O novo petróleo? A corrida para transformar o poder computacional da AI em commodity negociável
A computação AI está prestes a dar um salto que vai muito além dos laboratórios de tecnologia e dos data centers. Uma movimentação recente no mercado financeiro pode mudar completamente a forma como empresas planejam e gerenciam os custos de rodar inteligência artificial, e o paralelo mais próximo para entender o que está acontecendo é, acredite, o mercado de petróleo.
Por décadas, empresas de diferentes setores usaram os mercados futuros para se proteger das oscilações de preço que ameaçam o planejamento financeiro. Companhias aéreas travam o custo do combustível. Agricultores se protegem das variações no preço das colheitas. Fabricantes fazem o mesmo com metais. Agora, uma startup quer trazer essa mesma lógica financeira para o universo da inteligência artificial, e os primeiros sinais indicam que o mercado está prestando atenção.
A Silicon Data, empresa especializada em rastrear preços de GPUs em provedores de cloud e marketplaces especializados, fechou uma parceria com a CME Group — uma das maiores bolsas de derivativos do planeta — para lançar o que pode se tornar os primeiros contratos futuros do mundo atrelados ao poder computacional necessário para treinar e executar modelos de AI. Os contratos ainda aguardam aprovação regulatória, mas o movimento já provocou uma reação em cadeia no setor. 🚀
A proposta é direta e poderosa: permitir que empresas se protejam das flutuações no custo de treinar e executar modelos de inteligência artificial, da mesma forma que uma companhia aérea se protege da alta no preço do querosene de aviação. E o interesse já está surgindo antes mesmo da aprovação regulatória ser concedida. Em poucos dias após o anúncio da parceria entre Silicon Data e CME Group, gestoras como ProShares e Rex Shares já protocolaram propostas de ETFs vinculados a esses contratos, incluindo produtos alavancados e inversos. Esse é um sinal claro de que investidores institucionais já enxergam a computação AI como uma classe de ativo negociável, não apenas como um insumo tecnológico qualquer.
A fundadora e CEO da Silicon Data, Carmen Li, vai além nas suas projeções. Para ela, esse mercado pode eventualmente ser maior do que o mercado futuro de petróleo. 🛢️ Parece ambicioso demais? Talvez. Mas Li argumenta que a demanda por energia ligada à execução de inteligência artificial vai, em algum momento, superar todos os outros usos de energia combinados. Quando você entende a lógica por trás dessa ideia e observa a trajetória de crescimento da AI nos últimos anos, a projeção começa a fazer bastante sentido.
Por que a GPU virou o querosene da inteligência artificial
A analogia usada pela própria Silicon Data é reveladora: empresas de AI dependem de capacidade computacional da mesma forma que companhias aéreas dependem de combustível de aviação. É um recurso essencial, sem substituto imediato, e cujo preço pode variar de maneira significativa dependendo das condições de oferta e demanda.
Nos últimos anos, as GPUs deixaram de ser apenas peças de hardware voltadas para jogos e renderização gráfica. Elas se tornaram o coração da infraestrutura de inteligência artificial, sendo responsáveis pelo processamento massivo que permite treinar e executar os grandes modelos de linguagem que hoje dominam o debate tecnológico global. A maioria das empresas que trabalham com AI não possui suas próprias GPUs de alta performance. Em vez disso, elas alugam acesso por meio de provedores de cloud e de um ecossistema crescente das chamadas neoclouds, plataformas especializadas em oferecer capacidade computacional sob demanda.
Com essa mudança de papel, a GPU passou a ser tratada como um recurso crítico, disputado por startups, big techs, governos e pesquisadores ao redor do mundo, e isso fez com que o seu preço começasse a oscilar de forma significativa, assim como acontece com qualquer outra matéria-prima essencial.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Essa volatilidade no custo de acesso à capacidade computacional cria um problema real para qualquer empresa que depende de AI no seu core business. Uma startup que treina modelos de linguagem, por exemplo, pode ter seu orçamento completamente desequilibrado se o preço do aluguel de GPUs em cloud disparar de um mês para o outro. Não é exagero comparar essa situação com o que acontece com uma companhia aérea quando o preço do querosene sobe inesperadamente: o impacto é direto, imediato e difícil de absorver sem planejamento prévio.
Seoyoung Kim, professora de finanças na Universidade de Santa Clara, resume bem o cenário atual. Segundo ela, estamos num ponto alto de incerteza. Muitas empresas não sabem quanta capacidade computacional vão precisar no próximo ano. Os fornecedores dessa capacidade também não sabem quantas GPUs encomendar e em que volume. E os fabricantes, como a Nvidia, não sabem ao certo quanto devem produzir. É um ciclo de incerteza que afeta toda a cadeia, do silício ao modelo de linguagem rodando em produção.
É exatamente nesse contexto que a ideia dos contratos futuros de computação começa a ganhar forma e relevância prática no mercado financeiro.
O índice de preços que pode ser o novo WTI da tecnologia
A Silicon Data construiu uma série de índices de preços de GPU que rastreiam o custo horário de aluguel de chips específicos em diferentes provedores. A empresa espera que esses benchmarks sirvam como fundação para um mercado futuro, de forma semelhante ao papel que o West Texas Intermediate (WTI) desempenha como referência para os derivativos de energia no mercado de petróleo.
Mas transformar o preço de GPUs em um índice confiável e padronizado não é tarefa simples. Diferente de um barril de petróleo, a computação AI não é uma commodity física padronizada. A própria Silicon Data reconhece que existem mais de 50 configurações diferentes apenas para o chip H100 da Nvidia, com preços que variam dependendo de processadores, memória, redes, taxas de utilização e localização do data center.
Para resolver essa complexidade, a Silicon Data normaliza os preços que chegam à sua plataforma diariamente, convertendo tudo para uma referência base do H100. Segundo Carmen Li, esse é um passo de normalização bastante complexo, que precisa acontecer antes mesmo do cálculo do índice propriamente dito. É uma engenharia de dados sofisticada que precisa funcionar com precisão para que o mercado confie nos números.
E aparentemente a credibilidade já está sendo construída. Os benchmarks da Silicon Data já começaram a aparecer em documentos corporativos de alto perfil. A SpaceX, por exemplo, referenciou os dados de preço de aluguel de GPU da empresa no seu prospecto para abertura de capital. Quando uma empresa do porte da SpaceX usa seus dados em um documento regulatório, isso diz muito sobre a maturidade e a confiabilidade do índice.
Como esse mercado pode funcionar na prática
A estrutura dos contratos futuros de computação AI segue a mesma lógica dos contratos já existentes no mercado financeiro para outras commodities. Como em qualquer mercado futuro, os contratos de computação vão precisar tanto de compradores quanto de vendedores.
De um lado, empresas que se preocupam com a alta nos custos de computação buscariam proteção contra preços mais elevados. Do outro, provedores com grande capacidade instalada poderiam fazer hedge contra o risco de os preços caírem. Esse equilíbrio entre quem quer se proteger e quem aceita o risco é o que dá liquidez e funcionalidade a qualquer mercado futuro.
Uma empresa que sabe que vai precisar de um volume expressivo de capacidade computacional nos próximos seis meses pode travar hoje o preço que vai pagar por isso, eliminando a incerteza e facilitando o planejamento financeiro. Isso não é apenas bom para as empresas individualmente — é bom para o ecossistema como um todo, pois reduz a incerteza e potencialmente favorece um crescimento mais estável e sustentável do setor.
O papel dos especuladores
Nem todo participante desse mercado estaria buscando proteção contra risco. Assim como em outros mercados futuros, os contratos de computação também atrairiam especuladores — traders que não precisam diretamente de capacidade GPU, mas que têm uma visão sobre para onde os preços estão indo.
Defensores desse modelo argumentam que especuladores desempenham um papel importante na construção de liquidez e na melhoria da descoberta de preços. Críticos, por outro lado, alertam que a especulação pode amplificar a volatilidade e desconectar os preços da demanda real.
Carmen Li defende a presença desses agentes no ecossistema. Para ela, o mercado precisa de hedgers naturais, market makers e especuladores. Eles têm opinião e querem expressar essa opinião, o que é perfeitamente legítimo. A executiva, formada com MBA em Harvard, argumenta que traders que acreditam ter insights sobre a dinâmica futura de oferta e demanda devem poder expressar essas visões por meio do mercado, ajudando a estabelecer preços para toda a indústria.
ETFs já na fila
Os ETFs propostos por ProShares e Rex Shares adicionam mais uma camada de interesse a esse cenário. Produtos alavancados e inversos atrelados a contratos de computação AI significam que investidores individuais e institucionais poderão ter exposição a esse mercado sem precisar operar diretamente nos contratos futuros. É uma porta de entrada mais acessível e, ao mesmo tempo, um indicativo de que o setor financeiro já está se movimentando para incorporar a computação AI como um ativo legítimo dentro das carteiras de investimento.
As propostas de ETFs estão condicionadas à aprovação regulatória do mercado futuro em si. Ainda assim, elas sugerem que alguns investidores já enxergam a computação AI como uma classe de ativo potencialmente negociável, e não simplesmente como um insumo de tecnologia. Quando gestoras desse porte protocolam pedidos regulatórios, elas estão apostando que há demanda real por esses produtos, e essa aposta raramente é feita sem uma pesquisa de mercado bastante consistente por trás. 💡
Os desafios da padronização
Para que o mercado futuro funcione de verdade, os participantes precisam ter confiança de que um único benchmark consegue representar com precisão as variações de preço de um recurso que é, por natureza, heterogêneo.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
A professora Seoyoung Kim observa que a padronização sempre foi um desafio para mercados futuros. Contratos futuros de milho, por exemplo, especificam o grau exato de milho que pode ser entregue dentro do contrato. O mercado de computação enfrenta uma tarefa similar: definir com precisão o que compradores e vendedores estão negociando.
Segundo Kim, a CFTC — a Commodity Futures Trading Commission, agência americana que regula mercados de derivativos — vai querer saber exatamente qual é o produto sendo negociado. Especificações dos contratos, procedimentos de liquidação e a construção do benchmark provavelmente passarão por um escrutínio rigoroso antes que o mercado possa ser lançado oficialmente.
Questões como a velocidade de evolução tecnológica, que pode tornar obsoleto um contrato antes do seu vencimento, também são desafios reais que precisarão de soluções criativas. Mas esses obstáculos não são muito diferentes dos que foram enfrentados quando os primeiros contratos de petróleo foram estruturados décadas atrás.
O tamanho da aposta e o que ela representa para o futuro
Quando Carmen Li afirma que o mercado de computação AI pode superar o mercado futuro de petróleo, ela não está fazendo isso de forma leviana. O mercado futuro de petróleo é um dos maiores e mais líquidos do mundo, movimentando trilhões de dólares por ano e servindo como referência para decisões econômicas globais. Para a computação AI alcançar esse patamar, o setor de inteligência artificial precisaria se consolidar como uma infraestrutura tão essencial quanto a energia fóssil.
Olhando para a velocidade de adoção dos últimos três anos, isso parece cada vez menos improvável. A demanda por capacidade computacional cresce de forma exponencial, impulsionada pelo aumento no tamanho dos modelos, pela proliferação de aplicações AI em diferentes indústrias e pela corrida entre países por soberania tecnológica. Li sustenta sua projeção com o argumento de que a demanda por energia ligada à execução de inteligência artificial vai, em algum momento, superar todos os outros usos de energia combinados.
Do ponto de vista do mercado financeiro, a criação de um mercado futuro robusto para computação AI representaria uma mudança estrutural importante. Atualmente, quem precisa de GPUs em larga escala está à mercê das condições de mercado spot, ou seja, paga o que o mercado está cobrando no momento da contratação, sem muita capacidade de planejamento de longo prazo. A existência de contratos futuros mudaria essa dinâmica radicalmente, permitindo que empresas de AI façam uma gestão de custos muito mais sofisticada e previsível.
O que essa movimentação deixa claro é que a computação AI já cruzou uma fronteira importante: ela deixou de ser apenas uma tecnologia disruptiva para se tornar um ativo estratégico com valor econômico mensurável e negociável. Ainda há um caminho regulatório a ser percorrido, e os detalhes técnicos dos contratos precisarão ser refinados. Mas o fato de que essa conversa já está acontecendo em alto nível, com players estabelecidos como a CME Group e gestoras de peso envolvidas, sugere que o caminho, embora não seja curto, está sendo pavimentado com seriedade. A pergunta deixou de ser se a computação AI vai se tornar uma commodity negociável e passou a ser quando. 🤖
