Diferenciação das grandes empresas na era multimodal "Deepseek": ByteDance aposta na "eficiência", Kuaishou foca na "profissionalidade", Alibaba concentra-se no "e-commerce"!

O início do ano trouxe uma onda de atualizações multimodais bastante intensa: a 31 de janeiro, o Kuaishou lançou o Kling 3.0; a 7 de fevereiro, a ByteDance anunciou o Seedance 2.0; e a 10 de fevereiro, a Seedream 5.0 da ByteDance e o Qwen-Image-2.0 da Alibaba reforçaram ainda mais a base de “texto para imagem/edição de imagem”.

Na análise do Instituto de Pesquisa da Huachuang Securities, a Yu Lei foi bastante direta — a geração de vídeos deixou de ser apenas uma demonstração de habilidade para evoluir para uma ferramenta que pode integrar o fluxo de trabalho: “A geração de vídeos por IA está passando de entretenimento de caixa surpresa para uma produção industrial precisa.” A dificuldade de comercialização, que ainda persiste, é atribuída ao custo marginal imprevisível causado pelo “sistema de gacha”: demandas repetidas, retrabalho constante, e uma taxa elevada de material inútil que consome tempo e orçamento.

O foco das atualizações do Kling 3.0 e do Seedance 2.0 não é apenas melhorar a qualidade visual, mas elevar a controlabilidade a uma prioridade maior: consistência de sujeitos entre diferentes cenas, compreensão semântica de comandos complexos e a capacidade de editar após a geração, tudo isso para reduzir a taxa de material inútil. A conclusão do relatório é que esses avanços tecnológicos criam uma base para que vídeos por IA possam entrar em fluxos de trabalho em larga escala no setor B2B, com impacto mais cedo na publicidade de comércio eletrônico e na produção de curtas e séries de animação.

Seguindo essa linha, o relatório divide o impacto em duas camadas: uma é a diferenciação de rotas de produto — a ByteDance mais focada em “infraestrutura de eficiência”, enquanto o Kuaishou aposta mais em “narrativa profissional”; a outra é uma revolução na oferta que reequilibra os custos — o custo marginal de produção de conteúdo se assemelha cada vez mais ao custo de computação. Em termos de oportunidades de investimento, o relatório aponta que os benefícios se concentram em IPs de conteúdo, direitos autorais, ferramentas/modelos de vídeo por IA, além de demandas relacionadas a nuvem e plataformas.

O que realmente foi resolvido é o custo imprevisível causado pelo “sistema de gacha”

O relatório reforça repetidamente uma cadeia lógica: no passado, a dificuldade de comercializar vídeos por IA não era por “não conseguir fazer”, mas por “fazer de forma instável”. Mesmo com o mesmo roteiro, os mesmos materiais e comandos, a qualidade final variava bastante, obrigando os criadores a gerar várias versões para apostar na melhor, o que elevava o custo marginal a níveis imprevisíveis.

O relatório acredita que o significado da nova geração de modelos está em colocar a “capacidade de geração” um passo atrás, enquanto a “controlabilidade” é priorizada: por meio de arquiteturas multimodais nativas, alinhamento de comandos e reforço na consistência de sujeitos/semântica, é possível reduzir a taxa de material inútil, fazendo com que o custo total de produção de vídeos caia. Assim, o limiar para a comercialização é redefinido — de “se é possível fazer” para “se é possível entregar de forma estável”.

Kling 3.0 aposta em “sensação de grande produção”: maior prioridade para realismo físico e narrativa longa

O relatório resume as palavras-chave do Kling 3.0 em duas questões: uma atualização sistêmica das capacidades básicas e uma integração entre geração e edição (Omni).

No lado do vídeo, as melhorias do Kling 3.0 concentram-se em: maior consistência de sujeitos em cenas com múltiplas câmeras ou ações contínuas; análise mais detalhada de comandos complexos; redução da confusão de referências em cenas com múltiplas pessoas, com ênfase na “mapeamento preciso entre texto e personagens visuais” (incluindo múltiplos idiomas, sotaques regionais, expressões faciais e movimentos naturais).

O modo Omni é outra mudança destacada: permite modificações locais controladas em conteúdos já gerados, reduzindo a necessidade de “recomeçar do zero”. O relatório também menciona duas capacidades mais voltadas à criação profissional: uma, a possibilidade de criar sujeitos de vídeo (extração de características de personagens e tom de voz original, com mapeamento preciso de boca e expressão); e duas, a capacidade nativa de personalizar storyboards, elevando o tempo de geração de uma única cena para 15 segundos, com controle sobre duração, enquadramento, perspectiva, narrativa e movimentos de câmera.

Na parte de imagens, o Kling Imagem 3.0 também é considerado uma etapa de “complemento ao fluxo de trabalho”: suporta até 10 imagens de referência para definir contornos, elementos principais e tonalidade; múltiplas referências podem ter elementos adicionados, removidos ou modificados livremente; permite geração em lote de storyboards ou pacotes de materiais; além de melhorar a saída em alta definição e detalhes.

Seedance 2.0 transforma vídeos em uma “ferramenta industrial configurável”

O posicionamento do Seedance 2.0 no relatório é mais como uma “padronização industrial”: enfatiza mais a coerência física, movimentos naturais, compreensão precisa de comandos e manutenção de estilo estável; além de destacar três capacidades principais — otimização de consistência (de rosto a roupas, detalhes de fontes, transições de cena); reprodução controlada de movimentos e câmeras complexas; e reprodução precisa de templates criativos e efeitos especiais complexos.

Mais importante ainda, há uma mudança na paradigma de interação. O relatório acredita que o Seedance 2.0, ao usar “@nome do material” para especificar o uso de imagens, vídeos ou áudios, está desmembrando a geração de caixa preta em um fluxo de produção controlável: o modelo consegue extrair detalhes de @vídeo (movimentos de câmera), @imagem (detalhes) e @áudio (ritmo), reduzindo significativamente a taxa de material inútil.

As limitações e usos indicados também refletem mais restrições de produção: suporta até 9 imagens de entrada; até 3 vídeos com duração total de até 15 segundos; até 3 áudios em MP3, também com duração máxima de 15 segundos; limite de 12 arquivos de entrada combinados; duração de geração até 15 segundos (com opção de 4 a 15 segundos); e saída com efeitos sonoros ou trilha sonora integrados. Quanto à organização, “frames de início e fim” e “referência geral” correspondem a diferentes formas de estruturar o material.

ByteDance aposta em “infraestrutura de eficiência”, Kuaishou em “narrativa profissional” e Alibaba mais voltada para o comércio eletrônico

O relatório não foca tanto na classificação por “ranking de desempenho”, mas sim na estratégia de cada empresa.

Ele resume a estratégia da ByteDance como uma ferramenta de baixo custo, de fácil acesso e capacidade de generalização, semelhante a uma versão avançada do “Jianying”, com o objetivo de reduzir custos de produção de conteúdo na rede e fortalecer o ecossistema; Kuaishou aposta na “realidade física, sensação de cenas complexas e consistência de personagens”, mais adequada para demos de filmes e conteúdos profissionais que exigem alta coerência; Alibaba, com o projeto Qianwen, foca na atualização de modelos de alta fidelidade para cenários verticais (e-commerce), reforçando capacidades de digitalização de produtos.

Essas três estratégias não representam um único modelo de negócio: uma busca por escala e throughput, outra por narrativa de alta qualidade, e a última por “pronto para produção” em setores verticais específicos.

Revolução na oferta de conteúdo: custos marginais convergindo para custos de computação, IP se tornando mais escasso

Na análise de mercado, o relatório apresenta uma visão bastante agressiva da “revolução na oferta”: após a melhora das capacidades de base de imagem e vídeo, o custo marginal de produção de conteúdo tende a se aproximar do custo de computação.

No curto prazo, as expectativas estão voltadas para duas mudanças principais: aumento na eficiência de produção de materiais por parte de agências de marketing e comércio eletrônico, melhorando margens; e uma possível explosão de capacidade na indústria de séries curtas e dramas. No médio e longo prazo, o foco se desloca para o IP — à medida que a produção de conteúdo se torna mais fácil, a escassez de IPs será um fator de valorização: IPs de destaque e seus derivados terão maior valor, e IPs de médio porte poderão ser revalorizados via IA na produção de vídeos. Além disso, gigantes com infraestrutura de computação robusta (nuvem) e plataformas com fluxo de tráfego fechado se beneficiarão diretamente das chamadas frequentes ao lado de raciocínio.