Stephen Messer sobre IA, dados proprietários e modelos fundacionais econômicos

Se os modelos de código aberto estão tão próximos, o que esses laboratórios de ponta dos EUA estão fazendo de errado? Acho que são duas coisas. Acho que há, primeiro, a crença de marketing de que esse é o caminho para a AGI, apesar de nem todo mundo da área acreditar nisso. LLMs ou agentes: qual está mais superestimado agora? LLM. Quer dizer, você não pode falar de agentes sem LLMs, e o volume de capital que está indo para esses fornecedores faz disso uma vitória fácil, sem dúvida. Se um CEO da nossa audiência tem um único orçamento de IA para investir este ano, onde cada dólar traz o maior retorno?

Essa é uma pergunta difícil. Se eu fosse CEO, a única coisa que eu... Bem-vindo a mais um episódio do 51 Insights, hoje com Steven Messer. Steven, bem-vindo ao programa. Muito obrigado pelo convite. É empolgante estar aqui. É ótimo ter você aqui de novo, Steven. Da última vez que você se sentou nessa cadeira, você nos disse que os grandes modelos de linguagem acabariam como os navegadores: gratuitos em toda parte e sem valor como barreira competitiva. Foi exatamente o que aconteceu. Você inventou o marketing de afiliados, vendeu a LinkShare por quatrocentos e vinte e cinco milhões. Você é empreendedor da internet há mais de trinta anos.

Desde dois mil e oito, você cofundou e lidera a Collectivei, uma das primeiras empresas de IA. Steven, é ótimo ter você de volta, e hoje vamos falar de tudo sobre IA. Estou muito animado por estar aqui, e sinto como se estivesse num programa de proteção a testemunhas, porque, quando eu disse aquilo, muitos investidores tinham colocado dinheiro nos modelos de ponta, e eu tive que me esconder. Depois publiquei um artigo no meu blog, reloadnyc.com, que chamei de Peak Token, e acho que agora preciso evitar ligar meu próprio carro pela manhã e atravessar a rua sozinho.

Vamos falar disso primeiro. Você previu a comoditização dos LLMs dezoito meses atrás. Pode explicar isso para nós? O que você quis dizer, e aconteceu como você esperava? Modelos de linguagem, por natureza, são commodities, certo? Os dados de treinamento que eles usam para treinar a rede neural estão disponíveis publicamente. E o que você viu foi uma redução real da distância entre as capacidades de ponta, os modelos mais recentes e badalados, e todos os outros, certo? Se você pensar bem, duas semanas atrás, três semanas atrás, era Mythos: meu Deus, vai dominar o mundo, é tão avançado.

E, no decorrer da última semana e meia, tivemos modelos de código aberto tão próximos que a diferença é imperceptível. Vindos da China, do Japão, de todos esses outros lugares, porque muitos deles usam uma técnica chamada destilação e não precisam necessariamente fazer o trabalho pesado para chegar ao mesmo resultado. E essa é uma situação muito difícil. Se a sua vantagem e o preço adicional que você pede que as pessoas paguem por um modelo de linguagem desaparecem em duas semanas, mas você levou um ano para desenvolvê-lo, isso não é sinal de uma barreira competitiva defensável.

E acho que é isso que estamos vendo: todos os benchmarks, em toda parte, nos dizem que esses modelos de código aberto estão tão próximos que essa não é a área em que, sabe, o valor real acabará sendo criado. Se os modelos de código aberto estão tão próximos, o que esses laboratórios de ponta dos EUA estão fazendo de errado? Por que estão gastando bilhões de dólares dos investidores para construir esses modelos se modelos que podem ser criados por uma fração desse dinheiro conseguem competir com eles? Acho que são duas coisas. Acho que há, primeiro, a crença de marketing de que esse é o caminho para a AGI, apesar de nem todo mundo da área acreditar nisso.

Existe essa crença de marketing de que é assim que chegamos à superinteligência, e, para quem chegar à superinteligência, não importa se a vantagem é de uma semana. Se você tiver uma semana, a superinteligência então se expandiria tão rapidamente, avançaria tão depressa que essa semana se transformaria em anos, e não haveria como alcançar. É por isso que você ouve constantemente os participantes do mercado de modelos de ponta falando sobre quanto do código é escrito pela própria IA, e sobre essa ideia de uma organização recursiva em crescimento. E há uma parte disso que é um tanto verdadeira nesse sentido: ainda não atingimos um limite nas leis de escala nem na experiência dos modelos.

Portanto, o argumento deles ainda se sustenta. E acho que é aí que as pessoas estão argumentando que existe o valor subjacente. Há outras pessoas olhando para modelos de mundo. Yann LeCun, Fei-Fei Li estão olhando para isso pela perspectiva da robótica. Acho que, na Collectivei, estamos olhando para dados proprietários voltados à compreensão das transações econômicas. Cada um está seguindo um caminho diferente, dizendo: “Certo, o que nos levará a esse maravilhoso país das maravilhas?” Acho que a outra coisa inesperada foi isso: a capacidade das GPUs de executar um modelo de ponta em escala.

Isso não é barato, certo? Vimos essa expansão frenética dos data centers, e o argumento era que, em muitos aspectos, a única maneira de chegar a esses modelos em escala, tão bons, é ter uma capacidade computacional enorme e depois uma capacidade de inferência enorme. Isso era o Chili Pepper, que era o novo chip da OpenAI, e todos esses outros participantes que aparecem defendendo isso. E então veio esse anúncio dessa pequena empresa chamada Nvidia com outra pequena empresa chamada Microsoft sobre uma abordagem completamente nova para os computadores, como eles funcionarão e onde você pode... que tipo de modelo local você pode executar.

E, de repente, você se faz a pergunta de novo: precisamos desses data centers enormes se posso executar boa parte disso nos novos notebooks que estão chegando, que serão muito mais eficientes para modelos que usam processamento semelhante ao de GPUs? É aqui que se trava a disputa, e as pessoas estão jogando um jogo de tudo ou nada. Você está dizendo que construir modelos de ponta vai ser essencialmente um problema de software, e não mais de hardware? Acho que esse é o argumento que... Bem, vamos apresentar os dois argumentos.

Se você é uma empresa de modelos de ponta, seu argumento é que... Ainda não chegamos ao fim das leis de escala, então ainda não sabemos o que vai acontecer. Por exemplo, não sabemos como os humanos adquiriram consciência e decidiram agir por conta própria. Em teoria, talvez, se tornarmos os modelos grandes o suficiente, a máquina tenha sua própria consciência e alcance a superinteligência, mas isso vai exigir um poder computacional enorme. E, se você chegar primeiro à superinteligência, bem, sim, isso será algo recursivo, que vai continuar até ficar cada vez melhor, e esse é um jogo em que vale a pena investir, porque, se você fizer isso, será essencialmente a inteligência do planeta.

E isso tem um valor realmente enorme. Esse é o argumento dos data centers gigantes, da computação gigantesca, dos dados de treinamento gigantescos, tudo gigantesco, gigantesco, gigantesco, gigantesco, e essa será a barreira. Há um contra-argumento. O contra-argumento dos participantes de código aberto é, primeiro: consegui criar modelos concorrentes por uma fração do custo. Esse foi o momento DeepSeek, um ano atrás, quando, de repente, todos olharam e disseram: “Meu Deus, esse modelo é tão bom. Foi feito com uma equipe pequena e por uma fração do custo.” Depois você olha e começa a ver os hardwares mais novos que estão chegando de empresas como Microsoft, o que eventualmente afetará Apple e outros participantes, e eles conseguem executar localmente esses modelos com uma quantidade extremamente alta de parâmetros.

E então surge o argumento: estamos começando a ver uma divisão do mercado em que a maioria das suas tarefas será executada localmente nas suas próprias máquinas? Esse é o argumento de OpenClaw e Hermes, de que vou executar minha própria estrutura de execução e manter meus dados comigo. Mas, se eu tiver um problema muito grande, tudo bem, pagarei pelos tokens dos modelos de ponta para algo que meu modelo local não consegue executar, algo que parece estar ficando cada vez menor, para o qual eu precisarei daquele nível de Mythos, ou do próximo modelo que vier, e pagarei um preço adicional por isso.

Mas noventa por cento do que faço, farei na minha máquina local. Só que isso implode a estrutura econômica dos grandes participantes. O debate que está acontecendo agora é qual desses cenários vai prevalecer: os modelos locais conseguem fazer o suficiente? Isso esvaziará o modelo de negócio. Essa é a minha ideia de pico dos tokens: quanto você consegue cobrar por aquela pequena melhoria incremental? E, sabe, em certas áreas, talvez você possa cobrar muito se ele fizer algo como encontrar todas as falhas na sua segurança. Certo, esse é um preço adicional que você está disposto a pagar, porque a segurança é muito valiosa para você.

Mas estamos chegando a um ponto em que isso fica cada vez menor? É por isso que você os vê focando em biologia, sabe, a movimentação mais recente da DeepMind para OpenAI, Anthropic. Você está vendo essas disputas para tentar encontrar nichos cada vez mais estreitos de onde extrair o valor desse pico dos tokens. Minha pergunta é: isso consegue cobrir o custo de todo o resto? Bem, falando no custo de um token, o CEO da Palantir, Alex Karp, esteve ontem na CNBC e basicamente falou sobre o modelo de tokens da indústria de IA. Ele disse que é uma loucura e que as empresas estão furiosas com os laboratórios de ponta por maximizar o consumo de tokens.

Você acha que essas grandes empresas perceberam que estão gastando demais com tokens e que a melhor solução talvez seja construir seus próprios clusters internos de computação de IA? Olha, estamos bem no início da compreensão das pessoas sobre como esses sistemas funcionam. Digo isso porque tivemos um anúncio, um mês atrás, sobre essencialmente engenheiros alocados diretamente nos clientes e a construção de uma alternativa às Accentures e às McKinseys, e muitas empresas estavam ansiosas para se envolver nisso, desde private equity em diante. Mas isso mostra que elas não entendem que o que estão fazendo é basicamente trazer um grupo de engenheiros que tenta criar barreiras à saída.

Por exemplo, se eu construir todos os meus agentes usando Claude Code e, de repente, surgir uma alternativa mais barata, tenho que reconstruir todos esses agentes. Se eu usasse um OpenClaw ou alguma outra estrutura de execução, poderia simplesmente trocar o modelo subjacente e nunca precisaria mudar nada. Mas um engenheiro alocado no cliente vindo da OpenAI ou da Anthropic não terá incentivo para construir essas camadas de abstração que qualquer outra pessoa no mundo que entendesse os custos dos tokens diria que deveriam ser a base central. Você com certeza deveria construir essas abstrações. Veja, por exemplo, Open Router ou Neuromorphic, duas ótimas empresas que basicamente dizem: “Vou construir uma camada de abstração separada dos modelos subjacentes, e vamos otimizar seus custos com base no modelo de que você precisa.” Essas são áreas em que você começa a pensar nos tokens e em como extrair eficiência deles.

E acho que Alex realmente destacou duas coisas. Uma é que eles sabem disso. OpenAI e Claude sabem que isso representa um risco de comoditização, por isso criaram essa engenharia alocada nos clientes. E ele colocou isso de uma maneira muito mais clara: se eles achassem que tinham algo tão valioso, diriam que querem trinta por cento do valor dessa coisa. O problema é que isso está tão comoditizado que, se a OpenAI disser “Quero trinta por cento”, vou simplesmente recorrer a um modelo alternativo e conseguir de graça, o que significa que eles não têm realmente poder de precificação.

E isso diz muito sobre onde esses modelos estão. Veja a Collectivei, por exemplo. Temos dados proprietários que treinam nosso modelo. Não somos um modelo de linguagem. Nosso foco é prever resultados econômicos. E, no nosso caso, não existe um segundo colocado. Não há modelo alternativo, porque são dados proprietários. Tivemos que obtê-los por meio da contribuição de todos os nossos clientes, e fizemos isso em troca de melhorar o desempenho deles. Mas poderíamos chegar e dizer: “Certo, se você quer fazer envio antecipado, este é o custo desse modelo”, porque não existe um segundo colocado. Não menciono isso para dizer: uau, a Collectivei é uma ótima empresa.

Nós somos. Mas isso mostra a diferença entre os modelos treinados com dados comoditizados e os modelos treinados com dados proprietários, e a distância que você começa a ver surgir entre onde as pessoas investiram seu dinheiro e onde o valor está sendo criado. E, falando da Collectivei, você mencionou logo no início modelos fundacionais econômicos. Também mencionou modelos de mundo. O que estávamos discutindo agora são LLMs. Podemos dar um passo atrás e explicar isso para a audiência? O que são esses diferentes modelos? Como eles se comparam? Para a sua audiência, todo mundo disse que a AGI, essa incrível inteligência artificial geral, fará tudo.

Não é aí que estamos hoje. O que temos é o que se chama de inteligência restrita. Temos especialização. Portanto, cada modelo só fica bom em uma área restrita para a qual foi treinado. Palavras e imagens podem dar a você a ilusão de que essas coisas são melhores em certas tarefas. Vou dar um exemplo. Muitas pessoas estão dizendo, por exemplo, que usam um LLM para prever o mercado de ações. Qualquer pessoa que conhece esses modelos tem um ataque cardíaco ao ouvir isso, porque um LLM não tem conceito de tempo. Mercados de ações são problemas de séries temporais.

Isso é uma loucura para nós. Quando ouvimos isso, pensamos: você está usando um modelo que estudou grupos de discussão no Reddit e o está usando para analisar o valor de negociação de uma ação; tudo o que ele faz é repetir palavras que parecem fazer sentido, mas sem ter realizado nenhuma análise. Para nós, isso é uma loucura, mas está sendo apresentado a você como: “Isso vai fazer você ganhar muito dinheiro.” Na verdade, o que você recebe de volta é um reflexo do que todos estão comentando no Reddit. Isso é meio assustador se você acha que ele realmente fez alguma análise fundamentalista do seu negócio.

Não é isso que ele está fazendo. O que você verá é que todos esses outros modelos estão surgindo para resolver diferentes problemas de negócios. Há um modelo de biologia, AlphaFold. Um modelo de linguagem vai conversar com você sobre dobramento de proteínas. Ele vai alucinar como uma proteína se dobrará. Você acabará com um medicamento que vai matar você. AlphaFold é um modelo projetado para prever como as proteínas se dobram, permitindo criar medicamentos. Um modelo muito diferente, treinado com dados muito diferentes, com capacidades muito diferentes, e ele faz isso muito bem. Mas, se eu pedir a um modelo AlphaFold, aquilo que rendeu a Demis o Prêmio Nobel, para prever a melhor palavra seguinte, ele não fará isso tão bem.

E é isso que você vê acontecendo: cada um desses é um modelo diferente. Nós, por exemplo, estamos prevendo resultados econômicos. O que isso significa? Vou dar um exemplo simples. Se você já teve vendedores tentando prever quais negociações são reais, isso é um resultado econômico. Se você é uma empresa de private equity e está querendo comprar uma empresa, está conversando com várias delas e tentando descobrir qual tem interesse real, qual realmente vai fechar um negócio com você. Porque muitas empresas de private equity compram empresas familiares, e talvez elas queiram vender o negócio, mas então a família entra em conflito.

Essas são iniciativas caras. Se você está tentando descobrir quais têm chance de acontecer, precisa de informações sobre como elas tomam decisões, não em um nível geral, mas sobre como esse grupo de pessoas toma decisões. É aí que você precisa de um modelo. E você pode continuar. Yann LeCun, por exemplo, e Fei-Fei estão focados em um modelo de mundo. Trata-se de como os robôs aprendem a se orientar no mundo em que estão. E, para isso, você precisa descobrir como... Quando você e eu entramos em uma sala, usamos os olhos para identificar onde as coisas estão, e nós, como humanos, conseguimos descobrir muito rapidamente como nos movimentar pela sala.

As máquinas não conseguem. Então elas estão aprendendo a lidar com diferentes situações, seja na manufatura, seja para entregar seu pedido de restaurante. São coisas para as quais agora estão tentando construir modelos, para facilitar o aprendizado das máquinas. Steven, você fundou a Collectivei em dois mil e oito. Naquela época, ninguém falava de IA. Como você construiu essa empresa e quando percebeu que precisava focar em modelos fundacionais econômicos? Da nossa perspectiva, sabíamos que as redes neurais seriam algo grande.

Tínhamos muitos amigos no setor. Eu trabalhava em uma área da IA chamada sistemas especialistas. Ninguém precisa conhecer essas coisas. Era algo antigo. E sabíamos que estava voltando. Acho que olhamos e dissemos: “Isso é bastante incrível. Ainda não está totalmente pronto.” E simplesmente começamos a experimentar. Por muito tempo, continuamos explorando essa tecnologia com um pequeno grupo de pessoas, e percebemos que, se você a treina com algo que é uma commodity, ela se torna uma commodity. E nos perguntamos: “Como competimos com Google, Microsoft, Oracle, algumas dessas empresas enormes, Meta?” Simplesmente não achávamos que esse era o lugar certo.

Nós nos perguntamos: “Onde um modelo seria altamente valioso?” E, se você pensar bem, quando analisamos isso, dissemos: “Certo, cem anos atrás, Adam Smith falou sobre a mão invisível. Por que ainda estamos tomando decisões com base nessa mão invisível quando tudo no mundo tem um sensor? Não podemos tomar decisões melhores? Não podemos evitar catástrofes econômicas, como recessões, se todos tiverem uma compreensão melhor do que está acontecendo? Como sabemos que podemos evitar decisões econômicas ruins que afetam todos os funcionários das nossas empresas?” E isso se tornou a base do nosso foco.

E acabou que estávamos certos. Você realmente pode fazer tudo isso. E, só para voltar ao que Alex Karp disse ontem na CNBC. Ele também disse, falando sobre dados proprietários: ouvindo você, me parece que tudo se resume mesmo a ter dados proprietários. E uma das coisas que essas grandes corporações também estão dizendo é: “Por que deveríamos pagar milhões de dólares por esses modelos e, ao mesmo tempo, também treiná-los com nossos dados proprietários e basicamente perder nossa vantagem competitiva?” Ele está certo. Vou acrescentar uma coisa que Alex não está dizendo: você pode ter dados proprietários que ainda assim não são valiosos, e acho que isso é o que se perde o tempo todo.

Por exemplo, muitas empresas da área médica dizem: “Somos os únicos com esses dados.” Sim, mas é biologia. Posso usar dados sintéticos a partir de um conjunto pequeno de amostras e treinar um modelo assim. Isso é valioso? Não tanto quanto elas pensam. E o desafio de muitas organizações realmente grandes é que elas acreditam que, por serem grandes economicamente, têm muitos dados. O problema é que a maioria dos seus dados ainda é drasticamente insuficiente. Nenhuma empresa sozinha tem dados suficientes. Acho que escolhemos economia porque o que estamos estudando é uma externalidade.

E o que quero dizer com isso é: vamos supor que eu seja a maior empresa do mundo. Sou uma Fortune One. Sou o maior participante do mercado. Se ela estiver estudando seu próprio processo, algo interno, pode dizer: “Tenho a maior quantidade de dados sobre como fabricar um carro.” Sabe, sou Ford, sou Toyota. Tenho isso. Certo, tudo bem. Talvez você tenha, e não vou discutir isso agora. Mas, se você está estudando uma externalidade, não tem nada, certo? Se a Toyota está tentando descobrir como fazer um carro de que mais clientes gostem, ela não tem dados suficientes.

Ela só tem os dados dos seus clientes. A Toyota, por maior que seja, ainda representa uma pequena porcentagem do mercado total e, como você viu com os chineses, isso não os impediu de conquistar uma enorme participação de mercado. Então, o que acaba acontecendo é que, se você é JPMorgan Chase e pensa “Tenho mais dados de negociação”, vai acabar, porque todos os outros vão reunir seus dados. Eles vão obter uma percepção a partir de uma base mais ampla. É por isso, por exemplo, que profissionais de marketing usam Google. Não é que eles não tenham muitos dados.

Se eu sou P&G, tenho muitos dados sobre meus compradores que compram sabonete Ivory ou qualquer coisa que a P&G venda. Só não tenho dados suficientes para tomar uma boa decisão. Muitas pessoas confundem ter dados com ter insights, e vou dar uma ótima analogia para a sua audiência. Existem muitos poços de petróleo por aí. Saudi Arabia tem muitos deles. Os EUA têm muitos. Onde todo o valor tende a se concentrar? Nas pessoas que refinam o petróleo. Seu petróleo é uma porcaria, certo? Quando você olha para o petróleo que veio da Venezuela, é um petróleo pesado.

Ele tem muitos problemas. Precisa ir para uma das duas refinarias do mundo que conseguem processar petróleo pesado e convertê-lo em gasolina, combustível de aviação ou o que você quiser. Se você não consegue acessar essas duas refinarias, não tem nada. E foi isso que a Standard Oil aprendeu há muito tempo. Quem controlava as ferrovias e quem controlava as refinarias era quem acumulava todo o valor. As empresas têm dados brutos. Têm poços de petróleo, mas não têm refinarias. Você precisa de refinarias enormes para transformar isso em valor. Acho que é isso que muitas delas não percebem.

Alex dá uma parte da resposta, porque o objetivo dele é vender ferramentas que permitam que você use mais os seus dados. Ele não é uma empresa de IA no verdadeiro sentido de criar modelos. Basicamente, ele pega esses modelos e os usa com os seus próprios dados. E Alex, eu adoro Alex. Ele é fantástico. É muito inteligente. Mas com certeza também está defendendo seus próprios interesses comerciais. Espero que a analogia que dei ofereça à sua audiência uma forma de entender onde o valor realmente se concentra. Você está dizendo que as empresas precisam de refinarias, e é exatamente aí que a Collectivize entra, certo?

Pelo que lembro da nossa última conversa, você está combinando fontes de dados de diferentes empresas. Seu modelo observa algo como cinco por cento da economia global e incorpora ao preço coisas como movimentos das taxas antes que uma empresa os sinta. Pode nos dar um exemplo do que isso realmente significa para uma empresa que usa o modelo da Collectivize? Vou dar um que acho mais geral, porque dar um exemplo de uma empresa de private equity sabendo quando uma empresa potencial está interessada em vender ou não seria relevante para um grupo pequeno de ouvintes.

Vamos supor que você tenha uma equipe de vendas. E esse é um ótimo exemplo de um dos nossos clientes. Eles estão tentando... Como vendedor, você está tentando descobrir quem tem interesse real, porque os clientes podem desperdiçar seu tempo para sempre. Se você está no mercado, investidores de venture capital vão desperdiçar seu tempo. Pense em todas as pessoas que você está tentando convencer a fazer algo: elas estão por aí, e você precisa decidir quanto tempo, dinheiro e esforço vai investir nessas pessoas para tentar conseguir o negócio que deseja. Isso é muito difícil, porque imagino que, na maior parte do tempo, você esteja lidando com pessoas pela primeira vez.

E algumas pessoas são passivo-agressivas e dizem: “Meu Deus, Mark, isso é ótimo. Eu adoraria investir em você. Volte com mais informações.” E elas vão prolongando isso e mantendo você nesse processo para sempre. Cancelam reuniões. Fazem todo tipo de coisa. E você fica tão animado porque elas disseram coisas que você queria ouvir. “Estou interessado. Gosto do que você está fazendo. Quero ver se isso pode crescer.” Ninguém sabe. Mas a questão é esta: você pode saber. Aposto que você conhece muito bem os padrões da pessoa que ama. Se ela diz “Estou interessada em fazer alguma coisa”, isso pode significar que está interessada; ou, se diz “Sim, vamos fazer”, significa que está definitivamente interessada.

Você começa a aprender esse padrão. Bem, se vejo as mesmas pessoas em vários indivíduos, várias empresas, todos tentando vender para a mesma pessoa, sabe o que começo a aprender? Aprendo seus padrões de comportamento. Aprendo o que dizem quando querem fazer alguma coisa. Aprendo a velocidade com que agem. Aprendo até quais pessoas trazem. E vou compartilhar uma percepção interessante. Você sabia que a maioria das pessoas, quando quer tomar uma decisão, traz um grupo de pessoas, e, quando não quer tomar uma decisão, traz um grupo completamente diferente para a reunião?

Então, quando você vai se reunir com um investidor de venture capital, ou com alguém, ou está tentando fechar um grande negócio, o grupo que essa pessoa escolheu para estar à mesa é a maneira dela de tomar a decisão sem precisar tomá-la diretamente. Se você é um investidor de venture capital, não quer ser quem disse não ao que pode ser o próximo Google ou OpenAI. Você pode trazer um grupo de pessoas para que elas digam não, e você possa dizer: "Eu realmente queria fechar esse negócio." E você nunca saberia. Você só pensa: meu Deus, agora estão trazendo cinco pessoas para essa reunião.

Essa vai ser uma boa reunião. E essas cinco pessoas, só por terem sido trazidas, significam que a reunião já acabou. Você só não sabia. Nossa capacidade de observar todas as empresas com as quais trabalhamos nos permite saber: meu Deus, você pegou a equipe ruim, nível D-. E você descobre isso antes mesmo de acontecer. É esse tipo de coisa que estamos ajudando as pessoas a entender. Mas, sim, fazemos isso porque reconhecemos que precisamos observar esse comprador ou esse tomador de decisão tantas vezes, em interações com tantas pessoas diferentes, que acabamos aprendendo como ele toma decisões, e isso torna o mundo previsível.

Steven, qual é seu maior desafio ao explicar isso aos seus potenciais clientes? Hoje, todo mundo acredita que modelos de linguagem são IA, e que são um único modelo. Então, quando preciso explicar que, veja, você vai ter muitos modelos diferentes e vai conectá-los para aproveitar suas análises, é como quando você está fechando um grande negócio: traz um advogado, talvez um CFO, talvez traga... Você está reunindo conhecimentos especializados, e todos contribuem para um bom resultado. É isso que vai acontecer. Você vai ter vários níveis de inteligência dentro da sua organização e vai conectá-los para obter vantagens que permitam atuar como uma organização mais rápida, mais inteligente, ou alguma combinação de tudo isso.

E é isso que está acontecendo hoje. Então, dizem coisas como: "Já temos Claude", ou: "Temos OpenAI. Temos IA." E você pensa: "Certo, você tem algo que consegue escrever textos bonitos. Ótimo. O que isso tem a ver comigo?" Se você quer aumentar a receita, Claude é a coisa mais perigosa que pode trazer. Ele nem sequer entende o tempo. E qual é a única coisa que sabemos sobre vendas? O tempo mata todos os negócios. E você escolheu uma IA que nem sequer entende que o tempo existe. Boa escolha. Acho que é isso que está acontecendo: as pessoas estão aprendendo tanta coisa tão rapidamente que nosso maior desafio é ajudá-las a entender que não, você precisa de uma superinteligência que entenda seu comprador, que entenda a empresa do portfólio que você está tentando atrair.

Ela entende todos esses diferentes desafios econômicos que estão acontecendo no mundo, do Estreito de Ormuz à inflação. Você precisa de algo que entenda isso para obter uma vantagem, e as pessoas vão aprender isso aos poucos e começar a aprender como conectar essas coisas. Steven, você foi empreendedor durante a maior parte da sua carreira. Agora, temos uma explosão de novas startups de IA criando ferramentas, criando soluções SaaS que muitos dizem ser apenas camadas sobre modelos de fronteira. O que você acha desse argumento e em que diria a essas pessoas que deveriam se concentrar para criar valor?

Acho que a fase das camadas está, de certa forma, morrendo rapidamente. Acho que, mesmo com a compra da Cursor, as pessoas ficaram animadas. Mas, se você olhar para a Cursor hoje, eles agora estão tentando construir seu próprio modelo com a Groq, para ter seu próprio modelo de programação. Mas isso é uma raridade. A maioria dos participantes que você vê por aí está morrendo uma morte lenta e dolorosa, principalmente porque não recebe mais financiamento e, em segundo lugar, porque todos os participantes que já tinham seus próprios modelos estão só esperando você construir, mostrar o mercado, para depois entrar e desenvolver agressivamente Claude Design ou alguma outra coisa da Claude.

E acho que os investidores já perceberam isso. Acho que os fundadores também estão percebendo. Você pode ter modelos que funcionem? Sim, provavelmente pode, certo? Instagram é um dos poucos, WhatsApp é um dos poucos que sobreviveram ao mercado de aplicativos, em que a Apple não simplesmente pegou a ideia e a desenvolveu por conta própria. Então, haverá alguns que vão sobreviver. Não acho que esses vão durar muito mais. E os que considero mais em risco, sobre os quais escrevi, são as empresas de SaaS.

A ideia delas era: "Vou simplesmente construir uma camada de linguagem sobre o que quer que seja meu produto SaaS, e agora sou uma empresa de IA." Acho que são elas que mais correm risco, porque realmente acreditam que têm IA. Falando em bolhas, as empresas de IA responderam por cerca de oitenta por cento dos ganhos do mercado no ano passado. O financiamento entre Nvidia, OpenAI e os provedores de nuvem é visivelmente circular, e acabamos de ver uma liquidação de ações de chips interromper as negociações em Seul. Então, para os investidores, qual é sua visão? Isso é uma bolha, ou a resposta muda conforme a tecnologia entrega resultados?

O que está acontecendo aqui? Veja, ninguém pode dizer que isso é uma bolha com base na receita que está sendo gerada. Isso não é... Nos primeiros dias da internet, a bolha era que as empresas eram avaliadas em vários bilhões de dólares e tinham receita zero. Mesmo assim, em grande parte, aquilo acabou não sendo uma bolha, se você analisar. Você poderia chamar de correção e, se tivesse mantido Amazon ou qualquer uma das boas empresas, como Netflix, teria se saído extremamente bem. Havia uma discrepância nas avaliações, mas, três anos depois, aquilo estava muito bom.

Então, se você é trader, pode argumentar que talvez exista um descompasso nas avaliações, mas acho que essa conversa de bolha é loucura, considerando o volume de receita que você vê entrando nesses mercados. Agora, a natureza circular do investimento para o crescimento. Aqui, eu argumentaria que é uma aposta, se você quer dizer se está supervalorizado ou não. SpaceX era uma aposta, certo? Não há razão justificável além do fato de que Elon parece continuar tendo mais ideias que vão se tornar negócios de vários trilhões de dólares. Estou apostando nele. Algumas pessoas estarão certas, outras estarão erradas.

Jeff Bezos foi uma aposta que as pessoas fizeram, e deu muito certo. E Tesla teve seus altos e baixos, mas parece estar funcionando. SpaceX parece estar funcionando. Então, acho que as pessoas estão apostando nisso. Mas vou colocar uma coisa, Mark, que só vou contar ao seu público. Você está pronto? Sim, claro. Ninguém realmente quer falar da proteção que toda essa expansão de data centers representa. Se eu perguntasse a você, Mark, em quanto estimaria o risco de a China cercar Taiwan nos próximos quatro anos?

Muito alto. Certo, me dê a porcentagem. Cinquenta por cento. Certo, cinquenta por cento. Eu diria que, mesmo a três por cento, esse risco é tão alto que a expansão de chips e data centers nos EUA, mesmo que seja financiada por modelos de fronteira por um curto período, qual seria o valor desses ativos para Oracle, Microsoft, Google, Meta, se houvesse um cerco? Cinco vezes? 10x? Certo? Porque esses são chips de uso geral. Você poderia argumentar que, durante o boom do comércio eletrônico de '99, 2000, muitos daqueles armazéns da Webvan e... não podiam ser reaproveitados. Mas uma GPU é um chip de uso geral.

Ter um estoque desses chips pode significar a diferença entre dois ou três anos de crescimento contínuo, mudando de um uso para outro, ou uma quebra da economia. Então, talvez construir capacidade em excesso não seja uma alocação de risco ruim se você é Google, Meta, Amazon, Microsoft, com um enorme negócio de nuvem. E acho que muita gente está pensando, de várias maneiras, que isso é uma forma de garantir algo em que o mercado permite fazer CapEx, com o qual podemos ganhar dinheiro hoje, mas que também funciona como uma espécie de reserva caso algo aconteça.

Se Terafab nos EUA e a fábrica da TSMC, que ainda produz um chip de três nanômetros... Acho que muitas pessoas olham e dizem: "Isso pode valer mais", e esse é um valor futuro que você deve levar em conta. Se o risco é de cinquenta por cento, então essa é uma ação subvalorizada, porque esses chips vão valer ouro. E acho que a Europa não acumulou essa reserva. Acho que partes da Ásia não acumularam essa reserva. Neste momento, os EUA têm um ativo que pode ser aproveitado para tudo, das suas necessidades de Gmail às de hospedagem e à IA.

E acho que essa valorização potencial da propriedade dos ativos está sendo subestimada. Outra coisa que também está acontecendo, Steven, é que esses ativos, sejam chips ou laboratórios de fronteira, estão se tornando cada vez mais temas de segurança nacional, porque ficam tão importantes e estrategicamente relevantes. E acabamos de ver o que aconteceu com Fables, o mais recente modelo entrópico, e como ele foi barrado pelo governo dos EUA. Agora ele voltou a ficar disponível, porque aparentemente era muito poderoso e estratégico. Como você acha que isso vai se desenrolar nos próximos meses e anos? Porque haverá um próximo Fable, e diferentes laboratórios de fronteira trarão modelos com essa capacidade.

Acho que a ideia de bloquear um modelo é insana. Primeiro, isso leva as pessoas para outros mercados. Acho que, se você observar outros países agora, eles se perguntam: "Posso confiar nos EUA?" E vão encontrar alternativas. Neste momento, a China não é realmente uma alternativa. Se a China não fosse a China, um governo draconiano que busca poder, esses modelos já teriam vencido. São mais baratos, têm melhor relação entre preço e valor, são mais eficientes. Acho que há mais criatividade em parte do trabalho que, especialmente, a DeepSeek fez, mas também em outros modelos.

Eles seriam os vencedores agora. Quem está impulsionando muito disso são, na verdade, Dario e Sam. Eles precisam tentar criar um bloqueio aos modelos de código aberto. Acho que muito do que você ouve é mais marketing do que qualquer outra coisa. Sim, eles foram desligados. Sim, tiveram uma briga com o Departamento de Guerra. Sim, fizeram todas essas coisas. Mas a realidade é que estão tentando dizer: "Essas são armas de destruição em massa", e que você precisa restringi-las, porque, se você tivesse o maior modelo comoditizado do mundo e, independentemente de quanto dinheiro gastasse, não conseguisse uma vantagem superior a zero vírgula três por cento, acho que ficaria nervoso.

Não acho que o resto do mundo vai aceitar isso. Acho que o que vai acabar acontecendo é que, se conseguirem impor essas restrições nos EUA, o resto do mundo começará a se afastar deles. Acho que é uma estratégia muito perigosa. Uma que considero uma bobagem. Restringir o conhecimento não é a maneira de vencer. Você vence construindo produtos melhores e estando à frente de todos. Você acha que há alguma verdade nisso, que existe uma preocupação legítima com o risco de segurança desses modelos mais recentes? Acredito que, como em qualquer descoberta de uma vulnerabilidade de dia zero, esse é um risco enorme.

Esses modelos de programação, como Mythos, estão começando a encontrar problemas antigos no código. Não se contenha. Isso significa que temos de agir rapidamente para desenvolver correções. E gosto da abordagem que adotaram, dizendo: "Certo, vamos disponibilizá-lo a alguns dos maiores fornecedores de software, para encontrar esses problemas e lançar correções de bugs antes que o mundo saiba deles." Acho isso responsável. Acho ótimo. Mas deveríamos querer código mais robusto. Deveríamos querer que os problemas de segurança fossem encontrados. Há uma razão pela qual países como Israel começaram a fazer testes de ataque com equipes adversárias, e isso depois se espalhou para a comunidade de software, em que você tenta encontrar vulnerabilidades.

Isso não é ruim. Encontrar vulnerabilidades significa que você pode corrigi-las. Essa ideia de que é tão perigoso que não podemos lançá-lo, mas ainda assim vamos deixar essas falhas por aí, para mim, não é algo muito bom. Acho que, quanto mais essas ferramentas estiverem disponíveis, mais teremos ferramentas procurando continuamente vulnerabilidades de segurança antes que terceiros o façam, e acho isso saudável. Aliás, isso também acontece às vésperas do dia Q. Então, estamos realmente preocupados em encontrar nossas falhas quando o RSA, que é a base de toda a segurança, provavelmente será quebrado nos próximos dois a três anos?

Acho que nosso objetivo deveria ser nos antecipar a tudo isso o mais rápido possível. Sim, concordo totalmente. E, Steven, estamos quase no fim do programa. Tenho algumas perguntas muito interessantes antes de encerrarmos e entrarmos numa rodada rápida. A primeira é: se um CEO do nosso público tem um único orçamento de IA para aplicar neste ano, onde cada dólar traz o maior retorno, honestamente? Essa é uma pergunta difícil. Mark, se eu fosse CEO, provavelmente a única coisa que perguntaria seria: qual é a única coisa que meu concorrente não consegue acompanhar?

E isso poderia ser velocidade. Preciso que minha empresa aja mais rápido. Acredito que velocidade é uma vantagem. Vou dar um exemplo para quem talvez não trabalhe com tecnologia. Se você pode entrar em um hotel que permite fazer o check-in, pegar a chave e subir direto, ou fazer o registro com um aplicativo, em vez de ir até a recepção, qual empresa você escolhe? ... A mais rápida. Você escolhe a mais rápida, certo? Então, para algumas empresas, velocidade importa. Para outras, talvez seja oferecer algo mais inteligente.

Então você tem de olhar e dizer: "Qual é a única coisa que meus clientes vão valorizar mais do que qualquer outra? E, se eu conseguir fazer isso primeiro, vou vencer." Amazon fez isso com muitas pequenas vitórias, certo? Eu não queria inserir minhas informações de check-in ou de checkout: um clique. Isso foi tudo o que bastou para eu transferir minhas compras de outros lugares para eles. Você tem de encontrar essa única coisa, e ela pode ser linguagem, pode ser uma imagem, pode ser um modelo econômico como Collectivei. Você vai encontrar essa coisa e apostar tudo nela, porque vencer no que é mais importante lhe dará tempo para conseguir todas as outras coisas.

É assim que eu pensaria a respeito. Qual é a coisa mais importante acontecendo na IA agora que o mercado precificou de maneira completamente errada, para mais ou para menos? Acho que são todos os outros modelos. Acho que, neste momento, 90% de todo o venture capital do mundo foi para duas empresas, e isso está causando um desequilíbrio entre todas as outras. A outra coisa, se você observar, é que os investidores de venture capital não estão mais financiando essas iniciativas. São empresas. Foi Nvidia. Foi Microsoft. Foram outras... Que estão começando a perceber: certo, há uma vantagem aqui.

Acho que muitas das grandes empresas de tecnologia deveriam estar investindo nos outros modelos, porque é isso que vai impulsionar o sucesso dos seus negócios. Acho que isso está passando despercebido agora, e há uma lacuna no mercado que ainda não está sendo preenchida. Acho que os outros modelos... Sim, você pode falar de Yann LeCun, mas estão sendo construídos modelos em quase todas as áreas que vão dominar setores da economia para sempre, e acho que as pessoas simplesmente não estão percebendo isso. Tenho outra pergunta, Steven, que é muito importante porque afeta toda uma geração de jovens entrando no mercado de trabalho, tentando descobrir o que querem fazer, experimentando toda essa coisa de IA, construindo com IA, criando novas empresas e vendo enormes perdas de empregos por toda parte.

Se você tivesse 25 anos de novo, estivesse no início da carreira e quisesse construir empresas, o que faria? Qual seria seu conselho para uma pessoa jovem hoje? Meu primeiro conselho é: não acredite em nada do que qualquer pessoa disse a você sobre perda de empregos. Isso é insano. Sim, você vê pessoas mudando de emprego e mudanças nas funções que exercem. Isso sempre aconteceu. Sempre há... A internet mudou funções. A tecnologia móvel mudou funções. Tudo isso está sempre mudando, e essa é a natureza da evolução. Fique feliz com isso, porque abre oportunidades para você.

Esta é a primeira vez na história em que indivíduos e pequenos grupos podem construir em enorme escala. Nem acho que as pessoas compreendam plenamente outras revoluções que estão acontecendo. Impressão tridimensional. Imagine hoje: se você quer produzir e fabricar algo, precisa viajar para um lugar como a China e tentar encontrar um fabricante que não passe você para trás, que não pegue seu dinheiro nem faça algo ruim. Bem, estamos chegando a um ponto em que você pode projetar algo, ter a ideia, fazer o marketing, mandar fabricar localmente e entregar automaticamente, sem sequer precisar contratar uma equipe inteira para fazer tudo isso.

Você está entrando em um período em que suas ideias são ilimitadas. Você literalmente não tem limites. Como isso poderia ser ruim para alguém jovem com ideias sobre o rumo do futuro? Meu Deus, este é o melhor momento de toda a história. Eu daria tudo para estar começando minha carreira agora, porque não há nada que você não possa fazer, e nada que exija recursos enormes. Você pode fazer quase qualquer coisa acontecer hoje por conta própria, sem precisar de investidores de venture capital e de todos os outros. Você vai dominar os próximos cem anos. É o mundo na sua mão.

É com isso que você deveria se entusiasmar. Acho que não há momento melhor do que hoje. É incrível. Fico animado só de pensar no que pode ser feito. Mensagem incrível, Steven. É um ótimo encerramento. E vamos fazer também uma breve rodada rápida. Perguntas muito rápidas, respostas muito rápidas. A primeira é: LLMs ou agentes, qual está mais superestimado agora? LLM. Quero dizer, você não pode falar de agentes sem LLMs, e, com a quantidade de capital indo para esses fornecedores, essa resposta é fácil, sem dúvida. A segunda é: modelos fundacionais econômicos, uma categoria daqui a cinco anos ou ainda só Collectivei?

Bem, por interesse próprio, sempre gosto de acreditar que é um único modelo. Acho que, como as leis de escala importam aqui, acaba sendo predominantemente um modelo, simplesmente pela vantagem que temos. Quanto mais clientes nos usam, melhor ele fica, como Waze ou Google Maps. Mas isso não significa que não possa surgir um Apple Maps. Então, ainda deixo essa possibilidade em aberto. E a última: um livro ou uma ideia que moldou sua visão de mundo e não tem nada a ver com tecnologia, vendas ou IA.

Cat's Cradle, de Kurt Vonnegut, um livro incrível sobre religião e sobre como as pessoas encontram uma forma de acreditar e mantêm essa crença, aconteça o que acontecer. Um livro que muda sua vida para sempre. Incrível. Obrigado, Steven, por participar do programa. Foi muito interessante. Onde as pessoas podem saber mais sobre você e Collectivei? Você pode acessar collectivei.com. Pode se cadastrar na versão gratuita se quiser ter acesso a todos os seus relacionamentos de forma precisa e verificada, em intelligence.com. E, se quiser ouvir minhas ideias malucas, pode acessar reloadnyc.com para ler meu blog.

Cadastre-se. Publico dois textos no blog por semana. Eles são cheios de ideias malucas: algumas estarão certas, e outras serão simplesmente malucas. Malucas e interessantes. Confirmo que leio toda semana, então recomendo muito. Vamos colocar os links nas notas do programa. Steven, obrigado por participar, e tudo de bom. Mark, obrigado pelo convite. É sempre ótimo. Você é incrível. Você obviamente gostou deste vídeo o suficiente para chegar até o fim. Faça um favor: clique nos botões de curtir e se inscrever, porque acho que você vai gostar. E, se quiser ainda mais — e com mais quero dizer pesquisas incríveis de alfa e atualizações do mercado de ativos digitais —, assine nossa newsletter em 51, o número cinco um, insights.xyz, e receba os insights mais acionáveis sobre ativos digitais.

Até a próxima.