Inteligência artificial redesenha mercados e portfólios de investimentos

Mais de 70 mil empresas já estão atuando no segmento de Inteligência Artificial (IA), segundo relatório setorial do Banco Safra. Nos EUA os investimentos em IA devem ultrapassar US$ 300 bi em 2025.

Entre os fatores que fizeram a IA ganhar tanto espaço, o relatório do Banco Safra destaca:

• (i) o surgimento de novos modelos que permitem criar ainda mais conteúdo original;
• (ii) disponibilidade maior de dados coletados, o que ajuda a desenvolver a IA;
• (iii) capacidade maior de processar esses dados (GPUs mais poderosas).

Assim como a eletricidade e a internet, a IA promete mudar o mundo, com tecnologias que permitem às máquinas executarem tarefas que imitam a inteligência humana.

Por trás das ferramentas que utilizam a IA, existe uma robusta cadeia de suporte:

• (i) hardware (circuitos, microprocessadores);
• (ii) computação em nuvem (servidores, softwares, sistemas de rede);
• (iii) bancos de dados para treinamento;
• (iii) modelos computacionais para treinamento; e
• (iv) interface de aplicação.

Esse conjunto de recursos só consegue operar dispondo de (alta) conectividade e consumo de (muita) energia. A demanda por esses recursos está cada vez mais em alta. Portanto, os enormes investimentos em IA estão também impulsionando todas essas cadeias.

Inteligência artificial: nova “corrida do ouro”?

Entre os seus diversos usos, o relatório do Safra destaca a possibilidade de a IA fazer previsões, fornecer respostas para perguntas-chave com base em grandes conjuntos de dados, automatizar tarefas repetitivas e desenvolver conteúdo.

Em linhas gerais, o Safra identifica alguns vetores principais que já justificam a corrida para investir e usar IA nas empresas:

• (i) redução transversal de despesas operacionais;
• (ii) incorporação da IA no produto final agregando margem — mais evidente em Educação e TMT;
• (iii) ajuda na tomada de decisão para otimização de receita (tomada de decisão em carteiras de crédito no setor financeiro, mix ideal de lojas em shoppings) ou nas decisões de investimentos (como nos setores de Commodities, Concessionárias e Locadoras).

A “corrida do ouro” vai além da busca por garimpeiros. Os especialistas do Banco Safra acreditam que para ter uma boa tese de investimentos em IA não basta apostar nos “garimpeiros” (modelos e apps), mas nos fornecedores que viabilizam o ciclo — da fabricação de chips à infraestrutura física de data center (empresas de colocation ou fornecedores de GPUs, entre as quais a NVIDIA (sem recomendação) é uma das principais referências setoriais).

Esses nomes capturam a demanda estrutural por computação e potência, independentemente de qual modelo vença. A carteira recomendada BDR do Banco Safra tem exposição à nomes que se beneficiam desse ciclo.

Além disso, o relatório do Safra reconhece que o insumo “energia” será crucial, o que deve acelerar investimentos, pressionar preços para cima e criar oportunidades para várias empresas.

Os principais riscos para a tese de investimentos em IA são:

• (i) pressão de custos na cadeia de suprimentos;
• (ii) surgimento de novas tecnologias;
• (iii) riscos geopolíticos;
• (iv) risco de execução de novos projetos; e (v) risco de investimentos excessivos.

Fundamentos da IA

Desde as décadas de 1950–60, cientistas e matemáticos, como Alan Turing, imaginavam máquinas “inteligentes” que poderiam aprender e imitar a inteligência humana. A IA é um termo usado para definir sistemas, tecnologias e ferramentas que permitem às máquinas executarem tarefas que estão comumente associadas ao que torna os seres humanos inteligentes: aprender, raciocinar, resolver problemas, perceber e usar linguagem.

Os desenvolvedores de IA têm seguido diferentes caminhos para atingir esse objetivo (por exemplo, por meio do processamento e reconhecimento de símbolos ou da criação de redes neurais artificiais). As metodologias variam, mas buscam por meio de modelagens complexas replicar a forma como construímos nosso pensamento com base nas análises de bancos de dados diversos, que juntos contêm boa parte do conhecimento humano.

Qual é o propósito da nova tecnologia?

Ter a IA à nossa disposição significa poder usar as habilidades mencionadas acima para diversos objetivos práticos. Entre os tipos de aplicação, os mais promissores incluem:

• (i) aprendizado da máquina (“machine learning”), que tem como objetivo analisar grandes conjuntos de dados, identificar padrões e suas relações para tomar decisões, podendo se adaptar e melhorá-las com o tempo e uso;
• (ii) processamento de linguagem natural, que foca na compreensão, interpretação e geração de linguagem (visando reconhecer a fala, traduzir textos e mensagens de voz, analisar e responder perguntas de usuários);
• (iii) visão computacional, para ver e interpretar imagens e vídeos (reconhecer objetos, faces, cenas);
• (iv) robótica (máquinas inteligentes que podem manipular objetos e interagir);
• (v) especialistas, que replicam decisões em campos específicos (dar conselhos, recomendações);
• (vi) redes neurais, que consistem em sistemas que se inspiram no cérebro e reconhecem padrões;
• (vii) aprendizado profundo (deep learning), que busca usar redes neurais para processar e compreender dados complexos (reconhecer fala, processar a linguagem natural). Figura 1 – Mapa das possíveis aplicações da IA

Onde chegamos e para onde estamos indo?

Diante de tantas possibilidades, o assunto ganha cada vez mais espaço na vida das pessoas. As aplicações mencionadas são especialmente interessantes para automatizar tarefas repetitivas, trazer rapidez e eficiência na resposta e aumentar a escala de algumas atividades.

Entre 2021 e 2023, mais de 26 mil startups de IA foram criadas no mundo. Segundo especialistas, atualmente existem mais de 70 mil empresas atuando no segmento, e nos EUA os investimentos totais em IA estimados para 2025 ultrapassam US$ 300 bilhões.

Os investimentos associados à IA devem avançar ainda mais rápido: para o período de 2023-2029, a taxa anual composta de crescimento para o investimento deve atingir 18%, e as receitas devem crescer 25% ao ano no mesmo período.

Como chegamos até aqui?

Dentre os fatores que fizeram a IA ganhar cada vez mais espaço, o Safra destaca:

• (i) a disponibilização de novos modelos de IA que possibilitaram um novo patamar de criação de conteúdo original a partir de dados e treinamento de modelos;
• (ii) a maior disponibilidade de coleta de dados para alimentar esses modelos; e
• (iii) a maior capacidade de processar esses dados (GPUs mais poderosas). Com isso, os resultados e usos da IA se expandiram, trazendo aplicações práticas para as empresas e aumentando a velocidade na resolução de problemas.

Em suma, a IA é hoje mais acessível, produz resultados mais precisos e está ampliando nossa produtividade.

Do que se alimenta a IA?

Por trás do desenvolvimento das ferramentas de IA existe uma robusta cadeia de suporte que possibilita a existência e a expansão desse segmento:

• (i) hardware (que inclui circuitos, microprocessadores);
• (ii) computação em nuvem (servidores, softwares, sistemas de rede);
• (ii) bancos de dados para o treinamento dos sistemas;
• (iii) modelos computacionais para permitir o próprio treinamento da IA;
• (iv) interface de aplicação. Esse conjunto de recursos só consegue operar plenamente dispondo de
• (v) (alta) conectividade e
• (vi) consumo de (muita) energia no processo.

O armazenamento de dados e o aprendizado dos modelos normalmente utiliza espaços especiais prontos para isso, que contam com servidores – os chamados data centers. Esses recursos essenciais para a IA estão cada vez mais em alta.

Devido ao seu uso estratégico, as big techs têm cada vez mais atuado essa cadeia, seja influenciando os preços desses insumos diretamente em contratos de fornecimento, realizando investimentos diretos em alguns desses segmentos ou fazendo parcerias para garantir seus insumos.

E quais são os riscos?

Apesar de ser muito atrativa, a tese da IA também traz alguns riscos a serem analisados:

• (i) pressão de custos na cadeia de suprimentos por conta da aceleração dos investimentos das empresas, que nem sempre vem acompanhada de expansão na mesma velocidade da capacidade de produção dos insumos;
• (ii) surgimento de novas tecnologias com potencial para disrupção, que podem encurtar o ciclo de inovação, deslocando ou desafiando vantagens competitivas já estabelecidas;
• (iii) riscos geopolíticos (tensões no eixo EUAChina/Taiwan, por exemplo), que podem impactar tanto a demanda de produtos quanto redesenhar cadeias produtivas;
• (iv) riscos de execução de novos projetos; e
• (v) risco de investimentos excessivos, já que a adoção precoce pode se traduzir em uma vantagem competitiva, mas também pode resultar em altos custos, baixa aceitação do mercado ou desafios técnicos inesperados.

O mercado ainda tem incerteza sobre os retornos e as tendências de crescimento futuras. No começo do ano, o “efeito DeepSeek” reativou temores de compressão de custos e mudança da dinâmica competitiva, levando o mercado a questionar a necessidade de investimentos recordes em infraestrutura de computação (compute).

Agora, um estudo do MIT (Iniciativa Nanda) aponta que 95% das empresas analisadas ainda não observaram um retorno mensurável dos investimentos em IA generativa (genAI), o que não invalida a tese estrutural da IA, mas acende um sinal amarelo em termos de alocação eficiente de capital no setor.

Uma nova “corrida do ouro”?

Por que utilizar a IA? Entre os diversos usos possíveis, o Safra destaca a possibilidade de a IA fazer pesquisas e previsões, fornecer respostas para perguntas-chave com base em grandes conjuntos de dados, automatizar tarefas repetitivas, desenvolver conteúdo e auxiliar em novas descobertas.

Como tantas possíveis formas de utilização e resultados tão promissores, a maioria das empresas está correndo para investir e implementar projetos para incorporar a IA em suas rotinas diárias, com os seguintes objetivos:

• (i) redução transversal de despesas operacionais (back office, marketing, TI, serviço ao cliente, etc.);
• (ii) incorporação da IA no produto final, agregando margem — mais evidente em Educação e TMT;
• (iii) ajuda na tomada de decisão para otimização de receita (tomada de decisão em carteiras de crédito no setor financeiro, mix ideal de lojas em shoppings) ou nas decisões de investimento (análise de dados e modelagem de recursos, detecção de anomalias, alocação de frotas em setores como Commodities, Concessionárias e Locadoras).

Um estudo recente da OCDE mostrou várias formas com que a IA está impactando as diferentes indústrias e em qual magnitude.

Os setores de TMT, Financeiro, Jurídico, Científico e Farmacêutico, além do setor de Computação (por motivos óbvios), são os aparentemente mais afetados.

“Em uma corrida do ouro, prefira vender pás e picaretas”

A frase acima, atribuída a Peter Lynch no livro “One Up, On Wall Street”, cai como uma luva para a IA: uma boa tese não implica apenas apostar nos “garimpeiros” (modelos e apps), mas nos fornecedores que viabilizam o ciclo — da fabricação de chips (ASML, TSMC; sem recomendação) à infraestrutura física de data center (empresas de co-location ou fornecedores de GPUs, como NVIDIA e AMD.

Esses nomes capturam a demanda estrutural por computação e potência — independentemente de qual modelo vença — e tendem a monetizar primeiro a expansão de capacidade, contratos de longo prazo e upgrades de densidade, oferecendo uma forma mais “pick and shovel” de surfar o boom de IA.

Além disso, os especialistas do Banco Safra reconhecem que a energia será crucial como insumo, uma vez que os modelos computacionais que possibilitam às máquinas desenvolver as habilidades mencionadas anteriormente consomem muita energia — os processadores precisam rodar modelos e se alimentar de dados 24 horas, 7 dias por semana.

A energia consumida não se aplica apenas ao uso dos computadores diretamente, mas também ao resfriamento necessário para as máquinas, conforme comentamos em nosso relatório sobre data centers.

Semicondutores: entendendo o setor de chips

Os semicondutores são a base física da computação e, no ciclo atual, o foco são os chips de IA (chamados de processadores/accelerators de IA, ou os famosos GPUs).

Um semicondutor é um material (o mais comum é o silício) capaz de conduzir energia elétrica, que pode ser organizado em circuitos integrados (chips) para o processamento, armazenamento e controle de dados.

Podemos dividir esse setor em dois blocos:

• (i) design de chips de IA (empresas que concebem a arquitetura, capturam valor via performance, ecossistema e propriedade intelectual); e
• (ii) fabricação de chips de IA (as foundries e o empacotamento avançado que transformam o design em silício em processos de fabricação de última geração).

O primeiro compete por liderança em capacidade de treino/inferência e eficiência por watt; o segundo concentra o gargalo tecnológico-industrial, com escassez e prazos longos em litografia e packaging.

Design de chips de IA

No ciclo atual, o segmento é composto por quem cria e integra os processadores (arquitetura e software) e captura valor por performance e ecossistema.

Aqui estão incluídas empresas como NVIDIA, AMD, Intel (sem recomendação), além de Qualcomm (sem recomendação) e dos hyperscalers com ASICs (circuito integrado de aplicação específica, ideais para alto desempenho, como mineração de cripto ou gestão de tráfego de rede) próprios como Google (sem recomendação) e Amazon (sem recomendação).

O segmento de design de chips de IA atravessa uma fase de forte demanda, impulsionada por modelos maiores e pela sua adoção nas empresas ou pela adoção acelerada de assistentes pessoais.

A disputa deixou de ser apenas por “mais potência” e passou a valorizar também eficiência energética, previsibilidade de entrega e — sobretudo —um ecossistema de software confiável.

Os grandes clientes estão diversificando fornecedores e, em alguns casos, desenvolvendo soluções próprias, enquanto restrições regulatórias e cadeias de suprimento pressionadas seguem moldando o ritmo de implementação.

Quem são os líderes?

A NVIDIA mantém a liderança no segmento graças à combinação de hardware com um ecossistema de software maduro, o que reduz o tempo de implantação e o risco para o cliente.

Outro nome de destaque é AMD, pois a demanda do ciclo de IA é tão grande que exige um segundo fornecedor.

A AMD entrega performance/eficiência em níveis considerados bons para capturar esse multi-sourcing (especialmente em escala). Correndo “por fora”, Microsoft (sem recomendação) e Google despontam ao codesenhar chips próprios e integrálos de forma mais eficiente aos seus serviços (modelos, plataformas e nuvem).

Isso dá a elas controle de custos, otimiza processamentos críticos, diversifica o risco de oferta e ainda influencia padrões ao expor parte dessas capacidades aos clientes na nuvem — reforçando o poder de barganha frente a fornecedores e consolidando o papel dessas plataformas como referência de fato no desenho e na adoção de IA.

Quem pode perder espaço?

Segundo dados de mercado, a Intel vem perdendo participação de mercado para a AMD no design de PCs e em demandas computacionais mais exigentes. A adoção de seus aceleradores de IA entre grandes clientes de nuvem ainda é limitada também, o que dificulta a conversão de pilotos em produção.

Além da perda da Apple (sem recomendação) como cliente (que substituiu os chips da Intel pelos próprios Apple Silicon nos Macs), surgiu nesse meio-tempo a competição com a Qualcomm no universo de PCs — com a ofensiva de Windows on ARM e “AI PCs” —, adicionando pressão competitiva em desempenho/eficiência e ampliando o desafio na retenção de clientes.

A combinação de fabricação própria com terceirização eleva a complexidade e tende a alongar prazos; em paralelo, a AMD já supera a Intel em valor de mercado, sinalizando mudança de percepção. Hoje, o mercado questiona a execução do roadmap de produtos e a estratégia industrial (foundry) da Intel. Até que a empresa comprove sua capacidade de efetuar entregas regulares, em volume e com competitividade de desempenho/eficiência, ela deve seguir como perdedora relativa no design de chips.

Fabricação de chips de IA

O segmento coloca o silício em um produto final de última geração, em etapas que envolvem: projeto, formação de camadas de pastilhas de silício e empacotamento para formar dispositivos de integração dos chips nas placas dos circuitos eletrônicos.

A fabricação é um processo caro, que demanda precisão extrema. Quem são os líderes? A TSMC lidera com escala, execução previsível e capacidade de empacotamento em expansão, tornando-se o fornecedor padrão dos maiores projetos.

Samsung Foundry é a principal concorrente, e tem ganhado relevância ao combinar processos avançados com execução e prazos mais previsíveis, reforçando sua proposta para cargas de IA. Outra empresa que se destaca no segmento é a ASML pois fabrica as “impressoras” de chips (máquinas de litografia, especialmente EUV) que viabilizam os processadores mais avançados.

Quem pode perder espaço?

Segundo especialistas, a Intel Foundry está em transição: tem ativos importantes em packaging e ambição de ganhar clientes externos, mas ainda precisa provar competência em volume, regularidade e prazos, convertendo anúncios em produção estável para deixar de ser vista como a empresa que está “correndo atrás” nesse ciclo.

Como sinal desse momento de transição, a empresa recebeu um aporte de US$ 2 bi do SoftBank e discute com o governo dos EUA a conversão de parte dos recursos do CHIPS Act (iniciativas que buscam reforçar a capacidade e a execução do plano industrial) em participação acionária.

Infraestrutura física: datacenters

Datacenters são instalações que concentram servidores, em muitos casos com processadores de IA (GPUs) de fabricantes, além de armazenamento de dados e redes, apoiados por energia elétrica robusta, sistemas de resfriamento e conectividade.

No ciclo atual de IA, o gargalo de infraestrutura migrou da “compra de servidor” para a construção ou aluguel de centros capazes de energizar e resfriar clusters cada vez mais densos de forma constantes (24 horas, 7 dias por semana).

Assim, operadores de colocation com terreno, contratos de energia garantido e histórico de entrega também apresentam grande demanda (Equinix, Digital Realty e outros; sem recomendação), enquanto fornecedores de infraestrutura elétrica e térmica monetizam os upgrades necessários para esses locais (como Vertiv, Eaton, Quanta Services, NRG, Constellation Energy, NextEra, etc.; sem recomendação).

Armazenamento de dados como serviço

A nuvem tornou-se o canal padrão para contratar IA “como serviço”, reunindo processamento (GPU), armazenamento, redes, segurança e acesso a modelos sob demanda, com suporte corporativo.

Esse arranjo reduz o intervalo entre prova de conceito e produção, acomoda picos sem compra de hardware e concentra orçamento em ofertas com entrega garantida de capacidade, integração simples aos dados existentes, custo previsível, requisitos claros de segurança e conformidade, baixa latência e serviços de implantação.

Provedores com presença enterprise que oferecem suporte para empresas de médio e grande porte e parcerias de hardware/energia partem de uma posição favorecida no ciclo atual.

Quem são os líderes?

Nesse campo, os hyperscalers — Amazon (AWS), Microsoft (Azure) e Alphabet (Google Cloud); sem recomendação — têm destaque por combinarem escala global, contratos corporativos ativos e catálogos de IA prontos para uso, o que acelera a ida para produção e amplia o consumo recorrente de computação, dados e segurança.

A Oracle (OCI) passou a dividir esse palco ao se posicionar como provedora de infraestrutura especializada para cargas de trabalho intensivas de IA, oferecendo ambientes dedicados com GPUs de alto desempenho e arquitetura otimizada para grandes modelos. Essa proposta encurta prazos de entrega e atende clientes que priorizam performance e previsibilidade, elevando sua relevância no ciclo atual.

Quem pode perder espaço?

Provedores com menor participação em IaaS global e menor acesso a capacidade de GPU, como a IBM (sem recomendação) tendem a capturar menos do ciclo de genAI fora de suas bases legadas, com tração comparativamente inferior em projetos horizontais no enterprise.

Dispositivos e ecossistema on-device

Aplicação da AI como produto final: trata-se do hardware pessoal (smartphones, PCs, óculos e outros vestíveis) e do software que roda diretamente nos aparelhos — com modelos compactos, privacidade por padrão e baixa latência —, acionando a nuvem apenas quando necessário.

O momento desse segmento é de transição: experiências de IA começam a migrar de data centers para interfaces “no rosto” ou “no bolso”, o que pode redefinir o ponto de contato com o usuário e ativar ciclos de upgrade em chips dedicados (NPUs) e sensores.

Nesse contexto, parcerias industriais e uma estratégia clara de plataforma tornam-se diferenciais competitivos.

No recorte on-device, a Apple é uma das líderes, mas a Meta (sem recomendação) tem despontado no campo de dispositivos/ecossistema. A empresa vem investindo de forma consistente em IA — inclusive na atração de talentos — e em um caminho de hardware leve, com ênfase em óculos com recursos de IA para estabelecer um canal direto de distribuição e monetização e reduzir a dependência de sistemas operacionais móveis de terceiros.

A parceria estratégica com a EssilorLuxottica dá lastro industrial ao portfólio de smart glasses, enquanto a filosofia open-source do Llama acelera o ciclo entre pesquisa e produto e amplia a adoção por desenvolvedores e parceiros.

Se casos de uso recorrentes (assistência sempre ativa, compreensão de contexto, tradução, suporte a tarefas) se consolidarem no on-device, a Meta passa a disputar parte do “centro de gravidade” hoje concentrado no smartphone, com vias claras de monetização em serviços, publicidade e comércio.

Apesar da liderança da Apple, os aparentes atrasos em funcionalidades-chave do Apple Intelligence/Siri mencionados pelo mercado aparentemente reduziram o poder de estimular um novo ciclo de upgrades do iPhone num momento em que o ciclo de substituição se alonga e o usuário exige ganhos práticos. Concorrentes vêm avançando mais rápido em experiências de IA.

Some-se a isso o risco regulatório decorrente do acordo que mantém o Google como buscador-padrão no Safari (estima-se que o valor do acordo represente cerca de 6% da receita e 20%–25% do lucro operacional da Apple, dado o baixíssimo custo associado) e a dependência de manufatura na Ásia em meio a tensões geopolíticas.

Principais usos da IA em diferentes setores da economia

Locadoras de veículos leves e pesados: Nas locadoras de veículos leves, a IA já é usada na alocação de frota, precificação dinâmica e manutenção preditiva, elevando eficiência e margens. Nas locações de veículos pesados, manutenção preditiva e monitoramento de operação reduzem custos e melhoram o retorno sobre ativos.

Concessionárias e ferrovias: As concessionárias de rodovias utilizam IA para previsão de tráfego, detecção de evasões e otimização de manutenção de infraestrutura. Em ferrovias, a IA melhora a logística de grãos, prevê falhas e aumenta a confiabilidade operacional.

Logística rodoviária: Operadores adotam IA para roteirização em tempo real, automação de armazéns e monitoramento de entregas, elevando a qualidade do serviço e a fidelização.

Petróleo e gás: As aplicações incluem: (i) exploração e gestão de reservatórios (processamento sísmico, identificação de alvos de perfuração, otimização de localização de poços e previsão de comportamento do reservatório); (ii) manutenção preditiva, reduzindo paradas e otimizando estoques; e (iii) ajuste de parâmetros de produção para elevar a taxa de recuperação.

Serviços financeiros: A IA impulsiona receitas com melhores modelos de crédito e, sobretudo, reduz custos via automação de processos (chatbots inteligentes, back office) e mitigação de fraudes, aumentando eficiência e segurança.

Construção: Diante da escassez de mão de obra, a IA ajuda a automatizar fluxos (orçamento, planejamento, controle de qualidade e obra), aliviando a pressão da demanda por trabalhadores e reduzindo desperdícios.

Shoppings: Aprofunda o conhecimento do cliente para otimizar o mix de lojas e impulsionar as vendas dos lojistas; adicionalmente, reduz os investimentos em TI ao automatizar sistemas operacionais.

Saúde: A IA ganha relevância em diagnóstico (análise de imagens com maior acurácia), prevenção/predição de doenças, implementação de protocolos clínicos (integração de exames, prontuários e sintomas) e medicina personalizada — reduzindo desperdícios e custos do sistema (o que é positivo para as operadoras de saúde).

Educação: Permite a personalização do ensino (trilhas individualizadas), a identificação de lacunas de aprendizagem, feedbacks direcionados e a aprendizagem adaptativa, elevando engajamento e resultados.

Alimentos e bebidas: Os impactos são mais horizontais — marketing orientado por dados, automação administrativa, previsão de demanda, gestão de estoques e planejamento de produção.

Varejo: Benefícios em (i) previsão de demanda; (ii) CRM e marketing; (iii) modelos de credit scoring; (iv) cobrança; (v) pricing; (vi) leitura de tendências de moda/consumo; e (vii) prevenção de fraudes — com impacto positivo em vendas e margens.

Siderurgia e mineração: A IA acelera a modelagem de recursos (interpretação geológica), viabiliza a perfuração autônoma e otimiza detonações. Em processamento, visão computacional e controle avançado maximizam recuperação e reduzem o uso de energia/insumos. A manutenção preditiva diminui paradas e amplia a vida útil de ativos. No lado comercial, modelos antecipam demanda e otimizam logística. Em segurança/ESG, drones e imagens de satélite monitoram barragens; dispositivos vestíveis acompanham fadiga e riscos; modelos ambientais suportam conformidade. Resultado: maior eficiência, menor custo, melhor utilização de ativos, margens superiores e ROIC mais robusto ao longo do ciclo.

Papel e celulose: Detecção de anomalias, manutenção preditiva e controle avançado estabilizam qualidade e reduzem paradas e o consumo de químicos e energia. A trajetória aponta para fábricas assistidas por IA, com copilotos operacionais e otimização em tempo real de utilidades. Na silvicultura, drones/LiDAR/satélites aprimoram o inventário, reduzem desperdícios e gerem biodiversidade, pragas e incêndios, integrando o suprimento ao planejamento fabril. A IA generativa acelera o design de embalagens, decisões de preço e atendimento; copilotos internos elevam a produtividade administrativa. Em ESG, marcas d’água digitais baseadas em IA permitem a triagem de resíduos com alta precisão e a rastreabilidade por SKU, ajudando no cumprimento de regulações mais rígidas.

Telecomunicação: A IA tende a gerar ganhos operacionais antes de virar uma grande nova linha de receita. No curto prazo, os vetores mais tangíveis são automação de atendimento (assistentes que reduzem chamadas humanas, elevam NPS e diminuem churn), otimização de rede (planejamento de cobertura, alocação dinâmica de capacidade e economia de energia por célula) e manutenção preditiva (redução de falhas e visitas técnicas). Em 5G, a IA ajuda a Estratégia 12 Equity Research | Temático compor ofertas B2B (edge/privado, analytics, visão computacional), geralmente em parceria com nuvem e integradores.

Tecnologia: Nas techs a IA tende a ser monetizada via acoplamento ao que o cliente já usa. A oportunidade está em copilots/assistentes dentro do ERP e verticais (finanças, fiscal, estoque, CRM), usando o dado proprietário do cliente para sugerir ações, automatizar rotinas e reduzir erros. Isso favorece o upsell de módulos e aumento de receita por cliente, com barreiras dadas pela integração e pela base instalada local. Além disso, as empresas podem incorporar IA nos produtos para PMEs (cadastro inteligente que gera descrições/SEO, sugere categorias e preenche atributos), no atendimento (agente em chat/WhatsApp), na aquisição/busca interna e no back-office de TI (geração/edição de código e orquestração multiagente para clientes maiores). Essas aplicações eliminaram tarefas manuais em escala, cortaram cerca de metade dos atendimentos humanos e reduziram fortemente o esforço de desenvolvimento.

Bens de capital: Diversas empresas têm se beneficiado da IA, com ferramenta para auxiliar na gestão da cadeia de suprimentos, que é complexa e tem sofrido com atrasos, e nos projetos de novos produtos, além no controle de qualidade das linhas de produção, podendo ser aplicada na robotização de parte das montagens.

Utilidades básicas: A IA aprimora as projeções de carga e geração, incluindo de fontes renováveis, e permite um monitoramento em tempo real mais eficiente de redes e ativos. Também pode contribuir para reduzir custos e aumentar a confiabilidade por meio de manutenção preditiva e detecção de perdas técnicas e comerciais. No relacionamento com o cliente, pode possibilitar maior personalização de atendimento, ajustar tarifas dinâmicas e implementar programas de eficiência energética. Para manutenção de ativos, drones inteligentes podem auxiliar com podas, ajustes de tensão e tarefas de manutenção de rede.

• Íntegra do relatório do Banco Safra sobre Inteligência Artificial.