Rede de supermercado que vende muito de um produto acaba lançando a própria marca dele. Não porque o fornecedor seja ruim, mas porque quando o volume fica grande o suficiente, pagar margem para terceiro deixa de fazer sentido. Foi o que aconteceu com IA nesta semana, e aconteceu duas vezes.
O que foi apresentado
Segundo os anúncios oficiais das duas empresas:
- Em 25 de agosto, a OpenAI divulgou os primeiros resultados do Jalapeño, seu chip próprio de inferência, com promessa de maior vazão e menor latência para modelos atuais.
- Em 24 de agosto, a Meta apresentou o MTIA 300, seu primeiro chip de treinamento, com chiplets de rede integrados, otimizado para modelos de ranqueamento e recomendação.
- Os dois apareceram na conferência Hot Chips, ao lado de Cerebras CS-5, Groq 3 LPX e Apple M6.
- No mesmo período, a Nvidia reportou receita recorde de US$ 96,2 bilhões em três meses, com data centers respondendo por mais de 90% do faturamento.
Inferência e treino são movimentos diferentes
Vale separar os dois anúncios, porque eles não significam a mesma coisa.
O Jalapeño é chip de inferência: o trabalho de responder, que acontece milhões de vezes por dia e representa o custo recorrente de operar um modelo. É onde a economia aparece mais rápido.
O MTIA 300 é chip de treinamento, e a Meta destaca que é o primeiro da casa nessa função. Treino é a parte mais cara e mais dependente de hardware de ponta. Uma empresa construir o próprio silício de treino sinaliza aposta de longo prazo, não corte de custo imediato.
Detalhe que costuma passar batido: o MTIA 300 é otimizado para modelos de ranqueamento e recomendação. Não é chip para IA generativa. É chip para o motor que decide o que aparece no seu feed, ou seja, para o núcleo do negócio de publicidade da Meta.
Por que isso interessa a quem opera marketing
Parece assunto de infraestrutura, distante da operação. Mas há dois efeitos que chegam ao dia a dia.
O primeiro é preço. O custo de inferência é o que define quanto custa cada chamada de API que a sua stack faz. Quando os maiores operadores começam a produzir o próprio hardware, a tendência de médio prazo é de queda no custo por chamada. Automação que hoje não fecha a conta pode fechar no ano que vem.
O segundo é dependência. Um mercado onde cada laboratório roda no próprio silício é um mercado onde os modelos ficam mais amarrados à infraestrutura de quem os criou. Isso tende a dificultar a troca de fornecedor, justamente o contrário do que promete a camada de padrões abertos que vem sendo construída em protocolos como o MCP.
O que observar na sua stack
- Acompanhe o custo por chamada, não o preço de tabela. É onde a mudança de hardware vai aparecer primeiro.
- Evite acoplar processo crítico a um único fornecedor de modelo. Não por ideologia, mas porque a portabilidade tende a ficar mais cara, não mais barata.
- Releia projeções de custo feitas há seis meses. Elas provavelmente assumem preço de inferência estável, e essa premissa está se mexendo.
- Não confunda anúncio com disponibilidade. Chip apresentado em conferência não é chip rodando na sua chamada de API amanhã.
E agora?
O contraste da semana resume a situação: a Nvidia bateu recorde de receita e, ao mesmo tempo, dois dos seus maiores clientes mostraram publicamente que estão construindo alternativas. As duas coisas são verdadeiras e não se contradizem, porque a demanda cresce mais rápido do que a capacidade de qualquer um de se tornar independente.
O que muda é a direção. A camada mais cara da IA está deixando de ser um mercado de fornecedor único, e isso costuma ser bom para quem compra o serviço no fim da linha. Mas a mesma verticalização que barateia também aprofunda a dependência de quem já é grande, e essa parte da conta ainda não apareceu.
Consulte o artigo na íntegra no link: https://engineering.fb.com/2026/08/24/networking-traffic/mtia-300-meta-training-chip-built-in-nics/