Duzentos e trinta milhões de dólares captados, menos de 10.000 unidades entregues e uma venda de ativos — patentes e parte da equipe — à HP por US$ 116 milhões, pouco mais da metade do capital levantado [2]. O objeto em questão era o Humane AI Pin, um alfinete computacional que prometia substituir o smartphone por gestos, projeção a laser e um assistente conversacional. Ele foi saudado como o prenúncio de uma nova categoria de dispositivo e rapidamente virou o exemplo preferido de analistas para explicar o que acontece quando a capacidade técnica de embutir inteligência em um objeto antecede qualquer resposta séria sobre por que alguém precisaria daquilo. Seu primo menos ambicioso, o Rabbit R1, vendeu cerca de 100.000 unidades na onda de entusiasmo do lançamento e depois enfrentou devoluções em massa [2].
O episódio não é uma anedota sobre dois produtos ruins. É um sintoma de uma fase específica da indústria, que, nas palavras da reportagem da IEEE Spectrum com Savannah Kunovsky, diretora-gerente da Ideo e integrante do Emerging Tech Lab da empresa, correu para plugar um novo chip em todo dispositivo [1]. A onda atual inclui escovas de dentes com visão inteligente, robôs domésticos que leem o humor dos moradores e uma série de outros produtos físicos [1]. O que falta, na maioria dos casos, não é o modelo. É uma tese sobre o atrito que ele remove. Este artigo defende uma tese incômoda: a IA embutida em objetos físicos raramente falha por limitação técnica e quase sempre falha porque a empresa mediu adoção de recurso em vez de redução de custo para o usuário — e continuará falhando enquanto a métrica de sucesso for a presença do modelo, não o desaparecimento do problema.
O impulso que nasce no comitê, não no produto
Parte da onda de integração de IA a objetos físicos é resposta direta à pressão de cima: Kunovsky descreve o cenário em que um CEO prometeu ao conselho uma "história de IA" antes da próxima teleconferência de resultados [1]. O mecanismo é conhecido de ciclos tecnológicos anteriores: a tecnologia entra na apresentação de resultados como sinal de maturidade estratégica, e a decisão de projeto se desloca do problema do usuário para a narrativa para investidores.
O resultado tem uma assinatura reconhecível. A funcionalidade mais comentada costuma ser justamente a que ninguém pediu — a escova que analisa a escovação, o refrigerador que conversa. Outro gatilho apontado por Kunovsky é a reação ao concorrente que acaba de lançar uma versão "com IA" do mesmo produto [1].
O que essa combinação produz não é inovação distribuída, é uma taxa de erro embutida no processo decisório. Quando a motivação é a expectativa do acionista, o critério de sucesso se fixa antes de o problema estar formulado. E o custo dessa inversão não fica só com quem comprou o produto: quem fabricou descobre meses depois que o objeto exige atualização de firmware, retreino de modelo e suporte a uma base instalada que não existia no plano de negócios.
O abismo entre o que se declara querer e o que se paga
Existe um voto de confiança declarado, e ele é expressivo. Pesquisa da Capgemini divulgada em janeiro de 2025 mostrou que 71% dos consumidores querem IA generativa integrada às suas experiências de compra [4]. A leitura apressada desse número sustenta a decisão de embutir IA em tudo. A leitura correta exige cruzar com o que acontece no momento do caixa.
A Deloitte, em sua pesquisa Connected Consumer de 2025, encontrou 53% dos consumidores entrevistados experimentando ou usando IA generativa com regularidade, salto considerável frente aos 38% de 2024 [5]. Mais revelador ainda: os domicílios americanos gastaram cerca de 17% mais com dispositivos conectados, chegando a US$ 896 em 2025, contra US$ 764 em 2024 [6]. Parece uma história de disposição a pagar.
Não é bem assim. A Menlo Ventures estimou, em seu relatório de 2025, que apenas cerca de 3% dos usuários de IA pagam por serviços premium — uma das maiores e mais rápidas lacunas de monetização da história recente da tecnologia de consumo [7]. O consumidor adota o assistente, gosta dele, usa no dia a dia — e não migra para o plano pago. A tradução para o mundo físico é imediata e desfavorável: se o usuário resiste a pagar pelo software, por que pagaria pelo mesmo modelo embutido numa escova de dentes?
"Querer integrado" e "pagar mais por isso" são variáveis distintas, e a indústria insiste em tratá-las como sinônimos quando projeta a precificação de hardware. Um produto que só se sustenta economicamente com assinatura embutida está apostando num comportamento de compra que os números desmentem.
O imposto invisível: energia, firmware e o direito de continuar funcionando
Toda inferência custa. O número exato é objeto de disputa, e a disputa é instrutiva: as estimativas do consumo de energia por consulta ao ChatGPT variam enormemente, passando por 0,34 watt-hora — valor que Sam Altman declarou em um blog sem apresentar evidências — e por 2,9 watt-horas, citados em relatório da Schneider Electric [8]. A cifra amplamente repetida de 3 watt-horas, cerca de dez vezes o consumo de uma busca no Google, foi revista pela Epoch AI, que estimou cerca de 0,3 watt-hora para uma consulta típica ao GPT-4o [9]. A dispersão não é detalhe acadêmico: ela define se a conta de energia de um recurso sempre ligado fecha ou não.
Em um produto físico o cálculo muda de natureza, porque a inferência deixa de pagar o custo de uma resposta e passa a pagar o custo de estar sempre perceptivo. Um sensor que escuta, um robô que interpreta humor, uma geladeira que aprende preferências: cada um desses casos exige um modelo residente ou um link permanente para a nuvem, e ambos têm custo marginal que nunca termina. Como lembra a própria reportagem da IEEE Spectrum, qualquer pessoa que já tentou atualizar o firmware da geladeira sabe que a IA não melhora todo produto [1]. Objetos físicos não têm a cultura de atualização contínua do software, e a IA transforma atualização em requisito de funcionamento, não em melhoria opcional.
Aqui vale um contraponto honesto: a desmontagem do Rabbit R1 e do Humane AI Pin feita pelo iFixit mostrou que o problema não era apenas conceitual. O R1 não tinha poder de processamento suficiente para rodar localmente um modelo de linguagem, as baterias do AI Pin vinham coladas, dificultando o reparo, e a conclusão foi que os dois teriam funcionado melhor como aplicativos do que como aparelhos independentes [10]. Ou seja, parte do fracasso foi problema de engenharia e de reparabilidade, não de inteligência artificial. Mas isso agrava, e não atenua, o argumento central: quanto mais inteligência se embute, mais dependente de manutenção vitalícia fica o produto — e mais caro fica errar a decisão de produto.
Onde a IA ganha o direito de existir dentro de um objeto
A pergunta que deveria preceder qualquer integração foi formulada por Kunovsky: em que momento a IA se torna uma barreira, e não um avanço [1]. A resposta não é filosófica, é operacional. A IA se justifica em um produto físico quando três condições se alinham: o comportamento do sistema depende de dados que variam demais para serem programados por regras, o erro do modelo é tolerável ou reversível, e o objeto já coleta a informação necessária como subproduto do próprio uso.
Onde essas condições aparecem, o ganho é concreto. Um objeto pode ajustar-se a quem o usa sem exigir configuração manual — a diferença entre um dispositivo que exige que você aprenda a interface e um que aprende o seu padrão. Onde elas não aparecem, a IA vira decoração cara. Uma escova que usa uma câmera para indicar onde você não escovou se justificaria se o próprio gesto de escovar já produzisse o dado. Uma geladeira que sugere receitas não coleta nada que o usuário não tenha dado voluntariamente, e o custo de erro é o usuário simplesmente ignorar a sugestão até desligar o recurso.
Repare no critério de reversibilidade: ele explica por que a IA funciona melhor em produtos onde o erro é silencioso e não catastrófico. Kunovsky, que lidera uma equipe de designers de produtos industriais na Ideo [1], trabalha justamente nessa fronteira. E é preciso dizer com franqueza: boa parte da literatura de design centrado no humano celebra esse tipo de critério sem cobrar o preço dele — que é a admissão de que muitos produtos falham nessas três condições e que, portanto, deveriam sair de fábrica sem IA. Poucas consultorias escrevem isso no relatório final. Deveriam.
A falha de método: medimos adoção, deveríamos medir atrito
Em julho de 2024, a Gartner previu que ao menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, por qualidade de dados ruim, controles de risco inadequados, custos crescentes ou valor de negócio pouco claro [11]. Em análise posterior, a mesma consultoria passou a afirmar que ao menos metade dos projetos de IA generativa foi abandonada após a prova de conceito [12].
A explicação habitual culpa a maturidade técnica das equipes. Faz sentido parcial: qualidade de dados é, de fato, um problema de engenharia. Mas o padrão de abandono revela outra coisa. Projetos que morrem entre o protótipo e a produção não morrem só porque o modelo não funciona; morrem porque ninguém conseguiu demonstrar, em números que a organização aceite, por que o sistema deveria existir. É o mesmo defeito que derruba produtos de consumo, em outra escala: a demonstração técnica substitui a justificativa econômica.
Aqui assumo a posição mais arriscada deste texto. A obsessão atual em embutir agentes de IA em objetos está mal direcionada: o gargalo não é inteligência, é durabilidade. Um modelo que evolui rapidamente, embarcado em um objeto que precisa funcionar por muitos anos, carrega um risco de obsolescência embutido. Empresas que tratarem a integração de IA como decisão de manutenção de longo prazo, e não como especificação de lançamento, vão colher a diferença. As demais vão empilhar provas de conceito bem-sucedidas sobre produtos que ninguém consegue manter.
Discussão: a onda atual repete a anterior com um custo maior
O paralelo com a Internet das Coisas é quase cruel em sua precisão. Na década passada, a indústria prometeu que todo objeto seria conectado, e o resultado incluiu muitos dispositivos com aplicativos abandonados, protocolos incompatíveis e vida útil curta. O parque instalado seguiu crescendo — a IoT Analytics apontava mais de 21 bilhões de aparelhos conectados até o fim de 2025, e a Technavio projetava crescimento anual superior a 14% para os que trazem IA embutida [3] —, mas crescer em número nunca foi o teste relevante. O teste é quanto tempo cada um desses objetos continua fazendo algo útil depois que a equipe que o lançou se dissolveu.
A diferença desta vez é que o custo de errar aumentou. Um sensor de temperatura malfeito é um incômodo; um modelo que decide quando ligar um aparelho, quanto consumir de energia e o que recomendar ao usuário é um passivo de manutenção com implicações de custo operacional e de privacidade. O consumo por inferência, cujas estimativas vão de cerca de 0,3 a 3 watt-horas por consulta [8][9], deixa de ser curiosidade ambiental e se torna linha de orçamento quando multiplicado por centenas de milhões de dispositivos sempre atentos.
Há também uma lacuna de evidência que ninguém está preenchendo. Não existe, entre as fontes consultadas, um conjunto robusto de dados sobre a taxa de retenção de recursos de IA embutidos após 18 ou 24 meses de uso — o dado que realmente responderia se a integração valeu a pena. As pesquisas medem intenção de compra [4], adoção declarada [5] e gasto domiciliar [6]. Nenhuma mede a curva de desuso do recurso. Enquanto essa métrica não existir, a discussão sobre colocar IA em produtos continuará sendo conduzida com indicadores que favorecem sempre a resposta afirmativa.
Conclusão: três perguntas antes de colocar um modelo
dentro de um objeto
A tese deste artigo se sustenta nos números que a indústria prefere não colocar lado a lado: 71% de interesse declarado [4] convivendo com cerca de 3% de conversão em pagamento [7], e domicílios que gastam 17% mais em dispositivos conectados [6] enquanto ao menos metade dos projetos de IA generativa morre na prova de conceito [12]. O problema não é que a IA seja incapaz de melhorar objetos físicos. É que a decisão de embuti-la é tomada com métricas que medem entusiasmo, não valor.
Três direções concretas se desenham. A primeira é metodológica: medir a curva de desuso do recurso de IA como métrica primária de sucesso, e não a taxa de adoção no primeiro mês. A segunda é contratual: exigir, no momento da decisão de produto, um plano de manutenção do modelo com o mesmo rigor dedicado ao plano de manutenção mecânica — quem retreina, com que dados, a que custo, por quantos anos. A terceira é de escopo: tratar a ausência de IA como escolha de design legítima e defensável, o que exige que a organização aceite a possibilidade de a resposta ser "este produto não precisa de modelo nenhum".
Nenhuma das três é tecnicamente difícil. Todas são politicamente desconfortáveis, porque contradizem a lógica que levou 230 milhões de dólares a um alfinete que ninguém conseguiu justificar [2]. A pergunta que dá título à reportagem que inspirou este texto — quando faz sentido colocar IA em produtos [1] — tem resposta, e ela é menos glamourosa do que a indústria gostaria: a IA faz sentido em um produto quando o produto continua fazendo sentido sem ela — e quando a empresa tem estrutura para mantê-la funcionando muito depois de o lançamento sair da pauta.
Referências
[1] Cousins, S. (2026). When Does It Actually Make Sense to Put AI Into Products? IEEE Spectrum. https://spectrum.ieee.org/human-centered-ai-product-design
[2] Digital Applied (2026). AI Product Failures 2026: Sora, Humane & Rabbit R1. https://www.digitalapplied.com/blog/ai-product-failures-2026-sora-humane-rabbit-lessons
[3] upQuery (2025). Dispositivos com IA são os grandes protagonistas do mercado tecnológico em 2025. https://www.upquery.com/en/noticias/dispositivos-com-ia-sao-os-grandes-protagonistas-do-mercado-tecnologico-em-2025/
[4] Capgemini (2025). 71% of Consumers Want Generative AI Integrated Into Their Shopping Experiences. https://www.capgemini.com/news/press-releases/71-of-consumers-want-generative-ai-integrated-into-their-shopping-experiences/
[5] Deloitte (2025). 2025 Connected Consumer: Innovation with Trust. https://www.deloitte.com/us/en/insights/industry/telecommunications/connectivity-mobile-trends-survey.html
[6] Deloitte (2025). As Generative AI Gains Ground, Consumers Choose the Innovators They Trust. Press release. https://www.deloitte.com/us/en/about/press-room/connectivity-mobile-trends-survey.html
[7] Menlo Ventures (2025). 2025: The State of Consumer AI. https://menlovc.com/perspective/2025-the-state-of-consumer-ai/
[8] Smith, M. S. (2025). The Hidden Behemoth Behind Every AI Answer. IEEE Spectrum. https://spectrum.ieee.org/ai-energy-use
[9] You, J. (2025). How Much Energy Does ChatGPT Use? Epoch AI. https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
[10] iFixit (2024). Rabbit R1 and Humane AI Pin Teardown: The Beginning of a New Device Category. https://www.ifixit.com/News/95474/rabbit-r1-and-humane-ai-pin-teardown-the-beginning-of-a-new-device-category
[11] Gartner (2024). Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025. https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
[12] Gartner. Why 50% of GenAI Projects Fail — And How to Beat the Odds. https://www.gartner.com/en/articles/genai-project-failure