US$ 5,6 milhões contra US$ 100 milhões: como uma startup chinesa forçou a indústria de IA a reescrever suas premissas em 2025

O caso DeepSeek R1, a queda de US$ 589 bilhões da Nvidia e o que a democratização da IA significa para a estratégia corporativa.

Em janeiro de 2025, uma startup chinesa chamada DeepSeek publicou um modelo de IA que igualou o desempenho do GPT-4 em raciocínio matemático e programação. O custo de treinamento: US$ 5,6 milhões. Para referência, o GPT-4 da OpenAI custou mais de US$ 100 milhões para treinar.

No dia seguinte à publicação do paper técnico, a Nvidia perdeu US$ 589 bilhões em valor de mercado em uma única sessão. Foi a maior destruição de valor em um único dia na história do mercado americano.

O DeepSeek R1 não é apenas um modelo de IA eficiente. É uma refutação empírica da premissa que sustentou toda a narrativa de investimento em IA nos últimos três anos: a ideia de que desempenho de fronteira exige capital de fronteira.

>A premissa que caiu

Até janeiro de 2025, a equação era simples: mais dinheiro, mais dados, mais hardware, melhor modelo. Os labs de IA competiam na escala. Treinamento de modelos de fronteira custava centenas de milhões de dólares. Apenas empresas com acesso a dezenas de milhares de GPUs podiam competir.

O DeepSeek R1 quebrou essa equação. A equipe usou uma arquitetura Mixture of Experts (MoE), que ativa apenas uma fração dos parâmetros do modelo em cada inferência. Combinou isso com treinamento por aprendizado por reforço (RL) em vez de depender exclusivamente de dados rotulados caros. E fez tudo isso com hardware restrito pelas sanções americanas contra a China.

>A reação em cadeia

O DeepSeek R1 desencadeou uma onda de código aberto na China. Alibaba acelerou a liberação do Qwen. Baidu expandiu o ERNIE. Uma série de startups menores publicou modelos competitivos com custos cada vez menores.

Mas o impacto mais significativo foi na estratégia da OpenAI. Em resposta direta ao DeepSeek, a OpenAI publicou seus primeiros modelos de código aberto desde 2019. Sam Altman admitiu publicamente que a empresa esteve "do lado errado da história" ao manter modelos fechados.

A frase é reveladora. Não porque a OpenAI se tornou defensora do código aberto por convicção. Mas porque a pressão competitiva de um modelo chinês de US$ 5,6 milhões forçou uma mudança de estratégia que anos de pressão da comunidade de pesquisa não conseguiram.

“Nós claramente estávamos do lado errado da história nisso.”

— Sam Altman, CEO da OpenAI

>Os números que importam

Os dados do Stanford AI Index 2025 confirmam a tendência que o DeepSeek R1 acelerou:

A convergência é o dado mais importante. A diferença de desempenho entre modelos americanos e chineses caiu de dois dígitos para 1,7%. A diferença entre modelos de código aberto e proprietários: também 1,7%. E o custo de inferência caiu 280 vezes em 18 meses.

Isso significa que a capacidade de IA de fronteira está se tornando commodity. Não porque os modelos ficaram piores, mas porque ficaram acessíveis.

>O Paradoxo de Jevons aplicado à IA

Quando o DeepSeek R1 derrubou as ações da Nvidia, a leitura imediata foi: se IA custa menos para treinar, a demanda por hardware vai cair. Mas a história econômica sugere o oposto.

O Paradoxo de Jevons, formulado em 1865, observa que quando uma tecnologia se torna mais eficiente no uso de um recurso, o consumo total desse recurso aumenta, não diminui. O carvão ficou mais eficiente e o consumo de carvão explodiu. A eletricidade ficou mais barata e o consumo de eletricidade multiplicou.

Aplicado à IA: quando treinar um modelo de fronteira custa US$ 5,6 milhões em vez de US$ 100 milhões, não são menos modelos sendo treinados. São mais. Muito mais. E cada um deles precisa de hardware para inferência em produção.

Os dados confirmam: apesar da queda no custo por unidade, o consumo total de compute para IA continua crescendo exponencialmente.

>Quatro implicações para estratégia corporativa

• •O custo de IA está em queda livre, e isso muda a equação de build vs. buy. O que antes exigia contratos de milhões com fornecedores de IA pode, cada vez mais, ser construído internamente com modelos de código aberto. A decisão de terceirizar vs. internalizar precisa ser reavaliada trimestralmente.
• •Código aberto é agora equivalente em desempenho. A premissa de que modelos proprietários são superiores não se sustenta mais nos dados. Empresas que constroem sobre modelos abertos ganham flexibilidade, reduzem dependência de fornecedores e mantêm controle sobre dados.
• •A vantagem competitiva migrou de "ter o melhor modelo" para "ter a melhor aplicação". Quando todos têm acesso a modelos de desempenho equivalente, a diferença está em quem sabe aplicar melhor: melhores dados proprietários, melhor integração com processos, melhor design de interação humano-máquina.
• •Geopolítica agora é variável tecnológica. Sanções americanas não impediram a China de competir em IA. Na verdade, podem ter acelerado a inovação ao forçar soluções mais eficientes. Qualquer estratégia de IA que não considere o cenário geopolítico está incompleta.

Para quem dirige uma empresa, a implicação é clara: o acesso à IA de fronteira não é mais barreira. A barreira agora é saber o que fazer com ela. E essa é uma barreira de conhecimento, estratégia e execução, não de capital.

As empresas que entenderem isso primeiro vão capturar a janela de oportunidade que a democratização da IA está abrindo. As que continuarem tratando IA como um investimento de escala vão descobrir que o jogo mudou enquanto ainda estavam jogando pelas regras antigas.