Durante décadas, o software teve uma vantagem poderosa: custo marginal zero — ou seja, depois de pronto, atender mais um usuário não custava nada a mais. Com a IA, essa lógica muda. Cada resposta, imagem ou tarefa executada por um agente consome chips, energia e infraestrutura. Quanto maior o uso, maior a conta.

A tese central de Ben Thompson é que a disputa da IA não será definida apenas por quem cria o modelo mais inteligente, mas por quem consegue produzir inteligência com o menor custo.

Na semana passada, a chinesa Moonshot AI lançou o Kimi K3, o seu mais novo modelo open-weight que vem fazendo frente aos principais modelos de fronteira americanos. Isso quer dizer que ele pode ser baixado e implementado localmente, sem depender de custos de uma API. Na prática, a história não é tão simples. Um modelo aberto pode ser gratuito para baixar, mas não para operar, pois cada resposta ainda consome GPUs, energia, memória e infraestrutura. Ou seja, um modelo open-weight permite que outras empresas evitem o enorme investimento necessário para desenvolvê-lo, mas isso não significa que utilizá-lo seja de graça.

Hoje, os modelos costumam ser comparados pelo preço de cada milhão de tokens. Mas essa métrica pode ser enganosa. Um modelo pode cobrar menos por token, mas precisar gerar muito mais tokens para chegar à resposta correta. Isso se torna especialmente importante com modelos de raciocínio e agentes, que podem executar dezenas de etapas antes de concluir uma tarefa.

Na prática, um modelo chinês com tokens pela metade do preço de um modelo americano pode terminar com um custo igual ou até maior caso seja menos eficiente. Por isso, a pergunta mais importante não é quanto custa cada token, mas quanto custa chegar à resposta certa ou concluir o trabalho.

À medida que diferentes modelos se tornam capazes de executar as mesmas tarefas, parte da inteligência começa a se comportar como uma commodity. Se OpenAI, Anthropic, Google e modelos chineses conseguem criar o mesmo aplicativo ou analisar o mesmo documento, fica mais difícil cobrar muito mais apenas pela qualidade do modelo. Nesse cenário, os vencedores podem aqueles que usam menos computação, memória e tokens para entregar o mesmo resultado.

Além disso, se os modelos começarem a ficar parecidos, a diferenciação precisará acontecer em outra camada. É por isso que produtos como Claude Code e Codex são tão estratégicos. Mesmo que o modelo possa ser substituído, o ambiente no qual as pessoas trabalham, acumulam contexto e criam hábitos é muito mais difícil de trocar. A disputa, portanto, deixa de ser apenas pelo melhor modelo e passa a incluir:

O modelo corre o risco de virar infraestrutura. A experiência, o contexto e a distribuição podem capturar uma parte maior do valor.

Ben argumenta que a estratégia chinesa é bastante racional: tornar a inteligência artificial mais abundante e barata para fortalecer os setores nos quais o país já possui vantagens.

A China domina partes importantes do mundo físico, como manufatura, eletrônicos, drones e robótica. Quanto mais acessíveis forem os modelos, mais rapidamente essas indústrias poderão incorporar inteligência aos seus produtos.

Em vez de necessariamente capturar todo o valor nos modelos, a China pode usar modelos abertos para aumentar o valor de máquinas, fábricas e robôs. É a velha estratégia de comoditizar aquilo que complementa o seu principal negócio.

A principal ameaça não é que os modelos chineses destruam economicamente OpenAI ou Anthropic. É que empresas ocidentais acabem dependendo deles em áreas críticas, como segurança cibernética. Modelos americanos possuem restrições que, em alguns casos, impedem que profissionais de segurança executem tarefas parecidas com ataques. O problema é que essas mesmas capacidades também são necessárias para investigar invasões e encontrar vulnerabilidades. Se os defensores não conseguem utilizar os melhores modelos americanos, podem acabar recorrendo a modelos chineses executados localmente. A tentativa de tornar a IA mais segura pode, paradoxalmente, deixar as empresas mais dependentes de tecnologias estrangeiras para se proteger.

A promessa da IA era simples: substituir trabalho humano por software barato e escalável. Na prática, tem acontecido algo mais estranho: muitas empresas estão gastando fortunas com IA sem conseguir transformar esse investimento em produtividade real. O problema não é a tecnologia, e sim a gestão.

Tokens são as unidades de processamento consumidas pelos modelos de IA. Quanto mais um agente pensa, tenta novamente, chama outras ferramentas ou revisa seu próprio trabalho, mais tokens ele gasta. O artigo compara esse consumo com o crescimento descontrolado de equipes dentro de empresas mal geridas.

Quando ninguém sabe exatamente qual problema precisa ser resolvido, a reação costuma ser colocar mais pessoas, mais reuniões e mais processos. Com agentes acontece a mesma coisa: mais chamadas, mais tentativas e mais loops. Em outras palavras, empresas estão tentando resolver falta de clareza com força bruta.

Agentes que trabalham em ciclos podem ser muito úteis. Mas também podem esconder um problema: a tarefa inicial foi mal explicada. O agente tenta, revisa, pede ajuda para outro agente, volta ao início e continua consumindo recursos. É o equivalente digital de uma equipe que passa o dia discutindo como deveria trabalhar, em vez de produzir alguma coisa.

Por isso, gastar mais tokens não significa necessariamente gerar mais valor. Assim como contratar mais pessoas não resolve uma operação desorganizada, adicionar mais agentes não corrige processos ruins. A IA não elimina a bagunça da empresa. Ela escala essa bagunça instantaneamente.

A parte mais interessante do artigo está na comparação entre evals e OKRs. Evals são testes usados para verificar se uma IA realizou corretamente uma tarefa. No desenvolvimento de software, isso é relativamente simples: o código funciona ou não funciona. Em áreas como marketing, estratégia, atendimento ou gestão, definir o que significa um bom trabalho é muito mais difícil.

Antes de automatizar um processo, a empresa precisa transformar critérios subjetivos em regras claras:

A vantagem competitiva não estará apenas em usar o melhor modelo. Estará em construir avaliações específicas para a realidade de cada negócio. Agentes genéricos estarão disponíveis para todos. O diferencial será ensinar a IA a trabalhar como aquela empresa trabalha.

Há dez anos, estudantes de humanas ouviam que precisavam aprender a programar para continuar relevantes. Agora, são os próprios programadores que temem perder espaço para a IA — enquanto filósofos começam a ser disputados pelas empresas de tecnologia.

Nos EUA, graduados em filosofia registraram uma taxa de desemprego de 5,1% em 2024, abaixo dos 7% entre formados em ciência da computação. Parte dessa demanda vem dos laboratórios de IA, que precisam resolver um problema cada vez mais importante: como fazer máquinas não apenas inteligentes, mas capazes de tomar decisões aceitáveis.

A filosofia ajuda, primeiro, a melhorar o raciocínio dos modelos. O método socrático — questionar premissas, buscar contradições e reconhecer os limites do próprio conhecimento — pode reduzir comportamentos comuns da IA, como concordar demais com o usuário, responder com excesso de confiança e inventar informações. Mas a contribuição mais importante aparece na definição dos valores que orientam os sistemas.

Empresas como Anthropic criam constituições para seus modelos: conjuntos de regras e princípios que funcionam como uma espécie de código moral. A constituição do Claude, por exemplo, mistura ideias de Kant, a Declaração Universal dos Direitos Humanos e até termos de serviço da Apple. Internamente, o documento chegou a ser apelidado de “documento da alma”.

O problema é que não existe uma única resposta sobre qual moral uma IA deve seguir. Duas escolas se destacam, e elas explicam mais do comportamento dos modelos do que qualquer benchmark:

E é aí que a discussão deixa de ser abstrata. Se um acidente for inevitável, quem um carro autônomo deve proteger? Uma IA deve priorizar pessoas mais jovens? Deve considerar danos ambientais ou sofrimento animal? Em quais situações uma regra pode ser quebrada para evitar uma consequência pior?

A grande mudança é que essas perguntas, antes restritas às salas de aula, estão sendo transformadas em decisões de produto, linhas de código e comportamentos de máquinas.

Obrigado por ler o AI Around the Horn.

Perdeu alguma edição? Recupere todos os posts anteriores aqui.