O gargalo de IA da Microsoft está na energia dos data centers, não na compra de chips

O Copilot fica particularmente exposto a essa troca. A economia do serviço depende de processar um volume muito alto de solicitações de inferência a um custo previsível. Um acelerador mais eficiente pode melhorar essa conta — mas apenas depois que o chip estiver conectado a um cluster em funcionamento.

O Maia 200 reduz custos, mas não cria eletricidade

O Maia 200 foi projetado principalmente para inferência, etapa em que modelos já treinados geram respostas. A Microsoft afirma que o chip oferece desempenho superior em FP4 e FP8 ao de aceleradores comparáveis da AWS e do Google, embora essas sejam comparações divulgadas pelo próprio fornecedor, e não testes independentes de ponta a ponta.

Outros relatos estimam que o custo operacional do Maia 200 seja entre 30% e 40% menor que o de chips de ponta da Nvidia em cargas da Microsoft e da OpenAI. Esse número continua sendo uma estimativa reportada, não uma garantia válida para todos os modelos, pilhas de software ou níveis de utilização.

A lógica estratégica é clara: se o Maia entregar o desempenho esperado em escala de produção, a Microsoft poderá reduzir a dependência da Nvidia em determinadas cargas de inferência e melhorar a estrutura de custos de serviços como o Copilot e o Azure OpenAI. Mas o silício próprio não elimina as exigências físicas ao redor do chip. O Maia ainda precisa de memória de alta largura de banda, encapsulamento, redes, racks, refrigeração e megawatts disponíveis.

Em outras palavras, o Maia pode melhorar a economia de um data center em operação. Ele não faz um data center inacabado ou sem energia funcionar.

O Maia 300 é uma aposta de escala — ainda não capacidade implantada

A Reuters informou que a Microsoft planeja apresentar o Maia 300 já no outono do Hemisfério Norte e estaria negociando com a TSMC capacidade de fabricação para mais de 300 mil chips, com entrega prevista para 2027. O relato também menciona uma ambição de longo prazo superior a 1 milhão de unidades.

Esses números devem ser tratados como planos em negociação, e não como remessas confirmadas. A Microsoft contesta os dados divulgados, e mesmo a contratação de capacidade de fabricação não resolveria sozinha a necessidade de obter memória e outros componentes, integrar os sistemas e instalá-los em instalações energizadas.

Se essa expansão acontecer, o Maia 300 poderá levar o projeto de silício próprio da Microsoft de um programa interno relativamente limitado para uma fonte relevante de capacidade de inferência. O sucesso dependerá, portanto, do sincronismo entre fabricação, integração dos sistemas e prontidão dos data centers.

AWS e Google têm vantagem na implantação

A AWS possui uma presença mais madura de aceleradores próprios. A Amazon afirma que 1,4 milhão de chips Trainium, distribuídos entre três gerações, estão implantados, e que mais de 1 milhão de Trainium2 são usados pelo Claude, da Anthropic, segundo o TechCrunch. A AWS também opera o Inferentia como uma linha separada, focada em inferência, acumulando experiência tanto em treinamento quanto em atendimento de modelos.

O programa de TPUs do Google tem uma história de produção ainda mais longa. A arquitetura Ironwood é descrita como capaz de escalar para pods de 9.216 chips. Outros relatos mencionam que a Anthropic poderia ter acesso a até 1 milhão de TPUs do Google, mas isso representa um compromisso de capacidade e não deve ser tratado como uma comparação definitiva entre frotas instaladas.

Não existe um ranking público perfeitamente comparável do total de chips de IA da Microsoft diante da AWS e do Google. As empresas contabilizam gerações, cargas, modelos de propriedade e definições diferentes para termos como “instalado”, “implantado” e “comprometido”. A conclusão mais segura é mais restrita: AWS e Google parecem estar à frente em implantação madura de silício próprio e experiência operacional, enquanto a Microsoft tenta reduzir essa distância com o Maia.

Por que a escassez do setor inteiro importa

A Microsoft não enfrenta essas limitações sozinha. Um relatório resumido pela Ars Technica apontou que cerca de 40% dos projetos de data centers nos Estados Unidos previstos para 2026 estavam sob risco de atraso, citando falta de mão de obra, energia e materiais, além de dificuldades para obter licenças.

A memória é outro ponto de pressão. Projeções do setor indicam que os data centers poderão consumir mais de 70% da produção de memória de alto padrão em 2026, enquanto um executivo da Synopsys afirmou que a escassez de semicondutores pode continuar até 2027. Isso pode elevar os custos e ampliar os prazos de entrega para outras indústrias, embora o efeito varie conforme o tipo de memória, o fornecedor e o contrato.

Essas condições podem aumentar a distância entre a capacidade de IA planejada e a capacidade de IA realmente utilizável. Empresas que já contam com instalações energizadas, compromissos antigos com concessionárias, cadeias de suprimentos maduras e grandes clusters em operação conseguem adicionar cargas enquanto instalações mais novas aguardam transformadores, sistemas de refrigeração, trabalhadores especializados ou conexões à rede.

O veredito estratégico

Os atrasos nos data centers não invalidam a estratégia de IA da Microsoft, mas tornam sua execução extremamente dependente da ordem correta das etapas. A empresa pode comprar aceleradores, projetar chips Maia e assinar acordos de fabricação; nenhuma dessas ações produz automaticamente capacidade de computação disponível para clientes.

No curto prazo, o risco é um crescimento mais lento da capacidade do Azure e custos marginais de inferência mais altos para produtos como Copilot e Azure OpenAI. O risco competitivo é que AWS e Google usem seus atuais chips próprios para melhorar preço, disponibilidade e familiaridade entre desenvolvedores antes que a próxima onda de instalações e chips Maia da Microsoft esteja efetivamente em operação.

O Maia 200 pode reduzir custos quando a Microsoft conseguir implantá-lo em escala. O Maia 300 poderá diversificar o fornecimento em 2027 se o plano de fabricação divulgado se concretizar. Até lá, o desafio central da infraestrutura de IA da Microsoft é simples de explicar, mas difícil de resolver: transformar chips comprados e planos ambiciosos em capacidade energizada e pronta para produção.