IPO da Anthropic cresce 16 bi e levanta dúvida sobre lucro real

Tech Desk

Receita bilionária e expansão de clientes corporativos colocam em xeque a lucratividade da Anthropic.

Leia também: Democratas querem proibir resgate federal a big techs de IA agora

O pedido de IPO da Anthropic nos Estados Unidos revela um salto raro no mercado de IA empresarial: a companhia faturou US$ 16,3 bilhões no primeiro semestre de 2026 e viu sua base de clientes corporativos crescer de cerca de 950 para mais de 11.900 empresas que, cada uma, geram ao menos US$ 100 mil por ano em receita para a fornecedora. Os números confirmam a corrida global por modelos avançados de IA, como o Claude, mas reacendem uma dúvida incômoda entre executivos: afinal, esse gasto todo está mesmo se pagando?

Receita explode e base de clientes faz ‘salto quântico’

De acordo com o documento apresentado ao regulador do mercado americano, a Anthropic mais que multiplicou por dez sua base de clientes empresariais em 12 meses, superando 11.900 companhias ativas até o fim de setembro, todas com contratos de pelo menos seis dígitos em dólares ao longo de um ano.

O motor desse crescimento é o uso do Claude em múltiplos fluxos de trabalho corporativos, da automação de tarefas repetitivas à análise de grandes volumes de dados e geração de código. A lógica é clara: quanto mais processos migram para cima dos modelos da Anthropic, maior a receita recorrente.

Para Jeet Pattanaik, gerente de programa de APIs na SAP e fundador e CTO da Glokal AI, a virada está na maturidade dos sistemas atuais. “The simple reason is that the models are now good enough to do real work”, afirma. Segundo ele, o fato de muitos desses serviços poderem ser contratados pelos mesmos acordos de nuvem já usados por grandes empresas acelera a adoção e reduz a fricção na compra.

Entenda o contexto

A Anthropic é uma das protagonistas na disputa por clientes empresariais que querem levar IA generativa e agentes autônomos para o centro da operação. O IPO busca capitalizar esse momento de expansão, num cenário em que grandes grupos globais testam e escalam aplicações que prometem desde atendimento automatizado até suporte a decisões estratégicas.

O movimento não fica restrito ao mercado americano: multinacionais de serviços, indústria, finanças e varejo espalhadas pelo mundo passam a contratar diretamente os modelos da Anthropic ou soluções que rodam sobre eles, influenciando a forma como a IA chega também a filiais e parceiros em países como o Brasil.

Investimento em alta não prova que a conta fecha

Apesar do entusiasmo, especialistas alertam que o estouro de gastos com IA não significa que as empresas tenham dominado a matemática por trás dessa tecnologia. Kathryn Harrison, vice-presidente global de produto na Concentrix, vê um descompasso entre capex e clareza de retorno. “It shouldn’t be read as proof that companies have figured out the economics”, afirma.

Ela ressalta que compras maiores de IA refletem tanto confiança nas capacidades dos modelos quanto pressão de conselhos e CEOs para “não ficar para trás”. Mas, sem mudanças operacionais claras — redesenho de processos, redefinição de indicadores e treinamento intensivo de equipes —, a IA tende a virar mais uma camada de custo, e não necessariamente de resultado.

Harrison defende que as empresas comparem, tarefa a tarefa, quanto custa executar um processo com IA versus o fluxo anterior, incluindo o tempo que os funcionários gastam ajustando e conferindo o que a máquina produz. Só assim é possível saber se a promessa de produtividade virou ganho real.

Custos ocultos: integração, dados e supervisão humana

À medida que a IA deixa de ser piloto e entra em rotina, entram em cena despesas que não apareciam nas planilhas iniciais. Tim Doll, chief digital officer da Generational Group e CEO da consultoria Precocity, afirma que um erro comum é usar modelos de ponta em tarefas triviais, encarecendo o dia a dia sem necessidade.

Ele chama atenção para o custo da supervisão: “Human oversight adds to those costs because employees must check the accuracy and usefulness of AI-generated outputs”, diz. Cada resposta revisada, cada relatório conferido, cada linha de código auditada representa horas humanas que muitas vezes não entram no cálculo de ROI.

Outro gargalo é a preparação dos dados e a conexão entre sistemas legados e as novas camadas de IA. Empresas com bases de dados fragmentadas ou mal estruturadas precisam investir pesado em limpeza, integração e governança antes de conseguir extrair valor consistente dos modelos. Esse esforço pode levar meses e consumir orçamentos relevantes de TI e negócio.

Modelos mais baratos, conta maior?

No próprio pedido de IPO, a Anthropic descreve um ciclo em que a redução do custo por tarefa impulsiona o uso e a adoção em mais áreas da empresa. Na prática, isso tende a aumentar a receita da fornecedora e, em muitos casos, também a fatura final do cliente.

Pattanaik alerta para esse efeito de “elástico”: “Cheaper models are good news, but they rarely lower the total bill”, diz. “When something gets cheaper, people use it more. So, each task costs less, but overall spending goes up.” Para o comprador corporativo, o que importa deixa de ser o preço por token ou por assinatura isoladamente e passa a ser o custo total do fluxo de trabalho suportado por IA em relação ao valor gerado.

Isso inclui integração com sistemas internos, monitoramento, ciclos de ajuste, governança, treinamento de usuários e a necessidade de redesenhar processos à medida que a tecnologia evolui. Em larga escala, pequenas ineficiências somadas podem transformar um projeto promissor em um centro de custo difícil de cortar.

Risco de dependência de fornecedor cresce com a escala

Outro ponto exposto pelo IPO é a assimetria entre a economia da IA para provedores e para clientes. Enquanto a Anthropic se beneficia de ver o Claude espalhado por dezenas de produtos e fluxos internos de uma mesma empresa, o comprador se torna cada vez mais dependente do fornecedor.

No início, trocar de modelo é relativamente simples: um piloto em uma área específica pode ser migrado para outra solução em semanas. Mas, quando times de desenvolvimento, agentes internos e aplicações críticas passam a ser construídos em torno do mesmo modelo, os custos de mudança disparam — do retrabalho de prompts ao redesenho de integrações e frameworks de teste.

Pattanaik sugere uma regra prática para reduzir esse risco: empresas deveriam se perguntar se conseguiriam migrar suas principais cargas de trabalho de IA para outro fornecedor em até três meses. Se a resposta for não, o alerta de dependência excessiva está aceso. Segundo ele, manter prompts, workflows e estruturas de teste o mais “neutros” possível, dentro de casa, ajuda a preservar flexibilidade.

O desafio de medir o ROI da IA avançada

Por trás dos números bilionários da Anthropic está uma conta mais prosaica, que recai sobre os CFOs e líderes de tecnologia: como provar, com dados, que os ganhos compensam todos os custos agregados. Doll lembra que os provedores geralmente cobram por uso, não pelos resultados obtidos. Cabe às empresas definir o que é sucesso e se o projeto está entregando isso.

Além de comparar custo por tarefa antes e depois da IA, especialistas recomendam olhar para indicadores de negócio: redução de custos de serviço, velocidade de atendimento, erros evitados, satisfação do cliente e impacto em receita. Harrison ressalta que é preciso analisar o fluxo inteiro, porque uma economia pontual pode desaparecer se a introdução de IA criar retrabalho em outra etapa.

O IPO da Anthropic, ao escancarar receita e escala de clientes, sinaliza que o mercado global de IA empresarial entrou em uma fase de maturação acelerada. O próximo passo recai menos sobre os provedores e mais sobre os compradores: desenvolver métricas próprias de valor, investir em capacitação e reestruturação interna e negociar contratos que levem em conta o custo total de propriedade — não apenas o preço brilhando na primeira linha da proposta.