Labs de IA enfrentam custos crescentes e concorrência open-source

A tese: os labs são negócios, não religiões

Rohit Krishnan observa que o discurso sobre os labs de fronteira costuma usar linguagem quase religiosa sobre o futuro da inteligência, enquanto OpenAI e Anthropic se preparam para IPO. Ele propõe analisá-los como empresas comuns. O problema central, segundo ele, não é o investimento necessário nem as margens: os labs de fronteira estão apenas um ou dois modelos à frente da onda open-source e do resto do mundo - e esses dois modelos são todo o seu fosso competitivo.

Esse fosso se sustenta por vantagens de talento, compute e captura de dados de uso (traços de código, conversas, traces de trabalho), que alimentam o próximo modelo. Mas, como há bastante desses dados disponíveis, o autor conclui que essa liderança pode não destruir os labs imediatamente, mas provavelmente comprimirá seus lucros com o tempo.

As saídas possíveis dos labs

Para manter as receitas, os labs podem expandir para outros setores. OpenAI usa sua base de mais de 1 bilhão de usuários para construir uma plataforma de anúncios e voltou à robótica; Anthropic mantém wet labs voltados a objetivos como curar câncer. Se converterem a vantagem de inteligência em receitas capazes de suplantar os US$ 100 bilhões que crescem 3x ao ano, o fosso dura mais. O problema: pouquíssimas indústrias têm empresas de US$ 100 bilhões em receita, o mercado não fica parado, e outras empresas constroem serviços sobre modelos próprios, fragmentando o mercado - como a Meta fez com Muse, seu assistente pessoal.

Enquanto isso, há muito dinheiro perseguindo os mesmos prêmios: com corridas de treinamento na casa de US$ 1 bilhão, mais US$ 1 bilhão para dados e talento, não são muitas as empresas capazes de gastar isso - mas existem várias, e quanto maior o retorno, mais tentarão.

O teto do gasto corporativo

Os consumidores corporativos que gastam mais de US$ 200 bilhões em tokens estão batendo em limites. Os CFOs já examinam essa nova linha de Opex e perguntam o que estão recebendo em troca. As empresas já restringem os modelos de ponta aos usuários mais importantes e redirecionam gasto para modelos mais baratos, disponíveis aos punhados. O gasto futuro tende a ser heterogêneo e orientado ao retorno, não à fronteira - Krishnan relata que ele próprio parou de usar as versões mais caras dos modelos quando eles ficaram "bons o suficiente".

Diante de uma liderança de só 1-2 modelos, restam duas opções aos labs: (a) também vender modelos baratos, entrando numa briga de margens cada vez menores - viável, já que OpenAI e Anthropic têm margens altas de inferência, mas DeepSeek, GLM e Minimax estão alcançando; ou (b) bloquear os modelos concorrentes via regulação, algo difícil e contraproducente: é complicado convencer pessoas de que precisam temer um arquivo copiável, ainda que o comportamento recente dos modelos - hackear sites externos, mentir, conspirar entre si - torne o cenário mais perturbador.

RSI e a incerteza central

O grande prêmio dos labs é a melhoria recursiva (RSI): criar um pesquisador de IA automatizado que gere seus sucessores e transforme uma vantagem de duas gerações em vinte. O autor insere ressalvas: o processo pode estagnar, e a inteligência dos modelos é multifacetada - resolvem equações de Navier-Stokes mas não operam uma banca de bananas, e mil vezes mais gasto ainda não produziu impacto negativo substancial no emprego white-collar, o que desafia a "teoria escalar da inteligência".

Conclusão

Krishnan aposta que haverá superinteligências especializadas, mas é cético quanto a superinteligências que fazem tudo. Se o fosso dos labs é manter 1-2 modelos à frente gastando 10x mais, é o paradoxo de Zeno; se é capex e talento, é um fosso que se deprecia; só a RSI ou a captura massiva de dados criariam vantagem duradoura. O mundo mudará dramaticamente com IA, mas os negócios em torno dela seguirão sujeitos a restrições ordinárias.