IA precisa de US$1,1 tri: a conta vai fechar?

A conta dos data centers de IA chegou antes da receita

Data centers de IA viraram o maior centro de custo do setor de tecnologia antes mesmo de provarem que se pagam. Quem opera infraestrutura sabe bem o que isso significa: concreto sendo despejado, contrato de energia de longo prazo assinado, fila de GPU reservada por meses, enquanto o time de produto ainda tenta descobrir qual caso de uso realmente sustenta margem. É nesse intervalo entre o capex e o retorno que mora o risco atual. Não é debate sobre se modelo é bom, é sobre se a operação fecha no fim do mês.

Os números que circulam agora dão dimensão para essa tensão. Até 2027, o gasto acumulado dos hyperscalers para construir capacidade de IA deve chegar perto de 1,1 trilhão de dólares. Para quem acompanha de dentro, não é só um número grande. É compromisso com fornecedor, com obra, com rede elétrica, com refrigeração, com engenharia que não dá para desfazer com um rollback. E a pergunta que fica é simples e incômoda: que crescimento de receita e produtividade seria necessário para justificar tudo isso até 2030.

O fato

Uma análise da professora de finanças Jessica Wachter, da Universidade da Pensilvânia, inverteu a pergunta habitual. Em vez de tentar prever o quanto a IA será adotada, ela partiu de um fato observável: o volume de investimento em data centers. A partir daí calculou qual ritmo de crescimento dos lucros seria preciso para justificar esse gasto até 2027. O resultado é direto. Para empatar até 2030, as empresas de IA precisariam de um salto extraordinário de produtividade, muito acima do padrão histórico do setor.

Em paralelo, a OpenAI Foundation, o braço sem fins lucrativos ligado à OpenAI, anunciou que vai financiar a criação de datasets científicos de alta qualidade para biologia. A ideia veio da analista de políticas Ruxandra Teslo, que propôs no ano passado aproveitar o que chamou de arquivo perdido da biotecnologia: dados de startups de biotech que faliram, incluindo dossiês regulatórios, estratégias de manufatura e dados de segurança obtidos em processos de falência. É um tipo de dado que normalmente se perde quando a empresa fecha, e que poderia ser útil para treinar modelos voltados à cura de doenças.

Para completar o quadro, os CEOs da Nvidia e da Meta, Jensen Huang e Mark Zuckerberg, rejeitaram publicamente os pedidos por uma desaceleração coordenada da IA. Huang chegou a dizer que novas leis de segurança para IA são desnecessárias, enquanto Zuckerberg defendeu que a competição é o caminho. Na prática, isso sinaliza que ninguém com capacidade de construir quer pisar no freio agora, mesmo com a conta subindo.

Como funciona na visão de quem opera

Do ponto de vista de arquitetura, esse trilhão não é só GPU. Quem já cotou um cluster sabe que o chip é talvez metade do problema. O resto é energia firme, subestação, gerador, rede de alta velocidade entre racks, armazenamento rápido para checkpoint de treino, refrigeração líquida e equipe para manter tudo no ar. O capex entra na frente e o opex fica preso por anos em contratos de energia. Latência e throughput viram decisão de planta física, não só de código. Uma vez que você escolhe uma região e assina 100 megawatts, sua margem futura está travada naquela decisão.

Na conta de retorno, o gargalo mudou de treino para inferência. Treinar um modelo de fronteira custa caro, mas é custo único e diluível. Servir milhões de requisições por dia, com latência baixa e disponibilidade alta, é custo recorrente que corrói margem a cada token. Se o preço por token cai por competição enquanto o custo de energia e hardware continua alto, o break even empurra para frente. A inferência plausível aqui, sem tratar como certeza, é que os hyperscalers estão apostando em duas alavancas: aumentar utilização dos clusters ao máximo e empurrar workloads de maior valor, como agentes e usos corporativos, onde dá para cobrar mais por tarefa resolvida e não por token.

No caso da biologia, o problema é inverso. Falta dado bom, limpo e com contexto. Dados de biotech falida são valiosos justamente porque incluem o que deu errado: toxicidade, falha em ensaio clínico, desvio de manufatura, resposta regulatória. Para um modelo, isso vale ouro porque reduz alucinação e ajuda a calibrar risco. Mas operacionalmente é um pesadelo para organizar. São PDFs escaneados, planilhas inconsistentes, formatos diferentes de laboratório, metadados incompletos e questões legais de propriedade. Transformar isso em dataset treinável exige curadoria pesada, padronização de ontologias, anonimização quando necessário e validação com especialistas. Não é só comprar o arquivo no leilão, é construir um pipeline de limpeza que custa tempo e gente cara.

O que isso muda na prática

Quem ganha nesse cenário, no curto prazo, são fornecedores de infraestrutura, energia, construção e quem tem dado proprietário difícil de replicar. Quem perde são times que dependem de inferência barata e abundante para manter um SaaS com margem fina. Se o custo de servir não cair na velocidade que o mercado espera, muito produto que hoje parece viável com API subsidiada vai precisar repensar preço, limite de uso ou arquitetura. Para laboratórios e startups de bio IA, a iniciativa da OpenAI Foundation pode abrir uma fonte nova de dados, mas também concentra poder de curadoria em poucos atores.

• Revise sua dependência de inferência: mapeie custo por tarefa, não por token, e teste cache semântico, roteamento para modelos menores e limites por cliente.
• Trave energia e capacidade com realismo: se você opera GPU própria, negocie utilização mínima e tenha plano para vender capacidade ociosa antes de expandir.
• Prepare-se para dados fechados valerem mais: se você tem dados operacionais ou científicos proprietários, organize e versione agora, porque esse ativo vai se valorizar.

Uma ação prática para fazer nesta semana é rodar um teste de estresse de margem. Pegue seus três fluxos com mais chamadas de modelo, calcule custo real com energia, retries e tokens de raciocínio incluídos, e simule o que acontece se o preço da API subir 30 por cento ou a latência dobrar. Se o produto quebra nesse cenário, você descobriu cedo onde precisa de modelo menor, de fluxo assíncrono ou de cobrança por resultado. É um exercício simples, mas evita surpresa quando o provedor ajustar preço para tentar fechar a própria conta do trilhão.

A tensão que ninguém quer encarar

Aqui está a dúvida real: esse investimento escala ou só move o gargalo de lugar. Mesmo que os modelos fiquem melhores, isso se traduz em produtividade que o cliente paga, ou só em demonstração bonita que aumenta o uso sem aumentar a receita. A história de infraestrutura mostra que excesso de capacidade eventualmente barateia o insumo, o que é ótimo para quem constrói em cima, mas péssimo para quem pagou a obra. Se a receita por usuário não acompanhar, o setor pode ter data centers excelentes operando com margem apertada por anos.

No lado da biologia, a tensão é parecida. Mais dados ajudam, mas dado de empresa falida tem viés de seleção. É dado de quem não conseguiu chegar ao mercado, muitas vezes com molécula problemática ou processo frágil. Isso ensina muito sobre o que evitar, porém não substitui dados positivos de larga escala, bem anotados, de ensaios que funcionaram. O risco é criar um dataset grande, caro de curar, que melhora benchmark acadêmico e muda pouco a decisão clínica real. Resolve o problema da escassez ou só transfere o trabalho para a limpeza e validação.

Conclusão

No fim, temos de um lado uma aposta física de 1,1 trilhão de dólares e do outro uma aposta informacional em dados que ninguém quis preservar. As duas tentam responder à mesma pergunta: de onde virá o valor que paga a festa. Vale acompanhar de perto sua taxa de utilização, seu custo por tarefa e a qualidade dos dados que você realmente controla. Será que estamos construindo capacidade para uma demanda que já existe ou financiando capacidade torcendo para a demanda aparecer.