A IA pode responder à pergunta de US$ 3 trilhões?

Há três anos, David Kane, sócio da Sequoia, foi uma das primeiras pessoas a fazer as contas e calcular o impacto dos gastos titânicos do Vale do Silício em infraestrutura de IA.

Em 2023, ele refletiu sobre a receita anual de GPU da Nvidia de US$ 50 bilhões. Começando com esse número, e acrescentando os custos operacionais dos centros de dados e as margens para os seus operadores, ele deduziu que seriam necessários 200 mil milhões de dólares em receitas para pagar o investimento inicial.

Ele viu isto como um desafio, pedindo aos empreendedores que criassem produtos e serviços de IA para aproveitar toda esta infra-estrutura e gerar receitas. Avançando até hoje, adicione três anos de hiperescala e Cahn obtém um novo número sobre gastos com infraestrutura de IA para 2026: US$ 1,5 trilhão.

Ao todo, ele calcula que a indústria de IA precisaria ganhar US$ 3 trilhões para justificar todos esses chips e outros custos do data center. E isso provavelmente é uma subestimação – o aumento dos custos de memória e o uso de chips estrangeiros ou especializados aumentarão esse número. “Recentemente”, escreve ele, “a receita necessária por GW de CapEx aumentou acentuadamente devido a essas dinâmicas disruptivas e ao aumento dos custos de construção”.

Do outro lado do livro, acredita-se que a Entropy tenha atingido US$ 60 bilhões em ARR, enquanto a OpenAI supostamente faturou US$ 13 bilhões em 2025 (embora em novembro de 2025 tenha dito que foi de US$ 20 bilhões em ARR) e provavelmente fará mais este ano. Mas há claramente uma enorme lacuna a colmatar.

Uma pessoa que nota esta lacuna é Thorsten Slock, economista-chefe da Apollo, uma importante gestora de ativos. Numa nota final, ele salienta que os hiperscaladores – Google, Meta, Microsoft e Amazon – estão todos prevendo uma grande aceleração no seu fluxo de caixa livre em 2028. Ou seja, esperam ver um retorno de todos os chips que compraram.

E se não o fizerem? O comportamento menciona um risco que estamos actualmente a observar através da utilização da IA: mais organizações estão a recorrer a modelos abertos mais baratos, muitas vezes chineses, em vez dos desenvolvidos pela Frontier Labs, e os preços dos tokens estão a cair. O modelo mais recente da OpenAI, segundo o CEO Sam Altman, é 54% mais eficiente em tarefas de codificação. Isso é bom para usuários que estão preocupados com o custo de seus agentes de IA, mas pode ser ruim para empresas que constroem fábricas de tokens, caso os usuários não aumentem drasticamente o uso total de tokens com eles.

Slouk teme que, se a Hyperscale não atingir suas metas de fluxo de caixa, a reação do mercado poderá ser severa –
“Com tanta coisa a depender de tão poucos nomes”, escreve ele, “um pagamento lento não seria apenas um problema sectorial, mas colocaria a economia em risco de recessão e de uma correcção no S&P 500”.

Apenas algo para ter em mente ao direcionar seus agentes de IA para tokens mais baratos.