Meta corta 10% da equipe — o sonho do Mag 7 está quebrando?
Deixa eu ser real com você.
Quando a Meta anuncia que está demitindo 10% do seu quadro de funcionários em 20 de maio, enquanto aposta tudo em gastos com IA e robótica, isso não é um sinal de força — é uma empresa apostando tudo em uma direção e cortando tudo o mais.
Essa é a história do Mag 7 de 2026 em poucas palavras. Essas sete empresas ganharam um total de $4,8 trilhões desde abril.
Morgan Stanley projeta um crescimento de 25% na receita líquida para o grupo este ano, em comparação com apenas 11% para o restante do S&P 500.
No papel, incrível. Mas por baixo disso, você tem demissões em massa na Meta, a Intuit despencando 14% após cortar 17% de sua equipe, e o ETF MAGS ainda escorregando hoje.
O mercado está recompensando pivôs de IA e punindo todo o resto. Isso funciona até que não funcione.
Quando cada empresa do Mag 7 está gastando quantias recordes em infraestrutura de IA e cortando humanos para financiar isso, você tem que perguntar — o que acontece quando a receita de IA não escala tão rápido quanto os gastos em IA?
Minha opinião honesta: NVIDIA e Microsoft ainda parecem ser os verdadeiros pilares aqui. A NVIDIA controla a camada de infraestrutura, a Microsoft monetiza isso através de empresas. Esses dois eu confio. A Tesla é pura especulação neste ponto.
A Meta é uma aposta de alto risco em IA social. A Apple está apenas surfando na lealdade ao hardware.
Eu me lembro de supor que o sistema de atribuição da OpenLedger era principalmente sobre pagar os contribuidores de forma justa.
Essa perspectiva parecia completa o suficiente que eu quase não olhei mais a fundo.
Então, continuei pensando sobre o que a atribuição realmente possibilita além da compensação.
Quando você pode rastrear quais dados contribuíram para qual saída do modelo, você não tem apenas um registro de pagamento. Você tem uma trilha de auditoria. E trilhas de auditoria são o que tornam a IA utilizável nos ambientes onde está o verdadeiro dinheiro. Não em aplicativos de consumo. Indústrias regulamentadas. Finanças. Seguros. Jurídico. Saúde.
Esses ambientes não adotam IA porque ela é capaz. Eles a adotam quando alguém pode explicar o que ela fez e quem é responsável se algo der errado.
Esse é um gargalo diferente do poder computacional. Um gargalo diferente da qualidade do modelo. Um gargalo diferente dos incentivos de token.
E é o gargalo que se torna mais caro ignorar à medida que os sistemas de IA assumem trabalhos mais significativos.
A maior parte da $OPEN análise pergunta se o sistema de atribuição recompensa os contribuidores de forma justa o suficiente para atrair bons dados.
Eu acho que a pergunta mais interessante é se ele torna a IA responsável o suficiente para atrair as indústrias que têm mais a gastar. Esses são mercados diferentes. E eles têm preços diferentes.
O $OPEN da OpenLedger Pode Estar Precificando Algo Que Ninguém Está Observando
Eu costumava pensar que a parte difícil da adoção de IA era a inteligência. Modelos melhores. Inferência mais rápida. Computação mais barata. Toda a conversa sobre o progresso da IA continuava voltando à capacidade como o gargalo. Se os sistemas ficassem mais inteligentes, todo o resto seguiria. Essa lógica parecia tão limpa que eu a aceitei sem realmente questioná-la. Então comecei a notar algo que não se encaixava. As organizações que estavam mais ativas no uso de IA não eram as que tinham os modelos mais sofisticados. Eram aquelas que descobriram algo mais discreto e menos glamouroso. Elas descobriram como explicar o que seus sistemas de IA estavam fazendo quando algo dava errado.