Quando o raciocínio se torna um recurso escasso, quem captura seu valor?

Autor: Frank Fu, IOSG

O "buraco" proposto por David Cahn em 2023 nunca foi preenchido no lado do treinamento. Ele foi preenchido no lado da inferência, e o mercado só começou a levar isso em conta na precificação nas últimas semanas. Quando a Nvidia reorganizou seus relatórios financeiros em torno de "tokens de serviço" e a Cerebras abriu capital com uma demanda 20 vezes maior que a oferta, o debate sobre o gargalo já havia terminado, e a verdadeira questão passou a ser: quando a inferência se tornar um recurso escasso, onde o valor se concentrará na pilha de computação?

1. Seguindo a GPU: da questão de 200 bilhões de dólares à questão de 600 bilhões de dólares

Em 2023, David Cahn, da Sequoia, levantou a questão que paira sobre toda a infraestrutura de IA, conhecida como a "Questão de 200 Bilhões de Dólares". Para cada dólar gasto em GPUs, cerca de outro dólar deve ser gasto em sua alimentação em data centers, o que significa que o investimento de capital (CapEx) anual em GPUs implica que esses chips devem gerar, em última análise, cerca de US$ 200 bilhões em receita para recuperar esse capital. Mesmo com projeções bastante otimistas sobre a receita da IA, ele ainda encontrou uma lacuna de mais de US$ 125 bilhões entre o "investimento" e os "pagamentos reais dos clientes finais". A preocupação é simples: as GPUs estão sendo produzidas em excesso, superando a demanda real.

Um ano depois, a diferença não só não diminuiu como aumentou. Em sua análise subsequente de 2024, Cahn a redefiniu como a "Questão de 600 Bilhões de Dólares", à medida que o investimento de capital dos provedores de hiperescala disparava. A lógica pessimista convergiu para um padrão familiar: a construção excessiva leva ao excesso de oferta, e o excesso de oferta consome capital.

Essencialmente, ambos os artigos fazem a mesma pergunta: quem preencherá essa lacuna? A resposta nunca apareceu no lado do "treinamento" da balança. Ela aparece no lado da inferência, e o mercado só começou a levar isso em consideração na precificação nas últimas semanas.

2. Cerebras IPO e Compressão de Inferência

A Cerebras abriu seu capital na quinta-feira. O IPO recebeu uma subscrição 20 vezes maior que a oferta, com o preço das ações quase dobrando em relação ao aumento final anunciado na quarta-feira. A demanda não surgiu de uma aposta na "próxima assassina da Nvidia", mas de uma constatação mais simples: o mercado está começando a entender que o verdadeiro gargalo da IA é a inferência, e não o treinamento.

A especialidade da Cerebras é uma arquitetura de chip que torna a inferência extremamente rápida. Não se trata de treinamento, mas sim de inferência. É isso que entusiasma Wall Street. O mercado de inferência é recorrente, expandindo-se com o uso. Cada vez que Claude responde a uma pergunta, cada vez que um agente executa uma tarefa, isso consome poder computacional. O treinamento ocorre uma única vez, enquanto a inferência nunca para.

O JP Morgan estima que o mercado de inferência seja de 10 a 50 vezes maior que o de treinamento. Quando as máquinas começam a executar tarefas atribuídas por outras máquinas, ou seja, com a expansão agentiva, a demanda por inferência deixa de crescer com o número de usuários e passa a crescer com o próprio poder computacional.

3. Nvidia redesenha o cenário: a inferência assume o protagonismo.

Se o Cerebras representa o despertar do mercado, então o último relatório trimestral da Nvidia é uma confirmação vinda do topo da cadeia de suprimentos. Na última teleconferência de resultados, Jensen Huang deixou clara uma verdade não dita: a demanda por IA está crescendo exponencialmente. O motivo é simples: a IA ativa chegou. A IA convencional passou da inferência pontual para o raciocínio lógico e agora para a fase ativa, onde pode invocar ferramentas e orquestrar tarefas por conta própria. Huang afirmou: "Os tokens agora são lucrativos". Na era da IA, poder computacional se traduz em receita e lucro.

Isso remodela toda a indústria. O treinamento é um custo único para construir um modelo, enquanto a inferência é o custo recorrente para executá-lo, e o gargalo atual está na inferência, não no treinamento.

A Nvidia incorporou essa decisão em seus relatórios financeiros. Agora, divulga seus resultados em duas plataformas, em vez de uma: Data Center e Edge Computing. O segmento de Data Center (aproximadamente US$ 75 bilhões neste trimestre, +92% em relação ao ano anterior) é subdividido em Hyperscale (aproximadamente US$ 38 bilhões, +12% em relação ao trimestre anterior) e ACIE, que inclui nuvem de IA, industrial e corporativa (aproximadamente US$ 37 bilhões, +31% em relação ao trimestre anterior). Uma nova linha de Edge Computing foi criada: US$ 6,4 bilhões, +29% em relação ao ano anterior, abrangendo os pontos de extremidade onde a IA ativa e a IA física realmente operam, como PCs, estações de trabalho, estações base AI-RAN, robôs e carros.

Atualmente, a computação de borda representa menos de 8% da receita total, mas a Nvidia a elevou a uma "segunda plataforma", ao lado do Data Center. Isso indica que a inferência está se dividindo em duas frentes: inferência em nuvem em data centers e inferência em endpoints na borda, onde a IA precisa ver, se mover e agir no mundo físico. O roadmap segue a mesma lógica: o Vera Rubin, que começará a ser comercializado no terceiro trimestre, pode atingir uma taxa de transferência de inferência até 35 vezes maior que a do Blackwell; Huang também apresentou um novo mercado endereçável total (TAM) de US$ 200 bilhões para a CPU Vera, projetada para cargas de trabalho com agentes. Espera-se que todas as principais empresas do setor migrem completamente para essa tecnologia desde o primeiro dia.

À medida que a empresa mais valiosa do planeta reorganiza suas divulgações financeiras em torno de "tokens de serviço", o debate sobre o gargalo já foi resolvido. O restante deste artigo discute quem captura o valor quando a inferência (em vez do treinamento) se torna um recurso escasso.

Primeiramente, uma clarificação do escopo. Este artigo discute inferência em nuvem, que se refere a GPUs de data centers alugadas que fornecem serviços de token de API. A inferência de endpoints é executada em chips locais dentro dos próprios dispositivos (Jetson, RTX, Drive e AI-RAN da Nvidia), contornando completamente a infraestrutura de locação e agregação de GPUs subjacente. Aqui, considere isso como um fator que impulsiona toda a economia de inferência e reforça o argumento do gargalo, e não como os mercados em que a Hyperbolic e a Venice operam, que são inteiramente baseados na nuvem.

4. A pressão chegou

A Anthropic é o canário na mina de carvão. O uso excede em muito a capacidade pré-configurada, e reclamações sobre o cérebro de Claude estar sendo "extraído" inundam a internet, incluindo respostas limitadas, inferência lenta e janelas de contexto comprimidas. A solução reside claramente no poder computacional: em maio de 2026, a Anthropic assumiu o controle total do data center Colossus 1 da SpaceX, com mais de 220.000 GPUs da Nvidia e mais de 300 megawatts, dedicando-o especificamente à inferência em vez do treinamento.

Essa capacidade desbloqueia uma série de alterações de cotas, cada uma servindo como um sinal. Em 6 de maio, a Anthropic dobrou o limite de cinco horas para o Claude Code, removeu a limitação de taxa durante os horários de pico e aumentou significativamente os limites de taxa da API para o Opus. Em 13 de maio, aumentou o limite semanal para o Claude Code em mais 50% (até 13 de julho). Então, a partir de 15 de junho, fez o oposto de "generoso": separou o uso de agentes e o uso programático (SDK de Agente, modo headless claude -p, pipeline de CI) da assinatura fixa em um pool de créditos com medição independente (variando de US$ 20 a US$ 200 por mês, cobrados de acordo com as taxas da API). Essa etapa final condensou todo o argumento em uma única ação: a velocidade com que os agentes consomem inferência excede em muito a capacidade de projeto das assinaturas fixas, portanto, deve ser precificada de acordo com seu "custo recorrente" original.

O treinamento é um investimento de capital único. A inferência é um custo operacional recorrente, que aumenta a cada novo usuário e a cada novo agente.

5. Esta pilha: seis camadas, um gargalo

Cada aplicação de IA depende de uma cadeia de suprimentos que começa na fabricação de wafers da TSMC e termina no ponto final da API:

A maioria das empresas detém apenas uma camada dessa pilha. A Nvidia detém o silício, a CoreWeave detém o hardware dedicado, a Together AI detém a otimização de inferência e a OpenRouter detém o roteamento da API de modelos.

Há apenas uma exceção.

6. Hyperbolic: A única empresa que abrange três camadas

A Hyperbolic lançou seu mercado de GPUs sob demanda em junho de 2025. Nos primeiros meses, o número de desenvolvedores ultrapassou 200.000, abrangendo laboratórios de IA de ponta, buscas e grandes plataformas de consumo.

Curiosamente, sua arquitetura.

A Hyperbolic não possui uma única GPU. Todas as placas vêm de neoclouds e data centers, incluindo CoreWeave, Lambda Labs, Nebius e operadores menores com capacidade ociosa. Isso pode parecer uma fraqueza, mas na verdade é uma vantagem competitiva.

Ao se posicionar entre fornecedores e consumidores de GPUs, a Hyperbolic consegue visualizar dados em tempo real que outros não conseguem. Ela sabe quem está comprando qual GPU, a que preço e quando. Ela identifica excesso de oferta antes que se torne público e detecta picos de demanda antes que cheguem ao mercado.

Hoje, o próprio diferencial competitivo reside nessa agregação multicloud. A Hyperbolic une a capacidade fragmentada de dezenas de nuvens e data centers independentes em um pool unificado e padronizado, permitindo que os desenvolvedores aluguem as GPUs mais baratas disponíveis em qualquer lugar, sem precisar negociar com cada operadora ou gerenciar diversas contas. Quanto mais nuvens a plataforma conecta, maior a liquidez e mais abrangentes os dados de preços. Além disso, a equipe está explorando como modelar as curvas de preços de GPUs com esses dados e, futuramente, investir seu próprio capital para suavizar a oferta e a demanda, atuando como um formador de mercado para poder computacional físico; porém, esse objetivo ainda está em seus estágios iniciais, e o que realmente está impulsionando o crescimento agora é a camada de agregação.

Este é o volante:

Conectar mais nuvens → Maior oferta agregada

Mais oferta → Mercados mais profundos e dados de preços em tempo real

Dados melhores → Roteamento mais inteligente agora e modelos de preços de longo prazo

Melhor liquidez e preços → Mais desenvolvedores → Mais nuvens querem se conectar

Nenhuma outra empresa está tentando isso. A Hyperbolic é a única empresa que abrange a camada de locação de GPUs, a camada de implantação e a camada de API de modelos.

7. Veneza como um espelho

Venice é a manifestação mais clara da economia de inferência na camada de aplicação e serve como um contraste útil à posição da Hyperbolic. Trata-se de uma aplicação de inferência com foco na privacidade: um conjunto de APIs compatíveis com OpenAI, juntamente com assinaturas para o consumidor (Gratuita/Pro/Pro+/Max), que direcionam solicitações para cerca de 75 modelos, dos quais dois terços são de código aberto ou hospedados internamente (Llama, Mistral, Qwen, DeepSeek), enquanto o restante são repasses anônimos de modelos de ponta de código fechado. A chave é que Venice não possui poder computacional significativo. Ela aluga GPUs de parceiros não divulgados e provedores de computação confidenciais (NEAR AI Cloud, Phala) e paga a laboratórios de ponta pelos repasses, portanto, seu custo real de receita é o poder computacional de inferência, não a hospedagem SaaS.

O que Venice realmente vende é privacidade. A "privatização" aqui não significa transformar poder computacional público em propriedade privada, mas sim envolver a inferência comercializada em uma camada de garantias: nenhuma retenção de dados, nenhum treinamento, anonimização de requisições e algumas cargas de trabalho executadas no TEE (Enterprise Environment), tornando impossível para os operadores verem o texto original. O poder computacional subjacente é de nível comercial, e a margem de lucro vem dessa camada de privacidade. Além disso, essa garantia é estratificada e não homogênea: para modelos de código aberto executados em GPUs sob seu controle ou no TEE, ela pode alcançar computação confidencial quase de ponta a ponta; mas para repasses anônimos de modelos de código fechado como Claude e GPT, a privacidade apenas remove a identidade, enquanto os laboratórios de ponta do outro lado ainda estão processando sua solicitação original. Assim, a privacidade mais forte cobre apenas a parte de código aberto, enquanto a parte do modelo de ponta é "anônima" em vez de "verdadeiramente confidencial". O lucro bruto da Venice é igual ao preço da assinatura menos os custos de inferência pagos posteriormente, e a parcela que ela pode cobrar acima do preço básico da API depende quase inteiramente dessa camada de privacidade adicional, razão pela qual opera com margens estreitas e é limitada por modelos de precificação de ponta.

O design do token encapsulou essa parcela da demanda por inferência. A Venice opera com dois tokens: VVV (staking e acesso à plataforma) e DIEM, este último sendo um crédito de inferência, com cada DIEM equivalente a aproximadamente US$ 1 em poder computacional por dia. Assinaturas pagas acionam recompras programáticas de VVV (Pro / Pro+ / Max aproximadamente US$ 2 / US$ 5 / US$ 10), com as emissões diminuindo de acordo com um cronograma fixo: de 6 milhões → 5 milhões → 4 milhões de VVV por mês, e ajustando-se para 3 milhões em 1º de julho. As recompras são reais, mas discricionárias e ainda pequenas: cerca de US$ 103.000 foram destruídos em abril e maio, e junho está subindo lentamente para cerca de US$ 110.000, bem abaixo da meta mensal de US$ 200.000.

Os fundamentos são mais sólidos do que as manchetes sugerem. O valor divulgado publicamente de "US$ 70 milhões em receita recorrente anual" é quase certamente resultado de uma confusão entre renovações de assinaturas e aquisição líquida de novos clientes; uma faixa observável e defensável situa-se mais próxima de US$ 6 milhões a US$ 15 milhões em receita recorrente anual. Abaixo disso, a tração é real: cerca de 136.000 endereços de carteira únicos, aproximadamente 9,9 milhões de visitas ao site por mês (cerca de 330.000 por dia) e novas assinaturas Pro em torno de 1.400 por dia. Este é um negócio real, mas com margens baixas, cuja rentabilidade é limitada pelo poder computacional que adquire.

É exatamente por isso que a Hyperbolic está posicionada um nível acima. Se Venice é um posto de gasolina, a Hyperbolic é a refinaria. Venice compra poder computacional da mesma oferta limitada da qual todos dependem; a Hyperbolic agrega e padroniza essa oferta fragmentada e a vende para Venice e todos os outros participantes do mercado. À medida que a demanda por inferência cresce, o valor se acumula não apenas para os aplicativos que consomem poder computacional, mas também para a camada que agrega, direciona o poder computacional e captura o custo da receita paga por esses aplicativos.

8. Por que isso importa agora

A Nvidia reorganizou suas finanças em torno de "tokens de serviço". O IPO da Cerebras prova que o mercado entendeu que a inferência é o gargalo. A busca frenética da Anthropic por capacidade demonstra que este é um problema real. A IA física e a IA com agentes amplificarão a demanda em várias ordens de magnitude, abrangendo tanto a nuvem quanto a borda.

Além disso, também resolveu a questão dos "600 bilhões de dólares" sob outra perspectiva. A lógica pessimista de Cahn, de que a construção excessiva leva à superoferta, provavelmente será confirmada. Mas a superoferta é justamente o cenário ideal para agregadores com poucos ativos: quando os preços das GPUs caem e a oferta se fragmenta em dezenas de nuvens, o participante que não possui nenhum hardware e direciona todas as cargas de trabalho para as placas mais baratas disponíveis lucrará com a diferença de preço, enquanto os operadores que detêm GPUs depreciadas arcarão com as perdas. A Hyperbolic está apostando na superoferta em vez de apostar contra ela.

A empresa que prevalecer no final não será aquela com o maior número de GPUs, mas sim aquela que puder informar quais GPUs estão disponíveis, onde e a que preço, direcionando cada carga de trabalho para o local onde ela possa ser executada ao menor custo.

A Hyperbolic está construindo uma empresa desse tipo. Ela não possui GPUs, opera puramente com software, abrange três camadas e, ainda assim, está se tornando a camada de agregação definitiva para poder computacional de inferência.