David Cahn pergunta: a IA conseguirá responder à questão dos US$ 3 trilhões antes que o retorno se distancie?

David Cahn, sócio da Sequoia, elevou sua estimativa para a infraestrutura de IA a US$ 1,5 trilhão, obrigando os investidores a enfrentar um problema de receita muito maior. A IA conseguirá responder à questão dos US$ 3 trilhões antes que o retorno esperado se estenda para além de 2028?

Esse valor representa a estimativa de Cahn para a receita necessária a fim de justificar os gastos do setor com infraestrutura em 2026. Ele abrange o ônus econômico por trás de chips, data centers, sistemas de energia, equipamentos de rede e margens dos operadores.

O conflito já não se resume a otimistas da IA contra céticos. Trata-se da receita prometida pelo setor em confronto com os compromissos físicos e financeiros já assumidos por Google, Meta, Microsoft, Amazon e seus parceiros.

As empresas de IA estão crescendo rapidamente, mas os compromissos com infraestrutura cresceram em outra escala. A queda no custo dos tokens e os modelos open-weight mais baratos facilitam a adoção, ao mesmo tempo que tornam a meta de receita mais difícil de alcançar.

Essa inversão pressiona os hyperscalers. Os investidores esperam que seus enormes programas de investimento produzam um fluxo de caixa livre significativamente maior nos próximos anos.

Se esse caixa não chegar no prazo previsto, as consequências irão além dos desenvolvedores de modelos. Elas atingirão fornecedores de chips, empresas de energia, mercados de crédito, grandes índices de ações e a economia como um todo.

David Cahn transforma um alerta de US$ 200 bilhões em um teste de US$ 3 trilhões

A nova estimativa de Cahn transforma o debate sobre IA: de uma questão sobre a demanda por produtos em um teste para saber se a receita conseguirá acompanhar os gastos com infraestrutura.

Cahn começou a apresentar esse argumento em 2023, quando a Nvidia registrava uma receita anual com GPUs próxima de US$ 50 bilhões. Ele acrescentou os custos operacionais e as margens necessários em toda a cadeia de infraestrutura.

Esse cálculo indicava que o setor precisava de aproximadamente US$ 200 bilhões em receita para recuperar o investimento inicial. A estimativa ficou conhecida como a "questão dos US$ 200 bilhões" da IA.

A questão não pretendia declarar que a IA fracassaria. Cahn a apresentou como um desafio para que empreendedores criassem aplicações capazes de utilizar de forma lucrativa a capacidade computacional disponível.

Três anos de construção acelerada mudaram a escala. Segundo uma análise de infraestrutura de 9 de julho, Cahn agora estima os gastos com infraestrutura de IA em 2026 em US$ 1,5 trilhão.

Seu modelo sugere que o setor precisa gerar US$ 3 trilhões em receita para justificar essas despesas. O valor reflete mais do que apenas o preço de compra dos aceleradores.

Os data centers precisam de energia, refrigeração, redes, memória, terrenos, mão de obra para construção e manutenção contínua. Os operadores de infraestrutura também esperam retorno sobre o capital investido.

Cahn argumenta que a necessidade final pode ser ainda maior. Restrições de memória, chips especializados em inferência e o aumento dos custos de construção podem elevar a receita necessária para cada gigawatt de capacidade.

Um gigawatt mede a capacidade energética, não a produção da IA. Essa medida importa porque a eletricidade se tornou um dos limites mais evidentes para a velocidade com que as empresas conseguem implantar novos sistemas computacionais.

A Apollo publicou uma previsão separada sobre infraestrutura que ilustra a mesma pressão. A empresa estimou que sustentar a infraestrutura de IA até 2028 exigiria quase US$ 3 trilhões em capital.

A Apollo esperava que aproximadamente metade dessa necessidade viesse de financiamento externo. Sua previsão de capital também estimou que o crédito privado poderia fornecer mais de US$ 800 bilhões.

As estimativas medem aspectos diferentes e não devem ser tratadas como idênticas. Cahn avalia a receita necessária para justificar os gastos, enquanto a Apollo estima as necessidades de financiamento da infraestrutura.

Ambos os cálculos apontam para o mesmo problema fundamental. A expansão física da IA avança mais rápido do que a capacidade demonstrada pelo setor de gerar um fluxo correspondente e duradouro de receita proveniente dos clientes.

A expansão também exige longos prazos. Cahn afirmou que um data center de IA leva, em média, cerca de dois anos para ser construído.

Portanto, os projetos anunciados durante o surto inicial da IA generativa estão entrando em operação depois que muitas decisões de compra já foram tomadas. Seu valor econômico depende de uma demanda que terá de persistir por anos.

A infraestrutura de nuvem ofereceu um precedente mais lento. A Amazon lançou a AWS em 2006, e a migração das cargas de trabalho corporativas ocorreu ao longo de décadas.

Esse ritmo permitiu que os provedores financiassem a expansão de forma progressiva. O atual ciclo da IA exige que as empresas garantam chips, eletricidade e capacidade de construção antes que a demanda se torne igualmente visível.

Portanto, a questão dos US$ 3 trilhões não pergunta se as pessoas usam IA. Seu uso já se espalhou por mecanismos de busca, desenvolvimento de software, atendimento ao cliente, pesquisa, produção de conteúdo e trabalho administrativo.

Ela pergunta se os clientes pagarão o suficiente, por tempo suficiente, para sustentar a infraestrutura montada em seu benefício. Esse é um teste muito mais rigoroso.

A IA conseguirá responder à questão dos US$ 3 trilhões com a receita atual?

As principais empresas de IA construíram negócios substanciais, mas a receita divulgada por elas permanece muito abaixo do nível sugerido pelo cálculo de Cahn.

Segundo relatos, a Anthropic se aproximava de US$ 60 bilhões em receita recorrente anual em julho de 2026. A receita recorrente anual, ou ARR, projeta para um ano inteiro a receita atual proveniente de assinaturas e contratos.

A OpenAI teria gerado US$ 13 bilhões durante 2025. A empresa afirmou, em novembro de 2025, que havia alcançado US$ 20 bilhões em ARR, sugerindo uma aceleração contínua para além da receita anual reconhecida.

Esses valores demonstram uma demanda real, especialmente por agentes de programação e assistentes de uso geral. Mas não fecham uma lacuna de vários trilhões de dólares.

A receita dos provedores de modelos também é apenas uma parte da resposta. Google, Microsoft, Amazon e Meta podem monetizar a IA por meio de serviços de nuvem, publicidade, comércio eletrônico, assinaturas e eficiência interna.

O Google pode aplicar modelos à publicidade em mecanismos de busca e às cargas de trabalho na nuvem. A Microsoft pode incorporar assistentes a softwares empresariais, ao mesmo tempo que vende capacidade computacional por meio do Azure.

A Amazon pode usar IA em suas operações de varejo e oferecer infraestrutura de modelos por meio da AWS. A Meta pode aprimorar sistemas de publicidade e o engajamento dos usuários sem cobrar diretamente por cada interação com um modelo.

Esses retornos indiretos complicam o cálculo de Cahn. Cada dólar de melhoria no desempenho da publicidade pode ajudar a justificar a infraestrutura, mesmo que jamais apareça como receita de APIs de modelos.

A redução de custos também importa. Um agente que encurte um projeto de software ou automatize o atendimento ao cliente pode criar valor sem se tornar uma linha de produtos separada.

No entanto, os benefícios indiretos são difíceis de isolar. As empresas podem atribuir à IA melhorias que também refletem mudanças de preços, cortes organizacionais, crescimento do mercado ou atualizações de software convencionais.

As aplicações mais fortes no curto prazo continuam concentradas. Em uma perspectiva sobre a IA em 2026, Cahn identificou a programação e o ChatGPT como as duas aplicações de sucesso já consolidadas.

Ele esperava que ambas as categorias se aproximassem ou ultrapassassem dezenas de bilhões de dólares em receita anual. Também observou um grupo crescente de startups avançando em direção a uma escala comercial significativa.

Os agentes de programação oferecem uma justificativa econômica excepcionalmente clara. Eles podem redigir código, revisar alterações, testar interfaces, investigar falhas e operar ferramentas de desenvolvimento.

O comprador pode comparar esses resultados com o tempo dedicado pela equipe de engenharia, a velocidade dos lançamentos e as taxas de defeitos. Isso proporciona um retorno mais mensurável do que uma promessa genérica de aprimorar o trabalho intelectual.

Mesmo nesse caso, a atribuição de receita continua sendo um desafio. Uma empresa pode pagar por vários assistentes enquanto seus engenheiros continuam utilizando as ferramentas de desenvolvimento e os serviços de nuvem existentes.

A questão relevante não é se o agente produz código útil. É se o ganho de produtividade resultante supera os custos de assinatura, inferência, revisão, segurança e integração.

A implementação empresarial introduz outro atraso. Grandes organizações precisam conectar os modelos a dados privados, permissões, sistemas de software e processos de aprovação.

Elas também precisam de métodos de avaliação que distingam uma resposta fluente de um resultado confiável. Um modelo com bom desempenho em uma demonstração ainda pode falhar dentro de um fluxo de produção extenso.

Cahn descreveu as empresas como exaustas diante de projetos internos de IA difíceis de executar. Esse desgaste cria uma oportunidade para startups de aplicações, mas também desacelera a receita de que os proprietários de infraestrutura precisam.

Uma aplicação especializada pode organizar os modelos em torno de uma única tarefa e eliminar o trabalho de integração. Ainda assim, o fornecedor da aplicação enfrenta a pressão da queda nos custos dos modelos e da rápida reprodução de funcionalidades.

Portanto, a justificativa da receita precisa funcionar em várias camadas. Os provedores de modelos precisam de contratos, as empresas de aplicações precisam reter clientes e os hyperscalers precisam utilizar seus data centers de forma lucrativa.

Uma taxa de utilização mais alta, por si só, é insuficiente se cada unidade de trabalho ficar mais barata em um ritmo superior ao da expansão da demanda. A receita depende da interação entre o volume de uso e a queda do custo unitário.

Para que a IA responda à questão dos US$ 3 trilhões, os clientes terão de consumir uma quantidade drasticamente maior de inteligência à medida que seu custo diminui. Esse resultado é plausível, mas o aumento necessário é enorme.

Tokens mais baratos criam a inversão central da receita da IA

Os mesmos ganhos de eficiência que facilitam a adoção da IA podem enfraquecer o crescimento da receita necessário para recuperar o investimento em infraestrutura.

As empresas de modelos geralmente cobram por tokens, as pequenas unidades de texto ou código processadas durante a geração. A redução no custo dos tokens diminui as despesas de operação de assistentes e agentes.

Essa é uma boa notícia para desenvolvedores e compradores empresariais. Um fluxo de trabalho que era caro demais no ano passado pode se tornar comercialmente viável após uma melhoria no modelo ou no hardware.

No entanto, custos unitários menores pressionam os fornecedores. Se um agente executar a mesma tarefa com menos tokens, o provedor receberá menos receita de uso, a menos que os clientes realizem mais tarefas.

Essa é a inversão central do argumento de Cahn. O progresso técnico fortalece o produto, mas aumenta o volume necessário para recuperar os investimentos em infraestrutura.

A OpenAI afirmou que o GPT-5.4 precisava de menos tokens do que o GPT-5.2 para muitas tarefas. A empresa também o apresentou como um modelo mais robusto para programação, uso de ferramentas e fluxos de trabalho profissionais.

Em uma avaliação pública de programação, o GPT-5.4 obteve 57,7%, em comparação com 55,6% do GPT-5.2. A avaliação do modelo da OpenAI também relatou grandes avanços em pesquisas agênticas na web.

Posteriormente, a OpenAI afirmou que seu modelo mais recente era 54% mais eficiente no uso de tokens em tarefas agênticas de programação. Essa afirmação descreve a quantidade de computação expressa por meio de tokens, e não um ganho garantido de produtividade.

Os resultados independentes em produção podem variar conforme os prompts, as ferramentas, a duração das tarefas e as configurações de raciocínio. Um benchmark não consegue determinar o custo final de uma implementação empresarial.

Mesmo assim, a direção é clara. Os modelos competem não apenas em inteligência, mas também na eficiência com que convertem computação em trabalho concluído.

A eficiência pode estimular a demanda por meio de um efeito econômico conhecido. Quando um recurso fica mais barato, as pessoas frequentemente descobrem novas formas de utilizá-lo.

Os desenvolvedores podem passar do preenchimento ocasional de código para agentes que monitoram testes continuamente. As equipes de suporte podem analisar todas as interações com clientes, em vez de apenas uma amostra.

Pesquisadores podem conduzir várias investigações em paralelo. As equipes de produto podem gerar, testar e comparar muito mais protótipos antes de escolher um.

Esses cenários podem aumentar o consumo total de tokens, apesar dos custos mais baixos por tarefa. A tese da infraestrutura exige que essa expansão ocorra em um mercado de dimensões muito amplas.

Os fluxos de trabalho agênticos oferecem um caminho possível. Um agente não responde a um único prompt e para. Ele planeja, aciona ferramentas, lê arquivos, verifica resultados e repete etapas.

Uma pesquisa publicada em 2026 constatou que tarefas agênticas de programação podiam consumir muito mais tokens do que conversas comuns sobre código. O mesmo estudo identificou uma ampla variação entre execuções repetidas.

Essa variação ajuda a explicar por que alegações de eficiência exigem cautela. Um número maior de tokens não resultou sistematicamente em maior precisão, e os modelos tiveram dificuldade para prever o próprio consumo.

Os compradores exigirão cada vez mais trabalho concluído, em vez de volume bruto de tokens. Isso desloca a pressão para avaliações baseadas em resultados, orçamentos previsíveis e uma execução passível de auditoria.

Uma empresa que organiza seu próprio trabalho com IA pode se beneficiar ao manter fontes, decisões e resultados dos modelos em um só lugar. Uma base de conhecimento de IA pesquisável pode reduzir consultas repetidas e preservar o contexto por trás dos resultados.

Um contexto melhor pode reduzir desperdícios, mas não garante confiabilidade. As equipes ainda precisam de revisão humana para decisões financeiras, jurídicas, médicas, de segurança e operacionais com consequências relevantes.

A questão econômica é saber se esses fluxos de trabalho geram atividade adicional suficiente para compensar os ganhos de eficiência. Os fornecedores precisam que o consumo cresça mais rapidamente do que a queda nos custos unitários.

Essa exigência se assemelha a outras transições da computação. O armazenamento mais barato gerou mais dados, enquanto a largura de banda mais barata viabilizou o streaming de vídeo e as aplicações em nuvem.

A IA pode seguir o mesmo padrão. A diferença está no volume de capital comprometido antes que a nova curva de demanda tenha se formado por completo.

Modelos de pesos abertos pressionam as projeções das hyperscalers

A concorrência de pesos abertos ameaça a premissa de que o aumento do uso de IA será canalizado principalmente pelas plataformas americanas de modelos e nuvem mais caras.

Um modelo de pesos abertos disponibiliza seus parâmetros treinados para que os usuários possam baixá-los ou operá-los. Isso não significa necessariamente que seus dados de treinamento ou todo o processo de desenvolvimento sejam divulgados.

As organizações podem executar esses modelos em sua própria infraestrutura, recorrer a serviços especializados de hospedagem ou adaptá-los a tarefas mais específicas. Essa flexibilidade pode reduzir a dependência de um único fornecedor.

Torsten Slok, economista-chefe da Apollo, apontou essa mudança como um risco para as projeções das hyperscalers. Segundo ele, os modelos chineses estavam ganhando participação enquanto os preços dos tokens continuavam caindo.

De acordo com a análise da Apollo de julho, os modelos chineses superaram seus equivalentes americanos em uso de tokens entre os 20 modelos mais utilizados. Os gráficos subjacentes foram elaborados com dados da OpenRouter e de outros conjuntos de dados de utilização.

Esses conjuntos de dados não representam todo o mercado. Eles podem conferir peso excessivo a desenvolvedores que alternam frequentemente entre modelos e sub-representar implantações empresariais privadas.

Ainda assim, revelam comportamentos competitivos relevantes. Os usuários frequentemente escolhem um modelo mais barato quando ele oferece desempenho suficiente para uma tarefa rotineira.

Uma equipe de software pode reservar um modelo de fronteira para decisões de arquitetura, enquanto utiliza modelos menores para testes, documentação, classificação e formatação.

Uma operação de atendimento ao cliente pode encaminhar solicitações simples para um modelo local. Conversas ambíguas podem ser escaladas para um sistema hospedado mais avançado.

Essa combinação reduz o preço que um único fornecedor pode cobrar. Também diminui o valor da liderança em benchmarks quando vários modelos atingem o nível exigido pelo comprador.

Google, Meta, Microsoft e Amazon continuam protegidas por sua escala, distribuição e relações existentes com clientes. Elas podem combinar IA com serviços de nuvem, software de produtividade, sistemas de publicidade e plataformas para desenvolvedores.

Também possuem balanços sólidos o suficiente para continuar construindo durante uma guerra de preços. Fornecedores menores de infraestrutura não dispõem dessa margem de segurança.

No entanto, a escala gera exposição, além de proteção. As maiores empresas comprometeram o maior volume de capital e estão sujeitas às expectativas mais elevadas dos investidores.

As projeções consensuais examinadas pela Apollo preveem que o fluxo de caixa livre das hyperscalers mais do que dobre nos próximos anos. O fluxo de caixa livre mede o caixa restante após as despesas operacionais e os investimentos de capital.

Essas projeções pressupõem que os investimentos atuais resultarão em empresas maiores e mais lucrativas. Também partem do princípio de que o retorno chegará rápido o suficiente para superar os custos de depreciação e financiamento.

A depreciação distribui o custo de um ativo ao longo de sua vida útil estimada. Ela se torna especialmente importante quando aceleradores mais novos tornam o hardware existente economicamente menos atrativo.

Um data center pode continuar fisicamente operacional e, ainda assim, gerar retornos inferiores ao planejado. Chips mais rápidos podem reduzir o valor de sistemas antigos antes do fim de sua vida útil contábil.

Cahn também alertou que um atraso nos cronogramas para a inteligência artificial geral poderia deixar a capacidade atual exposta. Se capacidades avançadas demorarem mais para chegar, parte do hardware poderá envelhecer antes que a demanda justifique seu uso.

Esse risco não significa que os chips instalados se tornem inúteis. Os sistemas existentes podem atender modelos menores, tarefas de ajuste fino, inferência, pesquisa e cargas de trabalho de menor prioridade.

A questão é o retorno obtido em relação à projeção original. Uma capacidade construída para oferecer inteligência premium escassa pode acabar abastecendo um mercado competitivo de commodities.

Slok apresentou três possíveis consequências caso o retorno decepcione. Primeiro, as projeções de fluxo de caixa e lucros cairiam, enquanto os investimentos de capital e a depreciação continuariam.

Segundo, uma liquidação das ações das maiores empresas de tecnologia poderia se espalhar pelos mercados de chips, energia, data centers e ações.

Terceiro, as hyperscalers poderiam recorrer mais ao endividamento caso o caixa operacional deixasse de cobrir a expansão. Isso elevaria a alavancagem e aumentaria a exposição dos credores aos riscos de infraestrutura.

A análise da Apollo vai além, argumentando que um retorno tardio poderia contribuir para uma recessão e uma correção do S&P 500. Trata-se de um cenário de risco, não de uma previsão consolidada.

Essa alegação também precisa ser contextualizada. As maiores hyperscalers possuem negócios diversificados, forte geração de caixa e capacidade para alterar seus planos de investimento.

Elas podem adiar projetos, renegociar compromissos de fornecimento, transferir cargas de trabalho ou redirecionar capacidade para produtos internos. Seus programas de investimento não são totalmente inflexíveis.

Há também uma interpretação otimista da concorrência aberta. Modelos mais baratos podem levar a IA a um número maior de organizações, ampliando a demanda por armazenamento em nuvem, redes, segurança e ferramentas de implantação.

As hyperscalers podem lucrar com a hospedagem de modelos concorrentes mesmo quando seus próprios modelos perdem participação. Historicamente, as plataformas de infraestrutura se beneficiaram de ecossistemas amplos de software.

Portanto, a pressão decorre do momento em que os retornos chegam e das margens, não de um simples colapso da demanda. A adoção pode continuar crescendo enquanto os retornos financeiros demoram mais do que os mercados esperam.

Três sinais mostrarão se o retorno da IA está chegando

A resposta aparecerá primeiro na utilização, no fluxo de caixa livre e no comportamento das empresas, não em mais um benchmark de destaque.

O primeiro sinal é o fluxo de caixa livre das hyperscalers. Google, Meta, Microsoft e Amazon precisam demonstrar que os investimentos em IA sustentam uma geração de caixa crescente até 2028.

O crescimento da receita, por si só, não resolverá a questão. Os investidores precisam ver o caixa operacional superar as exigências da construção de data centers, da compra de equipamentos e da infraestrutura de suporte.

As empresas apresentarão explicações diferentes porque seus modelos de negócio são distintos. A carteira de contratos de nuvem é relevante para Microsoft, Amazon e Google, enquanto os retornos publicitários têm maior peso para a Meta.

A comparação mais útil é a relação entre os investimentos de capital e o fluxo de caixa incremental. Uma diferença crescente reforçaria a tese de retorno tardio.

Uma diferença menor a enfraqueceria, especialmente se as empresas identificarem receitas recorrentes de IA, em vez de se apoiarem em alegações genéricas de engajamento.

O segundo sinal é a utilização física dos data centers. Cahn sugeriu que chips armazenados indicariam atrasos na construção ou um descompasso entre a entrega de equipamentos e a disponibilidade das instalações.

O hardware precisa de energia, refrigeração, conectividade de rede e edifícios concluídos antes de poder gerar receita. Um acelerador entregue, mas ocioso, continua sendo um custo de capital.

Observe atrasos nas datas de inauguração, limitações de energia e mudanças nos cronogramas de implantação de equipamentos. Observe também se os fornecedores informam que a nova capacidade é vendida rapidamente após o lançamento.

A Apollo afirmou em julho que a capacidade de GPUs sob demanda continuava, na prática, esgotada. Também relatou uma demanda consistente pelo aluguel de alguns chips mais antigos.

Esses dados sustentam a tese de escassez no curto prazo. Uma escassez persistente enfraqueceria a ideia de que o setor já construiu capacidade em excesso.

O cenário muda se as tarifas de aluguel caírem enquanto a capacidade concluída permanecer vazia. Essa combinação sugeriria que a oferta está alcançando a demanda antes que a receita atinja a escala considerada necessária por Cahn.

O terceiro sinal são os gastos empresariais com trabalho concluído. As empresas precisam ir além dos experimentos e renovar sistemas de IA porque esses sistemas entregam resultados mensuráveis.

Indicadores úteis incluem taxas de conclusão dos agentes, retenção de clientes, crescimento das cargas de trabalho em produção e economias documentadas de mão de obra ou de tempo de ciclo. Contagens brutas de prompts oferecem menos informações.

O desenvolvimento de software continuará sendo um teste importante. A programação possui fluxos de trabalho claros, altos custos de mão de obra, ferramentas digitais e resultados mensuráveis.

Se os agentes de programação se tornarem uma infraestrutura padrão de produção, poderão sustentar uma demanda contínua em diferentes modelos e nuvens. Se a adoção se limitar à assistência supervisionada, as expectativas de receita precisarão ser ajustadas.

O atendimento ao cliente representa outro teste. Os modelos precisam resolver casos corretamente, seguir políticas, proteger dados e saber quando escalar uma solicitação.

Um custo menor por conversa só importa se a qualidade permanecer aceitável. Caso contrário, a economia é transferida para o trabalho de revisão, correção e recuperação de clientes.

O trabalho do conhecimento apresenta um problema de mensuração mais difícil. As organizações precisam conectar os assistentes a um contexto interno confiável antes que os resultados se tornem consistentemente úteis.

Isso exige acesso a documentos, permissões, rastreamento de fontes e memória institucional. Um fluxo de trabalho de conhecimento prático pode ajudar as equipes a avaliar se a IA economiza tempo em tarefas recorrentes.

Os próximos trimestres devem revelar se esses exemplos se transformarão em sistemas duradouros ou permanecerão como recursos dispersos de produtividade. Sistemas duradouros geram demanda recorrente e resistem melhor a cortes orçamentários.

Os investidores também devem distinguir a receita dos modelos dos retornos da infraestrutura. Uma aplicação bem-sucedida não garante automaticamente margens robustas para todos os proprietários de data centers.

Da mesma forma, a queda nos custos das APIs não comprova automaticamente uma demanda fraca. Ela pode viabilizar cargas de trabalho que antes não eram economicamente sustentáveis.

A IA consegue responder à pergunta de US$ 3 trilhões? O setor já demonstrou demanda, rápida evolução dos produtos e diversas aplicações valiosas.

Ainda não demonstrou receitas na escala implícita em seus compromissos com infraestrutura. As evidências decisivas virão do caixa, da utilização e das compras empresariais recorrentes.

O cálculo de Cahn deve ser tratado como um teste de estresse, não como uma contagem regressiva para o fracasso. Ele identifica o volume de valor econômico que a expansão atual da infraestrutura precisará sustentar ao longo do tempo.

Para desenvolvedores e compradores empresariais, a resposta prática não é interromper a adoção da IA. É medir cuidadosamente os resultados e preservar as evidências por trás de cada decisão.

Monitore o trabalho concluído, os custos de revisão, as substituições de modelos e o crescimento real do uso. Esses registros mostrarão se a eficiência está gerando mais valor ou apenas reduzindo a conta.

A resposta de US$ 3 trilhões não surgirá em uma única teleconferência de resultados. Ela será construída à medida que milhares de organizações decidirem quais fluxos de trabalho de IA merecem se tornar permanentes.