A camada que ninguém controla ainda é a que todos precisarão
Há um padrão que se repete com consistência suficiente para ser levado a sério: as tecnologias não se concentram onde aparecem, mas onde se apoiam. As redes sociais se concentraram na distribuição, não no conteúdo. A nuvem se concentrou na infraestrutura, não nas aplicações. A inteligência artificial está seguindo a mesma geometria, mas o ponto de controle está um nível mais abaixo do que em qualquer ciclo anterior.
Em maio de 2026, David e Daniil Liberman, empreendedores com experiência prévia no Snap, publicaram na Fortune um argumento que merece atenção pelo que descreve estruturalmente, não por quem eles são. Sua tese é precisa: em inteligência artificial, quem controla o processamento controla o acesso, e quem controla o acesso controla quem pode sequer existir nesta economia. Não é uma metáfora. É uma descrição operacional de como o mercado funciona hoje.
Os números que citam são os que dão peso ao argumento. A NVIDIA concentra 85% do mercado de GPUs para centros de dados. Amazon, Microsoft e Google controlam 63% da capacidade global de nuvem. Os Estados Unidos gerenciam aproximadamente 75% da capacidade mundial de computação de alto desempenho para inteligência artificial. A China retém cerca de 15%. O restante do mundo divide os 10% restantes.
Isso não descreve um mercado competitivo. Descreve uma infraestrutura geopolítica com fachada de mercado.
O momento em que o Snap perdeu sem perder o produto
A referência ao episódio do Snap em 2018 não é nostalgia. É a âncora analítica do artigo. Os autores estavam em Santa Monica revisando métricas de usuários ativos diários quando ficou claro que o produto, apesar de ser tecnicamente melhor em algumas dimensões, não conseguia sustentar o crescimento frente ao Instagram. A Meta não ganhou porque tinha um design melhor. Ganhou porque controlava a camada abaixo do design: o grafo social, a distribuição, a audiência já formada. O Snap construiu sobre areia que a Meta já havia cimentado.
Esse episódio importa como diagnóstico organizacional porque ilustra quando as métricas deixam de medir o que se acredita que medem. A retenção de usuários não era o problema do Snap. O acesso à distribuição era o problema. Mas se o painel de controle mede apenas retenção, a equipe diretiva pode chegar tarde à leitura correta.
Em inteligência artificial, o equivalente é ainda mais severo. Uma equipe que constrói um modelo de linguagem pode ter arquitetura melhor, dados melhores, engenheiros melhores. Mas se não tem acesso a GPUs de alto desempenho a preços acessíveis, se depende de contratos com hiperescaladores que podem alterar tarifas ou políticas de acesso sem aviso prévio, então sua vantagem técnica não se traduz em vantagem competitiva. A camada que não controla a neutraliza antes que ela possa se demonstrar.
Isso é exatamente o que os Liberman descrevem ao apontar que os provedores de inteligência artificial retiraram modelos populares apesar da resistência dos usuários, restringiram o acesso a APIs sem aviso, e ajustaram as capacidades dos desenvolvedores sob políticas que nenhum organismo independente pode auditar. Não é uma crítica moral. É uma descrição de como opera a dependência estrutural quando quem concentra a infraestrutura decide mudar as condições.
Por que essa concentração é qualitativamente diferente
Quando a Meta comprou o Instagram em 2012 por um bilhão de dólares, o mercado entendeu que estava se consolidando a camada de distribuição social. Quando a Amazon Web Services escalou até se tornar a principal fonte de lucros da Amazon, o mercado entendeu que a nuvem iria se concentrar em poucas mãos. Em ambos os casos, a concentração foi visível a partir da camada de aplicação. Os usuários, os desenvolvedores e os reguladores podiam vê-la porque a sentiam diretamente.
O que o artigo descreve sobre a inteligência artificial é diferente em um sentido específico: a concentração ocorre em uma camada que a maioria dos participantes do mercado não monitora com rigor. Os modelos são visíveis. Os chatbots são visíveis. Os produtos de IA que os usuários consomem são visíveis. Mas as GPUs, os centros de dados, os contratos de fornecimento de chips de alto desempenho e os acordos de acesso preferencial ao processamento são a infraestrutura por trás do visível, e é aí que está se formando a concentração real.
A analogia que os autores fazem com Bitcoin e Ethereum é interessante a partir de um ângulo diferente do que eles enfatizam. Não é apenas que os protocolos descentralizados construíram uma nova camada abaixo do sistema bancário. É que o fizeram porque a arquitetura financeira existente tinha fricções e pontos de controle que não podiam ser removidos por dentro. A pergunta relevante para a infraestrutura de inteligência artificial não é se o Gonka ou qualquer outro projeto descentralizado pode deslocar a AWS ou a Azure. A pergunta é se a estrutura de incentivos do mercado é suficiente para produzir alternativas viáveis antes que a concentração se torne irreversível.
A evidência histórica em mercados de infraestrutura sugere que essa janela é estreita. Uma vez que os hiperescaladores atingem certos limiares de capacidade instalada, as economias de escala e os custos de mudança fazem com que a estrutura se autoperpetue. Não porque seja ilegal mudar, mas porque o custo operacional de fazê-lo supera o benefício para a maioria dos participantes.
O que isso revela sobre como se desenham — ou não — as apostas de longo prazo
Há uma dimensão do argumento que o artigo não desenvolve completamente, mas que resulta analiticamente fértil: o problema da concentração em processamento não é apenas de política pública ou de poder de mercado. É também um problema de como as organizações distribuem sua atenção entre o que funciona hoje e o que pode ameaçá-las amanhã.
As empresas que construíram dependências profundas com hiperescaladores nos últimos cinco anos fizeram isso sob uma lógica razoável: o custo marginal de escalar na nuvem era inferior ao custo de construir infraestrutura própria, e a velocidade de acesso ao mercado justificava essa dependência. Essa é a lógica de explorar o que funciona. O problema é que essa mesma lógica, aplicada sem contrapeso, produz organizações que chegam ao ponto de bloqueio sem tê-lo antecipado.
O padrão que os Liberman identificam no mercado de processamento é exatamente o mesmo que aparece em organizações que sobre-exploraram seu modelo central e chegaram tarde a perceber que o terreno havia se movido sob seus pés. O Snap, em seu relato, não perdeu porque parou de inovar no produto. Perdeu porque não tinha uma resposta estrutural para a dependência na camada de distribuição. O aprendizado organizacional relevante é que as dependências que não são gerenciadas estrategicamente se tornam, com o tempo, posições de vulnerabilidade que não podem ser negociadas quando o fornecedor decide mudar os termos.
Isso vale para startups de inteligência artificial que hoje operam sobre APIs de modelos de terceiros. Vale para PMEs que estão construindo sua camada de dados sobre a infraestrutura de um único provedor de nuvem. Vale para países que não têm uma política de processamento própria e assumem que a disponibilidade de infraestrutura norte-americana é um dado permanente do ambiente.
Os controles de exportação de chips avançados que o artigo menciona não são um exemplo hipotético de como o processamento pode ser usado como instrumento geopolítico. São evidências de que já está sendo usado dessa forma. Quando uma potência pode decidir quais países têm acesso a certo nível de capacidade computacional, e essa decisão afeta diretamente quais aplicações de inteligência artificial podem ser construídas nesses territórios, a conversa deixou de ser sobre competição de mercado há muito tempo. Dois países estão fixando as condições de acesso para 191. Esse é o design atual do sistema.
A assimetria linguística que os autores apontam adiciona uma camada adicional que habitualmente não aparece nas análises de concentração de mercado. Os modelos de linguagem treinados predominantemente em inglês não apenas favorecem os usuários anglófonos em qualidade de resultados. Os tornam financeiramente mais eficientes: os prompts em outros idiomas consomem mais tokens para produzir o mesmo output, o que se traduz em custos mais altos e limites de contexto mais restritivos para usuários que não operam em inglês. Uma tarifa uniforme não é um preço igual. É uma tarifa que discrimina por idioma com a estrutura técnica como mecanismo.
O processamento como pré-requisito, não como vantagem
Há uma distinção que o artigo estabelece com precisão e que merece ser sublinhada porque muda a natureza da análise estratégica. Nas redes sociais, era possível construir uma plataforma alternativa. O TikTok provou que era possível. O capital social não estava fisicamente concentrado; estava distribuído nos hábitos de atenção dos usuários, e esses hábitos podiam ser redirecionados.
Em inteligência artificial, o processamento não é uma vantagem competitiva. É o piso de participação. Sem acesso a GPUs de alto desempenho não se pode treinar um modelo competitivo. Sem contratos de nuvem não se pode operar inferência em escala. Sem chips avançados, um país inteiro fica fora de certas capacidades. A concentração nessa camada não gera desvantagem competitiva: gera exclusão direta.
Isso faz com que as implicações organizacionais sejam mais urgentes do que em ciclos anteriores. Uma empresa que dependia do Facebook para distribuição podia, com esforço e recursos, tentar construir audiência por outros caminhos. Uma empresa que depende de infraestrutura de processamento concentrada em três atores não tem, hoje, uma alternativa estruturalmente equivalente à qual recorrer se esses atores mudarem as condições.
A promessa de projetos como o Gonka, o protocolo descentralizado que os próprios autores estão construindo, é criar essa alternativa antes que a janela se feche. Não precisam ser melhores que a AWS nas condições da AWS. Precisam ser suficientemente funcionais para que a dependência deixe de ser total. Esse é um limiar mais modesto e mais realista do que ganhar participação de mercado dos hiperescaladores.
O que o mercado ainda não resolveu é se esse limiar pode ser alcançado com velocidade suficiente para que tenha efeito antes que a concentração se consolide em um ponto a partir do qual não gera pressão de mudança. Os ciclos anteriores sugerem que a infraestrutura que chega tarde raramente muda a estrutura do mercado. A que chega antes do momento de fechamento pode fixar as regras do jogo seguinte.
---
O artigo dos Liberman descreve com precisão uma dinâmica estrutural que já está em curso. Mas o problema que apontam não é apenas de mercado nem de regulação: é de design de dependências que a maioria das organizações está construindo hoje sem gerenciar como risco estratégico. Quando o processamento se torna o pré-requisito de existência e esse pré-requisito está nas mãos de três atores que podem mudar seus termos unilateralmente, as empresas que não têm uma política explícita frente a essa dependência não estão delegando uma decisão técnica. Estão cedendo uma posição que depois não se recupera com velocidade.
