Por detrás das manchetes brilhantes, a indústria da IA debate-se com questões fundamentais sobre o ritmo da inovação, a sustentabilidade do capital e os caminhos divergentes dos criadores de modelos face aos construtores de aplicações.
O ponto de viragem silencioso da indústria
A inteligência artificial cresceu a um ritmo sem precedentes nos últimos três anos. Desde o lançamento do ChatGPT, a adoção por parte dos consumidores bateu recordes, gigantes de OpenAI a Google anunciaram modelos em rápida sucessão, e empresas da Fortune 500 colocaram a IA no centro dos seus processos de negócio. No entanto, hoje, por detrás das manchetes brilhantes, a indústria debate-se com uma questão fundamentalmente diferente:
A inovação genuína continua realmente a avançar com forte impulso, ou estamos a ver uma máquina gigantesca a atingir limites invisíveis?
Para responder corretamente a esta pergunta, precisamos de olhar para o ecossistema através de duas lentes distintas:
Mercado primário: Empresas que desenvolvem modelos fundacionais como GPT-4, Claude e Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Mercado secundário: Empresas que pegam nestes modelos e constroem soluções para problemas reais dos utilizadores: Perplexity, Cursor, Notion AI, Replit.
Embora ambos os mercados existam dentro da mesma indústria, as suas dinâmicas, estruturas de custos, perfis de risco e expectativas de crescimento são fundamentalmente diferentes. A tensão a que assistimos hoje resulta precisamente desta divergência.
Estão a surgir limites naturais no desenvolvimento de modelos
Quatro fatores fundamentais moldaram a evolução dos grandes modelos de linguagem nos últimos cinco anos:
- Dimensão do modelo (número de parâmetros)
- Dados de treino (qualidade e diversidade)
- Poder computacional (capacidade de GPU/TPU)
- Técnicas de treino (arquiteturas transformer, mecanismos de atenção)
De 2018 a 2023, estes quatro fatores escalaram na mesma direção, criando saltos tremendos. Foi assim que passámos do GPT-2 ao GPT-4, do BERT ao PaLM. No entanto, esta curva não continuará indefinidamente. Os dados de treino são agora o estrangulamento mais crítico da indústria.
Os conjuntos de dados de alta qualidade, diversos e originais gerados por humanos são limitados. Treina-se com a Wikipedia, treina-se com o arXiv, treina-se com o GitHub: e depois? Os custos neste domínio estão a subir exponencialmente devido a questões de direitos de autor, acordos de propriedade de dados e restrições de acesso. Fazem-se acordos com o Reddit, negoceia-se com o Stack Overflow, enfrentam-se processos da The New York Times. Aumentar a dimensão dos modelos continua a ser tecnicamente viável, mas o lado dos dados cria um teto natural.
É por isso que a indústria desviou o seu foco da dimensão dos modelos para a eficiência. Raciocínio chain-of-thought, reinforcement learning from human feedback (RLHF), técnicas de sampling mais eficazes, arquiteturas mixture-of-experts (MoE): tudo isto faz parte desta transformação.
Estes desenvolvimentos são significativos, mas não são sustentáveis por si só. Porque, a certa altura, os ganhos de eficiência também atingem a saturação. A indústria está a começar a reconhecer que a inovação em modelos fundacionais entrou numa fase mais lenta e mais cara.
Pressão do Fluxo de Capital e Fragilidade Crescente
À medida que os limites tecnológicos se tornam palpáveis, o crescimento do lado do capital passou a envolver um risco ainda maior.
As empresas de modelos fundacionais estão a construir infraestruturas computacionais massivas e a fazer ofertas agressivas na guerra pelo talento. Estas despesas estão a acontecer antes de terem sido estabelecidas bases de receita sólidas. Os custos anuais de computação da OpenAI chegam aos milhares de milhões. A Anthropic recebe milhares de milhões em investimento da Microsoft. A Google aloca um orçamento separado para a DeepMind.
Milhares de milhões investidos em centros de dados, contratos plurianuais de GPU, salários astronómicos pagos a nomes como Ilya Sutskever: tudo isto infla dramaticamente as linhas de despesa das empresas.
Este quadro mostra que o mercado primário assenta num modelo de scaling economicamente muito frágil. A estrutura de custos da inovação em modelos ultrapassa largamente 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. Estas empresas pegam em modelos fundacionais e transformam-nos em casos de uso reais.
- Perplexity: A redesenhar a experiência de pesquisa
- Cursor & Replit: A transformar o processo de programação
- Notion AI: A tornar inteligentes as ferramentas de produtividade
- Dvina: A ligar-se a mais de 120 aplicações para gerir vidas digitais inteiras a partir de uma única camada inteligente
A vantagem destas empresas é estarem mais próximas do utilizador. O valor real emerge diretamente na experiência do utilizador. Pesquisa, programação, criação de conteúdos, produtividade, processamento de informação: todas estas áreas oferecem modelos de receita escaláveis e compreensíveis.
É por isso que muitos produtores de modelos fundacionais começaram a deslocar-se para a camada de aplicação. A OpenAI transformou o ChatGPT num produto, a Anthropic converteu o Claude numa oferta para o consumidor, a Google integrou o Gemini. A estratégia de integração vertical proliferou rapidamente.
Mas esta estratégia provocou efeitos secundários: os custos de aquisição dispararam, as avaliações do mercado secundário inflacionaram. O facto de o mercado secundário — a única área capaz de gerar receita — se ter tornado tão caro amplifica ainda mais o risco de capital no setor.
Ciclos Históricos e o Fator Distintivo de Hoje
A inteligência artificial já viveu duas grandes quebras no passado: no final da década de 1970 e no início da década de 1990. O que estes períodos tinham em comum: expectativas elevadas, baixa velocidade de inovação e desaparecimento do apetite de investimento.
A situação atual é diferente. A inovação técnica continua, mas o ritmo das ruturas está a abrandar. O fluxo de capital, porém, cresce a uma escala sem precedentes. Sam Altman fala de um fundo de computação de $7 trillion, Elon Musk injeta milhares de milhões na xAI.
Por isso, o que estamos a viver não é um clássico "AI winter." É mais um período de fragilidade baseado na alocação de capital: as avaliações estão a inflacionar, os custos estão a acelerar, mas a velocidade da inovação não está a corresponder às expectativas.
A Nova Era: Não Serão os Modelos Maiores, Mas as Abordagens Mais Inteligentes, a Vencer
A diferença mais crítica de hoje é esta: o que importa agora não é produzir modelos ainda mais massivos acrescentando mais parâmetros.
A verdadeira transformação acontecerá nestas áreas:
- Aumentar a eficiência dos parâmetros
- Alcançar maior qualidade com modelos mais pequenos
- Desenvolver novas técnicas de treino
- Utilizar os dados de forma mais estratégica e eficaz
- Reduzir radicalmente os custos de treino
Um dos exemplos recentes mais marcantes foi a DeepSeek. Esta startup chinesa desenvolveu um modelo com desempenho ao nível do GPT-4: mas com custos de treino muito mais baixos. Arquitetura mixture-of-experts, otimização de parâmetros, técnicas de treino focadas na eficiência. O mercado reagiu fortemente.
Na sequência do anúncio da DeepSeek, a capitalização bolsista da NVIDIA caiu 600 mil milhões de dólares num único dia. Isto mostrou que os investidores estão agora a acompanhar não apenas a corrida por modelos maiores, mas também a corrida pela eficiência e pela inovação arquitetónica.
Mas isto continua a não ser suficiente. Se o setor vier a dar um salto genuíno, isso acontecerá através de novos paradigmas arquitetónicos. Algo para lá da arquitetura transformer. Talvez computação neuromórfica, talvez modelos híbridos, ou talvez um enquadramento de aprendizagem totalmente diferente.
Este tipo de transformações radicais normalmente não vem das grandes empresas. Estas operam com cautela devido à pressão da escala, aos custos de infraestrutura e à gestão do risco empresarial. Os verdadeiros avanços surgem muitas vezes de startups pequenas, agressivas, tolerantes ao risco e ambiciosas.
É provável que o ecossistema atual da IA esteja precisamente à espera de uma disrupção deste tipo.
Conclusão: Não Serão os Recursos, Mas a Abordagem, a Vencer
O setor da IA oscila hoje entre duas tensões: por um lado, uma estratégia de escalamento de modelos que se aproxima dos seus limites; por outro, riscos de capital crescentes e um mercado de aplicações em rápida valorização.
Este quadro mostra que o problema fundamental é agora a abordagem, não a capacidade. Os vencedores de amanhã não serão os que constroem modelos maiores, mas os que constroem métodos mais inteligentes. A eficiência, os novos desenhos arquitetónicos e as técnicas de treino otimizadas estão a tornar-se a verdadeira linha divisória do setor.
O que será decisivo no futuro é a qualidade da abordagem, não o poder dos recursos. E é bastante elevada a probabilidade de serem startups visionárias, e não grandes empresas, a iniciar esta mudança de abordagem.
