O boom da IA chinesa e a mesa de design que ninguém audita
Em janeiro de 2026, seis empresas chinesas de inteligência artificial e semicondutores foram listadas na Bolsa de Hong Kong e levantaram, juntas, 3,6 bilhões de dólares, quase 60% a mais do que o total de IPOs do primeiro trimestre de 2025 no mesmo mercado. As ações da MiniMax e da Z.ai chegaram a dobrar seu preço de abertura. Os fundos de varejo sobrescreveram ambas as emissões mais de mil vezes. A IDG Capital, um dos grandes apoiadores da MiniMax, acumulou lucros superiores a 300 milhões de dólares sobre papel. A HongShan, gestora que antes operava como Sequoia Capital China, participou de três das seis listagens.
Os títulos celebram a velocidade. Eu prefiro auditar a arquitetura.
O que os mercados estão premiando sem ver
O argumento por trás dessa onda de capital é sedutor em sua simplicidade: a China possui modelos de linguagem próprios, tem chips próprios em desenvolvimento, um mercado doméstico de escala continental e o Estado empurrando por trás. A Baidu reportou um crescimento de 48% ano a ano em seus rendimentos de negócios centrais impulsionados por IA no quarto trimestre de 2025. A Alibaba lançou o Qwen 3.5 com 397 bilhões de parâmetros, suporte para 201 idiomas e mais de 700 milhões de downloads no Hugging Face. A Cambricon planeja triplicar sua produção de aceleradores de IA em 2026, chegando a 500.000 unidades. O Apollo Go, o serviço de robotáxis da Baidu, completou 17 milhões de viagens globais e já opera em Dubai, além de ter acordos para Londres.
Essas métricas são reais. Mas os mercados de capital têm um histórico documentado de premiar a escala sem auditar a fragilidade dos pressupostos sobre os quais essa escala é construída. E o pressuposto mais frágil desse boom não está nos chips nem nos parâmetros dos modelos. Está em quem decide quais problemas merecem ser resolvidos, para quais usuários e sob quais critérios de sucesso.
Quando um modelo de linguagem grande é treinado sobre corpora massivos de texto, os preconceitos não aparecem como erros evidentes. Eles surgem como decisões de design que parecem neutras até que o produto atinja mercados onde os pressupostos da equipe criadora não se aplicam. O Qwen 3.5 suporta 201 idiomas, uma façanha de engenharia impressionante. Mas suportar um idioma e entender os marcos culturais, as estruturas de poder e as necessidades econômicas reais de quem o fala são dois fenômenos distintos. A cobertura linguística não é substituto da diversidade na mesa de design.
A arquitetura social por trás de 3,6 bilhões de dólares
O que esse boom revela, com uma clareza raramente analisada, é o modelo de capital social sobre o qual opera o ecossistema de IA na China. A HongShan esteve em três listagens, a Qiming Venture Partners e a IDG Capital em duas cada. A mesma rede de confiança, os mesmos circuitos de validação, os mesmos perfis de investidores aprovando os mesmos perfis de fundadores. Shen Meng, diretor da Chanson & Co., explicou que os reguladores chineses preferem Hong Kong para IPOs de alta valorização e alta incerteza porque os investidores institucionais absorvem melhor a volatilidade do que o varejista no mercado continental. É um argumento de gestão de risco financeiro perfeitamente razoável.
Mas há outro risco que essa lógica não capta: o risco de uma rede fechada de validação influenciar as decisões de produto. Quando os mesmos fundos apoiam os mesmos tipos de equipes, que constroem para os mesmos usuários imaginados, o capital não financia apenas tecnologia. Ele financia uma visão particular de para quem é essa tecnologia. E essa visão, quando codificada em modelos com 2,4 trilhões de parâmetros como o ERNIE 5.0 da Baidu, ou em sistemas de condução autônoma como o Apollo Go, que já opera em vias públicas de Dubai e se prepara para sua entrada em Londres, não é um detalhe operacional. É uma decisão de governança com consequências de escala global.
As redes homogêneas têm uma propriedade bem documentada: são extraordinariamente eficientes para se mover rapidamente dentro de territórios conhecidos. E são estruturalmente cegas aos territórios que não conhecem. O problema não é a eficiência. O problema é que os modelos de IA não operam apenas dentro do território conhecido por seus criadores. Eles operam sobre o mundo inteiro.
O custo real dos pontos cegos em escala
Permita-me ser específica sobre as mecânicas. Quando um modelo de IA é treinado com preconceitos de representação, esses preconceitos não desaparecem com o tempo. Eles se amplificam. Um sistema de condução autônoma treinado principalmente sobre padrões de tráfego de cidades chinesas que, em seguida, é implantado em Dubai ou Londres não é apenas um desafio de engenharia de adaptação. É um sistema que tomará decisões em frações de segundo sobre pressupostos implícitos de comportamento veicular e pedonal que não foram validados nesses ambientes por pessoas que os conhecem.
E isso não é um argumento contra a expansão global do Apollo Go. É um argumento para exigir que as equipes que projetam esses sistemas sejam suficientemente diversas para detectar os pontos cegos antes que o sistema os encontre em uma via pública. A diversidade de pensamento e origem em uma equipe de engenharia de IA não é um valor simbólico. É um mecanismo de detecção de erros. Uma equipe homogênea compartilha os mesmos pontos cegos, o que significa que os erros da equipe se tornam os erros do sistema, e os erros do sistema se escalam para milhões de usuários.
A mesma análise se aplica aos modelos de linguagem. O Qwen 3.5 foi baixado 700 milhões de vezes no Hugging Face e gerou mais de 180.000 modelos derivados. Cada modelo derivado herda os preconceitos do modelo base, amplificados ou atenuados de acordo com as decisões da equipe que o adapta. A pergunta sobre quem estava sentado à mesa quando se definiram os critérios de qualidade do corpus de treinamento do Qwen 3.5 não é uma questão de responsabilidade social corporativa. É uma questão de engenharia financeira: os modelos derivados com preconceitos não detectados geram passivos de reputação e regulatórios que, em algum momento, chegarão à conta de resultados.
Os 3,6 bilhões levantados em Hong Kong estão, em grande parte, apostando que isso não ocorrerá. Ou, pelo menos, que não ocorrerá antes que os fundos encontrem sua saída.
O capital social que esse boom não está construindo
Há um tipo de capital que não aparece em nenhum prospecto de IPO e que determina a resiliência a longo prazo de qualquer empresa tecnológica que opere em escala global: a capacidade de construir confiança genuína com comunidades que não se parecem com os fundadores. Esse capital não é construído contratando uma equipe de diversidade e inclusão após a saída à bolsa. Ele é construído quando os critérios de quem projeta, quem valida e quem toma decisões de produto incluem perspectivas que detectam os problemas antes que eles cheguem ao mercado.
A narrativa dominante sobre o boom da IA chinesa fala de geopolítica, chips, parâmetros e controles de exportação americanos. Todas essas variáveis importam. Mas a variável que determinará quais empresas desse grupo continuarão sendo relevantes em 2030 não é quantos aceleradores a Cambricon fabrica ou quantos parâmetros tem o ERNIE. É se as equipes que constroem esses sistemas são suficientemente heterogêneas para detectar seus próprios erros antes que esses erros alcancem escala.
Os mercados estão valorizando o potencial desses modelos com uma prima de 40% sobre o Nasdaq 100. Essa prima desconta que a tecnologia funcionará. Não desconta o custo de que funcione mal para os usuários que ninguém na equipe de design imaginou.
Da próxima vez que um executivo revisar o pipeline de investimento em IA de sua empresa, a análise de due diligence deve incluir uma pergunta que hoje não está em nenhum questionário padrão: quem compõe a equipe que define os critérios de sucesso do modelo? Se todos vierem do mesmo tipo de instituição, do mesmo circuito de financiamento e do mesmo mercado de origem, o produto não tem um problema de diversidade. Ele tem um problema de superfície de risco não auditada. E esse problema não desaparece quando o modelo escala; ele se multiplica com ele. O executivo que observar sua própria mesa na próxima reunião de estratégia e perceber que todos pensam da mesma forma, viveram experiências semelhantes e validam os mesmos pressupostos, já tem a resposta sobre por que sua empresa chegará tarde à detecção da próxima falha de produto que o mercado não perdoará.
