Demanda por IA segue em forte alta e pressiona oferta de computação

A demanda por inteligência artificial segue em forte expansão e, segundo a análise divulgada pelo NextBigFuture, esse movimento está redesenhando a economia do setor, pressionando a cadeia de suprimentos e ampliando a disputa por capacidade computacional. O texto se apoia em uma entrevista com Dylan Patel, da Semianalysis, para defender que a procura por modelos avançados, infraestrutura e aplicações de IA continua acelerada em um ritmo que supera a oferta disponível. Nesse cenário, empresas, desenvolvedores e fornecedores de hardware estão lidando com um ambiente de custos elevados, filas de acesso e disputa crescente por recursos críticos.

O ponto central da discussão é que a IA deixou de ser apenas uma promessa tecnológica e passou a ser um motor direto de gastos, investimentos e reorganização de processos. A reportagem destaca que até equipes não técnicas passaram a usar com intensidade ferramentas como Claude e Code, o que indica a penetração da IA em rotinas de trabalho que antes dependiam quase exclusivamente de profissionais especializados. Ao mesmo tempo, empresas de análise e pesquisa do setor, como a própria Semianalysis, viram suas despesas com IA saírem de dezenas de milhares de dólares por ano para uma taxa anualizada de US$ 7 milhões, sinalizando que a adoção deixou de ser marginal e se tornou estrutural.

O avanço do gasto com IA e o novo peso das assinaturas corporativas

Um dos indicadores mais fortes apresentados é o crescimento da receita da Anthropic, que teria saltado de cerca de US$ 9 bilhões para uma faixa de US$ 35 bilhões a US$ 45 bilhões em receita recorrente anual. O texto também afirma que as margens da empresa estão acima de 72 por cento, possivelmente mais altas, porque a demanda é tão forte que a companhia pode aumentar preços, reduzir limites de uso e ainda assim vender todos os tokens disponíveis. Em termos práticos, isso mostra como o modelo de negócios baseado em consumo por token se tornou um eixo central da economia da IA generativa.

Tokens são as unidades de texto processadas por modelos de linguagem. Em vez de vender apenas software fechado, muitas empresas cobram conforme o volume de uso, o que torna o custo diretamente ligado à intensidade das aplicações. Quando a demanda cresce a ponto de modelos operarem próximos da capacidade máxima, surgem limitações de uso, filas e necessidade de contratos corporativos. O texto sugere que contratos empresariais com cobrança por token podem ser uma forma de evitar restrições, o que reforça a ideia de que o acesso aos melhores modelos está se tornando um ativo estratégico.

Essa dinâmica aponta para uma mudança importante no mercado: as empresas que conseguem transformar uso intensivo de IA em valor mensurável estão dispostas a pagar mais, enquanto os fornecedores de modelos avançados passam a concentrar receita em um número menor de clientes de alto valor. O resultado é uma combinação de crescimento acelerado e maior concentração econômica em torno das chamadas fronteiras da IA, isto é, os modelos mais avançados e mais caros de operar.

Da escassez de execução à abundância de ideias

A análise também apresenta uma leitura sobre como a economia do trabalho intelectual estaria mudando. No “mundo antigo”, as ideias eram baratas, mas a execução era cara e difícil. No novo cenário descrito, as ideias continuam abundantes e acessíveis, enquanto a execução se torna mais simples e barata graças aos modelos de fronteira. Essa formulação ajuda a explicar por que a IA é vista por muitas empresas como uma ferramenta capaz de reduzir o custo de implementação de projetos que antes exigiam equipes maiores, mais tempo e maior especialização técnica.

O texto vai além e afirma que apenas ideias realmente fortes justificam o gasto em tokens. Isso significa que, se a execução ficou mais fácil, a principal vantagem competitiva deixa de ser apenas a capacidade de implementar e passa a depender da qualidade da estratégia, da criatividade aplicada e da rapidez para transformar insumos de IA em produtos, serviços ou ganhos operacionais. Na prática, empresas que incorporam IA de forma constante e com metas claras tendem a escalar mais rapidamente do que concorrentes que apenas testam a tecnologia de forma superficial.

Esse ponto é relevante para o mercado corporativo porque sugere uma nova divisão entre organizações que usam IA como ferramenta central e aquelas que permanecem em um estágio experimental. Segundo a lógica apresentada, quem aumentar continuamente a barra de uso e capturar valor de forma agressiva pode crescer de forma desproporcional, enquanto incumbentes que não fizerem isso correm o risco de perder competitividade. Trata-se menos de uma questão de adoção pontual e mais de transformação do próprio modelo operacional.

Robótica humanoide e o possível próximo salto

Outro tema importante da reportagem é a expectativa de avanço em robótica humanoide. O texto atribui a Dylan Patel a previsão de uma possível virada em aprendizado robótico entre 6 e 18 meses, com impacto potencial ao longo de 2027. A tese é que os atuais modelos de visão, linguagem e ação ainda são ineficientes em termos de dados, mas um avanço em aprendizado com poucas demonstrações poderia mudar isso rapidamente. Few-shot learning, ou aprendizado com poucas amostras, é a capacidade de um sistema aprender uma tarefa a partir de uma quantidade reduzida de exemplos.

Se esse tipo de salto ocorrer, a robótica poderá se aproximar mais do comportamento adaptativo de um operador humano em tarefas físicas repetitivas ou padronizadas. O texto menciona a possibilidade de um robô aprender uma tarefa após ver apenas uma ou duas demonstrações, o que, se confirmado, teria implicações profundas para automação industrial, logística e operações em ambientes controlados. A própria Tesla Optimus é citada como possível beneficiária desse cenário, caso o avanço realmente se materialize no período indicado.

Essa perspectiva importa porque conecta software e mundo físico. Até agora, boa parte do impacto econômico da IA ocorreu em tarefas digitais, como escrita, programação, análise de dados e atendimento. Um salto em robótica humanoide poderia expandir esse impacto para áreas onde o trabalho físico ainda é difícil de automatizar. Isso criaria uma nova onda de demanda por modelos, sensores, chips e infraestrutura, além de aumentar o debate sobre substituição de mão de obra e reorganização de cadeias produtivas.

Pressão sobre chips, memória e toda a cadeia de infraestrutura

O texto enfatiza que a demanda está superando a oferta em praticamente todos os pontos da cadeia. A memória DRAM aparece como o maior gargalo de curto prazo, com crescimento de capacidade estimado em apenas 20 a 30 por cento ao ano. Em um mercado em que a demanda cresce muito mais rápido, isso tende a empurrar os preços para cima. A reportagem também afirma que os preços de memória podem dobrar ou triplicar novamente, sinalizando um ambiente de escassez persistente.

A TSMC, uma das principais fabricantes de chips do mundo, teria sua produção esgotada, com todos os espaços de fábrica ocupados e forte pressão para ampliar capacidade. O texto menciona ainda que os investimentos em capital, conhecidos como capex, estão explodindo e podem ultrapassar US$ 100 bilhões em 2028. Capex é a sigla para gastos com infraestrutura, fábricas, máquinas e equipamentos necessários para sustentar a expansão do negócio. No caso da IA, isso inclui desde produção de semicondutores até data centers, refrigeração, redes ópticas e outros componentes críticos.

Outro ponto relevante é a valorização do mercado secundário de GPUs, com destaque para as H100. A vida útil dessas unidades estaria se prolongando para sete ou oito anos ou mais, o que indica que a demanda está tão intensa que equipamentos usados ainda preservam valor elevado. Além disso, o texto aponta pressão sobre componentes como CPU, cobre, placas de circuito impresso, equipamentos de fabricação de wafer e outros insumos da cadeia. Isso mostra que a IA não movimenta apenas empresas de software, mas uma ampla rede industrial global.

Para o setor, a consequência é clara: qualquer restrição em uma etapa da cadeia pode afetar toda a capacidade de expansão. Mesmo com avanços em software, sem chips, memória e capacidade fabril suficientes, o crescimento encontra limites físicos. Por isso, empresas que controlam infraestrutura ou têm acesso preferencial a esses recursos podem ganhar vantagem competitiva importante nos próximos ciclos.

Impactos econômicos, concentração e tensões sociais

Além dos efeitos técnicos e industriais, a notícia aborda implicações econômicas e sociais mais amplas. Um dos conceitos citados é o de phantom GDP, ou PIB fantasma, que descreve um cenário em que a IA eleva muito a produtividade e reduz custos, mas isso não aparece de forma linear nas métricas tradicionais de produto interno bruto. Em outras palavras, o valor real gerado pode aumentar mesmo quando os indicadores convencionais não capturam completamente essa expansão.

O texto também alerta para o risco de formação de uma “classe subalterna de IA”, em que empresas e profissionais que não usam tokens de forma agressiva acabam perdendo competitividade de maneira permanente. A leitura é que, em um ambiente em que a IA multiplica a produtividade por várias vezes, usar a tecnologia apenas de forma limitada pode significar ficar para trás em relação a concorrentes mais rápidos. Essa pressão tende a afetar desde grandes corporações até trabalhadores individuais, exigindo adaptação contínua.

Outro aspecto é a concentração de poder. Se os melhores modelos ficarem restritos a clientes mais ricos ou mais estratégicos, o acesso à fronteira tecnológica será cada vez mais desigual. O texto fala em “model hoarding”, ou acúmulo de modelos, para indicar a retenção de capacidades avançadas por poucos agentes com maior poder de compra. Essa tendência pode aprofundar assimetrias entre grandes empresas, startups bem financiadas e organizações que dependem de ferramentas mais limitadas.

Por fim, a reportagem menciona a possibilidade de protestos públicos contra a IA até o fim de 2026, associados a medo de desemprego, críticas à concentração de poder e desgaste na comunicação de líderes do setor. Embora essa projeção seja especulativa, ela ajuda a mostrar que a expansão da IA não ocorre apenas no plano técnico ou financeiro. Ela também envolve aceitação social, confiança pública e a forma como os benefícios da tecnologia são percebidos por quem sente seus efeitos no trabalho e na renda.

Um setor em aceleração com limites cada vez mais visíveis

O quadro apresentado pelo texto é o de uma indústria em forte expansão, mas submetida a limitações concretas de capacidade, custo e acesso. A demanda por modelos avançados continua crescendo, empresas seguem investindo quantias elevadas e a infraestrutura global tenta acompanhar o ritmo. Ao mesmo tempo, a valorização de chips, memória e serviços de IA mostra que a corrida não é apenas por inovação, mas por controle de gargalos estratégicos.

Em síntese, a notícia reforça que a inteligência artificial já opera como uma força econômica de grande escala, capaz de alterar produtividade, infraestrutura e relações de mercado. O próximo ciclo do setor provavelmente dependerá menos da pergunta sobre se a IA vai continuar crescendo e mais de quem conseguirá acessá-la, operá-la e monetizá-la com eficiência. Nesse ambiente, vencerá quem combinar bons casos de uso, acesso ao melhor modelo e capacidade de transformar execução em resultado concreto.