Por trás das manchetes otimistas, a indústria de IA enfrenta questões fundamentais sobre o ritmo da inovação, a sustentabilidade do capital e os caminhos divergentes de quem desenvolve modelos e de quem cria aplicações.
O ponto de virada silencioso da indústria
A inteligência artificial cresceu em um ritmo sem precedentes nos últimos três anos. Desde o lançamento do ChatGPT, a adoção pelos consumidores bateu recordes, gigantes como OpenAI e Google anunciaram modelos em rápida sucessão, e empresas da Fortune 500 colocaram a IA no centro de seus processos de negócio. Mas hoje, por trás das manchetes otimistas, a indústria enfrenta uma pergunta fundamentalmente diferente:
A inovação genuína continua avançando em ritmo acelerado ou estamos vendo uma máquina gigantesca esbarrar em limites invisíveis?
Para responder a essa pergunta de forma adequada, precisamos analisar o ecossistema sob duas perspectivas distintas:
Mercado primário: Empresas que desenvolvem modelos fundacionais como GPT-4, Claude e Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Mercado secundário: Empresas que usam esses modelos para criar soluções para problemas reais dos usuários: Perplexity, Cursor, Notion AI, Replit.
Embora os dois mercados façam parte da mesma indústria, suas dinâmicas, estruturas de custos, perfis de risco e expectativas de crescimento são fundamentalmente diferentes. A tensão que vemos hoje decorre justamente dessa divergência.
Os limites naturais do desenvolvimento de modelos começam a aparecer
Quatro fatores fundamentais moldaram a evolução dos grandes modelos de linguagem nos últimos cinco anos:
- Tamanho do modelo (número de parâmetros)
- Dados de treinamento (qualidade e diversidade)
- Poder computacional (capacidade de GPU/TPU)
- Técnicas de treinamento (arquiteturas transformer, mecanismos de atenção)
De 2018 a 2023, esses quatro fatores cresceram na mesma direção, gerando avanços enormes. Foi assim que passamos de GPT-2 para GPT-4, de BERT para PaLM. Mas essa curva não continuará indefinidamente. Os dados de treinamento são agora o gargalo mais crítico da indústria.
As fontes de dados originais, diversos e de alta qualidade gerados por humanos são limitadas. Você treina com a Wikipedia, treina com o arXiv, treina com o GitHub: e depois? Os custos nessa área estão subindo exponencialmente por causa de questões de direitos autorais, acordos sobre a propriedade dos dados e restrições de acesso. Você fecha acordos com o Reddit, negocia com o Stack Overflow, enfrenta processos do The New York Times. Aumentar o tamanho dos modelos ainda é tecnicamente viável, mas a disponibilidade de dados impõe um limite natural.
É por isso que o setor mudou o foco do tamanho dos modelos para a eficiência. Raciocínio em cadeia de pensamento, aprendizado por reforço com feedback humano (RLHF), técnicas de amostragem mais eficazes, arquiteturas de mistura de especialistas (MoE): tudo isso faz parte dessa transformação.
Esses avanços são significativos, mas não se sustentam por si só. Isso porque, em algum momento, os ganhos de eficiência também chegam à saturação. O setor está começando a reconhecer que a inovação em modelos fundacionais entrou em uma fase mais lenta e mais cara.
Pressão sobre o fluxo de capital e fragilidade crescente
À medida que os limites tecnológicos se tornam palpáveis, o crescimento em termos de capital passou a envolver riscos ainda maiores.
As empresas de modelos fundacionais estão construindo enormes infraestruturas computacionais e fazendo ofertas agressivas na disputa por talentos. Esses gastos acontecem antes de haver uma base sólida de receita. Os custos anuais de computação da OpenAI chegam à casa dos bilhões. A Anthropic recebe bilhões em investimentos da Microsoft. O Google destina um orçamento separado para a DeepMind.
Bilhões investidos em data centers, contratos de vários anos para GPUs, salários astronômicos pagos a nomes como Ilya Sutskever: tudo isso aumenta drasticamente as despesas das empresas.
Esse quadro mostra que o mercado primário se apoia em um modelo de expansão economicamente muito frágil. A estrutura de custos da inovação em modelos supera em muito as taxas de crescimento da receita.
A ascensão silenciosa da camada de aplicação
Enquanto o mercado primário está sob pressão, o mercado secundário avança com uma curva de crescimento relativamente saudável. Essas empresas usam modelos fundacionais e os transformam em casos de uso reais.
- Perplexity: Redesenhando a experiência de busca
- Cursor & Replit: Transformando o processo de programação
- Notion AI: Tornando as ferramentas de produtividade inteligentes
- Dvina: Conectando-se a 120+ aplicativos para gerenciar toda a vida digital a partir de uma única camada inteligente
A vantagem dessas empresas é estar mais perto do usuário. O valor real surge diretamente na experiência do usuário. Busca, programação, criação de conteúdo, produtividade, processamento de informações: todas essas áreas oferecem modelos de receita escaláveis e fáceis de entender.
É por isso que muitos desenvolvedores de modelos fundacionais começaram a migrar para a camada de aplicação. A OpenAI transformou o ChatGPT em um produto, a Anthropic transformou o Claude em uma oferta voltada ao consumidor, o Google integrou o Gemini. A estratégia de integração vertical se disseminou rapidamente.
Mas essa estratégia trouxe efeitos colaterais: os custos de aquisição dispararam, e as avaliações de valor no mercado secundário inflaram. O fato de o mercado secundário — a única área capaz de gerar receita — ter se tornado tão caro amplia ainda mais o risco de capital no setor.
Ciclos históricos e o que diferencia o momento atual
A inteligência artificial já passou por duas grandes retrações: no fim dos anos 1970 e no início dos anos 1990. O que esses períodos tinham em comum: expectativas altas, baixa velocidade de inovação e um apetite por investimentos que se dissipava.
A situação de hoje é diferente. A inovação técnica continua, mas o ritmo dos avanços revolucionários está diminuindo. O fluxo de capital, porém, cresce em uma escala sem precedentes. Sam Altman fala de um fundo de US$ 7 trilhões para computação, Elon Musk despeja bilhões na xAI.
Portanto, o que estamos vivendo não é um clássico "inverno da IA". É mais um período de fragilidade decorrente da alocação de capital: as avaliações de valor estão inflando, os custos estão acelerando, mas a velocidade da inovação não está correspondendo às expectativas.
A nova era: vencerão as abordagens mais inteligentes, não os modelos maiores
A diferença mais crucial hoje é esta: o que importa agora não é produzir modelos ainda maiores adicionando mais parâmetros.
A verdadeira transformação acontecerá nestas áreas:
- Aumentar a eficiência dos parâmetros
- Alcançar maior qualidade com modelos menores
- Desenvolver novas técnicas de treinamento
- Usar os dados de forma mais estratégica e eficaz
- Reduzir radicalmente os custos de treinamento
Um dos exemplos recentes mais marcantes foi a DeepSeek. Essa startup chinesa desenvolveu um modelo com desempenho no nível do GPT-4, mas com custos de treinamento muito menores. Arquitetura de mistura de especialistas, otimização de parâmetros, técnicas de treinamento voltadas à eficiência. O mercado reagiu com força.
Após o anúncio da DeepSeek, o valor de mercado da NVIDIA caiu US$ 600 bilhões em um único dia. Isso mostrou que os investidores agora acompanham não apenas a corrida por modelos maiores, mas também a corrida por eficiência e inovação arquitetural.
Mas isso ainda não basta. Se o setor der um verdadeiro salto, será por meio de novos paradigmas arquiteturais. Algo além da arquitetura transformer. Talvez computação neuromórfica, talvez modelos híbridos, ou talvez uma estrutura de aprendizado inteiramente diferente.
Transformações radicais desse tipo geralmente não vêm de grandes empresas. Elas atuam com cautela devido à pressão por escala, aos custos de infraestrutura e à gestão corporativa de riscos. Os verdadeiros avanços muitas vezes surgem de startups pequenas, agressivas, dispostas a assumir riscos e ambiciosas.
É provável que o ecossistema de IA atual esteja justamente à espera de uma disrupção desse tipo.
Conclusão: a abordagem vencerá, não os recursos
Hoje, o setor de IA oscila entre duas tensões: de um lado, uma estratégia de ampliação de modelos que se aproxima de seus limites; de outro, riscos crescentes para o capital e um mercado de aplicações que se valoriza rapidamente.
Esse cenário mostra que o problema fundamental agora é a abordagem, não a capacidade. Os vencedores de amanhã não serão aqueles que criarem modelos maiores, mas aqueles que desenvolverem métodos mais inteligentes. Eficiência, novos projetos de arquitetura e técnicas de treinamento otimizadas estão se tornando a verdadeira linha divisória do setor.
O que será decisivo no futuro é a qualidade da abordagem, não a força dos recursos. E é bastante alta a probabilidade de que startups visionárias, e não grandes empresas, deem início a essa mudança de abordagem.