Google DeepMind adotou a velocidade de startup sem abandonar a escala corporativa
Em janeiro de 2014, o Google adquiriu a DeepMind. Doze anos depois, seu CEO Demis Hassabis descreve a mesma organização como uma espécie de startup interna, uma unidade que decidiu importar velocidade de execução, tolerância ao risco e uma cultura de lançamento de produtos para competir com rivais mais ágeis. O diagnóstico implícito é duro: uma das organizações de pesquisa em inteligência artificial mais potentes do planeta havia acumulado um problema clássico de empresas maduras. Tinha os ativos, mas não a cadência.
O que Hassabis descreveu não é marketing. É um sinal operacional que merece ser lido com frieza.
O problema que ninguém quer nomear em grandes empresas
Google e DeepMind juntos, segundo o próprio Hassabis, desenvolveram aproximadamente 90% dos avanços sobre os quais se baseia a indústria moderna de inteligência artificial, incluindo os Transformers e o aprendizado por reforço profundo. Essa cifra, se for aproximadamente correta, descreve uma vantagem de pesquisa sem precedentes. E, no entanto, entrando em 2025, os investidores da Alphabet questionavam publicamente se o Google poderia manter o ritmo frente à OpenAI.
Essa lacuna entre capacidade de pesquisa e velocidade de implantação de produtos é exatamente o tipo de fissura estrutural que destrói vantagens competitivas de forma silenciosa. Não é uma crise contábil, não aparece no balanço. Aparece na percepção do mercado e, eventualmente, na participação de usuários.
A resposta de Hassabis foi deliberada: não reestruturar de cima para baixo com reorganizações massivas nem adquirir startups externas para injetar velocidade. Em vez disso, a aposta foi importar comportamentos operacionais específicos para dentro. Ele o descreveu como "recuperar a era dourada do Google de 10 ou 15 anos atrás" e como "trazer a energia de startup para o que fazemos". Em termos de gerenciamento de risco organizacional, isso equivale a tentar mudar a densidade da água sem mudar o recipiente.
A questão estratégica não é se a intenção é correta. É se o mecanismo pode funcionar nessa escala sem gerar atritos que anulem a vantagem buscada.
A arquitetura do experimento: o que mudou e o que não mudou
O que Hassabis descreve como transformação tem três componentes observáveis. Primeiro, aceleração no ciclo de lançamentos: Gemini 3 e o sistema de geração de imagens conhecido internamente como Nano Banana foram apresentados como produtos de referência em suas categorias, não como protótipos de pesquisa. Segundo, a integração direta em superfícies de consumo massivo como Chrome, YouTube e busca, eliminando a distância entre laboratório e usuário final. Terceiro, uma reorientação para sistemas multimodais, capazes de processar imagem, vídeo e áudio simultaneamente, como uma aposta de diferenciação frente a modelos predominantemente textuais.
Isso é o que mudou. O que não mudou é igualmente relevante: a DeepMind ainda opera dentro da estrutura corporativa da Alphabet, com seus processos de governança, seus ciclos de aprovação orçamentária e sua base de custos fixos monumentais. Hassabis o descreveu com uma analogia própria: a DeepMind é uma "usina nuclear conectada ao resto desta empresa incrível". A metáfora é precisa em um sentido que talvez não tenha sido intencional. Uma planta nuclear não se reconfigura rapidamente. Seu valor está na potência sustentada, não na flexibilidade de arranque.
O que a DeepMind está tentando é preservar a potência da planta enquanto instala sobre ela uma camada de distribuição mais ágil. Em termos de arquitetura financeira, isso significa que os custos fixos da pesquisa de base continuam sendo monumentais, mas o ciclo de conversão dessa pesquisa em produto é comprimido. Se a compressão funcionar, a economia unitária melhora sem reduzir a capacidade instalada. Se não funcionar, se acumulam custos de coordenação entre a velocidade de startup e a inércia corporativa, e o resultado é pior do que qualquer um dos dois modelos separadamente.
A assimetria de riscos que Hassabis não pode controlar totalmente
Hassabis projeta 2030 como o horizonte mais cedo possível para a inteligência artificial geral, com a advertência honesta de que os avanços geralmente levam mais tempo do que o esperado. Essa calibração importa porque define o tipo de aposta que está sobre a mesa.
Se o horizonte da AGI é 2030 ou mais além, a competição relevante hoje não é quem chega primeiro à AGI, mas quem constrói a base de usuários, os dados de feedback e a integração em fluxos de trabalho reais que determinará quem tem vantagem quando esse limiar for cruzado. Sob essa leitura, a aceleração nos lançamentos de produtos não é um giro tático. É a estratégia central de posicionamento para uma transição que ainda não chegou.
O risco estrutural está em outro lugar. Uma organização que opera com velocidade de startup dentro de uma corporação grande tende a gerar duas patologias previsíveis. A primeira é o síndrome da prioridade difusa: quando tudo deve sair rapidamente e se conectar a múltiplas superfícies de produto simultaneamente, os times internos competem por recursos computacionais, talento e atenção executiva. A segunda é a dívida de qualidade acumulada: a pressão para lançar pode incentivar decisões que priorizam a métrica de velocidade sobre a robustez do produto, gerando problemas que se pagam com usuários insatisfeitos ou com custos de correção posteriores.
Hassabis reconheceu a competição como "feroz e intensa" e descreveu a estratégia como "bloquear o ruído e executar". Isso é exatamente o correto em termos de foco. O risco não vem do ruído externo, mas da fricção interna que gera operar com duas velocidades dentro do mesmo sistema.
O que torna este caso distinto da maioria das tentativas corporativas de "pensar como uma startup" é que a DeepMind tem algo que as startups não têm: acesso imediato à infraestrutura computacional massiva, distribuição global através de produtos já instalados em bilhões de dispositivos e um histórico de pesquisa que gera credibilidade técnica diante dos melhores engenheiros do mundo. Essas não são vantagens menores. São as condições que tornam o experimento mais propenso a funcionar onde outros falharam.
A tese que o mercado ainda não terminou de processar
O modelo que Hassabis está construindo, se funcionar, não é nem startup nem corporação tradicional. É uma estrutura modular onde a camada de pesquisa opera com horizontes longos e tolerância à incerteza, enquanto a camada de produto opera com ciclos curtos e sensibilidade ao usuário. Que ambas as camadas coexistam sem que uma capture os recursos da outra é o problema de engenharia organizacional mais difícil que a DeepMind enfrenta.
O sinal que indicará se isso funciona não virá das declarações de Hassabis nem dos comunicados da Alphabet. Virá da cadência real de lançamentos medida contra a qualidade percebida pelos usuários, e de se a integração no Chrome, YouTube e busca gera dados de feedback que a DeepMind possa usar para fechar a lacuna com a OpenAI nas categorias onde hoje está atrasada.
O experimento está em andamento. A estrutura que Hassabis descreve, se conseguir manter separados os ciclos de custo de pesquisa e os ciclos de conversão em produto, tem a arquitetura correta para sobreviver à competição de médio prazo sem depender de que um único lançamento mude tudo.
