A Canva corta a própria previsão pela IA

A previsão que a Canva optou por cortar

Quando a Canva apresentou os resultados do segundo trimestre de 2026, a diretora executiva Melanie Perkins abriu com o número que os analistas menos esperavam: a previsão de crescimento para o ano inteiro, reduzida de 30 para 20 por cento, um terço completo abaixo do próprio objetivo anterior da empresa. Não o apresentou como uma falha. Chamou-lhe "uma decisão deliberada para acertar a economia" do custo de gerir as funcionalidades de IA da Canva - o tipo de linguagem que uma diretora executiva usa quando um número se move porque a direção decidiu movê-lo, e não porque o mercado o impôs.

O trimestre em si não foi fraco pelos padrões habituais. A receita atingiu 921,9 milhões de dólares (1,32 mil milhões de dólares australianos), um aumento de 25,2 por cento face ao ano anterior, uma taxa de crescimento que a maioria das empresas de software apresentaria com orgulho. Ficou apenas aquém do ritmo que o próprio roadmap da Canva pressupunha, e algumas das suas funcionalidades de IA mais recentes foram lançadas com até seis meses de atraso em relação ao planeado - um atraso que, em retrospetiva, remete para o mesmo problema de fundo que o corte na previsão.

Nada nisto se lê como uma empresa em dificuldades. Lê-se como uma empresa que tinha calculado a própria ambição em IA com base num número que se revelou insustentável, se apercebeu disso cedo o suficiente para ainda importar, e foi à procura do porquê.

Porque é que as contas deixaram de bater certo

O diagnóstico: Perkins apontou três causas concretas, e cada uma merece ser lida como uma lista de verificação, não como uma desculpa. O custo médio de processar uma única tarefa de IA dentro dos produtos da Canva tinha subido demasiado para sustentar os preços construídos à sua volta. A empresa tinha estado, nas suas próprias palavras, a depender em excesso de modelos frontier - os grandes sistemas de terceiros de fornecedores como a OpenAI - para trabalho que não precisava de capacidade de nível frontier. E os próprios preços, o modelo de consumo e os controlos de utilização da Canva não tinham acompanhado a procura real assim que as funcionalidades estavam em produção em grande escala, e já não apenas num piloto.

Porque é que isto importa: cada uma destas falhas parece pequena isoladamente e combina-se mal. Uma funcionalidade calculada ao volume de um piloto parece acessível. Essa mesma funcionalidade, multiplicada por milhões de utilizadores que agora esperam tê-la incluída numa subscrição em vez de faturada por utilização, transforma-se numa linha de custo que cresce mais depressa do que a linha de receita ao lado. A Canva constrói produtos para equipas de design, profissionais de marketing e pequenas empresas em toda a Europa que sentem este mesmo mecanismo do lado do comprador sempre que um fornecedor muda o preço de um extra de IA sem aviso; aqui está o lado do fornecedor exatamente do mesmo mecanismo, numa empresa suficientemente grande para publicar os números.

O que torna este diagnóstico particularmente útil é não ser uma história sobre a IA ser cara em abstrato. É a história de um desajuste concreto: pagar o preço de tabela de um fornecedor frontier por tarefas que um modelo mais pequeno, construído à medida, poderia ter tratado por uma fração do custo, a um volume em que essa fração se acumula até se tornar dinheiro real.

Noventa por cento mais barato, construído internamente

A correção: a Canva passou cerca de três meses a reconstruir a sua infraestrutura de IA em torno de modelos que possui, construídos em grande parte sobre a tecnologia por trás da Leonardo.AI, a startup de IA generativa sediada em Sydney que a Canva adquiriu em 2024. A lógica é estreita e concreta: manter os modelos frontier para as tarefas que realmente precisam de capacidade frontier, e transferir a inferência de grande volume e repetitiva - a maior parte do que uma ferramenta de design realmente pede a um modelo de IA - para uma infraestrutura que a Canva controla e cujos preços fixa por si própria.

Os resultados são a parte que vale a pena analisar com calma. A Canva relata um corte de cerca de 90 por cento no custo de IA por tarefa no total. Discriminado por modelo, o modelo de imagem próprio ficou cerca de 30 vezes mais barato do que modelos frontier comparáveis, o modelo de vídeo cerca de 17 vezes mais barato, e um modelo de transferência de estilo cerca de 23 vezes mais barato. Não são ganhos de eficiência marginais resultantes de melhores instruções ou de cache. São a diferença entre um modelo de negócio que funciona ao volume que a Canva realmente serve e um que não funciona.

Nada disto se lê como uma empresa sob pressão financeira. A Canva mantém-se rentável pelo nono ano consecutivo e detém 1,47 mil milhões de dólares em numerário. A correção foi uma escolha feita a partir de uma posição de força, não um resgate a partir de uma posição de fraqueza - e é precisamente por isso que vale a pena estudá-la em vez de a arquivar como uma história de dificuldade.

A armadilha de construir ou comprar em que qualquer roadmap pode cair

O padrão: a mudança de rumo da Canva é um caso vivo, sustentado por números, de uma armadilha que apanha empresas muito mais pequenas e com muito menos margem para a absorver. Um roadmap de produto é escalado face ao preço de tabela de um modelo frontier de terceiros antes de alguém ter modelado a economia unitária ao volume de utilização real. O piloto bate certo. O lançamento em larga escala não, porque o consumo ultrapassa o que os próprios preços e controlos de utilização do fornecedor foram concebidos para absorver - e quando isso se torna visível, o roadmap, e as expectativas dos clientes construídas sobre ele, já estão comprometidos.

O que fazer de forma diferente: trate o custo de API de um modelo frontier como uma variável que pode mover-se mais depressa do que os seus próprios preços de produto conseguem reagir, não como um dado fixo que calcula uma vez e esquece. Antes de lançar uma funcionalidade de IA em larga escala, calcule o custo por tarefa a cerca de dez vezes o volume esperado, não ao volume do piloto, porque o volume do piloto é precisamente o número que esconde este problema até se tornar caro corrigi-lo. A resposta concreta da Canva - trazer para dentro de casa a inferência de maior volume e mais estandardizada, e reservar as APIs frontier para as tarefas genuinamente difíceis - é um padrão concreto que qualquer equipa de produto com recursos para construir ou comprar um modelo mais pequeno pode copiar; a disciplina de modelação por trás disso está disponível para qualquer equipa, independentemente da dimensão.

A lição não exige que uma empresa construa os seus próprios modelos de IA para ser útil. Exige tratar os preços de um fornecedor como uma peça móvel do modelo de negócio, testada face ao volume que o produto vai efetivamente alcançar, antes de esse volume chegar e ser a fatura a decidir por si.

Leia a seguir: O seu fornecedor de IA pode ter um interruptor estatal  |  Rust traça a linha que a IA não pode cruzar