O Vale do Silício, que copiou a lição de casa da China, agora enfrenta o desafio das aplicações de IA.

O Vale do Silício começou a copiar o que a China fez.

Recentemente, surgiram nos Estados Unidos diversos modelos de código aberto de baixo custo, com o objetivo de alcançar os modelos de código aberto da China em termos de recursos e preços.

O Laboratório de Máquinas Pensantes de Mira Murati lançou seu primeiro modelo, o Inkling, no mês passado. A descrição oficial menciona dois aspectos: a arquitetura subjacente é baseada no DeepSeek-V3 e os dados de treinamento foram gerados pelo Kimi K2.5.

As pessoas mais bem pagas do Vale do Silício estão usando a estrutura básica de um modelo chinês de código aberto para alimentar os dados gerados por esse modelo. Dois anos atrás, seria o contrário.

No início deste ano, o Trinity-Large-Thinking da Arcee AI obteve 91,9 pontos no PinchBench, 1,4 pontos a menos que o Opus 4.6 da Anthropic, e custando 4% do preço deste último.

"Estamos trabalhando para que os EUA alcancem e ultrapassem a China", disse Mark McQuade, CEO da Arcee AI.

O Vale do Silício agora está copiando não apenas modelos, mas também os preços reduzidos pelas empresas chinesas.

A arquitetura pode ser reaproveitada, os métodos de treinamento podem ser reproduzidos e os dados podem ser fornecidos a outros modelos para geração em lote. Uma vez que os pesos são liberados, os desenvolvedores podem continuar o desenvolvimento. A precificação é ainda mais simples: quando uma empresa reduz o preço, as demais eventualmente terão que seguir o exemplo.

Nos últimos três anos, a grande empresa de modelos construiu um edifício magnífico e entreteve seus convidados confiando em parâmetros, poder computacional e tecnologia proprietária. Agora, esse edifício está à beira do colapso.

Dezesseis dias

Nas primeiras horas do dia 17 de julho, a Dark Side of the Moon lançou o Kimi K3. Com um total de 2,8 trilhões de parâmetros e 1 milhão de tokens de contexto, é o maior modelo aberto do mundo.

Na tabela de classificação do Frontend Code Arena, o K3 obteve 1679 pontos, seguido por Claude Fable 5 e GPT-5.6 Sol. Esta é a primeira vez que um modelo de código aberto supera um modelo de código fechado. Ele garantiu o primeiro lugar em seis das sete especializações de front-end.

Musk deixou um comentário "Impressionante" abaixo dos resultados da avaliação.

A API do K3 não é barata, custando 100 yuans por milhão de tokens de saída. No entanto, no teste comparativo do SuperCLUE, sua pontuação na tarefa foi 18% maior do que a do segundo colocado, e seu custo médio foi 16% menor ao executar o mesmo lote de tarefas.

O fato de um modelo ser caro ou não não depende do preço por milhão de tokens, mas sim do custo total de todo o processo, do início ao fim. Quanto maior a diferença entre esses dois valores, menos significativo se torna o preço em si.

Dois dias depois, já tarde da noite, o Dark Side of the Moon suspendeu novas assinaturas para usuários finais. O número de solicitações em 48 horas excedeu em muito as expectativas, e a capacidade computacional era insuficiente.

Em 27 de julho, a K3 divulgou a lista completa de pesos, juntamente com relatórios técnicos e infraestrutura de suporte.

A seguir, temos o DeepSeek.

O mercado aguardava ansiosamente o lançamento oficial da V4. No final de abril, a DeepSeek lançou duas versões de pré-visualização, a V4-Pro e a V4-Flash, ambas com suporte para 1 milhão de contextos de tokens, que eles oficialmente chamaram de "era do acesso universal a milhões de contextos". Houve pouca atividade nos dois ou três meses seguintes, até 2 de agosto, quando a V4 Flash foi oficialmente lançada e seus pesos foram disponibilizados. Com um total de 284 bilhões de parâmetros e apenas 13 bilhões ativados por inferência, a pontuação do teste de programação da DeepSeek subiu de 7,3 para 54,4.

A mudança de preço foi ainda mais drástica. Em maio, o V4-Pro teve seu preço reduzido a um quarto do valor original, marcando o quarto ajuste de preço da DeepSeek em um mês. Quando o Flash foi lançado oficialmente, todos ainda estavam surpresos com sua relação custo-benefício.

"Você recebe o que paga" era a antiga regra. Agora, os modelos chineses estão se tornando cada vez mais competitivos e cobrando cada vez menos. Os concorrentes estrangeiros estão naturalmente chateados, mas não há muito que possam fazer. Os consumidores já viram produtos baratos e bons, e ninguém quer voltar a ser enganado.

A Alibaba anunciou posteriormente que divulgaria as especificações do Qwen3.8-Max na próxima semana. A série Max, anteriormente um produto de ponta de código fechado, agora está sendo disponibilizada ao público. Seu preço internacional corresponde a aproximadamente 40% do custo de entrada do Opus 5 e apenas 24% do seu custo de saída.

Tudo isso aconteceu em apenas 16 dias.

No passado, as empresas de modelos em miniatura dependiam da escassez para definir os preços; se eu conseguisse fabricar o produto, você teria que pagar o meu preço. Uma diferença de apenas alguns pontos na lista poderia resultar em uma diferença de preço de dezenas de vezes.

Kimi, DeepSeek e Qwen têm abordagens técnicas diferentes, mas fazem a mesma coisa: aumentam as capacidades, disponibilizam mais opções, reduzem os preços e, em seguida, integram-nas rapidamente aos produtos.

Quero copiar a lição de casa, mas ninguém quer me pagar.

Algumas pessoas nos EUA também reconheceram essa tendência.

No final de 2025, a Arcee AI havia investido quase todos os seus fundos no projeto. Em 33 dias, desenvolveram 2.048 módulos B300, investiram US$ 20 milhões e contavam com apenas 30 funcionários. O modelo Trinity Large resultante tinha 400 bilhões de parâmetros e 13 bilhões de ativações por inferência, com quase metade dos dados de treinamento sendo sintéticos. Em julho deste ano, a Arcee assinou um acordo de cooperação com o Departamento de Energia dos EUA para desenvolver um modelo voltado para pesquisa.

A equipe, as conquistas, os custos, os contratos governamentais — tudo estava lá. Mas a porta para o financiamento simplesmente não se abria.

Arcee arrecadou um total de US$ 50 milhões até o momento, com uma avaliação de US$ 240 milhões. No atual mercado de modelos de luxo, essa quantia não seria suficiente nem para entrar em um quarto privativo, quanto mais para pagar uma refeição.

"Quase todos os principais fundos de capital de risco nos rejeitaram", disse o CEO Mark McQuade.

O modelo aberto dos EUA foi bloqueado pelo próprio comitê de investimentos antes mesmo de enfrentar a China.

No primeiro trimestre de 2026, as startups globais de IA arrecadaram US$ 255,5 bilhões, com quase dois terços concentrados em três negócios: US$ 122 bilhões da OpenAI, US$ 30 bilhões da Anthropic e US$ 20 bilhões da xAI. Quase todo o dinheiro foi para empresas de código fechado.

Joe Floyd, um dos primeiros investidores da Arcee e sócio da Emergence Capital, disse que os motivos de rejeição que ouviu de muitos fundos de capital de risco eram praticamente os mesmos:

"Não quero que esse modelo tenha sucesso. Não quero investir porque isso prejudicaria meus investimentos na Anthropic e na OpenAI."

Quem está realmente disposto a gastar dinheiro em modelos abertos são, na verdade, os vendedores de chips.

Em março deste ano, a Nvidia divulgou em um documento enviado à SEC que planeja investir US$ 26 bilhões nos próximos cinco anos para apoiar pesos livres. A Reflection AI, a Poolside e a Thinking Machines Lab receberam financiamento desse investimento.

Jensen Huang entende isso melhor do que ninguém. O modelo de código fechado gera receita com APIs, enquanto o modelo aberto consome GPUs. Quanto mais barato o modelo for, mais desenvolvedores o utilizarão e mais as GPUs da Nvidia venderão.

Na noite de 24 de julho, Jensen Huang criou uma conta no Google e seu primeiro tweet foi um retweet de uma carta aberta intitulada "Open Weights and America's Leadership in AI" (Pesos Abertos e a Liderança Americana em IA). A carta afirmava que a capacidade dos Estados Unidos de continuar liderando o setor depende não apenas de possuir os modelos mais avançados, mas também de ter um ecossistema que possa ser disseminado para diversos setores.

Mais tarde, os fundadores de quase 200 startups americanas escreveram em conjunto para o governo Trump opondo-se à proibição do modelo aberto da China. O mais interessante dessa carta, que li, foi que ela não continha uma única palavra elogiosa. Eles não falaram favoravelmente da China, nem defenderam a abertura; o único argumento era que o modelo chinês barato já havia se tornado uma ferramenta de produção e, se fosse realmente bloqueado, eles só poderiam voltar a comprar APIs americanas caras.

Em entrevista, McQuade também afirmou que a adoção em larga escala era apenas uma questão de tempo.

Demanda resultante de preços baixos

Enquanto o Vale do Silício ainda debate se deve ou não implementar a ponderação aberta, a China já começou a enfrentar o próximo obstáculo.

A expressão "o primeiro ano das aplicações de IA" tem sido usada muitas vezes nos últimos três anos. No entanto, para avaliar se uma tecnologia realmente entrou na fase de aplicação, basta observar dois aspectos: se os usuários estão dispostos a pagar por ela e se as empresas a integraram em seus negócios.

Este ano, tanto a Claude Code quanto a Cursor geraram mais de US$ 1 bilhão em receita anualizada, e as ferramentas de programação com IA têm uma taxa de penetração de quase metade entre os desenvolvedores individuais.

As mudanças são ainda mais acentuadas no âmbito empresarial. De acordo com uma pesquisa do Dune Think Tank, a taxa de adoção de agentes de IA por empresas chinesas subiu de 17,3% no final de 2024 para 40,3% em meados de 2026.

Li Yanhong propôs uma nova métrica chamada DAA, que significa Agentes Ativos Diários. Anteriormente, as empresas de internet contabilizavam quantas pessoas acessavam seus produtos diariamente; daqui para frente, elas contabilizarão quantos agentes estão efetivamente trabalhando e gerando resultados.

A curva do volume de chamadas é ainda mais surpreendente. De acordo com as estatísticas da CCTV, o volume médio diário de chamadas telefônicas na China aumentou de cerca de 100 bilhões no início de 2024 para 140 trilhões no final de março deste ano, mais de mil vezes em pouco mais de dois anos.

Os modelos estão se tornando cada vez mais baratos, enquanto o poder computacional está se tornando cada vez mais escasso. Em março deste ano, a Tencent Cloud, a Alibaba Cloud e a Baidu AI Cloud aumentaram sucessivamente os preços do poder computacional em um intervalo de dez dias, com aumentos em torno de 30%. Após o aumento expressivo de agentes inteligentes no primeiro semestre do ano, o preço do aluguel de poder computacional para inferência subiu mais de 40%.

O motivo é que o uso da IA pelas pessoas mudou. Antes, era um processo simples de perguntas e respostas que não custava muitos tokens. Agora, para que um agente realmente conclua a tarefa, ele precisa de contexto, múltiplas ferramentas e verificação constante; se cometer um erro, precisa começar tudo de novo. O preço unitário diminuiu, mas o consumo aumentou exponencialmente.

A redução de preço não diminuiu o mercado; pelo contrário, trouxe toda a demanda que antes era inexplicável.

Em 1981, a IBM abriu sua arquitetura de PC e máquinas compatíveis inundaram rapidamente o mercado, reduzindo os preços do hardware. No final, as empresas que realmente lucraram não foram as fabricantes de máquinas, mas sim a Lotus 1-2-3, o WordPerfect e, posteriormente, a Microsoft, que foram construídas sobre essas máquinas.

Hoje, o caminho é praticamente o mesmo. Embora todos ainda estejam focados na pequena diferença nas capacidades subjacentes, as empresas líderes já começaram a competir por usuários, pontos de entrada e fluxos de trabalho.

Empresas americanas podem estudar a arquitetura do DeepSeek, usar os dados gerados pelo Kimi ou investir US$ 20 milhões para treinar um modelo aberto de alto desempenho. No entanto, as aplicações não são tão fáceis de copiar.

O aplicativo não possui pesos para download nem benchmarks. O que determina se ele funciona são os pequenos truques que a empresa acumulou ao longo de mais de uma década de trabalho árduo e experiência.

No passado, grandes empresas costumavam transformar seus modelos em produtos independentes, aguardando que os usuários abrissem uma janela de bate-papo separada. Agora, os modelos estão começando a se integrar ao DingTalk, Lark e WeChat Work, com o agente se integrando diretamente à organização e aos processos existentes.

Nos EUA, um assistente virtual para escritórios pode se desenvolver nos moldes do Gmail, Slack e Salesforce. Na China, pode começar com o DingTalk, Lark e WeChat Work, e depois se expandir para softwares financeiros, sistemas de cadeia de suprimentos, sistemas de fábrica e plataformas governamentais. Mesmo que ambos os lados usem o mesmo modelo, os produtos finais serão diferentes.

Após a redução do preço

De 2022 a 2025, os EUA intensificarão suas restrições aos chips chineses. Os chips H100 e B300 não serão vendidos, e os processos e equipamentos de fabricação avançados também serão restringidos. Nessas condições, as empresas chinesas criaram o maior modelo aberto do mundo.

Até 2026, os EUA começaram a discutir restrições aos pesos dos modelos chineses. A OpenAI e a Anthropic teriam expressado preocupações aos órgãos reguladores, e o Congresso também está estudando se os pesos dos modelos podem continuar a ser transferidos entre fronteiras.

Antes mesmo da faca cair, seus próprios homens gritaram de dor.

A proibição dos chips restringe o fornecimento às empresas chinesas, mas a proibição dos modelos reduz os custos para as startups americanas. A carta conjunta também afirmou claramente que a proibição não impediria a disseminação; apenas forçaria os desenvolvedores a baixar todos os modelos disponíveis antes de encerrar o serviço.

Os chips são objetos físicos; eles podem interromper pedidos, logística e processos de fabricação. Uma vez que um dado é liberado, ele pode ser baixado, espelhado, quantificado, ajustado e refinado infinitamente.

O que é ainda mais incontrolável é o preço.

Os EUA continuam na vanguarda em modelos proprietários de ponta. A OpenAI e a Anthropic ainda estão na linha de frente, e o treinamento de modelos de alto nível ainda depende muito de placas da Nvidia — uma situação que dificilmente mudará em curto prazo.

No entanto, quando se trata de aplicação, o resultado raramente é determinado pelo modelo mais robusto. O que importa é se o modelo é suficientemente barato, se a empresa possui um ponto de entrada digital pronto e se os desenvolvedores conseguem realmente se aprofundar nos processos de negócio.

Olhando para os últimos trinta anos, a China venceu muitas vezes, mas os métodos para alcançar essa vitória foram praticamente os mesmos.

Pagamentos móveis, comércio eletrônico, entrega de comida e transmissões ao vivo envolvem a incorporação de tecnologias inventadas externamente no cotidiano de bilhões de pessoas, criando negócios de escala impressionante. A infraestrutura subjacente, por sua vez, já era fornecida por terceiros. Os transistores vieram dos Laboratórios Bell, a arquitetura x86 pertence à Intel, o TCP/IP foi financiado pelo governo dos EUA, e o Windows, o Android e o iOS tiveram origem na Costa Oeste. Até mesmo o TensorFlow e o PyTorch, as tecnologias mais utilizadas na era do aprendizado profundo, foram criados pelo Google e pela Meta, respectivamente.

"Invenção na América, escala na China" — esse ditado existe há trinta anos e houve pouquíssimas exceções reais.

Agora, surgiu uma exceção.

As especificações técnicas do Thinking Machines Lab são muito claras. Uma das empresas novas mais proeminentes e bem financiadas do Vale do Silício utilizou como referência a arquitetura de uma empresa chinesa na camada base de seu modelo e, em seguida, usou dados gerados por outro modelo chinês para treinamento.

No passado, o Vale do Silício buscava capacidade de produção, recrutava talentos ou procurava mercados na China. Agora, está começando a seguir diretamente as rotas tecnológicas que foram validadas por empresas chinesas.

A veneração pelo Vale do Silício certamente tem suas origens. Nas últimas décadas, a maioria das tecnologias fundamentais mais importantes da indústria da computação realmente se desenvolveu a partir de lá. Dos chips dentro das máquinas aos ambientes de desenvolvimento integrado (IDEs) que os programadores usam diariamente, o Vale do Silício há muito tempo está na origem da cadeia tecnológica.

Mas no mundo da tecnologia, os resultados importam. Quem consegue propor uma nova arquitetura, quem consegue reduzir custos e quem consegue fazer com que os concorrentes comecem a imitá-la, tem o direito de redefinir o setor.

Agora, empresas chinesas estão começando a aparecer nessa lista.

O Vale do Silício provavelmente alcançará a concorrência no futuro, dada a sua abundância de engenheiros, capital e chips. No entanto, as aplicações já integradas em negócios reais não esperarão por ninguém. Quem chegar primeiro aos processos empresariais conquistará clientes, dados e a oportunidade para a próxima rodada de melhorias. O ponto de partida nunca é o mesmo para todos.

A era das aplicações de IA não começará com pompa em um dia auspicioso. Ela aparecerá primeiro em demonstrações financeiras, no uso crescente e, mais uma vez, em um programador sem crédito no meio da noite.

A adoção em larga escala é apenas uma questão de tempo. Isso foi dito por um americano.