A verdadeira questão nunca é "a demanda por IA diminuirá?", mas sim "em qual camada da cadeia de valor o valor final se concentrará?".

Autor do artigo, fonte: 0x9999in1, ME News

TL;DR

• O Morgan Stanley, no relatório "Modelos de Peso Aberto e Três Cenários Futuros", apresenta o julgamento central: o surgimento de modelos de peso aberto como Kimi K3, Qwen e Llama é um catalisador para acelerar a adoção da IA, não uma ameaça aos líderes do setor.
• O argumento é o paradoxo de Jevons — após a redução do custo de uma única inferência, as empresas aplicam a IA a mais tarefas, aumentando a demanda total por tokens, capacidade de processamento, energia elétrica e infraestrutura.
• Morgan Stanley alerta claramente: peso aberto não significa gratuito. Os custos de GPU, serviços em nuvem, operação e segurança ainda existem; a viabilidade econômica real depende do cenário.
• O estudo do MIT citado mostra que a transição de modelos fechados para abertos pode reduzir o preço médio em cerca de 70%, correspondendo a economias anuais de aproximadamente US$ 25 bilhões para empresas; no entanto, o estudo foi concluído em dezembro de 2025 e não considerou plenamente os custos de implantação.
• A pesquisa da Carnegie Mellon é mais cautelosa: o período de retorno depende fortemente da escala; implantações de pequeno porte com menos de 30 bilhões de parâmetros podem ter retorno rápido, mas as diferenças se tornam significativas à medida que a escala aumenta.
• Três cenários finais: oligopólio de código fechado, coexistência híbrida e vitória dos modelos de pesos abertos. O ponto de ancoragem real é que 63% das empresas já estão usando dois tipos de modelos simultaneamente.
• Os beneficiários contínuos são apenas duas linhas: NVIDIA e o fornecimento de energia em tempo real. A razão não é escolher lado, mas sim que, independentemente de a capacidade de processamento estar concentrada em grandes data centers ou distribuída na borda, a lógica subjacente da GPU e da eletricidade permanece inalterada.
• A verdadeira questão nunca é "a demanda por IA diminuirá?", mas sim "em qual camada da cadeia de valor o valor final se concentrará?".

I. O que o mercado entendeu errado

Em meados de julho de 2026, o Kimi K3 foi lançado. O índice de semicondutores de Filadélfia caiu em resposta, e empresas como NVIDIA, Micron e SK Hynix, assim como a Cadence, uma empresa de EDA, também sofreram.

Familiar? Muito familiar.

Há mais de um ano, com o movimento do DeepSeek, a reação do mercado foi a mesma: quanto mais forte o modelo aberto, menos valioso se torna o poder de computação. A lógica parece coerente — se um modelo com pesos abertos pode alcançar os líderes do setor, então a premium dos modelos fechados desaparece; se a eficiência aumenta, a necessidade de acumular chips diminui. Assim, vende-se chips, equipamentos e energia elétrica, cortando-se toda a cadeia.

No relatório de 4 de agosto, o Morgan Stanley chamou diretamente esse reflexo de mal-entendido.

O erro está em o mercado equacionar diretamente "redução do custo unitário" com "redução da despesa total".

Há uma variável enorme no meio: o volume de uso.

O Morgan Stanley citou o paradoxo de Jevons. O economista do século XIX Jevons observou um fenômeno contraintuitivo: após a eficiência das máquinas a vapor aumentar, permitindo que mais trabalho fosse feito com a mesma quantidade de carvão, o consumo de carvão no Reino Unido não diminuiu, mas disparou. Porque ficou mais barato, passou a ser acessível; e porque se tornou acessível, passou a ser usado em todos os lugares.

Aplicar à IA: o custo de uma única inferência caiu de um centavo para um décimo de um décimo. As empresas não guardarão o dinheiro economizado. Elas integrarão a IA nos processos anteriormente considerados "inviveis" — revisão completa de chamados de atendimento ao cliente, varredura contínua de repositórios de código, comparação ponto a ponto de contratos, classificação automática de cada e-mail. Antes, essas tarefas não eram feitas não por falta de vontade, mas porque eram muito caras para serem viáveis.

Quando o preço cair abaixo dessa linha, a demanda não aumenta linearmente — ela entra em colapso e entra em massa.

II. O que exatamente o "peso aberto" abriu

É preciso primeiro esclarecer os conceitos, pois a confusão no mercado é em parte causada pela confusão nos termos.

O Morgan Stanley fez, em seu relatório, uma distinção não nova, mas muito necessária: pesos abertos ≠ código aberto.

Modelos de peso aberto definidos rigorosamente — Llama da Meta, Gemma do Google, e Qwen, DeepSeek, Kimi — publicam os parâmetros treinados. Você pode baixar, fine-tunar e implantar por conta própria. No entanto, os dados de treinamento podem não ser divulgados e os acordos de licença podem ter restrições.

O verdadeiro código aberto significa toda a pilha tecnológica exposta sobre a mesa: código, métodos de treinamento, detalhes dos dados. O exemplo citado no relatório é o OLMo da AI2. Esse círculo é muito menor do que se imagina.

Portanto, a afirmação mais precisa é: a diferença fundamental entre pesos abertos e fechados não está no tamanho dos parâmetros nem em quem está acima ou abaixo em algum ranking, mas sim na forma de acesso e no modelo de pagamento.

Weights open: Usually free to obtain weights, supports fine-tuning, flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

Proprietário: licença + cobrança por token, todos os usuários recebem o mesmo conjunto de pesos, que você não pode alterar nem visualizar.

JPMorgan também disse uma coisa bastante realista: os modelos de ponta com melhor desempenho hoje ainda são basicamente fechados. A razão é simples — o custo de treinamento é absurdomente alto, e ninguém vai entregar gratuitamente o modelo anterior antes da chegada do próximo.

Esta frase merece ser lida mais de uma vez. Ela significa que a追赶 de pesos abertos é, essencialmente, uma追赶 com atraso. A lacuna se reduzirá, mas a diferença estrutural no tempo não desaparece facilmente.

Três: O mais barato é o mais caro: os custos não listados na tabela de preços

A parte mais valiosa do relatório é exatamente a que resfria as expectativas sobre os pesos abertos.

Morgan Stanley citou uma pesquisa do MIT: a transição de modelos fechados para modelos abertos reduz o preço médio em cerca de 70%, o que equivale a uma economia corporativa anual de aproximadamente US$ 25 bilhões.

Os números são bonitos. Mas o Morgan Stanley acrescentou logo em seguida — este estudo foi concluído em dezembro de 2025 e não considerou adequadamente os custos de implementação.

O que é o custo de implantação? Você precisa comprar ou alugar seus próprios GPUs, alguém precisa manter o cluster, alguém precisa ajustar o modelo, e alguém precisa garantir segurança e conformidade. Os pesos abertos são como os planos e peças de um carro, não um carro pronto para dirigir.

A pesquisa da Universidade Carnegie Mellon quantificou ainda mais esse ponto: o período de retorno depende fortemente da escala de implantação. Para implantações de pequeno porte com menos de 30 bilhões de parâmetros, o retorno pode ser rápido; mas assim que a escala aumenta, a conta se torna completamente diferente.

Este é um fato real, raramente discutido, mas extremamente crucial: a economia dos pesos abertos não é uma curva suave, mas uma função definida por partes.

Cenários pequenos, alta frequência, tarefas claras — pesos abertos são incríveis.

Raciocínio complexo, agente de longo prazo, necessita de confiabilidade extrema — o dinheiro fechado não é gasto à toa.

Veja além, para arquiteturas MoE ultraescalonadas como o Kimi K3. Mesmo ativando apenas poucos especialistas, os pesados pesos ainda precisam ser distribuídos em um cluster com memória de alta capacidade e interconexões de alta velocidade. O que se chama de "aberto" é a propriedade dos pesos, não a isenção dos requisitos de hardware.

Em outras palavras, os pesos abertos dispersaram a demanda por poder de computação de poucos laboratórios fechados para provedores de nuvem, nuvens soberanas e data centers corporativos. O volume total não diminuiu, apenas mudou de dono.

Essa é a conta que o mercado não resolveu na queda de julho.

Quatro: Três cenários finais, para onde o valor se desloca

O Morgan Stanley não apostou em uma única conclusão, mas apresentou três cenários. Essa abordagem em si já é um julgamento: ninguém sabe o desfecho final, mas a estrutura de benefícios de cada desfecho pode ser mapeada antecipadamente.

Suponha que o desempenho dos modelos de ponta seja difícil de replicar. A carga de trabalho continua com alta densidade de computação, concentrando-se ainda mais em nuvens em grande escala. Os preços dos tokens ainda cairão, mas mais lentamente — pois a estrutura oligopolística mantém a disciplina de precificação.

Beneficiários: provedores de nuvem, software de segurança, redes ópticas, semicondutores e cadeia de suprimentos elétrica.

O relatório destacou uma variável específica: o Google. Se o Gemini 4 conseguir uma ruptura e retornar à vanguarda, o retorno sobre o investimento (ROI) do Google ao executar sua API de modelo em sua própria infraestrutura poderá chegar a cerca de 45%. Se não liderar a vanguarda, o Google se tornará mais como um provedor de infraestrutura, com um ROI correspondente de cerca de 30%.

Uma diferença de quinze pontos percentuais pesa sobre o modelo da geração anterior. Essas são as probabilidades da corrida前沿.

Nenhuma arquitetura única domina todos os casos. Modelos前沿 de código fechado lideram tarefas de raciocínio complexo e agentes de IA, enquanto pesos abertos atendem a demandas de alta frequência, sensíveis a custos e específicas por verticais.

A carga de trabalho abrange nuvem pública, nuvem privada, local e borda. Assim — orquestração de modelos, roteamento, avaliação e governança, esses softwares de "camada intermediária", tornaram-se cruciais para a migração de valor para cima. A demanda por software de segurança cresce com a dispersão das cargas.

Essa situação tem um suporte real muito sólido: atualmente, 63% das empresas estão usando simultaneamente modelos de pesos abertos e fechados.

Este número é muito esclarecedor. A escolha das empresas não é "qual fé seguir", mas sim "qual tarefa é mais barata e estável para cada um". Trata-se de um comportamento de compra, não de uma luta ideológica.

O desempenho dos modelos de peso aberto está gradualmente convergindo para os níveis de ponta, tornando a inteligência dos modelos básicos amplamente acessível. Os preços das APIs dos modelos caíram significativamente, desencadeando uma onda de adoção empresarial.

A infraestrutura de IA está se tornando descentralizada: a demanda por data centers privados, nuvens soberanas, implantação local e dispositivos de borda aumentou significativamente. O foco da inovação passou do pré-treinamento para o fine-tuning, otimização de inferência, agentes e implementação de aplicações específicas.

Neste cenário, o software de segurança é um dos maiores vencedores. Também é fácil entender — em um mundo onde os pesos podem fluir livremente, a superfície de ataque se expande geometricamente.

A divergência ao nível das ações individuais é interessante: a AVGO pode ser o maior beneficiário único em um cenário fechado; empresas de infraestrutura local, como DELL e HPE, e fabricantes de dispositivos de borda, como a Apple, têm maior facilidade para liberar valor em um cenário aberto. As empresas de nuvem dependerão de para onde os carregamentos finais forem direcionados — se o cenário aberto se confirmar, a Microsoft se beneficia claramente por sua vantagem em nuvem híbrida e implantação local, enquanto a Amazon e o Google são reclassificadas como "outros beneficiários" nesse cenário.

V. Beneficiários 24/7: Por que NVIDIA e Tesla?

Após analisar os três cenários, o Morgan Stanley identificou duas linhas que atravessam todos os cenários.

The first one is NVIDIA.

A lógica não é complexa, mas sólida: independentemente de a capacidade de mineração estar concentrada em data centers de grande escala ou distribuída em salas de servidores corporativos e borda, a lógica subjacente à demanda por GPUs permanece inalterada.

Concentrado: algumas compram grandes quantidades; disperso: dezenas de milhares compram pequenas quantidades. O volume total não diminui, e até pode aumentar devido à maior disseminação.

É importante notar que o Morgan Stanley recentemente aumentou sua estimativa de custo para clusters de IA — o preço do sistema NVIDIA Vera Rubin foi fixado em cerca de US$ 49 bilhões por gigawatt, cerca de 20% acima da previsão anterior.

Este número colocado aqui é um pouco sutil. De um lado, os modelos estão ficando mais baratos; do outro, os gastos de capital por unidade de capacidade de cálculo estão aumentando. Ambos não são contraditórios: o custo marginal na etapa de inferência está caindo, enquanto os investimentos fixos na etapa de treinamento e implantação estão aumentando. O primeiro impulsiona a expansão da demanda, o segundo determina quem tem direito a participar da oferta.

O segundo é energia elétrica no local (on-site power).

A razão é que a curva de demanda de energia cobre simultaneamente os dois tipos de configuração: "centralizada" e "distribuída". Independentemente da distribuição da carga, a expansão da IA significa que o consumo de energia e a capacidade de fornecimento devem aumentar em conjunto.

A eletricidade é a restrição mais implacável em toda a narrativa da IA. Modelos podem ser abertos, pesos podem ser baixados, chips podem ser substituídos, mas a eletricidade não pode ser aberta. Um gigawatt é um gigawatt, e ninguém pode criá-lo.

Esta pode ser a linha mais certa entre os três cenários. Tão certa que é um pouco chata.

Seis: O verdadeiro valor deste relatório não é a conclusão, mas o framework

Comente sua própria opinião.

Se este relatório do Morgan Stanley for lido apenas pelo título — "Pesos abertos aceleram a adoção em vez de enfraquecer os líderes" — é fácil interpretá-lo como uma frase destinada a acalmar o mercado. Mas o que realmente importa é que ele reformulou a pergunta.

A questão original do mercado era: a demanda por IA diminuirá devido ao aumento da eficiência?

A pergunta do Morgan Stanley é: a demanda por IA certamente não diminuirá, mas a questão é em qual camada da cadeia de valor ela acabará se concentrando — infraestrutura de computação, nuvem, orquestração e governança de software, ou infraestrutura distribuída local e de borda?

A diferença entre essas duas perguntas é a diferença entre uma mentalidade de mercado baixista e uma mentalidade estrutural.

Acho que a direção do Morgan Stanley está correta, mas há dois pontos que merecem atenção.

Primeiro, o paradoxo de Jevons não entra em vigor automaticamente.

O efeito Jevons só se aplica sob certas condições: a demanda deve ter espaço suficiente para elasticidade. O carvão era cada vez mais economizado, mas usado em maior quantidade, porque, na Inglaterra do século XIX, havia inúmeras indústrias ainda não mecanizadas. A situação com a IA é semelhante, mas não idêntica — há muitos cenários onde as empresas podem integrar a IA, mas o fato de tê-la implementada não garante que gere retornos mensuráveis.

Se muitas empresas estiverem usando IA apenas em áreas que "parecem produtivas, mas não conseguem demonstrar retorno", a expansão da demanda terá um teto, e esse teto surgirá de repente em algum trimestre. O paradoxo de Jevons descreve a eficiência na conversão de energia, mas não garante que a conversão resulte em valor.

Em segundo lugar, a conclusão de que "NVIDIA se beneficia ininterruptamente" é um pouco demasiado confortável para ser correta.

É logicamente difícil encontrar falhas — a demanda por GPU não muda com a mudança na rota da arquitetura. Mas entre o julgamento correto e um bom julgamento de investimento, existe o preço. O mercado já precificou plenamente essa expectativa "24/7"? O relatório não responde e não deveria responder.

Um argumento de compra logicamente impecável muitas vezes é o terreno fértil para operações superlotadas. Isso não é contrariedade, mas um alerta: a certeza da conclusão não equivale à atratividade das probabilidades.

Sete: Para as empresas, isso é na verdade mais simples

Ignorando o jogo de avaliação no mercado secundário, do ponto de vista da aquisição empresarial, as lições deste relatório são muito mais simples.

63% das empresas usam ambos os lados; esse número já responde a pergunta: não escolha um lado, escolha o cenário.

Tarefas frequentes, previsíveis, sensíveis a dados e com limites bem definidos — autogeridas com pesos abertos, economizam dinheiro real, especialmente em escalas abaixo de 30 bilhões de parâmetros, com períodos de retorno extremamente atraentes.

Tarefas que exigem raciocínio complexo, agentes de longo prazo e atualização contínua das capacidades前沿—pagar por APIs proprietárias para confiabilidade e velocidade de iteração não é vergonha.

O que realmente precisa ser investido é na camada intermediária: orquestração, roteamento, avaliação e governança. Como você decide qual caminho um pedido deve seguir? Como garante que a qualidade da saída não caia após trocar o modelo? Como você controla os limites dos dados em um mundo onde os pesos podem ser baixados livremente?

O Morgan Stanley listou esta camada como o principal beneficiário sob cenários mistos; acho que esse julgamento é mais prático do que qualquer recomendação de ação individual, pois esta camada é uma capacidade que as empresas precisam construir por conta própria e não podem comprar.

Por falar em segurança. Pesos abertos tornam o deploy do modelo descentralizado e também tornam a superfície de ataque descentralizada. Antes, você só precisava cuidar de alguns pares de chaves API; agora, você precisa cuidar de um conjunto de arquivos de pesos rodando localmente, dados de fine-tuning e endpoints de inferência. O fato de o software de segurança ser mencionado em todos os três cenários não é coincidência.

Oito. Encerramento

No dia do lançamento do Kimi K3, as ações de semicondutores caíram em conjunto. Hoje, olhando para trás, parece mais um reflexo condicionado do mercado do que uma decisão ponderada.

Os pesos abertos não são quem derruba a mesa. São quem estende a mesa.

Após o aumento da mesa, o que antes estava no lugar principal será empurrado para baixo? Pode ser, mas não por causa do peso aberto em si, e sim porque ele próprio não conseguiu manter a vanguarda. São duas coisas diferentes.

O ponto mais honesto deste relatório do Morgan Stanley é que ele não lhe diz qual é o desfecho final, apenas lhe diz em qual desses desfechos ninguém mudará de posição.

NVIDIA e eletricidade.

O primeiro é consenso, o segundo é físico.

Quanto às empresas que seguem as flutuações, mudam de lado e se reavaliam — seu destino depende altamente do cenário. Essa frase soa como um clichê, mas em um mercado onde todos querem respostas certas, admitir "isso depende do cenário" é, na verdade, a forma mais valiosa de honestidade.

Os modelos ficarão mais baratos geração após geração; essa é uma tendência que não pode ser impedida.

A capacidade de mineração se espalhará camada por camada, e essa é uma tendência que não pode ser impedida.

Mas barato e diversificado juntos nunca equivalem a contração.

Jevons entendeu isso em 1865. Cento e sessenta anos depois, a humanidade ainda está pagando mensalidades por esse mesmo equívoco intuitivo.

É muito interessante.

Fonte da citação

1. Morgan Stanley, *Modelos de Peso Aberto e Três Cenários Futuros* (relatório de pesquisa), agosto de 2026
2. Gelonghui / Sina Finance: "Morgan Stanley: Modelos de peso aberto reduzem os custos de IA; o paradoxo de Jevons pode levar ao crescimento contínuo da demanda por capacidade de processamento", 4 de agosto de 2026
3. BigGo Finance: *Modelos de peso aberto para acelerar a adoção de IA: Morgan Stanley detalha três cenários, nomeando Nvidia e Power Chain como beneficiários*, 4 de agosto de 2026
4. Huoxing Caijing: "Morgan Stanley: O surgimento de modelos AI de pesos abertos acelerará a adoção de IA por meio da redução de custos", 4 de agosto de 2026
5. Blockspace Media: *Morgan Stanley diz que IA de peso aberto pode expandir a demanda por computação e energia*, agosto de 2026
6. Estudo do MIT sobre a diferença de preço entre modelos abertos e fechados (concluído em dezembro de 2025, citado em relatório do Morgan Stanley)
7. Estudo da Universidade Carnegie Mellon sobre a relação entre o período de retorno do investimento e a escala da implantação de modelos abertos (citado no relatório da Morgan Stanley)
8. Insights da Morgan Stanley: *Oportunidades na Infraestrutura de IA* (com revisão para cima da estimativa de custo por gigawatt do sistema Vera Rubin)