'Quem tem medo dos modelos chineses?' - análise Stratechery
Custos marginais voltam ao centro do jogo
Ben Thompson argumenta que a IA devolve relevância a princípios econômicos clássicos que a era do software havia tornado irrelevantes. Diferente do software tradicional - com custo marginal zero -, a inferência de modelos de IA tem custo real e proporcional à receita. Modelos de pesos abertos como o Kimi K3 não são "gratuitos" para servir: custam US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de tokens de saída, contra US$ 5 e US$ 30 do modelo Sol, da Anthropic.
Tokens não são commodity; inteligência é
Thompson contesta a métrica de "tokens por segundo" promovida por Jensen Huang. Na era do raciocínio (reasoning), modelos diferentes consomem quantidades muito distintas de tokens para chegar à mesma resposta correta. O Kimi, por exemplo, usa significativamente mais tokens que o Sol, anulando sua vantagem de preço por token. O que é fungível é a inteligência produzida - a resposta certa -, não o token individual. O custo por unidade de inteligência depende de fatores como footprint do modelo, eficiência de inferência, uso de memória, otimizações de serving e eficiência de tokens.
Dinâmica de mercados de commodity aplicada à IA
Quando a inteligência se tornar commodity para tarefas economicamente úteis (como construir um app CRUD), o preço será definido pelo fornecedor de pior estrutura de custos que ainda consiga atender à demanda. Quem tiver custo marginal menor lucra mais; quem tiver o pior custo opera no zero e enfrenta risco de falência. Thompson argumenta que a reação exagerada aos modelos chineses ignora que, hoje, a escassez de compute cria um "guarda-chuva de preços" que permite a Anthropic e OpenAI cobrar muito acima do que cobrariam com oferta suficiente. Ele duvida que modelos chineses sejam de fato mais baratos em custo marginal.
Por que os laboratórios de fronteira estão em pânico
Thompson identifica quatro motivos: (1) os labs estão ancorados em modelos financeiros onde custos de treinamento dominavam e exigiam preços altos de inferência para financiar o próximo ciclo; (2) a inteligência aplicada gera dados que retroalimentam o modelo, criando vantagem para quem roda mais inferência; (3) a integração vertical na experiência do cliente (Claude Code, Codex) cria lock-in; (4) no caso da Anthropic, a existência de alternativas abertas contradiz sua premissa ideológica de ser a única confiável.
A estratégia chinesa e a questão da destilação
A China segue a lógica de "comoditizar seus complementos": modelos abertos fortalecem sua liderança em robótica e no mundo físico, enfraquecem os labs americanos e beneficiam adversários dos EUA. A destilação - usar modelos de fronteira como professores para treinar modelos mais baratos - dá aos labs chineses uma vantagem estrutural recorrente. Thompson propõe que os EUA aprovem uma lei que declare coleta de dados para treinamento como fair use e proíba termos de serviço que vetem destilação, nivelando o campo para modelos abertos ocidentais. O único motivo real de preocupação, segundo ele, é a cibersegurança: restrições do governo Trump ao uso de modelos de fronteira para defesa cibernética empurram empresas americanas a depender de modelos chineses, como ocorreu quando a Hugging Face usou o GLM 5.2 da Z.ai para responder a um ataque em sua infraestrutura.