A inteligência artificial já deixou de ser apenas uma novidade em aplicativos e assistentes virtuais. Ela está provocando uma corrida por chips, energia, terrenos, redes de fibra óptica e data centers — uma infraestrutura cara, que precisa ser construída antes de se saber com precisão quanto valor econômico será capaz de gerar. A pergunta central, portanto, não é apenas se a IA vai transformar a economia, mas se os ganhos chegarão a tempo de justificar o dinheiro aplicado agora.

Segundo o portal Olhar Digital, uma projeção da PwC citada pela Reuters estima que os gastos globais acumulados com data centers possam ultrapassar US$ 30 trilhões até 2050. A notícia também destaca que a Anthropic teria planos de gastar US$ 518 bilhões nos próximos anos, conforme um prospecto de oferta pública de ações analisado pela Reuters. São cifras extraordinárias, mas exigem contexto: projeções de longo prazo não são compromissos garantidos, e investimento em infraestrutura não se transforma automaticamente em lucro, produtividade ou benefício para o consumidor.

Entender o que está por trás desses números ajuda a separar três coisas frequentemente misturadas no debate: o custo de construir a infraestrutura, a receita que empresas de IA conseguem gerar e o valor econômico que essa tecnologia pode criar para a sociedade. A distância entre elas é o principal risco — e também a principal aposta — da corrida atual.

O que significa investir trilhões em data centers

Um data center é uma instalação que abriga servidores, sistemas de armazenamento, redes e equipamentos de refrigeração. No caso da IA generativa, parte dessas máquinas usa aceleradores especializados, como GPUs, capazes de realizar em paralelo os cálculos necessários para treinar modelos e responder a solicitações.

O custo não está restrito à compra dos chips. A conta pode incluir terrenos, edifícios, conexão à rede elétrica, sistemas de alimentação ininterrupta, refrigeração, segurança, cabeamento, manutenção e substituição de equipamentos. Além disso, uma instalação precisa de energia e conectividade confiáveis. Em algumas regiões, obter capacidade elétrica ou concluir obras pode levar anos.

Por isso, uma previsão de gastos acumulados até 2050 não deve ser lida como se uma única empresa fosse desembolsar essa quantia, nem como um orçamento já aprovado. Trata-se de uma estimativa de investimento distribuído por empresas, países e décadas. O total pode mudar conforme os preços dos chips, a eficiência dos modelos, a demanda por serviços e as condições econômicas.

Por que a IA exige tanta capacidade computacional

O treinamento de um modelo consome grandes volumes de cálculos para ajustar seus parâmetros a partir de dados. Depois, cada resposta gerada também exige processamento: é a etapa de inferência, que ocorre sempre que alguém faz uma pergunta, pede um resumo ou solicita a criação de uma imagem. Um serviço popular precisa sustentar muitas solicitações ao mesmo tempo, com baixa latência e disponibilidade contínua.

O custo por interação pode cair quando os chips ficam mais eficientes ou quando o software utiliza menos processamento para entregar a mesma qualidade. Porém, essa redução não garante que o consumo total de energia e capacidade também diminua. Se o serviço se torna mais barato, mais empresas e usuários podem adotá-lo, compensando a economia por tarefa. É uma dinâmica importante: eficiência técnica e crescimento da demanda podem avançar simultaneamente.

Por que os investimentos podem chegar antes dos lucros

Construir infraestrutura leva tempo, enquanto a procura por serviços de IA pode crescer rapidamente. Empresas que temem ficar sem capacidade tendem a reservar chips, energia e espaço com antecedência. Isso cria um descompasso: os custos são assumidos agora, mas a receita que deveria pagá-los depende de produtos que ainda estão sendo desenvolvidos e de clientes que talvez ainda não tenham decidido como usá-los.

Esse intervalo é comum em tecnologias de uso geral. Ferrovias, eletricidade e telecomunicações exigiram grandes investimentos antes de remodelar a economia. Mas a analogia histórica tem limites: cada tecnologia teve estruturas de financiamento, concorrentes, custos e formas de adoção próprias. O fato de uma inovação anterior ter transformado a sociedade não prova que todo investimento atual será lucrativo, nem que os retornos virão no mesmo ritmo.

Capacidade instalada não é o mesmo que demanda rentável

Uma sala cheia de servidores só cria valor financeiro se houver clientes dispostos a pagar o suficiente para cobrir os custos. A receita precisa compensar, além da operação, o investimento inicial e a depreciação dos equipamentos. Chips de alto desempenho podem perder competitividade ou se tornar obsoletos antes de o investimento ser totalmente recuperado.

Também é possível que a infraestrutura seja útil sem beneficiar igualmente todos os investidores. Uma empresa pode usar modelos de IA para reduzir despesas e obter vantagem competitiva, enquanto o fornecedor do modelo ou do data center enfrenta margens apertadas. O valor criado para a economia, portanto, não é necessariamente capturado por quem financiou cada etapa da cadeia.

O caso da Anthropic e a importância de interpretar os números

O plano de gastos de US$ 518 bilhões atribuído à Anthropic pela reportagem da Reuters chama atenção por ser muito superior à receita de 2025 mencionada na mesma notícia. A comparação ajuda a visualizar a escala da aposta, mas não deve ser interpretada como se a empresa fosse pagar tudo imediatamente, nem como uma previsão certa de prejuízo nesse valor.

Planos de infraestrutura podem abranger períodos longos e depender de contratos, demanda futura e arranjos com parceiros. Sem examinar os detalhes financeiros do prospecto, não é prudente concluir exatamente quanto desse montante corresponde a desembolso próprio, compromissos de capacidade ou outras categorias. O dado sinaliza uma necessidade potencial enorme de recursos; sozinho, não permite calcular a saúde financeira da empresa.

Há ainda uma diferença entre faturamento e lucro. Uma companhia pode ampliar a receita e continuar gastando mais do que arrecada, especialmente se paga caro por computação, treinamento, talentos e distribuição. Para avaliar a sustentabilidade de um negócio de IA, é necessário observar margens, custos de inferência, retenção de clientes, dependência de fornecedores e capacidade de converter testes em contratos recorrentes.

O que os dados de produtividade dizem — e o que ainda não dizem

O argumento econômico mais forte a favor dos investimentos é que a IA pode permitir que pessoas e empresas façam mais com os mesmos recursos. Ela pode acelerar a produção de código, apoiar o atendimento ao cliente, resumir documentos, auxiliar análises e automatizar tarefas repetitivas. Se esses ganhos se espalharem por muitos setores, a produtividade pode aumentar e criar espaço para novas receitas.

Mas demonstrar esse efeito em escala é mais difícil do que mostrar uma resposta impressionante em uma conversa. Uma tarefa concluída mais rápido não significa, por si só, que a empresa produziu mais, reduziu custos totais ou melhorou a qualidade. É preciso descontar revisão humana, erros, integração com sistemas, treinamento de funcionários, segurança e eventuais custos legais.

A notícia informa que o JPMorgan declarou, em agosto, que ganhos amplos de produtividade nos Estados Unidos continuavam difíceis de identificar. Isso não prova que a IA não tenha utilidade. Indica que o efeito agregado ainda não estava suficientemente claro naquela avaliação. A produtividade é medida em empresas e setores, não apenas pelo desempenho de uma ferramenta em uma demonstração.

Por que os ganhos demoram a aparecer nas estatísticas

Uma tecnologia pode ser adotada rapidamente e ainda levar tempo para elevar a produtividade geral. Muitas organizações precisam redesenhar processos, adaptar sistemas antigos, definir regras para dados e treinar equipes. Comprar licenças sem mudar a forma de trabalhar pode gerar despesas sem uma melhoria proporcional.

Além disso, há um problema de medição: alguns benefícios, como respostas mais rápidas ou melhor acesso à informação, são difíceis de traduzir imediatamente em indicadores econômicos. O inverso também ocorre. Uma ferramenta pode economizar tempo em uma tarefa, mas esse tempo não se transforma em produção adicional se a empresa não reorganizar o trabalho.

Como saber se a corrida está criando valor

Para acompanhar o setor sem se deixar levar apenas por anúncios e previsões, consumidores, gestores e investidores podem avaliar a IA com perguntas práticas. A análise mais útil começa pelo uso concreto, não pela quantidade de parâmetros de um modelo ou pelo tamanho de um data center.

  1. Defina a tarefa: identifique o trabalho que se pretende acelerar, como classificar solicitações, revisar documentos ou gerar rascunhos.
  2. Estabeleça uma referência: registre quanto tempo, dinheiro e esforço a tarefa exige hoje e qual é a taxa de erros.
  3. Inclua o custo total: considere licenças, computação, integração, revisão humana, segurança e manutenção.
  4. Teste em uma amostra controlada: compare os resultados da IA com o processo atual, incluindo casos difíceis e exceções.
  5. Meça o resultado após a revisão: contabilize apenas o trabalho que realmente foi economizado sem perda inaceitável de qualidade.
  6. Reavalie com o tempo: confira se o ganho se mantém quando aumenta o volume e se os custos continuam previsíveis.

O método não exige uma plataforma específica. Uma planilha pode registrar tempo, custo e erros; um piloto limitado pode testar um assistente comercial; e uma avaliação manual pode comparar uma amostra de respostas produzidas por pessoas e por IA. Cada abordagem tem limitações: a planilha depende de dados bem coletados, o piloto pode não representar a operação inteira e a revisão manual custa tempo. Ainda assim, são alternativas mais confiáveis do que presumir retorno com base em uma demonstração isolada.

O que pode tornar a aposta mais sustentável — ou mais arriscada

Fatores que podem favorecer o retorno

  • Modelos mais eficientes: reduzir o processamento necessário por resposta pode baixar custos operacionais.
  • Uso empresarial recorrente: contratos renovados e integrados a processos importantes tendem a ser mais sólidos do que experimentos pontuais.
  • Aplicações de alto valor: tarefas em que velocidade, precisão ou escala têm impacto financeiro mensurável podem justificar despesas maiores.
  • Melhor aproveitamento da infraestrutura: servidores usados de forma eficiente podem gerar mais receita por unidade de capacidade instalada.

Fatores que podem pressionar empresas e investidores

  • Demanda abaixo da capacidade: data centers construídos para uma procura que não se materializa podem operar com baixa utilização.
  • Energia e atrasos: gargalos de rede elétrica, licenciamento e construção podem elevar custos ou adiar receitas.
  • Concorrência por preço: vários fornecedores podem disputar clientes e reduzir as margens, mesmo que o uso de IA aumente.
  • Obsolescência: novos chips e modelos mais eficientes podem diminuir o valor econômico de equipamentos anteriores.
  • Riscos operacionais: erros, vazamentos, direitos autorais e exigências regulatórias podem gerar despesas e limitar aplicações.

Esses fatores podem ocorrer ao mesmo tempo. Um setor pode crescer e, ainda assim, apresentar empresas perdedoras, projetos cancelados e investimentos que não recuperam o custo de capital. É por isso que uma transformação tecnológica real não elimina o risco de uma bolha de investimento em determinados ativos ou companhias.

O que a comparação histórica pode ensinar

As ferrovias e a internet são referências recorrentes porque envolveram infraestrutura cara e expectativas de mudança ampla. A lição mais útil não é afirmar que a IA repetirá a trajetória de uma delas, mas observar que o valor social de uma tecnologia e o retorno financeiro de cada investidor são questões diferentes.

Uma rede pode se tornar essencial e, mesmo assim, algumas empresas que a construíram podem falir ou perder dinheiro. Da mesma forma, uma nova tecnologia pode produzir benefícios duradouros sem que todos os gastos feitos na fase de entusiasmo tenham sido bem dimensionados. A referência da PwC citada pela Reuters indica a escala potencial do ciclo de data centers, não uma garantia de que esse capital será recuperado.

O que esperar da corrida da IA até 2050

O cenário mais provável não precisa ser uma vitória total nem um colapso completo. É possível que a IA se torne parte da infraestrutura cotidiana, enquanto empresas, modelos e aplicações específicos desaparecem ou se consolidam. A procura por computação pode continuar elevada, mas mudar de direção à medida que modelos menores, processamento local e técnicas mais eficientes alterem onde e como as tarefas são executadas.

Também é provável que o debate passe de “quanto se investiu?” para “quanto cada unidade de capacidade entrega?”. Eficiência energética, custo por tarefa, utilização dos servidores e receita recorrente podem se tornar indicadores tão importantes quanto a expansão física dos data centers. Para usuários, o resultado poderá aparecer em serviços mais acessíveis ou em novas funções; para empresas, a diferença estará em integrar a tecnologia com segurança e medir seu efeito real.

Até lá, a postura mais racional é evitar tanto a rejeição automática quanto a promessa de retorno garantido. Os números divulgados mostram uma aposta de escala histórica, mas o resultado dependerá de adoção, eficiência e capacidade de transformar experimentos em ganhos verificáveis.

Perguntas frequentes sobre os investimentos em IA

Os US$ 30 trilhões previstos para data centers já estão garantidos?

Não. A cifra é uma projeção de gastos acumulados até 2050 atribuída à PwC e citada pela Reuters. Projeções dependem de hipóteses sobre demanda, custos, energia e evolução tecnológica; não equivalem a dinheiro já contratado ou aprovado.

O plano de US$ 518 bilhões da Anthropic significa que a empresa gastará tudo de uma vez?

Não é possível concluir isso apenas pelo valor divulgado. Segundo a notícia, o montante aparece em um prospecto analisado pela Reuters e se refere a planos para os próximos anos. O cronograma e a composição detalhada precisam ser avaliados no documento e podem envolver diferentes formas de compromisso com infraestrutura.

Se ainda há poucas evidências de produtividade, a IA não está funcionando?

Não necessariamente. Uma ferramenta pode ser útil em tarefas específicas antes de aparecer um efeito mensurável na produtividade de toda uma economia. O ponto é que utilidade pontual não comprova, por si só, ganho amplo ou retorno financeiro suficiente para justificar todos os investimentos.

Como uma empresa pode verificar se a IA compensa?

Ela pode começar com um piloto limitado, comparar os resultados com um processo de referência e incluir todos os custos, como revisão humana, integração e segurança. O indicador relevante é o ganho líquido e sustentado — não apenas a rapidez com que o modelo gera uma resposta.

E você, já testou essa funcionalidade? Conte sua experiência (ou dúvidas) nos comentários! Se este guia te ajudou, compartilhe com alguém que também precisa saber disso. E para receber nossos tutoriais e análises em primeira mão, assine a newsletter do Tech Advisor Brasil.