Interpretação do All-In sobre a próxima fase da IA: Convergência de modelos, valor começando a se deslocar para fluxos de trabalho

Título original: Anthropic IPO em risco, Muse da Meta Pop, preços de tokens caem, código aberto ganha participação, alinhamento falha
Programa: All-In Podcast
Participantes: Chamath Palihapitiya, Jason Calacanis, David Sacks, David Friedberg

Nota do editor: Nos últimos dois anos, a competição na indústria de IA tem girado em torno de uma variável central: quem possui os modelos fundamentais mais fortes. Modelos como GPT, Claude, Gemini, e os rapidamente emergentes DeepSeek e Qwen, têm constantemente redefinido benchmarks, fazendo com que a "capacidade de ponta" se torne a base de precificação mais importante para as empresas de modelos. No entanto, à medida que a velocidade de iteração dos modelos aumenta e os custos de inferência continuam a cair, a discussão está mudando de "qual modelo é o mais forte" para "quando modelos suficientemente bons se tornam mais comuns, quanto ainda vale o modelo mais forte?" Quando a capacidade dos modelos se transforma de um bem escasso para uma habilidade mais acessível, uma questão mais crítica começa a surgir: o que realmente é escasso a longo prazo na indústria de IA, o modelo em si ou os produtos, fluxos de trabalho e capacidades de distribuição construídos sobre o modelo?

No último episódio do All-In Podcast, os empreendedores de tecnologia Jason Calacanis, o fundador da Social Capital Chamath Palihapitiya, o CEO da Ohalo David Friedberg, e o cofundador da Craft Ventures David Sacks discutem os recentes lançamentos intensivos de modelos, a expansão de modelos de pesos abertos, a queda nos preços de tokens, e os modelos de negócios de empresas de ponta como Anthropic e OpenAI. Em vez de focar em "quanto desempenho a próxima geração de modelos melhorou", a conversa se concentra em onde o pool de lucros da indústria de IA pode se deslocar após a rápida disseminação da capacidade dos modelos.

Os quatro anfitriões do All-In Podcast discutem a comercialização de modelos de IA, modelos de pesos abertos e os modelos de negócios de modelos de ponta.

Durante a conversa, os anfitriões realmente desmembraram a ideia de "modelos se tornando mais fortes" em um conjunto de questões estruturais mais fundamentais: quando a diferença de desempenho entre os modelos diminui, por que as empresas ainda pagariam um alto prêmio pelos modelos de ponta? Quando modelos de pesos abertos podem assumir uma quantidade crescente de cargas de trabalho diárias, os tokens em si estão se tornando commodities? E à medida que o "cérebro" se torna mais barato, o valor se concentrará novamente em agentes, fluxos de trabalho empresariais e aplicações verticais?

Primeiro, a competição entre modelos está mudando de escassez de capacidade para eficiência de custo. No passado, havia uma diferença clara de capacidade entre os modelos mais avançados e os da segunda linha, e as empresas estavam dispostas a pagar um prêmio significativo para obter maior precisão, melhor inferência e saídas mais estáveis. A mudança agora é que os lançamentos de modelos estão se tornando cada vez mais frequentes, e o desempenho dos modelos de pesos abertos está se aproximando do desempenho dos modelos de ponta de código fechado, enquanto os fornecedores de API também estão continuamente reduzindo preços. Isso significa que, para muitas tarefas que não exigem capacidade extrema, o "melhor" está se tornando uma escolha que pode ser calculada em termos de custo-benefício. O desempenho do modelo ainda é importante, mas a relação entre preço e desempenho começa a ser mais importante do que a simples classificação de benchmarks.

Em segundo lugar, os tokens podem estar se transformando de produtos de alta margem em insumos padronizados. A lógica da última rodada de comercialização de IA era relativamente direta: as empresas de modelos fornecem inteligência, os desenvolvedores compram tokens e os encapsulam em aplicações externas. Mas quando a mesma tarefa pode ser transferida entre vários modelos e a diferença de preço chega a ser múltiplos ou até dezenas de vezes, as empresas naturalmente alocam diferentes tarefas para modelos de diferentes níveis de custo. Resumos simples, atendimento ao cliente, processos internos e tarefas de código comuns podem ser atribuídos a modelos baratos, enquanto apenas tarefas como pesquisa científica, engenharia complexa e decisões financeiras de alto valor continuam a utilizar os modelos mais fortes. O que está realmente sendo desafiado não é se os modelos de ponta têm valor, mas quanta receita realmente depende da capacidade de ponta para existir.

Em terceiro lugar, os limites de competição das empresas de modelos estão sendo forçados a se mover para cima. Chamath compara modelos fundamentais a "cérebros", enquanto chama as ferramentas, navegadores, memória, permissões e sistemas de planejamento de tarefas construídos em torno dos modelos de "harness". Essa distinção é importante: à medida que a diferença entre os "cérebros" diminui, o que pode decidir a experiência do produto pode não ser mais o modelo em si, mas se ele tem "membros" e se pode realmente completar as tarefas. Produtos como o Agent da Meta Muse, portanto, têm um significado adicional - os usuários não se importam com qual modelo está sendo chamado por trás, mas se ele pode organizar e-mails, reservar passagens aéreas, processar documentos e concluir trabalhos. Quanto mais baratos os modelos fundamentais, mais viável economicamente se torna esse tipo de produto.

Quarto, o modelo de negócios dos modelos de ponta pode, portanto, se polarizar. De um lado, há uma inteligência geral de grande escala, mas altamente sensível a preços, sustentada por modelos de pesos abertos e modelos de baixo custo; do outro lado, há uma quantidade menor, mas disposta a pagar um prêmio muito alto pela Frontier Intelligence, como pesquisa complexa, matemática, engenharia, biomedicina e cenários profissionais altamente competitivos. Portanto, a questão crucial para empresas como OpenAI e Anthropic não é mais apenas "podemos continuar a melhorar os modelos?", mas sim se podem provar que o valor incremental criado pelos modelos mais avançados é suficiente para cobrir a longo prazo seus custos mais altos de treinamento, inferência e capital.

Se pudermos resumir essa conversa em um julgamento, seria: a contradição central da IA está mudando de "a inteligência é forte o suficiente" para "como a inteligência é precificada, distribuída e comercializada".

Nesse sentido, o objeto de discussão deste artigo não é apenas a OpenAI, Anthropic ou um novo modelo, mas uma reavaliação de toda a cadeia de valor da indústria de IA: à medida que os modelos se tornam mais acessíveis, o ativo realmente escasso pode voltar a ser o usuário, o cenário, o fluxo de trabalho e a capacidade de transformar inteligência em valor real.

A seguir, o conteúdo original (para facilitar a leitura e compreensão, o conteúdo original foi reorganizado):

TL; DR

A competição entre modelos de IA está mudando de "quem é o mais forte" para "quem pode atingir um nível aceitável de forma mais barata", essencialmente, a capacidade dos modelos está começando a se mover de um bem escasso para uma oferta padronizada.

Os preços dos tokens continuam a cair, o que significa que a margem de lucro dos modelos fundamentais pode estar sendo comprimida, e a cadeia de valor da IA está mudando de "vender inteligência" para "vender resultados".

O maior impacto dos modelos de pesos abertos não é substituir os modelos de ponta, mas assumir uma grande quantidade de cargas de trabalho gerais, forçando as empresas a recalcular se o "prêmio do modelo mais forte" vale a pena.

Os modelos de ponta no futuro provavelmente se concentrarão em tarefas complexas de alto valor, como pesquisa, engenharia e finanças, e a chave não está em cobrir todos os cenários, mas em provar sua irsubstituibilidade.

À medida que a capacidade dos modelos se torna mais homogênea, a vantagem competitiva se desloca para agentes, chamadas de ferramentas, memória, permissões e fluxos de trabalho, essencialmente movendo o valor do "cérebro" para o "sistema de execução".

A estrutura de custos de IA das empresas mudará de "chamar uniformemente o modelo mais forte" para roteamento em camadas, combinando diferentes tarefas com modelos de diferentes níveis de preço e capacidade.

O risco comercial central da OpenAI e da Anthropic não é que os modelos parem de progredir, mas que uma quantidade significativa de receita existente seja finalmente transformada em modelos mais baratos.

Na próxima fase, o que pode ser realmente escasso na indústria de IA pode não ser mais o modelo em si, mas sim usuários, cenários, distribuição e a capacidade de transformar inteligência em produção real.

Aqui é importante enfatizar: estes são dados de tráfego de produção do Vercel AI Gateway, não podendo ser extrapolados diretamente para "56% dos tokens de IA globais já vêm de modelos abertos". Mas pelo menos fornece uma amostra real em um ambiente de produção: os desenvolvedores estão começando a migrar suas cargas de trabalho para modelos mais baratos com mais frequência.

Chamath resumiu essa mudança como "modelos começando a se agrupar". Seu julgamento é que cada vez mais modelos têm capacidades em muitas tarefas que estão próximas o suficiente para serem intercambiáveis. Assim, a questão não é mais apenas "qual modelo tem a maior pontuação", mas sim: quanto você está disposto a pagar a mais pela última diferença de desempenho?

Modelos de ponta não desaparecerão, mas devem provar onde estão "os custos".

Esse é também o verdadeiro problema comercial que a OpenAI e a Anthropic enfrentam.

David Sacks, em sua opinião no programa, é mais otimista do que outros apresentadores. Ele acredita que, mesmo que os modelos de pesos abertos levem a maior parte dos tokens, isso não significa que a Frontier Intelligence (Inteligência de Ponta) perca seu valor comercial.

A razão é que sempre haverá um conjunto de tarefas para as quais há uma alta disposição de pagamento por "melhor". Por exemplo, pesquisa de medicamentos, matemática complexa, engenharia de ponta, segurança cibernética ou cenários de transações financeiras altamente competitivas. Para essas tarefas, se um modelo mais forte puder aumentar um pouco a taxa de sucesso, o valor econômico que ele cria pode muito bem superar os custos dos tokens.

Friedberg compartilha uma visão semelhante. A organização de pesquisa em ciências da vida em que ele trabalha usará o modelo da Anthropic, pois em algumas tarefas científicas desafiadoras, a diferença de capacidade do modelo ainda é grande o suficiente.

Portanto, o que realmente merece atenção não é se "modelos abertos vão eliminar Claude ou GPT", mas sim uma questão mais específica: quanto da receita da OpenAI e da Anthropic vem de tarefas de ponta realmente insubstituíveis, e quanto vem de tarefas comuns que podem ser eventualmente migradas para modelos baratos?

Se a maior parte da receita vem do primeiro grupo, as empresas de modelos ainda terão um forte poder de precificação. Mas se uma grande parte da receita é apenas porque as empresas estão temporariamente acostumadas a usar o modelo mais forte, então, à medida que as empresas otimizam os custos de IA, essa parte da receita pode enfrentar uma pressão de preços cada vez maior.

É por isso que a estrutura de clientes e a qualidade da receita das empresas de modelos podem ser mais dignas de observação no futuro do que o simples crescimento dos tokens.

Do ponto de vista do mercado de capitais, isso é especialmente importante. O que os investidores realmente precisam avaliar não é apenas se "Claude ou GPT ainda podem continuar a crescer", mas sim quão duradouro é o prêmio de inteligência de ponta por trás desse crescimento.

Quando "cérebro" se torna mais barato, o valor começa a se transferir para "mãos e pés".

Chamath apresentou no programa outro julgamento que merece mais atenção. Se considerarmos o modelo como "cérebro", o que realmente decide a experiência final do produto está se tornando cada vez mais o agente harness (estrutura de execução do agente) que envolve o cérebro.

O que se entende por harness é todo o sistema que permite que o modelo realmente "faça coisas", incluindo navegador, chamadas de ferramentas, memória, planejamento de tarefas, gerenciamento de permissões, execução de código e capacidade de se conectar a diferentes softwares. O mesmo modelo, inserido em diferentes harnesses, pode ter um desempenho final completamente diferente.

Isso significa que, à medida que os modelos básicos se tornam mais semelhantes, o foco da competição entre as empresas de IA pode começar a se mover para cima.

A questão central do passado era: quem tem o modelo mais inteligente? A próxima pode se tornar: quem consegue fazer esse modelo realmente realizar o trabalho?

O Muse da Meta é um exemplo dessa tendência.

A Meta lançou o Muse em 8 de setembro, posicionando-o como um agente de IA pessoal: ele não apenas responde perguntas, mas pode operar navegadores e aplicativos por meio de um ambiente de computação virtual independente, completando tarefas como enviar e-mails e agendar viagens.

No programa, Chamath mencionou que usou o Muse para organizar seu e-mail pessoal e também tentou fazer com que ele reservasse passagens aéreas e hotéis. Ele acredita que o significado mais importante desse tipo de produto não é qual modelo subjacente foi usado, mas sim que ele embala a complexa capacidade de IA em um software que usuários comuns podem usar diretamente.

Isso também explica por que a queda no preço dos tokens não significa necessariamente que o valor da indústria de IA está diminuindo. Pelo contrário, uma inteligência mais barata pode tornar mais produtos economicamente viáveis. O que as camadas de modelos ganham pode ser menor, mas isso não significa que toda a pilha de IA ganhe menos. O valor pode simplesmente ser redistribuído do modelo em si para as empresas que possuem usuários, fluxos de trabalho e produtos finais.

A próxima rodada de competição em IA pode não ser mais sobre qual modelo é o primeiro.

Essa mudança ainda está em estágio inicial.

Ainda existem diferenças de capacidade entre modelos de ponta e modelos de pesos abertos, e diferentes benchmarks ainda não representam todas as tarefas reais das empresas. A afirmação feita no All-In de que "os modelos estão convergindo" é mais adequada para ser entendida como um julgamento comercial, e não como um fato da indústria já concluído.

Mas as mudanças de preço já estão mais claras. Modelos de pesos abertos estão entrando em mais ambientes de produção, o preço por unidade de API continua a cair, e os fornecedores de modelos fechados também estão reduzindo preços ativamente. Ao mesmo tempo, produtos como o Meta Muse estão começando a tentar levar a IA de uma janela de chat para agentes que realmente podem executar tarefas.

O que realmente merece atenção a seguir não é apenas quanto a próxima geração de GPT ou Claude aumentou em benchmarks.

Mais importante são quatro variáveis:

Primeiro, a proporção de modelos de pesos abertos em tokens de produção reais pode continuar a aumentar; segundo, quão rápido os custos de inteligência por unidade podem cair; terceiro, quantas tarefas complexas insubstituíveis os modelos de ponta de alto preço podem manter; quarto, se os agentes podem realmente formar uma frequência de uso estável e receita comercial.

Se as três primeiras tendências continuarem a se desenvolver, os modelos de IA podem se assemelhar cada vez mais à capacidade de computação básica na nuvem: ainda importante, mas com preços cada vez mais transparentes e padrões cada vez mais unificados.

E o que realmente decidirá o valor das empresas na próxima fase pode não ser mais apenas "quem possui o cérebro mais inteligente". Mas quem consegue transformar cérebros cada vez mais baratos em produtos que realmente as pessoas estão dispostas a usar e pagar.