Modelos de IA chineses de pesos abertos lideram o uso, pressionando a estratégia dos EUA

Os modelos de IA chineses de pesos abertos agora respondem por mais de 80% do uso de modelos em uma importante plataforma de modelos abertos, apesar da liderança inicial dos Estados Unidos. O pesquisador Nathan Lambert apresentou recentemente essa reviravolta a um grupo de membros e assessores do Congresso. Sua mensagem era incômoda: os laboratórios chineses não estão apenas recuperando terreno ao copiar sistemas americanos. Eles construíram um ciclo de lançamentos mais rápido, uma distribuição mais forte e uma liderança crescente sobre os modelos abertos americanos.

Os números não significam que os modelos chineses dominem todas as formas de uso global de inteligência artificial. OpenAI, Anthropic e Google ainda operam sistemas proprietários de ponta, enquanto grande parte do tráfego empresarial permanece privado. Os dados disponíveis mostram, em vez disso, domínio no mercado cada vez mais importante de pesos abertos, no qual desenvolvedores podem baixar ou adaptar os parâmetros treinados de um modelo.

Essa distinção importa, mas não torna a reviravolta menos relevante. O Llama, da Meta, já definiu esse mercado. Agora, o Qwen, da Alibaba, o Kimi, da Moonshot AI, o GLM, da Z.ai, e o DeepSeek sustentam grande parte de seu uso e pesquisa. O Congresso precisa decidir se essa mudança reflete extração injusta, execução mais forte ou uma falha estrutural na estratégia americana para modelos abertos.

Modelos de IA chineses de pesos abertos assumiram a liderança onde desenvolvedores podem trocar de sistema

A mudança mais clara não é uma vitória isolada em benchmarks. É a concentração da atividade de modelos abertos em torno de sistemas criados por laboratórios chineses.

Lambert, um destacado pesquisador de modelos abertos e coautor do projeto American Truly Open Models, publicou em 21 de setembro uma versão ampliada de suas declarações preparadas para o Congresso. Sua avaliação de modelos abertos afirma que empresas chinesas lideram a categoria de pesos abertos desde aproximadamente abril de 2025.

Um modelo de pesos abertos disponibiliza seus parâmetros treinados para download ou uso posterior. Isso permite que desenvolvedores inspecionem, modifiquem, ajustem e operem o modelo em uma infraestrutura sob seu controle. Ele não é necessariamente de código aberto, porque o desenvolvedor pode reter dados de treinamento, código de treinamento ou outros elementos necessários para reproduzi-lo.

Modelos fechados funcionam de outra forma. Produtos como os principais sistemas da OpenAI e da Anthropic geralmente oferecem acesso por meio de aplicações hospedadas ou interfaces de programação de aplicações. Os clientes podem usar a capacidade, mas não podem baixar o modelo subjacente nem operá-lo de forma independente.

Os Estados Unidos estabeleceram o modelo comercial inicial para pesos abertos com a família Llama, da Meta. Mais tarde, o Google adicionou o Gemma, enquanto a Nvidia e diversos laboratórios menores lançaram suas próprias alternativas. Essa posição enfraqueceu à medida que laboratórios chineses lançam modelos mais fortes com maior frequência.

O panorama de benchmarks de Lambert, datado de 14 de setembro, posicionou o GLM-5.3, o GLM-5.3-Flash, da Z.ai, e o Kimi K3, da Moonshot AI, nas pontuações 45, 42 e 44 do Artificial Analysis Intelligence Index. Os principais modelos abertos americanos em sua comparação obtiveram entre 23 e 26 pontos.

Essas pontuações não são medidas universais da qualidade dos modelos. Elas combinam desempenho em avaliações selecionadas e podem favorecer modelos otimizados para tarefas mensuráveis populares. Ainda assim, o tamanho e a persistência da diferença dificultam descartá-la como um artefato de teste.

Os dados de distribuição apontam na mesma direção. Lambert estima que modelos desenvolvidos na China acumularam 3,2 bilhões de downloads no Hugging Face, aproximadamente o dobro do total americano. Ele afirma que a liderança chinesa em downloads aumentou para cerca de 1,6 bilhão desde que ultrapassou os Estados Unidos pela primeira vez, em julho de 2025.

O OpenRouter oferece outra perspectiva. O serviço direciona solicitações entre muitos modelos hospedados, tornando-se útil para desenvolvedores que desejam comparar ou trocar de sistemas. Segundo Lambert, o tráfego semanal de modelos abertos na plataforma subiu de aproximadamente 1 trilhão de tokens em setembro de 2025 para cerca de 80 trilhões.

Os modelos chineses elevaram sua participação nesse tráfego de modelos abertos de cerca de 70% para mais de 80%. Separadamente, a Mozilla constatou que sete dos dez modelos mais usados do OpenRouter por volume de tokens em agosto foram desenvolvidos na China e tinham pesos abertos. Seu relatório sobre IA de código aberto também constatou que um modelo aberto liderou a contagem semanal de solicitações da plataforma pela primeira vez naquele mês.

O OpenRouter não representa toda a economia da IA. Seus usuários estão especialmente dispostos a testar alternativas, e muitos clientes acessam modelos fechados americanos por meio de contratos diretos que o OpenRouter não consegue observar. Implantações privadas também permanecem em grande parte invisíveis.

Chamar esses números de “uso global” sem essa ressalva extrapola as evidências. Uma conclusão mais defensável continua significativa: os modelos de IA chineses de pesos abertos dominam os marketplaces mais visíveis para experimentação com modelos abertos e inferência direcionada.

É precisamente nesses ambientes que desenvolvedores podem comparar modelos com menos obstáculos contratuais. As escolhas resultantes revelam o que acontece quando a lealdade à marca, o software empacotado e os acordos empresariais diretos exercem menos influência.

O déficit americano em modelos abertos agora é um problema empresarial

A adoção de modelos chineses pressiona os desenvolvedores americanos de modelos abertos, mas também cria um conflito de políticas para empresas dos EUA que já desenvolvem soluções com esses sistemas.

O problema competitivo vai além dos rankings de modelos. Lambert identificou Harvey, Cursor, DoorDash, Airbnb e Perplexity entre empresas que usam ou desenvolvem com famílias de modelos chineses. Suas aplicações vão de trabalho jurídico e desenvolvimento de software a atendimento ao cliente e pesquisa.

Essas empresas têm arquiteturas e perfis de risco diferentes. Usar um modelo por meio de uma interface hospedada não é o mesmo que baixá-lo para um ambiente controlado. Nenhuma das opções significa automaticamente que informações confidenciais de clientes chegam a um fornecedor chinês.

O padrão mais amplo ainda importa. Desenvolvedores estão escolhendo Qwen, Kimi, DeepSeek e GLM porque essas famílias oferecem uma combinação prática de capacidade, flexibilidade, velocidade e custos operacionais mais baixos. Essas vantagens se tornam especialmente importantes em agentes de IA que chamam repetidamente um modelo enquanto concluem tarefas de múltiplas etapas.

Uma pequena diferença no custo de inferência se multiplica quando um agente planeja, escreve código, verifica resultados e tenta novamente etapas que falharam. Um modelo de pesos abertos também pode ser ajustado para um fluxo de trabalho específico ou implantado em infraestrutura escolhida pelo cliente.

Esse controle atrai empresas preocupadas com a dependência de fornecedores. Um fornecedor de modelos fechados pode alterar políticas de uso, retirar um modelo, ajustar o acesso ou restringir determinadas solicitações. Pesos baixados não podem ser retirados remotamente de máquinas que já os armazenam.

A contrapartida aparece na pesquisa da Mozilla com desenvolvedores. Modelos abertos alcançaram mais desenvolvedores do que modelos fechados em sua amostra, mas chegaram à produção com menos frequência. Os respondentes citaram custos de infraestrutura, segurança, conformidade, manutenção, complexidade de implantação e suporte limitado como obstáculos recorrentes.

Fornecedores fechados agregam mais desses requisitos operacionais em seus serviços. Eles normalmente fornecem documentação de conformidade, segurança gerenciada, garantias de serviço e uma contraparte que os clientes podem responsabilizar. Operar um modelo aberto transfere mais responsabilidade para quem o adota.

Assim, os modelos de IA chineses de pesos abertos não vencem todas as decisões de aquisição. Eles se tornam atraentes quando portabilidade, personalização, capacidade de processamento ou independência do fornecedor importam mais do que governança empacotada.

Sua influência na pesquisa pode se mostrar ainda mais difícil de reverter. Lambert examinou artigos em cinco categorias de aprendizado de máquina muito utilizadas no arXiv. Sua análise concluiu que o Qwen apareceu em cerca de 30% dos artigos recentes, em comparação com aproximadamente 21% para o Llama.

Mais de 40% dos artigos mencionaram ao menos um modelo chinês de pesos abertos, enquanto cerca de 30% mencionaram uma família americana. As participações exatas podem mudar conforme as definições de modelo e as escolhas de amostragem. Ainda assim, a direção sugere que o Qwen se tornou uma infraestrutura central de pesquisa.

A adoção na pesquisa cria um ciclo de reforço. Estudantes e laboratórios desenvolvem ferramentas em torno dos modelos aos quais conseguem acessar. Essas ferramentas reduzem o custo de experimentos futuros, o que incentiva mais artigos, integrações e profissionais treinados.

Mais tarde, as empresas contratam esses profissionais. Produtos herdam bibliotecas e métodos de avaliação familiares. Uma família de modelos pode se tornar um padrão do setor sem controlar o chatbot proprietário mais capaz.

É por isso que o Congresso enfrenta mais do que uma disputa convencional por participação de mercado. Restringir modelos chineses poderia desorganizar empresas e pesquisadores americanos. Deixar o mercado intocado poderia aprofundar a dependência de tecnologia desenvolvida sob o ambiente jurídico e estratégico de outro país.

A pressão recai mais diretamente sobre empresas americanas que afirmam que os Estados Unidos podem liderar a IA mantendo fechados seus melhores sistemas. Laboratórios proprietários podem continuar comercialmente bem-sucedidos mesmo quando a camada aberta migra para outro lugar. O resultado nacional parece diferente porque a camada aberta dissemina competências, padrões e influência para além de um pequeno grupo de fornecedores.

A China superou os modelos abertos americanos por meio de lançamentos, não de um único truque simples

A reviravolta central é que a liderança americana na fronteira tecnológica já não produz liderança americana nos modelos que todos podem inspecionar e implantar.

Washington tem se concentrado fortemente na destilação de modelos. A destilação treina um sistema usando as saídas de outro sistema, geralmente mais forte. A técnica é comum em todo o setor, embora obter essas saídas por meio de contas falsas ou evasão de controles de acesso levante questões jurídicas e de segurança distintas.

O House Homeland Security Committee e o House Select Committee on China abriram uma investigação conjunta sobre IA em abril. A investigação citou DeepSeek, Alibaba, Moonshot AI e MiniMax ao examinar procedência de modelos, cibersegurança, segurança de dados e exposição da cadeia de suprimentos.

Os comitês também questionaram Anysphere e Airbnb sobre suas conexões com modelos chineses. Uma carta se concentrou em relatos de que o Composer 2, do Cursor, dependia de um modelo da Moonshot. Outra levantou preocupações sobre a escolha do Qwen pela Airbnb para trabalho de atendimento ao cliente.

Os legisladores argumentam que a extração não autorizada poderia permitir que laboratórios estrangeiros reproduzissem capacidades valiosas sem igualar o investimento americano em pesquisa ou salvaguardas. Eles também alertam que a dependência de modelos estrangeiros poderia expor usuários dos EUA à censura, vigilância ou riscos de segurança.

Essas preocupações merecem investigação. Elas ainda não explicam toda a mudança de mercado.

Lambert estima que impedir completamente a destilação aumentaria a distância da China em relação à fronteira americana de modelos fechados em apenas um ou dois meses. Sua estimativa não foi comprovada de forma independente, e os registros de treinamento dos principais laboratórios permanecem privados. Ainda assim, ela desafia a ideia de que saídas extraídas fornecem uma explicação completa.

Os laboratórios chineses também lançam modelos com mais frequência. Uma avaliação de modelos captura o desempenho em um único momento, portanto, uma cadência de lançamentos mais rápida oferece a um laboratório mais oportunidades de incorporar novos métodos e responder à demanda dos usuários. Os modelos abertos americanos frequentemente permanecem inalterados enquanto seus equivalentes fechados continuam avançando.

A seleção de tarefas também importa. Os desenvolvedores chineses concentraram-se em áreas comercialmente visíveis, como a programação com agentes, onde a forte demanda gera feedback abundante e resultados mensuráveis. Lambert afirma que sua vantagem diminui em tarefas científicas menos estruturadas.

Isso não é prova de que os sistemas chineses sejam amplamente superiores a todos os modelos americanos. Os principais sistemas fechados dos EUA continuam à frente em tarefas profissionais, científicas e de longa duração importantes. O problema é que esses sistemas são serviços alugados, e não bases geralmente disponíveis para implantação independente.

As restrições de hardware podem ter reforçado a eficiência. Os controles de exportação dos EUA foram concebidos para limitar o acesso chinês aos equipamentos de computação mais avançados. Os laboratórios chineses responderam enfatizando técnicas de treinamento, eficiência de inferência e arquiteturas que fazem mais com recursos limitados.

Seria simplista demais apontar os controles de exportação como a causa da liderança chinesa em modelos abertos. Os mesmos laboratórios também se beneficiam de investimentos domésticos substanciais, profundo talento em engenharia e uma preferência política explícita pela disseminação dos padrões chineses de IA. Restrições e apoio podem atuar ao mesmo tempo.

O licenciamento cria outra vantagem. Os desenvolvedores podem baixar os pesos de muitos modelos chineses, modificá-los e integrá-los a produtos sem esperar pelo acesso a um fornecedor proprietário de ponta. As condições variam, e pesos abertos nem sempre significam uso irrestrito. Ainda assim, isso dá aos criadores mais margem do que uma API isolada.

O resultado é uma assimetria. Laboratórios americanos realizam grande parte da pesquisa de fronteira mais cara, enquanto empresas chinesas empacotam cada vez mais capacidades próximas à fronteira em sistemas que outras organizações podem possuir e adaptar.

Essa é tanto uma estratégia de distribuição quanto científica. Um modelo um pouco mais fraco pode gerar mais influência quando é acessível, personalizável e amplamente disponível. Linux, Android e softwares abertos para a web lembram historicamente que a camada mais distribuída nem sempre se origina no produto proprietário mais avançado.

As empresas americanas ainda têm possíveis respostas. A OpenAI voltou ao mercado de pesos abertos, o Google continua desenvolvendo Gemma, e a Nvidia lança modelos Nemotron com ativos de apoio excepcionalmente detalhados. Lambert observa que modelos americanos comparáveis podem receber adoção desproporcional quando sua capacidade é competitiva.

No entanto, lançamentos ocasionais não eliminarão uma liderança construída por meio de atualizações contínuas e investimento na comunidade. Os desenvolvedores precisam de famílias de modelos previsíveis, documentação, termos permissivos e confiança de que a próxima versão chegará.

A disputa é, portanto, entre a execução aberta chinesa e a retração aberta americana. A destilação faz parte da história, mas tratá-la como a história inteira permite que a estratégia de modelos dos EUA escape ao escrutínio.

Os números de uso não comprovam supremacia global em IA

As evidências mais fortes sustentam a dominância chinesa nos canais de modelos abertos, não em todos os chatbots, contratos corporativos ou implantações privadas no mundo.

Os dados do OpenRouter são valiosos porque capturam solicitações reais em muitos modelos. Um estudo de uso de tokens de 2026 analisou mais de 100 trilhões de tokens do serviço, oferecendo uma visão incomumente detalhada do comportamento dos desenvolvedores.

Essa amplitude não transforma o OpenRouter em um censo. Usuários que escolhem um gateway multimodelo diferem de empresas comprometidas com um contrato direto com OpenAI, Anthropic, Google ou Microsoft. A plataforma pode naturalmente super-representar pessoas que buscam alternativas abertas.

As contagens de tokens também exigem contexto. Modelos de raciocínio podem consumir muitos tokens ocultos ou intermediários para produzir uma resposta. Agentes de programação podem gerar chamadas repetidas durante uma única tarefa. Um modelo pode liderar o volume de tokens sem liderar em número de usuários, receita ou fluxos de trabalho empresariais concluídos.

Os downloads criam um problema de medição diferente. Uma pessoa pode baixar várias versões, enquanto uma implantação na nuvem pode atender milhares de pessoas a partir de uma única cópia. Sistemas automatizados também podem inflar as contagens sem uso correspondente em produção.

Menções acadêmicas indicam influência, mas não necessariamente endosso. Um artigo pode avaliar as fraquezas de um modelo, usá-lo como linha de base ou mencionar várias famílias. A contagem ainda mapeia a atenção dos pesquisadores, mas não deve ser apresentada como uma medida direta de adoção econômica.

Os resultados de benchmarks têm suas próprias limitações. Laboratórios podem otimizar lançamentos em torno de testes visíveis, enquanto suítes de avaliação podem subestimar confiabilidade, especialização de domínio, desempenho em contextos longos ou estabilidade operacional. Alguns resultados reportados por fornecedores usam configurações personalizadas difíceis de comparar.

A análise de setembro da Mozilla ilustra o quadro misto. Modelos abertos quase haviam alcançado os principais sistemas fechados em medidas selecionadas de capacidade e programação. Modelos fechados mantiveram vantagens em trabalho profissional baseado em conhecimento, recuperação em contexto longo, conformidade corporativa e responsabilização.

Essa diferença importa para implantações de alto risco. Uma empresa que processa arquivos jurídicos, registros financeiros ou informações de saúde precisa de mais do que uma forte pontuação em programação. Ela precisa de controles de acesso, trilhas de auditoria, atualizações previsíveis e responsabilidade clara quando algo falha.

A segurança também atua nos dois sentidos. Pesos baixáveis permitem que defensores inspecionem e modifiquem sistemas, mas também impedem que o desenvolvedor original imponha salvaguardas após o lançamento. Fornecedores fechados mantêm o controle, mas pesquisadores às vezes descobrem que seus filtros de segurança bloqueiam trabalhos defensivos legítimos.

Um exemplo surgiu quando o Hugging Face investigou um incidente de cibersegurança relacionado à IA. Segundo Lambert e a Scientific American, pesquisadores usaram um modelo chinês de pesos abertos depois que sistemas comerciais americanos recusaram partes da análise.

Esse episódio não prova que menos salvaguardas produzem uma segurança geral melhor. Ele mostra que restrições no nível do modelo podem obstruir trabalhos legítimos e que a segurança depende do sistema ao redor. Permissões, isolamento, registros e revisão humana podem importar tanto quanto a origem do modelo.

O risco político continua real. APIs hospedadas na China podem levantar questões de jurisdição de dados, e o comportamento dos modelos pode refletir controles de conteúdo exigidos pelo governo. Pesos operados localmente reduzem alguns riscos de transmissão, mas não revelam automaticamente o processo de treinamento nem eliminam vulnerabilidades ocultas.

Portanto, o Congresso deveria separar pelo menos três questões. Um laboratório obteve ilegalmente resultados de um fornecedor americano? Uma implantação específica expõe dados sensíveis ou sistemas críticos? Os Estados Unidos deveriam investir de forma mais agressiva em seus próprios modelos abertos?

Combinar essas questões em um único argumento sobre “IA chinesa” produz uma política indiscriminada. Um serviço hospedado que lida com informações sensíveis merece tratamento diferente de pesos disponíveis publicamente executados dentro do ambiente controlado de uma empresa americana.

Restrições amplas também poderiam proteger fornecedores fechados dominantes dos EUA contra a concorrência. Se empresas menores perderem acesso a modelos abertos capazes, poderão se tornar mais dependentes dos mesmos laboratórios que fazem lobby por controles mais rígidos.

As evidências justificam preocupação, não pânico. Os modelos chineses de IA com pesos abertos conquistaram uma liderança mensurável em capacidade, distribuição e atenção de pesquisadores. As limitações dos conjuntos de dados não eliminam essa liderança, mas deveriam limitar alegações de supremacia global total.

Três sinais mostrarão se os Estados Unidos podem reverter a mudança

A próxima etapa será decidida pelos lançamentos americanos, pela política empresarial e por saber se os modelos chineses mantêm sua liderança fora dos marketplaces de modelos abertos.

O primeiro sinal é o desempenho e a adoção dos próximos grandes lançamentos americanos de pesos abertos. Meta, Google, Nvidia, OpenAI e novos laboratórios dos EUA precisam de modelos que cheguem perto da fronteira proprietária, não muitos meses depois.

A paridade em benchmarks, por si só, não será suficiente. Os desenvolvedores observarão licenças, tamanhos de modelos, requisitos de implantação, documentação, suporte a fine-tuning e cadência de lançamentos. Um forte lançamento pontual seguido de longo silêncio não reconstruirá um ecossistema.

Se modelos abertos americanos começarem a igualar os lançamentos chineses enquanto conquistam rapidamente downloads e citações em pesquisas, o diagnóstico de Lambert perderá força. Se continuarem chegando mais tarde e com menor capacidade, o déficit estrutural ficará mais difícil de negar.

O segundo sinal é o resultado do escrutínio do Congresso e do Executivo. Legisladores estão examinando destilação, segurança de dados, cadeias de suprimentos e o uso de sistemas chineses por empresas americanas. A resposta final pode variar de aplicação direcionada contra acesso enganoso a restrições amplas sobre modelos ou fornecedores.

Uma regra restrita voltada a contas fraudulentas, evasão de acesso ou entidades sancionadas trataria a suposta má conduta sem considerar todo modelo aberto uma ameaça. Também preservaria fluxos de trabalho legítimos de destilação e dados sintéticos usados em todo o setor.

Uma restrição ampla produziria um teste diferente. Desenvolvedores poderiam migrar para alternativas americanas, continuar usando pesos já baixados ou mover cargas de trabalho para fora da jurisdição dos EUA. Cada resposta revelaria quanto poder de influência Washington realmente mantém sobre software portátil.

O terceiro sinal é o uso além de OpenRouter, Hugging Face e outras plataformas voltadas prioritariamente a modelos abertos. Evidências de provedores de nuvem, implantações corporativas, agentes de software e acordos empresariais diretos esclareceriam se a liderança atual é ampla ou concentrada.

Essa medição deve separar APIs hospedadas de implantações locais. Também deve distinguir volume de tokens, usuários ativos, receita e cargas de trabalho concluídas. Cada métrica responde a uma pergunta diferente.

Avaliações independentes importarão à medida que os modelos assumirem tarefas mais longas e consequentes. Benchmarks de programação ajudaram laboratórios chineses a conquistar atenção, mas compradores corporativos testarão confiabilidade, segurança, conhecimento profissional e trabalho autônomo sustentado.

Se famílias chinesas mantiverem sua vantagem nesses cenários, a expressão “uso global” será mais fácil de defender. Se sua liderança permanecer concentrada entre usuários que alternam modelos e usuários de pesquisa, o mercado parecerá mais fragmentado.

O debate político também se cruzará com a segurança da IA. OpenAI e Anthropic defenderam controles mais fortes em torno de sistemas altamente capazes. A distribuição chinesa de pesos abertos complica qualquer estrutura de segurança construída em torno de um pequeno número de fornecedores que retêm controle técnico.

Depois que os pesos circulam, a regulamentação não pode depender de um fornecedor desabilitar o acesso. Governos e empresas precisam de salvaguardas no nível da implantação, incluindo permissões restritas, ferramentas monitoradas, ambientes isolados e autoridade humana clara.

Essa mudança afeta o trabalho cotidiano baseado em conhecimento. As equipes combinam cada vez mais vários modelos com documentos internos, registros de reuniões e histórico de projetos. Uma base de conhecimento de IA bem governada deve controlar o que qualquer modelo pode recuperar e quais ações pode executar, independentemente de onde esse modelo foi desenvolvido.

Para desenvolvedores e compradores empresariais, a lição imediata não é selecionar sistemas apenas pela nacionalidade ou posição em rankings. Avalie o modelo, a rota de hospedagem, o caminho dos dados, a licença, os controles operacionais e as opções de substituição como um único pacote.

Os modelos chineses de IA com pesos abertos já mudaram a posição de negociação. Eles oferecem aos desenvolvedores alternativas à fronteira fechada americana, ao mesmo tempo que expõem o estado frágil da bancada de modelos abertos dos Estados Unidos.

A questão para os próximos meses é concreta: os laboratórios dos EUA lançarão modelos competitivos que os desenvolvedores possam realmente possuir e adaptar, ou Washington tentará regular uma vantagem de distribuição que não conseguiu construir?