As grandes empresas de tecnologia intensificam os gastos com IA à medida que os modelos de raciocínio assumem o controle

As maiores empresas de tecnologia aumentarão seus gastos com inteligência artificial para mais de US$ 500 bilhões no início da próxima década, impulsionadas em parte pela DeepSeek e pela metodologia de IA mais recente da OpenAI. 

a Microsoft Corp., a Amazon.com Inc. e a Meta Platforms Inc., conhecidas coletivamente como hiperescaladores, investirão US$ 371 bilhões em centros de dados de IA e recursos computacionais em 2025, um aumento de 44% em relação ao ano anterior. Até 2032, espera-se que esse valor chegue a US$ 525 bilhões.

Historicamente, grande parte do investimento em IA era direcionado para centros de dados e chips para treinar ou criar novos modelos de IA significativamente complexos. Agora, as empresas querem adotar uma abordagem diferente. Com isso, espera-se que as empresas de tecnologia direcionem mais investimentos para a inferência, ou seja, o processo de execução desses sistemas após o treinamento.

Como a DeepSeek e a OpenAI estão moldando as tendências de gastos com IA

A DeepSeek, da China, a OpenAI e várias outras empresas introduziram novos modelos de raciocínio, intensificando a competição entre empresas que ainda não adotaram uma abordagem semelhante.

Esses sistemas imitam a resolução de problemas humanos, dedicando tempo adicional para processar e calcular as respostas às consultas do usuário.

A ascensão da DeepSeek, que alegava poder criar um modelo competitivo a um custo menor do que alguns de seus principais concorrentes americanos, gerou preocupações sobre os altos investimentos em desenvolvimento de IA no setor de tecnologia dos EUA. Como resultado, algumas das principais empresas de tecnologia preferem sistemas de IA mais eficientes que possam ser executados em menos chips.

No entanto, os modelos de raciocínio também apresentam novas oportunidades de lucrar com o software e possivelmente transferir mais custos de desenvolvimento após a implementação do modelo. Isso provavelmente incentivará mais investimentos nessa estratégia e aumentará os gastos com IA em geral.

Mandeep Singh, analista da Bloomberg Intelligence, escreveu: "O crescimento dos gastos de capital para treinamento em IA pode ser muito mais lento do que nossas expectativas anteriores."

No entanto, ele observou que o enorme foco no DeepSeek provavelmente incentivará as empresas de tecnologia a "aumentar os investimentos" em inferência, tornando-o o segmento de mercado com a taxa de crescimento mais rápida em IA generativa.

Segundo relatos, prevê-se que mais de 40% dos orçamentos de IA dos hiperescaladores deste ano sejam destinados ao treinamento; no entanto, em 2032, essa porcentagem cairá para apenas 14%. Em contrapartida, quase metade de todos os gastos anuais com IA poderá ser alocada a investimentos em inferência.

Por outro lado, Singh escreveu que o Google, da Alphabet Inc., parece estar em melhor posição para fazer essa transição rapidamente, graças aos seus chips próprios que lidam com treinamento e inferência. Outras empresas de tecnologia, como a Microsoft e a Meta, podem não ter tanta flexibilidade porque dependem muito dos chips da Nvidia Corp.

Como os modelos de raciocínio estão remodelando a IA com pensamento estruturado e lógico

Os modelos de raciocínio são modelos de linguagem especializados, projetados para resolver problemas por meio de raciocínio lógico explícito, que surgiram como um novo paradigma na IA, superando os modelos de linguagem lógicos convencionais em tarefas complexas, ao decompor os problemas, "pensar" antes de responder e aprimorar as soluções de forma iterativa.

Historicamente, os modelos de raciocínio lógico de uso geral conseguiam gerar respostas simples. Com a introdução dos modelos de raciocínio, as respostas seguem um processo de pensamento mais estruturado, e o processo para chegar a essa resposta é indicado. No entanto, enquanto alguns modelos exibem claramente sua fase de raciocínio lógico, outros não.

A fase de raciocínio mostra como o modelo pode decompor o problema apresentado em problemas menores (decomposição), experimentar diferentes abordagens (ideação), escolher as melhores abordagens (validação), rejeitar abordagens inválidas (possivelmentetrac) e, finalmente, escolher a melhor resposta (execução/resolução).