João Miguel Mesquita
Ao início da tarde de ontem, 3 de setembro, milhares de utilizadores, sobretudo nos Estados Unidos, começaram a reportar dificuldades no acesso ao ChatGPT, Claude e Grok. Quase ao mesmo tempo surgiram relatos de problemas na região East US do Microsoft Azure, uma coincidência temporal que rapidamente chamou a atenção porque os três serviços dependem fortemente desta infraestrutura para parte do processamento de inteligência artificial e para volumes significativos de tráfego nos Estados Unidos. Não existe, no entanto, confirmação de que uma única falha no Azure tenha estado na origem das interrupções simultâneas, e essa distinção é importante para não transformar uma hipótese plausível numa conclusão que as empresas envolvidas ainda não sustentaram.
As páginas de estado dos diferentes serviços confirmaram problemas de disponibilidade. A Anthropic registou um nível elevado de erros em vários modelos, a OpenAI identificou dificuldades no ChatGPT e no Codex e a xAI assinalou indisponibilidade dos seus modelos durante três horas e 37 minutos. As APIs afetadas acabaram por regressar ao funcionamento normal, mas a ausência de uma explicação definitiva deixou em aberto várias possibilidades. Uma delas é a existência de uma dependência comum na infraestrutura Azure. Outra é um efeito mais simples, mas igualmente revelador sobre a forma como este mercado já funciona: quando o ChatGPT começou a falhar, parte dos utilizadores poderá ter procurado alternativas no Claude e no Grok, aumentando subitamente a procura sobre serviços que também estavam sob pressão.
A lentidão reportada por alguns utilizadores do Gemini durante o mesmo período torna o episódio ainda mais interessante. O serviço da Google utiliza Google Cloud e não Azure, pelo que não existe motivo para assumir uma relação direta entre os incidentes. Ainda assim, o comportamento dos utilizadores pode ajudar a explicar parte do fenómeno. Quando uma plataforma muito utilizada deixa de responder, a procura não desaparece, desloca-se. Num mercado em que milhões de pessoas já recorrem diariamente a estes sistemas, uma migração repentina para alternativas pode criar picos de tráfego suficientemente relevantes para degradar serviços que, em condições normais, funcionariam sem problemas.
Para quem utiliza inteligência artificial através de uma janela de conversação, ChatGPT, Claude, Grok ou Gemini parecem produtos claramente separados. Para um CIO, essa independência aparente pode ser enganadora. Por detrás de marcas, interfaces e modelos diferentes podem existir regiões de cloud, redes, centros de dados ou outros componentes comuns. A diversidade de fornecedores de IA não garante, por si só, diversidade de infraestrutura, e é precisamente essa diferença que começa a ganhar importância à medida que as empresas integram estes sistemas em processos de negócio.
Um CIO pode, por exemplo, contratar dois ou três fornecedores de IA na convicção de que reduziu a dependência de uma única plataforma. Em teoria, a abordagem faz sentido. Na prática, essa redundância perde valor se os serviços escolhidos dependerem do mesmo fornecedor de cloud, da mesma região geográfica ou de componentes de infraestrutura que podem falhar em simultâneo. Isto obriga a olhar para a arquitetura de uma forma mais profunda. Já não basta perguntar qual é o modelo mais capaz, mais barato ou mais adequado para uma determinada função. É igualmente necessário perceber onde é executado, que dependências externas possui e qual é o verdadeiro grau de separação entre as alternativas contratadas.
Uma estratégia multi-modelo só representa verdadeira redundância quando existe também diversidade suficiente na infraestrutura que suporta esses modelos. Esta é uma questão relativamente marginal quando a IA é utilizada para resumir um documento ou melhorar um texto. Torna-se muito mais séria quando passa a participar no desenvolvimento de software, no atendimento ao cliente, na análise documental, na decisão operacional ou em processos automatizados que funcionam continuamente.
Uma indisponibilidade de algumas horas num chatbot pode ser apenas incómoda. A mesma indisponibilidade numa aplicação ligada a um processo empresarial crítico pode impedir uma operação de avançar, degradar níveis de serviço, atrasar decisões ou obrigar equipas a regressarem a procedimentos manuais. É por isso que a adoção de IA começa a aproximar-se de uma disciplina que os departamentos de TI conhecem há décadas: continuidade de negócio. Antes de colocar inteligência artificial num processo crítico, o CIO precisa de saber como esse processo continua a funcionar quando a IA deixa de estar disponível.
Isso significa pensar antecipadamente em sistemas alternativos, mecanismos de recuperação, procedimentos manuais e capacidade de transferência para outro fornecedor. Significa também rever a forma como estas tecnologias são compradas. Preço, qualidade do modelo e funcionalidades continuam a ser importantes, mas passam a dividir espaço com questões como disponibilidade, compromissos contratuais, localização da infraestrutura, mecanismos de recuperação e facilidade de substituição. Um serviço barato em condições normais pode revelar-se bastante mais caro se a empresa tiver de construir, à volta dele, toda a redundância necessária para garantir que uma falha não paralisa o negócio.
Os acontecimentos de 2026 mostram que esta preocupação não nasceu com a inteligência artificial. Em janeiro, uma indisponibilidade do Microsoft 365 superior a nove horas foi associada ao aumento da carga de serviço e à redução da capacidade durante operações de manutenção. Em fevereiro, uma configuração incorreta de controlo de acessos esteve associada a um período prolongado de indisponibilidade num sistema interno da Amazon. Em julho, uma falha de energia e refrigeração num centro de dados da Google nos Países Baixos deixou vários serviços Google Cloud indisponíveis durante quase 15 horas. São incidentes diferentes, com origens diferentes, mas todos recordam a mesma realidade: a cloud não eliminou o risco de infraestrutura. Transferiu parte dele para uma cadeia de fornecedores sobre a qual o cliente empresarial tem menos controlo direto.
Quem paga a infraestrutura da inteligência artificial
Há ainda outra dimensão deste problema que tende a ficar afastada da discussão sobre modelos, mas que se torna cada vez mais difícil ignorar. A inteligência artificial pode ser apresentada ao utilizador como software, mas depende de uma enorme quantidade de infraestrutura física. Por detrás de cada interação existem centros de dados, sistemas de refrigeração, energia, redes de transporte, cabos submarinos, pontos de interligação e, finalmente, redes fixas ou móveis que levam o serviço até à empresa ou ao consumidor.
É neste ponto que a expansão da IA se cruza com uma discussão antiga entre operadores de telecomunicações e grandes plataformas digitais. Os operadores investem continuamente em fibra, redes móveis, capacidade, manutenção e modernização das suas infraestruturas. As grandes plataformas, por seu lado, construíram alguns dos serviços mais utilizados sobre essas redes e concentram uma parte importante do valor económico criado pela economia digital. Quem cria e captura esse valor não é necessariamente quem suporta o investimento na última parte da rede que leva o serviço até ao utilizador.
Seria, contudo, demasiado simplista concluir que as grandes tecnológicas utilizam a Internet sem pagar por ela. Também elas investem quantias significativas em centros de dados, redes internacionais, sistemas de distribuição de conteúdos, interligações e cabos submarinos. O que existe é uma cadeia em que diferentes intervenientes financiam partes diferentes da infraestrutura e procuram obter retorno em pontos diferentes dessa mesma cadeia. O conflito nasce precisamente daqui: saber se a distribuição atual dos custos continua adequada quando uma pequena parte das plataformas concentra volumes crescentes de tráfego, receita e utilização.
Vários operadores europeus defenderam mecanismos através dos quais os maiores geradores de tráfego poderiam contribuir diretamente para determinados investimentos nas redes. A ideia ficou conhecida como fair share e permanece controversa. Para os operadores, existe uma assimetria entre o investimento necessário para aumentar continuamente a capacidade das redes e o valor criado pelos grandes serviços digitais que circulam sobre elas. Para as plataformas tecnológicas, a leitura é diferente: os consumidores já pagam pela conectividade e os próprios fornecedores digitais financiam uma parte substancial da infraestrutura que aproxima conteúdos e serviços dos utilizadores.
A inteligência artificial acrescenta pressão a este equilíbrio porque não é apenas mais um tipo de conteúdo. Os modelos exigem grande capacidade computacional e dependem de ligações constantes entre utilizadores, aplicações empresariais, centros de dados e plataformas de cloud. À medida que agentes e sistemas autónomos forem integrados em milhares de aplicações e começarem a comunicar continuamente entre si, a pressão sobre capacidade, disponibilidade e latência das redes tende a crescer. Isto torna inevitável uma pergunta que vai muito além das telecomunicações: quem deverá financiar a infraestrutura necessária para uma economia em que uma parcela cada vez maior da atividade depende permanentemente da cloud e da inteligência artificial?
Não existe uma resposta simples. Também não é possível exigir redes mais rápidas, redundantes, seguras e resilientes sem reconhecer que essa infraestrutura tem um custo elevado e permanente. O debate não é apenas saber se devem pagar mais as operadoras, as plataformas ou os clientes. É perceber como repartir de forma sustentável o investimento ao longo de uma cadeia tecnológica na qual todos dependem dos restantes.
Para os CIO, esta pode parecer uma discussão regulatória distante, mas dificilmente ficará afastada dos seus orçamentos. Se aumentar o custo da capacidade de rede, da energia, dos centros de dados ou da própria cloud, esse aumento acabará por aparecer em algum ponto da fatura tecnológica. Da mesma forma, alterações no modelo de financiamento das telecomunicações ou novas exigências de resiliência poderão refletir-se nos preços de conectividade, nas plataformas de cloud ou nos serviços de IA.
Por isso, o cálculo económico da inteligência artificial não deverá terminar no preço da licença ou no número de tokens consumidos. Integração, armazenamento, segurança, conectividade, redundância e capacidade de recuperação fazem parte do mesmo custo, mesmo quando aparecem em contratos separados. O preço visível de um modelo é apenas uma parte do custo real de o transformar numa infraestrutura empresarial.
É talvez esta a principal conclusão que pode retirar-se do episódio de 3 de setembro. A inteligência artificial é apresentada sobretudo através da capacidade dos modelos, dos novos agentes e das promessas de automatização, mas continua assente numa infraestrutura muito concreta. Centros de dados precisam de eletricidade e refrigeração. Modelos precisam de cloud e redes. Aplicações precisam de APIs, autenticação e sistemas de controlo de acessos. E todas estas camadas podem falhar.
Quanto mais processos empresariais forem entregues à IA, mais importante será perceber onde estão os pontos de concentração e como uma organização continua a funcionar quando um deles desaparece temporariamente. Para os CIOs, isso significa conhecer não apenas os seus fornecedores, mas também algumas das dependências dos seus fornecedores; perceber se duas soluções aparentemente alternativas utilizam realmente infraestruturas distintas; negociar níveis de serviço compatíveis com a importância das aplicações; e testar, antes de uma crise, aquilo que acontece quando uma plataforma deixa de responder.
A próxima fase da adoção empresarial de IA não será apenas uma corrida pelo modelo mais capaz. Será também uma discussão sobre quanto risco de dependência cada organização está disposta a aceitar e quanto está preparada para pagar para o reduzir.
O incidente que afetou vários serviços poderá acabar por ter uma explicação relativamente simples. A questão que deixa às empresas é bastante maior. À medida que a inteligência artificial se transforma numa peça quotidiana da operação empresarial, deixa de poder ser tratada apenas como uma aplicação inovadora comprada através de uma licença. Passa a fazer parte da infraestrutura sobre a qual o negócio funciona.
E quando uma tecnologia se transforma em infraestrutura, disponibilidade, custo e resiliência deixam de ser características técnicas. Passam a ser decisões de gestão.
