Relatório de Difusão de IA da Microsoft Mostra Adoção em Alta Enquanto Lacunas Regionais se Ampliam

O mais recente relatório de difusão de IA da Microsoft registra uso global de 18,8%, apesar de uma lacuna crescente entre o Norte Global e o Sul Global. Quase todas as economias avaliadas ganharam usuários durante o segundo trimestre de 2026. No entanto, a adoção avançou mais rapidamente em mercados já conectados e mais ricos.

O resultado complica a conhecida afirmação de que a IA generativa está se disseminando por toda parte na mesma velocidade. A adoção global está crescendo, mas o acesso à infraestrutura, à conectividade, às competências digitais e a modelos úteis localmente ainda determina quem se beneficia primeiro.

Essa tensão importa para além do ranking de países individuais. Governos estão tratando o acesso à IA como uma prioridade econômica, enquanto empresas passam de experimentos com chatbots para fluxos de trabalho rotineiros. Microsoft, OpenAI, Google, Meta e um grupo crescente de desenvolvedores de modelos abertos competem para atender a essa demanda.

O Relatório de Difusão de IA da Microsoft Identifica Crescimento em Quase Todos os Lugares

A manchete é de crescimento amplo, mas o desenvolvimento mais importante é onde esse crescimento se concentrou.

A Microsoft publicou seu relatório de difusão de IA referente ao segundo trimestre de 2026 em 21 de setembro. Ele estima que 18,8% da população global em idade de trabalhar utilizou um produto de IA generativa durante o período analisado.

Esse número subiu de 17,8% no primeiro trimestre e de 16,3% no segundo semestre de 2025. O aumento alcançou quase todas as economias do conjunto de dados, sugerindo que a IA generativa foi além de um pequeno grupo de mercados de adoção inicial.

A Microsoft define difusão de IA como a parcela de pessoas entre 15 e 64 anos que usaram um produto de IA generativa durante um período de referência. Suas estimativas se baseiam em telemetria agregada e anonimizada da Microsoft.

A empresa ajusta essas observações conforme a participação de mercado de sistemas operacionais e dispositivos, a penetração da internet e a população nacional. O resultado é chamado de AI User Share, uma estimativa normalizada pela população, concebida para comparações entre países.

Isso não equivale a medir compras corporativas de IA, capacidade de data centers ou o número de modelos desenvolvidos localmente. A proposta é medir o uso real de produtos entre pessoas em idade de trabalhar.

Os Emirados Árabes Unidos permaneceram como a principal economia, com uso estimado de IA de 73,3%. Singapura ficou em seguida, com 64,3%, enquanto a Irlanda alcançou 49,9%, a França chegou a 49,6% e a Noruega atingiu 49,4%.

Esses números mostram que o desenvolvimento de modelos não determina, por si só, a adoção. Nem os Emirados Árabes Unidos nem Singapura operam a mesma concentração de laboratórios de modelos de fronteira encontrada nos Estados Unidos ou na China. Ainda assim, ambos alcançaram alto uso por meio de conectividade, serviços digitais, coordenação governamental e forças de trabalho conectadas internacionalmente.

A Coreia do Sul registrou o maior aumento trimestral absoluto entre as principais economias. Seu AI User Share subiu 3,5 pontos percentuais, para 40,6%, levando o país da décima sexta para a décima segunda posição.

Isso deu continuidade a uma aceleração mais longa. A Microsoft afirma que a Coreia do Sul acrescentou quase 15 pontos percentuais nos 12 meses anteriores, o maior ganho entre as grandes economias ao longo de três períodos consecutivos de análise.

A Arábia Saudita apresentou o maior avanço no ranking. Sua parcela de usuários subiu de 29,4% para 31,4%, ajudando o país a ganhar cinco posições e entrar no top 25.

O Japão registrou o maior aumento relativo. O uso cresceu de 22,5% no primeiro trimestre para 24,7% no segundo, um aumento de cerca de 10% em relação ao nível anterior.

Os Estados Unidos passaram de 31,3% para 33%, mas permaneceram na vigésima primeira posição do ranking. Essa colocação evidencia a diferença entre produzir sistemas de IA e difundi-los por uma população inteira.

A metodologia por país cobria originalmente 147 economias e identificou uma forte relação entre o uso de IA e a renda nacional. A pesquisa subjacente relatou uma correlação de Spearman de 0,83 entre o AI User Share e o produto interno bruto por pessoa.

A correlação não estabelece que a riqueza cause diretamente a adoção de IA. No entanto, a relação se encaixa no padrão de infraestrutura visível em todo o relatório. Eletricidade, acesso à internet, dispositivos adequados, competências e serviços acessíveis afetam se uma pessoa consegue usar IA generativa regularmente.

Os novos números, portanto, descrevem dois desenvolvimentos ao mesmo tempo. A IA está alcançando mais pessoas, mas os mercados com bases digitais mais fortes continuam a converter novos produtos em uso rotineiro com maior rapidez.

A Lacuna Global de Adoção de IA Continua se Ampliando

O crescimento mundial não fechou a divisão porque o Norte Global continua a ganhar usuários em ritmo mais rápido.

O uso de IA no Norte Global alcançou 28,8% durante o segundo trimestre, acima dos 27,5%. O Sul Global chegou a 16,2%, subindo de 15,4%.

Ambos os grupos cresceram, mas seus ganhos foram diferentes. O Norte acrescentou 1,3 ponto percentual, em comparação com 0,8 ponto no Sul.

A lacuna resultante aumentou de 12,1 pontos percentuais para 12,6 pontos durante o trimestre. Ela estava em 10,6 pontos no segundo semestre de 2025.

Essa direção é mais relevante do que a média global de um trimestre. Se mercados mais fortes continuarem avançando mais rápido, as vantagens econômicas e educacionais associadas ao uso de IA poderão se acumular antes que mercados mais lentos estabeleçam acesso comparável.

A infraestrutura é parte da explicação. Produtos de IA geralmente exigem eletricidade confiável, conectividade à internet, dispositivos compatíveis e dados acessíveis. Um modelo pode estar disponível online sem ser, na prática, acessível para alguém que enfrenta serviço instável ou altos custos de conectividade.

O idioma é outra restrição. Muitos sistemas amplamente usados têm melhor desempenho em idiomas com ampla presença de texto digital, dados de avaliação e demanda comercial. Usuários que trabalham em idiomas com menos recursos podem encontrar respostas mais fracas, interfaces limitadas ou menos ferramentas relevantes localmente.

As competências digitais acrescentam uma terceira barreira. Abrir um chatbot é simples, mas o uso produtivo muitas vezes exige que os usuários avaliem fontes, protejam informações sensíveis, estruturem solicitações e conectem os resultados ao trabalho real.

As organizações enfrentam desafios relacionados. Uma empresa precisa de dados adequados, governança, treinamento de equipe e um fluxo de trabalho definido antes que experimentos ocasionais se tornem operações confiáveis.

É por isso que a adoção não pode ser inferida apenas a partir da disponibilidade de produtos. A presença de uma interface web gratuita não elimina os custos mais amplos de conectividade, dispositivos, treinamento, verificação e integração.

As categorias Norte Global-Sul Global também exigem cautela. Elas combinam países com níveis de renda, demografia, idiomas, sistemas políticos e mercados tecnológicos muito distintos.

Os Emirados Árabes Unidos e Singapura, por exemplo, lideram todo o ranking, apesar de frequentemente aparecerem em discussões geográficas amplas sobre o Sul Global. Seus resultados alertam contra tratar bilhões de pessoas como um único mercado de tecnologia.

Pesquisadores entrevistados sobre a divisão também questionaram se o rótulo incentiva suposições excessivamente amplas. Uma média regional útil pode revelar desigualdade e, ainda assim, obscurecer diferenças dentro de cada grupo.

A mesma questão aparece dentro de países ricos. Uma pesquisa separada da Microsoft nos Estados Unidos identificou diferenças substanciais entre comunidades urbanas e rurais. Médias nacionais podem ocultar divisões relacionadas à educação, acesso à banda larga, emprego e indústria local.

Isso faz da lacuna global um problema de distribuição, e não uma simples corrida entre dois blocos fixos. A questão central é se as pessoas de cada país conseguem transformar a IA disponível em atividade útil e repetível.

Pesquisas anteriores da Microsoft fornecem uma pista importante. Em países com baixa penetração de internet, a adoção era frequentemente muito maior entre a população conectada do que entre a população total em idade de trabalhar.

O estudo técnico constatou que o AI User Share da Zâmbia passou de 12% da população para 34% entre as pessoas conectadas. A estimativa do Paquistão aumentou de 10% para 33% quando medida entre usuários de internet.

Essas comparações não comprovam que a conectividade, por si só, eliminará a lacuna. Elas mostram, porém, uma demanda latente substancial entre pessoas que conseguem ficar online.

A principal inversão do relatório decorre dessa evidência. A adoção nacional lenta não reflete necessariamente baixo interesse em IA. Ela pode refletir a falta das condições necessárias para transformar interesse em uso.

A Adoção de IA por País Também Revela Usos Diferentes

A divisão não diz respeito apenas a quantas pessoas usam IA, mas também ao que os primeiros adotantes pedem que ela faça.

A Microsoft examinou um subconjunto de conversas de consumidores no Copilot com um classificador que preserva a privacidade. O classificador agrupou as conversas de acordo com sua intenção principal, como aprendizado, escrita, programação, pesquisa ou compras.

A análise constatou que o aprendizado autodirigido e o desenvolvimento de competências representaram uma parcela 29,2% maior das conversas no Sul Global do que na composição mundial. Trabalhos escolares e apoio acadêmico tiveram uma parcela 32,3% maior.

Tarefas de criação e edição também apareceram com mais frequência. Elas incluíam trabalhos envolvendo texto, código e imagens.

O Norte Global se inclinou mais para compras, pesquisa de produtos, recuperação de informações e feedback. Essas são parcelas relativas, e não medidas diretas do número total de conversas.

O padrão educacional oferece um contraponto à lacuna de adoção. Pessoas em mercados menos conectados que já usam IA generativa parecem estar particularmente interessadas em conhecimento e desenvolvimento de competências.

Essa distinção importa para escolas, governos e equipes de produto. Um mercado com menor penetração geral ainda pode apresentar forte demanda por tutoria, tradução, assistência para escrita e aprendizado técnico.

O padrão também tem implicações para trabalhadores do conhecimento. A adoção útil de IA raramente termina ao gerar uma resposta. As pessoas precisam conectar as respostas a documentos confiáveis, decisões anteriores e contexto específico de cada área.

Uma base de conhecimento pessoal pesquisável pode ajudar usuários a preservar esse contexto. No entanto, o software não pode substituir conectividade, avaliação de fontes ou suporte a idiomas locais.

A Microsoft alerta contra estender suas conclusões sobre conversas à população em geral. Os dados descrevem os primeiros adotantes que usam o Copilot para consumidores, não todas as pessoas do Sul Global.

A demografia também pode influenciar o resultado. O Sul Global tem uma população mais jovem, o que pode aumentar a importância relativa de trabalhos escolares e treinamento de competências.

O conjunto de dados não revela por que os usuários escolheram tarefas específicas. Uma parcela maior de aprendizado pode refletir demanda educacional não atendida, usuários mais jovens, pressão do mercado de trabalho ou ausência de outros serviços digitais.

Tampouco uma categoria de conversa mede a qualidade do aprendizado. Um estudante pode usar IA para compreender um conceito, elaborar uma tarefa ou obter uma resposta pouco confiável. A classificação registra a intenção, e não os resultados educacionais.

Mesmo com essas limitações, a comparação desafia uma visão estreita da adoção. Mercados com menos usuários não são simplesmente versões atrasadas de mercados mais ricos.

Seus casos de uso podem se desenvolver em torno de necessidades diferentes. Educação, acesso multilíngue, serviços públicos e assistência a pequenas empresas podem ser mais importantes do que compras ou software para o trabalho.

Isso pressiona provedores de modelos a competir em relevância, não apenas em desempenho em benchmarks. Um sistema que lida com idiomas locais, currículos, leis e contexto cultural pode ser mais valioso do que um modelo geral mais forte com adaptação regional limitada.

Isso também altera a questão de política pública. Expandir a adoção de IA sem melhorar a qualidade da informação e as habilidades dos usuários pode disseminar assistência pouco confiável tão rapidamente quanto ferramentas úteis.

A oportunidade, portanto, está ligada à responsabilidade. A demanda educacional pode apoiar um acesso mais amplo, mas também levanta questões sobre precisão, privacidade, integridade acadêmica e design adequado à idade.

Modelos de Pesos Abertos Podem Reduzir Uma Barreira, Mas Não Todas

Modelos de pesos abertos podem melhorar a acessibilidade financeira e a adaptação local, mas não podem fornecer eletricidade, conectividade ou usuários capacitados.

Um modelo de pesos abertos disponibiliza os parâmetros numéricos aprendidos durante o treinamento. Desenvolvedores podem baixar, modificar e implantar esses pesos, embora os dados de treinamento e o código de desenvolvimento possam permanecer fechados.

Essa distinção é importante porque pesos abertos nem sempre significam código aberto completo. Ainda assim, o acesso aos pesos do modelo dá às organizações mais controle do que um sistema disponível apenas por meio de um serviço proprietário.

A Microsoft argumenta que esses modelos estão se tornando uma via importante para a difusão global da IA. Eles podem ser adaptados a idiomas locais e domínios especializados sem exigir que uma organização treine um modelo de fronteira desde o início.

Eles também permitem que desenvolvedores escolham entre provedores de hospedagem ou executem um modelo em sua própria infraestrutura. Essa flexibilidade pode reduzir a dependência de um único fornecedor e apoiar implantações com requisitos de dados mais rigorosos.

O uso de pesos abertos é difícil de contabilizar pelo tráfego de chatbots de consumo. As pessoas podem encontrar esses modelos em aplicativos, agentes de programação, serviços públicos ou sistemas corporativos sem saber qual modelo produziu a resposta.

Implantações auto-hospedadas criam outro ponto cego, pois seu tráfego talvez nunca alcance um provedor centralizado. Por isso, a Microsoft examinou a atividade de interfaces de programação de aplicativos como um sinal complementar.

O relatório usa dados da OpenRouter, um serviço que direciona solicitações de desenvolvedores entre muitos modelos abertos e proprietários. A Microsoft afirma que sua análise de dados públicos constatou que sistemas de pesos abertos processavam 75% do uso de tokens nessa plataforma.

Esse número chama atenção, mas não representa uma participação de mercado mundial. A OpenRouter atrai desenvolvedores particularmente dispostos a comparar provedores e trocar de modelo. Ela também exclui grande parte do uso direto de sistemas proprietários e modelos abertos hospedados de forma privada.

Uma análise anterior da OpenRouter, cobrindo mais de 100 trilhões de tokens, identificou sistemas de pesos abertos em cerca de um terço do volume até o fim de 2025. Lançamentos de DeepSeek, Kimi, Qwen e OpenAI teriam impulsionado aumentos que continuaram após seus períodos de lançamento.

A persistência é relevante porque o tráfego de lançamento pode representar curiosidade, e não adoção confiável. Um volume sustentado de tokens oferece evidências mais fortes de que desenvolvedores estão inserindo os modelos em fluxos de trabalho recorrentes.

Sistemas de pesos abertos também reduziram parte da lacuna de capacidade em relação aos modelos proprietários. O relatório afirma que os principais lançamentos abertos frequentemente se aproximam da fronteira fechada em poucos meses, embora o desempenho varie conforme a tarefa.

Esse padrão incentiva o roteamento de modelos. Um aplicativo pode reservar um sistema proprietário de alta capacidade para solicitações difíceis, enquanto atribui tarefas rotineiras a um modelo aberto menos caro.

Para organizações que processam grandes cargas de trabalho, essa escolha pode influenciar se um serviço de IA permanece economicamente viável. Agentes podem gerar chamadas repetidas ao modelo, tornando a eficiência de inferência mais importante do que uma única resposta impressionante.

As implicações são especialmente relevantes em mercados de menor renda. Universidades, organizações sem fins lucrativos, governos e empresas locais podem adaptar um modelo existente em vez de financiar um sistema original em escala de fronteira.

A Microsoft cita sua pesquisa Bring Your Own Language como exemplo. O projeto melhorou o desempenho médio para Chichewa e Māori em cerca de 12% em um conjunto de benchmarks, por meio do refinamento de dados e da adaptação de modelos.

Esse resultado não significa que todo idioma com poucos recursos possa receber a mesma melhoria. Ele demonstra por que pesos editáveis e dados locais cuidadosamente preparados podem importar.

DeepSeek forneceu um exemplo anterior de como a acessibilidade afeta a adoção. Seu lançamento R1 ajudou a aumentar o uso na China e atraiu usuários em mercados em desenvolvimento, segundo reportagens sobre conclusões anteriores da Microsoft.

A resposta dos mercados em desenvolvimento mostrou como um modelo amplamente disponível pode mudar a adoção fora dos mercados atendidos mais diretamente por plataformas americanas.

No entanto, modelos abertos não podem eliminar os gargalos fundamentais identificados pelo relatório. Um modelo baixável ainda precisa de hardware, eletricidade, equipe técnica, controles de segurança e um aplicativo que as pessoas possam acessar.

A adaptação local também exige dados adequados. Comunidades com pouco texto digitalizado podem ter a maior necessidade de suporte linguístico e a menor quantidade de material disponível para treinamento ou avaliação.

Assim, os pesos abertos abordam apenas parte do principal antagonismo desta história: a promessa de acesso universal à IA versus as condições desiguais de uso real.

Eles podem reduzir custos no nível do modelo e melhorar a relevância local. Não conseguem, por si só, fechar uma lacuna produzida por infraestrutura, habilidades, instituições e renda.

A Medição da Microsoft Tem um Ponto Cego Importante

Os números oferecem uma referência direcional útil, mas não representam um censo completo da atividade global de IA.

A Microsoft reconhece que nenhum indicador isolado pode medir plenamente a adoção de IA. Sua telemetria oferece evidências comportamentais em tempo hábil, mas naturalmente reflete os produtos, dispositivos e tráfego visíveis para a Microsoft.

A empresa ajusta as diferenças em sistemas operacionais, acesso a dispositivos, penetração da internet e população. Essas correções tornam as comparações mais significativas, mas ajustes estatísticos não conseguem observar todos os serviços de IA.

O problema se torna especialmente visível na China. Aplicativos domésticos de empresas chinesas podem atrair uso extensivo sem aparecer proporcionalmente na cobertura atual de produtos da Microsoft.

A Microsoft afirma que seu próximo relatório ampliará a lista de ferramentas de IA medidas. Ela espera que a mudança aumente a adoção estimada em quase todas as economias, com efeito maior na China.

Essa futura revisão representará principalmente uma melhor medição do uso existente, e não um aumento repentino de adoção. Portanto, leitores devem evitar tratar o próximo aumento como crescimento puramente orgânico.

O número de aplicativos disponíveis também está crescendo rapidamente. Hugging Face Spaces, que hospeda demonstrações e aplicativos de IA executáveis, cresceu de aproximadamente 124.000 no fim de 2023 para 1,46 milhão em setembro de 2026.

A Microsoft estima que o total tenha aumentado cerca de 83% desde seu primeiro relatório de difusão, no fim de 2025. Esses Spaces vão de experimentos pessoais a projetos mais voltados para produção.

Eles não devem ser contabilizados como 1,46 milhão de produtos comerciais distintos. Ainda assim, seu crescimento mostra por que uma lista fixa de ferramentas monitoradas se torna menos representativa ao longo do tempo.

O repositório público do relatório lista explicitamente outras limitações. AI User Share mede uso, não capacidade, produtividade, segurança ou impacto econômico.

Uma pessoa que testa brevemente um chatbot e um profissional que usa vários modelos diariamente podem aparecer como usuários. Sua exposição econômica e benefício prático podem ser totalmente diferentes.

A métrica também não prova que a IA melhora o trabalho. O uso pode incluir assistência produtiva, resultados de baixa qualidade, entretenimento, trabalhos escolares, experimentação ou atividade automatizada integrada a outro serviço.

A Microsoft tem interesse comercial em expandir a adoção de IA. Ela vende infraestrutura de nuvem, acesso a modelos, software de produtividade e serviços de IA para consumidores.

Esse interesse não invalida a pesquisa, especialmente porque a empresa publica sua metodologia e dados para download. Mas torna importante a comparação independente.

Pesquisas, tráfego de API, estudos no local de trabalho, dados de download e estatísticas nacionais podem testar diferentes partes do cenário. Nenhum deles oferece uma visão completa por si só.

Os rótulos regionais introduzem outro desafio de medição. O Norte Global e o Sul Global são agrupamentos analíticos, não unidades econômicas ou políticas uniformes.

As médias podem revelar que o acesso é desigual enquanto ocultam mercados líderes, regiões frágeis e grandes diferenças dentro dos países. As reportagens devem manter ambos os níveis visíveis.

A interpretação mais justa é que a Microsoft produziu um sinal amplo e atualizado com frequência. Ele é mais útil para comparar direção e adoção relativa do que para declarar uma contagem exata de cada usuário de IA.

A conclusão de que a lacuna se ampliou continua significativa dentro desse enquadramento. A mesma metodologia mostra ambas as regiões crescendo, com o Norte avançando mais rápido em períodos sucessivos de relatório.

Ainda assim, a expansão planejada da cobertura pode alterar classificações de países e estimativas regionais. O próximo conjunto de dados será um teste metodológico, além de uma atualização sobre adoção.

Três Sinais Mostrarão se a Divisão Começa a se Fechar

A próxima fase depende de uma medição mais ampla, acesso mais barato a modelos e infraestrutura fundamental começarem a avançar na mesma direção.

O primeiro sinal é a cobertura ampliada de ferramentas da Microsoft. O próximo relatório deve mostrar quanto uso o método atual deixa de captar, particularmente na China e em mercados dominados por aplicativos domésticos.

Uma grande revisão para cima enfraqueceria as comparações entre países baseadas nos rankings atuais. Ela não necessariamente eliminaria a lacuna Norte-Sul, mas poderia mostrar que parte da divisão reflete visibilidade, e não comportamento.

Uma revisão modesta reforçaria a interpretação atual. Ela sugeriria que infraestrutura e acesso desiguais continuam sendo a explicação dominante, mesmo depois que mais produtos entram na medição.

Os leitores devem separar revisões metodológicas do crescimento de trimestre a trimestre. A Microsoft já advertiu que uma cobertura mais ampla captará atividade que já existe hoje.

O segundo sinal é o uso sustentado de pesos abertos fora das plataformas de roteamento para desenvolvedores. A composição de tokens da OpenRouter aponta para rápida adoção, mas seus usuários não representam o mercado inteiro.

Evidências de provedores de nuvem, implantações empresariais, universidades e serviços do setor público mostrariam se modelos abertos estão se tornando infraestrutura duradoura. O crescimento de aplicativos localizados seria especialmente relevante.

A evidência mais forte conectaria a disponibilidade de modelos a novos usuários ou serviços melhores em mercados de menor adoção. O volume de tokens sozinho não pode mostrar se os benefícios estão chegando a pessoas que antes não tinham acesso.

Uma reversão também seria informativa. Se o uso de modelos abertos se concentrar entre desenvolvedores bem financiados em mercados ricos, uma economia melhor dos modelos poderá reforçar vantagens existentes em vez de fechar a lacuna.

O terceiro sinal é o progresso em conectividade e habilidades práticas. Os dados de acesso à internet mantidos pela International Telecommunication Union oferecem contexto essencial para qualquer ranking de adoção.

Observe se países com baixo uso de IA em nível populacional reduzem a diferença entre a adoção total e a dos usuários conectados. Isso indicaria que programas de acesso estão alcançando além de uma minoria já conectada.

Programas de capacitação exigem escrutínio semelhante. Totais de matrículas são evidências mais fracas do que uso contínuo, treinamento concluído, aplicação no trabalho ou resultados educacionais mensuráveis.

Para compradores empresariais, o relatório oferece um alerta direto. Uma estratégia global de IA não pode presumir infraestrutura, suporte linguístico ou preparo dos funcionários idênticos em todos os mercados.

Para desenvolvedores, a localização não é um recurso secundário. Ela pode determinar se um modelo que tem bom desempenho em um benchmark se torna útil em uma sala de aula, clínica, repartição pública ou pequena empresa.

Para trabalhadores do conhecimento, a crescente adoção aumenta o valor da verificação de fontes e de um contexto duradouro. Mais acesso à IA significa mais material gerado, não necessariamente conhecimento mais confiável.

O relatório da Microsoft sobre a difusão de IA mostra que a IA generativa ainda está se espalhando rapidamente. Também mostra que o crescimento, por si só, não distribui oportunidades de forma equitativa.

A próxima questão não é se a adoção mundial voltará a crescer. É se conectividade, competências, modelos localizados e um acesso mais amplo a produtos permitirão que mercados de menor adoção cresçam mais rápido do que os líderes.

Acompanhe conjuntamente a próxima atualização metodológica, as implantações reais de modelos abertos e o uso entre a população conectada. Se os três melhorarem, a diferença crescente poderá começar a diminuir. Se se distanciarem ainda mais, uma tecnologia disponível globalmente continuará produzindo resultados marcadamente regionais.