--- title: "Google diz que seus modelos de IA ficaram 300 vezes mais eficientes em dois anos" author: "Gabriela P. Torres" date: "2026-08-28 08:30:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/28/google-diz-que-seus-modelos-de-ia-ficaram-300-vezes-mais-eficientes-em-dois-anos/md" --- ## Resumo - Kent Walker afirmou que os novos modelos de IA do Google ficaram 300 vezes mais eficientes do que os de dois anos atrás. - A declaração ocorreu durante a Singapore IP Week 2026, em Singapura, no Global Forum on Intellectual Property. - As fontes não detalham o teste ou a métrica usada para calcular o ganho de 300 vezes. - Uma projeção atribuída à Oxford Economics estima que a IA pode adicionar até US$ 6 trilhões ao PIB global na próxima década. - O Google citou o uso do AlphaFold por pesquisadores de Oxford e a adoção de IA por pequenas empresas na Ásia-Pacífico. - Walker defendeu a manutenção das leis atuais de direitos autorais, exceções para mineração de texto e dados e medidas contra deepfakes. - A estratégia mencionada combina leis específicas com ferramentas de marca d’água, como o SynthID. --- Em agosto de 2026, durante a **Singapore IP Week**, em Singapura, Kent Walker, presidente de Assuntos Globais do Google e da Alphabet, afirmou que os novos modelos de inteligência artificial da empresa ficaram **300 vezes mais eficientes** do que os de dois anos atrás. Na mesma apresentação, o executivo citou uma projeção de até **US$ 6 trilhões** adicionais ao PIB global na próxima década, atribuída a um relatório da Oxford Economics. O número chama atenção, mas também exige um pouco de perícia: antes de tratá-lo como prova de desempenho absoluto, é preciso separar a comparação divulgada, os exemplos de uso e as propostas de regulação que deram sentido à fala. ## O que está por trás da afirmação de 300 vezes Partindo da declaração central, “300 vezes mais eficiente” é uma comparação relativa entre os modelos atuais do Google e os modelos disponíveis dois anos antes, não uma medida completa de tudo o que um sistema de IA faz. Nas fontes consultadas, a empresa não apresenta um teste padronizado, uma tarefa específica ou uma unidade de medida que permita reproduzir o cálculo. Isso não torna a afirmação falsa por si só, mas limita o que o leitor pode concluir: se a base de comparação não é conhecida, então não dá para saber se o ganho se refere a custo, velocidade, uso de recursos ou a outro critério. O primeiro bug da promessa está aí, na diferença entre um multiplicador impressionante e uma métrica verificável. Essa comparação também foi reforçada pela comunicação oficial do **Google** no X, que repetiu a ideia de que os modelos ficaram 300 vezes mais eficientes e associou a mensagem à necessidade de equilibrar a promessa da tecnologia com a proteção dos direitos dos criadores. O intervalo de **dois anos** funciona como a linha de partida da narrativa, mas não informa qual modelo foi usado como referência nem se a comparação considera condições iguais de operação. Portanto, o dado serve para demonstrar a velocidade alegada de avanço, mas não substitui informações sobre desempenho, custo ou impacto em uma aplicação concreta. A forma como o número foi apresentado leva diretamente à pergunta seguinte: onde essa eficiência já teria produzido resultados observáveis? ## Os exemplos usados para transformar eficiência em impacto A mesma fala tentou responder a essa pergunta com casos de uso específicos, em vez de deixar o multiplicador isolado. Walker citou pesquisadores de Oxford que usaram o **AlphaFold** em trabalhos voltados a terapias contra a malária, além do uso de inteligência artificial por **pequenas empresas na Ásia-Pacífico**. O valor desses exemplos está em mostrar duas escalas diferentes: de um lado, pesquisa aplicada a um problema de saúde; de outro, negócios menores incorporando a tecnologia em suas atividades. As fontes, porém, não informam quanto tempo foi economizado, qual custo caiu ou qual resultado clínico foi obtido, de modo que os casos ilustram impacto, mas não calculam o ganho de 300 vezes. Esse enquadramento é relevante porque impede uma leitura automática da frase. O uso do AlphaFold por pesquisadores de Oxford não significa que toda aplicação de IA produza terapias, assim como a adoção por pequenas empresas da Ásia-Pacífico não prova que todas elas tenham o mesmo resultado. O que os exemplos sustentam é uma afirmação mais limitada: o Google apresenta a inteligência artificial como uma ferramenta que já alcança pesquisa e negócios de menor porte. Se a intenção é demonstrar que modelos mais eficientes ampliam o acesso, então seria necessário conhecer os resultados de cada caso; sem esses dados, a evidência permanece descritiva, não uma auditoria do desempenho anunciado. ## De uma comparação técnica a US$ 6 trilhões A ponte entre a eficiência dos modelos e a economia global aparece na projeção de que a IA pode adicionar até **US$ 6 trilhões** ao PIB mundial nos próximos dez anos. O valor foi apresentado como potencial e atribuído a um relatório da **Oxford Economics**, portanto não deve ser lido como receita já obtida nem como um resultado garantido. A palavra “até” faz diferença: ela indica um limite superior dentro da projeção, e não uma promessa de que os US$ 6 trilhões serão automaticamente distribuídos entre empresas, trabalhadores ou governos. Na prática, o número dimensiona a aposta econômica, mas não resolve sozinho a discussão sobre quem captura os ganhos. Quando uma projeção agrega o **PIB global**, ela reúne efeitos de muitas atividades econômicas em uma única cifra e deixa de mostrar, nas informações disponíveis, como o resultado seria dividido por país, setor ou tipo de empresa. Essa ausência não anula a estimativa, mas muda a pergunta que o leitor deve fazer: quais condições precisariam existir para que o teto fosse alcançado? A fala de Walker oferece exemplos de pesquisa e de pequenas empresas, mas não apresenta uma decomposição que ligue diretamente esses casos ao total projetado. Se a eficiência é o motor, então a infraestrutura, a adoção e as regras de uso são as engrenagens que ainda precisam ser examinadas. ## A proposta de regulação defendida pelo Google Já a parte regulatória da apresentação procura preservar o ritmo de desenvolvimento sem abandonar os direitos autorais. Walker defendeu a manutenção das leis de **direitos autorais** existentes e propôs exceções para **mineração de texto e dados**, expressão que descreve a análise automatizada de grandes volumes de conteúdo para encontrar padrões ou treinar sistemas de IA. O executivo também comparou o treinamento de modelos a processos humanos de aprendizado, argumento usado para sustentar que utilizar obras como parte desse processo não deveria exigir uma reconstrução completa das regras atuais. A proposta, portanto, não é apresentada como ausência de limites, mas como uma tentativa de adaptar a aplicação das normas ao treinamento de sistemas. Essa defesa se conecta à distinção que Walker quer ver na legislação: separar a **ferramenta** de quem a utiliza. Pela lógica apresentada, se um sistema de IA é usado para produzir um conteúdo ilícito, então a responsabilidade não deveria ser atribuída de modo indistinto à tecnologia e ao usuário; a regra precisaria identificar a conduta concreta. O mesmo raciocínio aparece na defesa de leis contra deepfakes, imagens, vídeos ou áudios manipulados para parecerem reais, com menção ao **NO FAKES Act de 2025** e ao TAKE IT DOWN Act nos Estados Unidos. A formulação tenta deslocar o debate da existência da ferramenta para o uso que é feito dela. ## Deepfakes, marca d’água e a corrida por propriedade intelectual Além das leis, as fontes citam uma resposta técnica para ajudar a identificar conteúdos produzidos por inteligência artificial. O Google utiliza o **SynthID**, ferramenta de marca d’água digital mencionada como parte da estratégia contra **deepfakes**. Uma marca d’água digital é uma informação incorporada ao conteúdo para auxiliar sua identificação, mas a fonte não afirma que ela elimine todas as falsificações ou resolva sozinha o problema. A proposta combina, assim, uma camada técnica com uma camada legal: a ferramenta ajuda a rastrear a origem, enquanto as normas definem consequências para determinados usos. A cooperação entre empresas e poder público aparece como a condição defendida para que as duas frentes funcionem juntas. Esse debate sobre proteção acompanha uma aceleração na disputa por propriedade intelectual. A reportagem sobre o fórum menciona um aumento sem precedentes nos pedidos globais de patentes, com publicações em **2024 e 2025** superando o volume acumulado na década anterior. Patentes são direitos concedidos sobre determinadas invenções, e o crescimento das solicitações indica que organizações estão tentando proteger novos desenvolvimentos em ritmo elevado. A informação não diz quantos pedidos serão aprovados nem quais empresas serão beneficiadas, mas ajuda a explicar por que treinamento, autoria e titularidade ganharam espaço na discussão sobre IA. Quanto maior o número de invenções reivindicadas, maior também a pressão para definir como as regras existentes serão aplicadas. ## Como interpretar a promessa sem aceitar o press release inteiro O conjunto de informações permite uma conclusão precisa, embora menos espetacular do que o número isolado. O Google apresentou uma melhora de **300 vezes** na eficiência relativa de seus modelos e relacionou esse avanço a exemplos de pesquisa e negócios, mas as fontes não fornecem os parâmetros necessários para transformar a afirmação em um teste independente. Também há uma projeção de até US$ 6 trilhões para o PIB global, mas projeção econômica não é balanço financeiro nem garantia de realização. Se o objetivo é avaliar a promessa, então o leitor precisa manter separadas três camadas: o dado divulgado pela empresa, os exemplos que ilustram sua aplicação e a estimativa sobre o impacto agregado. O próximo passo defendido na própria discussão é combinar as regras atuais de direitos autorais com exceções para mineração de texto e dados, além de criar proteção específica contra deepfakes e ampliar a cooperação público-privada. Para quem acompanha a tecnologia, a caixa de ferramentas é simples: perguntar qual métrica sustenta o “300 vezes”, tratar os **US$ 6 trilhões** como potencial econômico e verificar se a responsabilidade recai sobre a ferramenta ou sobre o uso concreto dela. A fala de Kent Walker não encerra essas questões; ela organiza a posição do Google em três frentes documentadas, eficiência técnica, crescimento projetado e regulação, que agora podem ser cobradas com números e regras mais específicos.