A bolha da IA e a conta do futuro

1. O que seria uma bolha da IA?

Uma bolha é uma situação em que os preços dos ativos passam a depender de expectativas difíceis de sustentar pelos resultados futuros. Não existe um termômetro público que acenda uma luz no instante em que isso acontece. O debate envolve estimativas de crescimento, margens, concorrência, taxas de juros e quanto os investidores aceitam esperar.

No caso da IA, três perguntas ajudam a organizar o assunto:

Um usuário pode economizar horas com uma ferramenta enquanto o fornecedor perde dinheiro para atendê-lo. Um fornecedor pode ser lucrativo e, mesmo assim, estar caro demais para quem compra suas ações. E uma infraestrutura pode acabar sendo muito importante depois de provocar perdas em quem a financiou primeiro.

Por isso, a experiência pessoal de usar IA todos os dias responde apenas a uma parte da questão. A existência de aplicações úteis não demonstra que todos os projetos, valuations e contratos do setor vão se pagar. Também não basta apontar um investimento enorme para demonstrar que ele é excessivo: a comparação relevante é com a demanda e com o caixa que esse investimento poderá gerar.

2. O argumento do vídeo, visto por dentro

O fio principal do Átila é a interdependência. Fabricantes de chips precisam de compradores; nuvens precisam de clientes que ocupem seus servidores; laboratórios precisam de capital e computação; investidores precisam acreditar que a receita futura justificará a construção de tudo isso.

No vídeo, a explicação histórica ganha força a partir de 04:33. A discussão das relações entre as empresas de IA começa em 14:22, e o problema da durabilidade dos equipamentos aparece em 25:21. Esses trechos funcionam como portas de entrada para três perguntas: quem coloca o dinheiro, quem assume o risco e quando chega o retorno?

A comparação com a Enron pede precisão. A SEC documentou o resultado judicial que estabeleceu a responsabilidade de seu ex-CEO Jeffrey Skilling por fraude. Esse caso demonstra como estruturas complexas podem dificultar a leitura de um negócio. Ele não estabelece que um investimento cruzado ou uma empresa criada para um projeto de data center seja, por si, fraudulento.

O próprio Átila faz uma distinção importante em 21:30: estruturas atuais podem ser divulgadas e auditáveis e, ainda assim, envolver risco financeiro. Essa é a comparação mais útil para o artigo. A questão é saber quanto do crescimento resiste a uma redução do financiamento, a margens menores ou à dificuldade de alguns clientes pagarem.

3. Uma checagem que muda a leitura: os “70%” da NVIDIA

Em 17:14, cinco clientes são associados a 70% da receita da NVIDIA. O 10-Q do segundo trimestre fiscal de 2027 informa, porém, que os 70% são sua participação no saldo de contas a receber (p. 13). Para receita trimestral, divulgou um cliente direto com 16% (p. 22). Não identificou os clientes.

Comparar a transição de idioma no vídeo

Trecho sem áudio, reproduzido uma vez. A animação só é carregada ao clicar no botão. Abrir trecho original.

Contas a receber são valores ainda devidos por clientes em uma data. Receita mede vendas reconhecidas durante um período. A concentração das cobranças e a concentração das vendas podem ser diferentes. Ambas interessam à análise, mas respondem a perguntas distintas.

O vídeo também estende a relação entre OpenAI, Anthropic e provedores de infraestrutura de uma forma que não permite concluir que as duas representem 70% da receita total de todas essas empresas. Receita total, receita de computação para IA e novos contratos precisam de denominadores próprios. Essa ressalva enfraquece uma formulação numérica do vídeo, sem encerrar a investigação sobre dependência entre fornecedores e clientes.

4. O caminho do dinheiro

Imagine um fornecedor que investe em um laboratório. O laboratório usa parte dos recursos para comprar computação desse fornecedor. A transação pode financiar pesquisa e infraestrutura reais. O cuidado é perceber que duas notícias — uma rodada de investimento e uma compra de computação — podem representar etapas do mesmo financiamento.

Há exemplos públicos desse entrelaçamento. Em fevereiro de 2026, a OpenAI anunciou uma rodada de US$ 110 bilhões, com US$ 30 bilhões atribuídos à NVIDIA e US$ 50 bilhões à Amazon. O anúncio relaciona capital e expansão de capacidade. Ele não informa que todo o dinheiro já estava recebido naquela data.

Outro exemplo é o acordo AMD–OpenAI divulgado em outubro de 2025. O instrumento de opção de compra de ações permite adquirir até 160 milhões de ações AMD mediante marcos definidos. É um incentivo condicionado ao relacionamento comercial, e não uma participação já transferida integralmente.

O risco econômico aumenta quando vários participantes precisam que o mesmo cenário otimista se realize. Um laboratório pode depender de captar outra rodada para honrar contratos; uma nuvem pode depender desses contratos para financiar servidores; um credor pode depender do valor de revenda dos equipamentos. Se a demanda decepcionar, o problema pode chegar a mais de um balanço.

Mas há limites nessa cadeia de inferências. Empresas com negócios diversificados têm outras fontes de receita e diferentes capacidades de absorver perdas. Uma dificuldade em um laboratório não implica automaticamente insolvência de todos os seus fornecedores. Para estimar o contágio, seria preciso conhecer contratos, garantias, prazos, exposição de cada parte e alternativas de uso da capacidade.

5. Seis números que não podem virar a mesma coisa

Boa parte da confusão desaparece quando cada cifra recebe uma unidade, uma data e uma definição.

A Oracle divulgou US$ 664 bilhões em obrigações de desempenho remanescentes no trimestre encerrado em agosto de 2026. É uma medida de compromissos futuros, enquanto sua receita trimestral total foi de US$ 19,3 bilhões. Comparar os dois ajuda a enxergar o intervalo entre prometer capacidade e entregar o serviço.

Também precisamos distinguir dívida financeira, arrendamentos, compromissos de compra e obrigações contingentes. Podem pressionar o caixa de formas diferentes. Somar tudo sob o rótulo de “dívida escondida” elimina informações essenciais sobre vencimento, possibilidade de cancelamento e reconhecimento contábil. Estar fora de uma linha específica do balanço não significa estar oculto dos documentos públicos.

O mesmo cuidado vale para comparações com o PIB. Gasto anual, investimento acumulado de vários anos e contribuição para o crescimento do PIB têm denominadores diferentes. Não adotei a comparação percentual do vídeo como medida própria do artigo, porque ela exigiria reconstruir a série, o período e quais gastos entram na conta.

O gráfico mostrado em 23:52 compara médias anuais de investimento em infraestrutura como fração do PIB. Sua barra de IA cobre 2025–2032 e inclui projeções. A imagem ajuda a entender o argumento histórico; não deve ser lida como gasto realizado em um único ano de 2026.

6. Os chips envelhecem. A conta também precisa envelhecer

Um data center reúne ativos com vidas econômicas diferentes: terreno, edifício, conexão elétrica, refrigeração, rede e aceleradores. A parte física pode continuar útil por muito tempo; a competitividade de um chip muda conforme o custo e o desempenho das novas gerações.

Isso não cria uma data universal em que uma GPU se torna inútil. Equipamentos antigos podem atender tarefas menos exigentes ou continuar atraentes quando seu preço cai. Compatibilidade, potência elétrica, refrigeração, software e custo por tarefa influenciam essa decisão.

Depreciação é a distribuição contábil do custo de um ativo ao longo de sua vida útil estimada. Desvalorização econômica é a perda de valor ou de competitividade no mundo real. As duas precisam conversar, mas não caminham necessariamente no mesmo ritmo.

Num exemplo hipotético, um equipamento de US$ 6 milhões, sem valor residual, gera US$ 2 milhões de depreciação anual em três anos ou US$ 1 milhão em seis. O desembolso inicial continua igual. O lucro contábil muda conforme a despesa reconhecida; o dinheiro da compra não reaparece.

As estimativas também podem ser reduzidas. A Amazon informou que diminuiu a vida útil de parte dos servidores e equipamentos de rede de seis para cinco anos em 2025. A revisão aumentou a depreciação e amortização daquele ano em US$ 1,4 bilhão. Isso mostra a sensibilidade da conta, sem provar irregularidade.

Uma pergunta decisiva é: o equipamento continuará gerando caixa suficiente durante o período em que a empresa espera usá-lo? Se a resposta mudar, o projeto pode exigir revisão de estimativas, perdas contábeis ou investimento adicional. Cada caso depende da utilização e da economia das tarefas que ainda consegue executar.

7. O investimento encontra a tomada

Comprar aceleradores é apenas uma etapa. Eles precisam de infraestrutura pronta, eletricidade disponível e clientes usando a capacidade. Um atraso na conexão à rede adia a receita enquanto juros, contratos e parte dos custos continuam correndo.

A IEA estima 485 TWh de consumo elétrico global dos data centers em 2025 e projeta 950 TWh em 2030, cerca de 3% da eletricidade mundial naquele ano. São data centers em geral, não só IA; 2030 é uma projeção. O relatório destaca gargalos de rede e equipamentos e a incerteza criada pela eficiência e pelas mudanças no uso.

Uma média global também não descreve o impacto em um município. Água, disponibilidade de geração, transmissão e regras tarifárias dependem da localização. A pergunta local é quem financia a expansão, quem recebe o benefício e quem fica exposto caso um grande consumidor reduza sua atividade.

Mais eficiência por consulta pode reduzir custos e estimular mais uso. Vídeo, raciocínio longo e agentes podem ampliar o trabalho feito por solicitação. Por isso, o futuro da energia para IA depende de uma combinação de quantidade de usuários, frequência, tipo de tarefa e eficiência — não de um único número de “energia por pergunta”.

8. A conta real: receita, despesas e assinaturas

Para entender a escala, o simulador agora parte de números reportados para o mesmo ano-calendário, 2025, e dos preços de assinatura consultados em 22/10/2026. São duas datas com funções diferentes: os resultados históricos mostram a conta daquele ano; os preços atuais ajudam a expressar seu tamanho em algo que conhecemos.

Na OpenAI, reportagens de Ed Zitron, corroboradas pelo Financial Times, descrevem aproximadamente US$ 13,1 bilhões de receita, US$ 34 bilhões de custos e despesas e US$ 20,9 bilhões de prejuízo operacional em 2025. A publicação apresenta categorias de resultados históricos, não uma projeção de faturamento futuro. O total de gastos foi cerca de 2,6 vezes a receita.

Para a Anthropic, a Reuters examinou um prospecto confidencial: receita de aproximadamente US$ 4,6 bilhões e despesas de US$ 12,65 bilhões em 2025, incluindo US$ 7,33 bilhões de computação/infraestrutura. Isso representa despesas de cerca de 2,75 vezes a receita.

Esses números sustentam a existência de grandes déficits operacionais naquele ano. A evidência vem de documentação privada descrita por jornalistas; não examinamos os demonstrativos integrais. As classificações das duas empresas também não são idênticas. Não há base aqui para separar com precisão, em ambas, quanto se gastou com treinamento e quanto com inferência.

O preço da assinatura dá uma referência de escala. Um milhão de assinaturas a US$ 20 por mês, mantidas durante doze meses, corresponde a US$ 240 milhões de faturamento bruto anual. Dividir o prejuízo operacional histórico por esse valor revela dezenas de milhões de assinaturas equivalentes. O seletor permite repetir a conta com outros planos reais.

Os preços vêm das páginas oficiais da OpenAI e da Anthropic. O cenário usa cobrança mensal em dólares, sem impostos; descontos anuais e condições por assento podem mudar a conta. Claude Pro, por exemplo, também oferece US$ 200 cobrados por ano. Preço de assinatura e preço de API são receitas comerciais para o fornecedor, não medidas de seu custo interno.

A quantidade equivalente é calculada automaticamente: perda de 2025 ÷ (preço mensal do plano × 12). Por exemplo, a referência de US$ 20,92 bilhões dividida por US$ 6.000 anuais do plano de US$ 500/mês equivale a cerca de 3,49 milhões de assinaturas por um ano. Isso compara receitas e uma perda histórica, sem estimar quantos clientes eliminariam o prejuízo: novos clientes também trazem despesas. Para chegar ao ponto de equilíbrio real, seria preciso saber quanto sobra de cada nova assinatura depois do custo de atendê-la. A receita corporativa já inclui diferentes planos, APIs e contratos.

Vender um serviço e financiar a pesquisa são partes diferentes da conta. No recorte da OpenAI, o custo da receita reportado é menor que a receita; o grande prejuízo aparece depois das outras despesas, sobretudo P&D. Isso impede concluir que todo assinante individual recebe mais computação do que paga. Um usuário muito intensivo, a média dos pagantes e o negócio inteiro podem ter economias diferentes. O custo da receita também não deve ser renomeado como “inferência pura”.

Por fim, 2025 não é um retrato automático da rentabilidade atual. Em maio de 2026, a própria Anthropic anunciou receita anualizada superior a US$ 47 bilhões. Esse ritmo anualizado não entra na comparação com despesas anuais de 2025. Prejuízo operacional, prejuízo líquido, consumo de caixa e compromissos futuros também precisam de linhas separadas: ajustes contábeis sem desembolso podem alterar muito o prejuízo líquido.

9. A demanda pode crescer e a margem diminuir

Uma empresa pode conquistar muitos usuários enquanto vende seu serviço por um preço que não cobre todos os custos. Isso pode fazer parte de uma estratégia de expansão, mas o financiamento precisa durar até que o negócio consiga se sustentar.

Também existe competição sobre onde executar os modelos. Em 32:38, Átila destaca os modelos chineses e a possibilidade de execução local. A questão econômica é relevante: se mais tarefas puderem ser resolvidas por alternativas baratas, o fornecedor de modelos mais caros precisa justificar a diferença de preço.

Pesos disponíveis para download ampliam opções, mas o custo total inclui equipamento, memória, energia, manutenção, licença, integração e trabalho humano. Alguns modelos podem rodar em um computador pessoal; outros exigem servidores. Uma alternativa local também usa chips e eletricidade, e pode continuar sendo executada em uma nuvem.

O efeito sobre o investimento, portanto, é ambíguo. Ganhos de eficiência podem reduzir a necessidade de capacidade para cada tarefa ou tornar viáveis tantas novas tarefas que o uso total aumente. Da mesma forma, modelos mais baratos podem ampliar o mercado e pressionar as margens de participantes específicos. Esse é um motivo para desconfiar de previsões lineares de receita a partir do crescimento no número de consultas.

Na reta final, em 35:19, o vídeo propõe que narrativas de perigo e regulação também podem servir aos interesses comerciais das empresas. É uma interpretação sobre incentivos. O material não demonstra que todas as preocupações de segurança sejam pretextos nem estabelece uma ausência geral de progresso técnico. Avaliar riscos de um sistema e avaliar quem ganha com uma regra são perguntas que precisam de evidências próprias.

10. Produtividade ajuda a responder outra parte da pergunta

Ganhos de produtividade são uma via para criar demanda disposta a pagar. O que importa é medir o resultado completo: tempo economizado depois da revisão, qualidade, erros, custo de integração e tarefas que passaram a ser possíveis.

Um estudo publicado no Quarterly Journal of Economics acompanhou 5.172 agentes de suporte e encontrou aumento médio de 15% em problemas resolvidos por hora com assistência generativa. O efeito variou com a experiência. O resultado é relevante para aquele contexto; não mede a economia inteira.

Já o experimento inicial da METR com desenvolvedores experientes encontrou tarefas 19% mais demoradas usando ferramentas do início de 2025. Na atualização de fevereiro de 2026, a equipe explicou que a nova coleta sofreu seleção de participantes e tarefas e não oferecia uma estimativa confiável do efeito atual. A data e o desenho do estudo são parte do resultado.

Esses trabalhos não devem ser combinados numa média improvisada: medem pessoas, tarefas e ferramentas diferentes. Eles mostram por que “eu sinto que produzo mais” precisa ser comparado com uma medida observável. E mesmo um ganho real não revela automaticamente quanto dele ficará com o trabalhador, o cliente, o empregador ou o fornecedor do modelo.

11. Como essa expansão poderia terminar?

Não há uma única forma de ajuste. Algumas possibilidades podem ocorrer simultaneamente:

Esses são cenários para organizar evidências, sem probabilidades atribuídas. A história das tecnologias anteriores ajuda a formular perguntas, mas não determina o calendário. O vídeo sugere atenção a obrigações que chegam nos próximos anos; isso não estabelece uma data demonstrada para o estouro de uma bolha.

Para acompanhar o assunto, eu olharia principalmente para a conversão de contratos em receita, de receita em caixa e de capacidade construída em utilização paga. Também procuraria mudanças nas condições de financiamento, na concentração de clientes e nas estimativas de vida útil dos equipamentos.

12. O que levo dessa investigação

O vídeo vale como convite para olhar por trás dos anúncios e seguir o dinheiro. Ao conferir as fontes, a pergunta ficou mais específica: quanto desse sistema consegue se sustentar com clientes que pagam pelo valor recebido, durante tempo suficiente para remunerar o capital investido?

Há aplicações úteis, investimentos grandes e riscos difíceis de medir. Isso exige cuidado tanto com a certeza de que tudo vai se pagar quanto com a certeza de que a quebra já tem data marcada. A correção sobre os 70% da NVIDIA é um exemplo de por que uma boa pergunta precisa sobreviver à checagem dos números usados para apresentá-la.

Para quem usa IA, o tema também diz respeito a dependência de serviços, continuidade do acesso, custos de energia e alternativas de execução. O resultado financeiro dessa expansão pode afetar ferramentas que já fazem parte do trabalho cotidiano, mesmo de quem nunca comprou uma ação do setor.

Fontes e método

O vídeo foi baixado para estudo privado. O áudio completo passou por transcrição automática independente, comparada às legendas do YouTube. A varredura computacional decodificou os 53.679 quadros do vídeo para detectar mudanças; a interpretação visual usou 18 folhas de contato, cenas selecionadas e os quadros citados no texto. Isso não equivale a uma leitura humana individual de cada quadro.

Os quadros reproduzidos são trechos do vídeo de Átila Iamarino, selecionados para comentar seu conteúdo, com autoria, tempo e link. Os diagramas e o simulador são explicações originais deste artigo. Os números de energia são apresentados com atribuição à IEA. A transcrição completa e a mídia integral ficam fora do pacote de publicação.

Documentos corporativos mostram o que as empresas divulgaram; seus anúncios não constituem verificação independente da execução dos planos. O texto distingue dados observados, projeções e exemplos hipotéticos. Esta é uma análise explicativa, sem recomendação de investimento.