Introdução
A suspensão repentina do modelo Claude Fable 5 da Anthropic em junho de 2024 serviu como um alerta crítico para empresas globais sobre os riscos da dependência de um único fornecedor de IA. Uma nova pesquisa da VentureBeat Pulse Research, realizada com 145 empresas durante o período de blackout do modelo, revela que dois terços das organizações já haviam construído estratégias de hedge antes mesmo da crise acontecer. O episódio expôs uma vulnerabilidade fundamental: modelos de IA dos quais workflows críticos dependem podem desaparecer da noite para o dia, sem aviso prévio, por decisões governamentais ou comerciais completamente fora do controle das empresas usuárias.
O blackout que mudou as regras do jogo
Em 12 de junho, apenas três dias após o lançamento do Claude Fable 5 — então considerado o modelo mais avançado do mercado, com preços premium de US$ 10 por milhão de tokens de entrada — uma ordem de controle de exportação do governo americano forçou a Anthropic a suspender o acesso ao modelo globalmente. Sem capacidade de verificar nacionalidade em tempo real, a empresa teve que bloquear o acesso para todos os usuários, incluindo empresas americanas. O modelo só retornou semanas depois, com salvaguardas mais rígidas.
O timing não poderia ser mais revelador. Empresas como Uber já haviam aprendido lições caras sobre dependência de IA: a companhia queimou todo seu orçamento anual de IA para codificação em apenas quatro meses, depois que 84% de seus aproximadamente 5.000 engenheiros adotaram o Claude Code. A Microsoft, por sua vez, cancelou a maioria das licenças internas do Claude Code em suas divisões Windows e Microsoft 365, direcionando engenheiros para suas próprias ferramentas.
A estratégia de hedge já era realidade
Os dados da pesquisa mostram que as empresas não foram pegas completamente desprevenidas. Um total de 67% já operava com alguma forma de diversificação: 51% combinam modelos fechados de fronteira (como GPT e Claude) para raciocínio geral com modelos open-weight implantados localmente para tarefas especializadas. Outros 16% estão em processo mais radical, movendo workflows críticos completamente para fora de APIs fechadas, optando por modelos open-source rodando em infraestrutura própria ou híbrida.
Apenas 32% das empresas mantinham compromisso total com ecossistemas fechados quando o blackout aconteceu. Essas organizações justificam sua posição citando que o overhead operacional de self-hosting ainda supera as economias potenciais. Após junho, porém, esse cálculo ganhou uma nova variável: o risco de indisponibilidade súbita.
Brian Craig, diretor sênior de arquitetura da Liberty IT (braço de engenharia da Liberty Mutual), exemplifica a abordagem resiliente. Sua empresa opera o que chama de “AI backbone” — cerca de 50 componentes abrangendo segurança, governança, observabilidade e orquestração, cada um independentemente substituível. “Você não pode se trancar em um fornecedor ou mesmo em um framework agora”, explicou Craig durante o evento AI Impact da VentureBeat em Nova York, realizado em plena crise. “Você precisa manter flexibilidade para conectar diferentes modelos e fornecedores, não baseado em quem é o favorito do momento, mas no que você pode confiar pelos próximos seis meses.”
O problema vai além da dependência de fornecedor
A pesquisa revelou uma vulnerabilidade ainda mais preocupante: apenas 10% das empresas possuem monitoramento automatizado capaz de detectar quando um modelo de IA em produção está falhando, desviando ou se comportando de forma inadequada. A maioria (30%) depende de revisão humana de outputs críticos, enquanto 32% esperam detectar problemas “eventualmente”, 19% provavelmente só saberiam de falhas através de reclamações de usuários, e 8% admitem não ter visibilidade sistemática sobre o comportamento de IA em produção.
Essa lacuna de detecção é especialmente crítica à medida que cargas de trabalho agênticas multiplicam o volume de outputs muito além do que qualquer equipe de revisão humana pode acompanhar. Como explicou Todd Johnson, diretor executivo do Morgan Stanley responsável pela IA agêntica nos processos de P&L do banco: “Um de nossos princípios fortes na governança de IA é que sempre deve haver responsabilidade humana, mesmo com grau de automação.” Mas essa responsabilidade precisa ser apoiada por infraestrutura adequada de observabilidade.
A crise organizacional por trás dos problemas técnicos
Quando questionadas sobre a principal barreira para governar IA através de plataformas, 32% das empresas citaram a ausência de um único proprietário ou equipe responsável. A opacidade dos fornecedores vem em segundo lugar com 25%, ferramentas ausentes com 16%, e falta de talento aparece por último com apenas 5%. O problema não é falta de habilidades técnicas, mas de mandato organizacional: apenas 38% dizem que uma equipe central realmente governa o comportamento de IA através de suas plataformas hoje.
Essa lacuna de propriedade tem consequências financeiras diretas. A pesquisa mostra que 79% das empresas já sofreram alguma falha de controle com agentes autônomos que resultou em custos reais. O problema mais comum (49%) é “shadow AI” — equipes departamentais executando pipelines agênticos não autorizados em cartões corporativos, completamente fora da supervisão central de TI. Outros 25% foram atingidos por contas de loop infinito, onde workflows recursivos não detectados acumularam milhares de dólares em custos de tokens em um único incidente.
O êxodo silencioso dos fornecedores estabelecidos
A pesquisa também capturou uma mudança significativa nas intenções de compra. Quando perguntadas qual fornecedor principal de IA provavelmente reduziriam ou eliminariam nos próximos 12 meses, as empresas surpreendentemente nomearam a Microsoft em primeiro lugar (30%), principalmente citando cortes no Copilot e frameworks Azure AI em favor de acesso direto aos modelos. OpenAI aparece com 21%, principalmente por volatilidade de preços, Anthropic com 15% e Google com 6%. Importante notar que 28% não planejam cortar nenhum fornecedor.
Esses números não indicam um êxodo em massa de nenhum fornecedor específico, mas sinalizam o fim da lealdade por inércia. Entre essas empresas, cortar ativamente pelo menos um fornecedor é agora mais comum do que expandir através de todos eles. A diversificação tornou-se a postura padrão.
Implicações para o mercado brasileiro
Para empresas brasileiras, as lições são claras e urgentes. A dependência de um único modelo ou fornecedor de IA representa um risco operacional significativo que pode materializar-se sem aviso. Organizações que operam no Brasil enfrentam desafios adicionais: latência de APIs internacionais, custos em dólar que flutuam com o câmbio, e potenciais restrições regulatórias futuras tanto locais quanto internacionais.
A estratégia híbrida adotada pela maioria das empresas pesquisadas oferece um caminho pragmático: usar modelos de fronteira fechados (GPT, Claude, Gemini) para tarefas que requerem capacidades de raciocínio de ponta, enquanto implanta modelos open-source como Llama, Mistral ou os novos modelos chineses como GLM para tarefas especializadas e de alto volume. Essa abordagem não apenas reduz custos — especialmente importante com a volatilidade cambial — mas também garante continuidade operacional.
Empresas brasileiras também precisam considerar a crescente competitividade de modelos chineses como o GLM-5.2 da Z.ai, que oferece desempenho comparável aos modelos ocidentais por uma fração do custo. Embora questões geopolíticas e de segurança de dados devam ser cuidadosamente avaliadas, ignorar completamente essas alternativas pode significar desvantagem competitiva significativa.
O que as empresas devem fazer agora
A pesquisa sugere ações concretas e imediatas. Primeiro, estabelecer propriedade clara: 32% das empresas citam a falta de um responsável único como principal barreira de governança. Isso não requer investimento em tecnologia, apenas decisão organizacional. Segundo, implementar monitoramento automatizado: com apenas 10% das empresas capazes de detectar automaticamente falhas em modelos de produção, a maioria está voando às cegas.
Terceiro, construir capacidade de roteamento semântico: como explicou Brian Gracely, diretor sênior de estratégia de portfólio da Red Hat, “Se estou simplesmente tentando resolver uma reivindicação de seguro, não preciso saber sobre a história da civilização ocidental no meu modelo.” Empresas estão pareando modelos menores e especializados com roteamento inteligente, para que a plataforma decida quais requisições genuinamente precisam de raciocínio em escala de fronteira — e quais estão queimando tokens premium em trabalho commodity.
Por fim, estabelecer limites rígidos de gastos e throttling em nível de infraestrutura. Com 49% das empresas relatando gastos não autorizados em “shadow AI” como sua maior falha de controle, é essencial implementar governança financeira antes que os custos saiam de controle.
Conclusão
O blackout do Claude Fable 5 serviu como teste de estresse ao vivo para a prontidão empresarial em IA. Revelou que, embora dois terços das empresas já tivessem construído hedges contra dependência de modelo, a maioria ainda carece de capacidades básicas de monitoramento e governança. O problema central não é tecnológico, mas organizacional: sem propriedade clara e monitoramento automatizado, as empresas estão implantando IA agressivamente enquanto voam às cegas.
Para o mercado brasileiro, a mensagem é clara: diversificação de modelos não é mais opcional, é imperativa. Mas diversificar sem governança adequada apenas multiplica os pontos de falha. As empresas que prosperarão na era da IA serão aquelas que construírem não apenas portfólios de modelos resilientes, mas também a infraestrutura organizacional e técnica para gerenciá-los efetivamente. O tempo para agir é agora, antes que a próxima crise force decisões precipitadas.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em VentureBeat, disponível em https://venturebeat.com/orchestration/enterprises-lost-claude-fable-5-for-a-few-weeks-new-data-shows-two-thirds-had-already-built-their-hedge.
