The Conversion Gap: How China, Japan and South Korea Turn AI Inputs into AI Capability, 2017–2025
Este artigo argumenta que a soberania nacional em IA depende mais da capacidade de política de um Estado em converter eficientemente recursos em capacidade do que apenas na acumulação de recursos, revelando que o atraso do Japão em relação à China e à Coreia do Sul decorre de ineficiências sistêmicas em transformar conhecimento e computação em modelos de IA, em vez de uma falta de insumos.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Na corrida para construir a inteligência artificial, as nações são frequentemente julgadas pelo que conseguem reunir. Elas contam os pesquisadores em seus laboratórios, os bilhões de dólares despejados em projetos e os enormes bancos de computadores que zunem nos centros de dados. É uma lógica de acumulação: se você tem mais das matérias-primas, deve construir a melhor máquina. Durante anos, esta tem sido a forma padrão de comparar países como China, Japão e Coreia do Sul, todos os quais despejaram recursos imensos para se tornarem líderes nesta tecnologia. Mas ter os ingredientes não garante uma refeição pronta. Um país pode possuir um vasto estoque de talento e poder computacional e, ainda assim, falhar em transformar esses recursos em sistemas inteligentes e funcionais que mudem o mundo. A verdadeira questão não é apenas quanto uma nação possui, mas quão eficientemente ela consegue transformar o que tem em capacidade real.
Este é o enigma que Alfredo Merlet se propôs a resolver em um novo estudo examinando os anos de 2017 a 2025. Ele olhou além dos totais simples de dinheiro e pessoas para medir algo mais sutil: a taxa de conversão. Imagine uma fábrica onde o objetivo é transformar minério bruto em carros acabados. Uma fábrica pode comprar o dobro de minério que outra, mas se produz menos carros, é claramente menos eficiente no trabalho. Merlet aplicou essa mesma lógica à inteligência artificial, decompondo o processo em três estágios distintos. Primeiro é a invenção, onde pesquisadores criam novas ideias e publicam artigos. Segundo é a industrialização, onde essas ideias são transformadas em modelos de software reais que podem ser usados. Terceiro é a operacionalização, onde esses modelos são adotados por pessoas comuns e empresas. Ao rastrear quanto output veio de cada unidade de input em cada estágio, o estudo revelou uma história surpreendente sobre por que algumas nações estão avançando enquanto outras, apesar de terem mais recursos, estão ficando para trás.
Os resultados pintam um quadro de três caminhos muito diferentes percorridos pelos vizinhos do Leste Asiático. A China, começando com uma força de trabalho massiva e um governo que estabelece metas claras e agressivas, conseguiu acelerar seu progresso dramaticamente. Em 2024 e 2025, desenvolvedores chineses estavam lançando centenas de novos modelos de IA, passando de seguidora a par dos Estados Unidos. Eles alcançaram isso não apenas gastando mais, mas coordenando seus esforços para que a pesquisa se transformasse rapidamente em produtos implantáveis. A Coreia do Sul, apesar de ter menos pesquisadores e menos poder computacional que o Japão, alcançou a maior eficiência do grupo. O país conseguiu produzir 87 modelos de IA, incluindo 23 que foram considerados notáveis ou inovadores, um número que superou em muito o seu vizinho maior. Este sucesso foi impulsionado por uma relação altamente coordenada entre o governo e as grandes corporações, permitindo que concentrassem seus recursos intensamente em tecnologias específicas e obtivessem resultados rapidamente.
O Japão, no entanto, apresenta um contraste nítido e confuso. No papel, deveria ser o mais bem-sucedido. Possui uma força de trabalho de pesquisa maior, mais poder computacional e um longo histórico de excelência industrial do que a Coreia do Sul. No entanto, entre 2017 e 2025, organizações japonesas lançaram apenas 52 modelos de IA, e meros seis desses foram considerados notáveis. Nos dois últimos anos do estudo, nenhuma organização japonesa lançou um único modelo que os pesquisadores classificassem como notável. Os dados mostram que o Japão não está falhando por falta de dinheiro ou cientistas. Na verdade, ao observar quão bem os pesquisadores japoneses transformam seu trabalho em patentes, eles desempenham razoavelmente bem. A quebra ocorre mais adiante na cadeia. A lacuna aparece quando os pesquisadores japoneses tentam transformar seus artigos publicados em modelos funcionais, e novamente quando tentam usar seu enorme poder computacional para construir esses modelos. Eles têm os ingredientes, mas a cozinha não está produzindo o prato.
O estudo sugere que a razão para essa lacuna não reside na tecnologia em si, mas em como o governo gerencia o processo. Os pesquisadores compararam o desempenho dos países contra uma medida de "capacidade de política", que é essencialmente a habilidade do governo de estabelecer uma direção clara, coordenar diferentes grupos e agir rapidamente para apoiar novas indústrias. A Coreia do Sul pontuou extremamente alto nesta medida, refletindo um governo que é assertivo e organizado em sua abordagem à IA. O Japão, por outro lado, pontuou significativamente abaixo. Durante a maior parte do período estudado, o Japão dependeu de orientação suave e diretrizes voluntárias em vez de metas vinculativas ou programas concentrados. Foi apenas em 2025 que o Japão estabeleceu uma sede dedicada e uma nova lei para impulsionar a IA, um movimento que o estudo interpreta como um reconhecimento tardio do problema. A evidência indica que ter a melhor pesquisa e os computadores mais poderosos não é suficiente se o Estado não puder organizá-los efetivamente para produzir resultados.
Esta descoberta desafia a suposição comum de que a dominância da IA é simplesmente uma questão de quem pode gastar mais dinheiro ou contratar mais especialistas. O estudo mostra que a soberania sobre a inteligência artificial não é apenas sobre possuir as ferramentas; é sobre a capacidade de governar como essas ferramentas são usadas. Um país pode investir pesadamente em pesquisa e infraestrutura e ainda assim produzir muito pouco se o sistema para transformar esses investimentos em aplicações do mundo real for fraco. Para as economias emergentes que observam esta corrida, a lição é clara: construir um futuro de IA sólido pode depender menos de igualar os orçamentos massivos dos líderes globais e mais de construir a capacidade administrativa para coordenar recursos de forma eficaz. A diferença entre uma nação que financia a IA e uma que realmente a constrói pode residir na qualidade de seu planejamento e na velocidade de sua execução, e não no tamanho de sua conta bancária.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.