Alguma reflexão profunda sobre o modelo de negócios do frontier-model. Tudo isso está fundamentado em números vazados pelo The Information, NYT, etc. 🔵O Núcleo: É uma Máquina de Queima de Cálculo No seu cerne, o modelo é brutalmente simples: quase todos os custos vêm do cálculo – inferência, e especialmente treinamento. O treinamento segue algo como uma lei de escalonamento. Vamos assumir que os custos aumentam ~5x a cada ano; e o ROI sobre os custos de treinamento é 2x. Isso cria uma dinâmica estranha: Custo de treinamento do Ano 1: 1 Receita do Ano 2 desse modelo: 2 Mas o custo de treinamento do Ano 2 para o próximo modelo: 5 Líquido: +2 - 5 = -3 Se continuar assim, fica pior: Receita do Ano 3: +10 Custo de treinamento do Ano 3: -25 Líquido: -15 Os modelos frontier, como estão atualmente, são bolas de neve de fluxo de caixa negativo. Cada geração queima mais dinheiro do que a anterior. Para que isso algum dia mude para fluxo de caixa positivo, apenas duas coisas podem logicamente mudar: A. A receita cresce muito mais rápido do que 2x, ou B. O crescimento do custo de treinamento desacelera de 5x por ano para algo como <2x O CEO da Anthropic, Dario Amodei, detalhou o cenário B (“os custos de treinamento param de crescer exponencialmente”) em duas realidades possíveis: 1/ Limites físicos/econômicos: Você simplesmente não pode treinar um modelo 5x maior — não há chips suficientes, não há energia suficiente, ou o custo se aproxima do PIB mundial. 2/ Retornos decrescentes: Você poderia treinar um modelo maior, mas a curva de escalonamento se achata. Gastar mais 10x deixa de valer a pena. O que os Números da OpenAI e da Anthropic Revelam: As projeções financeiras vazadas de ambas as empresas basicamente validam essa estrutura. OpenAI: O plano da OpenAI assume efetivamente que a capacidade total de cálculo para de crescer após 2028. Tradução: as margens melhoram porque os custos de treinamento se achatam. Este é o cenário B. Anthropic: 1/ Eles assumem que o ROI por modelo aumenta a cada ano. Gaste 1, receba de volta, digamos, 5 em vez de 2. 2/ O crescimento do gasto em cálculo deles também é muito mais moderado. De FY25 a FY28: o crescimento do custo de cálculo da OpenAI >> o da Anthropic Usando a estrutura acima, eles contam com um aumento de receita A e um crescimento de custo B mais lento. 🔵 $NFLX É a Analogia Mais Próxima Na tecnologia, modelos intensivos em capital são raros, embora não sem precedentes. $NFLX é uma boa analogia: por anos teve um fluxo de caixa profundamente negativo que piorou anualmente. Eles tiveram que investir dinheiro em conteúdo antecipadamente, e esses ativos se depreciaram ao longo de quatro anos. De muitas maneiras, isso se assemelha à economia de data centers e treinamento de modelos. Queima de caixa máxima em 2019: -3B Fluxo de caixa em 2020: +2B Por que a mudança repentina para positivo? A COVID paralisou a produção. O gasto com conteúdo parou de crescer. O fluxo de caixa virou instantaneamente. 🔵O Jogo Final: As Margens Chegam Quando o Crescimento de Custos Desacelera $NFLX não parou de investir em conteúdo completamente – apenas parou de *crescer* esse investimento agressivamente uma vez que atingiu ~300M de assinantes globais. Nessa escala, a fidelidade é alta, e eles só precisam manter sua posição, não expandir o gasto com conteúdo 10x por ano. Não acho que a OpenAI ou a Anthropic vão parar de treinar completamente. Mas não precisarão aumentar o gasto com treinamento por múltiplos para sempre. Em algum momento: O ROI por modelo aumenta, ou os limites de escalonamento entram em ação, ou ambos. E no momento em que o gasto anual com treinamento parar de crescer 5x por ano, as margens de lucro aparecem quase imediatamente. Essa é a coisa estranha sobre a economia dos LLM: É uma máquina de queima... até que de repente não é mais. Fontes: ++ Artigo completo: