NVIDIA Captura 79% do Lucro de IA. Aplicações, 7%. A Cadeia Não Vai Se Corrigir.

Em uma cadeia de valor saudável, o lucro se distribui de forma proporcional ao valor criado. A empresa que constrói o produto final para o usuário captura a maior fatia. Quem fornece matéria-prima captura menos. Economia básica.

A cadeia de valor da IA não funciona assim.

Dois anos após a explosão da IA generativa, Apoorv Agrawal, da Altimeter Capital, publicou uma análise atualizada de para onde o dinheiro realmente vai. O mercado total cresceu de US$ 90 bilhões para US$ 435 bilhões. Quase cinco vezes maior. E a inversão estrutural visível em 2024 não se corrigiu. Ela se calcificou.

Os números

A economia de IA agora tem três camadas. A distribuição de lucro entre elas não se parece com nada que se esperaria de um mercado maduro.

Semicondutores: aproximadamente US$ 300 bilhões em receita, margem bruta de 73%, capturando 79% de todo o lucro bruto de IA. Na prática, essa camada é uma empresa. Só o negócio de data center da NVIDIA gira em torno de US$ 250 bilhões anualizados (US$ 62 bilhões por trimestre). Em dois anos, a NVIDIA adicionou US$ 175 bilhões em receita. Esse incremento isolado é três vezes toda a camada de aplicações.

Infraestrutura: aproximadamente US$ 75 bilhões em receita, margem bruta de 55%, 14% do lucro bruto. É a camada dos hyperscalers. Amazon, Microsoft, Google e Oracle competem agressivamente aqui. O capex combinado em IA atingiu US$ 443 bilhões em 2025 (alta de 73% ano contra ano, segundo a Epoch AI) e a projeção para 2026 é de US$ 450 bilhões de um capex total de US$ 600 bilhões.

Aplicações: aproximadamente US$ 60 bilhões em receita, margem bruta de 33%, 7% do lucro bruto. É aqui que os produtos vivem. Os chatbots, os assistentes de código, as ferramentas corporativas. E essa camada é, ela própria, um duopólio: OpenAI e Anthropic controlam cerca de US$ 45 bilhões dos US$ 60 bilhões. Aproximadamente 75%.

Releia esses números. A camada mais próxima do usuário final, a que constrói os produtos que justificam todo o investimento, captura sete centavos de cada dólar de lucro.

Por que isso importa para governança

Quando analisamos a estrutura econômica da IA há um mês, a proporção de 10:1 entre gasto e receita era a manchete. Essa proporção permanece, mas os dados da Altimeter revelam algo mais estrutural. O problema não é apenas que o gasto supera a receita. O problema é onde o lucro se concentra.

Uma cadeia de valor onde uma empresa captura 79% do lucro não é um mercado. É uma dependência.

Toda estratégia corporativa de IA depende de computação. Essa computação depende de GPUs da NVIDIA. A margem bruta de 73% da NVIDIA em hardware de IA diz exatamente quanto poder de precificação ela tem e quão pouca alavancagem seus clientes possuem. Jensen Huang chamou ASICs customizados de “não competitivos” e observou que “muitos ASICs são cancelados.” Ele pode se dar a esse luxo quando detém 79% do pool de lucro.

A Amazon tenta mudar isso. Seus chips Trainium2 têm um run rate acima de US$ 10 bilhões, com 1,4 milhão de chips implantados. O Google encomendou até 1 milhão de chips TPU (muitos para cargas de trabalho da Anthropic). São esforços sérios. Mas, como Andy Jassy colocou com franqueza notável: “Na velocidade que estamos adicionando capacidade agora, estamos monetizando.” Os hyperscalers constroem alternativas à NVIDIA enquanto compram simultaneamente tudo que a NVIDIA consegue produzir.

Isso não é um mercado se corrigindo. É um mercado aprofundando sua dependência enquanto fala em reduzi-la.

Risco de concentração é risco de governança

A maioria dos frameworks de governança corporativa trata risco de fornecedor como problema de procurement. Avaliar o fornecedor, negociar o contrato, monitorar o SLA. Prática padrão.

Mas a cadeia de valor da IA introduz um tipo diferente de risco de fornecedor. Seu fornecedor direto (digamos, Microsoft Azure ou AWS) é ele próprio dependente de um único fornecedor que captura quase quatro quintos do lucro de toda a cadeia. Seu framework de governança avalia seu fornecedor. Raramente avalia o fornecedor do seu fornecedor. E quase nunca pergunta: o que acontece se a empresa que captura 79% do lucro decidir mudar preços, alocação ou condições?

Isso não é teoria. As alocações da NVIDIA já determinam quais provedores de nuvem podem oferecer qual capacidade, e quando. Uma empresa que não modelou essa dependência em sua governança de IA opera com um ponto cego do tamanho de US$ 300 bilhões.

Três perguntas específicas de governança decorrem desses dados:

Exposição a fornecedor único na camada de infraestrutura. Se suas cargas de trabalho de IA rodam em um provedor de nuvem, e esse provedor depende da NVIDIA para mais de 80% de sua computação de IA, sua “estratégia multi-cloud” é cosmética. Governança deveria modelar a cadeia de suprimentos real, não a superfície contratual.

Concentração na camada de aplicações. OpenAI e Anthropic controlando 75% da camada de aplicações significa que a maioria das empresas construindo sobre modelos de fundação está construindo sobre um duopólio. A análise de Agrawal aponta que, no ritmo atual, a camada de aplicações precisaria de mais de dez anos para atingir a mesma participação de receita que a computação em nuvem alcançou. A dinâmica competitiva que reduz preços e melhora condições depende de mais de dois players atingindo escala.

Descompasso capex-receita como risco sistêmico. Hyperscalers gastando US$ 443 bilhões enquanto aplicações de IA geram US$ 60 bilhões em receita cria uma fragilidade estrutural. Se a receita não se materializar em prazo razoável, os investimentos em capacidade precisarão ser racionalizados. Seu framework de governança deveria incluir planejamento de cenários para o que acontece quando seu provedor de nuvem começa a tomar decisões de alocação diferentes sob pressão de margem.

A única camada competitiva

Eis a ironia estrutural. Das três camadas, infraestrutura é a única com competição genuína. Semicondutores são um jogo de um jogador. Aplicações são um jogo de dois. Infraestrutura, com Amazon, Microsoft, Google, Oracle e um conjunto crescente de provedores especializados, é a única camada onde dinâmicas de mercado produzem o tipo de competição que beneficia compradores.

Isso significa que a governança corporativa deveria dar mais peso às decisões de infraestrutura do que a maioria das organizações faz atualmente. Não porque infraestrutura seja o maior custo (para a maioria das empresas, não é), mas porque é a única camada onde suas escolhas de procurement criam alavancagem real. Você não consegue negociar de forma significativa com a NVIDIA. Tem pouca alavancagem contra o duopólio OpenAI/Anthropic. Mas pode criar pressão competitiva real entre provedores de nuvem, e deveria estruturar sua governança para fazer exatamente isso.

O que os dados indicam

Dois anos de dados confirmaram três coisas.

Primeiro, a inversão da cadeia de valor não é uma fase. É uma estrutura. A participação de lucro da NVIDIA caiu de 87% para 79%, mas essa queda veio do crescimento da camada de infraestrutura, não de as aplicações alcançarem. A fatia de 7% da camada de aplicações é uma condição estrutural, não um ponto de partida.

Segundo, a resposta dos hyperscalers (silício customizado) é real, porém insuficiente. O run rate de US$ 10 bilhões do Trainium da Amazon é significativo. Também é 4% da receita de data center de IA da NVIDIA. A implantação de TPU do Google é séria. Também atende primariamente um cliente (Anthropic). Chips customizados estão estreitando a dependência; não estão eliminando-a.

Terceiro, a consolidação da camada de aplicações está acelerando, não dispersando. Duas empresas controlando 75% de um mercado de US$ 60 bilhões significa que os 25% restantes se dividem entre centenas de startups e incumbentes. O padrão esperado de um mercado em amadurecimento (onde competição empurra a participação de lucro para equilíbrio) não está ocorrendo. Os líderes estão se distanciando.

Para governança corporativa de IA, isso significa que a suposição padrão de que “o mercado vai se ajustar sozinho” não encontra suporte nos dados. Dois anos depois, o mercado está se organizando em um monopólio, um duopólio e um meio competitivo que subsidia ambos.

A resposta de governança

Se você está construindo uma estratégia corporativa de IA com a premissa de que terá escolha significativa de fornecedores em dezoito meses, os dados não sustentam essa premissa. Frameworks de governança precisam contabilizar concentração estrutural, não apenas risco individual de fornecedor.

Passos práticos:

Mapeie sua cadeia de suprimentos real, incluindo as dependências dos seus fornecedores, não apenas seus contratos diretos. Se três das suas iniciativas de IA dependem do GPT-4 rodando no Azure com H100s da NVIDIA, você tem um único ponto de falha com três rótulos.

Construa opcionalidade na sua arquitetura agora, enquanto os custos de troca ainda são baixos. A camada de aplicações é jovem o suficiente para que migrar entre modelos de fundação seja viável. Em dois anos, o acúmulo de fine-tuning, ferramental customizado e integração de workflows vai tornar isso muito mais difícil.

Modele cenários de concentração no seu framework de risco. O que acontece se a NVIDIA aumentar preços em 20%? O que acontece se a precificação da OpenAI mudar após a próxima rodada de captação? O que acontece se seu provedor de nuvem priorizar seus próprios produtos de IA sobre cargas de trabalho de terceiros? Esses não são casos extremos. São o comportamento natural de mercados concentrados.

Governe a economia, não apenas a tecnologia. A maioria dos frameworks de governança de IA foca em risco de modelo, privacidade de dados e conformidade. Isso importa. Mas a estrutura econômica da cadeia de valor é uma preocupação de governança de peso igual. Uma tecnologia que funciona perfeitamente mas custa três vezes sua projeção por causa de concentração na cadeia de suprimentos ainda é uma falha de governança.

A cadeia de valor da IA não vai se autocorrigir para equilíbrio competitivo. Dois anos de dados confirmam isso. A questão é se sua governança contabiliza o mercado como ele realmente é, ou o mercado como você espera que ele se torne.

Fontes

Apoorv Agrawal. “The Economics of Generative AI: Two Years Later.” Abril 2026.

A Victorino ajuda organizações a navegar riscos de concentração de fornecedores de IA e construir governança para estratégias multi-provedor: contato@victorino.com.br | www.victorino.com.br