A promessa feita por Jensen Huang, CEO da Nvidia, durante uma cúpula com o rei Charles III na Escócia, em outubro de 2025, ecoou como um trovão no Vale do Silício: a expectativa de vender o dobro de chips no próximo ano fiscal em relação ao atual, sustentada por uma projeção de receita próxima a US$ 673 bilhões (cerca de R$ 3,6 trilhões) até janeiro de 2028. Não se trata apenas de mais um número bilionário na contabilidade de uma big tech — é um termômetro que mede a temperatura real da revolução da inteligência artificial generativa.

Segundo o portal Olhar Digital, Huang foi taxativo: a IA está se tornando uma prioridade nacional em dezenas de países, e a Nvidia pretende ser a infraestrutura sobre a qual esse novo mundo será construído. Mas o que essa duplicação de vendas significa na prática? Quem se beneficia, quem corre riscos e, principalmente, o que esperar do mercado de hardware para IA nos próximos cinco anos? Este guia responde a essas e outras perguntas com profundidade técnica, contexto histórico e análise de tendências.

O que está por trás da ambição de dobrar as vendas da Nvidia

Para compreender o tamanho do anúncio, é preciso olhar para o histórico recente. A Nvidia encerrou seu ano fiscal de 2025 com cerca de US$ 130 bilhões em receita, um salto brutal em relação aos US$ 27 bilhões registrados em 2022. A projeção de duplicação implica ultrapassar a marca dos US$ 260 bilhões anuais apenas com a venda de unidades, antes mesmo de serviços e software.

Por que o mercado acredita (e por que devemos olhar com lupa)

Wall Street já precificou parte dessa euforia: as ações da Nvidia valorizaram mais de 170% nos últimos 12 meses, e a empresa se tornou periodicamente a mais valiosa do mundo, alternando o posto com Apple e Microsoft. Ainda assim, analistas ouvidos por veículos como Bloomberg e Financial Times consideram que existe espaço para surpresas positivas, especialmente porque três vetores sustentam a tese de Huang:

  • Compute density por dólar em queda acelerada: a cada nova geração, a relação custo/desempenho melhora entre 2x e 3x, empurrando data centers antigos a entrar em ciclos de modernização.
  • Demanda soberana: países como Reino Unido, França, Japão, Índia e Brasil anunciaram planos de construir infraestruturas nacionais de IA com milhares de GPUs cada.
  • Modelos cada vez maiores: a tendência de modelos de linguagem com trilhões de parâmetros e inferência em tempo real exige hardware dedicado, que ainda não tem substituto à altura.

Há, contudo, riscos reais: gargalos de fabricação da TSMC, consumo energético de data centers, restrições à exportação de chips avançados para a China e o avanço lento — porém constante — de alternativas como as TPUs do Google e os chips Trainium da AWS.

Os números que sustentam a projeção de US$ 673 bilhões

Quando Huang mencionou o número, muitos o trataram como especulação. Mas a conta, na verdade, é mais conservadora do que parece. Para chegarmos a US$ 673 bilhões em janeiro de 2028, basta que a Nvidia cresça cerca de 70% ao ano composto durante três exercícios — exatamente o que vem acontecendo desde 2023.

Decompondo a projeção

  1. Data centers corporativos: continuam sendo o motor principal, respondendo por mais de 88% da receita. A migração de cargas de trabalho de IA para provedores como Microsoft Azure, AWS, Google Cloud e Oracle Cloud puxa encomendas bilionárias.
  2. Setor público e defesa: contratos com governos dos EUA, aliados da OTAN e países asiáticos estão multiplicando a base de clientes.
  3. Automotivo e robótica: embora ainda pequeno em volume, o segmento cresce acima de 100% ao ano, sustentado por montadoras como Mercedes-Benz, Volvo e BYD.
  4. Software e serviços: plataformas como Nvidia AI Enterprise, Omniverse e DGX Cloud adicionam receita recorrente com margens superiores a 75%.

Esse mix diversificado reduz a dependência de um único cliente — embora Microsoft, Meta, Google e Amazon, juntos, ainda representem parcela significativa das compras. Na prática, a Nvidia deixou de ser uma "empresa de chips" e se transformou em uma plataforma full-stack de IA.

Como os chips da Nvidia funcionam e por que são diferentes

Para o leitor que não acompanha o setor diariamente, vale uma explicação acessível sobre o que torna um chip da Nvidia tão cobiçado. Os produtos da linha Hopper (H100, H200) e, mais recentemente, Blackwell (B100, B200, GB200) não são processadores comuns: são sistemas em escala de rack, projetados especificamente para os dois grandes gargalos da IA moderna — treinamento e inferência de modelos massivos.

Arquitetura técnica em linguagem simples

  • Tensor Cores: unidades especializadas que executam operações de matrizes (multiplicações e somas massivas) usadas em redes neurais. Cada geração multiplica a capacidade — o B200, por exemplo, entrega até 20 petaflops de precisão FP4.
  • Memória HBM3e: a "mesa de trabalho" onde os dados ficam armazenados para acesso ultrarrápido. Quanto mais memória, maiores os modelos que cabem em uma única GPU, evitando gargalos de comunicação.
  • NVLink e InfiniBand: tecnologias de interconexão que permitem que milhares de GPUs trabalhem como se fossem uma só. Um supercomputador como o DGX SuperPOD pode escalar para mais de 500 mil GPUs interconectadas.
  • DLSS, CUDA e frameworks: o ecossistema de software, com mais de 5 milhões de desenvolvedores ativos, é muitas vezes mais decisivo do que o hardware em si. Quem programa em CUDA raramente migra para AMD ou Intel sem um forte motivo.

Em outras palavras, a Nvidia não vende apenas silício — vende um stack completo no qual hardware, software, bibliotecas e comunidade se reforçam mutuamente. Esse efeito de rede tecnológica é a verdadeira fortaleza da empresa, e também o que torna tão difícil para concorrentes destroná-la.

O cenário competitivo: rivais reais e ameaças estruturais

A Nvidia não está sozinha no páreo, e ignorar seus concorrentes seria desonesto. Embora nenhuma alternativa ofereça hoje o mesmo equilíbrio entre desempenho, maturidade de software e escala de produção, o tabuleiro está mudando rapidamente.

Principais concorrentes e o que oferecem

  • AMD (Instinct MI300X e MI325X): ganhou espaço em workloads de inferência e em clientes como Microsoft e Meta. Tem boa relação custo/desempenho, mas o ecossistema ROCm ainda está atrás do CUDA em maturidade.
  • Intel (Gaudi 3): aposta em preço agressivo e em código aberto. Ainda enfrenta problemas de escala e de software, mas é vista como uma aposta de longo prazo por governos que querem diversificar fornecedores.
  • Google TPU v5e e v6 (Trillium): usada internamente e oferecida via Google Cloud, é referência em inferência eficiente. Não está disponível fora do ecossistema do Google.
  • AWS Trainium 2 e Inferentia 2: chip próprio da Amazon para reduzir custos de operação de modelos como Claude e Titan. Estratégia vertical típica da hyperscaler.
  • Chips personalizados de Meta, Microsoft, OpenAI e ByteDance: cada vez mais empresas projetam ASICs (chips de aplicação específica) para workloads particulares, ainda que usem GPUs da Nvidia para treinamento central.

Apesar da concorrência crescente, a Nvidia continua entregando saltos geracionais a cada 18 meses, o que mantém a indústria em uma espécie de "corrida armamentista" na qual os rivais precisam correr o dobro para alcançar o líder. Isso não significa que a posição é inatacável — significa apenas que, até 2027, dificilmente veremos uma mudança brusca de paradigma.

IA soberana, geopolítica e o impacto para o Brasil

Durante a cúpula na Escócia, Huang esteve ao lado de representantes do Google DeepMind, OpenAI e Anthropic — três laboratórios que definem o estado da arte em IA generativa. A reunião aconteceu no contexto da Cúpula de Segurança de IA de Bletchley e seus desdobramentos, e revela uma tendência cada vez mais clara: a IA deixou de ser assunto apenas de empresas e passou a ser tratada como infraestrutura crítica nacional.

O que isso significa na prática

Países que antes compravam software pronto agora querem fabrica de IA própria. O Reino Unido anunciou investimentos de £ 25 bilhões em data centers. A França, através da Mistral AI e do programa "AI for Humanity", busca capacidade computacional nacional. A Índia está construindo o IndiaAI Mission com mais de 18 mil GPUs encomendadas. E o Brasil?

O país deu passos tímidos com o Plano Brasileiro de Inteligência Artificial 2024–2028, prevendo supercomputadores no LNCC e na Petrobras, além de incentivos a centros de pesquisa. Ainda assim, estamos distantes da escala necessária: enquanto a Nvidia entrega entre 1,5 milhão e 2 milhões de GPUs H100/B100 por ano, o Brasil provavelmente operará, até 2027, com algumas dezenas de milhares de chips de alto desempenho. Isso afeta diretamente a soberania tecnológica, a capacidade de treinar modelos em português e a competitividade de startups locais.

Os riscos que ninguém quer discutir em voz alta

Um guia responsável precisa apontar os pontos frágeis dessa narrativa de crescimento ilimitado. São eles:

1. Consumo energético insustentável

Um único rack GB200 NVL72 consome cerca de 120 kW. Multiplique isso por milhares de racks e chegamos a data centers que demandam gigawatts de potência contínua — equivalente ao consumo de uma cidade média brasileira. A infraestrutura elétrica global simplesmente não foi projetada para isso, e usinas de gás natural, nuclear e renováveis estão sendo construídas a toque de caixa.

2. Restrições de exportação e fragmentação tecnológica

As regras dos EUA limitam a venda de chips avançados para a China, obrigando a Nvidia a criar versões reduzidas (H20, B30A). Essa dinâmica abre espaço para a Huawei e a SMIC acelerarem o desenvolvimento doméstico, e pode resultar em duas ecossistemas de IA paralelos — um ocidental e outro sino-centrado.

3. Bolha especulativa?

Alguns analistas comparam o momento atual à bolha das dot-com. Embora os paralelos sejam imperfeitos — diferente do fim dos anos 1990, há receita real e adoção empresarial concreta —, é saudável lembrar que nem todas as startups de IA sobreviverão, e que os retornos de capital prometidos por alguns ciclos de hype podem não se materializar.

4. Segurança e controle da IA

A declaração de Huang aconteceu em meio a discussões sobre os riscos existenciais da IA. Pesquisadores como Yoshua Bengio e Geoffrey Hinton já alertaram que modelos cada vez mais autônomos podem se tornar difíceis de auditar. Reguladores europeus, americanos e asiáticos estão debruçados sobre o tema, e novas legislações podem impor limites ao desenvolvimento — o que, no limite, reduziria a demanda por hardware de ponta.

O que isso muda para empresas e consumidores comuns

Você não precisa comprar uma GPU de US$ 30 mil para sentir os efeitos dessa revolução. A duplicação das vendas da Nvidia tem impactos práticos no cotidiano:

  • Preços de serviços de IA em queda: à medida que a infraestrutura escala, o custo por token de inferência cai exponencialmente. Ferramentas como ChatGPT, Claude, Copilot e Gemini devem ficar mais baratas ou mais poderosas pelo mesmo preço.
  • Produtos embarcados com IA local: notebooks e smartphones com NPUs dedicadas (Apple Silicon, Qualcomm Snapdragon X, AMD Ryzen AI) trazem parte desses benefícios para o consumidor final.
  • Demanda por profissionais qualificados: engenheiros de prompt, engenheiros de ML, MLOps e arquitetos de dados estão entre os cargos mais demandados do mercado, com salários que podem ultrapassar R$ 40 mil mensais no Brasil.
  • Transformação setorial: áreas como medicina (descoberta de fármacos), direito (análise de contratos), agronegócio (visão computacional em drones), educação (tutores personalizados) e indústria (robótica colaborativa) já estão sendo profundamente remodeladas.

Como se preparar para os próximos três anos

Se você trabalha com tecnologia, marketing, produto ou gestão, aqui vai um roteiro prático sugerido por especialistas do setor para tirar proveito dessa nova fase:

  1. Mapeie oportunidades de IA no seu negócio. Identifique tarefas repetitivas que possam ser automatizadas com LLMs ou visão computacional. Comece com pilots pequenos, mensure ROI antes de escalar.
  2. Invista em dados limpos. Sem dados de qualidade, mesmo o melhor chip do mundo é inútil. Construa pipelines robustos e governança desde o início.
  3. Capacite equipes multidisciplinares. Combine conhecimento de domínio (médicos, advogados, engenheiros) com cientistas de dados e engenheiros de software.
  4. Acompanhe a evolução dos modelos open-source. Llama, Mistral, Qwen e DeepSeek estão fechando o fosso com modelos proprietários e podem reduzir drasticamente custos de operação.
  5. Monitore custos de inferência. Escolha provedores que ofereçam modelos menores e especializados para tarefas específicas em vez de pagar caro por um modelo gigante que faz tudo mal.
  6. Preste atenção em regulamentações. A LGPD, o AI Act europeu e regulações setoriais vão moldar o que pode e o que não pode ser feito. Conformidade deixa de ser diferencial e passa a ser requisito básico.

O horizonte 2027–2030: o que vem depois da Blackwell

A arquitetura Blackwell, lançada em 2024, já tem sucessor mapeado: a família Rubin, prevista para 2026, promete mais 50% de eficiência energética e o dobro de desempenho em treinamento de modelos. Depois dela, virá a Ultra, possivelmente em 2028. Cada salto gera uma onda de upgrade em data centers e força concorrentes a reagirem.

Além do silício, espera-se uma forte expansão do AI-as-a-Service, do mercado de agentes autônomos, da robótica humanoide (com Tesla Optimus, Figure 02, Unitree H1 e outros), e da medicina personalizada, onde modelos treinados em dados genômicos individuais exigirão poder computacional sem precedentes.

Perguntas frequentes sobre a Nvidia e o boom da IA

1. A Nvidia realmente vai dobrar as vendas em 2027?

Não existe garantia absoluta, mas todos os indicadores operacionais — pipeline de pedidos, capacidade de fabricação contratada com a TSMC, compromissos de longo prazo com hyperscalers — apontam para um crescimento próximo a 100% no ano fiscal de 2027. Pequenos desvios são normais, mas a magnitude da projeção é coerente com a trajetória atual.

2. Por que os chips da Nvidia são tão superiores aos da concorrência?

A superioridade vem de três fatores combinados: arquitetura de hardware otimizada para operações de IA, interconexões de altíssima velocidade (NVLink/InfiniBand) e um ecossistema de software (CUDA) com mais de uma década de maturidade. Concorrentes como AMD e Intel oferecem peças competitivas em, mas ainda lutam para igualar o ecossistema.

3. Como o consumidor final é afetado por esse crescimento?

Direta e indiretamente. Aplicativos de IA generativa ficam mais rápidos, baratos e onipresentes; dispositivos pessoais ganham NPUs que executam modelos localmente; e profissões inteiras são transformadas. Quem ignorar essa onda corre o risco de ficar para trás profissionalmente.

4. Existe risco de a Nvidia perder a liderança?

Existe, mas não no curto prazo. Os principais riscos vêm de chips personalizados por hyperscalers (Google, Amazon, Microsoft), de restrições geopolíticas e de possíveis saltos arquiteturais da AMD. Mesmo assim, mudar a preferência de desenvolvedores acostumados ao CUDA leva anos, o que dá à Nvidia uma vantagem defensiva enorme.

5. O que é a "IA soberana" mencionada por Huang?

É a ideia de que cada país precisa de sua própria infraestrutura de IA — data centers, modelos treinados em dados locais, equipes de pesquisa e regulação — para não depender exclusivamente de tecnologias estrangeiras. É uma resposta geopolítica à concentração de poder computacional em poucas empresas e nações.

6. Investir em ações da Nvidia ainda vale a pena?

Decisões de investimento exigem análise pessoal e orientação de profissionais certificados. O que se pode dizer é que a Nvidia é hoje uma das empresas mais bem posicionadas do setor de tecnologia, com fundamentos sólidos, mas também com valuation elevado. Como em qualquer ação de crescimento, a volatilidade é alta e os riscos são reais.

Em síntese, a declaração de Jensen Huang na Escócia não foi apenas uma bravata corporativa — foi a tradução de uma transformação econômica em escala global. A corrida para construir a infraestrutura da inteligência artificial definiu a próxima década da tecnologia, e a Nvidia, por ora, segue como sua principal arquiteta. Entender esse movimento é, hoje, tão importante quanto entender a chegada da internet nos anos 1990 ou dos smartphones nos anos 2000.

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.