Você acompanha as manchetes sobre IA e reconhece o padrão: clusters maiores, mais GPUs, mais um orçamento de centenas de bilhões de dólares. O treinamento — o processo de ensinar a um modelo tudo que ele sabe — domina o espetáculo. A sabedoria convencional: quem treinar o maior modelo, vence.
Mas a economia já mudou por baixo dessa premissa.
Abril tornou a mudança estrutural impossível de ignorar. No dia 2, a OpenAI migrou o Codex para cobrança por token (tokens — os pedaços de palavras que a IA lê, aproximadamente 3/4 de uma palavra em inglês). No dia 8, a Anthropic lançou Managed Agents a US$ 0,08 por hora de sessão. Ambos seguiram a mudança do Google Vertex AI para cobrança por segundo de computação em fevereiro — um sinal que parecia incremental na época e agora se lê como estrutural. Três empresas, três formatos, uma direção: inference compute — o poder de processamento consumido toda vez que uma IA pensa, escreve ou age — se tornou o custo dominante da indústria.
Treinar um modelo de fronteira custa bilhões, mas acontece uma vez. Inferência acontece a cada segundo. Em 27 de fevereiro, só o ChatGPT processava mais de 2 bilhões de consultas diárias entre 900 milhões de usuários semanais — um número quase certamente maior sete semanas depois. Agentes multiplicam a carga: uma resposta de chat termina em milissegundos, uma sessão de agente roda por horas. O relatório TMT Predictions 2026 da Deloitte (publicado em dezembro de 2025) projetou a inferência consumindo dois terços de toda a computação de IA este ano, contra um terço em 2023. Os sinais de precificação de abril confirmam essa trajetória.
O fosso competitivo agora mora na stack de serving, não no cluster de treinamento. Em 4 de fevereiro, Sundar Pichai revelou durante a call de resultados do Q4 da Alphabet que o Google cortou os custos de serving do Gemini em 78% por meio de otimização de modelo e TPUs customizadas (chips de inferência projetados pelo Google). Essa diferença de eficiência define preços que os concorrentes não conseguem acompanhar: Gemini 2.5 Flash a US$ 0,15 por milhão de tokens de entrada contra o Sonnet 4.6 da Anthropic a US$ 3,00. Uma diferença de 20× impulsionada por silício, não por qualidade de modelo. A redução do Google não veio de um cluster de treinamento maior. Veio de hardware de inferência customizado, destilação e otimização da stack de serving — o encanamento sem glamour que determina quanto uma chamada de API realmente custa.
Mas inferência mais barata carrega um custo oculto. Como o Gartner alertou em uma análise de 14 de março sobre estruturas de custos de IA: "Não confunda a deflação de tokens commodity com a democratização do raciocínio de fronteira." Tokens baratos vêm de modelos destilados — versões enxutas que trocam inteligência por velocidade. Flash não é Opus. A otimização de inferência naturalmente empurra em direção à IA "boa o suficiente", não à mais inteligente.
O mercado já reflete essa divisão. Dados apresentados no HumanX 2026 (25 a 27 de março) mostraram orçamentos empresariais de IA crescendo de US$ 1,2M para US$ 7M entre 2024 e 2026 — apesar de uma queda de 280× nos preços de tokens — porque os times continuam escolhendo modelos mais capazes para trabalho de alto valor. Inferência barata atende volume. Inferência cara atende valor. Ambos os mercados crescem, mas recompensam apostas de infraestrutura completamente diferentes.
E é aqui que a má alocação de capital fica mais nítida. Provedores de nuvem comprometeram aproximadamente US$ 660–690 bilhões em infraestrutura de IA para 2026, a maior parte direcionada a capacidade de treinamento — hardware para produzir a próxima geração de modelos. Mas uma rodada de treinamento de US$ 5 bilhões produz um modelo que serve por meses ou anos. A carga de inferência que ele gera roda a cada segundo, se acumulando conforme agentes estendem sessões de milissegundos para horas. As empresas que investiram cedo em silício específico para inferência agora definem os preços. As empresas que apostaram tudo em mega-clusters de treinamento têm modelos impressionantes e unit economics caras.
Para times escolhendo plataformas hoje, isso muda a decisão. A diferença de qualidade entre os melhores modelos continua diminuindo — Sonnet, GPT-4.1 e Gemini Pro pontuam a poucos pontos de diferença em benchmarks padrão. A diferença de custo de inferência continua aumentando. Sua conta anual depende mais do silício rodando o modelo do que do modelo em si.
A corrida de hardware de IA bifurcou. Quase US$ 700 bilhões fluem para infraestrutura de treinamento que vence uma guerra que já está acabando. Eficiência de inferência vence a próxima. A maior parte desse capital foi parar no lado errado da divisão. ⚙️
