Panorama de IA do Lowy Institute coloca os EUA à frente da China, com limites

O panorama de IA do Lowy Institute coloca os Estados Unidos à frente da China, apesar das vantagens chinesas em minerais e distribuição de modelos abertos. Publicada em 8 de novembro de 2026, a avaliação compara 14 indicadores em recursos, tecnologia, capacidades de IA e adoção. Sua conclusão desafia um atalho recorrente: a popularidade entre desenvolvedores não estabelece automaticamente liderança em todo o mercado de IA.

Os pesquisadores Jack Sato e Hunter Marston distinguem os pontos fortes americanos em computação e distribuição ao consumidor dos pontos fortes chineses em outras áreas. A comparação dá aos EUA uma liderança geral, ao mesmo tempo que mostra por que indicadores individuais podem sustentar manchetes muito diferentes. Nenhum dos dois países controla todos os recursos, canais de distribuição ou fontes de influência.

Para desenvolvedores e compradores corporativos, a relevância vai além dos rankings nacionais. Escolher um sistema de IA significa escolher dependências que envolvem infraestrutura, acesso a software, requisitos operacionais e governança. O relatório oferece um ponto de partida para examinar essas dependências. Ele não determina qual modelo pertence ao fluxo de trabalho de cada organização.

O que o panorama de IA do Lowy Institute realmente muda

A nova avaliação muda mais o enquadramento da comparação do que o cenário competitivo subjacente.

A comparação de poder em IA do Lowy reúne indicadores que normalmente aparecem em debates separados. Ela posiciona materiais, infraestrutura, capacidade de modelos e distribuição dentro da mesma estrutura. Suas métricas recebem peso igual em cada nível, e as pontuações dos indicadores comparam os países com seus totais combinados.

Essa abordagem apresenta um argumento sobre como compreender o poder tecnológico. A posição de um país não pode se basear inteiramente no lançamento bem-sucedido de um chatbot. Da mesma forma, recursos industriais por si só não estabelecem que seu software alcance mais usuários ou tenha melhor desempenho.

A distinção importa porque a competição nacional frequentemente se torna uma sequência de anúncios isolados. O lançamento de um modelo gera uma manchete de desempenho. Uma restrição a chips gera uma manchete de segurança. Um marco de downloads gera uma manchete de adoção. Então, os leitores encontram cada acontecimento como evidência de um único vencedor geral.

Esses acontecimentos respondem a perguntas diferentes. Combiná-los exige um julgamento explícito sobre sua importância relativa. O Lowy torna sua estrutura visível, permitindo que os leitores examinem esse julgamento em vez de tratá-lo como uma premissa não declarada.

Portanto, uma pontuação geral deve funcionar como uma interpretação estruturada. Ela não deve se tornar um substituto para examinar as categorias subjacentes. Uma organização que seleciona software precisa de uma ponderação diferente daquela de um governo que avalia vulnerabilidade industrial.

Considere uma equipe avaliando um assistente para documentos confidenciais de engenharia. A popularidade entre consumidores ofereceria evidências limitadas sobre se esse sistema atende a seus requisitos. Controle da implantação, tratamento de documentos, qualidade das respostas e obrigações de manutenção teriam peso mais imediato.

Uma empresa que introduz um assistente para clientes enfrentaria outro cálculo. Facilidade de acesso, confiabilidade das respostas, suporte à integração e continuidade poderiam pesar mais do que a capacidade de operar o modelo de forma independente. Nenhuma das decisões contradiz uma avaliação nacional. Cada uma aplica um objetivo mais restrito.

A publicação também cria uma referência útil para reportagens posteriores. Alegações futuras de liderança podem ser verificadas em relação à dimensão que de fato afetam. Um ganho de distribuição deve atualizar a discussão sobre distribuição. Ele não deve se transformar silenciosamente em evidência de progresso equivalente na manufatura.

Esta é a contribuição central do panorama de IA do Lowy Institute: ele torna mais difícil ignorar definições concorrentes de liderança. A avaliação favorece os Estados Unidos no geral, ao mesmo tempo que preserva espaço para vantagens chinesas relevantes para usuários e setores específicos.

Os leitores devem preservar ambas as partes dessa conclusão. Remover a conclusão geral subestima o argumento do relatório. Remover as desigualdades transforma uma estrutura analítica em um anúncio de vitória que as evidências não sustentam.

A competição em IA entre EUA e China passa por diferentes canais de distribuição

Conquistar a atenção dos desenvolvedores e alcançar usuários no cotidiano são conquistas relacionadas, mas medem tipos diferentes de influência.

O Lowy informa que modelos chineses responderam por 78% dos downloads combinados de modelos dos EUA e da China em sua comparação. Modelos americanos atraíram mais de 90% do tráfego combinado de sites e mais de 80% do uso medido de aplicativos. Esses números descrevem canais distintos, e não estimativas intercambiáveis da participação total de mercado.

Um modelo de pesos abertos disponibiliza seus parâmetros aprendidos para download, sujeito à sua licença. Essa disponibilidade permite que outra organização o opere ou adapte. Já um assistente hospedado fornece acesso por meio de infraestrutura gerenciada por um provedor de serviços.

Essa diferença muda a relação entre o desenvolvedor do modelo e o usuário final. Quem usa um assistente hospedado normalmente encontra um produto reconhecível. Quem usa uma aplicação construída em torno de pesos de modelo baixados talvez nunca veja o nome do desenvolvedor original.

A adoção de IA na China pode, portanto, se expandir sem um crescimento equivalente nas visitas a sites de chatbots chineses. O inverso também é verdadeiro. O tráfego intenso para um assistente americano não estabelece que modelos americanos baixáveis dominem as implantações independentes.

No entanto, os downloads exigem interpretação cuidadosa. As regras de contagem de downloads do Hugging Face explicam que suas estatísticas contabilizam solicitações a arquivos designados. Elas não contabilizam diretamente pessoas únicas, organizações ativas ou implantações concluídas em produção. O comportamento de contagem também varia conforme os formatos de arquivo e as bibliotecas.

Essa limitação não torna as estatísticas de download sem sentido. Elas oferecem evidências de atividade em torno da distribuição de modelos. O erro ocorre quando um evento de distribuição se transforma em uma alegação de uso operacional contínuo sem evidências adicionais.

Um modelo baixado pode servir para avaliação, experimentação, adaptação ou um serviço implantado. Essas atividades têm implicações comerciais e estratégicas diferentes. A contagem de downloads sozinha não consegue distingui-las de forma confiável.

O tráfego de sites também tem limites. Uma visita não estabelece que alguém concluiu um trabalho útil, voltou regularmente ou escolheu um serviço pago. A atividade em aplicativos exige cuidado semelhante quando as comparações utilizam sistemas de medição ou condições de acesso diferentes.

A pergunta útil é o que cada canal possibilita. A distribuição hospedada dá aos provedores uma relação direta com os usuários e controle sobre atualizações de produto. Modelos baixáveis dão aos operadores subsequentes mais responsabilidade pela implantação e maior margem para moldar a aplicação ao redor.

Nenhum dos dois arranjos garante resultados melhores. Operar um modelo de forma independente introduz responsabilidades de manutenção e segurança. Depender de um serviço hospedado introduz exposição a mudanças na disponibilidade, no comportamento do produto e nas condições de acesso.

Para desenvolvedores, a implicação é prática. Uma manchete nacional sobre adoção não deve decidir uma escolha técnica. A comparação relevante diz respeito a se um determinado arranjo de distribuição atende aos requisitos da aplicação ao longo do tempo.

Para formuladores de políticas, a implicação é diferente. A influência pode se acumular por meio de produtos de consumo com marca própria ou de componentes subjacentes incorporados a outros sistemas. Uma avaliação útil precisa examinar ambos os caminhos sem fingir que suas métricas de atividade descrevem a mesma população.

A vantagem computacional dos Estados Unidos ainda depende de insumos físicos

Uma liderança em software de IA não elimina a dependência dos sistemas industriais que tornam esse software possível.

Computação significa os recursos de processamento usados para treinar e executar sistemas de IA. O Lowy estima que os data centers de IA americanos detêm quase 40 vezes a capacidade computacional combinada da China. Também conclui que a China lidera a produção de 30 minerais da lista americana de minerais críticos, em comparação com oito dos Estados Unidos.

A lista de minerais críticos abrange 60 materiais considerados vitais para a economia e a segurança nacional dos EUA. Seu propósito se refere à vulnerabilidade de abastecimento em toda a economia. Ela não é um ranking dos materiais por sua importância individual para a IA.

Essa distinção evita outro atalho enganoso. Liderar a produção de mais minerais listados não se traduz automaticamente em uma vantagem equivalente em sistemas de IA finalizados. Os materiais precisam passar por manufatura, equipamentos, infraestrutura e processos operacionais antes de sustentar computação utilizável.

Ainda assim, o atalho oposto é igualmente frágil. Modelos superiores não fazem desaparecer as dependências a montante. Um fornecedor pode ocupar uma posição importante sem produzir o produto final mais visível.

Isso cria uma tensão persistente na competição em IA entre EUA e China. Diferentes participantes podem influenciar diferentes etapas do mesmo sistema industrial. A liderança na camada de aplicações não oferece proteção automática contra restrições em outras áreas.

A eletricidade acrescenta outra dependência. A perspectiva energética da IA da Agência Internacional de Energia projeta que o consumo de eletricidade dos data centers subirá de 485 terawatts-hora em 2025 para 950 em 2030. Ela identifica gargalos em equipamentos de energia e outras infraestruturas como restrições à expansão no curto prazo.

Um terawatt-hora mede a eletricidade consumida ao longo do tempo. Ele não mede a qualidade de um modelo de IA nem a utilidade de suas respostas. Ainda assim, a perspectiva energética explica por que equipamentos computacionais instalados não podem ser avaliados separadamente dos sistemas que os abastecem.

Infraestrutura anunciada e infraestrutura em operação merecem tratamento separado. Uma instalação proposta ainda precisa das condições físicas e comerciais necessárias para fornecer um serviço confiável. Tratar cada anúncio como capacidade imediatamente disponível obscureceria essas condições.

Para um cliente corporativo, essa discussão industrial importa por meio dos compromissos de serviço. A questão operacional diz respeito ao acesso confiável quando as cargas de trabalho aumentam ou os provedores alteram suas ofertas. Uma estimativa de capacidade nacional não pode responder a essa pergunta para um contrato individual.

Para governos, a questão diz respeito à resiliência entre dependências interligadas. Expandir um insumo pode expor outra restrição. Mais equipamentos geram benefício limitado se a infraestrutura ao redor não puder sustentá-los. Uma base diversificada de fornecedores também exige alternativas práticas, em vez de nomes em um documento de políticas públicas.

O panorama de IA do Lowy Institute é mais útil aqui como um lembrete para acompanhar a cadeia de dependência. Suas categorias identificam diferentes fontes de força. Os leitores ainda precisam de evidências sobre como essas forças se conectam na produção e na implantação reais.

O quadro competitivo, portanto, resiste a uma separação clara entre software e indústria. Cada um depende do outro, enquanto melhorias em uma área podem deixar vulnerabilidades em outras sem solução.

A liderança em capacidade não garante liderança em implantação

O modelo de uso geral mais forte não se torna automaticamente o sistema mais adequado para todas as tarefas operacionais.

Os cenários de liderança em IA da Anthropic separam inteligência de modelos, adoção doméstica, distribuição global e resiliência social. A empresa argumenta que a capacidade é central, ao mesmo tempo em que reconhece que uma implantação eficaz pode compensar uma desvantagem em inteligência.

Essa perspectiva sustenta uma leitura mais ampla da competição, mas exige atribuição. A Anthropic desenvolve modelos de IA e participa do mercado que analisa. Sua avaliação estratégica oferece um ponto de vista informado, e não uma confirmação independente de cada alegação competitiva.

A distinção subjacente continua útil. A capacidade de um modelo diz respeito ao que um sistema pode fazer sob condições especificadas. A implantação diz respeito a se uma organização consegue tornar essa capacidade útil em seus próprios processos.

Um benchmark, uma avaliação padronizada usada para comparar sistemas, pode esclarecer um conjunto definido de habilidades. Ele não pode estabelecer automaticamente o desempenho em todos os ambientes de trabalho. Tarefas, documentos, restrições operacionais e consequências de erros diferem.

Considere uma equipe hipotética de engenharia comparando assistentes com sua documentação interna. Um sistema pode produzir explicações mais fluentes, mas citar a versão errada de uma especificação técnica. Outro pode oferecer uma redação menos refinada, ao mesmo tempo em que localiza consistentemente o documento correto.

Esse exemplo não estabelece que uma determinada família nacional de modelos tenha melhor desempenho. Ele mostra por que a avaliação do comprador deve conectar a capacidade à tarefa real. Uma classificação geral deixa essa conexão incompleta.

O controle sobre a implantação cria outra consideração. Uma equipe que lida com material sensível pode preferir uma configuração que mantenha o processamento dentro de um ambiente aprovado. Outra equipe pode priorizar operações gerenciadas por não ter profissionais para manter sua própria infraestrutura de modelos.

Essas escolhas envolvem custos de esforço, responsabilidade e flexibilidade, mesmo quando nenhuma comparação de assinaturas entra na discussão. A operação independente exige que alguém gerencie atualizações e investigue falhas. O acesso gerenciado exige que alguém avalie as políticas e os compromissos de serviço do fornecedor.

A adoção de IA na China deve ser examinada por essa lente operacional. O interesse em modelos baixáveis pode refletir uma demanda por flexibilidade e controle. Isso não estabelece que todo sistema baixado chegue à produção ou substitua um serviço existente.

O alcance do consumidor americano também exige uma lente operacional. A familiaridade pode ajudar a introduzir um produto em uma organização. A familiaridade, por si só, não pode estabelecer adequação para trabalho confidencial, documentos especializados ou decisões que exigem evidências confiáveis.

Para trabalhadores do conhecimento, a conexão é especialmente direta. A utilidade de um assistente frequentemente depende do material que ele consegue recuperar e das evidências que preserva. Um modelo geral mais forte não pode compensar documentos-fonte ausentes ou desatualizados.

As equipes que avaliam uma base de conhecimento de IA devem, portanto, examinar o acesso à informação juntamente com a escolha do modelo. A competição nacional fornece contexto, enquanto as próprias evidências da organização determinam se um assistente entrega resultados úteis.

É nesse ponto que capacidade e adoção se encontram sem se tornarem idênticas. Modelos melhores ampliam a variedade de aplicações possíveis. Uma implantação bem-sucedida determina quais possibilidades se tornam trabalho confiável. A cobertura deve acompanhar o progresso em ambas as áreas e resistir a declarar uma como substituta completa da outra.

A confiança pública não pode ser inferida da liderança técnica

Produzir sistemas de IA amplamente utilizados não confere automaticamente autoridade para escrever as regras que os governam.

A questão da governança diz respeito a quem estabelece práticas aceitáveis, responsabilidade e supervisão. Ela difere da questão de qual país produz o modelo mais capaz. Os usuários podem confiar em um produto enquanto desconfiam das instituições associadas a ele.

A pesquisa sobre regulação de IA do Pew Research Center, de setembro de 2026, encontrou confiança mediana de 43% para a China, 35% para os Estados Unidos e 34% para a União Europeia. Esses resultados vieram de 12 países pesquisados, em sua maioria economias de renda média.

O escopo da pesquisa importa tanto quanto as porcentagens. O Pew fez perguntas relacionadas em um grupo diferente de 25 países em 2025. Uma mudança nos resultados agregados entre essas amostras não estabelece, por si só, que as mesmas populações tenham mudado de opinião.

Essa cautela metodológica tem consequências para o panorama de IA do Lowy Institute. Sua discussão sobre governança deve estimular um exame mais atento das atitudes entre os países. Ela não deve encorajar uma afirmação universal sobre a opinião pública global.

A confiança também é específica à pergunta feita. A confiança de que um governo possa regular a IA não estabelece uma preferência por seus produtos comerciais. Da mesma forma, usar um assistente estrangeiro não expressa necessariamente aprovação às políticas daquele governo.

Para compradores empresariais, a governança se torna concreta por meio da responsabilidade. Alguém deve decidir quais informações um assistente pode acessar. Alguém deve investigar resultados prejudiciais ou incorretos. Alguém deve determinar quando a revisão humana é obrigatória.

Essas decisões não podem ser delegadas a um ranking nacional. Uma organização precisa de arranjos que permaneçam compreensíveis quando algo dá errado. As evidências relevantes incluem procedimentos operacionais, compromissos exigíveis e responsabilidades claramente atribuídas.

Para governos fora dos Estados Unidos e da China, a mesma distinção abre espaço para escolhas independentes. Eles podem avaliar sistemas importados em relação a exigências domésticas sem tratar a aquisição como um endosso incondicional ao país fornecedor.

Isso não torna as escolhas politicamente simples. Dependências técnicas e relações políticas podem interagir. Ainda assim, tratar cada compra como um alinhamento geopolítico completo apagaria as diferenças práticas entre aplicações e instituições.

Há também uma limitação na estrutura geral do panorama. A ponderação igual torna a estrutura fácil de entender, mas pesos iguais representam uma escolha analítica. Eles não provam que cada categoria tenha um efeito igual sobre resultados futuros.

Um governo que enfrenta interrupções de fornecimento pode atribuir maior peso a insumos industriais. Uma empresa de software em expansão internacional pode enfatizar a distribuição. Um órgão público que lida com registros sensíveis pode priorizar responsabilidade e controle operacional.

Nenhuma dessas prioridades invalida o relatório. Elas mostram por que os leitores devem separar sua avaliação geral de seus próprios critérios de decisão. A estrutura apoia o escrutínio quando suas premissas permanecem visíveis.

A conclusão cética é, portanto, específica: o panorama organiza evidências sobre liderança, enquanto deixa importantes questões sobre resultados sem resposta. Ele não estabelece superioridade universal de produtos, domínio futuro inevitável ou um direito internacionalmente aceito de governar a IA.

O que observar após o panorama de IA do Lowy Institute

As próximas evidências úteis conectarão alegações competitivas ao uso sustentado, à infraestrutura em funcionamento e a escolhas operacionais exigíveis.

O primeiro sinal diz respeito à adoção além do interesse inicial. Nos próximos meses, lançamentos de modelos e atualizações de distribuição merecem atenção quando incluírem evidências de implantação contínua. Os totais de downloads continuam úteis, mas evidências de uso operacional recorrente fortaleceriam alegações sobre influência duradoura.

Para os modelos baixáveis chineses, a distinção central diz respeito à experimentação versus dependência contínua. Um modelo testado durante o desenvolvimento ocupa uma posição diferente de outro que sustenta as operações regulares de uma organização. Coberturas que documentem essa transição esclareceriam o significado dos ganhos em distribuição.

O mesmo padrão deve ser aplicado aos serviços americanos. Maior atenção não significa necessariamente utilidade sustentada. Evidências de uso organizacional contínuo apoiariam melhor as alegações de que o alcance junto ao consumidor se traduz em influência operacional duradoura.

Esse sinal fortaleceria a interpretação do Lowy se as vantagens americanas em distribuição persistirem enquanto a atividade chinesa com modelos abertos permanecer concentrada na experimentação. Ele enfraqueceria uma leitura simples dessa interpretação se os modelos chineses obtiverem uso documentado e sustentado em aplicações operadas de forma independente.

O segundo sinal diz respeito à infraestrutura entrando em operação. Atualizações de empresas e divulgações públicas devem distinguir instalações propostas de capacidade em funcionamento. Evidências sobre acesso à eletricidade, disponibilidade de equipamentos e comissionamento ajudariam a explicar se a expansão anunciada se transforma em capacidade computacional utilizável.

Essas evidências importam para ambos os lados da competição. Infraestrutura operacional adicional fortaleceria a posição do ecossistema que conseguir usá-la de forma eficaz. Atrasos enfraqueceriam conclusões que dependem da chegada da capacidade anunciada conforme o esperado.

O terceiro sinal diz respeito à governança se tornando operacional. Observe requisitos de aquisição, salvaguardas implementadas e avaliações publicadas que mudem a forma como as organizações podem implantar IA. Anúncios de participação e declarações amplas de política fornecem menos evidências do que regras com responsabilidades definidas.

Esse sinal desafiaria a premissa de que a liderança técnica determina automaticamente a influência na governança. Instituições fora dos países líderes na produção de modelos ainda podem moldar requisitos práticos. Sua influência se torna mais clara quando esses requisitos afetam implantações reais.

Para leitores que acompanham a competição de IA entre EUA e China, esses sinais oferecem uma alternativa disciplinada a reagir a cada alegação de liderança. Cada um pergunta se um desenvolvimento mensurável altera a relação entre capacidade, distribuição e dependência.

Mantenha as evidências originais ao lado de cada atualização subsequente. Registre qual população uma estatística de adoção abrange, em que estágio um projeto de infraestrutura se encontra e quais obrigações um anúncio de governança cria. Esse registro torna comparações futuras mais úteis.

Antes de sua próxima compra ou implantação de IA, traduza o panorama de IA do Lowy Institute em perguntas sobre sua própria exposição. Qual fornecedor controla o acesso ao sistema? Quais documentos ele pode usar? O que acontece quando seu comportamento muda? Quem lida com falhas e com que facilidade a organização pode transferir seu trabalho?

Compare sistemas candidatos usando tarefas representativas e requisitos operacionais claros. Preserve os resultados para que uma nova versão possa enfrentar a mesma avaliação. Acompanhe a competição nacional para obter contexto e, em seguida, exija evidências no nível em que sua organização realmente trabalha. Qual dependência seria mais difícil de substituir se o cenário competitivo mudasse?