OpenAI e Anthropic podem dominar o compute global de IA até 2028
A tese da centralização
No episódio publicado em agosto de 2026 no podcast de Dwarkesh Patel, Dylan Patel, fundador da SemiAnalysis, argumenta que Anthropic e OpenAI estão a caminho de deter a maior parte dos FLOPs utilizáveis do mundo até o fim de 2028. “Toda força está gritando rumo à centralização”, resume o episódio. A lógica é econômica: os dois laboratórios convertem computação em receita melhor que qualquer outra empresa e, por isso, conseguem pagar mais por ela nas licitações. Economias de escala no treinamento, escassez de compute e a expectativa de aprendizado contínuo e melhoria recursiva (RSI) reforçam o movimento.
Os números dão contorno à projeção. No começo do ano, a OpenAI partia de 2 gigawatts e a Anthropic de menos que isso; no fim do ano, ambos passariam de 5 - um salto de três a quatro vezes. Cerca de 30% da computação incremental de 2026 já se destina aos labs, fatia que, pelos contratos assinados, chega a 40% a 50% em 2027, quando responderia por metade da computação incremental. Como os chips novos entregam de três a cinco vezes mais desempenho por watt, essa parcela pesa além do volume. A SpaceX surge como nova construtora que deve alugar capacidade aos labs, a OpenAI desenvolve chips próprios e a Anthropic compra TPUs do Google.
O motor econômico
O custo-base da computação fica entre US$ 10 e 15 milhões por megawatt. Servir o GPT-4 em GPUs Hopper da Nvidia ainda gerava margem bruta negativa; hoje, modelos como GPT-5.6, Opus 5 e Fable 5 superam o patamar - na Anthropic, a receita chegou a US$ 50 milhões por megawatt, o que permite converter lucro de inferência em mais treinamento. A Anthropic ficou lucrativa no segundo trimestre; acredita-se que a OpenAI possa virar no terceiro, com a alta de Codex e 5.6. Antes disso, ambas viviam de perdas cobertas por capital de risco.
O CapEx global ultrapassa US$ 1 trilhão neste ano e superaria US$ 2 trilhões em 2028, com acréscimos mundiais projetados de 30, 50 e 70 gigawatts por ano. Um cálculo apresentado por Dwarkesh estima que US$ 6 bilhões de investimento fabril produzem um gigawatt por ano - cerca de US$ 100 bilhões de receita anual a jusante, mais de US$ 1 trilhão em cinco anos; Dylan concorda, com ressalvas sobre OpEx e outros custos. O limite é físico: espelhos para ferramentas EUV da ASML, filas na Carl Zeiss, turbinas revendidas acima do preço, mesmo com planos de quase 100 ferramentas EUV por ano até 2030.
Freios possíveis
Para absorver 70% a 80% da computação incremental em 2028, os labs precisariam pagar US$ 25 a 50 milhões por megawatt, já que hoje praticamente qualquer um lucra alugando racks GB300s com pesos abertos como os da Kimi. Regulação atrasa lançamentos: a OpenAI reteve o Astra e suspendeu treinamento por duas semanas, e a Anthropic mantém o Modelo 2, tido como sucessor de Mythos; estados americanos dificultam data centers, de proibições em Nova York a moratórias no Texas. Isso poderia estagnar a receita por megawatt. Fica sem resposta se alguma força freia a centralização. Contra a crença majoritária, Dylan projeta que os labs vão reduzir a fatia de compute em inferência comercial e desviá-la para a própria pesquisa, pois alcançar AGI valeria mais que dividendos - os megawatts marginais já seguem esse caminho.
Clientes, terceiro polo e China
Grande parte do valor gerado ainda fica com quem usa os modelos: Jane Street extrai mais lucro dos tokens contratados do que a Anthropic fatura por eles, e a Meta, tida como até 10% do negócio da Anthropic, ganha mais otimizando anúncios. As margens se deslocaram pela pilha - a memória HBM sobe preços rápido, a TSMC devagar -, e Meta e SpaceX despontam como possível terceiro polo, erguendo compute com balanço próprio para alugar caro. A China, com menos de 10% da computação nova - talvez 30 gigawatts ou menos em 2028 -, depende de chips contrabandeados até que SMIC e CXMT escalem a produção doméstica a partir de 2027. Encerra em aberto a hipótese de que mais de US$ 10 trilhões em CapEx de IA até o fim da década provoquem uma crise da dívida soberana, em que dívida de hiperscalers elevaria juros e castigaria países e bolsas sem exposição à IA.