Responsável pela Visa em criptografia: As oito principais direções de evolução do Crypto e AI até 2026

null

Autor original: Cuy Sheffield, Vice-Presidente e Chefe de Criptomoedas na Visa

Tradução original: Saoirse, Foresight News

À medida que as criptomoedas e a IA evoluem para a maturidade, as mudanças mais importantes nesses dois campos não são mais “teoricamente viáveis”, mas sim “confiavelmente implementáveis na prática”. Atualmente, ambas as tecnologias ultrapassaram marcos críticos, com melhorias de desempenho significativas, mas a adoção prática ainda apresenta desequilíbrios. E o desenvolvimento central para 2026 surge justamente dessa lacuna entre “desempenho e adoção”.

A seguir, apresento alguns dos principais temas que tenho acompanhado de perto há bastante tempo, bem como minhas reflexões iniciais sobre as direções de desenvolvimento dessas tecnologias, áreas de valor acumulado e até mesmo “por que o vencedor final pode ser completamente diferente do pioneiro do setor”.

Tema 1: As criptomoedas estão se transformando de ativos especulativos para tecnologias de alta qualidade

O primeiro década de desenvolvimento das criptomoedas foi marcado por uma “vantagem especulativa” — seu mercado é global, contínuo e altamente aberto, e a alta volatilidade torna as negociações mais dinâmicas e atraentes do que os mercados financeiros tradicionais.

Por outro lado, sua tecnologia subjacente ainda não estava preparada para aplicações mainstream: as primeiras blockchains eram lentas, caras e pouco estáveis. Além do cenário especulativo, as criptomoedas quase nunca superaram os sistemas tradicionais existentes em termos de custo, velocidade ou conveniência.

Hoje, esse desequilíbrio começa a se reverter. A tecnologia blockchain tornou-se mais rápida, econômica e confiável, e os cenários de aplicação mais atraentes para as criptomoedas deixam de ser especulativos, passando a incluir infraestrutura — especialmente nas áreas de liquidação e pagamento. À medida que as criptomoedas se tornam tecnologias mais maduras, a posição central da especulação será gradualmente enfraquecida: ela não desaparecerá completamente, mas deixará de ser a principal fonte de valor.

Tema 2: Stablecoins são o resultado claro da “praticidade pura” das criptomoedas

As stablecoins diferem da narrativa anterior das criptomoedas, pois seu sucesso baseia-se em padrões concretos e objetivos: em determinados cenários, elas são mais rápidas, mais baratas e mais abrangentes do que os métodos tradicionais de pagamento, além de se integrarem perfeitamente aos sistemas de software modernos.

As stablecoins não exigem que os usuários vejam as criptomoedas como uma “ideologia” para acreditar nelas; suas aplicações muitas vezes ocorrem de forma “implícita” dentro de produtos e fluxos de trabalho existentes — o que permite às instituições e empresas que antes consideravam o ecossistema de criptomoedas “volátil demais e pouco transparente” compreenderem claramente seu valor.

Pode-se dizer que as stablecoins ajudam a realinhar as criptomoedas com a “praticidade” em vez da “especulação”, estabelecendo um padrão claro para o sucesso na implementação prática dessas moedas.

Tema 3: Quando as criptomoedas se tornam infraestrutura, a “capacidade de distribuição” é mais importante do que a “novidade tecnológica”

No passado, quando as criptomoedas atuavam principalmente como “ferramentas de especulação”, sua “distribuição” era intrínseca — novos tokens simplesmente existiam e, por isso, acumulavam liquidez e atenção de forma natural.

Por outro lado, quando as criptomoedas se tornam infraestrutura, seus cenários de aplicação mudam do “nível de mercado” para o “nível de produto”: elas são incorporadas aos processos de pagamento, plataformas e sistemas empresariais, muitas vezes de forma que o usuário final nem percebe sua presença.

Essa mudança beneficia duas categorias principais de atores: empresas com canais de distribuição existentes e relacionamentos confiáveis com clientes; e instituições com licenças regulatórias, sistemas de conformidade e infraestrutura de gerenciamento de riscos. Apenas a “novidade do protocolo” não é suficiente para impulsionar uma adoção em larga escala de criptomoedas.

Tema 4: Agentes de IA têm valor prático, e seu impacto vai além do campo da codificação

A utilidade dos agentes de IA (Agents) está cada vez mais evidente, mas seu papel muitas vezes é mal interpretado: os agentes mais bem-sucedidos não são “tomadores de decisão autônomos”, mas sim “ferramentas que reduzem custos de coordenação em fluxos de trabalho”.

Historicamente, isso é mais evidente na área de desenvolvimento de software — ferramentas de agentes aceleraram a codificação, depuração, refatoração de código e configuração de ambientes. Mas, nos últimos anos, esse “valor de ferramenta” tem se expandido significativamente para outros domínios.

Tomando como exemplo ferramentas como Claude Code, embora sejam posicionadas como “ferramentas para desenvolvedores”, sua rápida adoção reflete uma tendência mais profunda: sistemas de agentes estão se tornando a “interface para trabalhos de conhecimento”, e não apenas uma ferramenta de programação. Usuários começam a aplicar “fluxos de trabalho orientados por agentes” em pesquisa, análise, escrita, planejamento, processamento de dados e operações — tarefas mais relacionadas a “trabalho profissional geral” do que à programação tradicional.

O que realmente importa não é o “codificação atmosférica” em si, mas o padrão central por trás dela:

• Os usuários delegam “intenções de objetivo”, não “passos específicos”;

• Os agentes gerenciam “contexto” entre arquivos, ferramentas e tarefas;

• Os modos de trabalho evoluem de “avanço linear” para “iteração dialogada”.

Em várias áreas de trabalho do conhecimento, os agentes são bons em coletar contexto, executar tarefas limitadas, reduzir transferências de fluxo e acelerar iterações, mas ainda têm limitações em “julgamento aberto”, “responsabilidade” e “reparo de erros”.

Portanto, a maioria dos agentes usados atualmente em ambientes de produção ainda precisa de “limitação de escopo, supervisão e integração ao sistema”, e não de operação totalmente autônoma. O valor real dos agentes está na “reconstrução do fluxo de trabalho de conhecimento”, e não na “substituição de força de trabalho” ou “autonomia total”.

Tema 5: O gargalo da IA mudou de “nível de inteligência” para “nível de confiança”

O nível de inteligência dos modelos de IA evoluiu rapidamente, mas os fatores limitantes atuais não são mais “fluência linguística ou capacidade de raciocínio”, e sim “confiabilidade em sistemas reais”.

Ambientes de produção não toleram três problemas: 1) “alucinações” da IA (geração de informações falsas), 2) resultados inconsistentes, e 3) modos de falha opacos. Quando a IA envolve atendimento ao cliente, transações financeiras ou conformidade, resultados “aproximadamente corretos” já não são aceitáveis.

A construção de “confiança” exige quatro fundamentos: 1) rastreabilidade dos resultados, 2) capacidade de memória, 3) verificabilidade, e 4) capacidade de expor “incerteza” de forma proativa. Antes que essas capacidades estejam maduras, a autonomia da IA deve ser limitada.

Tema 6: Engenharia de sistemas determina se a IA pode ser implementada em ambientes de produção

Produtos de IA bem-sucedidos veem o “modelo” como um “componente” e não como um “produto acabado” — sua confiabilidade depende do “design de arquitetura”, não da “otimização de prompts”.

Esse “design de arquitetura” inclui gerenciamento de estado, controle de fluxo, avaliação e monitoramento, além de mecanismos de tratamento e recuperação de falhas. Por isso, o desenvolvimento de IA hoje se aproxima mais de “engenharia de software tradicional” do que de “pesquisa de ponta”.

O valor de longo prazo tende a favorecer duas categorias: 1) construtores de sistemas e 2) plataformas que controlam fluxos de trabalho e canais de distribuição.

À medida que as ferramentas de agentes se expandem do desenvolvimento de código para pesquisa, escrita, análise e operações, a “engenharia de sistemas” se torna ainda mais importante: trabalhos de conhecimento geralmente são complexos, dependem de informações de estado e envolvem contextos densos, tornando os agentes capazes de “gerenciar confiavelmente memória, ferramentas e processos de iteração” mais valiosos do que apenas gerar saídas.

Tema 7: O conflito entre modelos abertos e controle centralizado gera problemas de governança ainda não resolvidos

À medida que as capacidades dos sistemas de IA aumentam e sua integração com o setor econômico se aprofunda, a questão de “quem possui e controla o modelo de IA mais avançado” está gerando conflitos centrais.

Por um lado, o desenvolvimento de ponta em IA ainda é “intensivo em capital”, e, devido ao acesso a poder computacional, regulamentações e geopolítica, a concentração de recursos está crescendo; por outro lado, modelos e ferramentas de código aberto continuam a evoluir com “experimentos amplos” e “implantação facilitada”.

Esse cenário de “concentração e abertura coexistentes” levanta uma série de questões pendentes: riscos de dependência, auditabilidade, transparência, poder de barganha a longo prazo e controle de infraestrutura crítica. O resultado mais provável é um “modelo híbrido” — modelos de ponta impulsionando avanços tecnológicos, enquanto sistemas abertos ou semiabertos integram essas capacidades em “software amplamente distribuído”.

Tema 8: Moedas programáveis impulsionam novos fluxos de pagamento por agentes inteligentes

Quando sistemas de IA atuam nos fluxos de trabalho, suas demandas por “interações econômicas” aumentam — por exemplo, pagamento por serviços, chamadas de API, pagamento de recompensas a outros agentes inteligentes ou liquidação de “taxas de interação baseadas em uso”.

Essa demanda reacende o interesse pelas “stablecoins”: vistas como “moeda nativa para máquinas”, com capacidade de programação, auditabilidade e transferência automática sem intervenção humana.

Tomando como exemplo protocolos como x402, voltados para desenvolvedores, embora ainda em fase inicial de experimentação, seu objetivo é claro: os fluxos de pagamento ocorrerão em “forma de API”, e não mais em “páginas de pagamento tradicionais” — permitindo que agentes de software realizem “transações contínuas e detalhadas”.

Atualmente, esse campo ainda é incipiente: volumes de transação pequenos, experiência do usuário rudimentar, segurança e sistemas de permissão ainda em desenvolvimento. Mas a inovação na infraestrutura geralmente começa com essas “explorações iniciais”.

O mais importante é entender que seu significado não é “por autonomia”, mas sim “quando o software puder realizar transações por programação, novas ações econômicas se tornarão possíveis”.

Conclusão

Tanto para criptomoedas quanto para inteligência artificial, as fases iniciais de desenvolvimento tendem a valorizar “conceitos chamativos” e “novidade tecnológica”; na próxima fase, “confiabilidade”, “capacidade de governança” e “capacidade de distribuição” se tornarão dimensões de competição mais relevantes.

Hoje, a tecnologia em si não é mais o principal fator limitante; o que importa é “incorporar a tecnologia em sistemas reais”.

Na minha visão, a marca de 2026 não será uma “tecnologia revolucionária específica”, mas sim a “acumulação sólida de infraestrutura” — essas estruturas, operando silenciosamente, estão remodelando de forma sutil as “formas de circulação de valor” e os “modelos de execução de trabalho”.