Conflito de Estratégias | Por que o CEO da IBM, Arvind Krishna, não acredita na visão de Sam Altman de um trilhão de dólares – Renda Bruta Ajustada (AGI) entre zero e um por cento?
Pré-lançamento do Xpert
Seleção de voz 📢
Publicado em: 4 de dezembro de 2025 / Atualizado em: 4 de dezembro de 2025 – Autor: Konrad Wolfenstein
Conflito de Estratégias | Por que o CEO da IBM, Arvind Krishna, não acredita na visão de Sam Altman de um trilhão de dólares – AGI (Inteligência Artificial Geral) de zero a um por cento? – Imagem: Xpert.Digital
Inteligência Artificial Geral (AGI) e matemática implacável: por que o boom dos data centers nunca será lucrativo.
O ciclo de mortalidade de 5 anos: o risco subestimado para a Nvidia, a Microsoft e outras empresas.
Enquanto o Vale do Silício está imerso em uma frenética onda de investimentos sem precedentes, com trilhões sendo despejados na corrida pela superinteligência artificial, um dos CEOs de tecnologia mais experientes do mundo está acionando o freio de emergência. O CEO da IBM, Arvind Krishna, alerta: a aposta não está dando certo.
Uma mentalidade de corrida do ouro toma conta do setor tecnológico global. Corporações como Microsoft, Google e Meta competem entre si em investimentos em novos centros de dados, movidas pelo medo de ficarem para trás na próxima grande revolução tecnológica. A visão é clara: o desenvolvimento de inteligência artificial geral (IAG) igual ou superior à inteligência humana. Mas em meio a essa euforia, uma voz poderosa se ergue, não das fileiras dos críticos da tecnologia, mas do próprio centro do poder: Arvind Krishna, CEO da IBM.
Em uma análise sóbria baseada em pura aritmética, Krishna desmonta a narrativa predominante do Vale do Silício. Seu alerta é tão simples quanto aterrador: os custos de infraestrutura estão explodindo, enquanto o hardware se torna obsoleto mais rápido do que pode ser depreciado. Krishna fala em investimentos de até oito trilhões de dólares americanos que seriam necessários para manter a trajetória atual do desenvolvimento da Inteligência Artificial Geral (IAG) — uma quantia que poderia levar à falência até mesmo as empresas mais ricas do mundo, caso os lucros astronômicos prometidos não se concretizem.
Mas a crítica de Krishna não se limita a números financeiros. Ele questiona a base tecnológica da própria propaganda. Enquanto Sam Altman e a OpenAI retratam a chegada da superinteligência como quase inevitável, Krishna estima a probabilidade de atingir esse objetivo com a tecnologia atual de modelagem de linguagem em larga escala em um alarmante zero a um por cento.
Estaremos diante do maior investimento malsucedido da história econômica? O boom da IA é uma bolha prestes a estourar, ou os céticos estão ignorando o potencial transformador que se encontra além dos balanços patrimoniais? O artigo a seguir examina os argumentos, a matemática implacável da economia dos data centers e o conflito fundamental entre os visionários de uma abordagem "tudo ou nada" e os defensores do realismo pragmático.
Adequado para:
Por que o CEO da IBM prevê o fim do experimento mais caro da história da tecnologia?
O setor tecnológico global pode estar enfrentando um dos maiores investimentos equivocados da história econômica. Enquanto corporações como Microsoft, Amazon, Meta e Google investem centenas de bilhões de dólares na construção de infraestrutura de inteligência artificial, uma voz de alerta surge do coração da indústria de TI. Arvind Krishna, CEO da IBM e na empresa desde 1990, apresentou uma análise econômica fundamental em uma entrevista ao podcast Decoder do The Verge no final de novembro de 2025, que pode abalar a euforia em torno da inteligência artificial geral.
Suas declarações, publicadas em 30 de novembro e 1º de dezembro de 2025, vão ao cerne de um debate que ganha cada vez mais força em conselhos de administração e círculos de analistas. Krishna não está falando de riscos teóricos ou preocupações filosóficas, mas de impossibilidades financeiras concretas que colocam em xeque o atual modelo de investimento no setor de IA. Seus cálculos estão causando preocupação até mesmo entre os observadores mais otimistas do setor, pois se baseiam em aritmética simples e princípios sólidos de negócios.
Adequado para:
A matemática implacável da economia dos centros de dados
Krishna inicia sua análise com uma avaliação sóbria da situação atual dos custos. Um data center com capacidade de um gigawatt exige um investimento de capital de 80 bilhões de dólares americanos, segundo os padrões atuais. Esse valor inclui não apenas a infraestrutura física e os edifícios, mas também todos os equipamentos técnicos, desde servidores e componentes de rede até os processadores gráficos altamente especializados necessários para cálculos de IA.
Nos últimos meses, o setor de tecnologia se comprometeu com uma expansão massiva. Diversas empresas anunciaram publicamente planos para construir entre 20 e 30 gigawatts de capacidade computacional adicional. Ao custo atual por gigawatt, isso resultaria em investimentos totais de pelo menos US$ 1,5 trilhão. Essa quantia é aproximadamente equivalente à atual capitalização de mercado da Tesla e ilustra a enorme escala do empreendimento.
Mas o cálculo torna-se ainda mais drástico quando consideramos as ambições no contexto da inteligência artificial geral desejada. Krishna estima que o caminho para uma verdadeira IAG (Inteligência Artificial Geral) exigiria aproximadamente 100 gigawatts de poder computacional. Essa estimativa baseia-se em extrapolações dos requisitos atuais de treinamento para grandes modelos de linguagem e leva em conta a complexidade exponencialmente crescente que acompanha cada etapa de desenvolvimento. A um custo de US$ 80 bilhões por gigawatt, o investimento total chegaria à impressionante quantia de oito trilhões de dólares americanos.
No entanto, esse valor de investimento representa apenas metade da história. Krishna aponta para um fator frequentemente negligenciado no discurso público: o custo de capital. Com um investimento de oito trilhões de dólares, as empresas precisariam gerar aproximadamente 800 bilhões de dólares em lucro anual apenas para cobrir os juros sobre o capital investido. Esse valor pressupõe uma taxa de juros conservadora de dez por cento, que reflete o custo de capital, os prêmios de risco e as expectativas dos investidores.
O ciclo de declínio de cinco anos do hardware de IA
Um ponto crucial no argumento de Krishna diz respeito à vida útil do hardware instalado. Toda a capacidade computacional deve ser totalmente utilizada em cinco anos, pois, após esse período, o hardware instalado precisará ser descartado e substituído. Essa avaliação está em consonância com observações do setor e é tema de intenso debate nos círculos financeiros.
O renomado investidor Michael Burry, famoso por suas previsões precisas da crise financeira de 2008, levantou preocupações semelhantes em novembro de 2025. Burry argumenta que as grandes empresas de tecnologia estão superestimando a vida útil real de seus hardwares de IA, mantendo, assim, sua depreciação artificialmente baixa. Ele prevê que os processadores gráficos e os chips de IA especializados, na prática, permanecerão economicamente viáveis por apenas dois a três anos antes de se tornarem obsoletos devido às novas e mais poderosas gerações.
O rápido desenvolvimento do setor de semicondutores corrobora essa visão. A Nvidia, fornecedora dominante de chips para IA, lança novas gerações de processadores aproximadamente a cada 12 a 18 meses. Cada geração oferece melhorias significativas de desempenho, tornando rapidamente os modelos mais antigos antieconômicos. Enquanto um servidor convencional em um data center pode ser facilmente utilizado por seis anos ou mais, regras diferentes se aplicam ao hardware específico para IA.
Na prática, o cenário é mais complexo. Algumas empresas ajustaram seus períodos de depreciação. No início de 2025, a Amazon reduziu a vida útil estimada de alguns servidores de seis para cinco anos, alegando o desenvolvimento acelerado na área de IA. Esse ajuste reduzirá o lucro operacional da empresa em aproximadamente US$ 700 milhões em 2026. A Meta, por outro lado, estendeu o período de depreciação para servidores e equipamentos de rede para 5,5 anos, o que reduziu os custos de depreciação em US$ 2,9 bilhões em 2025.
Essas diferentes estratégias ilustram que mesmo empresas que investem bilhões em hardware de IA têm incertezas sobre a duração da viabilidade econômica de seus investimentos. O cenário de cinco anos descrito por Krishna se enquadra na faixa otimista dessas estimativas. Se a vida útil real for mais próxima dos dois a três anos previstos por Burry, os custos de depreciação, e consequentemente a pressão sobre a lucratividade, aumentariam significativamente.
A impossibilidade de retornos lucrativos
A relação entre esses dois fatores leva Krishna ao seu argumento central. Ele acredita que a combinação de custos de capital exorbitantes e ciclos de vida curtos torna impossível alcançar um retorno razoável sobre o investimento. Com custos de investimento de oito trilhões de dólares americanos e a necessidade de gerar 800 bilhões de dólares americanos em lucro anual apenas para cobrir os custos de capital, um sistema de IA teria que gerar receita em uma escala muito superior ao que atualmente parece realista.
Para efeito de comparação, a Alphabet, empresa controladora do Google, teve uma receita total de aproximadamente US$ 350 bilhões em 2024. Mesmo considerando um crescimento agressivo de 12% ao ano, a receita subiria para cerca de US$ 577 bilhões em 2029. A receita total necessária para justificar os investimentos em IA seria muito maior do que esse valor.
A OpenAI, empresa por trás do ChatGPT, projeta uma receita anualizada de mais de US$ 20 bilhões para 2025 e espera atingir centenas de bilhões de dólares até 2030. A empresa firmou contratos no valor aproximado de US$ 1,4 trilhão para os próximos oito anos. Mas mesmo esses números ambiciosos levantam dúvidas. Analistas do HSBC estimam que a OpenAI incorrerá em US$ 792 bilhões em custos de infraestrutura de nuvem e IA entre o final de 2025 e 2030, com compromissos totais de capacidade computacional podendo chegar a cerca de US$ 1,4 trilhão até 2033.
Analistas do HSBC preveem que o fluxo de caixa livre acumulado da OpenAI permanecerá negativo até 2030, resultando em um déficit de financiamento de US$ 207 bilhões. Essa lacuna precisaria ser preenchida por meio de dívida adicional, capital próprio ou geração de receita mais agressiva. A questão não é apenas se a OpenAI pode se tornar lucrativa, mas se todo o seu modelo de negócios, que depende de investimentos maciços em data centers, é viável.
A probabilidade infinitesimal de AGI
Krishna acrescenta uma dimensão tecnológica à sua crítica econômica que é ainda mais fundamental. Ele estima a probabilidade de as tecnologias atuais levarem à inteligência artificial geral entre zero e um por cento. Essa avaliação é notável porque não se baseia em considerações filosóficas, mas sim em uma avaliação sóbria das capacidades e limitações técnicas de grandes modelos de linguagem.
Embora a definição de Inteligência Artificial Geral (IAG) seja controversa, em sua essência, refere-se a sistemas de IA capazes de atingir ou superar as habilidades cognitivas humanas em todo o espectro. Isso significa que um sistema não apenas demonstra conhecimento especializado em áreas específicas, mas também é capaz de transferir conhecimento de uma área para outra, compreender novas situações, resolver problemas de forma criativa e aprimorar-se continuamente sem a necessidade de treinamento adicional para cada nova tarefa.
Krishna argumenta que os grandes modelos de linguagem, que formam o núcleo da atual revolução da IA, têm limitações fundamentais. Esses modelos são baseados em padrões estatísticos em conjuntos de dados textuais massivos e podem ter um desempenho impressionante em tarefas linguísticas. Eles podem gerar textos coerentes, responder a perguntas e até mesmo escrever código de programação. Mas eles não entendem verdadeiramente o que estão fazendo. Carecem de um modelo do mundo, de um conceito de causalidade e de uma capacidade genuína de abstração.
Essas limitações se manifestam em diversas áreas. Os modelos de linguagem frequentemente apresentam alucinações, ou seja, inventam fatos que soam plausíveis, mas são falsos. Eles têm dificuldades com raciocínio lógico em múltiplos estágios e muitas vezes falham em tarefas triviais para humanos, caso essas tarefas não tenham sido incluídas em seu conjunto de dados de treinamento. Eles carecem de memória episódica e não conseguem aprender com seus próprios erros sem re-treinamento.
Cientistas e pesquisadores de diversas áreas compartilham cada vez mais esse ceticismo. Marc Benioff, CEO da Salesforce, expressou ceticismo semelhante em relação à Inteligência Artificial Geral (IAG) em novembro de 2025. Em um podcast, ele descreveu o termo IAG como potencialmente enganoso e criticou a indústria de tecnologia por estar sob uma espécie de hipnose em relação às capacidades iminentes da IA. Benioff enfatizou que, embora os sistemas atuais sejam impressionantes, eles não possuem consciência nem compreensão verdadeira.
Yann LeCun, cientista sênior de IA na Meta, argumenta que grandes modelos de linguagem jamais levarão à Inteligência Artificial Geral (IAG), independentemente do quanto sejam escalados. Ele defende abordagens alternativas que vão além da mera predição de texto, incluindo modelos multimodais do mundo que não apenas processam texto, mas também integram informações visuais e sensoriais para construir representações internas do mundo.
Nossa experiência nos EUA em desenvolvimento de negócios, vendas e marketing
Nossa experiência nos EUA em desenvolvimento de negócios, vendas e marketing - Imagem: Xpert.Digital
Foco da indústria: B2B, digitalização (de IA a XR), engenharia mecânica, logística, energias renováveis e indústria
Mais sobre isso aqui:
Um centro de tópicos com insights e experiência:
- Plataforma de conhecimento sobre a economia global e regional, inovação e tendências específicas do setor
- Coleta de análises, impulsos e informações básicas de nossas áreas de foco
- Um lugar para conhecimento especializado e informações sobre desenvolvimentos atuais em negócios e tecnologia
- Centro de tópicos para empresas que desejam aprender sobre mercados, digitalização e inovações do setor
Bolha da IA ou motor do futuro? A perigosa lacuna entre investimentos, consumo de energia e lucros reais.
O avanço tecnológico necessário
Krishna acredita que alcançar a Inteligência Artificial Geral (IAG) exigirá mais tecnologias do que o caminho atual, baseado em grandes modelos de linguagem, pode fornecer. Ele sugere que integrar conhecimento concreto com modelos de linguagem poderia ser uma abordagem viável. Por conhecimento concreto, ele se refere a conhecimento estruturado e explícito sobre relações causais, leis da física, princípios matemáticos e outras formas de conhecimento que vão além de correlações estatísticas.
Essa perspectiva está alinhada com a pesquisa na área de IA neurosimbólica, que busca combinar a capacidade de reconhecimento de padrões das redes neurais com as capacidades lógicas dos sistemas de IA simbólica. A IA simbólica, baseada em regras e inferência lógica, foi dominante nas primeiras décadas da pesquisa em IA, mas foi superada por abordagens neurais nos últimos anos. A hibridização de ambas as abordagens poderia, teoricamente, produzir sistemas capazes tanto de aprendizado quanto de raciocínio lógico.
Outras direções de pesquisa promissoras incluem IA incorporada, onde os sistemas aprendem por meio da interação com um ambiente físico ou simulado; aprendizado contínuo, onde os sistemas podem expandir suas capacidades sem perder o conhecimento prévio; e sistemas intrinsecamente motivados que exploram e aprendem por conta própria.
Mesmo com essas tecnologias adicionais, Krishna permanece cauteloso. Se questionado se essa abordagem expandida poderia levar à Inteligência Artificial Geral (IAG), ele responderia apenas com um "talvez". Essa cautela ressalta a incerteza que existe até mesmo entre especialistas que trabalham com IA há décadas. O desenvolvimento da IAG não é simplesmente uma questão de poder computacional ou volume de dados, mas pode exigir novas perspectivas fundamentais sobre a própria natureza da inteligência.
Adequado para:
O paradoxo da IA produtiva hoje
Apesar do seu ceticismo em relação à Inteligência Artificial Geral (IAG) e à viabilidade econômica de investimentos massivos em data centers, Krishna não é de forma alguma um pessimista em relação à IA. Pelo contrário, ele fala com entusiasmo sobre as ferramentas de IA atuais e seu impacto no mundo dos negócios. Ele está convencido de que essas tecnologias desbloquearão trilhões de dólares em potencial de produtividade dentro das empresas.
Essa distinção é fundamental para entendermos sua posição. Krishna não duvida do valor da IA em si, mas sim da viabilidade econômica do caminho específico que o setor trilhou. Os sistemas de IA atuais, principalmente os grandes modelos de linguagem, já permitem ganhos de produtividade significativos em diversas áreas sem a necessidade de investir oito trilhões de dólares em infraestrutura.
A própria IBM oferece um exemplo notável desses ganhos de produtividade. Desde janeiro de 2023, a empresa implementou de forma abrangente IA e automação em suas próprias operações e espera alcançar ganhos de produtividade de US$ 4,5 bilhões até o final de 2025. Essa iniciativa, que a IBM chama de Client Zero, englobou a implantação de infraestrutura de nuvem híbrida, tecnologias de IA e automação, além de consultoria especializada em diversas unidades de negócios.
Os resultados concretos dessa transformação são impressionantes. A IBM implementou ferramentas com inteligência artificial no atendimento ao cliente que resolvem 70% das solicitações e melhoram o tempo de resolução em 26%. Em todas as unidades de negócios, aproximadamente 270.000 funcionários foram equipados com sistemas de IA que orquestram fluxos de trabalho complexos e auxiliam os trabalhadores humanos.
Esse tipo de aplicação de IA não exige novos centros de dados gigantescos, podendo ser aproveitada a infraestrutura existente. Ela se concentra em casos de uso específicos nos quais a IA proporciona melhorias demonstráveis, em vez do desenvolvimento hipotético de uma inteligência geral. Essa é a essência do argumento de Krishna: a tecnologia é valiosa e transformadora, mas a abordagem atual de investir trilhões na busca por uma IAG (Inteligência Artificial Geral) não é economicamente sustentável.
Estudos da McKinsey estimam que a IA generativa tem o potencial de gerar entre US$ 2,6 trilhões e US$ 4,4 trilhões em valor econômico anualmente, considerando 63 casos de uso analisados. Ao se levar em conta o impacto da incorporação da IA generativa em softwares atualmente utilizados para outras tarefas, essa estimativa poderia praticamente dobrar. Esses ganhos de produtividade poderiam impulsionar o crescimento anual da produtividade do trabalho em 0,1 a 0,6 ponto percentual até 2040.
As estratégias divergentes das gigantes da tecnologia
Enquanto Krishna expressa suas preocupações, outras gigantes da tecnologia estão redobrando seus investimentos em infraestrutura de IA. Os gastos das quatro grandes empresas ilustram a escala desse ciclo de investimentos. A Microsoft planeja investir aproximadamente US$ 80 bilhões na construção de data centers com IA no ano fiscal de 2025, com mais da metade desse investimento destinada aos Estados Unidos.
A Amazon anunciou investimentos de capital de aproximadamente US$ 125 bilhões para 2025, com a maior parte destinada à inteligência artificial e infraestrutura relacionada para a Amazon Web Services. A empresa já sinalizou que os gastos serão ainda maiores em 2026. A Meta Platforms prevê investimentos de capital entre US$ 70 bilhões e US$ 72 bilhões para 2025, um aumento em relação à sua estimativa anterior de US$ 66 bilhões a US$ 72 bilhões. Para 2026, a empresa indicou que os gastos serão significativamente maiores.
A Alphabet, empresa controladora do Google, prevê investimentos de capital entre US$ 91 bilhões e US$ 93 bilhões para 2025, um aumento em relação à previsão anterior de US$ 85 bilhões. Juntas, essas quatro empresas planejam investir entre US$ 350 bilhões e US$ 400 bilhões em 2025, mais que o dobro do que foi investido há dois anos.
Esses investimentos maciços estão ocorrendo em um ambiente onde as receitas reais de serviços de IA ainda estão muito abaixo das expectativas. A OpenAI reporta receitas anualizadas de mais de US$ 20 bilhões, mas continua sem lucro. A Microsoft gera aproximadamente US$ 13 bilhões em receita anual com IA, com um crescimento de 175% em relação ao ano anterior, enquanto a Meta não consegue reportar um único dólar de receita direta com IA.
A discrepância entre investimento e receita é impressionante. O Morgan Stanley estima que a indústria de IA gastará aproximadamente três trilhões de dólares em data centers até 2028. Em comparação, as receitas atuais são insignificantes. Um estudo do MIT de julho de 2025 constatou que cerca de 95% das empresas que investiram em IA não obtiveram lucro com a tecnologia. O gasto total combinado dessas empresas é estimado em aproximadamente 40 bilhões de dólares.
As vozes crescentes do ceticismo
O alerta de Krishna faz parte de um coro crescente de vozes céticas de vários setores dos mundos da tecnologia e das finanças. Essas preocupações se concentram não apenas nos benefícios econômicos imediatos, mas também nos riscos sistêmicos decorrentes da dinâmica atual dos investimentos.
Economistas apontam que o setor de IA foi responsável por aproximadamente dois terços do crescimento do PIB dos EUA no primeiro semestre de 2025. Uma análise da JPMorgan Asset Management mostra que os gastos com IA em data centers contribuíram mais para o crescimento econômico do que o consumo combinado de centenas de milhões de consumidores americanos. O economista de Harvard, Jason Furman, calculou que, sem os data centers, o crescimento do PIB no primeiro semestre de 2025 teria sido de apenas 0,1%.
Essa concentração de crescimento em um único setor acarreta riscos. Daron Acemoglu, economista do MIT e ganhador do Prêmio Nobel de Economia de 2024, argumenta que o impacto real da IA pode ser significativamente menor do que as previsões do setor sugerem. Ele estima que talvez apenas 5% dos empregos sejam substituídos por IA nos próximos dez anos, muito menos do que as previsões otimistas de alguns líderes do setor de tecnologia.
Diversos fatores intensificam as preocupações com uma bolha. Empresas de tecnologia estão utilizando cada vez mais instrumentos financeiros conhecidos como Sociedades de Propósito Específico (SPEs, na sigla em inglês) para manter bilhões de dólares em despesas fora de seus balanços patrimoniais. Essas SPEs, financiadas por Wall Street, servem como empresas de fachada para a construção de data centers. Essa prática levanta questionamentos sobre a transparência e o risco real assumido pelas empresas.
Sundar Pichai, CEO da Alphabet, descreveu o aumento dos investimentos em IA como um momento extraordinário em uma entrevista à BBC em novembro de 2025, mas também reconheceu certa irracionalidade acompanhando o atual boom da IA. Ele alertou que todas as empresas seriam afetadas se a bolha da IA estourasse. Até mesmo Sam Altman, CEO da OpenAI e um dos mais proeminentes defensores da IA, admitiu em agosto de 2025 que a IA poderia estar em uma bolha, comparando as condições de mercado às do boom da internet e enfatizando que muitas pessoas inteligentes estavam se empolgando demais com um grão de verdade.
Adequado para:
A questão energética como fator limitante
Outro problema fundamental, que Krishna não aborda explicitamente, mas está implícito em seus cálculos de custo, diz respeito ao fornecimento de energia. Um data center de 100 gigawatts exigiria aproximadamente 20% da geração total de eletricidade dos Estados Unidos. Este não é um desafio trivial, mas um potencial gargalo que poderia comprometer toda a visão do projeto.
A Agência Internacional de Energia prevê que a demanda global de eletricidade proveniente de data centers poderá mais que dobrar até 2030, passando de aproximadamente 415 terawatts-hora em 2024 para entre 900 e 1.000 terawatts-hora. A inteligência artificial poderá representar de 35% a 50% do consumo de eletricidade de data centers até 2030. Nos Estados Unidos, a demanda de eletricidade de data centers deverá aumentar de 35 gigawatts para 78 gigawatts até 2035, representando 8,6% do consumo de eletricidade do país.
Essa demanda surge em um momento em que muitos países estão tentando descarbonizar suas redes elétricas e aumentar a participação de energias renováveis. O desafio é que os data centers exigem um fornecimento constante de energia, 24 horas por dia, 365 dias por ano. Isso torna a transição para energias renováveis mais complexa, já que a energia eólica e solar são intermitentes e exigem soluções de armazenamento ou capacidade de reserva.
Prevê-se que as emissões de carbono dos centros de dados aumentem de 212 milhões de toneladas em 2023 para potencialmente 355 milhões de toneladas em 2030, embora esse número varie consideravelmente dependendo da velocidade de implementação de soluções de energia limpa e das melhorias na eficiência. Um único processo de geração de imagens por IA consome tanta eletricidade quanto uma carga completa de um smartphone. O processamento de um milhão de tokens produz tanto dióxido de carbono quanto um carro a gasolina percorrendo de 8 a 32 quilômetros.
A IA generativa requer cerca de sete a oito vezes mais energia do que as cargas de computação tradicionais. O treinamento de grandes modelos de IA pode consumir tanta eletricidade quanto centenas de residências ao longo de vários meses. Essa intensidade energética significa que, mesmo que os recursos financeiros para construir grandes centros de dados estivessem disponíveis, a infraestrutura física para alimentar essas instalações poderia não estar pronta a tempo.
Adequado para:
Caminhos tecnológicos alternativos e sua importância
O debate em torno das limitações dos modelos de linguagem em larga escala levou a um aumento nos esforços de pesquisa em campos alternativos. A computação quântica é vista por alguns como um potencial avanço que poderia superar as limitações atuais. Em outubro de 2025, o Google apresentou seu chip quântico Willow, que alcançou uma vantagem quântica verificável. Esse foi um marco que transcendeu os limites da física clássica e abriu novas possibilidades em áreas como medicina, energia e inteligência artificial.
Os computadores quânticos operam com princípios completamente diferentes dos computadores clássicos. Eles utilizam bits quânticos, ou qubits, que podem existir em múltiplos estados simultaneamente, possibilitando computações paralelas em uma escala impossível para os sistemas convencionais. No entanto, os computadores quânticos enfrentam desafios significativos, particularmente a decoerência, que afeta a estabilidade dos qubits.
Avanços recentes na estabilização de qubits sugerem que computadores quânticos escaláveis podem se tornar realidade nos próximos anos. Empresas como a PsiQuantum planejam colocar em operação computadores quânticos 10.000 vezes maiores que o Willow antes do final desta década — computadores grandes o suficiente para abordar questões importantes sobre materiais, medicamentos e os aspectos quânticos da natureza.
A convergência da computação quântica e da inteligência artificial poderia, teoricamente, abrir novas possibilidades. Os algoritmos quânticos apresentaram melhorias de mais de 200 vezes na simulação de importantes medicamentos e materiais. Alguns especulam que a combinação de inteligência artificial global (IAG) e computação quântica poderá ser possível dentro de um a dois anos, seguida pela superinteligência artificial em cinco anos.
Outras direções promissoras de pesquisa incluem arquiteturas de computação óptica que usam luz em vez de eletricidade para alimentar os chips. Uma arquitetura chamada Multiplicação Paralela de Matrizes Ópticas (Parallel Optical Matrix-Matrix Multiplication), apresentada em novembro de 2025, pode eliminar um dos maiores gargalos no desenvolvimento atual de IA. Ao contrário dos métodos ópticos anteriores, ela realiza múltiplas operações de tensores simultaneamente com um único pulso de laser, o que pode aumentar significativamente a velocidade de processamento.
Posicionamento estratégico da IBM
A posição de Krishna é particularmente interessante quando analisada no contexto da estratégia da IBM. Nos últimos anos, a IBM mudou conscientemente seu foco, deixando de lado um negócio puramente de hardware e infraestrutura e se voltando para software empresarial, serviços em nuvem e consultoria. A empresa vendeu grande parte de seus negócios tradicionais de TI e se concentrou em soluções de nuvem híbrida e aplicações de IA para empresas.
Essa direção estratégica difere fundamentalmente das abordagens da Microsoft, Amazon, Google e Meta, que estão investindo pesadamente na construção de suas próprias infraestruturas. A IBM, por sua vez, concentra-se em ajudar as empresas a implementar IA em seus próprios termos, com transparência, opções e flexibilidade. Essa filosofia reflete a crença de que nem todas as empresas usarão uma única nuvem pública e que, em particular, setores regulamentados e empresas fora dos Estados Unidos preferirão abordagens híbridas.
A crítica de Krishna aos investimentos maciços em infraestrutura pode, portanto, ser entendida como uma defesa implícita da abordagem da IBM. Se a busca pela Inteligência Artificial Geral (AGI) por meio de trilhões de dólares em investimentos em data centers não for de fato economicamente viável, isso confirmaria a estratégia da IBM de se concentrar em casos de uso específicos que criem valor e que possam se basear em infraestrutura existente ou moderadamente expandida.
Ao mesmo tempo, a IBM está fortemente envolvida em áreas como a computação quântica, que pode representar a próxima onda tecnológica. A empresa está investindo significativamente no desenvolvimento de computadores quânticos e trabalhando em parcerias com outras empresas de tecnologia para impulsionar essa tecnologia. Isso sugere que Krishna não é contra a inovação ou metas tecnológicas ambiciosas, mas sim contra uma abordagem específica que ele considera economicamente inviável.
🎯🎯🎯 Beneficie-se da vasta experiência quíntupla da Xpert.Digital em um pacote de serviços abrangente | BD, P&D, XR, RP e Otimização de Visibilidade Digital
Beneficie-se da ampla experiência quíntupla da Xpert.Digital em um pacote de serviços abrangente | P&D, XR, RP e Otimização de Visibilidade Digital - Imagem: Xpert.Digital
A Xpert.Digital possui conhecimento profundo de diversos setores. Isso nos permite desenvolver estratégias sob medida, adaptadas precisamente às necessidades e desafios do seu segmento de mercado específico. Ao analisar continuamente as tendências do mercado e acompanhar os desenvolvimentos da indústria, podemos agir com visão e oferecer soluções inovadoras. Através da combinação de experiência e conhecimento, geramos valor acrescentado e damos aos nossos clientes uma vantagem competitiva decisiva.
Mais sobre isso aqui:
Produtividade sim, Inteligência Artificial Geral (IAG) não: Por que projetos de IA direcionados podem ser mais lucrativos do que megaprojetos.
A perspectiva da liderança da OpenAI
O ceticismo de Krishna contrasta diretamente com as declarações públicas de Sam Altman, CEO da OpenAI. Altman tem enfatizado repetidamente que a OpenAI está preparada para fazer investimentos maciços para alcançar a Inteligência Artificial Geral (AGI). A empresa firmou acordos que totalizam aproximadamente US$ 1,4 trilhão nos próximos oito anos, incluindo contratos significativos com a Oracle, a Broadcom e outros parceiros.
Altman prevê que a OpenAI atingirá receitas anuais na casa das centenas de bilhões de dólares americanos até 2030. Essa projeção se baseia na premissa de que a demanda por serviços de IA crescerá exponencialmente à medida que os sistemas se tornarem mais poderosos. O modelo de negócios da OpenAI depende da disposição de empresas e indivíduos em pagar quantias substanciais pelo acesso a recursos avançados de IA.
Krishna afirmou no podcast que entende a perspectiva de Altman, mas não a compartilha. Essa é uma maneira notavelmente diplomática de colocar a questão, sugerindo que ele respeita a visão da OpenAI, mas faz suposições fundamentalmente diferentes sobre sua viabilidade tecnológica e econômica. Krishna responde à pergunta sobre se a OpenAI pode gerar retorno sobre seus investimentos com um claro "não".
Essa divergência representa um conflito fundamental na indústria de tecnologia entre aqueles que acreditam em uma IAG (Inteligência Artificial Geral) transformadora iminente e estão preparados para investir somas astronômicas, e aqueles que são mais céticos e preferem uma abordagem incremental e economicamente mais sustentável.
Adequado para:
O papel da política de depreciação e das normas contábeis
O debate em torno da vida útil real do hardware de IA levanta questões fundamentais sobre contabilidade e transparência. A forma como as empresas depreciam seus ativos impacta diretamente seus lucros declarados e, consequentemente, os preços e avaliações de suas ações.
Michael Burry argumenta que as grandes empresas de tecnologia superestimam a vida útil de seus chips de IA para manter a depreciação baixa e inflar os lucros. Por exemplo, se a Meta investir US$ 5 bilhões em um novo rack de servidores Nvidia Blackwell em 2025 e depreciá-lo ao longo de 5,5 anos, os custos anuais de depreciação serão distribuídos por aproximadamente US$ 909 milhões. No entanto, se a vida útil real for de apenas três anos, a depreciação anual deverá ser em torno de US$ 1,67 bilhão — uma discrepância significativa.
Burry estima que essa maior vida útil poderia aumentar os lucros de diversas grandes empresas em um total de US$ 176 bilhões entre 2026 e 2028. A Nvidia contestou essas afirmações em um memorando interno de novembro de 2025, argumentando que os provedores de hiperescala depreciam as GPUs ao longo de um período de quatro a seis anos, com base na longevidade real e nas tendências de uso. A empresa ressaltou que GPUs mais antigas, como a A100 lançada em 2020, continuam sendo usadas com altas taxas de utilização e mantêm um valor econômico significativo.
A realidade provavelmente se encontra em algum ponto intermediário. As GPUs certamente podem funcionar fisicamente por mais de três anos, mas seu valor econômico pode declinar rapidamente à medida que modelos mais novos e eficientes chegam ao mercado. Um fator crucial é a cascata de valor: GPUs mais antigas, que não são mais ideais para treinar os modelos mais recentes, ainda podem ser úteis para tarefas de inferência e para executar modelos já treinados. Elas também podem ser usadas para aplicações menos exigentes ou vendidas em mercados secundários.
Essas nuances dificultam uma avaliação clara. A CoreWeave, provedora de nuvem focada em IA, estendeu o período de depreciação de suas GPUs de quatro para seis anos em janeiro de 2023. Os críticos veem essa decisão como uma tentativa de aumentar artificialmente a lucratividade. Os defensores, por outro lado, argumentam que o uso real do hardware justifica períodos mais longos.
As dimensões sociais e políticas
O debate em torno dos investimentos em IA também possui uma dimensão política e social. David Sacks, capitalista de risco e assessor da Casa Branca para criptomoedas e IA, alertou em novembro de 2025 que uma reversão do boom de investimentos em IA poderia levar a uma recessão. Suas palavras sugerem que a economia se tornou tão dependente desses investimentos que uma paralisação ou desaceleração significativa teria consequências macroeconômicas substanciais.
Essa dependência levanta a questão de se a sociedade se colocou numa situação em que é forçada a continuar investindo, independentemente da viabilidade econômica, simplesmente para evitar um choque repentino. Essa seria uma dinâmica clássica de bolha, onde considerações econômicas racionais são ofuscadas pelo medo das consequências do estouro da bolha.
A concentração de investimentos e recursos em IA também levanta questões sobre custos de oportunidade. Os trilhões destinados a centros de dados de IA poderiam, teoricamente, ser usados para outras prioridades sociais, desde a melhoria dos sistemas educacionais e a expansão da energia renovável até a resolução de déficits de infraestrutura. A justificativa para essa alocação maciça de recursos depende da concretização dos benefícios prometidos.
Ao mesmo tempo, a IA já está demonstrando efeitos positivos. Na Alemanha, segundo um estudo da IBM de novembro de 2025, dois terços das empresas relatam ganhos significativos de produtividade por meio da IA. As áreas com os maiores aumentos de produtividade relacionados à IA incluem desenvolvimento de software e TI, atendimento ao cliente e automação de processos de negócios. Aproximadamente um quinto das empresas na Alemanha já atingiu suas metas de ROI por meio de iniciativas de produtividade impulsionadas por IA, e quase metade espera um retorno sobre o investimento em doze meses.
Esses números mostram que a IA de fato cria valor econômico, mas também corroboram o argumento de Krishna de que esse valor não resulta necessariamente da busca por uma IAG (Inteligência Artificial Geral) com investimentos de trilhões de dólares, mas sim de aplicações mais direcionadas e específicas.
A perspectiva histórica das transformações tecnológicas
Para contextualizar a situação atual, é útil considerar paralelos históricos. O boom da internet no final da década de 1990 é frequentemente citado como um exemplo de advertência. Naquela época, enormes somas de dinheiro foram investidas em empresas de internet, baseadas na crença justificada de que a internet seria transformadora. Muitos desses investimentos provaram ser equivocados e, quando a bolha estourou em 2000, trilhões em valor de mercado foram perdidos.
Contudo, a tecnologia subjacente provou ser verdadeiramente transformadora. Empresas como a Amazon e o Google, que sobreviveram à crise, tornaram-se as forças dominantes na economia global. A infraestrutura construída durante o boom, incluindo a de empresas que faliram, formou a base para a economia digital das décadas seguintes. Nesse sentido, pode-se argumentar que mesmo investimentos excessivos em infraestrutura de IA podem ser benéficos a longo prazo, mesmo que muitos dos atuais participantes venham a falir.
No entanto, uma diferença fundamental reside na intensidade de capital. As empresas de internet de primeira geração conseguiam escalar com investimentos relativamente baixos, uma vez que a infraestrutura básica estivesse estabelecida. Um website ou serviço online, uma vez desenvolvido, podia alcançar milhões de usuários com custos adicionais mínimos. A IA, especialmente da forma como é praticada atualmente, não segue esse padrão. Cada consulta a um modelo de linguagem complexo acarreta custos computacionais significativos. A escalabilidade dos serviços de IA exige aumentos proporcionais na infraestrutura, alterando fundamentalmente a economia do setor.
Outra comparação histórica é o desenvolvimento da eletricidade. Quando a energia elétrica se tornou disponível, as empresas levaram décadas para aprender a redesenhar seus processos de produção a fim de explorar plenamente as novas possibilidades. Inicialmente, as fábricas simplesmente substituíram as máquinas a vapor por motores elétricos, mas, de resto, mantiveram seus antigos layouts e processos. Os ganhos reais de produtividade só vieram quando engenheiros e gerentes aprenderam a projetar fábricas desde o início, aproveitando a flexibilidade da energia elétrica.
O mesmo pode ser verdade para a IA. As aplicações atuais podem apenas arranhar a superfície do que é possível, e transformações reais podem não ocorrer até que as organizações aprendam a se reorganizar fundamentalmente para aproveitar as capacidades da IA. Isso levaria tempo, possivelmente anos ou décadas, e não está claro se a dinâmica atual de investimentos permite essa paciência.
O futuro do desenvolvimento da IA
Apesar de todo o ceticismo e dos alertas, o desenvolvimento da IA continuará. A questão não é se a IA é importante, mas qual caminho é o mais promissor e economicamente sustentável. A intervenção de Krishna pode ser entendida como um apelo para uma reavaliação da estratégia, e não como um chamado para interromper a pesquisa em IA.
O desenvolvimento mais provável é uma diversificação de abordagens. Enquanto algumas empresas continuarão investindo pesadamente na escalabilidade de grandes modelos de linguagem, outras explorarão caminhos alternativos. Abordagens neurosimbólicas, sistemas multimodais, inteligência incorporada, aprendizado contínuo e outras linhas de pesquisa serão buscadas em paralelo. Avanços em hardware, da computação quântica às arquiteturas de computação óptica e chips neuromórficos, podem mudar o cenário.
Um fator crucial será a aceitação efetiva do mercado. Se empresas e consumidores estiverem dispostos a pagar quantias substanciais por serviços de IA, mesmo os altos custos de infraestrutura poderão ser justificados. Até o momento, porém, isso permanece em grande parte uma incógnita. O ChatGPT e serviços similares atraíram milhões de usuários, mas a disposição para pagar valores consideráveis por eles é limitada. A maioria dos usuários utiliza versões gratuitas ou com subsídios significativos.
No setor empresarial, a situação é um pouco diferente. Aqui, existe uma clara disposição para pagar por soluções de IA que resolvem problemas específicos de negócios. A Microsoft relata um forte crescimento em seus serviços de IA para empresas. A questão é se esses fluxos de receita conseguirão crescer rápido o suficiente para justificar os investimentos maciços.
Adequado para:
Resultados de uma análise multidimensional
As preocupações levantadas por Arvind Krishna no podcast Decoder tocam no cerne de uma das apostas econômicas e tecnológicas mais significativas da história. Seu argumento se baseia em sólidos princípios econômicos e conhecimento técnico. A combinação de custos de capital exorbitantes, ciclos de vida curtos do hardware e a baixa probabilidade de as tecnologias atuais levarem à Inteligência Artificial Geral (IAG) apresenta um argumento convincente contra a estratégia de investimento atual.
Ao mesmo tempo, a posição de Krishna não está isenta de contra-argumentos. Os defensores de investimentos maciços em IA argumentariam que tecnologias transformadoras frequentemente exigem enormes investimentos iniciais, que o custo por unidade de computação está diminuindo continuamente, que novos modelos de negócios surgirão que ainda não são previsíveis e que o risco de ficar para trás em uma tecnologia potencialmente transformadora é maior do que o risco financeiro de investimentos excessivos.
A verdade provavelmente reside em algum ponto entre esses extremos. A IA é, sem dúvida, uma tecnologia importante e transformadora que criará um valor econômico significativo. Os modelos de linguagem e as aplicações de IA atuais já demonstram capacidades impressionantes e estão impulsionando ganhos de produtividade mensuráveis em diversas áreas. Ao mesmo tempo, a ideia de que simplesmente ampliar as abordagens atuais levará à inteligência artificial geral é cada vez mais controversa, mesmo entre os principais pesquisadores de IA.
A análise econômica é reveladora. A magnitude dos investimentos necessários e a necessidade de gerar lucros enormes em um curto período de tempo representam um desafio sem precedentes. Se os cálculos de Krishna forem minimamente precisos, é difícil imaginar como a estratégia de investimento atual poderá ser sustentável.
No entanto, isso não significa necessariamente que um desastre seja iminente. Os mercados têm capacidade de adaptação. Os fluxos de investimento podem mudar, os modelos de negócios podem evoluir e os avanços tecnológicos podem alterar fundamentalmente a economia. A história da tecnologia está repleta de exemplos em que o ceticismo inicial foi refutado e desafios aparentemente impossíveis foram superados.
O que parece provável é um período de consolidação e reavaliação. As taxas de crescimento atuais nos investimentos em IA não podem continuar indefinidamente. Em algum momento, investidores e líderes empresariais vão querer ver evidências de retornos reais. As empresas que conseguirem apresentar casos de uso convincentes e valor econômico demonstrável prosperarão. Outras talvez precisem ajustar suas estratégias ou sair do mercado.
A intervenção de Krishna serve como um importante alerta para que se tenha cautela em um ambiente caracterizado pela euforia e pela necessidade de acompanhar o ritmo. Suas décadas de experiência no setor de tecnologia e sua posição à frente de uma das empresas de TI mais antigas e consolidadas do mundo dão peso às suas palavras. Só o tempo dirá se ele está certo. O que é certo, porém, é que as questões que ele levanta devem ser levadas a sério e debatidas a fundo antes que trilhões sejam investidos em uma estratégia cujo sucesso está longe de ser garantido.
Uma nova dimensão de transformação digital com 'IA Gerenciada' (Inteligência Artificial) - Plataforma e Solução B2B | Xpert Consulting
Uma nova dimensão de transformação digital com 'IA Gerenciada' (Inteligência Artificial) – Plataforma e Solução B2B | Xpert Consulting - Imagem: Xpert.Digital
Aqui você aprenderá como sua empresa pode implementar soluções de IA personalizadas de forma rápida, segura e sem altas barreiras de entrada.
Uma Plataforma de IA Gerenciada é o seu pacote completo e sem complicações para inteligência artificial. Em vez de lidar com tecnologia complexa, infraestrutura cara e longos processos de desenvolvimento, você recebe uma solução pronta para uso, adaptada às suas necessidades, de um parceiro especializado – geralmente em poucos dias.
Os principais benefícios em resumo:
⚡ Implementação rápida: da ideia à aplicação operacional em dias, não meses. Entregamos soluções práticas que criam valor imediato.
🔒 Segurança máxima dos dados: seus dados confidenciais permanecem com você. Garantimos um processamento seguro e em conformidade, sem compartilhar dados com terceiros.
💸 Sem risco financeiro: você só paga pelos resultados. Altos investimentos iniciais em hardware, software ou pessoal são completamente eliminados.
🎯 Foco no seu negócio principal: concentre-se no que você faz de melhor. Cuidamos de toda a implementação técnica, operação e manutenção da sua solução de IA.
📈 À prova do futuro e escalável: sua IA cresce com você. Garantimos otimização e escalabilidade contínuas e adaptamos os modelos com flexibilidade às novas necessidades.
Mais sobre isso aqui:
Seu parceiro global de marketing e desenvolvimento de negócios
☑️ Nosso idioma comercial é inglês ou alemão
☑️ NOVO: Correspondência em seu idioma nacional!
Konrad Wolfenstein
Ficarei feliz em servir você e minha equipe como consultor pessoal.
Você pode entrar em contato comigo preenchendo o formulário de contato ou simplesmente ligando para +49 89 89 674 804 (Munique) . Meu endereço de e-mail é: wolfenstein ∂ xpert.digital
Estou ansioso pelo nosso projeto conjunto.
