Uma GPU da Nvidia pode continuar funcionando por anos e ainda assim tornar-se economicamente obsoleta muito mais cedo.
Essa distinção é importante, pois Microsoft, Alphabet, Amazon e Meta investem quantias enormes de capital em infraestrutura de IA. Os investidores tendem a focar no custo inicial dos chips e dos centros de dados, mas a depreciação determina quanto desse investimento eventualmente se torna uma despesa na demonstração de resultados.
A depreciação distribui o custo do equipamento ao longo de sua vida útil esperada. Uma empresa que gasta US$ 1 bilhão em servidores normalmente não registra toda a quantia como despesa imediatamente. Em vez disso, o custo é reconhecido ao longo de vários anos.
O problema com o hardware de IA é que a vida física e a vida econômica podem ser muito diferentes.
Por que as GPUs de IA podem perder valor rapidamente
Uma GPU não precisa parar de funcionar para se tornar menos valiosa.
Novas gerações podem treinar modelos mais rapidamente, consumir menos eletricidade e fornecer mais poder de computação por dólar. Isso significa que um acelerador mais antigo pode continuar tecnicamente utilizável, mas tornar-se cada vez mais caro para operar em comparação com hardware mais novo.
O ciclo rápido de produtos da Nvidia torna isso especialmente importante. A empresa passou do Hopper para o Blackwell, enquanto continua a desenvolver arquiteturas mais recentes, aumentando o risco de que hardware de data center caro se torne economicamente obsoleto mais rapidamente do que servidores tradicionais.
A Nvidia apresenta sua estratégia atual de produtos e tecnologia por meio de seus materiais de relações com investidores.
O problema também está diretamente ligado à questão de se os gastos sem precedentes das empresas em IA realmente produzem retornos atraentes. Nosso guia sobre retornos de investimento em IA explica como os investidores podem usar o fluxo de caixa livre, margens e retorno sobre o capital investido para avaliar se esses gastos estão gerando resultados.
Por que a depreciação pode alterar os resultados das grandes tecnológicas
Imagine uma empresa gasta US$ 6 bilhões em servidores de IA e espera que eles permaneçam úteis por seis anos.
Muito simplesmente, isso poderia significar aproximadamente US$ 1 bilhão de depreciação anual antes de considerar o cronograma e outros detalhes contábeis.
Se a administração concluir em vez disso que o equipamento permanecerá economicamente útil por apenas quatro anos, a despesa anual poderia aumentar substancialmente.
O ponto importante é que alterar a suposição da vida útil pode afetar os lucros relatados sem alterar o caixa originalmente gasto.
Grandes empresas de nuvem divulgam essas suposições em suas demonstrações financeiras. Os investidores podem revisar as políticas de depreciação da Microsoft por meio de seus arquivos de relações com investidores, as divulgações da Alphabet por meio do Alphabet Investor Relations e os arquivos da Amazon por meio do Amazon Investor Relations.
Isso não significa que GPUs mais antigas de repente se tornem inúteis. As empresas podem transferi-las de cargas de trabalho exigentes de treinamento de modelos para inferência, aplicações internas ou tarefas menos intensivas em computação.
Essa segunda vida pode prolongar sua utilidade econômica.
O número que os investidores realmente devem observar
A maior pergunta é, portanto, não simplesmente quanto a Big Tech gasta em GPUs.
É se a receita e o fluxo de caixa gerados por essas GPUs crescem suficientemente rápido para compensar a depreciação, os custos de energia e a substituição tecnológica rápida.
Isso importa mais à medida que a receita de chips de IA da Nvidia cresce. A cobertura recente do resultado da Nvidia da Coinpaper mostra a escala extraordinária da demanda atual por aceleradores.
O custo do hardware também é apenas parte da equação. Os centros de dados de IA modernos consomem quantias enormes de eletricidade, tornando a disponibilidade de energia outra restrição cada vez mais importante. O explicativo da Coinpaper sobre AI power markets examina por que a economia da eletricidade pode acabar se tornando tão importante quanto as próprias GPUs.