A Anthropic está prestes a deixar de ser apenas uma empresa de modelos
Existe uma transição que está se tornando inevitável para qualquer empresa que queira liderar no mercado de IA a longo prazo: deixar de ser compradora de infraestrutura para se tornar controladora da própria infraestrutura. Google fez isso com o TPU. Amazon com o Trainium e o Inferentia. Apple com os chips M e Neural Engine. Microsoft está acelerando investimentos em silício próprio. OpenAI está em negociações para chips customizados.
A Anthropic estava na lista de grandes empresas de IA ainda dependentes de GPUs de terceiros para toda sua capacidade de compute. Conversas com a Samsung para desenvolver chip próprio de IA, com foco em inferência, mudam essa posição de forma significativa se a negociação se concretizar.
O movimento não é apenas sobre custo ou eficiência técnica. É sobre onde a vantagem competitiva em IA vai residir nos próximos anos, e sobre quem vai conseguir chegar lá.
Por que inferência especificamente é o foco
O mercado de IA tem dois momentos de compute intensivo com características muito diferentes. Treinamento acontece de forma periódica, consome volumes enormes de compute durante semanas ou meses, e depois o modelo está pronto para uso. Inferência acontece continuamente, toda vez que um usuário faz uma pergunta, um agente executa uma tarefa ou uma aplicação processa um documento.
Durante os primeiros anos da corrida de IA, o foco em hardware estava no treinamento: quem tem mais GPUs consegue treinar modelos maiores mais rápido. Mas à medida que o uso de IA escala para centenas de milhões de usuários e para fluxos agênticos que executam muitas requisições por tarefa, o custo de inferência se torna o gargalo econômico principal.
A Anthropic está reportando que o custo de compute para seus clientes se tornou um grande desafio, algo que o próprio CEO da OpenAI também reconheceu publicamente. Cada requisição ao Claude custa compute real, e esse custo se multiplica de forma que pode tornar casos de uso marginalmente viáveis em casos que não fecham economicamente em escala.
Um chip otimizado especificamente para inferência dos modelos Claude pode reduzir esse custo de forma substancial. Chips de propósito específico, ao contrário de GPUs de propósito geral, podem ser projetados com arquitetura que corresponde exatamente ao padrão de operações que os modelos executam durante inferência, sem o overhead de suportar os outros casos de uso para os quais GPUs precisam ser flexíveis.
O que a Samsung traz para a parceria
A escolha da Samsung como parceira não é aleatória. A empresa é uma das poucas no mundo com capacidade de fabricação de chips avançados em escala, ao lado da TSMC e da Intel Foundry. Para a Anthropic, que precisaria ir do design ao chip funcional em volume suficiente para uso em produção, ter um parceiro com capacidade de fabricação avançada é condição necessária.
A Samsung também tem experiência específica em chips de IA para diferentes casos de uso, incluindo chips de inferência para dispositivos móveis e chips de alto desempenho para data centers. Esse histórico de desenvolvimento e a relação existente com a Samsung como fornecedora de componentes para múltiplas empresas de tecnologia torna a parceria tecnicamente plausível além de estrategicamente atraente.
Para a Samsung, desenvolver chip customizado para a Anthropic representa uma oportunidade de diversificar sua base de clientes de chipmaking e de fortalecer sua posição competitiva na corrida por capacidade de fabricação de IA, num momento em que a TSMC domina esse mercado e todos os grandes players buscam alternativas para reduzir dependência de um único fabricante.
O padrão de verticalização que toda a indústria está seguindo
A Anthropic não está inventando uma estratégia nova. Está seguindo um padrão que já foi executado por múltiplos competidores e que cada vez mais parece ser o caminho necessário para liderança sustentável em IA.
O Google lançou os TPUs em 2016 exatamente para ter hardware otimizado para os padrões de compute que seus modelos de machine learning exigiam. Hoje, os TPUs são parte central da infraestrutura que sustenta tanto os produtos de consumo do Google quanto os serviços de cloud que ele oferece a terceiros. A vantagem de custo e de performance que os TPUs oferecem para cargas de trabalho específicas de IA é real e mensurável.
A Amazon desenvolveu o Trainium para treinamento e o Inferentia para inferência como alternativas aos chips da Nvidia dentro da AWS. Para clientes que usam AWS, esses chips representam opções de menor custo para casos de uso que correspondem ao que eles otimizam, com a vantagem adicional de que a Amazon tem controle sobre o roadmap e pode ajustar a arquitetura conforme as necessidades evoluem.
A OpenAI está em conversas avançadas para desenvolver chips customizados, reconhecendo que a dependência da Nvidia em hardware é um risco estratégico e um gargalo de custo que precisa ser endereçado para que seus planos de escala façam sentido economicamente.
A dependência da Nvidia como risco estratégico que precisava ser endereçado
Por trás de toda essa corrida por chips próprios está uma realidade desconfortável para empresas de IA: a Nvidia está numa posição de poder sobre a indústria que é historicamente incomum. As GPUs H100 e H200, e agora a arquitetura Blackwell, são o hardware que a maioria dos modelos de fronteira dependem para treinamento e inferência. A escassez dessas GPUs, os preços que têm subido na percepção de praticamente todos os CEO do setor e os longos tempos de entrega criaram uma situação onde empresas bilionárias não conseguem garantir o compute que precisam para executar seus planos.
Essa dependência se torna ainda mais problemática no contexto das tensões geopolíticas em torno de semicondutores. Restrições de exportação americanas sobre chips avançados para a China já afetaram o mercado global. Qualquer extensão ou modificação dessas restrições que afete fornecimento para outros países poderia ter consequências que empresas dependentes da Nvidia não conseguem antecipar ou controlar.
Desenvolver chip próprio, mesmo que eventualmente represente apenas parte da capacidade total de compute da empresa, reduz essa exposição. Uma Anthropic com chip próprio para inferência ainda vai precisar de GPUs para treinamento, mas tem controle sobre a parte da stack que representa o maior custo operacional contínuo.
O que a verticalização significa para a competição no mercado de IA
A corrida por chips próprios está redefinindo onde a vantagem competitiva em IA vai residir nos próximos anos. Quando empresas controlam hardware e software simultaneamente, conseguem otimizações que são inacessíveis para quem usa hardware de propósito geral.
Modelos podem ser treinados e implantados com arquiteturas que correspondem melhor ao hardware específico. O custo de inferência pode ser reduzido de formas que melhoram a proposta de valor para o cliente sem necessariamente reduzir margem. A performance pode ser melhorada para casos de uso específicos de formas que não são possíveis em hardware genérico.
Para empresas que dependem de GPUs Nvidia para tudo, há um limite estrutural para o quanto o custo por token pode cair: depende da capacidade da Nvidia de reduzir custos de fabricação e de aumentar eficiência, que são variáveis fora do controle de quem compra as GPUs. Para empresas com chips próprios otimizados para seus modelos específicos, o espaço de otimização é muito mais amplo e está sob controle interno.
Se a Anthropic conseguir desenvolver chip de inferência com a Samsung que reduza o custo por token de forma substancial, isso muda a competição em dimensões que vão muito além do que qualquer benchmark de capacidade de modelo captura. Custo mais baixo permite preços mais competitivos, casos de uso que antes não fechavam economicamente passam a ser viáveis, e a empresa pode escalar uso de agentes e aplicações em formas que hoje são limitadas pelo custo de compute.
A stack completa, do chip ao modelo à aplicação, está se tornando o ativo que define liderança em IA. A Anthropic está tentando garantir que quando esse padrão se consolidar, ela estará no grupo das empresas que o controlam, não no grupo das que dependem de quem controla.
