IA chinesa barata corta 70% dos custos e desafia líderes dos EUA

Inteligência Artificial

Modelos acessíveis da China dominam uso global e pressionam líderes americanos a repensar custos em IA.

Leia também: Falhas graves em PHP expõem risco urgente para 70% dos sites

Modelos de inteligência artificial chineses, abertos e de baixo custo, estão ganhando espaço em empresas de tecnologia e educação e começando a roubar terreno de sistemas proprietários de gigantes americanas como Anthropic e OpenAI, ao oferecer uma forma direta de controlar a disparada dos custos com IA.

Como a invasão da IA chinesa está ajudando as empresas a controlar custos?

A principal economia vem do fato de que esses modelos abertos podem ser rodados em infraestrutura própria, muitas vezes até em laptops, com custo por uso muito menor do que os modelos de fronteira vendidos como serviço na nuvem.

Um dos termômetros dessa virada é a plataforma OpenRouter, que concentra vários modelos via uma única API. Na semana encerrada em 25 de outubro, modelos chineses responderam por mais da metade do volume global de tokens trafegados ali, um salto em relação ao cenário de um ano atrás, quando praticamente não apareciam entre os mais usados.

Na prática, empresas estão redesenhando a forma como gastam com IA. A Red Hat, referência em software corporativo de código aberto, pilota internamente um modelo da chinesa Z.ai, de Beijing, em ambiente próprio, e usa também o Qwen, da Alibaba, em menor escala. Segundo a companhia, cerca de 1.400 engenheiros já usam o piloto, e aproximadamente 70% do tráfego de inferência interno hoje vai para modelos abertos.

Para conter a fatura com modelos proprietários, a Red Hat instituiu uma cota experimental de US$ 300 por mês para cada engenheiro gastar com modelos de fronteira. A ideia é forçar uma escolha consciente: tarefas rotineiras e de apoio vão para modelos abertos mais baratos; demandas críticas ou de maior complexidade, para sistemas premium. O resultado, relata a empresa, foi uma curva de gastos que saiu de crescimento descontrolado com serviços externos para estabilidade e, mais recentemente, queda “radical” na despesa.

Stephen Watt, vice-presidente e engenheiro da Red Hat, afirma que os times chegaram desconfiados da troca de modelos, mas se surpreenderam. “Eles descobriram que eram ‘bons o suficiente’”, disse. Em alguns casos, segundo ele, os modelos abertos – em grande parte chineses – entregam eficácia comparável ao Opus 4.6, da Anthropic, em tarefas específicas. “Você seria louco de não começar com um modelo de fronteira na sua jornada de IA, mas depois de um tempo, seria louco de continuar nele porque ele consome toda sua margem”, afirmou.

A própria Anthropic reconhece, em prospecto para abertura de capital, o risco dessa pressão de custos. No documento, a empresa alerta que, com a oferta crescente de modelos, “clientes podem concluir que ganhos incrementais de desempenho na fronteira não justificam o custo adicional”.

Além da Red Hat, profissionais independentes também usam a mesma lógica. O consultor de cibersegurança Jonathan Steele roda localmente um modelo Qwen em um MacBook Pro para lidar com tarefas sensíveis, como faturamento, mantendo dados críticos dentro de sua própria máquina e poupando chamadas a serviços caros na nuvem. Para outras atividades, ele recorre a modelos proprietários como Claude e ChatGPT.

Entenda o contexto

Os modelos chineses que avançam sobre o mercado são chamados de “open-weight”: embora nem sempre licenciados como software aberto tradicional, têm pesos e arquitetura disponíveis para que empresas rodem as redes neurais em servidores próprios ou provedores à escolha, sem ficarem presos a uma única nuvem.

Isso muda a economia da IA corporativa em dois níveis. Primeiro, derruba o custo por token ou por chamada de API, já que a empresa paga principalmente por infraestrutura. Segundo, abre caminho para estratégias híbridas, em que times misturam modelos abertos e proprietários e aplicam políticas de orçamento para decidir, caso a caso, onde vale a pena investir mais desempenho.

A conta, porém, não se resume ao preço de tabela. Especialistas lembram que é preciso considerar o tempo humano de revisão. Em cenários jurídicos, por exemplo, se um modelo aberto leva meia hora para gerar um rascunho que exige cinco horas de conferência de um advogado, pode sair mais caro do que um modelo de fronteira que entrega um texto melhor em 15 minutos e pede só meia hora de ajustes.

Quais desafios as empresas enfrentam ao adotar soluções de IA chinesas?

Apesar do ganho de custo, as empresas esbarram em dois tipos principais de barreira: geopolítica e técnica. A hesitação é mais forte em governos e setores regulados, preocupados com onde e como os dados podem ser acessados, sobretudo quando o desenvolvedor do modelo está na China.

“A hesitação sobre modelos chineses, onde existe, é geralmente baseada em preocupações geopolíticas”, resume Stephen Watt. Esse receio alimenta uma demanda reprimida por modelos abertos desenvolvidos no Ocidente, como os da Meta e de startups focadas em open-weight.

Nos Estados Unidos, essas tensões ganharam novo capítulo quando o Departamento de Segurança Interna proibiu recentemente órgãos civis federais de usarem a tecnologia de uma desenvolvedora chinesa de IA, citando “múltiplos vetores de ameaça”, inclusive possível transferência de dados para a China. A decisão não diferencia entre serviços hospedados pela empresa e versões que poderiam rodar em servidores locais controlados por terceiros, o que aumenta a incerteza jurídica para quem cogita adotar essas soluções.

No campo técnico, o grande gargalo é infraestrutura. Jonathan Cornelissen, CEO da plataforma de ensino DataCamp, avalia modelos abertos para uso em tutores de IA e vê limitações claras. “Os provedores que rodam os modelos abertos não conseguem entregá-los na velocidade ou escala necessária”, afirma. Segundo ele, a latência – o tempo de resposta – ainda não compete com os serviços proprietários. “Alguns têm velocidade, mas não capacidade; outros entregam volume, mas pecam no tempo de resposta.”

A DataCamp, usada por cerca de 6.000 organizações e cujo tutor de IA analisou 1,4 milhão de horas de aprendizado no último mês, ainda não migrou seu sistema principal para um modelo aberto. A empresa, que vinha usando a Anthropic, está em transição para a OpenAI, considerada internamente uma opção mais barata, enquanto testa modelos abertos do Google para aplicações específicas. “Modelos chineses podem ser um problema para alguns governos e usuários empresariais”, admite Cornelissen, ao citar as restrições regulatórias em parte de sua base de clientes.

Outro ponto sob análise nas empresas é o equilíbrio entre custo de tokens e eficiência do modelo. Em testes da Xbow, startup de segurança ofensiva autônoma, o modelo GLM, da Z.ai, às vezes precisava de bem mais tokens para resolver um problema do que um modelo fechado rival, o que comia parte da vantagem de preço. O chefe de IA da empresa, Albert Ziegler, diz que, por ora, modelos fechados como o Grok se mostraram mais eficientes em produção, mas não descarta adotar open-weight no futuro.

Mesmo com essas ressalvas, a aposta de Ziegler é que a curva de evolução será rápida. Ele prevê que, em cerca de um ano, modelos open-weight estarão à frente dos fechados de hoje em desempenho, “e por uma margem considerável”, o que abre também preocupações sobre o fato de qualquer empresa poder hospedar modelos muito potentes em clusters privados, com menos controles externos.

Quais são as perspectivas futuras para a adoção da IA chinesa nas empresas globais?

A tendência apontada por executivos e dados de uso é de aumento na adoção, sobretudo em empresas que precisam de IA em larga escala, mas não podem arcar com faturas mensais altas de provedores proprietários. O cenário mais provável é o de ambientes híbridos, em que modelos chineses abertos dividem espaço com sistemas ocidentais, abertos e fechados, de acordo com o tipo de tarefa, requisitos de segurança e restrições regulatórias de cada cliente.

Para fornecedores americanos de modelos proprietários, o avanço chinês representa pressão direta por preço e performance. Documentos de mercado já indicam a necessidade de justificar melhor por que um ganho incremental de qualidade compensa um custo por token muito superior. Movimentos recentes de redução de preços entre grandes players se encaixam nesse contexto competitivo.

Do lado das empresas usuárias, experiências como a da Red Hat funcionam como laboratório de novas políticas de orçamento para IA, com cotas por pessoa, roteamento automático de chamadas para o modelo mais barato “aceitável” e uso pontual dos modelos topo de linha. A lógica é tratar IA como qualquer outro insumo caro: medir retorno em detalhe, cortar excessos e diversificar fornecedores.

Geopolítica e infraestrutura devem continuar como freios relevantes, especialmente no setor público e em áreas críticas como defesa e finanças. Mas, em segmentos menos regulados, o apelo de modelos capazes, executáveis em infraestrutura própria e sensivelmente mais baratos tende a ampliar o espaço da IA chinesa, ao mesmo tempo em que estimula rivais ocidentais a abrir mais seus próprios modelos e revisar preços para não ficar para trás.