Modelos pequenos "roubam" a demanda por poder de computação em nuvem, colocando à prova os gastos de capital de trilhões de dólares nos centros de dados.

As aplicações de IA continuam a se expandir, mas o investimento em data centers de ultra grande escala, que sustenta essa nova onda, está enfrentando novos desafios do lado da demanda.

Um relatório da Jefferies aponta que, à medida que pequenos modelos de linguagem melhoram seu desempenho e reduzem custos, a implantação de IA por parte das empresas pode migrar da nuvem centralizada para soluções locais, criando pressão sobre a demanda por capacidade de processamento em nuvem e os enormes investimentos de capital em data centers.

Uma base importante para essa análise é a observação recente sobre o uso real de servidores de IA. Em setembro de 2026, a Swerve Research Technologies construiu um “índice de congestionamento” ao acompanhar o tempo de espera nas filas de solicitação dos servidores da Anthropic, e descobriu que a taxa de utilização desses servidores caiu 26% em relação ao pico observado entre janeiro e fevereiro de 2026. Esse indicador não corresponde diretamente à receita das empresas, mas, caso a utilização continue caindo, pode significar que parte da capacidade de processamento está começando a ficar ociosa.

Ao mesmo tempo, os investimentos em infraestrutura de IA ainda estão se expandindo rapidamente. O mercado atualmente projeta que, juntas, Meta, Alphabet, Amazon e Microsoft podem somar US$ 990 bilhões em despesas de capital até 2027. O relatório avalia que, se o crescimento da demanda por capacidade de IA não acompanhar o enorme volume de investimento, parte dos data centers pode enfrentar retorno insuficiente ou até mesmo o risco de se tornarem “ativos encalhados”.

Queda na utilização dos servidores desafia a oferta de capacidade de IA

O produto pessoal de IA da Meta, Muse, lançado em 8 de setembro, impulsionou as ações da Meta em 21% em poucas semanas, tornando-se um destaque recente entre as aplicações de consumo de IA. Mas o relatório entende que o sucesso de uma aplicação única não é suficiente para comprovar a sustentabilidade de todo o ciclo de investimento em infraestrutura de IA.

Mais importante, as próprias empresas de IA começaram a emitir sinais diferentes das expectativas otimistas do mercado. O CEO da Anthropic, o CEO da OpenAI Sam Altman e Elon Musk discutiram recentemente em público sobre a necessidade de desacelerar o desenvolvimento da IA; o IPO inicialmente planejado pela Anthropic foi adiado para novembro.

Ao mesmo tempo, a Anthropic já assinou anteriormente um contrato de US$ 45 bilhões em três anos de capacidade de processamento com a SpaceX, além de acordos bilionários com Amazon e Google Cloud. Se o crescimento da receita de IA desacelerar, mas os grandes contratos de capacidade já assinados tiverem que ser cumpridos, a pressão de custos das empresas pode aumentar ainda mais.

Segundo reportagens, a Meta também negociou com a Anthropic em julho a locação de até US$ 10 bilhões em capacidade de data center ao longo de dois anos. O relatório avalia que o fato de grandes empresas de tecnologia estarem buscando clientes externos para absorver capacidade de processamento reflete um novo problema diante da rápida expansão da infraestrutura: como melhorar a taxa de utilização dos ativos.

Desempenho de pequenos modelos impulsiona opções locais e pode reduzir demanda na nuvem

Mais do que as variações de curto prazo na utilização dos servidores, o relatório destaca mudanças na arquitetura dos modelos de IA.

Segundo o estudo “Intelligence per Watt”, publicado em conjunto pela Universidade de Stanford e Together AI, pequenos modelos de linguagem estão rapidamente se aproximando do desempenho dos grandes modelos, ao mesmo tempo em que consomem 50% a 85% menos energia e capacidade de processamento. Se essa tendência continuar, o volume e a estrutura de custos para implementação de IA pelas empresas provavelmente mudarão.

No passado, as empresas dependiam principalmente de grandes modelos em nuvem centralizada para suas tarefas de IA; com a melhora dos pequenos modelos, alguns cenários podem migrar para soluções locais. Para setores como o bancário, que exigem elevados padrões de segurança de dados, o interesse em soluções locais já é significativo; e, conforme os pequenos modelos reduzem ainda mais o custo de implantação, esse formato pode ganhar ainda mais espaço.

Isso significa que o crescimento das aplicações de IA não necessariamente corresponde ao aumento proporcional da demanda por capacidade de processamento em nuvem. As empresas podem, ao mesmo tempo, ampliar o uso de IA e diminuir a dependência de APIs de grandes modelos e processamento centralizado na nuvem.

Este é também um dos principais motivos pelos quais o relatório questiona os quase US$ 1 trilhão em despesas de capital: se mais aplicações de IA vierem a ser suportadas por pequenos modelos locais e de baixo custo, o atual volume de investimento nos data centers de ultra grande escala pode não corresponder à demanda real de capacidade.

Nesse cenário, o ponto essencial a ser reavaliado não é se existe demanda por IA, mas sim de quanto processamento centralizado a IA realmente necessita e se esses data centers poderão obter retornos compatíveis ao volume de investimento realizado.