Previsão de vendas de chips da Nvidia reforça crescimento da IA, com a segurança como teste

O CEO da Nvidia, Jensen Huang, espera que a empresa venda o dobro de chips no próximo ano, uma previsão incomumente agressiva ligada ao investimento global em IA. A previsão de vendas de chips da Nvidia aponta para uma demanda em 2027 muito além de mais um ciclo rotineiro de atualização de hardware.

Huang transmitiu essa mensagem em 17 de setembro, durante um encontro sobre IA organizado pelo rei Charles III na Dumfries House, na Escócia. Ele também argumentou que desenvolvedores devem testar minuciosamente os sistemas de IA e reter produtos que não sejam suficientemente seguros.

Essas afirmações criam uma tensão imediata. A Nvidia se beneficia quando empresas e governos implementam mais capacidade computacional, enquanto um desenvolvimento mais seguro pode exigir lançamentos mais lentos e mais testes. Portanto, a disputa central não é a Nvidia contra uma única fabricante de chips. É a promessa de expansão da empresa contra os limites operacionais de fornecimento, orçamentos dos clientes e implementação responsável.

Previsão de vendas de chips da Nvidia mira o dobro do volume

A previsão de Huang diz respeito ao volume de chips, não a uma promessa de que a receita total da Nvidia dobrará.

Falando a repórteres na Escócia, Huang disse que espera que a Nvidia venda o dobro de chips no próximo ano em comparação com este ano. Ele vinculou essa expectativa à contribuição da IA em diversos setores e economias nacionais.

A formulação importa. A Nvidia vende mais de um tipo de processador, e seus produtos chegam aos clientes por meio de placas, sistemas, instalações em nuvem e plataformas computacionais completas. Dobrar os chips não se traduz automaticamente em dobrar a receita.

O mix de produtos pode alterar o cálculo. Um número maior de processadores de menor preço pode elevar o volume de unidades sem gerar um aumento percentual equivalente nas vendas. Uma transição entre gerações de hardware também pode afetar os preços médios de venda e as configurações dos sistemas.

A Nvidia não forneceu publicamente uma base detalhada de unidades junto ao comentário de Huang em 17 de setembro. Isso impede que observadores externos convertam “o dobro” em um total confiável de remessas.

Ainda assim, a previsão se encaixa na perspectiva financeira mais ampla da Nvidia. Durante seu ciclo de resultados de agosto, a empresa projetou cerca de 70% de crescimento de receita para o ano fiscal encerrado em janeiro de 2028, segundo reportagens sobre seus resultados trimestrais mais recentes.

Essa projeção de receita é menor que a previsão de unidades que ganhou as manchetes. A diferença reforça por que os leitores não devem tratar contagem de chips e receita como medidas intercambiáveis.

A Nvidia informou US$ 96,2 bilhões em receita trimestral no período encerrado em 26 de julho de 2026. Seu negócio de Compute and Networking gerou US$ 88,3 bilhões, refletindo o papel central da infraestrutura de data centers nos resultados da empresa.

A previsão também vai além das unidades de processamento gráfico, ou GPUs, que realizam muitos cálculos em paralelo. A Nvidia agora vende CPUs, hardware de rede, interconexões e sistemas integrados em escala de rack ao lado de seus aceleradores.

A transcrição oficial da teleconferência de resultados descreveu demanda de hyperscalers, laboratórios de IA, especialistas em nuvem, empresas e programas nacionais de computação. A administração também esperava que a receita de CPUs no ano fiscal de 2028 mais que dobrasse.

Essa amplitude de portfólio torna a linguagem de Huang plausível sem torná-la precisa. “Chips” pode abranger diferentes componentes, preços, cargas de trabalho e grupos de clientes.

O momento dá peso adicional à declaração. A Nvidia está levando clientes através de sucessivas gerações de plataformas, enquanto a computação para IA se expande do treinamento de modelos para a inferência.

Inferência é o processo de executar um modelo treinado para gerar uma resposta, previsão, imagem ou ação. Ela pode criar demanda contínua porque cada solicitação de usuário consome capacidade computacional.

A demanda por treinamento chega em projetos grandes e concentrados de infraestrutura. A inferência pode se espalhar por serviços ao consumidor, software empresarial, robótica, sistemas científicos e plataformas nacionais. A Nvidia aposta que ambas as cargas de trabalho se expandirão juntas.

Portanto, a empresa apresenta 2027 como um ano de escala de produção, e não apenas mais um período forte de vendas. A previsão de vendas de chips da Nvidia pressupõe que as implementações de IA se multiplicarão tanto entre empresas de nuvem estabelecidas quanto entre novos compradores.

Essa premissa é o alicerce da história. Também é onde a previsão enfrenta seu primeiro teste sério.

A demanda por IA está se tornando um compromisso com a cadeia de suprimentos

Vender o dobro do volume exige que fábricas, memória, encapsulamento, redes, energia e financiamento dos clientes se expandam juntos.

A Nvidia projeta seus processadores, mas depende de uma ampla rede de fabricação para transformar esses projetos em sistemas entregáveis. Essa rede inclui fabricação de semicondutores, encapsulamento avançado, memória de alta largura de banda, montagem de servidores, equipamentos de resfriamento e componentes de rede.

Um componente ausente pode atrasar um rack inteiro. Isso torna o crescimento das remessas dependente de capacidade coordenada, e não apenas do design dos chips.

A perspectiva recente da Nvidia já reconhecia que a oferta disponível pode restringir o crescimento reportado. As previsões dos clientes supostamente indicavam uma demanda mais próxima de dobrar, enquanto a empresa projetava aproximadamente 70% de crescimento anual da receita.

Essa lacuna representa a pressão operacional mais clara da empresa. A Nvidia precisa converter pedidos e planos dos clientes em infraestrutura fabricada, instalada e aceita.

O desafio aumenta à medida que o produto se torna mais complexo. Clientes modernos de IA compram cada vez mais sistemas interconectados, em vez de processadores isolados. Cada instalação pode exigir rede especializada, resfriamento líquido, distribuição de energia, integração de software e espaço adequado em data centers.

Um acelerador parado no estoque não cria capacidade útil de IA. Ele precisa operar dentro de um sistema funcional, com memória, acesso a dados e energia elétrica suficiente.

Os provedores de nuvem oferecem evidência visível da expansão planejada. A Nvidia e a Amazon anunciaram que a AWS pretende implantar dois milhões de GPUs Nvidia adicionais durante 2027 e 2028.

O plano de implantação da AWS abrange processadores Blackwell Ultra, Rubin e Rubin Ultra. Ele também inclui CPUs, redes, modelos e suporte para cargas de trabalho de IA agêntica e física.

Trata-se de um anúncio da empresa, e não de um total de implantação auditado de forma independente. Ainda assim, ilustra a escala e o caráter plurianual dos compromissos por trás da previsão de Huang.

Grandes empresas de nuvem podem reservar capacidade com anos de antecedência porque operam data centers globais e atendem muitos clientes. A questão mais difícil diz respeito à demanda fora desse pequeno grupo.

Programas nacionais de IA representam uma possível fonte. Governos veem cada vez mais a capacidade computacional doméstica como infraestrutura ligada à competitividade econômica, à pesquisa e à segurança.

As empresas representam outra. Elas podem usar IA para desenvolvimento de software, suporte ao cliente, processamento de documentos, projeto industrial, simulações e análises. Contudo, um experimento empresarial nem sempre se transforma em uma grande implantação em produção.

Os clientes precisam de utilização suficiente para justificar uma infraestrutura cara. Eles também precisam de modelos e aplicações que criem valor empresarial mensurável após os custos de computação, energia, pessoal e dados.

Isso torna a utilização mais importante do que o volume de anúncios. Um provedor pode instalar muitos processadores enquanto os clientes os utilizam de maneira inconsistente ou exigem descontos.

O financiamento cria outra restrição. Data centers exigem investimentos de longa duração, enquanto o hardware de IA evolui em um ritmo rápido de produtos. Os compradores precisam decidir se implantam agora ou esperam por um sistema mais novo e eficiente.

Esse problema de timing pode produzir pedidos irregulares. Os clientes podem acelerar compras antes de uma transição, pausar durante a instalação ou direcionar gastos para uma geração posterior.

A previsão da Nvidia pressupõe que essas pausas não superarão o crescimento mais amplo. Também pressupõe que novas cargas de trabalho absorverão a capacidade que está entrando em operação.

A empresa tem motivos para confiança. A demanda por inferência pode crescer com o uso, e modelos mais capazes frequentemente incentivam desenvolvedores a criar aplicações que consomem recursos computacionais adicionais.

No entanto, a demanda não pode ser medida apenas pela complexidade dos modelos. A queda dos custos de computação pode reduzir a receita por tarefa, mesmo enquanto o número de tarefas cresce.

É por isso que a previsão de vendas de chips da Nvidia deve ser entendida como uma tese de infraestrutura. Huang argumenta que a expansão do uso superará os ganhos de eficiência e sustentará o dobro do volume de hardware.

Essa tese pressiona fornecedores, concessionárias de energia, provedores de nuvem e compradores empresariais ao mesmo tempo. Cada um precisa se expandir para que a meta da Nvidia se torne vendas entregues, em vez de interesse não atendido.

Chips personalizados pressionam a vantagem de plataforma da Nvidia

A concorrência mais forte da Nvidia vem de clientes que querem reduzir sua dependência de sistemas Nvidia de uso geral.

Amazon, Google, Microsoft e outros grandes operadores de infraestrutura investiram em processadores personalizados. Esses chips podem atender a cargas de trabalho específicas, melhorar o controle sobre o fornecimento ou reduzir custos operacionais em enorme escala.

A AMD continua concorrendo em aceleradores para data centers, enquanto a Intel e startups especializadas disputam partes do mesmo mercado de computação. A Huawei também está desenvolvendo hardware de IA e clusters computacionais maiores para a China.

A Huawei apresentou novos sistemas em 17 de setembro, enquanto a China buscava maior autossuficiência em semicondutores sob restrições de exportação. Seu cluster de IA mais recente lembra que o mercado endereçável da Nvidia é moldado pela geopolítica, além do desempenho dos produtos.

A questão competitiva é mais ampla do que a velocidade em benchmarks. Os clientes avaliam o custo de executar modelos, disponibilidade de software, redes, confiabilidade, consumo de energia e tempo de implantação.

A defesa da Nvidia é sua plataforma completa. CUDA, seu ambiente de software para programar processadores Nvidia, oferece aos desenvolvedores um conjunto maduro de bibliotecas e ferramentas. Redes e integração em nível de rack ampliam essa vantagem para além da GPU.

Um comprador que substitui um acelerador precisa considerar se seu software, modelos e operações podem migrar com eficiência. Os custos de troca podem, portanto, preservar a posição da Nvidia mesmo quando outro processador oferece um preço de compra menor.

A Nvidia também está se adaptando à tendência dos chips personalizados, em vez de se opor completamente a ela. Sua estratégia NVLink Fusion permite que parceiros conectem processadores personalizados a partes da arquitetura em escala de rack da Nvidia.

A abordagem pode preservar o papel da Nvidia em redes e infraestrutura de sistemas mesmo quando um cliente utiliza silício computacional que não é da Nvidia. Ela transforma a personalização em uma oportunidade de plataforma, embora também reconheça que os clientes querem alternativas.

Isso cria um desafio sutil para a narrativa da demanda por chips da Nvidia em 2027. Mais infraestrutura de IA não garante que a Nvidia capture a mesma participação em cada instalação.

Grandes clientes têm tanto os recursos quanto o incentivo para diversificar. Eles podem usar a Nvidia para treinamento de ponta, enquanto direcionam cargas de trabalho previsíveis de inferência para processadores internos.

Um acelerador personalizado não precisa superar a Nvidia em todas as tarefas. Basta ter desempenho suficientemente bom em uma carga de trabalho de alto volume que seu proprietário compreenda.

Essa pressão aumenta à medida que a inferência se torna uma parcela maior dos gastos com IA. Cargas de trabalho repetitivas de produção podem ser mais fáceis de otimizar do que tarefas de pesquisa que mudam rapidamente.

A resposta da Nvidia é vender um sistema amplo cujos componentes melhoram em conjunto. A empresa argumenta que o codesign entre processadores, redes, memória e software produz melhor economia geral.

Essa proposta precisa ser medida no nível da carga de trabalho. Os compradores se preocupam com produção útil por dólar e por watt, não apenas com a velocidade de um chip individual.

A comparação também muda entre grupos de clientes. Um hyperscaler pode financiar um programa interno de chips e operar software personalizado. Um provedor de nuvem menor ou uma empresa pode preferir uma plataforma com suporte que reduza o trabalho de integração.

A previsão de Huang depende em parte do crescimento desse segundo grupo. A Nvidia afirma que organizações além dos hyperscalers querem infraestrutura de IA, mas têm pouco interesse em projetar seus próprios processadores.

Esses clientes podem ampliar o mercado da Nvidia e reduzir sua dependência de alguns poucos grandes compradores. Eles também podem ser mais lentos para comprar porque têm menos experiência em infraestrutura e um uso menos certo.

Os controles de exportação criam outra fronteira competitiva. A Nvidia não pode tratar todos os países como um único mercado sem restrições, e os governos podem mudar quais processadores chegam a determinados clientes.

As restrições podem limitar vendas diretas ao mesmo tempo que incentivam alternativas locais. Com o tempo, essas alternativas podem desenvolver seu próprio software, relações de fornecimento e bases instaladas de clientes.

A Nvidia divulga restrições comerciais, capacidade de fabricação, concorrência e transições de produtos entre seus riscos de negócio. Seus relatórios anuais deixam claro que a demanda, por si só, não determina a receita.

O principal oponente continua sendo a promessa da Nvidia versus sua execução, e não a Nvidia contra um único rival. A concorrência importa porque oferece opções aos clientes quando oferta, custo ou políticas interrompem essa execução.

Uma contagem de unidades dobrada mostraria que a Nvidia manteve uma posição central apesar dessas alternativas. Qualquer resultado substancialmente mais fraco levantaria dúvidas sobre limites de oferta, timing da demanda ou perda de participação.

A Posição de Jensen Huang sobre Segurança de IA Rejeita uma Pausa em Toda a Indústria

Huang apoia testes e a retenção de produtos inseguros, mas rejeita uma desaceleração coordenada como principal mecanismo de segurança.

O encontro na Escócia colocou a previsão de vendas ao lado de um debate cada vez mais intenso sobre o risco da IA. O rei Charles pediu que líderes de tecnologia considerassem salvaguardas, cooperação internacional e os princípios que orientam o desenvolvimento.

Representantes do Google DeepMind, OpenAI, Anthropic, Nvidia e do governo britânico participaram. O evento ocorreu após novos alertas de que sistemas cada vez mais capazes podem agir de forma inesperada ou escapar da supervisão.

A resposta de Huang enfatizou a disciplina de engenharia. Ele disse que as empresas deveriam testar produtos cuidadosamente e continuar o trabalho de engenharia quando um sistema não fosse seguro o bastante.

“Quando um produto não é seguro o bastante, devemos retê-lo e continuar desenvolvendo”, disse Huang, segundo a cobertura da cúpula de IA da Escócia.

A declaração parece cautelosa, mas não endossa um sinal comum de interrupção para toda a indústria. Huang argumentou que desenvolvedores individuais deveriam gerir decisões de lançamento, em vez de aceitar uma pausa ampla.

O CEO da Anthropic, Dario Amodei, adotou uma posição diferente. Ele discutiu uma ação coordenada entre empresas e países caso os riscos atinjam um nível que exija um desenvolvimento mais lento.

A divergência não é entre segurança e ausência de segurança. Ela diz respeito a quem decide quando os sistemas são seguros o bastante, quais evidências sustentam esse julgamento e se os concorrentes devem desacelerar juntos.

Testes no nível da empresa podem responder rapidamente e se basear em conhecimento técnico direto. No entanto, a pressão comercial também pode influenciar quando uma empresa considera um produto pronto.

Uma abordagem coordenada pode reduzir o receio de que um desenvolvedor cauteloso perca terreno para um rival mais rápido. Ainda assim, a coordenação se torna difícil entre países, empresas, modelos abertos e diferentes definições de risco inaceitável.

A Nvidia ocupa uma posição distinta nesse debate. Ela fornece infraestrutura computacional para desenvolvedores de modelos e provedores de nuvem concorrentes.

O desenvolvimento mais rápido de modelos pode aumentar a demanda por sistemas Nvidia. Testes de segurança mais extensos também podem consumir capacidade computacional, pois as avaliações exigem que os modelos sejam executados em muitos cenários.

Isso significa que o trabalho de segurança não reduz necessariamente a demanda por chips. Ele pode criar novas cargas de trabalho envolvendo avaliação, monitoramento, cibersegurança, simulações e controle de modelos.

O conflito surge quando uma preocupação de segurança atrasa um lançamento ou altera o cronograma de investimento de um cliente. A meta de crescimento da Nvidia pressupõe que essas interrupções não produzirão uma queda coordenada nos gastos com infraestrutura.

A abordagem de Huang trata a segurança principalmente como um processo de engenharia. Nessa visão, os desenvolvedores testam, identificam falhas, melhoram o sistema e o lançam quando julgam aceitável o risco restante.

O problema não resolvido é a verificação. Observadores externos muitas vezes não conseguem inspecionar dados privados de treinamento, avaliações internas, relatórios de incidentes ou discussões sobre lançamentos.

A garantia de um desenvolvedor de que os testes foram rigorosos é, portanto, uma alegação da empresa até que reguladores, pesquisadores independentes ou evidências documentadas possam examiná-la.

Os sistemas de IA também mudam após o lançamento. Os desenvolvedores atualizam modelos, conectam-nos a ferramentas e os inserem em produtos capazes de executar ações. Um resultado seguro em uma avaliação controlada pode não prever todas as implantações reais.

A IA agêntica torna esse desafio mais acentuado. O termo descreve sistemas capazes de planejar e executar tarefas de múltiplas etapas, às vezes usando software ou comunicando-se com outros serviços.

Um agente pode gerar maior valor econômico do que uma resposta de chatbot. Também pode causar mais danos se executar uma ação não autorizada ou interpretar mal seu objetivo.

O padrão de “retê-lo” de Huang é, portanto, apenas o ponto de partida. A indústria ainda precisa de limites mensuráveis, divulgação de incidentes, testes independentes e responsabilidade clara após a implantação.

A previsão de vendas de chips da Nvidia eleva os riscos porque o dobro do hardware pode sustentar muito mais atividade de IA implantada. A capacidade expande tanto aplicações úteis quanto a superfície de falhas.

A Nvidia não controla todos os modelos executados em seus sistemas. Ainda assim, sua posição pública influencia o debate sobre políticas porque ela está na camada de infraestrutura sob grande parte do mercado.

O teste de credibilidade será a consistência. O argumento de segurança de Huang se fortalece quando as empresas atrasam produtos apesar dos custos comerciais, divulgam problemas e apoiam avaliações fora de suas próprias organizações.

Ele se enfraquece se “boa engenharia” continuar sendo uma expressão indefinida que permite a cada desenvolvedor aprovar seu próprio trabalho. O ônus é especialmente alto durante um período de crescimento agressivo de capacidade.

Três Sinais Testarão a Previsão para 2027

Remessas, utilização pelos clientes e decisões de segurança documentadas mostrarão se a previsão de Huang descreve uma demanda duradoura ou um teto otimista.

O primeiro sinal é a aceleração de produtos e a composição da receita reportadas pela Nvidia. Os investidores devem comparar a linguagem orientada a unidades com dados reais de data center, redes, CPU e gráficos.

Um aumento amplo nessas categorias sustentaria a previsão de vendas de chips da Nvidia. Crescimento concentrado em um único produto ou distorcido por uma transição exigiria uma interpretação mais cautelosa.

A margem bruta e o estoque também merecem atenção. Remessas fortes acompanhadas de preços mais fracos ou estoques crescentes não teriam o mesmo significado que vendas lucrativas para implantações ativas.

O segundo sinal é a utilização pelos clientes após a instalação. Empresas de nuvem podem anunciar grandes planos de hardware, mas o consumo sustentado determina se elas encomendarão a próxima onda.

Procure evidências de que inferência empresarial, sistemas agênticos, computação científica, robótica e programas nacionais estão usando a capacidade. Gastos de capital dos clientes sem crescimento correspondente de cargas de trabalho enfraqueceriam a tese de demanda de Huang.

As ações dos desenvolvedores de chips personalizados importam aqui. Se os hyperscalers direcionarem mais trabalho de produção para processadores internos, a Nvidia ainda poderá crescer enquanto captura uma parcela menor do mercado em expansão.

Por outro lado, grandes implantações adicionais da Nvidia sugeririam que o silício personalizado continua complementar, e não uma substituição ampla. Isso reforçaria o argumento para a demanda por chips Nvidia em 2027 ao longo de sucessivas gerações de produtos.

O terceiro sinal é se os desenvolvedores realmente adiam lançamentos inseguros. Huang estabeleceu um padrão comportamental claro na Escócia, embora não tenha definido um limite universal.

Um atraso documentado, uma avaliação independente ampliada ou uma resposta transparente a incidentes dariam significado prático a esse padrão. Incidentes repetidos sem divulgação ou mudanças no cronograma o enfraqueceriam.

Decisões de política podem influenciar os três sinais. Os controles de exportação podem restringir mercados acessíveis, enquanto requisitos de segurança podem alterar cronogramas de implantação e custos de avaliação.

Aprovações de energia e de data centers também podem determinar quão rapidamente os sistemas adquiridos se tornam utilizáveis. A demanda por hardware não elimina as restrições físicas em torno de uma instalação de IA.

Os leitores devem evitar tratar a previsão como um único número de aprovação ou reprovação. A Nvidia não forneceu detalhes públicos suficientes sobre unidades para esse cálculo.

Em vez disso, a previsão deve ser testada como uma cadeia. Os clientes precisam fazer pedidos, os fornecedores precisam construir os sistemas, os operadores precisam instalá-los e as cargas de trabalho precisam usá-los de forma economicamente viável.

Cada elo afeta o próximo. Um gargalo em memória, encapsulamento, energia, redes ou financiamento pode impedir que a demanda se transforme em vendas reconhecidas.

A concorrência acrescenta outro ramo. Uma carga de trabalho pode crescer rapidamente enquanto migra para um acelerador personalizado ou um fornecedor regional.

A segurança introduz a condição final. Mais capacidade computacional deve apoiar produtos que usuários, empresas e governos continuem dispostos a implantar.

É por isso que esta não é uma previsão otimista comum para semicondutores. Huang combina uma meta excepcional de expansão com um padrão de segurança que pode exigir contenção.

As duas posições são compatíveis apenas se os testes escalarem junto com a implantação. As empresas não podem avaliar o volume de amanhã usando os processos de ontem.

As equipes de engenharia precisarão de registros mais robustos sobre mudanças nos modelos, resultados de avaliações, incidentes e decisões de lançamento. Uma base de conhecimento pesquisável pode ajudar as equipes a preservar essas evidências em documentos técnicos e revisões.

Para compradores, a tarefa imediata é separar a capacidade disponível da capacidade útil. Pergunte quais cargas de trabalho justificam nova infraestrutura, como as alternativas se comparam e qual utilização sustentará outra compra.

Para desenvolvedores, a questão é se os critérios de lançamento são mensuráveis antes que a pressão comercial chegue. “Retê-lo” só importa quando uma equipe consegue identificar a condição que aciona essa decisão.

Para a Nvidia, os próximos vários trimestres precisam conectar ambição à execução. A empresa precisa de mais do que o dobro de chips saindo das fábricas. Precisa que os clientes os instalem, usem e encomendem novamente sem comprometer a confiança nos sistemas que esses chips viabilizam.

A previsão de vendas de chips da Nvidia parecerá mais forte se as remessas se ampliarem, a utilização permanecer alta e os desenvolvedores divulgarem decisões de segurança confiáveis. Qual desses três sinais aparecerá primeiro nos produtos e na infraestrutura que sua organização utiliza?