo prazo no país.

Passados 26 anos da sugestão de estrutura de avaliação que apresentamos na RAP, a tecnologia finalmente nos oferece a chave para permitir sua implementação de maneira simples e rápida. O Brasil não pode mais se dar ao luxo de ser o país do escândalo retroativo, que chora sobre os escombros de suas poupanças públicas e privadas aniquiladas pela corrupção. A implementação da auditoria algorítmica contínua é o caminho para destravar as forças produtivas do país, assegurando que a juventude brasileira possa enxergar um horizonte de prosperidade e alegria em sua própria terra, e não apenas nas portas de embarque de um aeroporto internacional.

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.

Lisboa — O debate sobre o uso de inteligência artificial nas universidades europeias ganhou, em 2026, uma camada adicional que vai além da pedagogia: o impacto econômico. Em Portugal, onde estudantes estrangeiros — sobretudo brasileiros — se tornaram parte estrutural do sistema de ensino superior, a forma como a IA é regulada pode afetar não apenas salas de aula, mas receitas, mercados urbanos e o equilíbrio financeiro das instituições.

Em abril, o Ministério da Educação do Brasil publicou o documento “Inteligência Artificial na Educação Básica: Caminhos para o Currículo e a Prática Docente”, que orienta escolas e universidades a integrar a tecnologia como ferramenta pedagógica. A diretriz aposta na formação crítica e no uso orientado da IA, tratando-a como instrumento de ampliação da capacidade de pesquisa.

Na Europa, o avanço do EU AI Act segue outra lógica. O regulamento não proíbe o uso de IA na educação, mas impõe um sistema de classificação por risco e obrigações rigorosas de transparência. Na prática, universidades têm adotado políticas internas mais restritivas, sobretudo para evitar acusações de plágio e garantir integridade acadêmica.

Essa diferença de abordagem ocorre em um momento em que o ensino superior português depende, cada vez mais, de estudantes internacionais.

Um sistema sustentado por estrangeiros

Dados da DGEEC (Direção-Geral de Estatísticas da Educação e Ciência) indicam que Portugal ultrapassou 447 mil estudantes no ensino superior em 2025/2026. Dentro desse universo, os brasileiros representam o maior grupo estrangeiro, com cerca de 19 mil matrículas, segundo a DGES (Direção-Geral do Ensino Superior) e a AIMA (Agência para a Integração, Migrações e Asilo).

O peso desse contingente vai além da diversidade acadêmica. Ele tem impacto direto nas finanças das instituições.

Estudantes internacionais pagam propinas significativamente mais altas — em média entre 4 mil e 7 mil euros por ano. Com base nesses valores, a presença brasileira gera uma receita anual estimada em torno de 95 milhões de euros apenas em propinas.

Mas esse é apenas o primeiro nível do impacto.

A economia invisível do estudante

Fora das universidades, o efeito é ainda mais amplo. Um estudante internacional em cidades como Lisboa ou Porto gasta, em média, entre 900 e 1.500 euros por mês com habitação, alimentação, transporte e serviços.

Aplicando um valor conservador de 12 mil euros anuais por estudante, os cerca de 19 mil brasileiros injetam aproximadamente 228 milhões de euros por ano na economia local.

Somando propinas e consumo, o impacto econômico total ultrapassa 300 milhões de euros anuais, ou R$ 1,8 bilhão/ano.

Esse fluxo beneficia diretamente setores como:

• Mercado imobiliário (arrendamento estudantil)
• Restauração
• Transportes
• Telecomunicações
• Serviços financeiros

Na prática, o ensino superior tornou-se uma forma de exportação de serviços — uma indústria silenciosa, mas relevante para a economia portuguesa.

O paradoxo regulatório

É nesse contexto que a questão da inteligência artificial ganha peso econômico. Enquanto o Brasil incentiva o uso de IA como ferramenta de produtividade acadêmica, estudantes em Portugal enfrentam um ambiente mais restritivo. Reportagens de veículos de mídia lusos apontam um clima de desconfiança e medo em relação ao uso dessas ferramentas, com relatos de sanções acadêmicas associadas ao seu uso indevido.

Para estudantes brasileiros, isso cria um descompasso formativo. Ferramentas que são estimuladas em seu país de origem passam a ser vistas como risco disciplinar em universidades portuguesas.

A insegurança aumenta com o uso de sistemas de detecção de IA. Estudos conduzidos por instituições como a Stanford University e o MIT indicam que essas ferramentas apresentam falhas relevantes, incluindo falsos positivos — o que levanta dúvidas sobre seu uso como base para punições acadêmicas.

Dependência e risco

O modelo atual traz benefícios claros, mas também fragilidades. Universidades portuguesas enfrentam:

• Redução do número de estudantes nacionais
• Envelhecimento demográfico
• Necessidade de receitas próprias 

Nesse cenário, estudantes internacionais — especialmente brasileiros — deixaram de ser complementares e passaram a ser estruturais. Essa dependência cria riscos:

• Mudanças nas regras migratórias
• Aumento do custo de vida
• Percepção de hostilidade acadêmica
• Concorrência de outros países europeus

Qualquer alteração nesses fatores pode afetar diretamente a sustentabilidade financeira de cursos e instituições.

Mais do que tecnologia, uma escolha de modelo
A divergência entre Brasil e Europa no uso da inteligência artificial reflete, no fundo, duas visões de ensino. De um lado, um modelo que aposta na adaptação rápida às novas ferramentas; de outro, um sistema que prioriza controle, integridade e mitigação de riscos.

Para Portugal, a questão é particularmente sensível. O país precisa equilibrar rigor acadêmico com a manutenção de um ecossistema que depende, em parte significativa, de estudantes estrangeiros. Para os brasileiros, que investem recursos próprios em busca de formação internacional, o desafio é outro: navegar entre dois sistemas que tratam a mesma tecnologia de formas radicalmente distintas.

Fontes

Ministério da Educação do Brasil

Inteligência Artificial na Educação Básica: Caminhos para o Currículo e a Prática Docente (2026)

https://www.gov.br/mec

EU AI Act

Regulamento Europeu de Inteligência Artificial

https://eur-lex.europa.eu

DGEEC

Estatísticas do Ensino Superior 2025/2026

https://www.dgeec.mec.pt

DGES

Dados sobre estudantes internacionais

https://www.dges.gov.pt

AIMA

Estatísticas migratórias

https://aima.gov.pt

Agência Brasil

Dados do Censo da Educação Superior (2026)

https://agenciabrasil.ebc.com.br

Público; Expresso; Pplware

Reportagens sobre IA e ensino superior em Portugal (2025–2026)

Stanford University; MIT

O governo corre contra o relógio para incluir a proposta de benefícios a data centers e outras empresas de soluções digitais no marco regulatório da inteligência artificial (Projeto de Lei 2338/2023), já aprovado pelo Senado e ainda à espera de votação na Câmara. Trata-se da solução-tampão encontrada pelo Palácio do Planalto após mais um revés no Congresso. A MP 1.307/2025, que incluía data centers e outros serviços de tecnologia no regime tributário especial das ZPEs (Zonas de Processamento de Exportação) caducou no último dia 17 sem ser apreciada pela Comissão Mista da Câmara e do Senado. O Brasil e seus paradoxos. O vácuo regulatório persiste no momento em que o país atrai uma onda de investimentos em infraestrutura de dados para suportar aplicações de IA, cloud e processamento de alto desempenho. Os aportes já anunciados para a instalação de data centers ultrapassam os R$ 50 bilhões. A gambiarra encontrada pelo governo aumenta a pressão para que o marco regulatório da IA seja votado ainda neste ano, como forma de não postergar ou mesmo inviabilizar os projetos voltados à infraestrutura de dados.

A B Capital – braço de venture capital do biliardário Eduardo Saverin, co-fundador do Facebook – está selecionando high techs da área de IA no Brasil. Há informações no mercado de que três startups já passaram pelo pente fino da gestora para receber uma capitalização. Mas que ninguém espere rios de dinheiro. O fundo do investidor brasileiro teria reservado cerca de US$ 30 milhões para uma primeira rodada de aporte. Longe, por exemplo, dos US$ 320 milhões que a B Capital acaba de injetar na Lamda, startup de IA norte-americana.