Há três anos, David Cahn, sócio da Sequoia, foi uma das primeiras pessoas a fazer as contas e a calcular as implicações dos gastos titânicos do Vale do Silício em infra-estruturas de IA.

Em 2023, ele respondeu à receita anual de GPU relatada pela Nvidia de US$ 50 bilhões. Começando com esse número e adicionando os custos implícitos de funcionamento 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 encarou isso como um desafio, pedindo aos empreendedores que criassem produtos e serviços de IA para utilizar e gerar receita com toda essa infraestrutura. Avançando até hoje, acrescente três anos de hiperescala e Cahn terá um novo número para gastos com infraestrutura de IA para 2026: US$ 1,5 trilhão.

Ao todo, ele calcula que a indústria de IA precisaria faturar US$ 3 trilhões para justificar todos esses chips e outras despesas com data centers. E isso é provavelmente um eufemismo – o custo crescente da memória e o uso crescente de chips exóticos ou específicos irão aumentar esse número. “Recentemente”, escreve ele, “os ganhos exigidos por GW de CapEx aumentaram acentuadamente devido a esta dinâmica de estrangulamento e ao aumento dos custos de construção”.

Do outro lado do livro, acredita-se que a Anthropic tenha atingido US$ 60 bilhões em ARR, enquanto a OpenAI supostamente ganhou US$ 13 bilhões até 2025 (embora em novembro de 2025 tenha dito que estava em US$ 20 bilhões em ARR) e provavelmente ganhará mais este ano. Mas há claramente uma grande lacuna que precisa ser colmatada.

Alguém que cuida dessa lacuna é Torsten Slok, economista-chefe da Apollo, a gigante gestora de ativos. Numa nota recente, ele salienta que os hiperscaladores – Google, Meta, Microsoft e Amazon – prevêem acelerações massivas nos seus fluxos de caixa livres até 2028. Ou seja, esperam ver o retorno de todos os chips que compraram.

E se não o fizerem? Slok observa um risco que estamos vendo atualmente no uso de IA: mais organizações recorrendo a modelos abertos mais baratos, muitas vezes chineses, não aqueles construídos pelos laboratórios de fronteira, e queda geral dos preços dos tokens. O modelo mais recente da OpenAI, de acordo com o CEO Sam Altman, é 54% mais eficiente em termos de tokens em tarefas de codificação. Isso é bom para os usuários que se preocupam com o custo de seus agentes de IA, mas pode ser ruim para as empresas que constroem fábricas de tokens se os usuários não aumentarem enormemente o uso total de tokens com eles.

Slok teme que, se os hiperscaladores não conseguirem cumprir 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 mais lento não seria apenas um problema do sector, mas arriscaria levar a economia a uma recessão e o S&P 500 a uma correcção”.

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