A IA comercial entra mais profundamente no ambiente sigiloso do Pentágono, tornando nuvem, chips, modelos, integração e suporte partes da mesma cadeia de defesa. Em maio de 2026, o departamento anunciou acordos com Google, Microsoft, Amazon Web Services, Nvidia, OpenAI, Reflection e SpaceX para redes classificadas. A questão não é apenas quem ganha um contrato, mas quem controla o sistema interligado quando ele se torna operacionalmente importante.
Continuam em disputa os usos aceitáveis e o controle humano significativo. A ausência da Anthropic entre as sete empresas seguiu sua resistência a termos governamentais amplos; a OpenAI diz preservar proteções no próprio acordo. Mais fornecedores e declarações públicas não demonstram contratos, controles e decisões verificáveis independentemente.
Dos protótipos aos fluxos sigilosos
O anúncio de maio ampliou aquisições iniciadas publicamente em julho de 2025. O CDAO selecionou Anthropic, Google, OpenAI e xAI para acordos com teto de US$ 200 milhões cada. Eram fluxos prototipais de segurança nacional, incluindo agentes de múltiplas etapas em vez de respostas isoladas. Teto não comprova desembolso integral, e as quatro empresas de 2025 diferem das sete posteriores.
Militares já usavam a plataforma generativa oficial GenAI.mil. A conexão classificada aumenta os riscos porque pode influenciar inteligência, logística, operações cyber, missões e avaliação de alvos. Um protótipo pode ficar isolado das decisões; um modelo conectado a dados sensíveis e software decisório, não necessariamente. Resumos de manutenção têm consequências distintas de vigilância ou recomendação de alvos.
O Pentágono diz reduzir algumas tarefas de meses para dias, sem identificar quais, taxas de erro, revisão ou consequências de resultados errados. É alegação de velocidade, não medida suficiente de confiabilidade em decisões graves. Tampouco significa que todo uso seja imprudente: manutenção preditiva, tradução, busca e logística podem beneficiar com consequências mais administráveis.
Modelos fundacionais são amplamente treinados e adaptáveis, diferentes de armas com função estreita. Atualizações, integrações, prompts e dados adicionais mudam o comportamento. Contratos, aplicações e controles definem limites. Uma demonstração de aceitação não cobre todo comportamento futuro, aumentando a importância de testes repetidos e suporte contínuo.
A infraestrutura sob os contratos de modelos
A relação antecede o ChatGPT. Em 2022, a Defesa concedeu a Amazon, Microsoft, Google e Oracle o JWCC, com teto de US$ 9 bilhões para nuvem em todas as classificações. Computação, armazenamento, identidade, redes e acesso seguro dão aos provedores vantagem ao adicionar IA.
Os papéis diferem e se sobrepõem. A Microsoft fornece nuvem e tem relação importante com OpenAI; a AWS hospeda vários modelos e investiu na Anthropic; o Google opera nuvem e Gemini; a Nvidia fornece chips e bibliotecas. Um desenvolvedor pode depender de nuvem com hardware Nvidia, enquanto um integrador conecta dados governamentais. A demanda privada financia velocidade, mas transfere interfaces proprietárias, escassez de hardware, especialistas e atualizações controladas pelos fornecedores.
A Palantir evidencia a integração. Seu software de comando combina sensores, bases de inteligência, planos e armas em sistemas e classificações incompatíveis. Segundo o Brennan Center, o Exército consolidou 75 acordos em 2025 num contrato empresarial de até US$ 10 bilhões em dez anos. É outro teto e prazo, não pagamento a somar aos contratos de modelos.
Aeronaves, mísseis, sensores e comunicações ainda precisam dos fornecedores tradicionais. Novas empresas interpretam dados entre esses ativos, dependendo de parceiros e integradores experientes. Anduril, Shield AI e Scale AI também participam, muitas vezes sobre grandes plataformas de nuvem, chips e dados. Startups não substituem simplesmente contratadas antigas; aplicações concorrentes podem gerar receita para poucas bases tecnológicas.
A disputa da Anthropic é sobre quem fixa limites
A Anthropic buscou restrições contratuais à vigilância doméstica em massa e a armas totalmente autônomas, selecionando e atacando sem controle humano significativo. A Defesa queria permitir todo uso governamental legal e atribuir responsabilidade ao Estado. A Anthropic considerava algumas aplicações inaceitáveis mesmo quando autoridades as julgassem legais. Trata-se de poder após a compra, não de palavras.
O Pentágono avançou com outros. A OpenAI diz tratar de vigilância, armas autônomas e supervisão, proibir vigilância doméstica em massa e incorporar padrões legais e políticos existentes. São declarações relevantes, mas sigilo e cláusulas não publicadas impedem comparação completa com o pedido da Anthropic. Não se demonstrou proteção idêntica ou superior.
Compras podem criar governança antes de lei ou julgamento. O fornecedor mais restritivo não define automaticamente o padrão: alternativas com termos amplos permitem transferir tarefas e reduzir seu poder. Resiliência multifornedor pode coexistir com pressão por menores restrições. O governo busca intercambialidade para evitar que um modelo controle regras de missão.
Proteções diferentes complicam a integração. Um modelo restrito pode resumir inteligência usada depois por outro no planejamento. Políticas públicas mudam: a OpenAI removeu a proibição militar geral em 2024, mantendo limites a armas e danos; outros revisaram regras com a expansão governamental. Contratos costumam criar obrigações mais fortes, mas dependem de definições, monitoramento, execução técnica e reparação.
O governo pode trocar empresas, cancelar trabalho ou classificá-las como preocupação de suprimentos, afetando oportunidades federais amplas. Isso aumenta pressão comercial e política. Salvaguarda voluntária vale quando é mantida sob pressão. Fornecedores querem limites, militares querem autoridade sobre sistemas públicos; nenhuma distribuição preferida comprova proteção eficaz.
Diversidade pode ocultar dependências comuns
Modelos competitivos precisam de chips, dados, pesquisadores e grande computação que poucas firmas oferecem em escala. Aplicações pequenas podem compartilhar bases. Dez ferramentas podem depender da mesma nuvem, chip ou modelo e sofrer juntas com indisponibilidade, ataque, erro ou disputa contratual.
Múltiplas nuvens e modelos resolvem só parte. Resiliência real exige migração sem perda de funções essenciais. Interfaces, acesso, dados, formatos e desempenho diferem; uma troca pode exigir novos testes em cada fluxo conectado. Número de contratos não prova interoperabilidade.
Fornecedores permanecem relevantes porque compreendem modelos proprietários que o governo não consegue inspecionar ou reproduzir sozinho. Avaliação, segurança, ajustes, treinamento e incidentes podem durar todo o ciclo. Compra-se capacidade evolutiva e seus mantenedores, não apenas produto. Prompts, dados, contexto e atualizações reforçam a dependência.
A Nature descreve as relações como complexo militar-industrial centrado em IA. Executivos e investidores participam de compras, regulação, exportação e política computacional; alguns transitam entre setores, outros financiam grupos pela aceleração ou contra regras. É participação legal, não prova de irregularidade, mas merece exame quando empresas procuram contratos e influência sobre suas regras.
Aprovação formal não é revisão significativa
Viés de automação é aceitar recomendações apesar de evidências contrárias. Fluência, confiança aparente e acertos frequentes o fortalecem sob pressão e dados incompletos. Um modelo pode relacionar falsamente pessoas, veículos, locais ou comunicações; o analista pode tomar a ligação sem base como pista.
Erros se propagam: um componente rotula, outro resume e o planejamento usa o resumo. No fim, uma interface elegante esconde incerteza e origem. Entrada classificada não elimina invenções, inconsistência ou mudanças após atualizações.
Contexto e adversários dificultam avaliações. Um assistente de manutenção pode falhar com abreviações desconhecidas ou material enganoso. Oponentes manipulam dados e sondam sistemas comerciais por falhas compartilhadas. O sigilo limita reprodução e comparação com evidência real.
Recuperação, acesso, testes e pessoas reduzem risco, não garantem todas as missões. Supervisão requer tempo, autoridade, contrapontos, formação sobre limites e poder de rejeitar ou parar, não apenas clicar. Helen Toner, da Georgetown CSET, alerta para dependência excessiva e compreensão de utilidade e limites. Participação humana não comprova essas condições.
Avaliar comportamento e preservar provas sem ignorar privacidade
Avaliações devem examinar falsos positivos, sinais perdidos, calibração, operadores e adversários durante e após implantação. Órgãos buscando orçamento e vendedores preferem mostrar pilotos e tempo poupado; deterioração sutil de julgamento e ausência de questionamento são menos visíveis. Padrões testáveis precisam acompanhar capacidades entre fornecedores e ambientes.
Logs de entradas, saídas e reações humanas ajudam reconstruir danos, mas criam riscos de privacidade e segurança, exigindo retenção limitada, acesso controlado e revisão independente. Rastreabilidade não autoriza guardar tudo indefinidamente. Nomear registros ou supervisão não demonstra eficácia sob pressão.
A supervisão pública não acompanha a pilha. Tetos aparecem, operações, avaliações e cláusulas não. A senadora Elizabeth Warren pediu informações sobre sistemas sigilosos, proteções, armas autônomas e vigilância. Alegações de legalidade não mostram controles reais nem como IA molda evidências e opções antes da aprovação humana.
Contratos, portabilidade e auditorias mostram controle
Termos comparáveis ou resumos executáveis esclareceriam vigilância, armas, revisão e usos secundários de dados. O sigilo deixa diferenças desconhecidas. Detalhes de missão podem ser protegidos com acesso ampliado a inspetores, Congresso e auditores; relatórios agregados não exigem segredos operacionais.
Migração demonstrada e padrões comuns testam o argumento multifornedor melhor que novas listas. Locais de uso, frequência de rejeição humana e respostas a erros testam responsabilidade. Anunciar empresas não estabelece nenhum deles; a divisão de responsabilidade entre modelos, integradores e usuários importa.
Precedentes podem chegar a polícia, fronteiras, inteligência, agências civis e empresas por compras. Dependência, atualizações, auditoria e revisão não são só militares. Instituições conseguirão impor limites após depender de computação, dados, modelos, integração e conhecimento privados? Contratos, testes e auditorias fornecem provas; velocidade e aprovação formal não bastam.
Fontes e leitura relacionada
AP sobre acordos classificados · Protótipos do CDAO · Estudo do Brennan Center · Relato da OpenAI sobre o acordo · Análise da Nature · Perguntas contratuais de Warren · Leitura relacionada: bases pessoais e de equipe