O custo para rodar aplicações de inteligência artificial está em queda livre. Uma análise da consultoria Jefferies, baseada em dados da Silicon Data, aponta que o preço médio de inferência — o processo de usar um modelo de IA já treinado — caiu 43% em pouco mais de dois meses. O valor por milhão de tokens processados passou de US$ 2,04 no fim de maio para US$ 1,18 no início de agosto, uma dinâmica que contrasta com a escalada de custos no treinamento de modelos de fronteira.

Este movimento não é apenas um ajuste de mercado, mas um sinal de uma mudança estrutural profunda. A competição no setor de IA generativa está deixando de ser uma corrida apenas pelo modelo mais potente para se tornar uma disputa por eficiência e pelo melhor retorno de "inteligência por dólar". A comoditização da IA, antes uma tese de longo prazo, parece estar se materializando em tempo real, com implicações diretas para desenvolvedores, empresas e para a estratégia dos próprios laboratórios de pesquisa.

A equação chinesa

A pressão sobre os preços vem de múltiplas frentes. De um lado, gigantes como OpenAI e Anthropic travam uma batalha direta, com reduções agressivas nas suas tabelas de preços para modelos como GPT-4o e Claude 3.5 Sonnet. Do outro, e talvez mais importante, emerge a força dos modelos de pesos abertos (open-weight) de origem chinesa. Empresas como a DeepSeek estão inundando o mercado com alternativas de custo muito baixo.

Esses modelos, como o DeepSeek V2 Lite, podem não rivalizar em capacidade de raciocínio com os titãs americanos, mas oferecem um desempenho notável para uma vasta gama de tarefas a uma fração do custo. Essa estratégia força a mão dos líderes de mercado, obrigando-os a segmentar suas ofertas e a justificar o prêmio de seus produtos. A leitura é que o mercado se bifurca: de um lado, tarefas complexas que exigem o estado da arte; de outro, um volume massivo de aplicações que priorizam a relação custo-benefício.

O paradoxo do custo-benefício

A redução no custo unitário, no entanto, pode não se traduzir em uma fatura menor para as empresas. O cenário evoca o Paradoxo de Jevons: a melhoria na eficiência de um recurso tende a aumentar seu consumo total, não a diminuí-lo. Com a IA mais barata, novos casos de uso e aplicações mais complexas, como agentes autônomos que "refletem" por horas antes de agir, tornam-se economicamente viáveis.

Isso significa que, embora o preço por token caia, o consumo total de tokens pode disparar. A vantagem competitiva, portanto, desloca-se. Deixa de ser sobre ter acesso ao modelo mais avançado e passa a ser sobre a capacidade de orquestrar diferentes modelos, escolhendo a ferramenta certa para cada tarefa e otimizando a equação entre custo e performance. Para os provedores, o desafio é claro: estimular o uso intensivo da tecnologia para que a receita continue a crescer, mesmo com margens unitárias menores. A era da IA como uma utility, intercambiável e onipresente, parece ter começado.

Com reportagem de Brazil Valley

Source · Xataka