Compute de IA pode ficar 10x mais caro nos próximos anos

A tese central

Dwarkesh Patel argumenta que o preço de compute para IA pode subir 10x ou mais nos próximos anos, mesmo com a oferta crescendo ~3x ao ano. O raciocínio: à medida que os modelos ficam mais inteligentes, eles monetizam melhor a mesma quantidade de compute - e isso empurra o preço de equilíbrio para cima.

Os números que sustentam o argumento

A receita da Anthropic cresceu 10x ano a ano, enquanto o compute dos laboratórios cresce apenas 3x ao ano. Para essa conta fechar, uma combinação de três fatores precisa ocorrer: margens maiores, preço de compute mais alto e mais compute dedicado a inferência (em vez de treinamento).

Os três já estão acontecendo. As margens de inferência da Anthropic teriam subido de ~40% em 2025 para acima de 80% em 2026. Os preços spot de compute subiram 40%+ desde o fundo de fevereiro. E a fração de compute gasto em inferência (que era ~25% na OpenAI em 2024) provavelmente já está em 50% ou mais.

O cálculo do H100 a $250k/ano

Se um modelo de IA atingisse nível humano em engenharia de software e rodasse em um H100 equivalente, esse H100 deveria custar mais de $250 mil por ano - 15x o preço spot atual. Patel argumenta que o efeito de "lump of labor" (a ideia de que mais oferta derruba o preço) provavelmente não se aplica aqui, assim como a imigração de alta qualificação não reduz salários no longo prazo, segundo a economia padrão.

Consequências desse cenário

• Barreira de entrada crescente: se o compute ficar 15x mais caro, será muito difícil para novos entrantes sem receita competirem com os laboratórios de fronteira.
• Efeito Alchian-Allen: quando o custo fixo (compute) sobe, o modelo premium se torna relativamente mais barato. Usar um modelo inferior em compute caro será "extremamente custoso e estúpido", então os melhores modelos poderão cobrar prêmios enormes.
• Aplicações de baixo valor serão expulsas: usos como geração de vídeo curto de baixa qualidade serão precificados para fora do mercado.

Limitações e ressalvas

Patel reconhece que essa previsão se assemelha a erros passados sobre escassez (como a aposta Simon-Ehrlich). Porém, argumenta que a oferta de compute é muito menos elástica que a de commodities: o crescimento de 3x/ano vem de Moore's Law (1,4x), novas fabs (1,2x, limitado por oferta de ferramentas EUV até 2030) e realocação de wafers para IA (1,8x, que deve atingir um teto até o fim de 2027). No longo prazo, quando robôs puderem fabricar computadores a partir de areia e cobre, o preço deve cair novamente.

Economias de escala

O fato de a receita crescer 10x enquanto o compute cresce 3x sugere economias de escala muito fortes no negócio de modelos: o custo de treinamento é pago uma vez e amortizado entre todos os usuários, diferentemente do trabalho humano, onde cada instância precisa ser "treinada" do zero.