O comentário de Sam Altman sobre o DeepSeek deixou um recado claro, concorrência nova acelera lançamentos, mas a OpenAI, segundo ele, segue apostando pesado em mais capacidade computacional. O estopim foi a combinação de um modelo de raciocínio forte e um discurso agressivo de custo, que virou gatilho para uma correção brusca em ações de IA e semicondutores nos EUA.
O que Altman sinalizou sobre o DeepSeek
Em um post no X, Altman disse que o DeepSeek R1 é impressionante, principalmente pelo que entrega em relação ao preço, e tratou a chegada do rival como um incentivo competitivo. O conteúdo original está no link do próprio Altman: publicação no X.
Em termos práticos, a mensagem pode ser lida como um pacote de quatro sinais para o mercado:
- Reconhecimento: o diferencial do DeepSeek não é só qualidade, é preço por desempenho.
- Resposta rápida: promessa de puxar lançamentos e updates para mais perto.
- Tese de compute: reforço de que mais computação continua sendo o caminho para modelos de próxima geração.
- Ambição: expectativa de demanda massiva por IA e discurso de longo prazo sobre AGI.
Por que o mercado tremeu com o R1
O choque ficou visível em 27 de janeiro de 2025, quando a Nvidia caiu cerca de 17% e perdeu aproximadamente US$ 589 bilhões em valor de mercado em um único pregão, um recorde histórico de perda diária. A leitura por trás do movimento foi direta: se modelos fortes podem ser treinados e servidos com mais eficiência, a conta de GPUs de ponta pode ser menos óbvia do que parecia. Cobertura da CNBC.
Na mesma janela, a correção contaminou outras big techs e reforçou a narrativa de que uma parte do “boom” de IA estava precificada com pouca margem para surpresas. Alguns levantamentos citaram perdas próximas de US$ 1 trilhão no conjunto das gigantes, conforme reportagens do período. Resumo do The Guardian.
O mito dos 6 milhões e o que realmente conta
O número “US$ 6 milhões” ganhou manchetes porque o relatório técnico do DeepSeek-V3 estima custo de treinamento com base em preço de aluguel de GPU, chegando a cerca de US$ 5,576 milhões sob uma premissa específica de preço por hora. Isso não é o mesmo que custo total de P&D, equipe, dados, iterações, infraestrutura e, principalmente, inferência em escala. DeepSeek-V3 no arXiv.
Tanto que análises e reportagens posteriores apontaram que o gasto com hardware e operação pode ser bem maior do que o recorte do relatório sugere, mesmo quando o treino em si é eficiente. Discussão sobre gasto de hardware na CNBC.
Para quem acompanha o setor, a conclusão útil é outra: a vantagem competitiva tende a vir de engenharia de eficiência somada a cadeia de suprimento e escala de produto, não de um único número de custo estampado em manchete. Uma boa leitura de contexto sobre o caso é a análise do CSIS. DeepSeek, um mergulho do CSIS.
Regra prática para empresas no Brasil
Para times brasileiros, o debate DeepSeek não é sobre “quem vence”, é sobre como reduzir custo e risco ao colocar IA em produção.
- Se o objetivo é prototipar e iterar rápido: priorizar modelos com melhor custo por resultado e caminhos de teste simples, inclusive opções open source quando fizer sentido. O DeepSeek publicou materiais e modelos em repositório público, o que facilita experimentação. DeepSeek-R1 no GitHub.
- Se o objetivo é produção com risco regulatório alto: dar peso maior a governança de dados, estabilidade, SLA, auditoria, suporte e previsibilidade de mudança de modelo, mesmo que a unidade de custo seja maior.
Exemplo rápido: uma fintech que quer automatizar análise de documentos pode testar um modelo mais barato para triagem e resumo interno, mas manter decisões finais e fluxos sensíveis em um fornecedor com contrato, controles e trilhas de auditoria. Essa divisão costuma reduzir custo sem comprar uma briga desnecessária com compliance.
Mini-modelo para ler o mercado: quem domina a IA de alto impacto tende a equilibrar três fatores, Preço (economia por token e por tarefa), Performance (qualidade em raciocínio e confiabilidade) e Permissão (dados, políticas, export controls e aceitação corporativa). O DeepSeek pressionou forte no primeiro fator, e obrigou os líderes a provar valor nos outros dois.