A explosão de tokens da Meta torna a Microsoft sua fornecedora discreta de IA

A Meta supostamente consome trilhões de tokens de IA por meio da Microsoft a cada semana, tornando a desenvolvedora do Llama uma das maiores clientes de inteligência artificial do Azure.

Esse volume de tokens da Meta chama atenção porque a empresa passou anos desenvolvendo seus próprios modelos, data centers e uma estratégia de IA com pesos abertos. Ainda assim, ela depende de infraestrutura que dá aos funcionários acesso a modelos concorrentes da OpenAI, Anthropic e outros desenvolvedores.

A Microsoft se beneficia dessa reviravolta. Ela não precisa que todos os clientes adotem como padrão um modelo da Microsoft. O Azure pode gerar receita sempre que empresas comparam modelos, executam agentes de programação ou encaminham cargas de trabalho por sua plataforma gerenciada.

O conflito central, portanto, é maior do que um único contrato de nuvem. A Meta quer controlar sua pilha de IA, enquanto seus funcionários querem acesso imediato ao modelo que melhor executa cada tarefa.

O volume relatado de tokens da Meta muda a narrativa

A Meta não estaria usando o Azure em um experimento limitado. Ela se tornou uma grande consumidora de modelos de IA hospedados pela Microsoft.

Um relato original de 20 de agosto de 2026 afirmou que a Meta gasta centenas de milhões de dólares por ano para acessar modelos por meio do Azure. A reportagem citou uma pessoa familiarizada com o assunto, que pediu anonimato.

Segundo essa fonte, a Meta processa trilhões de tokens pela plataforma toda semana. Um token é uma pequena unidade de texto que um modelo de IA lê ou gera durante uma solicitação.

Nem a Meta nem a Microsoft comentaram o acordo relatado. Esse silêncio importa porque os números de destaque continuam atribuídos a uma única fonte não identificada, e não a divulgações públicas das empresas.

A reportagem não identifica o volume semanal exato, as equipes participantes da Meta ou a combinação de modelos. Também não separa tokens de entrada de resultados gerados, conteúdo em cache ou atividade repetida de agentes.

Essas distinções podem alterar materialmente o custo e o significado de qualquer total de tokens. Um longo fluxo de trabalho de programação pode consumir muito mais tokens do que sua resposta visível sugere.

Agentes de IA frequentemente inspecionam arquivos, geram código, testam alterações e revisam seu trabalho em várias etapas internas. Cada etapa pode enviar contexto adicional de volta a um modelo.

O volume relatado ainda indica uso contínuo em produção, e não conversas ocasionais com chatbots. Mesmo o limite inferior implícito por “trilhões” representa um número imenso de interações com modelos.

O momento também se encaixa em um padrão mais amplo dentro da Meta. Reportagens anteriores descreveram funcionários consumindo dezenas de trilhões de tokens por mês por meio de ferramentas internas de IA.

A Meta incentivou engenheiros a usar IA de forma intensiva, especialmente no desenvolvimento de software. A programação é um dos ambientes mais claros em que chamadas repetidas a modelos podem se acumular rapidamente.

A empresa também experimentou sistemas internos que medem o uso de tokens pelos funcionários. Esse monitoramento pode incentivar a adoção, mas também pode transformar o consumo em um indicador enganoso de produtividade.

Mais tokens não significam necessariamente software melhor ou entregas mais rápidas. Um agente mal configurado pode inspecionar repetidamente o mesmo repositório sem produzir trabalho útil.

Essa incerteza deve orientar como os leitores interpretam o número de tokens da Meta. Ele mede atividade computacional, não valor de negócio.

Ainda assim, o número muda o cenário competitivo. A Meta não está apenas construindo uma alternativa a provedores proprietários de IA. Ela também está comprando acesso substancial a esses provedores por meio da Microsoft.

Isso cria a tensão central do artigo. A empresa que busca independência nas camadas de infraestrutura e modelos ainda precisa de capacidade externa na camada de aplicações.

Por que a Meta ainda precisa de modelos desenvolvidos em outros lugares

Os gastos relatados com o Azure refletem uma lacuna prática entre possuir um modelo de IA e atender bem a todos os fluxos de trabalho dos funcionários.

A Meta desenvolve o Llama, opera grandes clusters de computação e incorpora o Meta AI em seus serviços para consumidores. Nenhum desses esforços dá automaticamente a cada engenheiro a melhor ferramenta para cada tarefa.

Assistentes de programação exigem mais do que um modelo fundacional capaz. Eles precisam de acesso a repositórios, tratamento de contexto longo, execução de ferramentas, controles de segurança, gestão de identidade e disponibilidade confiável.

Os funcionários também comparam modelos para planejamento, depuração, pesquisa e análise de documentos. Um modelo que funciona bem em uma carga de trabalho pode ter dificuldades em outra.

O Azure oferece aos compradores corporativos uma rota gerenciada para várias famílias de modelos. A Microsoft posicionou sua plataforma Foundry em torno da escolha de modelos, e não da dependência exclusiva de um único fornecedor.

Durante sua teleconferência do terceiro trimestre do ano fiscal de 2026, a Microsoft afirmou que mais de 10.000 clientes haviam usado vários modelos no Foundry. Ela também disse que o uso de modelos da Anthropic e da OpenAI dobrou de um trimestre para o outro.

Essas declarações trimestrais mostram por que a Microsoft pode se beneficiar mesmo quando os clientes desenvolvem seus próprios modelos. O Azure se torna a camada de controle em que empresas testam, governam e consomem sistemas concorrentes.

A estratégia interna de modelos da Meta aborda um problema diferente. O Llama dá à empresa influência sobre a arquitetura dos modelos, a implantação e a comunidade de desenvolvedores de pesos abertos.

Um modelo de pesos abertos distribui parâmetros treinados que desenvolvedores podem executar ou personalizar sob sua licença. Isso não elimina o trabalho operacional necessário para uma implantação empresarial.

Uma grande empresa precisa gerenciar capacidade, latência, permissões, limites de dados e atualizações de modelos. Comprar acesso gerenciado pode ser mais rápido do que adaptar sistemas internos para cada modelo emergente.

Essa escolha se torna mais importante quando os rankings de modelos de IA mudam rapidamente. Os funcionários podem preferir um modelo para geração de código e outro para raciocínio complexo.

Restringi-los ao Llama poderia reduzir gastos externos. Também poderia desacelerar equipes cujas tarefas funcionam melhor com outro modelo.

A Meta, portanto, enfrenta uma decisão clássica de plataforma. Ela pode otimizar para controle interno ou preservar a escolha e aceitar a dependência de um fornecedor externo.

Sua escolha relatada favorece o acesso. A Meta aparentemente está disposta a pagar à Microsoft em vez de forçar todos os fluxos de trabalho a usar seus próprios modelos e infraestrutura.

Isso não estabelece que o Llama tenha fracassado. Assistentes para consumidores, sistemas de recomendação, produtos de publicidade e ferramentas internas de programação têm requisitos técnicos diferentes.

A decisão sugere, em vez disso, que a propriedade e o consumo de modelos se separaram. Uma empresa pode criar uma grande família de modelos enquanto continua sendo uma grande cliente de seus concorrentes.

A explosão de tokens da Meta é um resultado dessa separação. Os funcionários da Meta podem usar o que quer que a plataforma gerenciada disponibilize, mesmo quando essas escolhas fortalecem o negócio de IA de outra empresa.

A Microsoft vence quando os clientes se recusam a escolher um único modelo

A vantagem da Microsoft não se limita a possuir um modelo vencedor. Ela pode lucrar com a recusa do mercado em se fixar em um só.

O adversário mais óbvio nessa história é o impulso da Meta pela independência em IA diante do papel da Microsoft como um mercado inevitável de modelos.

A Meta quer mais controle sobre computação, modelos e distribuição de produtos. A Microsoft quer que o Azure continue sendo o lugar onde empresas acessam e gerenciam praticamente qualquer modelo de que precisem.

Esses objetivos não são diretamente incompatíveis. Eles se tornam competitivos quando a demanda da Meta dá à Microsoft receita, dados de uso e influência sobre a distribuição empresarial de IA.

O catálogo de modelos da Microsoft abrange sistemas proprietários e de pesos abertos. Os clientes podem encaminhar diferentes cargas de trabalho por uma relação comum de nuvem sem negociar acordos separados de infraestrutura.

Essa abordagem reduz o risco estratégico de apostar em um único laboratório. Se a OpenAI perder um benchmark específico ou a Anthropic se tornar preferível para programação, o Azure ainda poderá atender o cliente.

A Microsoft destacou essa amplitude em sua teleconferência de resultados. A empresa disse que os clientes do Foundry usavam modelos da OpenAI, Anthropic, de código aberto e regionais.

Ela também afirmou que mais de 300 clientes estavam a caminho de processar mais de um trilhão de tokens durante o ano. O consumo semanal relatado da Meta a colocaria muito além desse limiar anual.

Os números não são perfeitamente comparáveis. A declaração pública da Microsoft refere-se a clientes que atingem um parâmetro anual, enquanto a reportagem sobre a Meta descreve a atividade semanal total.

Ainda assim, o contraste ilustra a possível escala da Meta. Sua carga de trabalho relatada faria dela uma cliente de intensidade incomum até mesmo na crescente base empresarial da Microsoft.

A Microsoft também desenvolve seus próprios modelos MAI e adapta a tecnologia da OpenAI para produtos próprios. Ainda assim, o Azure não exige que esses sistemas vençam todas as comparações técnicas.

A plataforma de nuvem conquista sua posição ao administrar acesso, cobrança, segurança e capacidade. Isso se assemelha à competição anterior na nuvem, em que provedores de infraestrutura lucravam com software que não possuíam.

Essa posição pressiona Amazon e Google. Ambas oferecem catálogos amplos de modelos, serviços gerenciados de IA e seus próprios modelos fundacionais.

A Amazon tornou a Anthropic central para sua estratégia, enquanto o Google combina Gemini com sua plataforma Vertex AI. A Microsoft pode responder com a demanda dos clientes distribuída entre várias famílias de modelos.

A presença da Meta fortalece essa narrativa porque ela não é uma compradora empresarial convencional. Trata-se de outra empresa de tecnologia em escala de hiperescala, com ampla infraestrutura interna.

Uma decisão relatada da Meta de comprar acesso a modelos sugere que as plataformas de nuvem mantêm valor até mesmo para empresas capazes de construir sistemas enormes por conta própria.

A Microsoft também pode usar a demanda agregada para justificar mais data centers e compras de aceleradores. Maior utilização melhora a economia de capacidade que, de outra forma, permaneceria cara e subutilizada.

Essa vantagem traz riscos. A Microsoft precisa manter capacidade computacional suficiente disponível, administrar relacionamentos com fornecedores e evitar que o acesso a modelos se torne uma commodity de baixa margem.

Por ora, o consumo relatado de tokens da Meta sustenta sua estratégia de marketplace. A Microsoft pode vencer transações sem convencer a Meta de que um único modelo controlado pela Microsoft deve substituir o Llama.

A independência em IA da Meta tem uma exceção custosa

A reviravolta é que a escala da Meta não elimina a dependência externa. Ela torna mais valioso o acesso a todos os modelos úteis.

A Meta construiu alguns dos maiores sistemas de treinamento de IA do mundo. Seu próprio relato de infraestrutura descreveu dezenas de clusters de IA atendendo centenas de equipes e milhares de trabalhos diários de treinamento.

Essa infraestrutura sustenta sistemas de recomendação, publicidade, produtos generativos e desenvolvimento de modelos. A Meta planejou capacidade equivalente a centenas de milhares de GPUs avançadas.

Esses recursos deveriam tornar a Meta menos dependente de nuvens externas do que a maioria das empresas. A reportagem sobre o Azure mostra por que essa conclusão é simples demais.

Treinamento e inferência são cargas de trabalho diferentes. O treinamento cria ou atualiza um modelo, enquanto a inferência executa um modelo existente para responder a solicitações.

A Meta pode possuir uma infraestrutura substancial de treinamento enquanto compra acesso de inferência a modelos que não controla. Ela também pode usar capacidade externa quando a oferta interna não consegue atender à demanda de curto prazo.

O orçamento crescente de IA da empresa acrescenta contexto. A Meta projetou despesas de capital entre US$ 130 bilhões e US$ 145 bilhões em 2026, segundo sua mais recente previsão de gastos.

Esse investimento cobre mais do que o treinamento de modelos. Data centers exigem redes, energia, refrigeração, armazenamento e servidores cuja implantação leva tempo.

O acesso a modelos externos pode preencher a lacuna entre a demanda dos funcionários e a capacidade interna. Também evita esperar que os próprios modelos da Meta alcancem todas as capacidades especializadas.

Esta é a inversão central. Um investimento interno maior não produziu um ambiente fechado e autossuficiente.

Em vez disso, a adoção agressiva gera mais demanda do que uma única família de modelos consegue atender. A Meta se torna concorrente e cliente dentro da mesma cadeia de suprimentos de IA.

O arranjo se assemelha à fase inicial da computação em nuvem. Grandes empresas de tecnologia construíam infraestrutura interna enquanto alugavam capacidade externa para serviços específicos ou picos de demanda.

A IA acrescenta outra camada porque o ativo alugado inclui capacidade de modelos, não apenas servidores. Os funcionários se importam com a qualidade da saída, o uso de ferramentas e a confiabilidade, e não com a estrutura de propriedade subjacente.

Isso cria um desafio organizacional. A Meta precisa decidir se os tokens externos são uma ponte temporária ou um componente permanente do trabalho dos funcionários.

Se o uso for temporário, os modelos e a infraestrutura internos devem, com o tempo, absorver uma parcela maior da demanda. Se persistir, a Microsoft terá assegurado um papel duradouro nas operações de IA da Meta.

A distinção também afeta o significado competitivo do Llama. O Llama pode continuar influente sem se tornar o padrão interno exclusivo da Meta.

Pesos abertos atraem desenvolvedores ao permitir personalização e implantação local. As equipes internas ainda podem escolher modelos proprietários hospedados quando eles economizam tempo.

Para desenvolvedores e compradores corporativos, este é um alerta útil contra tratar a estratégia de modelos como uma decisão de fornecedor único. As implantações reais envolvem cada vez mais o roteamento de tarefas entre vários sistemas.

Esse roteamento cria seu próprio problema de conhecimento. As equipes precisam preservar prompts, decisões, avaliações e resultados entre ferramentas.

Uma base de conhecimento de IA pesquisável pode ajudar a organizar esse contexto. No entanto, ela não pode determinar se o gasto subjacente com modelos gera produtividade mensurável.

Essa resposta exige resultados, e não totais de tokens.

O Que os Números de Tokens Não Provam

Trilhões de tokens sinalizam escala, mas não provam que a Meta esteja recebendo valor proporcional a seus gastos.

Os números centrais continuam sem verificação por nenhuma das empresas. Eles vêm de uma pessoa não identificada familiarizada com um acordo interno.

Meta e Microsoft se recusaram a comentar, deixando várias questões básicas sem resposta. Nenhuma das duas divulgou os modelos exatos, os termos negociados, as cargas de trabalho ou o período de medição.

A contagem de tokens também pode variar entre sistemas. Os provedores podem contabilizar prompts, resultados, contexto em cache, resultados de ferramentas ou raciocínio interno de maneiras diferentes.

Portanto, um total semanal de tokens não pode ser traduzido diretamente em atividade dos funcionários. Ele também não revela quanto do tráfego chegou a sistemas de produção.

Parte do uso pode vir de avaliações automatizadas. As equipes enviam rotineiramente o mesmo prompt a vários modelos para comparar precisão, latência e segurança.

Outro tráfego pode vir de agentes de programação que leem repetidamente grandes repositórios. Esses sistemas podem gerar contagens enormes de tokens enquanto executam uma tarefa que um engenheiro revisa apenas uma vez.

O armazenamento em cache complica ainda mais o cenário. Um provedor pode reutilizar contexto processado anteriormente, reduzindo o trabalho computacional mesmo quando o registro de cobrança ainda faz referência a grandes volumes de tokens.

O tamanho do modelo também importa. Um modelo menor pode processar tokens com menos computação do que um modelo de raciocínio de fronteira.

As estimativas de energia, portanto, devem permanecer cautelosas. A própria análise de inferência da Microsoft explica que a energia por consulta depende dos modelos, do hardware, do software, dos data centers e das características da carga de trabalho.

Esse estudo estimou a energia para um volume definido de consultas conversacionais. Ele não oferece uma conversão confiável para o tráfego relatado da Meta.

O número de custos traz incerteza semelhante. Contratos corporativos podem incluir capacidade reservada, descontos, compromissos e tarifas diferentes para modelos diferentes.

Os gastos anuais da Meta e os tokens semanais não devem ser divididos para chegar a um custo universal por token. O resultado misturaria modelos e termos contratuais que não foram divulgados.

Há também uma questão de produtividade. Incentivos internos podem levar funcionários a maximizar o uso visível sem maximizar resultados úteis.

Um ranking baseado em tokens corre o risco de recompensar prompts longos e agentes ineficientes. Uma avaliação melhor mediria tarefas concluídas, código aceito, taxas de defeitos e tempo economizado.

Segurança e governança também continuam sendo preocupações. Enviar contexto corporativo a modelos externos exige permissões, controles de dados, registros e políticas de retenção.

O Azure pode fornecer um limite gerenciado, mas a gestão não elimina o risco. A Meta ainda precisa decidir a quais repositórios e documentos cada ferramenta pode ter acesso.

A conclusão mais sólida é, portanto, mais limitada do que a manchete. A Meta supostamente compra capacidade externa de IA em escala imensa, apesar de seus recursos internos.

A conclusão mais fraca seria que o consumo de tokens prova que os modelos da Microsoft superam o Llama. As evidências disponíveis não sustentam essa afirmação.

Elas também não mostram que a Meta planeja reduzir o investimento no Llama. Seu uso externo pode coexistir com o desenvolvimento contínuo de modelos internos.

Os leitores devem tratar o número relatado de tokens da Meta como evidência de dependência, não como evidência de derrota técnica.

Três Sinais Mostrarão se Essa Dependência Persiste

A próxima fase será decidida pelos resultados das cargas de trabalho, pela adoção interna de modelos da Meta e pela capacidade da Microsoft de converter o crescimento de tokens em margens duradouras.

O primeiro sinal é se a Meta altera o acesso dos funcionários a modelos externos. Novos orçamentos, limites ou regras sobre modelos padrão indicariam que a gestão vê o consumo descontrolado como um problema financeiro.

Uma mudança em direção aos modelos internos fortaleceria o argumento da independência. A continuidade do acesso amplo sustentaria a posição da Microsoft no mercado.

O segundo sinal é o próximo lançamento de modelos e infraestrutura da Meta. A questão importante não é se a Meta anunciará outra versão do Llama.

A medida útil é se as equipes internas transferem cargas de trabalho de produção para ele. A adoção dentro da Meta mostraria que a empresa consegue transformar o investimento em modelos em substituição prática.

Se os funcionários ainda preferirem sistemas concorrentes após um grande lançamento, a relação relatada com o Azure parecerá estrutural, e não temporária.

O terceiro sinal aparece nas divulgações financeiras da Microsoft. Os investidores devem observar a capacidade de IA, o crescimento do Azure, as margens brutas e as referências à adoção do Foundry com múltiplos modelos.

A taxa anualizada de receita de IA da Microsoft ultrapassou US$ 37 bilhões durante seu terceiro trimestre fiscal, segundo seus comentários públicos sobre resultados. A empresa também relatou rápido crescimento de tokens entre grandes clientes do Foundry.

Esses números sustentam a narrativa de demanda, mas os custos de infraestrutura continuam altos. A Microsoft precisa comprar aceleradores e construir instalações antes que toda essa capacidade gere receita.

Um cliente como a Meta pode melhorar a utilização. No entanto, um uso pesado negociado ainda pode pressionar as margens se os custos de servir modelos caírem mais lentamente do que as tarifas contratuais.

A relação, portanto, testa ambas as empresas. A Meta precisa provar que comprar modelos externos acelera o trabalho útil sem prejudicar sua estratégia interna.

A Microsoft precisa provar que servir trilhões de tokens cria uma economia atraente, e não apenas atividade impressionante.

Amazon, Google e provedores especializados de modelos influenciarão ambos os resultados. Tarifas menores ou modelos melhores podem deslocar cargas de trabalho da Meta para longe do Azure.

A Microsoft pode defender sua posição por meio de capacidade, governança e amplitude de modelos. Ela não pode presumir que o modelo preferido de hoje continuará sendo o preferido no próximo trimestre.

Para desenvolvedores, a lição prática é que a escolha de modelos continua fluida. Os sistemas devem preservar avaliações e permitir que as cargas de trabalho se movam sem reconstruir todos os processos ao redor.

Os compradores corporativos também devem exigir métricas de resultados. O volume de tokens é um insumo operacional, assim como tempo de computação ou armazenamento.

As melhores perguntas dizem respeito à velocidade de entrega, qualidade, confiabilidade e receita. Uma equipe deve saber se um agente resolveu um problema, e não apenas quantos tokens consumiu.

O aumento relatado de tokens da Meta torna visível a escala da adoção corporativa de IA. Também revela quanta pouca informação pública existe sobre o valor produzido nessa escala.

Observe os modelos padrão da Meta, as migrações internas de cargas de trabalho e as margens de nuvem da Microsoft nos próximos meses. Juntos, esses sinais mostrarão se o Azure é uma ponte para a Meta ou uma camada permanente em sua pilha de IA.

Se sua equipe está expandindo o uso de modelos, comece acompanhando quais fluxos de trabalho melhoram e quais apenas produzem mais atividade. Preserve o contexto de apoio, registre as decisões sobre modelos e compare os resultados em tarefas repetidas. Pergunte se cada sistema reduz o tempo de revisão, melhora a qualidade ou lida com trabalhos que antes permaneciam inacabados. Essa disciplina importa mais do que perseguir um total maior de tokens. O consumo relatado da Meta oferece uma visão rara da adoção em escala extrema, mas não fornece por si só um modelo a seguir. O verdadeiro parâmetro será se a Meta transforma esses tokens em produtos melhores enquanto reduz sua dependência do concorrente que os fornece.