Que tal voltarmos ao ponto de partida desta grande queda e vermos o que realmente aconteceu? Foi um estouro de bolha ou pânico excessivo? Foi uma correção ou o fim?

Em 1º de julho, uma manchete noticiou que a Meta poderia vender seu poder computacional excedente de IA, criando um modelo de negócios semelhante ao NeoCloud. O mercado interpretou isso como o primeiro sinal real de "excesso de oferta de poder computacional". Somado às preocupações anteriores sobre a alta proporção de memória no CapEx total, uma queda sistêmica começou.
1️⃣ A META perdeu na corrida da IA
Isso já deveria ser um fato público. Além da defasagem do modelo, os grandes investimentos em IA também consomem ainda mais o fluxo de caixa da Meta. Se nada for alterado, o fluxo de caixa livre da Meta permanecerá negativo nos próximos anos.
Atualmente, a taxa de utilização do poder computacional H100/H200 na infraestrutura interna atual da Meta é de cerca de 65%, e os 35% restantes de capacidade ociosa oferecem à Meta, que precisa de dinheiro, uma maneira de monetizar.
Não é uma quantia pequena.
2️⃣ Hierarquia do poder computacional
A Meta aluga principalmente clusters de GPU da geração H100/H200, enquanto a mais nova geração "GB300, poder computacional de treinamento de ponta" é usada principalmente internamente.
A Meta atualmente planeja dois modelos para alugar poder computacional:
1) Alugar compute bruto, permitindo que os clientes treinem / façam inferência nos Datacenters da Meta (semelhante à CoreWeave);
2) Abrir acesso a modelos de IA hospedados na infraestrutura da Meta.
A demanda por placas de inferência vs. placas de treinamento se dividirá: placas antigas para inferência, placas novas dominando o treinamento é a linha principal.
O poder computacional de treinamento de ponta ainda é escasso. O prazo de entrega para poder computacional de treinamento de alto nível ainda é de 6 a 9 meses ou mais.
3️⃣ A demanda por IA desacelerou?
A SemiAnalysis forneceu números específicos: apenas no primeiro semestre de 2026, a Meta já contratou mais de 5 GW de capacidade de datacenter, incluindo locação em nuvem e salas de hospedagem, sem contar todo o progresso dos projetos próprios.
Não foi mencionado que 35% do poder computacional está ocioso? Então por que continuar comprando novo poder computacional?
O desenvolvimento de grandes modelos pelo Meta Superintelligence Lab (MSL) é listado como a direção principal do uso de poder computacional, apoiando a iteração de treinamento da próxima geração da série Llama e modelos multimodais, tentando alcançar a OpenAI / Anthropic.
Sistema de recomendação de anúncios (RecSys): espaço para expansão de 10x.
A SemiAnalysis acredita que a Meta está confiante de que pode expandir a complexidade do sistema de recomendação de anúncios em mais de 10 vezes, acelerando o crescimento da receita. Isso requer investimento simultâneo em poder computacional de inferência e treinamento. Modelos RecSys maiores e mais caros já estão impulsionando os anunciantes a pagar preços mais altos, mantendo um forte retorno sobre os anúncios.
Acima de tudo, ainda detenho a posição com dor, mas mantenho o otimismo.