Custo de compute pode ficar 10× mais caro nos próximos anos

A tese central

Dwarkesh Patel argumenta que o custo de compute para IA pode ficar 10 a 15 vezes mais caro nos próximos anos. O raciocínio parte de uma observação simples: se um modelo de IA conseguisse replicar um engenheiro de software de nível humano rodando em uma H100, essa GPU deveria custar mais de US$ 250 mil por ano - 15 vezes o preço spot atual.

Por que a receita cresce mais rápido que o compute

A receita da Anthropic cresceu 10x ano a ano, enquanto o compute dos laboratórios cresce apenas 3x ao ano. Para que essa disparidade se sustente, uma combinação de três fatores precisa ocorrer: margens aumentam, o preço do compute sobe, ou uma fração maior do compute vai para inferência (e não para treinamento).

Patel observa que os três já estão acontecendo. As margens de inferência da Anthropic teriam saltado de ~40% em 2025 para possivelmente acima de 80% em 2026. Os preços spot de compute subiram mais de 40% desde o fundo de fevereiro. E a fração de compute dedicada a inferência, que era cerca de 25% na OpenAI em 2024, provavelmente já está em 50% ou mais.

O problema estrutural da oferta

O crescimento de 3x ao ano na capacidade de compute vem da multiplicação de três fatores: 1,4x da Lei de Moore, 1,2x de novas fabs (limitadas pela oferta de ferramentas EUV até pelo menos 2030) e 1,8x da alocação de wafers de ponta para IA (que deve atingir um teto até o fim de 2027, quando a IA passará de 60% para 86% da capacidade N3 da TSMC). Patel considera difícil acelerar qualquer um desses três fatores.

Consequências

• Vantagem para quem tem o melhor modelo: Com compute caro, o efeito Alchian-Allen se aplica - quando um custo fixo alto é adicionado a dois bens de qualidade diferente, o bem premium fica relativamente mais barato. Usar um modelo inferior com compute a US$ 20/hora-H100 seria extremamente ineficiente.
• Barreira de entrada: Se em 2028 a engenharia de software estiver automatizada e o compute custar 15x mais, será muito difícil para quem não tem receita competir por recursos contra os laboratórios de fronteira.
• Aplicações de baixo valor serão precificadas para fora: Usar GPUs para gerar conteúdo de baixo valor (como vídeos curtos de qualidade duvidosa) ficará economicamente inviável.
• Economias de escala fortes: O fato de a receita crescer 10x enquanto o compute cresce 3x indica economias de escala muito fortes no negócio de modelos - o custo de treinamento é amortizado entre todos os usuários, diferente do trabalho humano.

Ressalvas

Patel reconhece que previsões de escassez já erraram antes (como na aposta Simon-Ehrlich sobre commodities), mas argumenta que a oferta de compute é muito menos elástica que a extração de metais. Ele também nota que, em algum ponto futuro, robôs poderão transformar areia de sílica em computadores, e o preço cairá novamente - mas isso não se aplica ao regime atual.