IA de código aberto vs. IA fechada: quem está vencendo em 2026

Pergunte a dez pessoas que trabalham com IA em 2026 se os modelos abertos ou fechados estão vencendo, e você vai ouvir dez respostas diferentes, dependendo do que elas estão construindo e do que entendem por “aberto”. Isso não é evasão — é o real estado da área. Em geração de vídeo, imagem e texto, o time dos modelos de peso aberto fechou boa parte da diferença de capacidade, a ponto de “simplesmente use o modelo fechado, ele é obviamente melhor” ter deixado de ser uma escolha segura em algum momento dos últimos dezoito meses. Mas os laboratórios fechados também não ficaram parados, e a própria palavra “aberto” se tornou disputada o suficiente para que duas pessoas a usem descrevendo produtos com direitos genuinamente diferentes atrelados a eles. Antes de escolher um lado, vale a pena ser preciso sobre o que, de fato, está sendo comparado.

A briga de definição que ninguém fora dos círculos de IA está acompanhando

A Open Source Initiative finalizou sua definição formal de IA de código aberto em outubro de 2024, e estabeleceu uma régua mais alta do que a maioria dos lançamentos “abertos” realmente alcança: para se qualificar, um modelo precisa oferecer não só os pesos para download, mas também o código de treinamento e documentação suficiente sobre os dados de treinamento para que alguém possa, em tese, reproduzi-lo. Sob esse padrão, a maioria dos modelos que as pessoas chamam casualmente de “código aberto” — Llama, Wan, até o DeepSeek — são, mais precisamente, “de peso aberto” (open weight): você recebe os parâmetros finais para rodar e fazer fine-tuning, mas não a receita que os produziu. Essa distinção soa como implicância até o momento em que você precisa decidir se um fornecedor consegue, de fato, auditar com o que um modelo foi treinado — o que importa muito para quem está entregando um produto em um setor regulado. Na prática, “peso aberto” virou o termo técnico consagrado em 2026, e a pergunta mais útil para quem constrói produtos não é “isso é código aberto”, mas sim “o que essa licença realmente me deixa fazer”.

Vídeo: a diferença que fechou mais rápido

Geração de vídeo é onde a divisão entre aberto e fechado aparece de forma mais nítida, porque construir um modelo de vídeo competente do zero é caro o suficiente para que só um punhado de laboratórios se arrisque a tentar. O Wan 2.2, da Alibaba, lançado sob licença Apache 2.0 com pesos publicados no GitHub, Hugging Face e ModelScope, é o carro-chefe de peso aberto mais claro da categoria — uma licença permissiva que autoriza uso comercial, modificação e redistribuição, com uma variante menor de 5B leve o suficiente para rodar em uma única GPU de consumo e variantes maiores de Mixture-of-Experts que exigem infraestrutura de verdade para servir em escala. O Kling, da Kuaishou, está do outro lado: sem pesos publicados, sem repositório de modelo, e acesso controlado inteiramente por uma API para desenvolvedores que roda em pacotes de créditos pré-pagos separados dos seus planos de assinatura para consumidor final — uma barreira real para experimentação casual, ainda que não seja incomum em um modelo de fronteira fechado. O ponto interessante não é que um é aberto e o outro não; é que a consistência de movimento e a fidelidade visual do Wan fecharam distância o suficiente para que muitas equipes já o usem como padrão e só recorram a um modelo fechado quando um trabalho específico exige — o que não era verdade há dois anos.

Imagem: a briga mais antiga da IA generativa, ainda sem vencedor

Geração de imagem é onde esse experimento já rodou por mais tempo, e o resultado é genuinamente dividido, não uma vitória limpa de um dos lados. O Midjourney continua fechado e proprietário, com um estilo de casa forte e bem curado que, direto da caixa, supera a maioria dos modelos abertos em acabamento estético sem nenhum esforço de fine-tuning por parte do usuário. Os descendentes do Stable Diffusion e concorrentes abertos como o Flux reduziram bastante essa distância — segundo a maioria das comparações informais circulando em 2026, ferramentas como o Flux e checkpoints SDXL ajustados como o Juggernaut XL igualam ou superam o Midjourney em aderência ao prompt e fotorrealismo, e rodam de graça em hardware de consumo assim que você já tem a GPU. O que o Midjourney vende hoje não é mais realmente qualidade de imagem, é a ausência de configuração: nenhum grafo do ComfyUI para montar, nenhuma LoRA para caçar, uma assinatura de US$ 10 por mês e uma caixa de prompt. O ecossistema do Stable Diffusion — LoRAs, ControlNet, samplers customizados, uma biblioteca enorme de fine-tunes feitos pela comunidade — é uma profundidade que um sistema fechado simplesmente não pode oferecer por design, porque profundidade exige deixar as pessoas colocarem a mão na engrenagem. Quem “vence” aqui depende inteiramente de você valorizar curadoria ou controle, e os dois lados tornaram essa escolha permanente, não temporária.

Texto: a arena mais barulhenta e mais decisiva

Modelos de linguagem são onde o debate entre aberto e fechado recebe mais atenção, e 2026 trouxe uma reviravolta genuinamente estranha: a OpenAI, a empresa mais associada a manter seus modelos de fronteira trancados atrás de uma API, lançou seus próprios modelos de peso aberto, o gpt-oss-120b e o gpt-oss-20b, sob licença Apache 2.0 em agosto de 2025 — seu primeiro lançamento de peso aberto desde o GPT-2. Eles não estão disponíveis via ChatGPT nem pela própria API da OpenAI; existem puramente para quem quiser rodar inferência na própria infraestrutura, e o gpt-oss-120b supostamente performa perto do próprio modelo de raciocínio o4-mini da OpenAI nos benchmarks principais. Esse único lançamento fez mais para legitimar os modelos de texto de peso aberto do que qualquer anúncio da Meta ou da Mistral, porque veio de um laboratório com todo incentivo comercial para argumentar que o fechado sempre seria melhor. Enquanto isso, os modelos V4 da DeepSeek são lançados sob a licença MIT pura — possivelmente a licença mais permissiva em uso amplo na indústria, permitindo que qualquer um construa e revenda produtos em cima dela sem royalties — enquanto o Llama 4 da Meta usa sua própria Community License, que parece aberta até uma empresa ultrapassar 700 milhões de usuários ativos mensais, ponto em que precisa negociar termos separados com a Meta, a critério exclusivo da Meta. Essa cláusula é exatamente o motivo pelo qual a Open Source Initiative não reconhece o Llama como código aberto no sentido estrito, mesmo que a maioria das pessoas o descreva casualmente dessa forma; é “código disponível com teto”, não irrestrito. A Mistral ocupa seu próprio meio-termo, misturando lançamentos de modelos menores mais permissivos com termos mais fechados em seus sistemas maiores, os carros-chefe. Nada dessa nuance de licenciamento aparece em um gráfico de benchmark, mas é a parte que realmente determina se uma empresa consegue construir um negócio sobre determinado modelo sem precisar do aval de um advogado.

Então, quem está realmente vencendo

A resposta honesta é que “vencer” não é uma disputa só, são pelo menos três, e cada lado está à frente em uma delas. Em capacidade bruta de fronteira — as tarefas mais difíceis de raciocínio, código e geração — os laboratórios fechados ainda mantêm uma vantagem real, ainda que cada vez menor, e o monitoramento independente de grupos como a Epoch AI vem constatando de forma consistente que os melhores modelos fechados ficam alguns meses à frente dos melhores modelos de peso aberto em qualquer momento dado — não porque os laboratórios abertos não consigam competir, mas porque treinamentos de fronteira exigem capital intensivo de um jeito que favorece quem consegue gastar mais. Em custo e acesso, os pesos abertos vencem de forma decisiva: o DeepSeek e modelos abertos comparáveis costumeiramente ficam de quatro a dez vezes mais baratos por token do que os preços das APIs fechadas, e rodar um modelo localmente significa nenhuma cobrança por requisição e nenhuma dependência de um fornecedor manter um endpoint no ar — um risco real, dado com que frequência as políticas de acesso de modelos fechados já mudaram com pouco aviso, à medida que fornecedores renegociam termos ou respondem a disputas. Já na experiência de produto para quem não quer nem pensar em infraestrutura, as plataformas fechadas ainda vencem por padrão, porque um app curado sem nenhuma configuração sempre vai superar um modelo superior que exige que você monte sua própria stack de serving.

Nenhum desses três eixos vai desaparecer, e é por isso que a área continua se organizando em torno dos três ao mesmo tempo, em vez de colapsar em um único vencedor. Espere ver mais lançamentos como o gpt-oss da OpenAI — laboratórios fechados se protegendo ao lançar uma camada de peso aberto que captura a atenção dos desenvolvedores sem canibalizar sua API principal — e espere que as letras miúdas da licença, não a pontuação do benchmark, continuem sendo o que realmente decide sobre qual modelo uma equipe séria vai construir.