Eric Schmidt diz que o verdadeiro limite da IA agora é capital, não eletricidade

Para ter ideia da escala, isso equivaleria aproximadamente à construção de dezenas de novas usinas nucleares ou a enormes expansões da infraestrutura energética dedicada a data centers.

Mais recentemente, porém, Schmidt reformulou o argumento. Em entrevistas e comentários públicos, ele passou a dizer que o verdadeiro limite da IA não é energia — é dinheiro.

A lógica é simples: o problema energético pode ser resolvido, desde que alguém esteja disposto a pagar pela infraestrutura necessária.

O custo de construir a infraestrutura da IA

Os números citados por Schmidt ajudam a explicar por que ele vê o capital como o novo gargalo.

Uma estimativa frequentemente mencionada por ele é de cerca de US$ 50 bilhões para cada gigawatt de capacidade de data center voltado à IA.

Isso leva a projeções impressionantes:

• 10 GW de infraestrutura de IA: cerca de US$ 500 bilhões.
• 100 GW de capacidade: aproximadamente US$ 5 trilhões em investimento total.

Esse custo não envolve apenas geração de energia. Ele inclui praticamente toda a base física da nova economia da IA, como:

• data centers em escala de hyperscale
• chips avançados e redes de alta velocidade
• sistemas de resfriamento
• usinas de energia e conexões com a rede elétrica
• terrenos e construção

Em outras palavras, escalar a IA está começando a parecer mais com construir infraestrutura nacional do que lançar um novo software.

Por que EUA e China aparecem na frente

Se a corrida da IA depende de investimentos de trilhões de dólares, Schmidt acredita que apenas poucos atores conseguem competir de verdade.

Na análise dele, dois países se destacam: Estados Unidos e China.

Os Estados Unidos contam com várias vantagens estruturais:

• grandes empresas de computação em nuvem
• laboratórios líderes em IA avançada
• mercados de capital profundos e ativos
• grandes operadores de data centers

Esse ecossistema facilita mobilizar investimentos privados gigantescos, muitas vezes complementados por políticas públicas ou incentivos governamentais.

A China segue um caminho diferente, mas igualmente poderoso. O país utiliza política industrial e financiamento coordenado pelo Estado, permitindo alinhar investimento, construção de infraestrutura e implementação tecnológica em escala nacional.

São dois modelos distintos — um mais orientado ao mercado e outro mais dirigido pelo governo — mas ambos capazes de movimentar volumes massivos de capital.

Por que Schmidt vê a Europa em risco

Em contraste, Schmidt tem alertado que a Europa pode ter dificuldade para acompanhar essa corrida.

Segundo ele, o continente ainda carece de uma estratégia clara para IA e corre o risco de depender de tecnologias estrangeiras se não investir muito mais em seus próprios modelos e infraestrutura.

Em um de seus alertas, afirmou que, sem investimento pesado, a Europa pode acabar utilizando modelos chineses em vez de desenvolver alternativas próprias.

Na visão dele, o problema não é apenas talento ou regulamentação. Há fatores estruturais envolvidos, como:

• mercados de capital fragmentados
• menos empresas hyperscale
• custos de energia elevados em algumas regiões
• processos de infraestrutura mais lentos

Essas características dificultam mobilizar investimentos gigantescos para projetos de IA de ponta.

Como energia e capital se conectam

Apesar da mudança de foco, o novo argumento de Schmidt não contradiz o antigo — ele o complementa.

A energia continua sendo um limite físico real: sistemas de IA exigem quantidades enormes de eletricidade à medida que escalam.

Mas resolver esse problema significa construir mais usinas, expandir redes elétricas e erguer enormes complexos de data centers.

E tudo isso exige capital em escala histórica.

A nova corrida por infraestrutura de IA

Se essas projeções se confirmarem, a disputa pela liderança em IA pode se parecer menos com uma competição de software e mais com outras grandes corridas tecnológicas da história — como ferrovias, telecomunicações ou programas espaciais.

O fator decisivo pode ser quem consegue coordenar, ao mesmo tempo:

• financiamento em larga escala
• energia suficiente
• cadeias de semicondutores
• construção e licenciamento de infraestrutura

Nesse cenário, o futuro da inteligência artificial pode depender menos de quem tem o melhor algoritmo — e mais de quem consegue financiar e construir a maior infraestrutura computacional do planeta, mais rápido.