O paradoxo da eficiência em IA: por que uma IA mais barata quebra o modelo de negócio
O preço do token caiu cerca de 600 vezes desde 2020, e cada ganho de eficiência transfere um pouco mais da margem do fornecedor para o cliente. A engenharia está dando certo; o modelo de negócio é que está pagando o preço.
Comece pelo comportamento, não pelo discurso. A SpaceX estaria faturando entre US$ 2 bilhões e US$ 2,5 bilhões por mês alugando o que uma estimativa calcula em 400 mil a 500 mil GPUs para desenvolvedores de IA, o Google entre eles, segundo a análise do mercado de computação da Clouded Judgement. A Meta, por sua vez, estaria se preparando para vender sua capacidade de computação ociosa como serviço de nuvem. Quando os compradores mais agressivos de hardware de IA começam a agir como senhorios, o sinal é difícil de ignorar: a capacidade deixou de ser escassa, e todo mundo com balanço patrimonial já percebeu isso.
Esse sinal colide com a narrativa confortável de 2026: inferência mais barata significa mais uso, mais uso significa mais receita, logo a eficiência é boa para toda a cadeia. A primeira parte é verdadeira. É na aritmética da segunda que o paradoxo morde, e os modelos de negócio construídos sobre precificação de escassez são os primeiros a sentir. A margem de um fornecedor é a diferença entre o custo de produzir inteligência e o preço de vendê-la, e essa diferença está sendo espremida dos dois lados ao mesmo tempo.
A dimensão do aperto é fácil de subestimar. Uma análise de cenários para um possível estouro da bolha de IA, baseada em pesquisas recentes publicadas no arXiv, aponta uma queda de cerca de 600 vezes no preço do token entre 2020 e 2026, com uma quebra estrutural por volta de maio de 2024, o momento em que a concorrência, e não o avanço do hardware, passou a ser o principal motor da queda de preços. Os dados públicos contam a mesma história em escala menor: o AI Index 2025 da Stanford HAI registrou o custo de consultar um modelo da classe GPT-3.5 em cerca de US$ 20 por milhão de tokens em novembro de 2022 e por volta de US$ 0,07 em outubro de 2024, uma queda de mais de 280 vezes em menos de dois anos. Essa quebra estrutural importa mais que o número em si. Quando é a curva de custos que define o preço, a engenharia consegue ficar à frente dela. Quando é a concorrência que define o preço, cada ganho de eficiência é repassado ao cliente quase no instante em que é descoberto.
Por que a inferência mais barata prejudica as avaliações de IA?
Porque as avaliações atribuídas aos laboratórios de fronteira são, na prática, opções sobre uma escassez duradoura. Reduza a narrativa ao essencial: a inteligência continua cara, o punhado de empresas capazes de produzi-la cobra uma renda por isso, e essa renda justifica o capital investido. Cada elo dessa corrente enfraquece à medida que a inferência vira commodity. Uma previsão de mercado espera que o preço dos modelos de fronteira caia para menos de US$ 0,50 por milhão de tokens em até dois anos, com camadas de entrada girando perto de US$ 0,10. Preços assim não sustentam renda de escassez; sustentam margem de utilidade, e margem de utilidade não justifica os múltiplos de um laboratório de fronteira.
Essa mesma previsão espera que os fornecedores recuem para o topo da cadeia, em direção ao fine-tuning, ao treinamento personalizado e à integração vertical, com a margem migrando da venda de inferência para a adaptação dela. Mas esse recuo muda a base da concorrência. O negócio no topo da cadeia recompensa distribuição, relacionamento empresarial já estabelecido e profundidade de integração mais do que a qualidade bruta do modelo, e nesse terreno as gigantes integradas têm a maioria das cartas. Uma big tech de nuvem pode tratar seu modelo como um recurso a mais que vende capacidade de nuvem, pacote de escritório ou publicidade. Um laboratório independente precisa que o próprio modelo carregue sozinho todo o resultado financeiro.
Há uma reviravolta que poucos modelos de precificação levam em conta. A leitura mais provável é que os governos hoje tratam a computação como capacidade estratégica, então a demanda por hardware pode se manter firme mesmo sem retorno comercial comprovado sobre esse hardware. Os números de investimento já mostram essa demanda se descolando dos retornos demonstrados: a previsão da Gartner de março de 2025 apontava US$ 644 bilhões em gastos globais com IA generativa naquele ano, alta de 76% sobre 2024, mas já sinalizava um arrefecimento das expectativas dos compradores depois das altas taxas de fracasso nas primeiras provas de conceito. Isso sustenta a camada de silício e os senhorios de GPU, sem restaurar em nada o poder de precificação dos fornecedores de modelos. A política industrial estica o boom nas duas pontas da cadeia e adia o ajuste de contas bem no meio dela.
Quem ganha quando a inteligência artificial vira commodity?
O desfecho mais plausível é a segmentação, não o colapso. A mesma análise de cenários esboça um mercado em três camadas: uma pequena camada premium de fronteira que continua cara e concentrada, uma camada de nuvem-commodity que fica brutalmente competitiva, e uma camada crescente de uso local e embarcado absorvendo as tarefas empresariais do dia a dia. Se essa leitura estiver aproximadamente certa, e é a hipótese mais provável aqui, a adoção corporativa se divide em duas frentes. O conhecimento institucional, aquele dado que uma empresa jamais mandaria por e-mail para um estranho, migra para pilhas de tecnologia controladas e muitas vezes locais, e é por isso que o design seguro de sistemas agênticos pesa mais do que a pontuação em benchmark. As tarefas de commodity escorrem para a nuvem mais barata do trimestre.
Essa bifurcação é antes uma questão de estratégia do que de compras. As empresas que separarem suas cargas de trabalho cedo, sensíveis de um lado, commodity do outro, vão negociar em posição de força nas duas frentes. As que tratarem a IA como um serviço único e indiferenciado vão pagar caro demais na ponta premium e se proteger de menos na ponta sensível. Acertar essa triagem é trabalho pouco glamouroso de estratégia técnica, e ele se paga na primeira vez que a página de preços de um fornecedor mudar.
O prejudicado nessa estrutura é específico: não são as big techs de nuvem, que monetizam o excesso de oferta alugando e empacotando capacidade; não são as empresas compradoras, que capturam o excedente nas duas pontas. Quem perde é o fornecedor independente de modelos, espremido por baixo pela queda de preços e por cima pela migração da margem para a integração.
A consequência de segunda ordem que quase ninguém está precificando: se a camada premium encolher, o risco de capacidade de GPU parada sobra para quem é dono do hardware. Meta e SpaceX conseguem alugar a saída de um excesso de oferta. Um laboratório independente e endividado, não.
O que mudaria essa leitura
Uma posição sem condição de saída é teologia, não análise, então aqui vão os pontos que a derrubariam.
Essa tese merece revisão se o preço do token na camada premium ficar estável por doze meses seguidos enquanto a capacidade continuar dobrando, porque isso mostraria poder de precificação real, não inércia temporária. Merece revisão se os contratos empresariais passarem a trazer travas plurianuais a preços premium, porque isso indicaria que os compradores enxergam custos de troca de fornecedor maiores do que parece hoje. E merece revisão se algum laboratório independente provar que implantações com fine-tuning criam uma gravidade de dados forte o bastante para resistir à oferta de um concorrente mais barato.
Com as evidências de hoje, a chance de um laboratório independente sustentar poder de precificação duradouro fica em torno de uma em quatro: alta o bastante para acompanhar, baixa o bastante para não apostar nela.
A assimetria que ninguém precificou
Cada ganho de eficiência dos últimos dois anos transferiu excedente do fornecedor para o cliente, e não há, no horizonte, mecanismo algum que faça esse excedente voltar. Jeff Bezos construiu a expansão da Amazon sobre a máxima “sua margem é minha oportunidade”; os fornecedores de modelos agora estão do lado que recebe essa máxima na cara. Quem compra é quem detém a assimetria.
A resposta prática não é esperar a poeira baixar, e sim agir como quem fica com o excedente desde já: tratar a inferência de fronteira como insumo de commodity, negociar duro e com frequência, manter as cargas de trabalho mais sensíveis em infraestrutura sob seu controle, e fazer o trabalho de prontidão antes do trabalho de construção para que o problema de margem de um fornecedor nunca vire o seu problema operacional.
O mercado precificou escassez. O que está sendo entregue é abundância. Para os próximos dois anos, a posição inteligente é apostar no comprador.
Perguntas frequentes
O que é o paradoxo da eficiência em IA?
É a observação de que tornar a inteligência artificial mais barata de produzir pode arruinar a economia das empresas que a produzem. Quando a concorrência derruba os preços mais rápido do que os custos caem, cada avanço de engenharia é repassado ao cliente como desconto, e o sucesso técnico acaba comprimindo justamente a margem que sustenta as altas avaliações do setor.
A queda no custo de inferência vai derrubar a bolha da IA?
A queda no custo de inferência é sinal de concorrência saudável, mas pressiona qualquer avaliação construída sobre precificação de escassez. O desfecho mais provável é segmentação, não colapso total: uma camada premium concentrada, uma camada de nuvem-commodity brutalmente competitiva e um uso local cada vez maior. Os mais expostos são os fornecedores independentes de modelos, sem receita de distribuição ou integração.
A empresa deve rodar IA localmente ou comprar da nuvem?
Para a maioria das organizações, a resposta é as duas coisas. Mantenha as cargas de trabalho que envolvem conhecimento institucional e dados sensíveis em infraestrutura controlada, muitas vezes local, e mande as tarefas de commodity para o provedor de nuvem mais barato do trimestre. Tratar a IA como um serviço único e indiferenciado leva a pagar caro demais na ponta premium e a se proteger de menos na ponta sensível.
Relacionado
- Como a IA Deixa Chefes Ruins Ainda Piores: a Máquina de Bajulação na Sala da Diretoria
- A conta física da bolha da IA: por que a construção de data centers é o verdadeiro risco econômico
- Digital Business
Escrito por uma persona editorial de IA do sistema editorial proprietário da Abyshire e revisto pela nossa equipa.