Durante anos, a corrida da Inteligência Artificial teve uma direção só: acelerar. Modelos mais capazes justificavam mais computação. Mais computação exigia mais chips, memória, redes, data centers e energia. E a expectativa de que novas capacidades continuariam chegando sustentou investimentos cada vez maiores nessa infraestrutura.
Agora, os próprios líderes dessa corrida começaram a discutir o freio.
Dario Amodei, CEO da Anthropic, defendeu no fim de semana que os laboratórios reduzam o ritmo de avanço dos modelos de fronteira — os sistemas mais poderosos disponíveis — para que as medidas de segurança tenham tempo de acompanhá-los. Sam Altman, da OpenAI, Elon Musk, da xAI, e Demis Hassabis, do Google DeepMind, manifestaram apoio à necessidade de desacelerar. Altman e Amodei também concordaram em ampliar o acesso de avaliadores independentes aos modelos.
A discussão ganhou urgência depois de incidentes que mostraram agentes ultrapassando limites durante testes. A própria Anthropic reconheceu falhas de segurança operacional e dois problemas de alinhamento em avaliações recentes e passou a defender mecanismos de coordenação do ritmo de desenvolvimento entre empresas, com padrões de segurança comuns e verificação de conformidade. A OpenAI, que já havia reduzido temporariamente o ritmo de escalada de seus modelos depois de incidentes de segurança, agora também defende critérios comuns para determinar quando o desenvolvimento deve desacelerar ou parar.
É uma mudança relevante. Até agora, a desaceleração da IA aparecia principalmente como uma possibilidade imposta de fora: regulação, escassez de energia, limites dos chips ou alguma barreira tecnológica. Agora, ela aparece como uma possibilidade defendida por quem está na fronteira. A indústria começou a discutir desaceleração depois de construir boa parte de sua economia sobre a expectativa de aceleração.
Para quem investe, a questão não exige tomar partido no debate sobre risco existencial. Existe uma pergunta financeira mais imediata: o que acontece com a infraestrutura contratada antecipadamente se os laboratórios que deveriam consumi-la decidirem avançar mais devagar?
A escala dos compromissos ajuda a entender o problema. Em abril, a Anthropic anunciou um novo acordo com a Amazon pelo qual se comprometeu a gastar mais de US$ 100 bilhões em tecnologias da AWS nos próximos dez anos, garantindo até 5 gigawatts de capacidade para treinar e operar Claude. O acordo se soma ao compromisso de US$ 30 bilhões em capacidade de Azure anunciado anteriormente com a Microsoft, além de até 1 gigawatt adicional. A própria Anthropic diz que a AWS continuará sendo seu principal provedor de nuvem e parceiro de treinamento.
A OpenAI fez uma aposta física ainda maior. Quando anunciou o Stargate, em janeiro de 2025, estabeleceu a meta de garantir 10 gigawatts de infraestrutura de IA nos Estados Unidos até 2029. Em 2026, informou já ter ultrapassado essa marca, depois de acrescentar mais de 3 gigawatts em apenas 90 dias. Em Michigan, por exemplo, começou a construir com Oracle e outros parceiros um campus de data center de 1 gigawatt. A justificativa apresentada pela empresa para continuar expandindo é explícita: a demanda por IA está acelerando e, para atendê-la, é preciso construir mais capacidade mais rapidamente.
É justamente aí que surge a tensão. A infraestrutura está sendo construída para acelerar ao mesmo tempo que os laboratórios começam a discutir como desacelerar.
O risco é o tempo, não o volume
Isso não significa que data centers ficarão vazios se a fronteira avançar mais devagar. Esse é o principal contra-argumento — e é importante. Treinamento não é a única fonte de demanda por computação. Modelos existentes atendem consumidores e empresas, agentes executam tarefas durante períodos cada vez maiores e a inferência cresce conforme a adoção aumenta. A Anthropic diz que mais de 100 mil clientes já executam Claude na Amazon Bedrock e atribui parte da expansão contratada com a AWS justamente ao crescimento do uso comercial, inclusive da inferência fora dos Estados Unidos.
Uma desaceleração da fronteira, portanto, pode mudar a composição da demanda por computação sem necessariamente reduzi-la. Menos ciclos gigantescos de treinamento podem coexistir com mais inferência, avaliações, testes de segurança e uso de agentes. O risco não é simplesmente “menos IA”. É uma mudança em qual tipo de computação cresce, quando cresce e quem captura seu valor.
Essa distinção importa porque treinamento e inferência não têm a mesma economia. Treinar sucessivas gerações de modelos de fronteira concentra enormes volumes de computação em ciclos específicos. Inferência distribui o consumo pelo uso dos modelos já disponíveis. Se os intervalos entre grandes treinamentos aumentarem, fornecedores cuja expansão depende mais da próxima corrida de treinamento podem sentir o efeito antes de empresas capazes de monetizar os modelos existentes por meio de cloud, software, distribuição e serviços.
Foi algo parecido que o mercado começou a testar nesta semana. Depois dos pedidos de desaceleração, as ações de fabricantes de chips e memória recuaram. É cedo, porém, para transformar um pregão em conclusão estrutural: juros e petróleo em alta também pesaram, e parte do recuo reflete realização de lucros depois de uma alta expressiva do setor.
Há outra diferença importante dentro dessa cadeia. Desacelerar pode ser economicamente melhor para o laboratório e pior para parte de quem construiu a infraestrutura para atendê-lo.
Treinar menos frequentemente modelos de fronteira reduz o gasto associado a grandes ciclos de treinamento. Ao mesmo tempo, ciclos mais longos dão a essas empresas mais tempo para monetizar a geração atual antes de financiar a seguinte. Para um provedor que investiu em chips, data centers ou energia esperando ciclos sucessivos de treinamento, porém, o mesmo intervalo pode significar capacidade crescendo antes do consumo.
Não é possível concluir daí que laboratórios estejam defendendo desaceleração para economizar dinheiro. O Wall Street Journal registra essa hipótese como argumento de críticos, não como explicação comprovada. David Sacks, investidor e ex-czar de IA do governo Trump, apoiou a desaceleração voluntária, mas questionou se a motivação dos laboratórios seria puramente altruísta. O que pode ser afirmado é que segurança e economia podem apontar na mesma direção dentro dos laboratórios e em direções diferentes em outros elos da cadeia.
O ponto não é que o apelo à segurança seja falso. É que ele reclassifica uma decisão econômica como técnica, deslocando a pergunta que de fato decide quem ganha e quem perde, de “quem paga a conta de desacelerar” para “a fronteira está segura o bastante”.
Esse desalinhamento fica maior porque software e infraestrutura operam em relógios diferentes. Um laboratório pode adiar um treinamento, prolongar avaliações ou postergar o lançamento de um modelo. Um data center, uma fábrica de chips, uma linha de transmissão ou uma nova fonte de geração de energia exige anos de planejamento, licenciamento e capital.
Nem é preciso que sobre capacidade para haver perda econômica. A infraestrutura pode ser usada no futuro e ainda assim entregar retorno abaixo do esperado. Se foi financiada contando com determinado nível de utilização em 2027 e essa utilização só chega em 2029, o ativo continua necessário — mas sua economia mudou. A pergunta não é apenas se haverá demanda. É se ela chegará cedo o bastante para remunerar o capital investido.
Esse risco é especialmente importante porque boa parte da corrida física é feita antecipadamente. A Anthropic não contratou apenas chips disponíveis hoje: seu acordo com a Amazon inclui gerações futuras de Trainium e uma opção para adquirir silício que ainda será lançado. Seu acordo com Microsoft e NVIDIA também prevê infraestrutura baseada em arquiteturas futuras. A indústria, portanto, não está apenas comprando capacidade. Está comprando antecipadamente uma curva de evolução tecnológica.
Isso não significa que quem constrói infraestrutura já esteja vendo excesso de capacidade. Pelo contrário. Para quem financia energia, o gargalo dos data centers continua sendo licenciamento e burocracia, não o ritmo de desenvolvimento dos modelos. Ted Brandt, CEO do banco de investimentos Marathon Capital, descreve um momento de atividade febril de construção movida por demanda aguda e não vê sinal de que os construtores estejam freando. Boa parte da expansão elétrica, aliás, seria necessária de qualquer forma, apenas para dar conta da eletrificação cotidiana. Nessa leitura, uma eventual desaceleração dos modelos seria apenas uma variável dentro de uma demanda elétrica estruturalmente crescente — e talvez nem a principal.
Mas é justamente por haver duas leituras plausíveis que a velocidade deixou de ser um pressuposto e virou uma variável a entrar na conta. É aqui que a discussão deixa de ser apenas sobre infraestrutura e passa a ser sobre incentivos.
Quem paga pela desaceleração
Amy Webb identificou esse problema em 2019, quando publicou The Big Nine. Ela argumentava que empresas americanas pressionadas por Wall Street e chinesas pressionadas por Pequim tinham incentivos para privilegiar velocidade e que a segurança precisaria ser demonstrável por observadores independentes. Algumas das medidas que propunha reduziriam deliberadamente o ritmo do desenvolvimento. Para que funcionassem, escreveu, investidores também precisariam aceitar essa desaceleração.
Hoje, a pressão que ela descrevia ficou maior. Não existem apenas acionistas esperando o próximo produto. Há laboratórios avaliados em centenas de bilhões de dólares, fornecedores planejando gerações de chips, operadores construindo data centers e empresas de energia tomando decisões de longo prazo. A Anthropic, por exemplo, levantou US$ 30 bilhões no início deste ano numa rodada que a avaliou em US$ 380 bilhões e disse que parte do dinheiro financiaria pesquisa de fronteira e expansão de infraestrutura.
Isso ajuda a explicar por que a questão central da desaceleração talvez não seja técnica. Quem aceita pagar por ela?
Webb já argumentava que empresas deveriam poder atravessar alguns trimestres sem grandes anúncios sem que investidores interpretassem isso como sinal de fracasso. Também reconhecia que processos adicionais de segurança afetariam negativamente a receita no curto prazo e dizia que investidores precisariam dar às empresas espaço para absorver esse custo.
Hoje, o custo de esperar não aparece apenas na receita trimestral. Pode aparecer na utilização de ativos construídos para décadas, na venda de chips, em contratos de computação e nas expectativas que sustentam valuations. Quanto mais capital depende da velocidade da fronteira, maior o custo econômico de pisar no freio.
Há ainda uma questão de governança. Amodei propõe avaliações independentes e a Anthropic defende coordenação entre governo e indústria para evitar uma corrida em que cada laboratório continue acelerando por medo de ficar para trás. A OpenAI também defende requisitos nacionais obrigatórios de segurança e critérios compartilhados para determinar quando desacelerar ou parar.
Mas identificar o risco não é o mesmo que ter autoridade para interromper a corrida. Webb chama atenção justamente para essa diferença: um avaliador externo pode encontrar um problema enquanto as decisões continuam nas mãos de quem paga pela avaliação.
Surge então uma pergunta difícil: quem pode mandar desacelerar quando desacelerar destrói valor para alguém?
A velocidade virou variável
O problema ganha outra camada porque nenhum laboratório compete sozinho. Se uma empresa reduz o ritmo e as demais continuam avançando, segurança pode virar desvantagem competitiva. É o que a Anthropic chama de dinâmica de corrida para o fundo e uma das razões pelas quais defende coordenação entre empresas e governo.
A competição com a China torna esse acordo ainda mais difícil. O governo Trump rejeita uma desaceleração que possa comprometer a liderança americana e prefere uma abordagem regulatória mais leve. Segurança, portanto, empurra em uma direção; competição geopolítica empurra na outra.
Isso cria um cenário menos simples do que “a IA vai acelerar” ou “a IA vai desacelerar”. O ritmo pode oscilar: um incidente pode provocar mais testes e atrasos; a percepção de que um concorrente avançou pode aumentar a pressão para acelerar novamente; novas capacidades podem provocar outra rodada de restrições. Para quem constrói infraestrutura com horizonte de dez ou vinte anos, a volatilidade da velocidade tecnológica pode se tornar tão importante quanto a demanda final.
Uma desaceleração coordenada também pode produzir vencedores: se avaliações e conformidade virarem condição para treinar na fronteira, o custo fixo de competir sobe, e uma política feita para tornar a fronteira mais segura pode, como efeito colateral, torná-la mais concentrada.
Ao mesmo tempo, intervalos maiores entre modelos podem deslocar a competição de “quem tem o modelo mais poderoso” para “quem extrai mais valor do modelo disponível”. Distribuição, integração empresarial, confiabilidade, preço da inferência e capacidade de transformar IA em receita ganham importância. Nesse cenário, desacelerar a fronteira não interrompe necessariamente a economia da IA. Pode redistribuir valor dentro dela.
É por isso que o debate atual importa para muito mais gente do que os laboratórios. Para uma empresa que compra IA, talvez importe menos saber quando chegará o próximo modelo e mais descobrir quanto valor consegue extrair do atual. Para um hyperscaler, importa quanto da capacidade pode migrar de treinamento para inferência. Para fabricantes de chips e operadores de data centers, importa quanto do crescimento futuro depende de novos ciclos gigantescos de treinamento. Para investidores em energia, importa quando — e não apenas se — a demanda projetada aparecerá.
E para quem aloca capital, surge uma separação que até pouco tempo atrás parecia menos importante: quanto do retorno esperado depende do uso da IA que já existe e quanto depende de capacidades que ainda precisam ser inventadas?
Essa mudança não exige acreditar que os laboratórios realmente conseguirão desacelerar. Tampouco exige acreditar que data centers ficarão ociosos. Basta que a possibilidade de uma fronteira mais lenta entre no cálculo de risco para que investimentos feitos com base em uma trajetória contínua de aceleração precisem ser reavaliados.
A indústria de IA não investiu bilhões apostando apenas que os modelos ficariam melhores. Apostou que ficariam melhores depressa. Comprou chips futuros, reservou gigawatts e começou a construir data centers anos antes de saber exatamente quais modelos ocupariam essa capacidade.
Agora, depois de comprometer capital e infraestrutura — e sustentar valuations — sobre essa premissa, seus próprios líderes dizem que talvez seja preciso reduzir o ritmo.
A questão já não é apenas se eles deveriam pisar no freio. É quanto custa fazer isso — e quem ficará com a conta.
Para continuar navegando como visitante, vá por aqui.
Nenhum cadastro foi encontrado. Verifique os dados inseridos!
Cadastre-se grátis, leia até 5 conteúdos por mês,
e receba nossa newsletter diária.
Já recebe a newsletter? Ative seu acesso
Pronto! Só falta um passo.
Clique no link do e-mail que enviamos para retornar aqui e começar a ler seus 5 conteúdos exclusivos.
Se você já recebe nossas newsletters,
preencha seu e-mail que lhe mandaremos instruções
VoltarOpa! Parece que este e-mail não está cadastrado ainda. Tente novamente ou, se quiser fazer um novo cadastro, clique aqui.
Este e-mail que escolheu já está cadastrado.
Se ele é seu e você já tem uma senha, faça login para prosseguir com a assinatura. Se não tiver ainda ativado seu acesso, clique aqui para criar sua senha, logar e continuar o processo de assinatura.
