IA, nuvem e soberania decisória: por que conselhos precisam discutir infraestrutura própria

Resumo executivo

A inteligência artificial já não é uma ferramenta em ascensão. É uma infraestrutura em consolidação — e, como toda infraestrutura crítica, sua posse, seu controle e sua governança determinarão, nas próximas décadas, quem detém poder de decisão, capacidade de criação de valor e margem de autonomia estratégica.

Para os conselhos de administração, essa transição impõe uma pergunta de natureza distinta das que costumam ocupar as pautas de tecnologia. Não se trata de escolher plataformas, aprovar pilotos ou monitorar despesas de TI. A questão central é outra, mais profunda e mais exigente: quais capacidades de inteligência, dados e computação a organização precisa governar para preservar sua autonomia decisória diante da concentração crescente de poder tecnológico global?

A primeira tese deste documento é que a IA pode recriar, sob nova forma, a estrutura de dependência que definiu a era dos mainframes. Naquele ciclo, grandes plataformas concentravam arquitetura, processamento, software, serviços e conhecimento técnico especializado, aprisionando organizações em relações assimétricas de longo prazo. Hoje, a concentração retorna — desta vez por meio de nuvens, modelos proprietários, chips de alto desempenho, APIs fechadas, energia, dados e data centers — com a diferença de que se apresenta, na superfície, como conveniência e agilidade.

A segunda tese é que a nuvem continuará essencial, mas tenderá a se tornar mais cara, mais disputada e estruturalmente assimétrica. O crescimento acelerado da IA pressiona de forma simultânea a demanda por GPUs, memória, armazenamento, redes, energia e refrigeração. A inflação de componentes críticos não ficará contida nos balanços dos hiperescaladores: tenderá a se transferir, direta ou indiretamente, para os preços de serviços de nuvem e para os contratos corporativos.

A terceira tese é que construir infraestrutura própria ou híbrida não equivale a um recuo tecnológico. Significa, ao contrário, exercer soberania seletiva — preservar internamente as capacidades que definem a identidade competitiva da organização, combinando nuvem pública, ambientes privados, modelos de código aberto, provedores especializados e governança robusta de dados em uma arquitetura desenhada por criticidade, não por conveniência.

A quarta tese é que os conselhos precisam tratar a IA como tema de estratégia, risco, capital, pessoas e continuidade operacional — não como escolha técnica delegada à área de tecnologia. A decisão relevante não é qual servidor adquirir ou qual modelo adotar. É definir quais dependências são aceitáveis, quais dados não podem circular fora do perímetro organizacional e quais capacidades não podem ser integralmente terceirizadas sem comprometer a liberdade de movimento estratégico da empresa.

A conclusão é que a organização que apenas aluga inteligência poderá ganhar velocidade no curto prazo, mas tenderá a perder progressivamente sua margem de decisão. A organização que constrói capacidades próprias — ainda que de forma seletiva e faseada — amplia sua resiliência, protege o conhecimento que a distingue e melhora sensivelmente sua posição de negociação diante de fornecedores globais que, por definição, servem a muitos e devem lealdade a nenhum em particular.

O retorno silencioso da infraestrutura

A história da tecnologia empresarial é feita de ciclos. Em alguns momentos, as empresas concentram capacidade dentro de casa. Em outros, terceirizam, alugam, conectam-se a plataformas e reduzem ativos próprios.

A era dos mainframes foi marcada pela centralização. Grandes máquinas processavam dados essenciais, sustentavam operações críticas e exigiam contratos, especialistas, manutenção e relacionamento estreito com poucos fornecedores.

O IBM System/360, lançado em 1964, tornou-se um marco desse período ao criar uma família compatível e escalável de computadores empresariais. A inovação foi extraordinária, mas também consolidou um modelo de dependência profunda em arquitetura, software, serviços e conhecimento especializado.

Décadas depois, a nuvem surgiu como promessa de flexibilidade. Empresas deixaram de comprar grandes equipamentos, reduziram centros próprios de processamento, ganharam velocidade de implantação e passaram a consumir tecnologia como serviço.

Essa mudança foi correta em muitos casos. A nuvem trouxe escala, elasticidade, segurança profissionalizada, capilaridade global e capacidade de inovação que poucas empresas conseguiriam construir isoladamente.

Mas a inteligência artificial está deslocando novamente o centro da conversa. A IA não é apenas mais uma camada de software. Ela exige processamento especializado, memória, armazenamento, energia, modelos, dados, integração, inferência contínua e governança.

Quando uma tecnologia passa a apoiar decisões, processar conhecimento interno, automatizar rotinas, analisar imagens, resumir documentos, responder clientes e orientar gestores, ela deixa de ser apenas ferramenta. Torna-se infraestrutura invisível de funcionamento da empresa.

A pergunta de conselho muda nesse momento. Não basta discutir se a organização usa IA. É preciso discutir onde essa inteligência roda, quem controla os dados, quais fornecedores concentram poder, quanto custará escalar e o que aconteceria se acesso, preço ou condições contratuais mudassem.

A nova concentração tecnológica

A nuvem global é altamente concentrada. Segundo dados da Synergy Research citados pela Data Center Dynamics, AWS, Microsoft e Google responderam juntos por cerca de 68% do mercado de nuvem pública no quarto trimestre de 2025. O mesmo levantamento estimou receita de US$ 119,1 bilhões no trimestre e US$ 419 bilhões em 2025 para serviços de infraestrutura de nuvem.

A concentração, por si só, não é necessariamente ruim. Grandes provedores oferecem escala, qualidade técnica, segurança, inovação e capacidade de investimento. O problema surge quando processos críticos, dados sensíveis e inteligência operacional passam a depender excessivamente de poucos ambientes.

Essa dependência pode aparecer de várias formas. A empresa pode ficar presa a formatos proprietários, APIs específicas, modelos fechados, custos de saída, contratos complexos, integrações difíceis de migrar ou falta de profissionais capazes de operar alternativas.

Na era dos mainframes, a dependência era visível, pois havia máquinas físicas, contratos longos e especialistas raros. Na era da IA em nuvem, ela pode ser menos aparente, porque se apresenta como conveniência, assinatura, elasticidade e velocidade.

O risco estratégico é justamente esse. A dependência mais perigosa é a que parece eficiência até o momento em que a empresa precisa mudar de rota.

Para conselhos, a boa pergunta não é se a empresa deve usar grandes provedores. Em muitos casos, deve. A pergunta mais inteligente é quais decisões, dados e capacidades não podem ficar totalmente condicionados a eles.

A IA como infraestrutura física

A IA parece imaterial porque aparece em telas, textos, imagens e respostas instantâneas. Mas sua base é intensamente física. Ela depende de chips, memória, energia, refrigeração, redes, data centers, terras, água, licenças, capital e cadeias globais de suprimentos.

A Agência Internacional de Energia estima que o consumo elétrico de data centers pode mais que dobrar até 2030, alcançando cerca de 945 TWh, com a IA como um dos principais vetores de crescimento. Esse número coloca a IA dentro da agenda energética, não apenas tecnológica.

Esse crescimento muda o cálculo econômico. A IA não pressiona apenas o orçamento de software. Pressiona infraestrutura elétrica, disponibilidade de data centers, contratos de energia, capacidade de refrigeração, suprimento de equipamentos e custos de capital dos provedores.

O Gartner projeta que o gasto mundial com IA chegará a US$ 2,59 trilhões em 2026, crescimento de 47% em relação ao ano anterior. A consultoria afirma que a infraestrutura de IA será o maior segmento, representando mais de 45% do gasto, impulsionada por servidores otimizados, semicondutores, redes e serviços de infraestrutura.

Esse dado é importante porque revela uma virada. A economia da IA não será dominada apenas por licenças de software ou experimentos de produtividade. Ela será fortemente determinada por capital físico, capacidade computacional e disponibilidade de componentes.

Para conselhos, isso significa que a adoção de IA precisa entrar na agenda de investimento e risco. Não é uma linha menor de inovação. Pode se tornar uma curva crescente de despesa operacional, capital alocado, contratos de longo prazo e dependência de fornecedores.

A inflação de componentes como risco estratégico

Há um ponto que conselhos ainda discutem pouco: a inflação de componentes críticos pode encarecer serviços digitais, inclusive nuvem, IA como serviço, equipamentos corporativos e infraestrutura local.

A S&P Global observou que fabricantes de memória como Samsung, SK Hynix e Micron estão direcionando capacidade para HBM, memória de alta largura de banda usada em data centers de IA. Esse movimento reduz a oferta de DRAM convencional e pressiona preços de servidores, PCs e outros equipamentos.

A mesma análise aponta que estimativas de consenso projetam aumentos expressivos nos preços médios de DRAM convencional em 2026, com crescimento esperado de 116% para Samsung, 78% para SK Hynix e 54% para Micron. Esses números mostram que o impacto da IA não fica restrito às placas de alto desempenho.

A TrendForce projetou que os preços contratuais de DRAM convencional poderiam subir entre 58% e 63% no segundo trimestre de 2026, enquanto NAND Flash poderia avançar entre 70% e 75% no mesmo período. A causa apontada é a demanda de servidores de IA e a busca de grandes provedores por acordos de fornecimento de longo prazo.

Esse fenômeno sugere uma nova categoria de risco: inflação tecnológica estrutural. Ela nasce quando poucos componentes críticos passam a ser disputados por hiperescaladores, fabricantes de servidores, empresas de IA, governos e indústrias tradicionais.

A consequência para empresas usuárias pode aparecer em três frentes. A primeira é o aumento do custo de nuvem e IA terceirizada. A segunda é o encarecimento de equipamentos internos. A terceira é a redução de disponibilidade, com prazos maiores e menor poder de negociação.

Isso não significa que toda empresa deva comprar sua própria infraestrutura imediatamente. Significa que o conselho precisa entender que a nuvem não é um oceano neutro, infinito e estável. Ela é uma indústria intensiva em capital, sujeita a escassez, ciclos de preço e prioridades dos grandes clientes.

Quando os provedores globais disputam energia, chips e memória, parte dessa pressão tende a aparecer nos preços, nos contratos, nos limites de uso, nos compromissos mínimos ou nas condições comerciais oferecidas aos clientes corporativos.

A pergunta deixa de ser “nuvem é cara ou barata?”. Passa a ser “quanto da estrutura de custo futura da empresa ficará exposta a componentes e serviços que ela não controla?”

Da IA experimental à IA em produção

Enquanto a IA é usada por poucos profissionais, seu custo parece marginal. Um assistente para redação, análise preliminar ou apoio individual pode gerar ganhos rápidos sem alterar muito a estrutura econômica da empresa.

O problema aparece quando a IA entra em produção. Nesse momento, ela passa a responder clientes, consultar bases internas, analisar documentos, operar fluxos de trabalho, processar imagens, recomendar decisões e funcionar de modo contínuo.

O Gartner estima que o gasto com AI optimized IaaS chegará a US$ 37,5 bilhões em 2026. A consultoria também projeta que 55% desse gasto em 2026 estará ligado a inferência, que é o uso contínuo dos modelos em aplicações reais, e não apenas ao treinamento.

Essa distinção é crucial. Treinamento chama atenção porque parece grandioso. Inferência pesa no orçamento porque se repete todos os dias, em cada interação, busca, recomendação, agente, automação ou análise.

A IA em produção cria uma linha de custo permanente. Quanto mais a empresa automatiza processos e amplia casos de uso, mais passa a consumir capacidade computacional, armazenamento, memória, tráfego e serviços especializados.

Portanto, conselhos não devem avaliar IA apenas pelo custo do piloto. Devem perguntar quanto custará a operação plena, quais volumes são esperados, como o uso será medido, quais limites serão definidos e quais alternativas existem se o preço de um fornecedor subir.

Sem essa visão, a empresa pode aprovar pequenos experimentos baratos que, ao escalar, se transformam em despesas recorrentes relevantes e difíceis de reduzir.

Soberania seletiva, não isolamento tecnológico

A resposta a esse cenário não é rejeitar a nuvem, nem tentar reconstruir internamente toda a infraestrutura tecnológica. Esse caminho seria caro, lento e, para a maioria das empresas, desnecessário.

O conceito mais útil é soberania seletiva.

Soberania seletiva significa identificar quais capacidades devem permanecer sob maior controle da organização, quais podem ser contratadas externamente e quais precisam ser reversíveis. É uma visão mais madura do que a oposição simplista entre nuvem pública e infraestrutura própria.

Algumas capacidades podem continuar em provedores globais. Sistemas pouco diferenciadores, dados de baixa sensibilidade, cargas variáveis e serviços padronizados costumam se beneficiar da escala externa.

Outras capacidades merecem avaliação diferente. Conhecimento técnico proprietário, dados estratégicos, informações de clientes, modelos de risco, documentos sensíveis, inteligência industrial, agentes internos e automações críticas podem exigir maior controle.

Esse controle pode assumir várias formas. Pode ser um ambiente privado para dados sensíveis, uma arquitetura multicloud, modelos abertos operando internamente, servidores próprios para inferência específica, bases vetoriais sob governança da empresa, edge computing em unidades operacionais ou contratos com provedores especializados.

A decisão não precisa ser binária. O conselho deve incentivar uma arquitetura híbrida, desenhada por criticidade, risco, custo, desempenho e soberania decisória.

Essa arquitetura deve responder a uma lógica simples: usar escala externa onde ela cria valor, mas preservar controle interno onde a dependência pode comprometer liberdade estratégica.

O Brasil e a questão da autonomia tecnológica

A discussão não é apenas empresarial. Ela também tem dimensão nacional. O Plano Brasileiro de Inteligência Artificial 2024 a 2028 prevê R$ 23 bilhões em investimentos e inclui a criação de um supercomputador de alta performance para apoiar o desenvolvimento de IA no país.

Esse movimento mostra que governos também perceberam a conexão entre IA, infraestrutura, soberania, capacidade computacional e desenvolvimento econômico. Países que não dominam nenhuma camada crítica da infraestrutura digital tendem a ficar dependentes de modelos, plataformas, chips e padrões definidos fora de seu ambiente institucional.

Para empresas brasileiras, a reflexão é semelhante em escala menor. Nem todas precisarão montar infraestrutura relevante de IA. Mas todas precisarão entender quais dependências externas afetam preço, dados, operação, competitividade e margem de decisão.

Essa pergunta é ainda mais importante em setores com dados sensíveis, ativos industriais, conhecimento técnico especializado, operações distribuídas, cadeias logísticas complexas, exposição regulatória ou riscos reputacionais elevados.

No limite, a empresa que não organiza seus dados, não forma pessoas e não entende sua arquitetura digital pode se tornar usuária passiva de inteligência alheia. Ela consome respostas, mas não desenvolve discernimento próprio.

O papel do conselho: governar dependências

A responsabilidade do conselho não é escolher GPU, servidor, modelo ou linguagem de programação. Essa não é sua função. Seu papel é fazer perguntas que conectem tecnologia, estratégia, capital, risco e continuidade.

A primeira responsabilidade é mapear dependências críticas. O conselho deve entender quais plataformas sustentam processos essenciais, quais dados circulam fora da empresa, quais modelos são usados e quanto custaria migrar ou interromper cada serviço.

A segunda é exigir análise econômica de longo prazo. Projetos de IA devem incluir custo total de propriedade, custo de escala, exposição cambial, energia, manutenção, contratos, segurança, obsolescência, treinamento e dependência de componentes.

A terceira é proteger dados e conhecimento. A empresa deve saber quais informações alimentam modelos, onde ficam armazenadas, quem tem acesso, que retenção existe, quais usos são permitidos e como respostas são auditadas.

A quarta é garantir portabilidade. Toda arquitetura relevante deveria ser avaliada por sua capacidade de migração, interoperabilidade e reversibilidade. Quanto mais difícil sair, maior deve ser o rigor antes de entrar.

A quinta é construir competências internas. Mesmo quando a empresa usa fornecedores externos, precisa ter gente capaz de formular problemas, interpretar resultados, auditar riscos, negociar contratos e desafiar promessas comerciais.

A sexta é definir uma política de IA. Não como peça burocrática, mas como instrumento vivo que estabeleça usos permitidos, limites, responsabilidades, critérios de aprovação, classificação de dados e regras para ferramentas externas.

O NIST AI Risk Management Framework oferece uma base relevante para essa conversa ao organizar a gestão de riscos de IA em práticas de governança, mapeamento, medição e gerenciamento. Em abril de 2026, o NIST também divulgou nota conceitual para um perfil de IA confiável em infraestrutura crítica.

A ISO/IEC 42001 também reforça a necessidade de sistemas de gestão de IA. A norma define requisitos para estabelecer, implementar, manter e melhorar continuamente um sistema de gestão de inteligência artificial, equilibrando inovação, riscos e governança.

Essas referências ajudam o conselho a escapar de duas armadilhas. A primeira é tratar IA como assunto exclusivamente técnico. A segunda é tratar governança como freio à inovação.

Na prática, boa governança não reduz inovação. Ela aumenta a confiança necessária para que a inovação seja ampliada com segurança.

A analogia com os mainframes: alerta, não nostalgia

A analogia com os mainframes precisa ser usada com cuidado. O objetivo não é defender retorno a centros fechados, lentos e caros. O ponto é lembrar que concentração tecnológica sempre cria efeitos de dependência.

Na era dos mainframes, a dependência era material e contratual. Hoje, ela é arquitetural, informacional e econômica. Pode estar escondida em APIs, modelos proprietários, contratos de nuvem, sistemas de identidade, ambientes de desenvolvimento, bases de dados e custos de saída.

A diferença é que a IA adiciona uma camada nova: a dependência cognitiva. A empresa pode começar a depender de sistemas externos não apenas para processar dados, mas para interpretar documentos, gerar análises, sintetizar alternativas e apoiar decisões.

Essa dependência é mais delicada. Quando a tecnologia interfere na forma como a empresa pensa, resume, compara, recomenda e decide, o risco não é apenas operacional. É estratégico.

Por isso, conselhos devem perguntar se a organização está construindo inteligência própria ou apenas alugando inteligência alheia.

Essa pergunta não deve ser respondida com slogans. Deve ser traduzida em arquitetura, orçamento, governança, pessoas, contratos e prioridades.

Uma agenda prática para conselhos

Um bom primeiro passo é pedir à gestão um mapa de uso atual de IA. Onde a tecnologia já está sendo usada? Quais ferramentas foram autorizadas? Quais áreas usam soluções externas? Que dados são inseridos? Que controles existem?

O segundo passo é construir uma matriz de criticidade. Cada caso de uso deve ser avaliado por impacto no negócio, sensibilidade dos dados, dependência de fornecedor, custo de escala, necessidade de supervisão humana e risco reputacional.

O terceiro passo é separar cargas de trabalho por natureza. Algumas podem operar em nuvem pública. Outras exigem ambiente privado. Algumas pedem modelos proprietários. Outras podem usar modelos abertos ou soluções especializadas mais controláveis.

O quarto passo é definir critérios para infraestrutura própria ou híbrida. A pergunta não deve ser se a empresa quer “ter servidores”. A pergunta deve ser se há casos de uso suficientemente estratégicos para justificar maior controle.

O quinto passo é acompanhar a inflação tecnológica. Conselhos deveriam receber sinais periódicos sobre preços de nuvem, contratos, energia, memória, equipamentos, uso de capacidade e evolução dos custos por caso de uso.

O sexto passo é exigir plano de competências. A empresa precisa formar profissionais capazes de governar IA, operar dados, avaliar fornecedores, entender segurança, auditar modelos e traduzir tecnologia em valor para o negócio.

Essa agenda não precisa ser pesada. Pode começar simples, mas deve ser recorrente. IA não pode aparecer apenas uma vez por ano como apresentação inspiradora da área de tecnologia.

Ela deve entrar na cadência normal de conselho, junto com estratégia, riscos, investimentos, pessoas e transformação do modelo de negócios.

O risco de confundir acesso com capacidade

Muitas empresas acreditarão que estão avançadas porque têm acesso a ferramentas modernas. Essa é uma ilusão compreensível, mas perigosa.

Acesso não é capacidade. Assinar uma plataforma não significa dominar seus efeitos. Usar IA generativa não significa possuir arquitetura de dados. Automatizar relatórios não significa melhorar decisões.

Capacidade nasce quando a empresa combina dados confiáveis, processos claros, pessoas preparadas, infraestrutura adequada, governança de riscos e aprendizado institucional.

Sem essa combinação, a IA pode apenas acelerar o que já era frágil. Relatórios ficam mais bonitos. Respostas ficam mais rápidas. Mas decisões continuam apoiadas em dados ruins, perguntas pobres e dependências invisíveis.

Do ponto de vista do conselho, a prioridade não é parecer moderno. É preservar capacidade de decisão em ambiente de concentração tecnológica, pressão de custos e mudanças rápidas nos modelos de negócio.

Conclusão: Soberania Decisória como Dever Fiduciário na Era da IA

A inteligência artificial percorreu, em poucos anos, o arco que separa uma tecnologia emergente de uma infraestrutura sistêmica. Esse percurso não foi apenas técnico. Foi econômico, geopolítico e institucional. A reorganização das cadeias de infraestrutura, a pressão crescente sobre energia e componentes, a disputa por dados e a escassez de talentos qualificados não são desafios periféricos da adoção de IA. São os vetores pelos quais a tecnologia redistribui poder entre organizações, setores e nações.

Nesse contexto, o dado segundo o qual apenas 15% das organizações tratam as decisões sobre soberania de IA como responsabilidade direta de seus CEOs ou conselhos de administração não é apenas uma estatística. É um sinal de desalinhamento estrutural entre a velocidade com que a tecnologia redefine o ambiente competitivo e a lentidão com que a governança corporativa assimila essa transformação. Delegar a resposta à área de tecnologia, enquadrar a IA como linha de custo em TI ou aguardar que o mercado estabeleça padrões antes de agir são posturas que transferem, silenciosamente, o valor gerado pelos dados proprietários da organização para plataformas globais que não compartilham nem seus riscos nem seus resultados.

A alternativa não é o isolamento tecnológico nem a ilusão de autossuficiência. O caminho que este documento propõe é o da “soberania mínima suficiente”. Se apenas um terço das cargas de trabalho críticas de uma organização exige controle de nível premium, a liderança não precisa — nem deve — buscar soberania sobre tudo. Sua responsabilidade é identificar esse núcleo, protegê-lo com governança adequada e orquestrar o restante com a escala e a agilidade que os provedores globais genuinamente oferecem. O resultado é uma arquitetura híbrida orientada por criticidade: nuvem pública onde ela cria valor, controle interno onde a dependência comprometeria a liberdade estratégica.

Essa orientação não deve ser reduzida à lógica defensiva de mitigação de riscos legais ou cibernéticos. A soberania digital bem exercida é, antes de tudo, uma alavanca de criação de valor. Ela habilita ecossistemas de colaboração segura ao longo da cadeia produtiva, atrai talentos que reconhecem o peso institucional da organização e garante que os dados gerados pela inteligência coletiva da empresa permaneçam como ativos proprietários — não como subsídios involuntários para o aperfeiçoamento de plataformas de terceiros. Os maiores obstáculos nessa trajetória não serão os chips ou os servidores. Serão a disciplina na curadoria de dados e a capacidade de formar pessoas que saibam governar, auditar e extrair valor da IA com rigor institucional.

Para os conselhos de administração, a questão que este documento propõe não é periférica nem técnica. É, em sentido preciso, fiduciária: esta organização está construindo capacidade própria de aprender, adaptar-se e decidir — ou está sistematicamente transferindo essa capacidade para terceiros, tornando-se cada vez mais dependente de uma inteligência que não controla, não audita e não retém?

A história das grandes transformações tecnológicas mostra que as organizações que chegam cedo à compreensão sistêmica de uma nova infraestrutura não apenas sobrevivem à transição: definem seus termos. As que chegam tarde não encontram apenas custos maiores. Encontram menor liberdade de escolha, menor poder de negociação e, em última instância, menor capacidade de decidir sobre o próprio futuro.

Essa pergunta precisa entrar na agenda dos conselhos agora — não como reação à ansiedade tecnológica do momento, mas como expressão de responsabilidade fiduciária diante de um ciclo histórico de concentração de infraestrutura crítica. Ciclos assim não esperam que a governança se organize. Eles avançam enquanto a pauta ainda discute se o tema é técnico ou estratégico.

Fontes públicas consultadas

• IBM, histórico do System/360 e sua importância na arquitetura empresarial de mainframes.
• Data Center Dynamics, com dados da Synergy Research sobre crescimento e concentração da nuvem no quarto trimestre de 2025.
• Agência Internacional de Energia, relatório sobre energia e IA, com projeções para consumo elétrico de data centers até 2030.
• Gartner, projeção de gasto mundial com IA em 2026 e crescimento da infraestrutura de IA.
• Gartner, projeção de crescimento de AI optimized IaaS, com avanço da inferência como principal vetor de demanda.
• S&P Global Market Intelligence, análise sobre HBM, restrição de DRAM convencional e pressão de preços.
• TrendForce, projeções de alta de preços contratuais de DRAM e NAND em 2026 por demanda de servidores de IA.
• Ministério da Ciência, Tecnologia e Inovação, Plano Brasileiro de Inteligência Artificial 2024 a 2028.
• NIST, AI Risk Management Framework e evolução para perfil de IA confiável em infraestrutura crítica.
• ISO, ISO/IEC 42001:2023, norma internacional para sistemas de gestão de inteligência artificial.