Um pensamento profundo sobre o modelo de negócios de vanguarda. Tudo isso se baseia em números vazados pelo The Information, NYT, etc. 🔵O Núcleo: É uma Máquina de Processamento de Computação No fundo, o modelo é brutalmente simples: quase todos os custos vêm da computação – inferência e, especialmente, do treinamento. O treinamento segue algo parecido com uma lei de escala. Vamos supor que os custos aumentem ~5 vezes por ano; e o retorno sobre custos de treinamento é o dobro. Isso cria uma dinâmica estranha: Custo do treinamento do Ano 1: 1 Receita do ano 2 desse modelo: 2 Mas custo do treinamento do segundo ano para o próximo modelo: 5 Líquido: +2 - 5 = -3 Passe para frente e piora: Receita do Ano 3: +10 Custo do treinamento do 3º ano: -25 Net: -15 Os modelos fronteiriços, como atualmente executados, são bolas de neve com fluxo de caixa negativo. Cada geração gasta mais dinheiro do que a anterior. Para que isso algum dia vire um fluxo de caixa positivo, apenas duas coisas podem mudar logicamente: R. A receita cresce muito mais rápido do que o dobro, ou B. O crescimento dos custos de treinamento desacelera de 5 vezes por ano para algo como <2x O CEO da Anthropic, Dario Amodei, dividiu o cenário B ("custos de treinamento param de crescer exponencialmente") em duas realidades possíveis: 1/ Limites físicos/econômicos: Você simplesmente não pode treinar um modelo 5 vezes maior — chips insuficientes, energia insuficiente, ou o custo se aproxima do PIB mundial. 2/ Retornos decrescentes: Você poderia treinar um modelo maior, mas a curva de escala se achataria. Gastar mais 10 vezes deixa de valer a pena. O que os números da OpenAI e da Anthropic revelam: As projeções financeiras vazadas de ambas as empresas basicamente validam esse quadro. OpenAI: O plano da OpenAI efetivamente assume que a capacidade total de computação para de crescer após 2028. Tradução: as margens melhoram porque os custos de treinamento estagnam. Este é o cenário B. Antrópico: 1/ Eles assumem que o retorno sobre investimento por modelo aumenta a cada ano. Gaste 1, recupere, digamos, 5 em vez de 2. 2/ O crescimento dos gastos computacionais deles também é muito mais moderado. Do AF25 ao FY28: Crescimento dos custos de computação da OpenAI >> Anthropic's Usando o framework acima, eles contam tanto com a rampa de receita A quanto com o crescimento de custos mais lentos B. 🔵 $NFLX é a analogia mais próxima Na tecnologia, modelos intensivos em capital são raros, embora não inéditos. $NFLX é uma boa analogia: por anos teve fluxo de caixa profundamente negativo que piorava anualmente. Eles tiveram que investir dinheiro no conteúdo antecipadamente, e esses ativos se depreciaram ao longo de quatro anos. Em muitos aspectos, ela se assemelha à economia de data center e treinamento de modelos. Pico de queima de caixa em 2019: -3 bilhões Fluxo de caixa em 2020: +2 bilhões Por que esse swing súbito positivo? A COVID parou a produção. O gasto em conteúdo parou de crescer. O fluxo de caixa mudou instantaneamente. 🔵O Objetivo Final: As Margens Chegam Quando o Crescimento dos Custos Desacelera $NFLX não parou de investir totalmente em conteúdo – apenas parou de *crescer* agressivamente esse investimento quando chegou a ~300 milhões de assinantes globais. Nessa escala, a pegada é alta, e eles só precisam manter a posição, não expandir o gasto de conteúdo 10 vezes por ano. Não acho que OpenAI ou Anthropic vão parar de treinar completamente. Mas eles não vão precisar aumentar o gasto de treinamento por múltiplos para sempre. Em algum momento: ROI por modelo aumenta, ou limites de escalabilidade entram em ação, ou ambos. E no momento em que o gasto anual com treinamento para de crescer 5 vezes ao ano, as margens de lucro aparecem quase imediatamente. Essa é a coisa estranha sobre economia de LLM: É uma máquina de queimar... Até que, de repente, não é mais. Fontes: ++ Artigo completo: