IA precisa de US$ 6 tri até 2031: a conta não fecha

O buraco de US$ 6 trilhões nos data centers de IA

Data centers de IA vão precisar gerar US$ 6 trilhões em receita anual até 2031 para se pagar. O número parece erro de digitação, mas não é. É a conta que a Bain colocou na mesa esta semana para justificar o ritmo atual de construção de infraestrutura. E ela expõe um desconforto que quem opera já sente no dia a dia: estamos levantando prédios, comprando GPU, contratando energia como se a demanda futura fosse garantida, quando na prática ainda estamos tateando preço, caso de uso e adoção real.

Se você constrói produto com IA, roda workload em GPU ou vende automação para empresa, esse número te afeta direto. Porque ele define quanto vai custar inferência daqui a três anos, quem vai sobreviver na briga por capacidade e que tipo de produto realmente consegue pagar a própria conta de infraestrutura. Não é debate macro. É custo, margem e arquitetura.

O fato, sem filtro

A Bain estima que o gasto anual com infraestrutura de IA pode bater US$ 1,5 trilhão em 2031. Isso inclui prédio novo, expansão de capacidade e upgrade de GPU, memória e rede. Para sustentar esse nível de investimento, considerando que capex representa cerca de um quarto da receita, que é o padrão ambicioso observado nos grandes provedores de nuvem, o mercado de IA teria de chegar perto de US$ 6 trilhões por ano.

Dentro dessa conta, a maior fatia não viria de ganho de produtividade. Viria de produto novo, algo em torno de US$ 4,2 trilhões. Aqui entram busca repensada, publicidade, autonomia e IA física. Produtividade empresarial, que é software, vendas, marketing, suporte e operação de TI, contribuiria com US$ 1 trilhão a US$ 1,4 trilhão. Serviços para consumidor, com assinatura e ads, ficariam com US$ 200 bilhões a US$ 400 bilhões. A mensagem é clara: copiloto que economiza meia hora por dia não banca US$ 200 bilhões em concreto e transformador.

O relatório também cita a escala física dessa corrida. Data centers de IA estão dobrando de tamanho a cada 12 a 16 meses. O exemplo usado é o Prometheus, da Meta, em Ohio, com 600MW e custo estimado de US$ 24 bilhões em 2025, que poderia saltar para 2GW e US$ 80 bilhões em 2027, depois para 5GW e até US$ 175 bilhões em 2029, chegando a 9GW e US$ 200 bilhões em 2030. Some a isso gargalo de rede elétrica, disputa por GPU, falta de gente qualificada e pressão regulatória por barulho, água e consumo de energia.

Como funciona na visão de quem opera

Vamos traduzir para arquitetura e dinheiro. Um gasto de US$ 1,5 trilhão por ano não é só chip. É energia firme, subestação, fibra, refrigeração líquida, memória HBM que continua cara e escassa, e rede de baixa latência entre clusters. GPU sozinha não roda nada se a rede entre nós travar ou se a concessionária não entregar megawatt. Por isso o custo por token não cai na mesma velocidade que o marketing promete. O ganho de eficiência do modelo é comido pelo custo de manter tudo ligado, resfriado e atualizado.

A lógica de um quarto da receita para capex também diz muito sobre preço futuro. Provedor de nuvem aguenta esse percentual porque tem receita recorrente, alta margem em software e capacidade de repassar custo. Laboratório de IA puro não tem esse colchão. Então ou ele aumenta preço de API, ou corta margem, ou depende de parceiro com balanço forte. Para quem consome API, isso significa que inferência barata hoje pode ser subsídio temporário para ganhar adoção, não custo estrutural. Planejar produto assumindo que o preço atual vai cair para sempre é arriscado.

A velocidade de absorção virou o gargalo

A Bain chama de velocidade de absorção o ritmo com que empresas conseguem colocar IA para funcionar de verdade. E faz sentido. Não falta modelo, falta integração com dado sujo, workflow quebrado, time que não confia no output e compliance que trava deploy. Os grandes labs já estão gastando mais de US$ 9,75 bilhões em engenharia para ajudar empresa a assimilar mais rápido. Isso é sintoma clássico de tecnologia que chegou antes do processo. O ferro está pronto, o software ainda está em adaptação.

Na prática de operador, absorção lenta mata unit economics. Você provisiona capacidade reservada, paga por GPU ociosa, monta time de plataforma, e o cliente leva nove meses para sair do piloto. Latência de adoção vira custo parado. Por isso estamos vendo movimento para inferência regional, cache agressivo, destilação de modelos e roteamento entre modelo grande e pequeno. Não é capricho técnico, é tentativa de fazer a conta fechar enquanto o caso de uso não escala.

O que isso muda na prática

Quem ganha nesse cenário é quem controla energia, distribuição e demanda real. Donos de rede elétrica, construtoras de data center com licenciamento resolvido, fabricantes de memória e rede, e hyperscalers com contrato enterprise de longo prazo. Quem perde é quem aposta só em wrapper fino sem retenção, com custo de inferência alto e sem diferenciação de dado ou workflow. Se seu produto queima US$ 0,08 por tarefa para gerar US$ 0,10 de valor percebido, você não tem negócio, você tem demonstração cara.

• Reprecifique por tarefa resolvida, não por token. Mapeie custo real por execução completa, com retry, rerank e ferramenta externa, e compare com o preço que o cliente aceita pagar todo mês.
• Desenhe para modelo intercambiável. Separe orquestração, avaliação e dado do modelo base para trocar de fornecedor quando o preço de inferência mudar sem reescrever tudo.
• Evite capacidade reservada longa sem demanda contratada. Prefira commit curto, burst em spot e destilação progressiva até ter uso repetível e previsível.

Uma ação prática para fazer esta semana: rode um teste de custo por mil execuções do seu fluxo principal em três cenários, com modelo grande, com modelo pequeno destilado e com roteamento híbrido. Inclua latência p95, taxa de acerto e custo de retentativa. Na maioria dos casos que eu vejo, o híbrido corta 40 a 70 por cento do custo com perda pequena de qualidade. Esse é o tipo de ajuste que separa quem sobrevive ao repasse de preço de infraestrutura de quem quebra no primeiro reajuste.

A tensão que ninguém quer encarar

Aqui está a dúvida real: e se produto novo de US$ 4,2 trilhões não aparecer a tempo. A Bain fala em descoberta de medicamentos, saúde mental, geração de energia e inteligência abundante criando mercados que hoje não existem. É possível, mas mercado novo leva anos para amadurecer, passar por regulação, criar canal e educar usuário. Infraestrutura está sendo paga agora, com dívida, com contrato de energia de dez anos, com chip que desvaloriza em três. O descasamento de tempo entre capex imediato e receita futura incerta é o coração do risco.

Tem outro ponto incômodo. Produtividade sozinha não paga a conta, mas produto novo também consome mais infraestrutura. Agente autônomo que navega, pesquisa, executa código e chama ferramenta multiplica o número de chamadas por tarefa em 10 ou 20 vezes. IA física, com vídeo, robótica e simulação, é ainda mais pesada. Ou seja, a solução para pagar os data centers pode aumentar o custo dos data centers. Isso escala se o valor por tarefa crescer mais rápido que o custo por tarefa. Se não, a gente só move o gargalo do treino para a inferência e do piloto para a conta de luz.

Hora de operar com a conta na mão

No fim, o recado da Bain é simples e duro: sem uma onda de produtos novos muito maior que mobile e nuvem, a matemática dos data centers não fecha. Para quem constrói, a pergunta que fica não é se IA funciona, e sim qual workload merece GPU dedicada hoje e qual pode esperar.