O Problema de Trilhão de Dólares da Inteligência Artificial

À medida que entramos em 2025, o setor de inteligência artificial está em um ponto de inflexão crucial. Embora a indústria continue a atrair níveis sem precedentes de investimento e atenção – especialmente dentro do cenário de inteligência artificial gerativa – várias dinâmicas de mercado subjacentes sugerem que estamos nos dirigindo para uma grande mudança no cenário de inteligência artificial no ano que vem.

Com base na minha experiência liderando uma startup de inteligência artificial e observando a evolução rápida da indústria, acredito que este ano trará muitas mudanças fundamentais: desde a emergência de grandes modelos de conceito (LCMs) como concorrentes sérios para os grandes modelos de linguagem (LLMs), o surgimento de hardware de inteligência artificial especializado, até as grandes empresas de tecnologia começarem a construir infraestruturas de inteligência artificial que finalmente as colocarão em uma posição para superar as startups como OpenAI e Anthropic – e, quem sabe, talvez até mesmo garantir seu monopólio de inteligência artificial após tudo.

Desafio Único das Empresas de Inteligência Artificial: Nem Software nem Hardware

A questão fundamental reside na forma como as empresas de inteligência artificial operam em um terreno intermediário inédito entre os negócios de software e hardware tradicionais. Ao contrário das empresas de software puro que investem principalmente em capital humano com despesas operacionais relativamente baixas, ou empresas de hardware que fazem investimentos de capital de longo prazo com caminhos claros para retornos, as empresas de inteligência artificial enfrentam uma combinação única de desafios que tornam seus atuais modelos de financiamento precários.

Essas empresas requerem um grande desembolso de capital inicial para clusters de GPU e infraestrutura, gastando $100-200 milhões anualmente apenas em recursos de computação. No entanto, ao contrário das empresas de hardware, elas não podem amortizar esses investimentos sobre períodos prolongados. Em vez disso, operam em ciclos comprimidos de dois anos entre rodadas de financiamento, cada vez precisando demonstrar crescimento exponencial e desempenho de ponta para justificar a próxima marcação de valorização.

Problema de Diferenciação dos LLMs

Adicionando a esse desafio estrutural, há uma tendência preocupante: a convergência rápida das capacidades dos grandes modelos de linguagem (LLMs). Startups, como o unicornio Mistral AI e outros, demonstraram que os modelos de código aberto podem alcançar desempenho comparável aos seus contrapartes de código fechado, mas a diferençação técnica que anteriormente justificava valorações altas está se tornando cada vez mais difícil de manter.

Em outras palavras, enquanto cada novo LLM ostenta desempenho impressionante com base em benchmarks padrão, uma mudança significativa real na arquitetura subjacente do modelo não está ocorrendo.

As limitações atuais nesse domínio decorrem de três áreas críticas: disponibilidade de dados, pois estamos nos esgotando de material de treinamento de alta qualidade (como confirmado recentemente por Elon Musk); métodos de curação, pois todos adotam abordagens semelhantes de feedback humano pioneiras pela OpenAI; e arquitetura computacional, pois todos dependem do mesmo pool limitado de hardware de GPU especializado.

O que está surgindo é um padrão em que os ganhos vêm cada vez mais da eficiência e não da escala. As empresas estão se concentrando em compressar mais conhecimento em menos tokens e desenvolver melhores artefatos de engenharia, como sistemas de recuperação como RAGs (retrieval-augmented generation). Basicamente, estamos nos aproximando de um platô natural em que jogar mais recursos no problema rende retornos decrescentes.

Devido ao ritmo sem precedentes de inovação nos últimos dois anos, essa convergência das capacidades dos LLMs está acontecendo mais rápido do que qualquer um imaginou, criando uma corrida contra o tempo para as empresas que levantaram fundos.

Com base nas últimas tendências de pesquisa, a próxima fronteira para abordar esse problema é a emergência de grandes modelos de conceito (LCMs) como uma nova arquitetura inovadora competindo com os LLMs em seu domínio central, que é a compreensão de linguagem natural (NLP).

Tecnicamente, os LCMs possuirão várias vantagens, incluindo o potencial para melhor desempenho com menos iterações e a capacidade de alcançar resultados semelhantes com equipes menores. Acredito que esses LCMs de próxima geração serão desenvolvidos e comercializados por equipes spin-off, os famosos ‘ex-big tech’ mavericks fundando novas startups para liderar essa revolução.

Divergência de Cronograma de Monetização

A compressão dos ciclos de inovação criou outro problema crítico: a divergência entre o tempo de mercado e a monetização sustentável. Embora estejamos vendo uma velocidade sem precedentes na verticalização de aplicações de inteligência artificial – com agentes de voz de inteligência artificial, por exemplo, passando de conceito para produtos geradores de receita em apenas meses – essa comercialização rápida mascara um problema mais profundo.

Considere isso: uma startup de inteligência artificial avaliada em $20 bilhões hoje provavelmente precisará gerar cerca de $1 bilhão em receita anual dentro de 4-5 anos para justificar ir público a uma multiplicação razoável. Isso exige não apenas excelência tecnológica, mas uma transformação dramática de todo o modelo de negócios, desde o foco em P&D para vendas, mantendo o ritmo da inovação e gerenciando enormes custos de infraestrutura.

Nesse sentido, as novas startups focadas em LCMs que surgirão em 2025 estarão em melhores posições para levantar fundos, com valorações iniciais mais baixas tornando-as alvos de financiamento mais atraentes para investidores.

Falta de Hardware e Alternativas Emergentes

Vamos dar uma olhada mais de perto especificamente na infraestrutura. Hoje, cada novo cluster de GPU é comprado mesmo antes de ser construído pelos grandes jogadores, forçando os jogadores menores a comprometerem-se com contratos de longo prazo com provedores de nuvem ou arriscar-se a ser excluídos do mercado inteiramente.

Mas aqui está o que é realmente interessante: enquanto todos lutam por GPUs, houve uma mudança fascinante no cenário de hardware que ainda está sendo amplamente negligenciada. A arquitetura de GPU atual, chamada GPGPU (GPU de Propósito Geral), é incrivelmente ineficiente para o que a maioria das empresas realmente precisa em produção. É como usar um supercomputador para executar um aplicativo de calculadora.

É por isso que acredito que o hardware de inteligência artificial especializado será a próxima grande mudança em nossa indústria. Empresas, como Groq e Cerebras (CBRS ), estão construindo hardware de inferência específico que é 4-5 vezes mais barato para operar do que as GPUs tradicionais. Sim, há um custo de engenharia mais alto inicial para otimizar os modelos para essas plataformas, mas para as empresas que executam grandes cargas de trabalho de inferência, os ganhos de eficiência são claros.

Densidade de Dados e o Surgimento de Modelos Menores e Mais Inteligentes

Mover para a próxima fronteira de inovação em inteligência artificial provavelmente exigirá não apenas mais poder computacional – especialmente para grandes modelos como LCMs – mas também conjuntos de dados mais ricos e abrangentes.

Interessantemente, modelos menores e mais eficientes estão começando a desafiar os maiores, capitalizando em como são densamente treinados nos dados disponíveis. Por exemplo, modelos como FeeFree da Microsoft (MSFT ) ou Gema2B do Google operam com muito menos parâmetros – frequentemente em torno de 2 a 3 bilhões – e ainda alcançam níveis de desempenho comparáveis a modelos muito maiores com 8 bilhões de parâmetros.

Esses modelos menores são cada vez mais competitivos devido à sua alta densidade de dados, tornando-os robustos apesar de seu tamanho. Essa mudança em direção a modelos compactos, mas poderosos, alinha-se com as vantagens estratégicas que as empresas como Microsoft e Google detêm: acesso a conjuntos de dados massivos e diversificados por meio de plataformas como Bing e Google Search.

Essa dinâmica revela duas “guerras” críticas em andamento no desenvolvimento de inteligência artificial: uma sobre o poder computacional e outra sobre a densidade de dados. Embora os recursos computacionais sejam essenciais para impulsionar os limites, a densidade de dados está se tornando igualmente – se não mais – crítica. As empresas com acesso a vastos conjuntos de dados estão singularmente posicionadas para treinar modelos menores com eficiência e robustez sem precedentes, solidificando seu domínio no cenário de inteligência artificial em evolução.

Quem Vencerá a Guerra de Inteligência Artificial?

Nesse contexto, todos gostam de se perguntar quem no atual cenário de inteligência artificial está melhor posicionado para sair vitorioso. Aqui vai algo para pensar.

As grandes empresas de tecnologia vêm pré-comprando clusters inteiros de GPU antes mesmo de sua construção, criando um ambiente de escassez para os jogadores menores. A ordem de 100.000+ GPUs da Oracle e movimentos semelhantes da Meta e Microsoft exemplificam essa tendência.

Ao investir centenas de bilhões em iniciativas de inteligência artificial, essas empresas requerem milhares de engenheiros e pesquisadores de inteligência artificial especializados. Isso cria uma demanda sem precedentes por talentos que só pode ser satisfeita por meio de aquisições estratégicas – provavelmente resultando em muitas startups sendo absorvidas nos próximos meses.

Enquanto 2025 será gasto em R&D e construção de infraestrutura em grande escala para esses atores, em 2026, eles estarão em uma posição para atacar como nunca antes devido a recursos sem igual.

Isso não significa que as empresas de inteligência artificial menores estejam condenadas – longe disso. O setor continuará a inovar e criar valor. Algumas inovações-chave no setor, como os LCMs, provavelmente serão lideradas por atores menores e emergentes no ano que vem, ao lado da Meta, Google/Alphabet (GOOG ) e OpenAI com Anthropic, todas trabalhando em projetos emocionais no momento.

No entanto, é provável que vejamos uma reestruturação fundamental de como as empresas de inteligência artificial são financiadas e valoradas. À medida que o capital de risco se torna mais discriminatório, as empresas precisarão demonstrar caminhos claros para uma economia sustentável – um desafio particular para os negócios de código aberto que competem com alternativas proprietárias bem financiadas.

Para as empresas de inteligência artificial de código aberto, em particular, o caminho à frente pode exigir focar em aplicações verticais específicas onde sua transparência e capacidades de personalização oferecem vantagens claras sobre soluções proprietárias.