Aumentar a pilha: como a fuga da IA ​​da armadilha das commodities representa um risco de aprisionamento empresarial

Por Arvind Narayanan e Akash Kapur

Nosso objetivo neste ensaio é ir além do debate sobre se a IA é uma bolha. Fazemo-lo de duas maneiras: separando claramente as finanças correntes da questão de quem capta valor no longo prazo e reconhecendo que os laboratórios não estão limitados a ser fornecedores modelo. Eles podem migrar para cima na pilha e já estão fazendo isso de forma agressiva. Isto provavelmente lhes permitirá escapar da armadilha das commodities, mas levanta novas preocupações: aprisionamento do cliente e redução da concorrência.

Akash Kapur é pesquisador visitante em Princeton e pesquisador sênior em New America. Ele não é parente de Sayash Kapoor.

À medida que as principais empresas de IA continuam a investir maciçamente em capacidade e a correr em direção a IPOs de grande sucesso, subsistem sérias questões sobre os seus modelos de negócio. Como essas empresas — juntamente com o vasto ecossistema de fabricantes de chips, hiperscaladores e parceiros de infraestrutura que delas dependem — recuperarão os estimados 4–8 trilhões de dólares projetados para serem investidos em infraestrutura de IA até o início da década de 2030?

A conversa atual se divide entre críticos e defensores. Os críticos apontam para perdas crescentes, a diferença entre investimentos e receitas e relatórios sobre a enorme queima de caixa dos principais laboratórios. Os impulsionadores citam a aceleração do rápido crescimento da receita, a adoção empresarial e marcos como o primeiro trimestre lucrativo de Anthropic. Cada acampamento tem um ponto válido. Mas ambos estão olhando para o lugar errado: as mesmas declarações trimestrais, a mesma visão de curto prazo de uma indústria que permanece em constante mudança.

Nos últimos meses, temos pensado sobre a natureza e a sustentabilidade do negócio de IA e chegamos a um ponto diferente da maioria dos comentários existentes. As empresas de IA obtêm hoje grande parte das suas receitas cobrando pela inferência, mas as condições da inferência fronteiriça tornam este um negócio invulgarmente difícil de manter. Os modelos são em grande parte indiferenciados, os principais laboratórios operam com estruturas de capital semelhantes, os custos de mudança são baixos e os preços podem ser ajustados livremente. Tudo isso parece criar as condições para uma armadilha da commodity que colocaria desafios reais à tarefa de construir negócios com margens altas ou até mesmo lucrativos.

Ao mesmo tempo, acreditamos que a indústria permanece numa fase de transição e que a sua estrutura será muito diferente quando amadurecer. Com base tanto na evidência histórica como na teoria económica, argumentamos que a concorrência neste equilíbrio provavelmente empurrará o preço da inferência do modelo para o custo marginal de produção de tokens, deixando pouco espaço para lucros duráveis ​​na camada do modelo. Isto não significa, contudo, que o negócio da IA ​​seja inerentemente inviável. A mesma análise sugere um caminho a seguir para os laboratórios de IA e leva ao argumento central do nosso artigo:

O caminho mais provável dos laboratórios para a lucratividade durável não passa pelas camadas de base (chips, datacenters, modelos) que até agora representaram a maior parte dos investimentos, mas mais acima na pilha, por meio de uma combinação de integração vertical, implantações empresariais incorporadas e a construção deliberada de custos de mudança e outros “fossos”.

As estratégias dos laboratórios para capturar valor subindo na pilha, muitas delas emprestadas do manual de software empresarial, já começaram. Para além da sustentabilidade do actual ecossistema de IA, levantam questões de preocupação social mais ampla — sobre a concorrência, a inovação e a distribuição global do poder económico e político. A discussão pública sobre a IA até agora tem sido marcada por uma dicotomia algo paradoxal: ansiedade relativamente à concentração monopolística e ao poder de mercado descontrolado, mas uma realidade de baixos custos de mudança e modelos relativamente intercambiáveis ​​que parece desmentir esses receios. Mas se estivermos certos de que os laboratórios irão cada vez mais subir na hierarquia, então vale a pena levar a sério as preocupações com a concentração e a concorrência agora, e não depois de os efeitos do aprisionamento começarem a materializar-se. Voltamos a essas questões mais amplas na conclusão — e em um próximo artigo que se aprofunda em muitos dos tópicos abordados nesta postagem.

Análise histórica: a camada de infraestrutura falha esmagadoramente em capturar o valor que cria

A estrutura IA como tecnologia normal está comprometida em tirar lições, quando aplicável, de tecnologias transformadoras anteriores. Acreditamos que a IA está sujeita a muitas das mesmas dinâmicas relacionadas com o investimento, a concorrência e a captura de valor que moldaram as ondas anteriores de inovação tecnológica. Como parte de nossa pesquisa, examinamos, portanto, o quebra-cabeça da captura de valor da IA ​​e a provável resposta dos laboratórios a ele, através de uma lente histórica mais ampla.

Analisamos seis exemplos históricos de indústrias de infraestrutura de capital intensivo (ferrovias, eletricidade, telecomunicações e fibra, computação em nuvem, fabricação de semicondutores e aviação comercial). Acreditamos que a IA tem hoje muitas características semelhantes às de uma infraestrutura: enormes requisitos de capital; baixo custo marginal; um produto commodity que está um tanto dissociado das aplicações que, em última análise, criam valor. Isso torna a infraestrutura um negócio notoriamente difícil de se trabalhar.

Mas, ao mesmo tempo, IA é software, e o negócio de software tem sido historicamente lucrativo, com margens excepcionalmente altas. A indústria tem ambições de margem de software. Assim, também pesquisamos as estratégias de valor agregado e lock-in do software como serviço e analisamos se a IA pode replicá-las. Nossa tese é que a sustentabilidade e a captura de valor das empresas de IA dependem em grande parte do sucesso com que elas podem migrar do primeiro conjunto de propriedades infraestruturais para o segundo conjunto de propriedades de software empresarial.

Em termos gerais, identificamos três lições instrutivas para IA a partir de nossa análise histórica. Primeiro, os provedores de infraestrutura raramente capturam o valor que criam. Nos caminhos-de-ferro, na electricidade, nas telecomunicações e nas companhias aéreas, as empresas que construíram capacidade acabaram por competir, ser regulamentadas ou mercantilizadas em margens estreitas. Em muitos casos, eles foram completamente destruídos. Durante a expansão das telecomunicações e da fibra no final da década de 1990, a capacidade explodiu 186 000 vezes em sete anos, os preços caíram e cerca de 2 biliões de dólares em capitalização de mercado foram eliminados. O valor gerado pela infraestrutura foi acumulado principalmente para indústrias e aplicações construídas sobre ela. A aviação comercial destruiu o capital dos investidores durante oito décadas, porque as margens líquidas típicas são de 2–4%, muitas vezes abaixo do custo do capital – mesmo quando empresas de todos os matizes beneficiam de uma economia globalizada.

Acreditamos que a IA, pelo menos na sua forma atual de hiperescala, corre o risco de cair na mesma armadilha de commodities que atormentou tantos construtores de infraestrutura anteriores. Carlota Perez teorizou o fenômeno paradoxal de que os construtores que criam infraestrutura durante o “período de instalação” raramente sobrevivem para capturar o valor que ela cria.

Em segundo lugar, o software empresarial não está sujeito a esse padrão e escapa da armadilha por meio de um conjunto específico e reproduzível de mecanismos. Onde as empresas de infraestrutura enfrentaram dificuldades, o software empresarial manteve margens brutas de 75% ou mais durante décadas. Fá-lo combinando três propriedades que faltam às empresas de infraestruturas: custo marginal zero de reprodução, custos de mudança profundos e valor não efémero que permite que os custos fixos de construção sejam amortizados ao longo de décadas. As estratégias de aprisionamento dos laboratórios de IA são melhor compreendidas como tentativas de importar essas propriedades estruturais do software para a IA.

Finalmente, duas exceções parciais revelam o que pode ser necessário para que a IA supere as probabilidades históricas. Duas empresas de infraestrutura – computação em nuvem e fabricação de chips – conseguiram escapar da armadilha das commodities. A nuvem adquiriu propriedades semelhantes a software (aprisionamento de serviços gerenciados, taxas de saída, acordos de gastos comprometidos) e a TSMC alcançou uma posição de quase monopólio na fabricação de ponta. Estes casos são importantes porque mostram o que é realmente necessário para escapar à armadilha da mercadoria. As indústrias de capital intensivo podem sustentar margens duráveis, mas apenas tornando-se funcionalmente software ou alcançando concentração de mercado.

Por que achamos que a cobrança pela inferência do modelo não permitirá a recuperação do investimento em infraestrutura

Como observado, os críticos do desenvolvimento da IA ​​apontam para as perdas atuais dos laboratórios e para os incentivos aos lucros iniciais, mas ambos estão cometendo o mesmo erro: confundindo o período de transição com o equilíbrio. Ainda estamos nos primeiros anos da transformação da economia através da IA ​​e a extrapolação ingênua é falha. Em equilíbrio, tanto o lado da oferta como a procura serão muito diferentes do que são hoje.

Alguns exemplos das fortunas flutuantes dos laboratórios de IA até agora: Uma construção massiva e especulativa de infra-estruturas que estava indiscutivelmente à frente da procura; o momento Deepseek, durante o qual os modelos de peso aberto quase alcançaram a fronteira; um aumento na procura à medida que as empresas adoptaram agentes de IA, muitas vezes acompanhados por práticas irracionais e dispendiosas, como tabelas de classificação de tokens, levando à chamada era de escassez de tokens; e, mais recentemente, um impulso renovado para um ecossistema de código aberto competitivo, à medida que as empresas reconsideram os seus gastos em modelos de fronteira.

Esses altos e baixos têm muitos paralelos nos estudos de caso históricos mencionados acima. As ferrovias experimentaram inicialmente um frenesi especulativo (a mania ferroviária da década de 1840 na Grã-Bretanha). Na América, ao longo do tempo, a procura excedeu a capacidade, resultando em retornos directos e indirectos estimados de 15% ao ano sobre o capital ferroviário até 1860 – enorme para a época. Mas à medida que a rede amadureceu, a capacidade acompanhou a procura, a concorrência comprimiu as margens e muitas empresas ferroviárias faliram.

Assim, para prever melhor as perspectivas de longo prazo dos laboratórios, é útil afastar-nos das oscilações anuais e trimestrais nas finanças (e nas narrativas) e basear a nossa análise na teoria económica. Um conceito-chave é o paradoxo de Bertrand: este diz que quando as empresas vendem um produto homogêneo (inferência do modelo de fronteira), a competição de preços as forçará a vender cada unidade (token) ao custo marginal de produzi-lo.

A análise teórica é importante porque a questão de quão bem o registo histórico prevê o futuro da indústria da IA é contestada. Por exemplo, o nosso colega Mihir Kshirsagar identifica a regulação como a principal razão pela qual as empresas ferroviárias, eléctricas e de telecomunicações não conseguiram extrair o excedente gerado pelas suas infra-estruturas, em vez de vê-lo como uma consequência inerente à sua economia. Assim, a teoria dá-nos uma razão adicional para esperar uma compressão das margens. Embora seja fácil escapar do paradoxo teórico na prática, acreditamos que a inferência do modelo contém uma versão incomumente pura das condições que produzem o paradoxo:

• Os modelos são amplamente indiferenciados. Pelo menos três empresas, OpenAI, Anthropic e Google conseguiram permanecer na fronteira e produzir modelos que se comportam e funcionam de forma semelhante entre si. Além disso, para uma fração cada vez maior de casos de uso, o desempenho de fronteira não é necessário e os modelos de peso aberto são suficientemente bons. Além disso, a quase equivalência dos modelos é facilmente observada ou percebida pelos clientes, porque existem centenas de benchmarks nos quais os modelos são avaliados regularmente e todos os modelos de fronteira tendem a agrupar-se perto do topo.

  Para um contraste revelador com outro setor, a Apple é famosa por sustentar margens elevadas ao escapar desse aspecto da concorrência da Bertrand. Ele resiste à competição em dimensões de desempenho objetivamente observáveis (gigahertz, megapixels), em vez disso, anuncia resultados e qualidades inefáveis (“simplesmente funciona”) e cria uma forte diferenciação de marca.

• Todos os fornecedores têm custos de capital semelhantes. O conhecimento da IA ​​difunde-se rapidamente; os principais paradigmas de desenvolvimento de modelos – escalonamento de modelos, escalonamento de inferência, aprendizagem por reforço e assim por diante – prosseguiram quase em sincronia. Portanto, para produzir um token com uma determinada qualidade de saída, todos os laboratórios gastam quantias semelhantes em treinamento. Num futuro hipotético onde a fronteira não se move tão rapidamente, os custos serão dominados pela inferência, e o custo da inferência tende a ser ainda mais semelhante do que o custo de formação.

• Falta de diferenciação geográfica. No caso das ferrovias, uma colcha de retalhos de monopólios locais e capacidade cativa forneciam alguma defesa contra a compressão das margens. O negócio da inferência de IA carece desta diferenciação e as empresas podem servir eficazmente todo o mercado. Embora exista hoje uma restrição de capacidade de tokens, esperamos que isso seja temporário.

• Os preços podem ser alterados livremente, sem conluio. As ferrovias e os serviços públicos conseguiram conspirar tácita ou explicitamente para manter os preços elevados em alguns momentos da sua história. Mas isso é altamente improvável com modelos de IA porque há uma concorrência feroz de modelos subfronteiriços.

• Os custos de mudança são mínimos. Até mesmo o atrito da migração de APIs é amplamente eliminado por uma camada de roteamento ferramentas independentes de provedor.1

Uma possível resposta a tudo isto é argumentar que não importa o quanto as margens sejam comprimidas, porque as empresas de IA simplesmente compensarão em volume. Mas os números não funcionam. Se assumirmos uma margem líquida de 5% - muito superior à das companhias aéreas - e a necessidade de recuperar os acima mencionados 4 biliões de dólares - 8 biliões de dólares de investimento ao longo de um horizonte de 5 anos, acabaremos com uma necessidade de 16 a 32 biliões de dólares em receitas anuais, cujo limite superior é um quarto do PIB mundial actual.

Adotar esta perspectiva de longo prazo, baseada na história e na teoria económica, permite-nos ignorar vários factores que outros analistas tendem a indexar criticamente. Por enquanto, estamos num período em que acções de formação massivas e de capital intensivo continuam a produzir melhores modelos. Isso força os laboratórios a permanecerem em uma esteira de atualização na qual reinvestem suas receitas em treinamento (e mais alguns), assumindo investimentos cada vez maiores. Quando esta rotina desacelerar,2 o negócio alcançará um novo estágio de equilíbrio que provavelmente será muito diferente do atual. Nesse estado, três factores que actualmente dominam o debate terão muito menos importância do que parecem agora.

A primeira é a queda dos preços dos tokens, impulsionada por melhorias de eficiência, que os críticos citam como prova de uma corrida para o fundo do poço que irá diminuir o tamanho do bolo. Em nossa opinião, embora seja verdade que os preços dos tokens têm caído rapidamente (e que esta tendência provavelmente continuará), isso não é necessariamente um problema para os laboratórios. Dependendo da forma da curva da procura, o desbloqueio da procura poderia mais do que compensar a queda dos preços — o chamado paradoxo de Jevons, em que os ganhos de eficiência levam a um maior (e não menor) consumo de um recurso.

O segundo é a escassez simbólica, que os defensores citam como evidência do poder de precificação dos laboratórios. Qualquer escassez, no entanto, é provavelmente um fenómeno temporário que será atenuado ou eliminado por uma combinação de investimento em infraestruturas e melhorias algorítmicas. Portanto, é improvável que a escassez de tokens permita que os laboratórios aumentem suas margens.

O terceiro fator que domina o discurso atual é a disposição para pagar. Os críticos às vezes prevêem que a demanda irá evaporar quando os laboratórios encerrarem seus preços de assinatura subsidiados e abaixo do custo. Mas isto trata a disposição a pagar como uma quantidade fixa, algo que pode ser extrapolado a partir de hoje. A longo prazo, esperamos que a IA seja uma parte essencial da maior parte do trabalho de conhecimento e que a tecnologia seja tão transformadora como a revolução industrial. Numa transição desta escala, a disponibilidade para pagar é potencialmente enorme.

Em outras palavras, devemos distinguir entre criação de valor e captura de valor. Esperamos que o valor criado seja insondavelmente grande. A questão central – talvez até existencial – para os laboratórios é se eles serão capazes de capturar pelo menos uma pequena porcentagem desse valor. Que fração do valor que a IA cria para uma empresa ela estará disposta a pagar aos fornecedores de IA? Este não é um número flutuante e determinado exogenamente. É em grande parte determinado pela medida em que os laboratórios de IA conseguem escapar da armadilha da mercadoria.

Como argumentamos abaixo, a forma mais fiável de escapar à armadilha das mercadorias é mover-se a jusante na cadeia de valor económico (no caso da IA, isto significa mover-se “para cima na pilha”). A transição da venda de infraestrutura física ou produtos para pacotes que incluem serviços é às vezes chamada de “servitização”. Por exemplo, à medida que o hardware se tornou comoditizado, a IBM fez a transição com sucesso para uma empresa de serviços, acabando por vender a sua divisão de PCs à Lenovo. As empresas de telecomunicações também fizeram esforços sustentados e extenuantes para evitarem tornar-se “canos mudos”, mas sem sucesso. Em vez disso, o valor foi capturado por aplicativos que utilizavam a infraestrutura, levando à ascensão da Big Tech. Acreditamos que os laboratórios agora enfrentam praticamente a mesma bifurcação: capturar valor nas camadas acima dos modelos ou observar outros criarem negócios lucrativos com base na infraestrutura que construíram e pela qual pagaram.

Como os laboratórios estão respondendo

Para resumir o nosso argumento até agora, a nossa análise histórica, bem como a teoria económica, sugerem que existem apenas duas rotas plausíveis para sair da armadilha das mercadorias: estabelecer um controlo semelhante ao de um monopólio sobre o mercado ou capturar valor nas camadas mais altas da pilha, muitas vezes acompanhada por custos de mudança aumentados.

Acreditamos que a primeira rota é improvável e que a fronteira permanecerá competitiva. Os defensores do excepcionalismo da IA ​​podem discordar, prevendo um desenvolvimento sem precedentes históricos: uma descontinuidade de capacidades tão dramática que remodela totalmente o cenário competitivo. Neste cenário de “decolagem difícil”, um ou mais laboratórios alcançam o autoaperfeiçoamento recursivo, tornando a economia atual amplamente irrelevante.

Em nosso artigo completo, argumentamos por que esse cenário é altamente implausível. Por enquanto, salientamos que muitos decisores políticos, investidores e outras partes interessadas não se sentem confortáveis em apostar nesta possibilidade e devem, em vez disso, planear um cenário em que esta não se concretize.

Isso deixa a subida na pilha como o caminho mais provável a seguir. Acreditamos que as empresas de IA estão bem conscientes da armadilha das commodities; eles estão fazendo a transição a todo vapor para além de serem fornecedores de inferência pura (ou seja, vendendo tokens indiferenciados por meio de APIs de modelo) e buscando buscar a captura de valor nas camadas mais altas da pilha. Estamos nos primeiros dias destes esforços e é provável que surjam muitas estratégias novas e mais sistemáticas (examinaremos algumas na próxima secção). Mas já são aparentes alguns esforços.

• Produtos como ChatGPT ou Claude Code ficam em uma camada acima dos modelos. Os produtos não são intercambiáveis ​​como os modelos, por uma série de razões técnicas, contratuais e comportamentais, conforme discutiremos na seção seguinte. No caso de OpenAI, ChatGPT, e não a API OpenAI, há muito tempo é responsável pela maior parte de suas receitas. As receitas de Anthropic no início de 2026 ainda eram dominadas por sua API, mas com o crescimento explosivo de Claude Code, isso pode não durar muito mais tempo.

• A próxima camada na pilha é o SaaS nativo de IA ou “inteligência como serviço”, e os laboratórios deram os primeiros passos nessa direção: o recurso conhecimento da empresa de ChatGPT e a visão de Anthropic sobre agentes dentro do sistema de registro. No entanto, esta é a camada onde os laboratórios são mais vulneráveis ​​aos operadores de SaaS existentes, principalmente a Microsoft.

• As empresas de IA também estão buscando implantação sob medida e reformulação do fluxo de trabalho — por meio de engenheiros implantados posteriormente e parcerias com empresas de consultoria. Isso não cabe perfeitamente na pilha. A pilha pressupõe um equilíbrio em que os locais de trabalho foram transformados através da IA, enquanto esta categoria trata da tentativa de monetizar a própria transformação.

• O caminho mais especulativo e potencialmente mais lucrativo para a captura de valor é a camada superior da pilha: a ideia dos agentes de IA como “trabalhadores digitais”. Muitas empresas têm divulgado essa ideia. Talvez o primeiro lançamento de uma grande empresa de IA que foi projetado para funcionar de forma análoga a um trabalhador digital em vez de uma ferramenta seja Claude Tag, lançado em junho de 2026. Um trabalhador digital integrado a todas as equipes de uma empresa rapidamente se torna um repositório de conhecimento tácito para toda a organização e se torna essencial para fluxos de trabalho e processos de negócios em diferentes equipes. A menos que a portabilidade seja explicitamente incorporada, torna-se um funcionário digital que efetivamente não pode ser despedido, criando um nível de aprisionamento que excede o pior do software empresarial. Quando as empresas vendem trabalhadores digitais, o mercado total endereçável é todo o gasto laboral da economia, muito maior do que os orçamentos de TI das empresas. Mas precisamente por estas razões, é provável que a visão encontre maior resistência por parte das empresas.

A ilustração da capa redesenhada resume alguns desses esforços contínuos. Observe que a pilha descreve o que o cliente paga, não a unidade de faturamento. A precificação de tokens pode ser usada em qualquer camada da pilha, e outras unidades (assinaturas, resultados) podem ser usadas em combinação ou como substitutos nas camadas superiores. É o tipo de valor em cada camada da pilha que determina se a armadilha da mercadoria se aplica, e não o modelo de preços. Discutiremos as estratégias de preços com mais detalhes na seção a seguir.

Um dos principais insights deste ensaio é que as empresas que operam em posições mais altas nessa pilha podem capturar mais valor que criam. Eles podem diferenciar melhor suas ofertas e construir uma variedade de fossos (como discutiremos abaixo), muitos dos quais são indiscutivelmente novos e mais poderosos do que os softwares empresariais desfrutados.

Uma advertência importante: para que os laboratórios de IA, especialmente OpenAI e Anthropic, possam subir na hierarquia, eles devem competir com empresas maiores que desfrutam de muitas vantagens, principalmente canais de distribuição existentes e relacionamentos profundos com clientes corporativos. O Google desfruta de fácil integração vertical em sua linha de produtos de consumo existente. Os operadores históricos de SaaS, nomeadamente a Microsoft, apostam que conseguirão quebrar o modelo de “inteligência como serviço” mais rapidamente do que os laboratórios de IA. Esta desigualdade remodela a dinâmica competitiva do ecossistema de IA e aponta para diferenças importantes entre os principais intervenientes que tentam subir na pilha de valor.

Subir na pilha abre um conjunto variado e poderoso de fossos

Como a ascensão na hierarquia permite que as empresas escapem da armadilha das commodities? A resposta não é simplesmente que as camadas superiores criam mais valor económico. É que tornam o valor capturável e durável: operar numa posição mais elevada na pilha permite aos laboratórios distinguir as suas ofertas e construir custos de aprisionamento e de troca de um tipo não disponível para vendedores de inferência bruta, ou seja, fornecedores de API. Permitem efectivamente que as empresas de IA escapem à falta de diferenciação que está no cerne do paradoxo de Bertrand. Os movimentos ascendentes na pilha não são apenas estratégias de novos produtos; são estratégias de construção de fossos. Nesta seção, examinamos vários tipos diferentes de fossos, alguns que os laboratórios já estão construindo e outros que poderão construir no futuro.

Para identificar quais fossos se abrem à medida que as empresas de IA saem da camada de modelo, analisamos como as empresas de software empresarial geram poder de precificação e capturam valor e, em seguida, analisamos quais dessas estratégias são provavelmente aplicáveis às empresas de IA e quais novas estratégias se tornam disponíveis.

Observamos duas nuances importantes antes de nos aprofundarmos. Primeiro, embora os fossos sejam formas de defender a participação de mercado dos concorrentes, nosso interesse é analisar a capacidade das empresas de IA de capturar o valor que criam para os clientes. Ainda assim, as estratégias envolvidas são basicamente as mesmas, porque ambas exigem evitar uma corrida de preços para o fundo do poço.

Em segundo lugar, a nossa análise centra-se no mercado empresarial, uma vez que acreditamos que será responsável pela maior parte das receitas. OpenAI girou nessa direção recentemente, enquanto Anthropic teve um foco consistente na empresa. Embora seja possível que os produtos de consumo orientados pela publicidade possam constituir um fluxo de receitas significativo no futuro, desempenhando assim um papel na fuga à armadilha da mercadoria, isso não prejudica a nossa tese sobre os fossos empresariais.

1. Incorporação de fossos: modelos de IA são algo que os clientes invocam em seus fluxos de trabalho. Mas outra visão da IA ​​é um sistema no qual o cliente habita. Este último é mais propício à construção de fossos.

Mesmo que o modelo subjacente permaneça intercambiável, o estado que o envolve para um determinado cliente pode não ser. Com o tempo, esse estado acumula: memória persistente e histórico de conversas, corpora de documentos carregados e índices de recuperação, habilidades personalizadas ou conjuntos de avaliação, fluxos de trabalho e processos de negócios e diversas formas de ajuste fino ou personalização. Essa “gravidade dos dados” é uma grande parte do que dá ao software empresarial sua aderência e por que substituí-lo foi descrito como “cirurgia de coração aberto”.

Tanto OpenAI (Company Knowledge) quanto Anthropic (Claude Cowork, parceria PwC) já estão seguindo esses caminhos. A durabilidade destas estratégias permanece uma questão em aberto. Uma complicação é que os dados que poderiam ajudar a construir fossos normalmente ficam nos servidores das empresas em sistemas estabelecidos como Salesforce, Workday e SAP, em grande parte inacessíveis aos laboratórios de IA. Para superar esta situação, as empresas de IA poderiam construir fossos controlando as camadas de orquestração ocupadas pelos agentes, fornecendo assim efetivamente o tecido conjuntivo que une os fluxos de trabalho de uma organização. No entanto, se os padrões abertos mantiverem a camada de orquestração fina e intercambiável, o valor poderá, em última análise, fluir para integradores e empresas agentes, em vez de para os próprios laboratórios.

2. Fossos do ecossistema: Softwares empresariais como Windows, GitHub e SAP se beneficiaram do fato de que, à medida que conquistavam mais clientes ou desenvolvedores que construíam sobre a plataforma, o valor da plataforma crescia. O mercado de IA não ainda apresenta fortes fossos ecossistêmicos. Os laboratórios têm feito esforços para criar mercados bilaterais baseados na IA como plataforma, mas até agora eles não tiveram sucesso (loja GPT) ou foram muito escassos para criar custos de mudança significativos (plugins Claude).

Um tipo de efeito de rede muito discutido, mas ainda não realizado, é o “volante” de treinamento de modelos ou sistemas de IA usando o IP dos clientes, sejam eles dados, os ambientes em que os agentes executam, os rastreamentos de execução desses agentes ou suítes de avaliação privadas. Até agora, as empresas têm sido receosas em permitir que o seu IP seja utilizado desta forma por programadores de IA, mas isto pode mudar no futuro. Afinal, basta um cliente (devidamente incentivado) em cada setor desertar para colocar o volante em movimento.

3. Fossos comerciais: Esta categoria abrange uma série de estratégias familiares, em grande parte emprestadas de software empresarial e computação em nuvem. Os contratos comerciais podem incluir vários mecanismos (acordos plurianuais, níveis de despesas comprometidas, créditos pré-pagos) que tornam a deserção para rivais antieconómica. Os laboratórios já estão a implementar alguns destes mecanismos nos seus acordos empresariais, mas a durabilidade deste fosso também é questionável. Equipes sofisticadas de compras empresariais exigirão portabilidade antes da assinatura, e o aprisionamento contratual é altamente legível para os reguladores antitruste.

A integração vertical oferece uma versão mais poderosa da mesma lógica comercial. Quando um assistente de IA é integrado a um software pelo qual uma empresa já paga (Copilot no Microsoft 365, Gemini no Google Workspace), o custo marginal da IA ​​parece ser zero, dificultando a concorrência de concorrentes independentes em termos de preço. Os intervenientes integrados também podem aproveitar as relações existentes de vendas e aquisições: em vez de ganharem uma nova rubrica orçamental, simplesmente incorporam a IA numa conversa de renovação de software com o qual o cliente já está comprometido. É claro que esta estratégia só está disponível para empresas integradas como Google e Microsoft. Conforme observado acima, isso significa que laboratórios independentes como OpenAI ou Anthropic devem competir em um campo de jogo estruturalmente desigual, muitas vezes alugando infraestrutura das próprias empresas que enfrentam.

4. Fossos comportamentais: Enquanto os fossos discutidos acima operam através de mecanismos técnicos ou comerciais, os fossos comportamentais funcionam através dos humanos que usam sistemas de IA. Assim como as ondas anteriores de software empresarial (Microsoft Excel, sistemas CRM), o uso de ferramentas de IA pode levar a uma erosão da habilidade de executar tarefas sem ajuda, ao mesmo tempo em que desenvolve habilidades específicas do fornecedor na condução de produtos agentes, criando dependência. Esta é uma área onde os riscos sociais podem ser graves, para além das suas implicações na captura de valor: a erosão de competências pode ter implicações profundas na resiliência da força de trabalho, na segurança e na distribuição de poder entre as pessoas e os sistemas de IA.

Mas os fossos comportamentais também incluem formas novas e pouco compreendidas de aprisionamento de IA que não têm análogos claros em softwares anteriores. Uma manifestação notável é o apego relacional ao tom ou “personalidade” de um modelo, como claramente demonstrado pela reação de #Keep4o, quando OpenAI foi forçado a restabelecer o GPT-4o em resposta às demandas dos usuários. De forma mais especulativa, para o trabalho de conhecimento colaborativo, como a escrita ou o trabalho pesado de julgamento (em oposição à automação), a qualidade da contribuição da IA ​​é difícil para o comprador verificar, mesmo depois do facto, porque não existem padrões objectivos. Isso torna esse trabalho um chamado bem de credibilidade, semelhante ao de advogados e consultores. Incapazes de comparar a qualidade, os compradores de produtos de credibilidade tendem a confiar na reputação e na confiança. Isso silencia a concorrência de preços e retarda a mudança, mesmo quando o custo técnico da mudança é próximo de zero.

5. Estratégias de preços: Este caminho é complementar ou aditivo aos discutidos acima e descreve uma maneira pela qual os laboratórios podem ser capazes de capturar mais valor depois de alcançarem o aprisionamento e serem capazes de exercer poder de preços. A ideia é que os laboratórios possam superar a armadilha da mercadoria cobrando pelos resultados (uma porcentagem do custo economizado, uma taxa por ticket de suporte resolvido) em vez de tokens. Esta é a tese explícita por trás da declaração da CFO Sarah Friar da OpenAI de que a receita deve “escalar com o valor da inteligência.”

No entanto, isso é improvável no curto prazo. A precificação de resultados exige a solução de um problema de medição desafiador. Os laboratórios não construíram a infraestrutura para medir e compreender os processos de negócios dos clientes e para rastrear – e muito menos definir o preço – diferentes resultados. Sem essa visibilidade, as métricas de resultados convidam a jogos de ambos os lados: uma taxa por ticket resolvido incentiva os clientes a colocar vários problemas em um ticket e os fornecedores a fechar tickets sem necessariamente corrigi-los. Além disso, os resultados variam entre setores verticais e entre empresas, e os laboratórios de IA carecem das equipes de clientes integradas que os fornecedores de SaaS passaram décadas construindo para obter esse tipo de visibilidade downstream. Ainda assim, algumas empresas de IA estão tentando inovar nessa frente. Se os laboratórios de IA conseguirem migrar para o Systems of Record, os desafios serão superáveis com investimento suficiente.

Implicações mais amplas da mudança

As questões levantadas pela nossa análise têm uma influência significativa no futuro da economia da IA, mas vão muito além das perspectivas de qualquer empresa de IA individual. Abordam a estrutura dos mercados digitais, a distribuição do poder económico e o tipo de ecossistema de inovação que a IA provavelmente produzirá.

Se os laboratórios não conseguirem escapar à armadilha das mercadorias, as consequências serão principalmente financeiras: uma potencial crise de confiança numa das maiores acumulações de capital da história económica, com efeitos em cascata no sector tecnológico mais amplo e nos mercados em geral. Mas se tiverem sucesso – especialmente se conseguirem aumentar os custos de mudança e estabelecer a dependência do cliente – as consequências parecem diferentes e, em alguns aspectos, mais preocupantes. Aumentaria os custos para todas as empresas que dependem da IA e consolidaria um pequeno número de intervenientes numa posição de vantagem estrutural que será difícil de contestar mais tarde.

Algumas questões em particular parecem valer a pena ser levadas a sério agora, antes que os fossos relevantes tenham endurecido:

• Os laboratórios podem construir negócios sustentáveis sem excluir a concorrência e sem repetir padrões anteriores de concentração prejudicial?

• As estratégias que funcionam para investidores e empresas de IA também podem gerar um valor social mais amplo ou a captura de valor na IA ocorre às custas do ecossistema circundante?

• Os ganhos da IA serão difusos (acumulados principalmente para as empresas que a implantam e para a economia em geral) ou concentrados (amplamente capturados por hiperescaladores, laboratórios de IA de ponta, operadores históricos de SaaS e investidores)?

Ainda há muita incerteza sobre estas questões, mas a história sugere que é cedo para estabelecer padrões de interoperabilidade, requisitos de portabilidade e transparência nos custos de mudança, antes que os compostos de aprisionamento e a intervenção se tornem estruturalmente mais difíceis. Felizmente, as autoridades da concorrência, como a FTC dos EUA e a CMA do Reino Unido, estão atentas a este espaço, mas até agora parecem ter focado a sua análise nas camadas inferiores da pilha. Nossa análise mostra que eles devem ampliar sua visão.

Somos gratos a Sayash Kapoor pelo feedback sobre um rascunho.

Leitura adicional

Embora muitos aspectos do nosso argumento sejam pelo menos um tanto novos, o argumento “sem fosso” em si não é novo. Sua primeira articulação proeminente (que tenhamos conhecimento) remonta a mais de três anos, em um documento vazado do Google. Muitos comentaristas como Gary Marcus, Ed Zitron e Cory Doctorow defenderam incansavelmente esse ponto ou variantes dele.

O que é possivelmente novo na nossa análise é basear-se em paralelos históricos e mostrar que a inferência do modelo corresponde aos pré-requisitos para uma concorrência ruinosa ainda melhor do que esses precedentes. Onde definitivamente diferimos daqueles que prevêem uma bolha é reconhecer que (1) a pilha de IA é bastante espessa e a armadilha da mercadoria só se aplica à camada do modelo (2) os laboratórios estão profundamente conscientes do problema e (3) têm migrado furiosamente para sair dele.

Muitos outros estão pessimistas nos laboratórios, incluindo Benedikt Evans e Luis Garicano e Jesús Saa-Requejo. Estes últimos argumentam que a captura de valor terá lugar tanto no topo da cadeia de valor, nos fornecedores físicos e de hardware [devido ao estrangulamento computacional], como na camada de implementação, onde os modelos são postos a funcionar e onde a restrição vinculativa é organizacional e não técnica. Concordamos amplamente. Mas eles concluem que os laboratórios não conseguirão capturar muito valor. A suposição implícita parece ser que os laboratórios estão limitados a serem fornecedores de modelos, o que, em nossa opinião, é uma noção cada vez mais desatualizada.

Semianálise argumenta que os laboratórios serão capazes de sustentar altas margens brutas devido à escassez de computação. Achamos que esta é uma situação temporária.

O mais próximo do nosso pensamento é o nosso colega do CITP de Princeton, Mihir Kshirsagar, que escreveu uma série de quatro artigos sobre este tópico. Embora tenhamos beneficiado das conversas com Kshirsagar, o nosso pensamento desenvolveu-se em grande parte de forma independente, com muitos pontos de acordo e alguns pontos de desacordo. Tal como Kshirsagar, pensamos que a rápida expansão da IA ​​não faria sentido económico se não fosse pela promessa de aprisionamento. Sua análise identifica coalizões entre hiperscaladores e laboratórios de IA (como Microsoft-OpenAI e Amazon-Anthropic) como o principal veículo para o aprisionamento, o que é um pouco diferente do nosso diagnóstico.

Nathan Lambert oferece uma visão de como tudo isso pode acontecer: uma economia de IA de dois níveis, na qual os clientes que estão na fronteira do conhecimento trabalham pagando grandes prêmios por produtos e serviços “up the stack” baseados em modelos de fronteira dos laboratórios líderes, enquanto todos os demais estão satisfeitos com o ecossistema de modelo aberto. Uma de suas previsões é mais precisa que a nossa: os laboratórios de fronteira permitirão que seus negócios de API decaiam para proteger suas ofertas de margens mais altas.

1

O modelo teórico por trás do Paradoxo de Bertrand é um jogo único e os custos de troca não entram na equação, mas é claro que na prática devemos considerá-los.

2

Isso não quer dizer que a IA irá parar de melhorar – outras rotas, como escala de inferência e melhores ferramentas, permanecerão.