Três dias. Esse foi o tempo de vida do modelo de inteligência artificial mais avançado já disponibilizado ao público em toda a história. Em junho de 2026, a Anthropic lançou o Claude Fable 5, e apenas 72 horas depois, o Departamento de Comércio dos Estados Unidos ordenou sua suspensão global imediata.  

Essa foi a primeira retirada compulsória de um modelo de “IA de fronteira” na história. E o mais surpreendente é que ela não aconteceu por causa de uma falha técnica ou um bug no sistema, mas sim pela narrativa que a própria empresa construiu sobre ele.  
 

Se você toma decisões sobre tecnologia na sua empresa, precisa entender o que aconteceu ali.

Para entender o tamanho do salto, precisamos olhar o que estava sob o capô. O Claude Fable 5 era, na verdade, a versão com freio de mão puxado do Claude Mythos 5. Ele usava sistemas de classificação independentes para detectar perguntas sensíveis sobre cibersegurança, biologia e química.  

Quando um usuário tentava algo perigoso, o que ocorria em menos de 5% dos casos, o sistema desviava a resposta para um modelo mais fraco. Nos outros 95% do tempo, o usuário tinha acesso ao poder total de uma máquina que representava uma verdadeira ruptura, e não um progresso incremental.  

Estamos falando de um sistema que pegou uma base de código de 50 milhões de linhas em Ruby e fez uma migração completa em um único dia — tarefa que levaria mais de dois meses para uma equipe humana.  

 

No desenvolvimento de medicamentos, ele acelerou o design de proteínas em dez vezes, e um modelo genômico criado de forma autônoma por ele superou uma publicação da renomada revista Science, usando 100 vezes menos parâmetros.

O problema começou dois meses antes, no chamado Project Glasswing, quando a Anthropic deu acesso antecipado do modelo para 50 parceiros estratégicos. O Claude Mythos era tão potente que começou a mapear vulnerabilidades críticas em praticamente todos os principais sistemas operacionais e navegadores do mercado.  

Em poucas semanas, o programa expandiu para 150 organizações em setores como energia e telecomunicações, detectando mais de 10 mil falhas graves de segurança em códigos estratégicos. A Anthropic quis demonstrar responsabilidade pública ao relatar isso, mas o efeito colateral foi o pânico, ampliando a percepção de risco em escala governamental.  

Quando o Fable 5 foi lançado globalmente, o governo americano alegou que qualquer pessoa poderia burlar as travas com um comando simples, pedindo para a IA ler um código e apontar falhas — algo que modelos concorrentes já faziam livremente. Sem apresentar provas por escrito, o governo emitiu uma diretiva de controle de exportação que proibia o acesso de estrangeiros ao modelo, incluindo os próprios funcionários da Anthropic fora dos EUA.  

Como é impossível filtrar a nacionalidade de centenas de milhões de usuários em tempo real, a empresa tomou a decisão drástica de tirar o modelo do ar no planeta inteiro.

Aqui está o grande paradoxo: a Anthropic construiu sua identidade em cima da segurança. Foram mais de mil horas de testes com especialistas tentando corromper a IA antes do lançamento, e todos falharam. 

Há alguns meses, o CEO de uma concorrente provocou dizendo que a postura da Anthropic era apenas marketing baseado no medo, mas hoje isso parece uma profecia. O caso do Claude Fable 5 abre um precedente histórico, mostrando que modelos de IA de alto desempenho em cibersegurança ou biologia não serão mais tratados como softwares de escritório, mas sim como tecnologia de uso militar.  

Se você usa IA no seu dia a dia para escrever e-mails, relatórios ou estruturar projetos, esse caso pode parecer uma briga distante entre Washington e o Vale do Silício, mas não é.

A inteligência artificial que você usa hoje não é um caderno digital ou um editor de textos comum; ela se tornou um ativo estratégico disputado entre superpotências e corporações. E quando o calo desses gigantes aperta, a mensagem de serviço indisponível chega para o usuário final sem aviso prévio e sem prazo de volta. O Claude Fable 5 pode estar na geladeira por enquanto, mas a caixa de Pandora foi aberta e a evolução não vai retroceder.  

Os outros modelos do mercado, inclusive as versões anteriores do próprio Claude, continuam disponíveis e gerando um valor absurdo para os negócios todos os dias. Os próximos modelos que virão serão inevitavelmente ainda mais potentes.  

A tecnologia continua marchando para a frente, mas agora, todo mundo sabe que o terreno onde pisamos é muito mais geopolítico do que parecia. Viva a evolução da tecnologia.   
 

A expressão ganhou brilho demais e precisão de menos. Em apresentações para investidores, planos corporativos e discursos sobre inovação, "IA quântica" aparece quase como um selo de vanguarda. Só que o ponto crítico está em outro lugar. O tema pede menos ficção tecnológica e mais leitura de arquitetura computacional.  

Estudos projetam que o mercado global de tecnologias quânticas pode atingir US$ 97 bilhões em receita até 2035, com a computação quântica saltando de US$ 4 bilhões em 2024 para até US$ 72 bilhões no mesmo horizonte. Esses números bastam para justificar a atenção de conselhos, CIOs e CEOs. Ainda assim, eles dizem pouco sem uma pergunta mais rigorosa: afinal, de que convergência estamos falando?  

A resposta exige separar duas frentes que o debate público mistura com uma facilidade impressionante. A primeira é a IA para computação quântica. Aqui, a inteligência artificial clássica ajuda computadores quânticos a funcionar melhor, otimizando o desenho de dispositivos, o controle e a correção de erros. A segunda é a computação quântica para IA.  

Nesta, a expectativa recai sobre o uso de recursos quânticos para acelerar classes específicas de problemas de aprendizado de máquina. A melhor revisão recente sobre o tema, publicada na revista Nature, deixa essa divisão explícita e concentra sua análise justamente na primeira direção — a mais concreta hoje. Essa distinção pode parecer técnica demais para uma conversa de negócios, mas é fundamental. Confundir essas duas camadas distorce orçamentos, prazos e ambições.  
 

Vale fixar um ponto com frieza: computadores quânticos ainda estão longe de assumir o papel que alguns discursos apressados lhes atribuem. Grandes modelos de linguagem, inferência em escala massiva e geração de texto seguem sob domínio da computação clássica, com forte apoio de GPUs e infraestrutura especializada.  

O papel plausível do quantum, ao menos no horizonte visível, é o de um coprocessador altamente especializado para problemas muito específicos. Essa imagem é bem mais útil do que a fantasia do substituto universal. Ela também é bem mais honesta com o estágio atual da tecnologia.  
 

É aqui que o debate melhora, pois a convergência entre IA e computação quântica já produz efeitos reais no lado menos vistoso da história. A IA clássica ajuda o quantum a sair do laboratório e ganhar consistência operacional. 

Um exemplo crucial está na mitigação de erros; experimentos mostram que técnicas de aprendizado de máquina aplicadas a essa mitigação funcionaram em testes com até 100 qubits, reduzindo drasticamente o custo do processo sem perda de precisão.  

Para o executivo atento, esse dado importa mais do que promessas genéricas de revolução iminente. Tecnologia madura começa assim: resolvendo as fragilidades discretas que o marketing costuma ignorar.  

Há evidência corporativa recente de que o valor aparece em fluxos delimitados. Em 2025, aplicações de otimização logística envolvendo nomes como Network Rail, Airbus e BMW foram apoiadas por softwares com supressão de erros orientada por IA. O ganho surge em tarefas recortadas, onde controle e robustez importam tanto quanto a potência bruta.  

A boa leitura estratégica, portanto, passa por uma conclusão quase anticlímax: a inteligência artificial já potencializa o quântico antes que o quântico potencialize a inteligência artificial em escala econômica relevante. Isso não reduz o potencial futuro da computação quântica para IA, apenas devolve o tema ao trilho da seriedade.  

Pesquisas estimam que mais da metade do valor projetado para a computação quântica, cerca de US$ 150 bilhões, venha do quantum machine learning, embora essa fronteira siga em grande parte teórica, travada por gargalos algorítmicos e pelo custo de transpor dados clássicos para circuitos quânticos.  

Eis a palavra decisiva: fronteira. Quem vende isso como adoção ampla no curto prazo força a realidade. Quem trata a área como irrelevante perde o rastro do que pode destravar a otimização combinatória e certas classes de simulação nos próximos anos. A divergência entre as lideranças do setor ilustra essa tensão.  

Enquanto o Google Quantum AI já mencionou esperar aplicações comerciais em até cinco anos, a Nvidia situou o uso realmente útil da tecnologia em torno de vinte anos. Essa distância revela algo precioso: o erro estratégico não é mais "escolher um lado", mas sim falhar em governar horizontes temporais diferentes sem perder o critério técnico.  
 

A adoção realista passa por modelos híbridos, um desenho que já vemos surgir em 2026 como quantum-centric supercomputing: a integração entre QPUs, GPUs e CPUs em fluxos coordenados. A computação quântica caminha ao lado da clássica, na infraestrutura, no middleware e nas aplicações, em vez de ocupar sozinha o centro do sistema.  

Para as organizações, a jornada exige mapear onde a operação sofre com gargalos reais de simulação, formar competência interdisciplinar e vigiar marcos técnicos que antecedem o valor comercial. A pergunta madura jamais foi se vale a pena apostar em IA quântica.  

A pergunta certa é em que janela temporal cada aplicação se torna economicamente viável para o seu setor. IA quântica significa menos encantamento automático e mais precisão sobre onde a IA já sustenta o quantum para que, um dia, o quantum possa ampliar a IA. O resto é ruído corporativo com verniz científico.  

Quem separar a física real do entusiasmo promocional agora chegará ao próximo ciclo com repertório e vantagem competitiva. Aqueles que seguirem a névoa pagarão primeiro pela narrativa e, depois, pelo atraso.