IA soberana: construindo ecossistemas para resiliência e impacto estratégicos

Observação. Este artigo é descritivo e analítico. Não oferece diretrizes, orientação regulatória ou recomendações de segurança nacional, nem prescreve estratégias específicas para países ou instituições. Os exemplos incluídos visam apenas ilustrar padrões ecossistêmicos e não devem ser interpretados como endosso ou prescrição.

A IA soberana está deixando de ser um tópico predominantemente político para se tornar um imperativo econômico e estratégico. Seja em governos, em empresas ou entre investidores, os líderes cada vez mais consideram que deter ou pelo menos controlar competências críticas de IA é essencial para a competitividade econômica, a resiliência estratégica e a confiança da sociedade.

Apesar dessa urgência, muitas iniciativas de IA soberana permanecem estagnadas e não conseguem entregar os resultados esperados. Neste artigo, analisamos como essas iniciativas estão sendo conduzidas e o que distingue os ecossistemas soberanos capazes de traduzir intenção em adoção em larga escala e em vantagem duradoura. Tomando por base uma pesquisa com empresas, provedores de tecnologia, governos e investidores de diferentes regiões do mundo, examinamos os papéis desempenhados pelos vários atores, os desafios que eles enfrentam, os modelos de parceria que repetidamente apresentam melhor desempenho e um roteiro prático para desenvolver competências de IA soberana ao longo do tempo.

Inteligência artificial soberana refere-se à capacidade de uma nação ou organização de desenvolver e controlar competências críticas de IA, de modo a assegurar sua independência estratégica e seu alinhamento com os valores, normas e marcos legais domésticos. Dito isso, porém, não há uma definição única de IA soberana; na verdade, trata-se de um conceito multidimensional, resultante da interação entre quatro componentes distintos:

• Território: a localização física onde residem os dados e o poder computacional
• Operações: quem gerencia e protege os dados e o poder computacional
• Tecnologia: quem detém ou controla o stack tecnológico e a propriedade intelectual
• Jurisdição: o arcabouço legal que rege o acesso a dados e o compliance

Sob essa ótica, a IA soberana pode ser entendida como um espectro de soluções possíveis, distribuídas em diferentes níveis de soberania, que variam conforme o contexto local e as prioridades dos stakeholders (Quadro 1).

Assim, a IA soberana desponta como uma das maiores oportunidades associadas à inteligência artificial. A McKinsey estima que 30% a 40% dos gastos globais com IA poderão ser influenciados por questões de soberania – um mercado potencial entre $500 e $600 bilhões até 2030 (Quadro 2).

Contudo, capturar essa oportunidade exige superar um desafio de execução bastante específico: sucesso em IA soberana não decorre de uma única decisão política, contratação de uma nuvem ou anúncio de um “modelo nacional”. Na verdade, a melhor maneira de entender soberania é como um esforço ecossistêmico que conecta múltiplas camadas – energia, computação, dados, modelos, plataformas na nuvem e aplicativos – em um sistema coerente, ao mesmo tempo em que gerencia a fragmentação inerente ao direito de propriedade, aos modelos operacionais e às estruturas de responsabilização. Isso implica trade-offs explícitos e escolhas deliberadas sobre quais componentes devem, de fato, ser soberanos.

O ecossistema de IA soberana: de “ativos soberanos” para “ativos e resultados soberanos”

Para líderes empresariais e formuladores de políticas, o melhor ponto de partida é redefinir o modo de pensar sobre IA soberana. Muitas iniciativas ainda se concentram em insumos – como GPUs, data centers, regiões na nuvem e o lançamento de modelos nacionais. Embora estes sejam importantes, o verdadeiro valor está nos resultados de longo prazo: resiliência estratégica, autonomia, captura de valor econômico e geração de benefícios para a sociedade.

Um ecossistema soberano eficaz não é, necessariamente, aquele em que todos os componentes são desenvolvidos internamente, mas sim aquele em que pontos críticos de controle permanecem soberanos por definição (mesmo que outras camadas do stack tecnológico permaneçam abertas a parcerias, interoperabilidade e competição). Nossa análise indica que os ecossistemas mais bem-sucedidos adotam o princípio de “soberania mínima suficiente”, operacionalizado por meio de uma regra de decisão clara repetível: classificar as tarefas de IA segundo sua criticidade regulatória e grau de dependência de terceiros e, a partir daí, atribuir níveis diferenciados de soberania mediante diretrizes explícitas sobre residência e localização de dados, propriedade e controle de chaves criptográficas, e governança e controle de acessos.

Diferentes jurisdições têm buscado a IA soberana por meio de diferentes arquétipos ecossistêmicos. Mesmo aquelas com competências avançadas raramente são autossuficientes em todas as camadas, mantendo-se dependentes de provedores externos para pelo menos parte do stack – em especial, hardware e computação de alto desempenho. A seguir estão algumas dos arquétipos que temos observado:

• Hubs de ponta a ponta e polos de IA de vanguarda. Neste modelo, operadores privados constroem data centers de altíssima capacidade para atrair hyperscalers e laboratórios de pesquisa avançada em inteligência artificial, possibilitando o treinamento de modelos em larga escala e ecossistemas sofisticados de inferência.
• Estrutura gerida pelo Estado, com execução em data centers ou na nuvem. Aqui, por motivos estratégicos e de segurança pública, o Estado assume papel central no controle nacional do poder computacional, dos dados e da propriedade intelectual dos modelos. Por sua vez, provedores locais de nuvem e operadores de data centers expandem as plataformas soberanas de computação e de dados em conformidade com os requisitos governamentais.
• Desenvolvimento de modelos orientado por pesquisas e políticas. Instituições de pesquisa e formuladores de políticas conduzem o processo. Incentivos regulatórios e estatais estimulam o desenvolvimento doméstico de modelos e o acesso a dados de forma compatível com as normas. Ecossistemas de nuvem e data centers oferecem ambientes confiáveis para pesquisadores operacionalizarem modelos desenvolvidos localmente.
• Crescimento da IA liderado pelo setor privado e impulsionado por hardware. Nesta abordagem, provedores de nuvem e operadores de data centers formam parcerias com empresas locais e líderes do ecossistema de chips e semicondutores para criar plataformas regionais capazes de sustentar aplicações de IA em escala.
• Hubs estimulados por políticas públicas e forte demanda local ou regional. Neste modelo, governos agilizam licenças, garantem acesso à energia e incentivam investimentos. Operadores de data centers respondem expandindo a capacidade para atender à demanda pública e privada, além de atrair grandes clientes-âncora.

Apesar dessas diferenças, ecossistemas eficazes de IA soberana tendem a ter algumas características em comum:

• Âncora definida pela demanda e adoção setorial. Os ecossistemas mais bem-sucedidos começam agrupando fontes de demanda (como serviços ao cidadão, saúde, integridade financeira, proteção de infraestrutura crítica e produtividade industrial). Isso implica uma mudança explícita no papel do setor público, que passa a alinhar suas atividades de procurement, financiamento e operação à estratégia de IA soberana, atuando como um cliente-âncora indutor de escala.
• Infraestrutura de IA soberana como um pilar central, sustentada por insumos críticos. Ecossistemas robustos possuem ampla infraestrutura computacional nacional: data centers, clusters de GPUs de alta densidade, plataformas na nuvem, cabos submarinos e redes de baixa latência que hospedam e executam tarefas de IA. Essa infraestrutura é alicerçada em recursos físicos que a tornam viável, como energia confiável e a preço acessível, energia verde, e acesso a terra e água.
• Configuração clara de soberania e arquitetura de referência. Como a soberania é multidimensional, ecossistemas eficazes codificam o que deve ser soberano em uma arquitetura de referência e definem uma série de pontos de controle não negociáveis: classificação de dados e usos permitidos; criptografia e propriedade de chaves; gestão de riscos e avaliação de modelos; monitoramento, identidade e controle de acesso; registros auditáveis; e protocolos de resposta a incidentes e de acesso legal.
• Governança, políticas e padrões de dados confiáveis. Governança, políticas e padrões constituem uma força habilitadora que determina a velocidade e a escala por meio da alocação de terras e energia, regras de importação e exportação de capacidade computacional, incentivos econômicos, e estruturas de governança capazes de atrair demanda e investimentos.
• Ecossistema de dados e estratégia pragmática de modelos modulares. A localização mantém os dados “dentro”, mas não os torna automaticamente utilizáveis. Ecossistemas soberanos robustos constroem produtos de dados e mecanismos de compartilhamento, como padrões interoperáveis e consórcios setoriais que aumentam a quantidade e a qualidade dos dados para treinamento e ajuste fino. Com relação aos modelos de IA, propriedade garante independência, mas muitas vezes trazer os melhores modelos de IA para o país significa abrir mão do controle. Assim, cada vez mais os países estão adotando uma estratégia em camadas, utilizando modelos globais de ponta sempre que possível e desenvolvendo ou aprimorando modelos de domínio e de linguagem onde a necessidade ou o valor da soberania for maior.
• Capital alinhado ao perfil de risco de cada camada do stack. O financiamento impulsiona a expansão e a inovação por meio de mecanismos que abrangem incentivos públicos, capital de risco e privado para infraestrutura, startups e adoção empresarial. Energia e data centers precisam de capital “paciente” (como o investido em infraestrutura); modelos e plataformas requerem capital de crescimento com maior tolerância ao risco; e aplicativos e integração demandam caminhos de investimento e uma adoção vigorosa pelas empresas. Ecossistemas eficazes são aqueles que alinham os instrumentos financeiros a cada camada.
• Atração ou desenvolvimento de talentos locais. O pipeline de talentos de IA está rapidamente se tornando um recurso escasso, exigindo mecanismos de requalificação acelerada. Isso implica investimentos contínuos em educação, recapacitação e programas vitalícios de aprendizagem capazes de preparar os trabalhadores para as novas funções criadas pela integração da IA.

Juntos, esses sete elementos constituem não uma lista de iniciativas isoladas, mas os componentes interdependentes de um sistema. Ecossistemas eficazes são aqueles que tratam a soberania como um problema de desenho coordenado, alinhando essas dimensões de tal forma que cada uma reforce as demais.

As entidades-chave de ecossistemas bem-sucedidos: governos, provedores, empresas e investidores

Construir um ecossistema de IA soberana requer coordenação entre quatro grupos distintos: governos estabelecem confiança, definem regras e estruturam a demanda; provedores desenvolvem a tecnologia e as plataformas subjacentes; empresas convertem infraestrutura em valor econômico real; e investidores aportam capital e assumem o risco necessário para viabilizar a escala.

A seguir, examinamos o papel de cada entidade à luz dos insights de nossa pesquisa, destacando restrições específicas e ações prioritárias para a transição de projetos-piloto fragmentados para resultados sustentáveis em escala.

Governos: atuam como orquestradores, investidores, reguladores e clientes-âncora

Os governos possuem uma capacidade singular: são os únicos capazes de converter ambições fragmentadas em execução coordenada. Por isso, desempenham um papel central na liderança de ecossistemas de IA soberana.

Cabe a eles definir as metas de soberania: quais tarefas exigem soberania vigorosa (por exemplo, defesa, dados sensíveis sobre cidadãos e infraestrutura crítica), quais admitem modelos híbridos e quais podem permanecer predominantemente globais. Essas escolhas são então traduzidas em controles acionáveis (como classificação de dados, auditabilidade e propriedade das chaves criptográficas). Ao instituir regimes de certificação, os governos contribuem para padronizar o que significa “confiável”, de tal modo que os setores regulamentados possam adotar a IA de forma rápida e repetível.

Os governos também agregam a demanda, criando um ciclo virtuoso [flywheel] de adoção. A demanda do setor público pode ser agrupada em estruturas plurianuais ancoradas em um número restrito de provedores interoperáveis de grande porte para justificar o investimento inicial.

Por fim, atuam como catalisadores da expansão da oferta por meio de políticas públicas e investimentos direcionados. Com isso, podem ampliar a capacidade disponível acelerando processos de licenciamento e elevar a prontidão da rede criando condições para desenvolvedores de infraestrutura operarem em escala. Desse modo, viabilizam o planejamento de longo prazo do sistema energético para alinhá-lo às demandas crescentes da IA.

Provedores de tecnologia: ampliam competências, localizam a confiança e asseguram legitimidade por meio de parcerias

Provedores englobam hyperscalers, provedores de nuvem locais, neoclouds¹Provedores especializados em infraestrutura na nuvem voltada especificamente para IA., operadores de data centers, empresas de telecomunicações, desenvolvedores de modelos e integradores. Os ecossistemas mais avançados raramente escolhem apenas hyperscalers ou provedores locais, preferindo desenhar arquiteturas em que diferentes atores competem e colaboram nas camadas em que possuem vantagens.

Os resultados da nossa pesquisa apontam para um tipo de tensão que os provedores precisam aprender a gerenciar. Embora a maioria dos líderes empresariais destaque a importância estratégica da IA soberana, a soberania por si só raramente conduz à decisão de substituir fornecedores – essa é uma decisão que continua dominada por preço, desempenho e confiabilidade (Quadro 3). Todavia, isso não sinaliza baixa demanda por soluções soberanas, mas é um reflexo da maneira como as empresas operacionalizam o risco: a soberania torna-se fundamental em um subconjunto específico de aplicações – aquelas que envolvem dados sensíveis, elevada suscetibilidade regulatória ou serviços essenciais.

Na verdade, as ofertas de IA soberana são vistas como sendo 10% a 30% mais dispendiosas do que alternativas globais (Quadro 4). Embora haja casos e situações em que soluções soberanas podem ser mais vantajosas, seus provedores precisarão explicar para seus clientes exatamente quais são essas condições se quiserem justificar um preço premium.

Para os provedores, as implicações são claras. A demanda por IA soberana é real, porém seletiva. A soberania se torna comercialmente relevante quando de fato reduz os riscos ou viabiliza a implantação de IA em ambientes altamente regulamentados – não quando é tratada como uma commodity indiferenciada. Na prática, isso significa que os fornecedores têm sucesso quando conseguem traduzir requisitos abstratos de soberania em ofertas concretas, padronizadas e de fácil adoção, não quando transferem aos clientes o ônus de absorver a complexidade ou a incerteza regulatória.

Empresas: criam demanda, fornecem dados, industrializam a adoção

As empresas são os motores da demanda que convertem a soberania em valor econômico escalável. Nos ecossistemas mais avançados, empresas regulamentadas e entidades governamentais atuam como âncoras que atraem investimentos.

O interesse das empresas por funcionalidades de IA soberana já está bastante disseminado; no entanto, embora a maioria delas a inclua em seus planos para 2026, poucas possuem uma estratégia detalhada, um plano de ação, alocação orçamentária ou priorização de casos de uso (Quadro 5).

A ausência de prontidão operacional também ajuda a explicar por que as migrações para nuvem e IA soberanas costumam levar de três a quatro anos (Quadro 6). Esses prazos não decorrem de limitações tecnológicas, mas do trabalho organizacional necessário para migrar tarefas regulamentadas. Adotar a IA soberana, portanto, não significa apenas trocar de fornecedor: é uma transformação que se desenrola ao longo de vários anos.

Por outro lado, esses prazos estendidos não devem ser interpretados como insuficiência técnica. Cada vez mais, provedores soberanos e locais estão se equiparando às alternativas globais em termos da qualidade do serviço, especialmente nas camadas inferiores do stack tecnológico de IA (Quadro 7).

As migrações para IA soberana são lentas não porque a tecnologia seja imatura, mas porque as empresas têm dificuldade em decidir onde a soberania é realmente crucial e em ajustar adequadamente seus modelos operacionais. Assim, os provedores só teriam a ganhar tratando a soberania como uma decisão de portfólio, não como uma posição ideológica – segmentando as tarefas de IA em soberanas, híbridas ou globais. Isso evita discussões binárias do tipo “tudo ou nada” e acelera o retorno do investimento à medida que a soberania vai se consolidando ao longo do tempo. Para empresas que querem capturar a demanda por IA soberana, o verdadeiro gargalo são o descuido com os dados e a indefinição do modelo operacional. Isso implica investir no desenvolvimento de produtos de dados robustos por meio de operações de machine learning capazes de operar em ambientes soberanos e não soberanos. Por fim, elas devem contribuir para a própria construção do ecossistema – unindo-se em consórcios setoriais, adotando uma postura de adoção pioneira, atuando como clientes preferenciais, aprimorando o procurement e codesenvolvendo aplicações e modelos de domínio em parceria com provedores e startups para acelerar a inovação local.

Investidores: fornecem o capital, gerenciam os riscos de precificação e aceleram a escala

A IA soberana vem despertando forte interesse entre os investidores globais – e, em especial, entre fundos soberanos – levando a um aumento esperado das ordens de investimento em IA soberana e em ativos sob gestão.

A IA soberana abrange várias classes de ativos: energia, imóveis, data centers, conectividade, serviços na nuvem, desenvolvimento de modelos, software de aplicações, segurança cibernética e integração. Os investidores são importantes em todas elas, pois podem ajudar as organizações a atravessar o “vale da incerteza” – o período em que a demanda ainda não está plenamente comprovada. A maioria deles tem a expectativa de que seus investimentos aumentarão ao longo de todo o stack tecnológico, particularmente nas camadas superiores.

Em todas as camadas, os investidores mais eficazes fazem duas coisas excepcionalmente bem. Primeiro, priorizam projetos com demanda concreta e regras claras, não anúncios grandiloquentes ou expansões especulativas. Segundo, ajudam as empresas a crescer e viabilizam sua saída, incentivando assim a inovação local em vez de estagná-la.

Modelos de parceria de alto desempenho

Qualquer que seja o mercado, existem várias estruturas de parceria que podem acelerar a transição dos ecossistemas de IA soberana de projetos-piloto para programas de grande porte. Os modelos mais bem-sucedidos alinham incentivos de entidades públicas e privadas e reduzem os atritos que surgem na adoção.

Zonas de IA soberana com controles padronizados

Nesse modelo, ambientes integrados combinam energia, capacidade computacional, conectividade segura e mecanismos de compliance em uma única estrutura operacional. Por padronizarem desde o início os requisitos de segurança, a residência de dados e a auditabilidade, essas zonas encurtam o período de adoção e permitem que as aplicações de IA sejam implementadas de forma repetível e escalável, não como exceções pontuais.

Exemplos incluem zonas soberanas na nuvem oferecidas por hyperscalers na Europa e no Oriente Médio, bem como zonas nacionais de IA ou de nuvem que combinam infraestrutura certificada com controles regulatórios pré-aprovados.

Agregação de demanda e compromissos de compra

Trata-se de contratos plurianuais que consolidam a demanda do setor público e de setores altamente regulamentados para criar tarefas previsíveis. Quando combinados com processos mais ágeis de procurement e trajetórias claras de expansão, a agregação de demanda converte intenção política em utilização economicamente viável.

Exemplos incluem o EuroHPC Joint Undertaking, no qual a coordenação da demanda pública garante o compartilhamento da capacidade de supercomputação e de IA. Nesse arranjo, estruturas organizadas pelo governo funcionam como âncoras iniciais da IA em áreas como saúde, defesa ou serviços públicos.

Modelos operacionais conjuntos para ambientes soberanos

Nesses modelos, estruturas de controle compartilhado definem claramente quem opera a infraestrutura, quem controla o acesso e a criptografia, e como os incidentes e o compliance são geridos. Constituem uma alternativa híbrida aos ambientes integralmente geridos pelo Estado ou totalmente administrados por fornecedores privados.

Exemplos incluem joint ventures de nuvem soberana, como a Bleu, na França, que combina controle operacional local com tecnologias de hyperscalers globais sob um arcabouço de governança claramente definido.

Adaptação de modelos e consórcios de dados

Acordos colaborativos podem reunir dados, financiamento e demanda para desenvolver ou aprimorar modelos de linguagem e soluções especializadas por domínios. De modo geral, são os governos que definem os padrões de governança e os critérios de avaliação, enquanto múltiplos fornecedores competem nas camadas de aplicação.

Exemplos incluem iniciativas de modelos abertos e semiabertos, como o BLOOM – um grande modelo de linguagem criado pelo workshop BigScience, com 176 bilhões de parâmetros e treinado para oferecer suporte em 46 idiomas naturais e 13 linguagens de programação – e também consórcios nacionais de modelos de linguagem ou de soluções setoriais.

Financiamento misto para as camadas iniciais

As estruturas de financiamento podem combinar capital público e investimentos privados para ativos com longos ciclos de retorno – como energia, data centers e plataformas fundamentais. A participação governamental ajuda a mitigar os riscos da fase inicial de desenvolvimento, abrindo um caminho de entrada para o capital comercial à medida que a utilização se consolida.

Exemplos incluem o coinvestimento público em centros nacionais de computação e fábricas de IA, geralmente em combinação com compromissos de compra de longo prazo por parte do próprio governo ou de setores regulamentados.

Em todos esses modelos, o fio condutor é a orquestração. As parcerias têm melhor desempenho quando há responsabilidade explícita – e não presumida – pelo alinhamento dos incentivos, a eliminação de atritos e a conversão de ambições soberanas em execução prática.

Um roteiro prático: três ondas de construção de ecossistemas

Na prática, ecossistemas de IA soberana bem-sucedidos tendem a surgir em três ondas sobrepostas, não como uma única construção linear.

A primeira onda estabelece a linha de base e revela a demanda inicial. Os líderes definem quais tarefas realmente exigem controles soberanos, traduzem essas decisões em mecanismos de governança e procurement, e lançam um pequeno número de projetos-piloto de alto impacto que sejam suficientemente grandes para justificar o investimento inicial. O objetivo não é completude, mas credibilidade – produzir provas iniciais de que os ambientes soberanos podem operar de forma segura, confiável e em escala.

A segunda onda foca a escalabilidade da infraestrutura compartilhada e dos ecossistemas de dados. Com os sinais de demanda já comprovados, os ecossistemas viabilizam a expansão da capacidade computacional e energética, industrializam os modelos operacionais e investem em produtos de dados de setores específicos e em mecanismos legais de compartilhamento de dados. É aqui que muitas iniciativas fraquejam, pois tentam escalar a infraestrutura sem antes resolver as questões de governança, modelo operacional e talento.

A terceira onda cria vantagem duradoura e competências exportáveis. Os ecossistemas tornam-se mais especializados em domínios selecionados, oferecem suporte a fornecedores num cenário competitivo e permitem que startups e integradores escalem suas operações. Nessa fase, as competências confiáveis passam não só a contribuir para esforços locais, como também se tornam fontes de diferenciação regional ou global.

Um dos erros mais comuns é a sequenciação equivocada: por exemplo, investir maciçamente em ativos compartilhados antes que a demanda e a governança estejam definidas; ou tentar realizar ambições de liderança global sem os dados, a adoção e as bases operacionais necessárias para tal.

Em última instância, a IA soberana não visa alcançar independência total em todas as camadas do stack tecnológico. O que está em jogo é a construção de um ecossistema. Aqueles que conseguirem orquestrar sistemas coerentes – aplicando a soberania de forma deliberada aos pontos críticos de controle e alinhando os incentivos de governos, provedores, empresas e investidores – transformarão a infraestrutura em competências confiáveis e essas competências em resultados escaláveis.