Analistas Questionam a Estratégia de IA Cara e Fragmentada da Meta

A Meta colocou mais um produto de IA em circulação, apesar das críticas crescentes de que sua estratégia ainda carece de um eixo claro. A mais recente cobertura do Google News capta o conflito: a Meta pode financiar mais experimentos do que quase qualquer concorrente, mas os analistas ainda têm dificuldade para identificar seu produto de IA definidor.

Essa tensão importa porque a experimentação na Meta agora tem um custo extraordinário. A empresa espera despesas de capital entre US$ 125 bilhões e US$ 145 bilhões em 2026. Também está reorganizando equipes, recrutando pesquisadores caros, desenvolvendo modelos, aprimorando sistemas de publicidade e lançando agentes para consumidores.

O resultado pode parecer menos uma estratégia coordenada e mais várias apostas disputando prioridade. O Google tem o Gemini e sua distribuição pela busca. A Microsoft tem o Copilot e seus softwares empresariais. A OpenAI tem o ChatGPT. A Meta tem um alcance social incomparável, mas ainda não estabeleceu uma razão igualmente clara para que as pessoas escolham o Meta AI.

A Manchete do Google News Capta um Problema Mais Amplo da Meta

Chamar a abordagem da Meta de “spaghetti at the wall” é provocativo, mas a preocupação subjacente é precisa: atividade não equivale automaticamente a foco estratégico.

A Meta está investindo em modelos fundacionais, assistentes para consumidores, sistemas de recomendação, automação publicitária, óculos inteligentes, ferramentas para criadores, mensagens empresariais e agentes autônomos. Esses projetos podem compartilhar infraestrutura, mas não necessariamente compartilham um único cliente ou uma única rota para receita.

A expressão surgiu quando a mais recente atividade de IA da Meta atraiu nova atenção no Google News. Ela descreve uma empresa testando muitas interfaces possíveis enquanto espera que o comportamento dos usuários revele qual delas merece maior investimento.

Essa abordagem não é irracional. Os mercados de IA estão mudando rápido demais para que qualquer empresa preveja com confiança qual será a interface final. Chat por texto, assistentes de voz, dispositivos vestíveis, agentes sociais e softwares que realizam tarefas continuam sendo pontos de entrada plausíveis.

A Meta também tem fluxo de caixa suficiente para conduzir vários experimentos simultaneamente. Sua operação publicitária consolidada pode sustentar longos ciclos de pesquisa que sobrecarregariam uma empresa menor.

Ainda assim, a escala eleva o padrão de comprovação. Um experimento modesto de produto pode ser avaliado pelo que ensina. Um programa de capital medido em centenas de bilhões exige evidências de que as lições produzirão valor econômico duradouro.

O portfólio de produtos da Meta não forneceu uma resposta simples. Seu assistente de IA aparece no WhatsApp, Instagram, Facebook, Messenger, em um aplicativo independente e na web. Esse alcance gera exposição, mas exposição não é o mesmo que preferência.

Um usuário que encontra um botão de IA dentro de um serviço existente não necessariamente escolheu o Meta AI. A distinção importa quando a administração apresenta a distribuição como uma vantagem competitiva.

O lançamento de julho da Meta de novas capacidades semelhantes a agentes ilustra a estratégia. A empresa disse que seus recursos Muse e Spark permitiriam que o Meta AI realizasse ações, em vez de apenas retornar texto. As ferramentas começaram a chegar a mercados selecionados por meio do aplicativo Meta AI e do meta.ai, segundo o lançamento dos recursos de agentes.

Esse lançamento dá à Meta outra oportunidade de transformar seu grafo social em uma vantagem de IA. Ele também introduz outra superfície que precisa de um propósito claro, desempenho confiável e uso recorrente.

A interpretação cética é que a Meta continua lançando interfaces porque nenhuma experiência isolada conquistou liderança. A interpretação favorável é que a empresa está testando onde a IA pessoal se encaixa antes que o mercado se estabilize.

As duas leituras só podem permanecer plausíveis por algum tempo. Em algum momento, uso e receita precisam distinguir exploração de dispersão.

Os Gastos da Meta Elevam o Custo da Incerteza

A maior pressão sobre a Meta não vem da falta de recursos. Ela vem da distância crescente entre seu investimento e a visibilidade de seu retorno.

A Meta reportou receita de US$ 56,31 bilhões no primeiro trimestre de 2026, alta de 33% em relação ao ano anterior. O lucro líquido chegou a US$ 26,77 bilhões, segundo os resultados do primeiro trimestre. Esses números mostram por que a empresa pode financiar um programa de IA excepcionalmente agressivo.

O mesmo relatório elevou a projeção de despesas de capital para 2026 para entre US$ 125 bilhões e US$ 145 bilhões. A Meta atribuiu o aumento principalmente aos maiores custos de componentes, com gastos adicionais em data centers também contribuindo.

O limite superior é mais do que uma linha de orçamento. Ele pressiona a administração a explicar quais produtos exigem essa infraestrutura e como esses produtos melhoram a economia da Meta.

Alguns retornos já aparecem no negócio de publicidade. O aprendizado de máquina pode melhorar recomendações de conteúdo, classificação de anúncios, geração criativa e desempenho de campanhas. Recomendações melhores podem aumentar o tempo gasto nos aplicativos da Meta, enquanto uma segmentação melhor pode elevar o valor de uma impressão.

Essas melhorias têm relevância econômica. Elas também complicam o debate porque misturam novos investimentos em IA generativa com sistemas que sustentam o negócio da Meta há anos.

Um cluster de infraestrutura pode treinar um novo modelo fundacional, atender um assistente, aprimorar uma ferramenta publicitária ou apoiar recomendações. Os investidores não conseguem separar facilmente gastos de manutenção de capacidade especulativa.

A proposta independente do Meta AI continua menos visível. O analista da Bloomberg Intelligence Mandeep Singh observou que o aplicativo não havia gerado engajamento comparável ao dos principais concorrentes, conforme resumido em uma análise de retornos de investimentos em IA.

Essa fraqueza importa porque o aplicativo independente é o teste mais claro de demanda voluntária. Usuários que o abrem deliberadamente fornecem evidências mais fortes do que usuários que encontram um assistente dentro do Instagram ou WhatsApp.

Portanto, a Meta precisa provar duas proposições diferentes. Primeiro, a IA deve continuar aprimorando seus produtos existentes de publicidade e redes sociais. Segundo, seus novos serviços para consumidores devem se tornar úteis o suficiente para sustentar um negócio ou posição estratégica distinta.

A primeira proposição ajuda a defender a receita atual. A segunda deveria justificar o lugar da Meta na próxima plataforma de computação.

É por isso que a discussão no Google News vai além da metáfora de um analista. O mercado pergunta se a Meta está construindo um sistema de IA integrado ou financiando múltiplos projetos sem uma hierarquia definida.

Os investidores já mostraram sensibilidade à questão. As ações da Meta caíram mais de 6% no pregão estendido após seus resultados de abril, apesar de receita e lucros superarem as expectativas.

Uma reação das ações não prova que a estratégia esteja errada. Ela mostra que os fortes lucros atuais já não encerram o debate sobre os gastos futuros.

A Meta também está reduzindo o quadro de funcionários enquanto direciona mais recursos para infraestrutura e talentos especializados em IA. Essa combinação intensifica a pressão interna. Equipes fora dos grupos de pesquisa mais favorecidos precisam competir por capacidade computacional, pessoal e atenção da liderança.

Para os funcionários, a resposta imposta é a priorização. Para os investidores, é um cronograma mais claro de retorno. Para a administração, é um produto que conecte gastos enormes em infraestrutura a comportamentos que possam ser medidos.

O Verdadeiro Adversário da Meta É a Coerência Estratégica

A disputa central não é simplesmente Meta contra Google ou OpenAI. É a promessa da Meta de superinteligência pessoal contra sua realidade de produto ainda fragmentada.

Mark Zuckerberg definiu o objetivo de longo prazo como superinteligência pessoal para bilhões de pessoas. Essa expressão sugere um assistente que entende cada indivíduo, atua em diferentes contextos e realiza ações úteis.

Os ativos da Meta se encaixam nessa ambição. Facebook, Instagram, Messenger e WhatsApp contêm conexões sociais, conversas, interesses, comunidades, empresas e criadores. Óculos inteligentes acrescentam uma interface física que pode ver e ouvir da perspectiva do usuário.

Poucas empresas podem combinar tanta distribuição com contexto de consumo. A Meta reportou que 3,56 bilhões de pessoas usaram pelo menos um de seus aplicativos diariamente em março de 2026.

A distribuição pode resolver a descoberta, mas não pode resolver confiança ou qualidade do produto. Um agente pessoal precisa entender pedidos de forma confiável, preservar contexto, gerenciar permissões e agir sem criar consequências indesejadas.

A empresa também precisa decidir como seus componentes se encaixam. O aplicativo independente é o destino principal? O WhatsApp é a interface conversacional? Os óculos Ray-Ban Meta são a futura camada de hardware? Os agentes do Instagram são principalmente ferramentas para criadores? Os agentes empresariais são uma extensão das mensagens?

Cada resposta pode sustentar a missão mais ampla. Apresentar todas elas ao mesmo tempo torna a missão mais difícil de avaliar.

O caminho do Google é mais fácil de descrever. O Gemini se conecta à busca, Android, Workspace, serviços em nuvem e aos sistemas de conhecimento existentes do Google. A Microsoft vincula o Copilot a softwares de trabalho e ao Azure. A OpenAI criou demanda direta dos consumidores com o ChatGPT antes de expandir para agentes e ferramentas empresariais.

Os produtos consolidados da Meta não foram concebidos em torno de um assistente. A empresa precisa inserir IA em serviços que já têm identidades e padrões de interação fortes.

Isso cria o risco de abundância de recursos sem mudança comportamental. Os usuários podem gerar uma imagem em um chat ou fazer uma pergunta rápida sem adotar o Meta AI como assistente padrão.

O aplicativo independente tinha a intenção de tornar essa escolha mais explícita. No entanto, ele entrou em um mercado lotado, no qual as pessoas já associavam assistência de uso geral ao ChatGPT, Gemini, Claude ou Perplexity.

A resposta da Meta foi enfatizar sua vantagem social. Um assistente personalizado poderia recorrer a interesses e relacionamentos que chatbots convencionais não conseguem acessar. Agentes sociais também poderiam interagir com criadores, grupos e empresas.

Essa ideia traz importantes questões de privacidade e segurança. O contexto que melhora a personalização costuma ser o mesmo que os usuários consideram sensível.

A Meta precisa estabelecer limites de permissão que as pessoas comuns possam entender. Também precisa impedir que um agente trate preferências inferidas como instruções confirmadas.

A necessidade de um contexto confiável torna a gestão pessoal do conhecimento relevante além dos próprios aplicativos da Meta. As pessoas precisam cada vez mais de uma maneira de preservar informações úteis enquanto controlam o que um assistente pode recuperar. Uma base de conhecimento pessoal oferece um modelo para essa separação.

A Meta ainda não demonstrou que seu contexto social produz um assistente consistentemente melhor. Até que o faça, sua vantagem de distribuição permanece uma oportunidade, e não uma barreira competitiva comprovada.

Esse conflito entre promessa e realidade é o principal motivo pelo qual lançamentos dispersos atraem críticas. Cada novo recurso amplia a superfície da promessa. Poucos, até agora, reduziram a incerteza sobre o produto final.

A Experimentação Pode Funcionar, mas a Meta Precisa de um Mecanismo de Seleção

Experimentar muitos produtos é defensável apenas quando a Meta consegue identificar vencedores, encerrar projetos fracos e realocar recursos sem confundir os usuários.

As empresas de tecnologia usam regularmente experimentos paralelos para descobrir novos comportamentos. A própria história da Meta sustenta esse método. Sua transição para dispositivos móveis, o investimento em vídeo de curta duração e o desenvolvimento de sistemas de recomendação exigiram anos de iteração.

A IA introduz ainda mais incerteza. As capacidades dos modelos podem mudar em questão de meses, a infraestrutura é encomendada com anos de antecedência e as expectativas dos consumidores mudam após cada grande lançamento.

Um plano rígido criaria seu próprio risco. A Meta poderia escolher uma interface cedo demais e deixar passar o formato que os usuários acabariam preferindo.

A questão crucial é o mecanismo de seleção. Uma estratégia experimental precisa de critérios mensuráveis para decidir o que merece expansão.

Para um assistente voltado ao consumidor, esses critérios devem ir além de cadastros ou exposição forçada. Medidas úteis incluem uso semanal voluntário, conclusão repetida de tarefas, ações bem-sucedidas, retenção após a curiosidade inicial e migração entre as superfícies da Meta.

Produtos de agentes exigem uma avaliação mais rigorosa. Um chatbot pode produzir uma resposta imperfeita que o usuário ignora. Um agente que envia uma mensagem, altera uma reserva ou interage com uma empresa pode gerar consequências reais.

A Meta precisa acompanhar a conclusão de tarefas junto com correções, reversões e falhas de permissão. Um alto engajamento significaria pouco se os usuários precisassem frequentemente reparar o trabalho do agente.

A integração de produtos também precisa de um modelo consistente. Os usuários devem entender se o Meta AI mantém uma única identidade no WhatsApp, Instagram, óculos e aplicativo independente. Eles devem saber quais informações transitam entre esses serviços.

Sem essa clareza, cada superfície adicional aumenta a carga cognitiva. O mesmo recurso pode se comportar de forma diferente dependendo de onde o usuário o encontra.

A estrutura organizacional importa tanto quanto a interface. A Meta criou o Meta Superintelligence Labs depois que seu programa de IA enfrentou dúvidas sobre o progresso dos modelos e a liderança. A empresa também fez um grande investimento na Scale AI e recrutou seu fundador, Alexandr Wang.

A transação com a Scale AI foi avaliada em US$ 14,3 bilhões em 2025. Ela deu à Meta uma grande participação em uma empresa conhecida por serviços de dados e infraestrutura de avaliação, ao mesmo tempo que trouxe Wang para sua liderança de IA.

Esse movimento sinalizou urgência. Também levantou questões sobre como a nova organização coexistiria com as equipes já estabelecidas de pesquisa e produto.

Um portfólio interno pode funcionar quando cada grupo é responsável por uma camada distinta. Uma equipe pode construir modelos de fronteira, outra pode desenvolver sistemas de avaliação, e os grupos de produto podem adaptar essas capacidades para públicos específicos.

Os problemas começam quando os grupos desenvolvem modelos sobrepostos, competem pela mesma capacidade computacional ou recebem prioridades mutáveis. A reorganização então se torna um substituto para a seleção de produtos.

A Meta já vivenciou turbulência visível. Reportagens descreveram reorganizações de equipes, saídas, demissões e disputas sobre alocação de recursos. Alguma disrupção é esperada após uma grande redefinição estratégica, mas mudanças repetidas podem desacelerar o trabalho que deveriam acelerar.

O histórico de modelos abertos da empresa acrescenta outra escolha ainda não resolvida. Llama deu à Meta influência entre desenvolvedores porque as organizações podiam baixar e adaptar seus modelos sob a licença da Meta.

Uma estratégia proprietária mais forte poderia melhorar o controle e apoiar a diferenciação para consumidores. Também poderia reduzir o apoio externo de desenvolvedores que ajudou Llama a se tornar relevante.

A Meta não precisa tratar modelos abertos e fechados como opostos absolutos. Mas precisa explicar quais capacidades irá lançar, quais reservará e como cada decisão sustenta a mesma estratégia de produto.

A alternativa é uma coleção de escolhas individualmente razoáveis que apontam em direções diferentes. Essa é a condição que os críticos descrevem como jogar espaguete na parede.

Os leitores do Google News devem, portanto, separar a metáfora da questão operacional. O problema não é a experimentação em si. O problema é a experimentação sem regras visíveis de convergência.

O Que a Crítica do “Espaguete” Não Prova

A apresentação confusa da Meta não comprova que seus investimentos em IA estejam fracassando, mas a empresa não forneceu evidências suficientes para descartar a preocupação.

A versão mais dura da crítica presume que cada produto já deve apresentar receita direta. Esse padrão ignora como os investimentos em infraestrutura e pesquisa amadurecem.

A capacidade de treinamento encomendada hoje pode dar suporte a modelos e produtos lançados muito mais tarde. As equipes de pesquisa também geram melhorias que se espalham por recomendações, sistemas de integridade, publicidade e ferramentas de conteúdo.

O desempenho atual dos negócios da Meta fornece evidências de que seus investimentos mais amplos em aprendizado de máquina criam valor. A receita cresceu 33% em relação ao ano anterior no primeiro trimestre de 2026, enquanto os lucros superaram as expectativas dos analistas.

Esses resultados não isolam o efeito do Meta Superintelligence Labs. Eles mostram que a empresa não está financiando IA a partir de uma base em colapso.

Os defensores também apontam para a distribuição da Meta. A empresa pode colocar um novo recurso diante de bilhões de pessoas sem pagar a outra plataforma pelo acesso.

Essa vantagem se torna mais importante se os assistentes evoluírem para ferramentas de comunicação do dia a dia. A Meta já opera os locais onde muitas conversas sociais e comerciais acontecem.

Os óculos inteligentes criam outra rota plausível. Um assistente que pode responder ao que uma pessoa vê oferece uma experiência diferente de um chatbot aberto em um laptop.

Esses pontos fortes tornam prematuro declarar derrotada a estratégia da Meta. A empresa pode bancar a iteração, controla interfaces importantes e possui um negócio lucrativo que se beneficia da IA independentemente de qualquer assistente independente.

No entanto, essas vantagens podem incentivar uma disciplina fraca. A distribuição barata pode fazer um produto parecer adotado quando os usuários apenas o encontram. Um grande fluxo de caixa pode manter vivo um programa pouco claro por mais tempo do que uma empresa menor conseguiria.

O negócio de publicidade também pode ocultar a economia da pesquisa de fronteira. Se ganhos em recomendação compensarem parte dos gastos, a administração pode alegar progresso sem mostrar se seus modelos mais novos são competitivos.

Os críticos se lembram do Reality Labs por esse motivo. A Meta manteve um compromisso longo e caro com a realidade virtual e aumentada, apesar da adoção limitada pelos consumidores. Sua paciência produziu hardware e pesquisa úteis, mas também gerou enormes perdas operacionais.

A IA difere do metaverso porque já melhora os produtos centrais da Meta. Ela também tem uma demanda de curto prazo mais clara em todo o mercado.

Ainda assim, a comparação histórica afeta a confiança dos investidores. A administração precisa demonstrar que a IA possui ciclos de feedback mais fortes, aprendizado de produto mais rápido e uma alocação de recursos mais disciplinada.

A acusação de “espaguete” também corre o risco de achatar projetos distintos em uma única categoria. Algoritmos de recomendação, publicidade generativa, modelos fundacionais, dispositivos vestíveis e agentes atendem a objetivos diferentes.

Um recurso independente malsucedido não eliminaria ganhos em publicidade. Uma ferramenta de publicidade bem-sucedida não provaria que a Meta construiu um assistente pessoal líder.

A avaliação correta mantém esses resultados separados. A Meta deve receber crédito onde houver resultados de negócios mensurados e escrutínio onde o caso do produto continuar não verificado.

Analistas da Morningstar descreveram o negócio principal como saudável, ao mesmo tempo que alertaram que o aumento das despesas de capital e os retornos incertos da IA generativa pesam sobre a tese de investimento. A análise deles enquadrou a preocupação como um retorno das lembranças dos gastos experimentais anteriores da Meta, segundo a análise de gastos de capital da empresa.

O JPMorgan também rebaixou a Meta em 2026, citando visibilidade limitada sobre o pipeline de produtos de IA. Essa linguagem é importante. A objeção não é que a Meta não tenha tecnologia. É que observadores externos não conseguem conectar o pipeline a um retorno suficientemente claro.

A Meta pode responder a essa crítica com evidências, não com outro slogan. Ela precisa de resultados comparativos de modelos, retenção duradoura de produtos, confiabilidade dos agentes e uma explicação mais clara sobre os retornos da infraestrutura.

Até que isso aconteça, tanto o otimismo quanto o ceticismo permanecem parcialmente especulativos.

Três Sinais Mostrarão se a Estratégia de IA da Meta Está Convergindo

A próxima etapa da história de IA da Meta depende da retenção de produtos, da divulgação financeira e de evidências de que seus agentes podem realizar trabalho útil com segurança.

O primeiro sinal é o uso recorrente do Meta AI depois que os recursos mais recentes de agentes chegarem a mais mercados. Downloads iniciais ou impressões de recursos revelarão pouco, porque a Meta pode gerar ambos por meio de promoção e posicionamento.

O sinal mais forte é a retenção voluntária. Os usuários devem voltar para concluir tarefas significativas, em vez de fazer perguntas ocasionais por novidade.

A Meta também deve divulgar se as pessoas transitam entre suas superfícies de IA. Um sistema coerente permitiria que alguém começasse pelos óculos, continuasse no WhatsApp e revisasse o resultado no aplicativo independente sem confusão.

Se esse comportamento crescer, fortalecerá a alegação da Meta de que seu portfólio forma um único assistente pessoal. Se cada superfície gerar uso isolado e superficial, a crítica da estratégia dispersa ganhará força.

O segundo sinal é a próxima explicação financeira da empresa sobre gastos de capital. Os investidores precisam de mais do que outro total para centros de dados, servidores e componentes.

Eles precisam de evidências de que a administração consegue conectar capacidade a resultados. Isso pode incluir eficiência publicitária, melhorias em recomendações, demanda de inferência, uso de mensagens empresariais ou adoção de agentes por consumidores.

A Meta não precisa revelar detalhes competitivamente sensíveis. Mas precisa distinguir a infraestrutura que sustenta produtos atuais da capacidade reservada para modelos futuros incertos.

Uma distinção mais clara tornaria a faixa de US$ 125 bilhões a US$ 145 bilhões mais fácil de avaliar. Aumentos contínuos sem melhor divulgação aprofundariam a preocupação de que os gastos estejam avançando mais rápido do que a estratégia.

O terceiro sinal é a conclusão confiável de ações por Muse, Spark e agentes posteriores. Esses sistemas são importantes porque testam a transição da Meta de respostas geradas para software que realiza tarefas.

Um agente útil deve concluir uma tarefa definida, solicitar permissão no momento certo e preservar um registro que o usuário possa inspecionar. Ele também deve se recuperar adequadamente quando um serviço falha ou uma solicitação é ambígua.

Incidentes de segurança, comportamento inconsistente ou baixas taxas de conclusão enfraqueceriam o argumento por uma expansão rápida. Uso confiável em mensagens, trabalho de criadores ou conversas empresariais daria à Meta um centro concreto de produto.

Os desenvolvedores devem observar se a Meta publica métodos de avaliação e interfaces estáveis. Compradores empresariais devem examinar controles de permissão, auditabilidade e limites de dados. Trabalhadores do conhecimento devem perguntar se o sistema preserva contexto útil sem tornar cada interação privada disponível por padrão.

Esses são testes mais significativos do que o número de modelos ou recursos que a Meta anuncia. Eles revelam se a organização está aprendendo com seus experimentos.

A manchete do Google News funciona porque comprime uma preocupação complexa em uma imagem familiar. A Meta parece estar testando muitas ideias enquanto gasta em uma escala que torna a espera incomumente cara.

No entanto, a experimentação não é o veredito. O veredito depende de a Meta conseguir deixar de tratar cada superfície como candidata e escolher as experiências que os usuários valorizam repetidamente.

Nos próximos meses, ignore o volume de anúncios e observe o processo de seleção. Qual agente faz os usuários voltarem? Qual produto recebe mais recursos? Qual iniciativa é encerrada?

Essas decisões mostrarão se a Meta ainda está jogando ideias na parede ou se finalmente encontrou o produto de IA em torno do qual pretende construir.