Por detrás das manchetes otimistas, a indústria da IA debate-se com 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 viragem silencioso da indústria
A inteligência artificial cresceu a um ritmo sem precedentes nos últimos três anos. Desde o lançamento do ChatGPT, a adoção pelos consumidores bateu recordes, gigantes como a OpenAI e 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 otimistas, a indústria debate-se com uma questão fundamentalmente diferente:
A inovação genuína continua a avançar a bom ritmo ou estamos a assistir a uma máquina gigantesca a atingir limites invisíveis?
Para responder devidamente a esta pergunta, precisamos de olhar para o ecossistema sob duas perspetivas distintas:
Mercado primário: Empresas que desenvolvem modelos fundacionais como GPT-4, Claude e Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Mercado secundário: Empresas que usam estes modelos para criar soluções para problemas reais dos utilizadores: Perplexity, Cursor, Notion AI, Replit.
Embora ambos os mercados façam parte 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.
Começam a surgir limites naturais ao 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)
- Capacidade de computação (capacidade de GPU/TPU)
- Técnicas de treino (arquiteturas transformer, mecanismos de atenção)
De 2018 a 2023, estes quatro fatores cresceram na mesma direção, permitindo enormes avanços. Foi assim que passámos do GPT-2 ao GPT-4 e do BERT ao PaLM. No entanto, esta curva não continuará indefinidamente. Os dados de treino são agora o principal fator limitante da indústria.
Os conjuntos de dados de alta qualidade, diversificados e originais gerados por humanos são limitados. Treinam-se modelos com a Wikipedia, com o arXiv, com o GitHub: e depois? Os custos nesta área estão a aumentar exponencialmente devido a questões de direitos de autor, acordos sobre a propriedade dos dados e restrições de acesso. Celebram-se acordos com o Reddit, negoceia-se com o Stack Overflow, enfrentam-se processos judiciais movidos pelo The New York Times. Aumentar a dimensão dos modelos continua a ser tecnicamente viável, mas os dados impõem um limite natural.
É por isso que o setor passou a centrar-se na eficiência, em vez da dimensão dos modelos. Raciocínio em cadeia, aprendizagem por reforço com feedback humano (RLHF), técnicas de amostragem mais eficazes, arquiteturas de mistura de especialistas (MoE): tudo isto faz parte desta transformação.
Estes avanços são significativos, mas não são sustentáveis por si só. Isto porque, a certa altura, os ganhos de eficiência também atingem a saturação. O setor começa a reconhecer que a inovação nos modelos fundacionais entrou numa fase mais lenta e mais dispendiosa.
Pressão dos fluxos de capital e fragilidade crescente
À medida que os limites tecnológicos se tornam palpáveis, o crescimento na vertente do capital passou a envolver riscos ainda maiores.
As empresas de modelos fundacionais estão a construir enormes infraestruturas de computação e a fazer ofertas agressivas na disputa por talento. Estas despesas surgem antes de se terem estabelecido bases sólidas de receitas. Os custos anuais de computação da OpenAI atingem milhares de milhões. A Anthropic recebe milhares de milhões em investimento da Microsoft. A Google destina um orçamento separado à DeepMind.
Milhares de milhões investidos em centros de dados, contratos plurianuais de GPU, salários astronómicos pagos a nomes como Ilya Sutskever: tudo isto faz disparar as despesas das empresas.
Este cenário mostra que o mercado primário assenta num modelo de expansão economicamente muito frágil. A estrutura de custos da inovação em modelos ultrapassa largamente as taxas de crescimento das receitas.
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 aplicações práticas reais.
- Perplexity: A reformular 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 120+ aplicações para gerir toda a vida digital a partir de uma única camada inteligente
A vantagem destas empresas é a sua maior proximidade ao utilizador. O valor real surge diretamente na experiência do utilizador. Pesquisa, programação, criação de conteúdos, produtividade, processamento de informação: todas estas áreas oferecem modelos de receitas 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 transformou o Claude numa oferta dirigida ao consumidor e a Google integrou o Gemini. A estratégia de integração vertical disseminou-se rapidamente.
Mas esta estratégia teve efeitos secundários: os custos de aquisição dispararam e as avaliações do mercado secundário inflacionaram. O facto de o mercado secundário — a única área capaz de gerar receitas — se ter tornado tão caro agrava ainda mais o risco de capital no setor.
Ciclos históricos e o que distingue o momento atual
A inteligência artificial já atravessou dois grandes períodos de declínio: no final da década de 1970 e no início da década de 1990. Estes períodos tinham em comum expectativas elevadas, um ritmo de inovação lento e um apetite pelo investimento que se evaporava.
A situação atual é diferente. A inovação técnica continua, mas o ritmo dos avanços decisivos está a abrandar. Os fluxos de capital, porém, crescem a uma escala sem precedentes. Sam Altman fala de um fundo de 7 biliões de dólares para computação, e Elon Musk injeta milhares de milhões na xAI.
Por isso, o que estamos a viver não é um clássico "inverno da IA". É antes um período de fragilidade assente na afetação de capital: as avaliações estão a inflacionar, os custos estão a acelerar, mas o ritmo de inovação não corresponde às expectativas.
A nova era: vencerão as abordagens mais inteligentes, não os modelos maiores
A diferença mais importante do momento atual é esta: o que importa agora não é produzir modelos ainda maiores 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 de mistura de especialistas, otimização de parâmetros, técnicas de treino centradas na eficiência. O mercado reagiu fortemente.
Após o 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 ainda não é suficiente. Se o setor der um verdadeiro salto, será através de novos paradigmas arquitetónicos. Algo para lá da arquitetura transformer. Talvez a computação neuromórfica, talvez modelos híbridos, ou talvez um quadro de aprendizagem inteiramente diferente.
Este tipo de transformações radicais normalmente não vem das grandes empresas. Estas agem 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 atual ecossistema da IA esteja precisamente à espera de uma disrupção deste tipo.
Conclusão: vencerá a abordagem, não os recursos
O setor da IA oscila hoje entre duas tensões: por um lado, uma estratégia de aumento da escala dos modelos que se aproxima dos seus limites; por outro, riscos crescentes associados ao capital e um mercado de aplicações em rápida valorização.
Este cenário 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 desenvolvem métodos mais inteligentes. A eficiência, as novas conceções arquitetónicas 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 a força dos recursos. E é bastante elevada a probabilidade de serem startups visionárias, e não grandes empresas, a iniciar esta mudança de abordagem.