Em 10 de janeiro de 2026, um pânico silencioso começou a se espalhar pelos canais secundários do Vale do Silício. Não foi desencadeado por uma quebra do mercado ou por uma nova regulamentação, mas por um gráfico.
Durante um briefing sobre o estado da pesquisa em IA, Kaoutar El Maghraoui da IBM Research, juntamente com analistas do Adaline Labs, expuseram uma realidade que a indústria tem tentado desesperadamente ignorar: As Leis de Escalabilidade estão mortas.
Nos últimos cinco anos, toda a economia de IA generativa de 1 bilião de dólares foi construída sobre uma equação única e clara: se multiplicarmos o cálculo por 10, reduziremos a taxa de erro para metade. Era a “Lei de Moore” da inteligência e justificava cada grande data center, cada gigawatt de potência e cada pedido de Nvidia H100.
Mas a partir do primeiro trimestre de 2026, a matemática quebrou. A indústria atingiu o “Muro de Escalada”.
A Física do Fracasso
A armadilha da “Lei do Poder”
Para compreender porque é que isto é uma catástrofe para o actual ciclo de capital, é preciso olhar para a curva “Compute-to-Performance”, legalmente conhecida como Leis de Escala de Kaplan (2020) e posteriormente refinada pelos documentos Chinchilla (2022).
Durante cinco anos, estas leis foram o evangelho do Vale do Silício. Eles afirmaram que o desempenho do modelo melhora como uma função de lei de potência de três variáveis: tamanho do modelo (parâmetros), tamanho do conjunto de dados (tokens) e computação (FLOPs).
De 2020 a 2024, essa curva comportou-se linearmente no espaço logarítmico. Alimentar a fera com mais GPUs tornou-a mais inteligente. O GPT-4 era mais inteligente que o GPT-3 porque era maior. Claude 3.5 era mais inteligente que Claude 3 porque era mais denso. A correlação foi tão estreita () que os engenheiros puderam prever a pontuação exata do benchmark de um modelo no conjunto de dados matemáticos GSM8K antes de terminar o treinamento.
Mas no final de 2025, a curva começou a achatar. Os modelos mais recentes lançados este mês (apesar de serem treinados em clusters 5x maiores que seus antecessores) estão mostrando ganhos marginais nas capacidades de raciocínio.
Os investidores estão vendo um retorno do investimento brutalmente decrescente.
Onde é a perda (taxa de erro), é computação e é o expoente de escala. O problema é que é pequeno (normalmente em torno de 0,05 a 0,1 para raciocínio complexo). Isto marca uma mudança de um regime linear para um regime logarítmico. Para obter uma melhoria de 10% no raciocínio agora é necessário um aumento de 100x no poder computacional.
Este não é apenas um problema de engenharia; é uma sentença de morte financeira. Se os custos de insumo (energia + silício) aumentarem exponencialmente ($ 10 ^ 2 ), mas o valor da produção (inteligência) aumentar linearmente (\ 10 ^ 1 $), as margens se aproximarão de zero.
O problema do esgotamento de dados
O principal culpado é o “esgotamento de dados”. Os laboratórios literalmente ficaram sem texto humano de alta qualidade. Em 2024, todos os grandes laboratórios haviam eliminado Common Crawl, GitHub e LibGen. Eles ingeriram a soma total da Internet pública.
A indústria tentou resolver isso com “Dados Sintéticos” – fazendo com que a IA escrevesse livros didáticos para outras IAs lerem. Mas os relatórios de Janeiro de 2026, especificamente a devastadora investigação “Model Collapse” de Oxford e da Universidade Rice, confirmam o que os céticos temiam.
Quando uma IA treina com base em seus próprios resultados, os erros sutis aumentam e as variações diminuem. O modelo fica confiante, mas errado. Perde a “cauda longa” do pensamento humano estranho, criativo e propriamente caótico. É o equivalente digital da endogamia. O pool genético do pensamento humano fornece a variação e a criatividade, enquanto os dados sintéticos são uma fotocópia de uma fotocópia.
Sem novos dados humanos de “alta entropia” (que se tornam mais escassos a cada dia que o conteúdo de IA inunda a web), os modelos atingem uma assíntota. Eles param de ficar mais espertos e ficam mais “fluentes” em alucinações.
O “ativo irrecuperável” de um trilhão de dólares
Este patamar técnico cria um enorme problema financeiro. Transforma a construção de infra-estruturas de 1 bilião de dólares na maior má alocação de capital desde a bolha das telecomunicações de 2001.
As empresas de capital de risco investiram mais de US$ 200 bilhões em laboratórios do “Modelo Básico” nos últimos 24 meses. Esse capital foi aplicado na tese de que o modelo em si é o produto. A suposição era que se você construísse o “Cérebro de Deus”, você ganharia o mercado. O pensamento era: “Escala é tudo que você precisa”.
Mas se a expansão estagnou, então o “Cérebro de Deus” não chegará no próximo ano. O mercado está preso a “Pretty Good Brains”, que são mercadorias indistinguíveis.
O Cronograma de Depreciação do Inferno
Considere a economia de um cluster H100. Você compra 100.000 GPUs por US$ 4 bilhões. Você gasta mais US$ 1 bilhão em cabos de concreto, refrigeração e Infiniband. Você tem um cronograma de depreciação de 5 anos.
Para recuperar esse dinheiro, esse cluster precisa produzir um modelo que seja significativamente melhor do que o que o Open Source oferece gratuitamente. Mas os modelos de peso aberto (como o Llama 4 e o mais recente do Mistral) estão diminuindo a diferença para 2% dos gigantes de código fechado.
Se OpenAI, Anthropic, Google e Meta tiverem modelos que são efetivamente iguais em desempenho porque todos atingiram o mesmo muro físico, então a margem entra em colapso. A barreira à entrada não é “mágica”, é apenas capital. E o capital é barato.
Isso transforma os enormes clusters de GPU atualmente sendo construídos no Texas e em Dakota do Norte em potencialmente “ativos ociosos”. Eles foram projetados para um regime de treinamento (corridas massivas e monolíticas que duram meses) que não faz mais sentido do ponto de vista econômico. Os construtores estão despejando concreto em 747 pistas em um mundo que está migrando para drones.
A Rima Histórica: Fibra em 2001
Este filme já foi exibido antes. No final da década de 1990, empresas como a Global Crossing e a WorldCom instalaram milhões de quilómetros de cabos de fibra óptica através do Atlântico. Eles acreditavam que o tráfego da Internet dobrava a cada 100 dias (a “lei de escala” daquela época).
Eles estavam certos sobre a direção, mas errados sobre o momento da monetização.
A fibra foi construída. A capacidade estava lá. Mas os aplicativos matadores (YouTube, Netflix, iPhone) ainda estavam a dez anos de distância. O resultado? O preço da largura de banda caiu para zero. As empresas de infraestrutura faliram. Os ativos foram comprados por centavos de dólar pela próxima geração (Google, Amazon).
A indústria de IA enfrenta a mesma “lacuna de decepção”. Os chips existem. Os modelos existem. Mas o valor de 1 bilião de dólares em aplicações geradoras de receitas necessárias para pagar a conta de energia não o faz.
Falando em poder, as restrições físicas são tão duras quanto as algorítmicas. Conforme detalhado em The Shadow Utility: Meta’s 6.6GW Nuclear Maneuver, a grade simplesmente não pode suportar a curva exponencial, mesmo que a matemática funcione. A indústria está atingindo o “Muro Termodinâmico” exatamente no mesmo momento em que atinge o “Muro Algorítmico”.
Do Capex ao Opex: O pivô para o “Sistema 2”
O dinheiro inteligente já está em movimento. Observe a mudança no primeiro trimestre de 2026 de Treinamento (Capex) para Inferência (Opex).
O relatório “Adaline Labs” destaca uma mudança crítica: “escalonamento do tempo de inferência”. Em vez de tornar o modelo maior (o que está falhando), os engenheiros estão fazendo o modelo pensar mais.
Esta é a mudança do pensamento do “Sistema 1” (rápido, intuitivo, reflexo) para o pensamento do “Sistema 2” (lento, deliberativo, racional), um conceito emprestado de Daniel Kahneman.
Em 2024, se você perguntasse um problema de matemática ao GPT-4, ele tentaria validar a resposta de uma só vez. Em 2026, as novas arquiteturas geram 50 etapas possíveis, criticam-nas, retrocedem e verificam a lógica antes de gerar um token final.
Ao usar técnicas como verificação de “Cadeia de Pensamento” e debate multiagente, modelos menores podem superar os gigantes. Um modelo de parâmetro 70B pensando por 10 segundos pode superar um modelo de parâmetro 1T respondendo instantaneamente.
A consequência econômica
Isso muda totalmente o modelo de negócios da IA. Move o custo da fase de treinamento (compra da fábrica) para a fase de uso (queima do carvão).
Isto é um desastre para a narrativa da “margem SaaS”. Os VCs amam as empresas de software porque elas têm custos marginais zero. Depois que o código for escrito, o próximo usuário estará livre.
Mas o “escalonamento do tempo de inferência” parece mais um processo industrial. Você tem que gastar $1 de eletricidade para gerar $1,50 de valor. Essa é uma margem bruta de 33%, e não a margem de software de 90% em que Wall Street está viciada.
Se a IA for um bem industrial, como a electricidade ou o aço, então as avaliações destas empresas são 10 vezes superiores.
A mudança de 2026
A indústria está entrando na fase de “desilusão” do ciclo de hype. Isso não significa que a IA acabou. Isso significa que a IA fácil acabou.
Os vencedores de 2026 não serão as empresas que construírem os maiores clusters. Serão as empresas que descobrirão como extrair o valor económico real dos modelos “estagnados” já existentes.
O “Scaling Wall” não é o fim da IA. É apenas o fim das dores crescentes da IA. Agora vem a parte difícil: conseguir um emprego. O “Cérebro de Deus” não vem para salvar a indústria. Os desenvolvedores precisam construir eles próprios os aplicativos.
🦋 Discussão no Bluesky
Discutir no Bluesky