O argumento de Ed Zitron sobre a bolha de IA encontra o boom de gastos das Big Tech

O mais recente argumento de Ed Zitron sobre a bolha de IA chegou ao Google News em meio a gastos recordes com infraestrutura e a uma disputa crescente sobre se a demanda pode justificar essa conta.

A conversa do Blood in the Machine não anuncia um novo modelo nem uma rodada de financiamento. Ela registra algo mais consequente: o ceticismo saiu das margens do setor e entrou em seu ciclo diário de notícias.

Zitron argumenta que a IA generativa continua sendo um produto antieconômico, sustentado pelos gastos dos hyperscalers, por finanças opacas de empresas privadas e por promessas de demanda futura. As Big Tech apresentam essa expansão como capacidade necessária para clientes de nuvem, produtos de consumo e modelos cada vez mais capazes.

Esse conflito importa agora mais do que outra vitória em benchmark. Microsoft, Alphabet, Amazon, Meta e seus fornecedores estão comprometendo capital antes que alguém possa conhecer o retorno total da infraestrutura ao longo de sua vida útil.

A questão central não é se a IA funciona. Muitos sistemas já produzem código útil, resumos, imagens, resultados de busca e análises científicas. A questão é se esses usos podem sustentar o investimento, o consumo de energia e os custos operacionais contínuos por trás deles.

A tese da bolha se fortalece quando as empresas escondem a economia por unidade ou substituem estatísticas de adoção por receita duradoura. Ela se enfraquece quando custos menores desbloqueiam demanda e negócios existentes absorvem com sucesso o investimento em IA.

Os dois movimentos estão acontecendo ao mesmo tempo. É por isso que o estado atual da bolha de IA exige uma análise financeira mais rigorosa, e não um rótulo simplista de boom ou colapso.

O que a conversa com Ed Zitron realmente mudou

A mudança importante é que a estrutura financeira da IA se tornou a história, e não apenas pano de fundo para outro lançamento de produto.

Zitron passa anos argumentando que o setor confunde capacidade técnica com um negócio sustentável. Seu argumento se concentra nos custos recorrentes de computação, nas enormes exigências de capital e na divulgação limitada por desenvolvedores privados de modelos.

Blood in the Machine aborda a IA pela ótica do trabalho, do poder corporativo e da automação. Uma conversa entre a publicação e Zitron, portanto, parte de uma posição cética. Não é uma apresentação neutra para investidores.

Esse contexto importa porque a aparição no Google News pode fazer uma entrevista parecer um evento corporativo isolado. O evento subjacente é editorial: um crítico de destaque está avaliando se as promessas financeiras do boom correspondem a seus resultados operacionais.

A afirmação mais forte de Zitron diz respeito à distância entre os gastos do setor e os retornos divulgados. As empresas frequentemente reportam crescimento da nuvem, assinaturas, uso ou demanda sem isolar os lucros da IA generativa.

Isso não prova que esses produtos dão prejuízo. Mostra que observadores externos muitas vezes não têm os dados necessários para avaliá-los separadamente.

Uma divisão de nuvem pode crescer enquanto suas cargas de trabalho mais novas de IA continuam caras. Um assistente voltado ao consumidor pode atrair milhões de usuários sem cobrir despesas de inferência e desenvolvimento. Uma ferramenta de programação pode gerar produtividade real enquanto opera dentro de um subsídio estratégico mais amplo.

Inferência é o custo de executar um modelo treinado quando alguém envia uma solicitação. O treinamento cria o modelo, mas a inferência se torna uma despesa contínua à medida que o uso cresce.

O software tradicional costuma ter altas margens incrementais após o desenvolvimento. A IA generativa tem uma curva de custos mais complicada porque cada resposta consome computação, memória, rede e eletricidade.

Ainda assim, essa comparação pode se tornar simplista demais. Os provedores de modelos estão reduzindo os custos de inferência com chips melhores, modelos menores, otimização de software, cache e infraestrutura especializada.

Assim, o setor pode perder dinheiro em uma carga de trabalho hoje e melhorar sua economia mais tarde. Também pode reduzir preços mais rapidamente do que os custos caem, preservando o mesmo problema de margem.

A contribuição real da entrevista não é um diagnóstico definitivo de bolha. Ela propõe um desafio verificável: mostre de onde vem a receita de IA, quanto custa fornecê-la e como essa economia melhora com escala.

Os leitores devem aplicar esse teste de maneira diferente a cada empresa. A Nvidia vende equipamentos de computação escassos. Microsoft e Google vendem capacidade de nuvem. OpenAI e Anthropic vendem acesso a modelos e aplicações. Seus riscos estão relacionados, mas não são idênticos.

Um colapso em uma camada não apagaria todas as aplicações úteis. Ele mudaria preços, condições de financiamento, contratos e quais empresas controlam a infraestrutura sobrevivente.

Essa distinção separa uma análise séria de bolha de uma previsão de que toda a tecnologia de IA desaparecerá.

Por que o Google News está se enchendo de argumentos sobre a bolha de IA

O debate sobre a bolha está crescendo porque os compromissos com infraestrutura estão se tornando mais difíceis de separar do desempenho corporativo.

Por vários anos, investidores recompensaram empresas por demonstrar acesso a modelos, chips e capacidade de data centers. Agora, o mercado espera evidências de que esses recursos geram receita sustentável ou protegem negócios existentes.

A Microsoft ilustra essa tensão. Seu relatório anual de 2025 registrou US$ 64,6 bilhões em adições de propriedades e equipamentos, acima dos US$ 44,5 bilhões do ano anterior.

A empresa afirmou que os investimentos em infraestrutura de nuvem e IA continuariam elevando os custos operacionais. Também alertou que esses investimentos poderiam reduzir as margens operacionais.

Essas divulgações não sustentam uma narrativa de colapso imediato. A Microsoft gerou US$ 136,2 bilhões em caixa operacional durante o mesmo ano fiscal, o que lhe dá capacidade substancial para investir.

Elas mostram por que o ônus da prova está aumentando. Uma empresa estabelecida e lucrativa pode financiar um experimento caro por mais tempo do que uma startup, mas capital paciente não garante um retorno atraente.

A Alphabet apresenta um conflito semelhante em uma escala planejada maior. A empresa reportou US$ 91,4 bilhões em despesas de capital em 2025, principalmente para infraestrutura técnica.

Durante sua teleconferência de resultados de 2025, a Alphabet projetou despesas de capital entre US$ 175 bilhões e US$ 185 bilhões para 2026.

A empresa afirmou que aproximadamente 60% de seu investimento de 2025 foi destinado a servidores. Os 40% restantes cobriram data centers e equipamentos de rede.

A Alphabet também afirmou que depreciação e custos operacionais mais altos pressionariam sua demonstração de resultados. A depreciação subiu de US$ 15,3 bilhões em 2024 para US$ 21,1 bilhões em 2025.

Esses números reforçam o argumento de Zitron porque a infraestrutura não desaparece depois que uma empresa emite um comunicado à imprensa. Os servidores envelhecem, os edifícios exigem energia e a depreciação chega às demonstrações financeiras com o tempo.

No entanto, a Alphabet também reportou demanda significativa de clientes de nuvem. A empresa disse que mais da metade de sua capacidade de computação para aprendizado de máquina em 2026 atenderia ao negócio de nuvem.

Essa afirmação dá à tese otimista uma base mensurável. Se os clientes continuarem comprando capacidade, a infraestrutura sustentará um motor de receita estabelecido, e não uma aplicação especulativa.

O problema é a atribuição. A receita do Google Cloud inclui bancos de dados, armazenamento, rede, segurança, software de produtividade e computação tradicional, além de IA.

Os investidores ainda não conseguem atribuir cada dólar gasto em data centers à IA generativa. Tampouco podem presumir que cada venda de nuvem teria ocorrido sem os novos modelos.

A cobertura do Google News tende a comprimir essa incerteza em manchetes opostas. Uma matéria trata gastos recordes como evidência de demanda. Outra trata os mesmos gastos como evidência de uma bolha.

Nenhuma das inferências é suficiente. A despesa de capital revela convicção e exposição, não o retorno final.

O debate continuará em destaque porque a decisão de gasto vem primeiro. As evidências mais claras sobre utilização, preços, depreciação e retenção de clientes chegam depois.

Essa lacuna temporal é onde bolhas crescem. Também é onde ciclos de infraestrutura bem-sucedidos começam.

O verdadeiro adversário é a promessa da IA contra sua economia

O conflito principal não é Ed Zitron contra o Vale do Silício; é a promessa de escala do setor contra a economia necessária para sustentá-la.

As empresas de IA prometem que uma adoção mais ampla distribuirá os custos fixos de desenvolvimento entre mais clientes. Elas também esperam que hardware e software melhores reduzam o custo de cada resposta.

A primeira parte se assemelha à economia convencional de software. A segunda reconhece que a IA generativa continua vinculada a recursos físicos durante o uso.

A escala pode ajudar por meio de acordos de compra maiores, melhor utilização de chips e data centers mais eficientes. Ela pode prejudicar quando sistemas de raciocínio populares consomem mais computação para cada resposta.

Modelos de raciocínio geram e avaliam etapas intermediárias antes de retornar um resultado. Esse processo pode melhorar o desempenho, mas frequentemente exige mais tokens e tempo de processamento.

A economia resultante depende do desenho da carga de trabalho. Uma solicitação curta de classificação difere de uma longa tarefa de pesquisa. Geração de código difere de criação de imagens. Chat para consumidores difere de um agente empresarial conectado a sistemas internos.

Um único custo médio não pode descrever todos eles. Essa complexidade torna igualmente pouco confiáveis as afirmações amplas sobre lucratividade universal ou perdas universais.

O contra-argumento mais forte do setor vem da queda nos preços de inferência. O AI Index de Stanford constatou que os custos de inferência no nível do GPT-3.5 caíram mais de 280 vezes entre novembro de 2022 e outubro de 2024.

Essa melhoria é substancial. Ela significa que uma aplicação antes considerada impossível pode se tornar acessível sem mudar sua experiência básica para o usuário.

Custos mais baixos também podem aumentar o consumo. Desenvolvedores podem enviar mais solicitações, usar contextos mais longos ou atribuir modelos a tarefas que antes exigiam revisão manual.

Esse efeito de rebote complica a narrativa otimista. Maior eficiência não reduz automaticamente as necessidades totais de infraestrutura quando o uso se expande mais rápido do que os custos unitários caem.

Ele também complica a narrativa da bolha. Uma categoria de produtos com economia em rápida melhora não pode ser julgada apenas por sua estrutura inicial de custos.

A distinção mais útil é entre eficiência técnica e eficiência empresarial. A eficiência técnica mede a produção por unidade de computação. A eficiência empresarial mede o lucro bruto e o valor para o cliente por dólar gasto.

Um provedor pode melhorar a primeira enquanto prejudica a segunda por meio de descontos agressivos. Também pode melhorar a eficiência empresarial ao direcionar modelos para tarefas de alto valor.

O desenvolvimento de software oferece um exemplo concreto. Um assistente de programação que economiza várias horas em uma migração complexa pode justificar uma despesa considerável de computação.

Um assistente que cria código repetitivo pouco confiável pode transferir o trabalho para revisão e depuração. O alto uso, então, exageraria a adoção sem confirmar valor econômico.

O mesmo teste se aplica à busca empresarial. Um modelo que encontra uma política ou cláusula contratual esquecida pode reduzir o tempo de pesquisa. Uma resposta imprecisa pode criar riscos jurídicos ou operacionais.

As equipes precisam de material-fonte rastreável, procedimentos de avaliação e revisão humana. Uma base de conhecimento de IA pesquisável pode apoiar esse processo, mas não elimina a necessidade de julgamento.

É aqui que o debate sobre a bolha de IA se torna prático para compradores. As empresas não devem perguntar se a IA é transformadora em termos gerais. Devem medir se um fluxo de trabalho definido melhora após considerar erros e supervisão.

A indústria quer que os clientes acreditem que a escala resolverá a equação econômica. A crítica de Zitron questiona se a escala apenas amplia custos que as empresas não divulgaram com clareza.

Agora, ambos os lados têm evidências. Nenhum deles tem evidências suficientes para afirmar qual será o desfecho final.

O que os números da bolha de IA ainda não provam

Grandes volumes de gastos revelam exposição, mas não provam que um colapso é iminente nem que o investimento é racional.

Um diagnóstico de bolha exige mais do que ativos caros e linguagem promocional. Em geral, envolve preços ou compromissos de financiamento que não podem ser sustentados por fluxos de caixa futuros plausíveis.

As grandes empresas públicas de nuvem continuam lucrativas graças a negócios consolidados. Publicidade, software em nuvem, comércio e franquias de sistemas operacionais podem absorver investimentos em IA por anos.

Isso torna o ciclo atual diferente de um conjunto de startups que dependem apenas de financiamento externo. Também torna a verdadeira economia mais difícil de observar.

A receita existente pode subsidiar a experimentação. A IA também pode fortalecer esses produtos existentes sem aparecer como uma linha separada no balanço.

O Google pode melhorar os sistemas de publicidade com aprendizado de máquina enquanto oferece o Gemini separadamente. A Microsoft pode proteger relacionamentos do Azure ao oferecer acesso a modelos, mesmo que um assistente tenha margens fracas.

A Meta pode usar infraestrutura de IA para recomendação e publicidade, ao lado de produtos generativos. A Amazon pode vender capacidade computacional enquanto experimenta seus próprios modelos e aplicações.

Um crítico pode argumentar, de forma razoável, que as empresas usam negócios legados lucrativos para ocultar investimentos especulativos. Um otimista pode argumentar, de forma igualmente razoável, que os retornos integrados são toda a estratégia.

Nenhuma dessas posições pode ser resolvida apenas contando assinaturas de chatbots.

Desenvolvedores privados de modelos criam um problema separado de verificação. Eles divulgam dados selecionados sobre receita, avaliação, uso e parcerias sem publicar demonstrações financeiras completas e auditadas.

A receita reportada pode crescer rapidamente enquanto as perdas também aumentam. A receita contratada pode ser diferente da receita reconhecida. Compromissos de computação podem se estender por anos e incluir termos renegociáveis.

Por isso, os leitores devem tratar projeções vazadas como alegações, e não como resultados concluídos. A mesma cautela se aplica a previsões de falência inevitável.

A crítica de Zitron é mais persuasiva quando identifica fluxos de caixa incompatíveis, financiamento circular ou dependências não divulgadas. Ela é menos persuasiva quando toda aplicação útil se torna evidência de desperdício.

Os sistemas de IA claramente oferecem valor em alguns contextos. A questão difícil envolve o tamanho, a durabilidade e a distribuição desse valor.

A tecnologia também tem valor estratégico que os relatórios financeiros podem captar indiretamente. Uma empresa pode gastar de forma defensiva para evitar que clientes migrem para uma plataforma rival.

Gastos defensivos podem ser racionais mesmo quando um produto independente gera lucros modestos. Eles também podem desencadear uma corrida armamentista em que todos os participantes obtêm baixo retorno.

A história oferece exemplos dos dois lados. Empresas de telecomunicações construíram fibra em excesso durante a era pontocom, causando grandes perdas enquanto deixavam infraestrutura útil para trás.

A computação em nuvem exigiu anos de investimento antes de se tornar uma importante fonte de lucro. A existência de investimentos excessivos no passado não determina qual analogia se aplica à IA.

O caso cético também precisa de um mecanismo claro de fracasso. Gastos elevados de capital, por si só, não obrigarão empresas lucrativas a parar.

A pressão aumentaria com menor demanda por nuvem, utilização fraca, queda de preços, aumento da depreciação, estresse financeiro ou resistência dos clientes. Provavelmente, vários sinais precisariam surgir ao mesmo tempo.

Uma decepção isolada com um modelo não seria suficiente. O fracasso de uma startup privada não encerraria necessariamente os investimentos das grandes empresas de nuvem.

Por outro lado, um trimestre forte de nuvem não validaria todos os data centers. Uma aplicação produtiva não justificaria todas as avaliações de modelos.

As evidências atuais sustentam uma conclusão mais restrita: a indústria assumiu compromissos enormes antes que retornos transparentes estejam disponíveis.

Esse é um risco real. Chamá-lo de colapso garantido vai além das evidências.

Quem enfrenta mais pressão se os gastos desacelerarem

As primeiras vítimas de uma redefinição dos gastos com IA seriam fornecedores altamente expostos e projetos de infraestrutura financiados, não todos os usuários de IA.

A cadeia de suprimentos da IA inclui empresas com níveis de proteção muito diferentes. As grandes empresas de nuvem geram caixa a partir de operações diversificadas. Startups de modelos dependem mais diretamente do apoio de investidores e de parcerias de computação.

Desenvolvedores de data centers podem depender de um pequeno número de clientes. Fornecedores de chips se beneficiam quando esses clientes competem por aceleradores escassos.

Fornecedores de energia, fabricantes de equipamentos de rede, produtores de memória, especialistas em resfriamento e empresas de construção estão mais abaixo na mesma cadeia de investimentos.

Uma desaceleração, portanto, se espalharia de forma desigual. Compradores poderiam adiar novos campi enquanto continuariam operando sistemas já instalados. Eles poderiam migrar cargas de trabalho para modelos menores em vez de abandonar a IA.

Também poderiam exigir preços menores dos provedores de modelos. Essa resposta ajudaria clientes corporativos enquanto comprimiria as margens dos provedores.

A Nvidia representa o símbolo mais claro do boom porque seus aceleradores viabilizam grande parte da atual capacidade de treinamento e inferência. Ainda assim, sua economia é diferente da economia de um laboratório de modelos.

Uma venda de chips gera receita reconhecida para o fornecedor. O comprador então assume o risco de utilização e depreciação.

Essa distinção importa ao avaliar a bolha de IA. Uma aplicação não lucrativa ainda pode gerar vendas lucrativas de hardware durante a fase de expansão.

O risco chega quando os clientes concluem que capacidade adicional não renderá o suficiente. Os pedidos podem desacelerar antes que as aplicações existentes desapareçam.

Provedores públicos de nuvem enfrentam um cálculo diferente. Eles podem alugar infraestrutura para clientes externos, usá-la internamente ou redirecioná-la entre cargas de trabalho.

Essa flexibilidade reduz o risco de um único produto. Ela não elimina a possibilidade de capacidade excedente ou retornos fracos.

Laboratórios privados de IA enfrentam pressão maior porque a computação é central tanto para a entrega de produtos quanto para a pesquisa. O aumento do uso pode elevar a receita e as despesas operacionais ao mesmo tempo.

Seu poder de negociação depende da qualidade dos modelos, da fidelidade dos clientes e do acesso a fornecedores concorrentes de infraestrutura. Parcerias podem reduzir necessidades imediatas de caixa, ao mesmo tempo que criam obrigações de longo prazo.

Compradores corporativos enfrentam um risco mais discreto. Eles podem se tornar dependentes de ferramentas cujos preços, modelos ou termos mudam à medida que os provedores buscam margens sustentáveis.

Um piloto pode parecer atraente sob preços promocionais. Uma implantação em produção precisa suportar maior uso, exigências de conformidade, custos de avaliação e mudanças de fornecedor.

Profissionais do conhecimento também arcam com custos de troca quando a IA se incorpora às rotinas diárias. A substituição de um modelo pode alterar a qualidade da produção, o comportamento ou a compatibilidade com prompts existentes.

As equipes devem preservar documentos de origem, notas exportáveis e fluxos de trabalho independentes de fornecedores. Um sistema pessoal de conhecimento pode reduzir a dependência de uma única interface de modelo.

Isso não exige rejeitar ferramentas de IA. Significa tratar os modelos como componentes substituíveis, e não como repositórios permanentes da memória organizacional.

Se os gastos desacelerarem, aplicações úteis devem sobreviver por meio de modelos mais baratos, sistemas mais restritos e compras mais disciplinadas. Produtos fracos sustentados principalmente por subsídios de investidores enfrentarão maior pressão.

Esse resultado se assemelharia a uma correção de mercado, e não ao desaparecimento da inteligência artificial.

O ajuste mais severo atingiria empresas cujas avaliações exigem crescimento ininterrupto. Também atingiria projetos financiados com base em pressupostos otimistas de capacidade.

O alerta de Zitron, portanto, é relevante além dos acionistas. Construir em excesso pode afetar o planejamento energético, a infraestrutura local, o emprego e os contratos com clientes.

No entanto, a distribuição do risco continua mais importante do que o tamanho do número de manchete. Uma grande empresa de nuvem, uma startup de modelos e um comprador de software não estão fazendo a mesma aposta.

O que os leitores do Google News devem acompanhar a seguir

Três sinais mostrarão se a tese da bolha está se fortalecendo: utilização, margens ligadas à IA e uma mudança sustentada nos gastos de capital.

O primeiro sinal é a utilização de data centers. Atualmente, as empresas enfatizam restrições de oferta e demanda dos clientes.

Observe uma mudança nessa linguagem. Projetos adiados, contratos de locação mais curtos, capacidade disponível de aceleradores ou filas de pedidos de nuvem mais fracas sugeririam que a demanda esperada não está chegando.

Alta utilização sustentaria a visão oposta. Mostraria que os clientes estão absorvendo capacidade mesmo antes de todas as cargas de trabalho alcançarem margens maduras.

A utilização, por si só, não pode estabelecer a lucratividade. Ela revela se a construção excessiva está se tornando visível na infraestrutura física.

O segundo sinal é a divulgação de margens associadas a serviços de IA. Investidores precisam de mais do que contagens de usuários, volumes de tokens ou crescimento generalizado da nuvem.

Eles precisam de evidências sobre custos de atendimento, descontos, retenção de clientes e a relação entre crescimento da receita e despesas de computação.

A margem bruta mede a receita que permanece após os custos diretos de entrega. Ela oferece uma visão mais clara da economia dos modelos do que avaliação ou receita anualizada.

Empresas públicas podem não isolar esses números. Desenvolvedores privados têm ainda menos exigências de divulgação.

Essa ausência manteria viva a crítica de Zitron. Margens transparentes e em melhora enfraqueceriam a versão mais forte de seu argumento sobre a bolha.

O terceiro sinal é uma redução sustentada nos gastos de capital planejados entre várias grandes empresas de nuvem. Um campus adiado significaria pouco, pois licenciamento, energia e equipamentos podem alterar o cronograma de um projeto.

Reduções coordenadas significariam que as equipes de gestão veem retornos mais fracos ou capacidade suficiente. Aumentos contínuos mostrariam confiança, mas não necessariamente validação.

A qualidade dos gastos também importa. As empresas podem redirecionar capital para inferência, chips proprietários, redes ou edifícios de longa duração.

Uma mudança para hardware especializado e mais barato pode melhorar a economia sem reduzir o gasto total. Uma mudança para campi especulativos pode aumentar a exposição de longo prazo.

Os leitores também devem distinguir reportagem de agregação. O Google News pode revelar que o debate sobre a bolha de IA está se espalhando, mas sua manchete não valida nenhum dos lados.

As fontes subjacentes, os registros e as definições financeiras importam mais do que o número de histórias semelhantes em um feed.

A crítica de Zitron merece atenção porque exige contabilidade onde a indústria frequentemente oferece aspiração. Suas conclusões merecem o mesmo escrutínio que ele aplica às alegações corporativas.

O caso otimista também precisa de disciplina. A queda dos custos de inferência, a crescente demanda por nuvem e aplicações úteis não garantem que as avaliações atuais sobreviverão.

O resultado provável não é um veredito único e claro. Parte da infraestrutura gerará retornos fortes, parte será baixada contabilmente, e alguns produtos subsidiados se tornarão mais caros.

Desenvolvedores devem acompanhar os preços dos modelos e a disponibilidade de capacidade. Compradores corporativos devem medir resultados de fluxos de trabalho e custos de troca. Profissionais do conhecimento devem preservar o acesso às informações subjacentes.

A questão da bolha de IA se torna acionável quando os leitores deixam de perguntar se a IA é real. A melhor pergunta é quais receitas permanecem depois que subsídios, descontos e custos de infraestrutura se tornam visíveis.

Acompanhe o próximo ciclo de resultados com esse teste. Compare os gastos de capital com utilização, depreciação e margens de IA divulgadas, em vez da adoção exibida nas manchetes.

Se essas medidas melhorarem juntas, a tese mais forte de colapso enfraquece. Se os gastos aumentarem enquanto os retornos permanecerem opacos, o alerta de Ed Zitron ganha peso.

Esse é o sinal que vale acompanhar além da próxima manchete do Google News.