Em 27 de janeiro de 2025, um laboratório chinês desconhecido da maior parte de Wall Street apagou US$ 589 bilhões do valor de mercado da Nvidia em uma única sessão. Foi a maior perda diária da história da bolsa americana. O gatilho foi a DeepSeek — e seu “pecado” foi a abertura.
Até o Bitcoin (BTC) cambaleou, à medida que o mercado absorvia uma ideia simples: a fronteira da IA deixou de ser monopólio de meia dúzia de laboratórios fechados.
Pontos-chave
- Modelos de “pesos abertos” disponibilizam seus parâmetros treinados para qualquer pessoa baixar, executar e adaptar — diferente da IA realmente open source, que também libera dados de treino e código.
- A diferença de qualidade medida entre os melhores modelos abertos e fechados em rankings públicos caiu de 8% para menos de 2% em cerca de um ano, enquanto o custo de inferência despencou centenas de vezes.
- Deploy barato, pressão por soberania nacional, ambiente regulatório mais amigável e um vasto ecossistema de desenvolvedores dão hoje tração real aos pesos abertos frente aos incumbentes que só vendem acesso por API.
O que realmente significa IA de pesos abertos
O termo é usado de forma solta, então precisão importa. Pesos abertos significam que o desenvolvedor libera os parâmetros finais de uma rede neural treinada — os números que codificam o que o modelo aprendeu. Você pode baixá-los, rodar em sua própria infraestrutura e ajustá-los ao seu caso de uso.
Pesos abertos não são sinônimo de código aberto. A Open Source Initiative publicou, em 28 de outubro de 2024, sua Open Source AI Definition, que impõe uma exigência bem maior. Para se qualificar, um lançamento precisa incluir pesos, código de treinamento e detalhes suficientes sobre os dados usados para que alguém experiente consiga recriar substancialmente o sistema.
A maioria dos modelos vendidos hoje como “open source” não passa nesse teste. O Llama, da Meta, o Qwen, da Alibaba, e o próprio DeepSeek fornecem os pesos, mas não a receita completa de dados.
A Open Source Initiative é direta nessa distinção, ressaltando que pesos abertos, sozinhos, não conferem as mesmas liberdades do software livre tradicional. Essa lacuna alimenta uma disputa constante sobre “open washing”: empresas se promovem como abertas, enquanto retêm justamente as peças que permitiriam a qualquer um reproduzir o trabalho.
Ainda assim, para a maior parte dos desenvolvedores, os pesos são o troféu. Com eles você consegue servir o modelo, encolhê-lo, retreiná-lo e embarcá-lo em produção. Em linhas gerais, cada tipo de liberação entrega o seguinte:
- Pesos abertos: parâmetros treinados, em geral sob licença que permite uso, modificação e, muitas vezes, exploração comercial.
- Totalmente open source: pesos mais código de treinamento e documentação de dados suficiente para reconstruir o modelo.
- Fechado: nada para download — só acesso medido por uma interface.
É justamente essa categoria intermediária que explodiu em popularidade — e é ela que tira o sono dos laboratórios fechados.
Leia também: Nvidia cai quase 5% com garantia de US$ 250 bi à OpenAI que ainda não foi assinada
Como isso difere do que fazem OpenAI e Anthropic
OpenAI e Anthropic seguem a estratégia inversa. Mantêm seus melhores pesos trancados em seus próprios data centers e vendem acesso via API. Você envia um prompt, recebe uma resposta — e nunca encosta no modelo.
A lógica comercial é evidente. Isso protege o investimento em treinamento, garante receita recorrente e permite ao laboratório alterar o comportamento do modelo ou cortar o acesso quando quiser.
Há também um argumento de segurança. O CEO da Anthropic, Dario Amodei, sustenta que, uma vez que os pesos são públicos, o desenvolvedor perde a capacidade de reforçar barreiras de proteção ou “desligar” um sistema perigoso.
O problema é a dependência.
Quando o modelo existe apenas nos servidores de terceiros, é o fornecedor quem define o preço, a disponibilidade, as regras de uso de dados e o calendário de descontinuação. Seu produto roda sobre uma infraestrutura que você não controla nem consegue auditar.
Apesar de anos fazendo discurso em prol da pesquisa aberta, a OpenAI não havia lançado nenhum modelo de linguagem aberto desde o GPT-2, em 2019 — até 5 de agosto de 2025. Seus dois modelos gpt-oss, lançados sob a licença permissiva Apache 2.0, soaram como uma concessão direta à pressão exercida pelos pesos abertos. A empresa que construiu o negócio de API fechada foi forçada a responder ao campo aberto em seu próprio território.
Leia também: OpenAI busca US$ 250 bi em crédito da Nvidia para megacampus em Ohio
Dez motivos pelos quais pesos abertos ameaçam o modelo centralizado
Nada do que segue garante que os pesos abertos irão “vencer” por completo. A fronteira de desempenho ainda está nas mãos dos grandes laboratórios, e os riscos são reais. Mas a direção de marcha dos últimos três anos é consistente — e vai contra o modelo fechado, tarifado por uso.
O que mudou é que os argumentos para pagar caro por um “caixa-preta alugado” estão ficando cada vez mais frágeis. A convergência é simultaneamente técnica, econômica e política.
Aqui estão dez razões pelas quais o pêndulo se deslocou.
O fosso de qualidade praticamente sumiu
O dado central é a convergência. O AI Index 2025 de Stanford apurou que a diferença de pontuação entre o melhor modelo fechado e o melhor aberto no ranking Chatbot Arena caiu de 8% em janeiro de 2024 para 1,7% em fevereiro de 2025.
A fronteira também ficou mais povoada: o intervalo entre o primeiro e o décimo colocado encolheu de 11,9% para 5,4% em um ano.
Quando a segunda melhor opção custa uma fração da primeira, fica difícil justificar o prêmio cobrado pelo acesso fechado. Isso é um problema de preço para qualquer empresa cujo negócio inteiro se apoia na exclusividade.
O preço da inteligência desabou
O custo caiu ainda mais rápido que a diferença de qualidade. Com base em dados da Epoch AI e da Artificial Analysis, o AI Index mostrou que o custo para rodar uma consulta em nível GPT-3.5 passou de cerca de US$ 20 por milhão de tokens em novembro de 2022 para US$ 0,07 em outubro de 2024.
É uma queda de aproximadamente 280 vezes em menos de dois anos.
A DeepSeek levou a mesma lógica para o treinamento. Seu relatório técnico do modelo V3 afirma um custo final de cerca de US$ 5,6 milhões em uma corrida de treino com 2.048 GPUs Nvidia H800 — contra dezenas ou centenas de milhões gastos em modelos ocidentais comparáveis. Inteligência barata beneficia quem consegue distribuí-la amplamente, não quem a guarda com mais ciúmes.
Você passa a ser dono do modelo
Ao alugar um modelo fechado, você herda as regras do proprietário. O fornecedor pode subir preços, alterar termos ou aposentar a versão da qual seu produto depende.
Ao possuir os pesos, essa alavanca desaparece. Você pode congelar uma versão, rodá-la por anos e trocar de prestador de serviço sem reescrever toda a stack.
“Vendor lock-in” não é um medo teórico. Ele se manifesta em custos de mudança, migrações forçadas e tabelas de preço inegociáveis. Ter os pesos em mãos desarma cada um desses pontos:
- Congelar uma versão de modelo e mantê-la estável pelo tempo que for necessário.
- Migrar entre nuvens ou voltar para infraestrutura própria sem reengenharia pesada.
- Evitar desativações súbitas que derrubam um produto em produção da noite para o dia.
Mesmo licenças abertas generosas trazem pegadinhas que merecem atenção. Os termos do Llama obrigam qualquer empresa com mais de 700 milhões de usuários ativos mensais a negociar um acordo separado — motivo pelo qual puristas se recusam a chamar o Llama de open source.
Privacidade e soberania de dados
Há dados que, por lei, não podem sair do perímetro institucional. Hospitais, bancos e órgãos públicos muitas vezes não podem enviar registros sensíveis para uma API de terceiros.
Pesos abertos resolvem isso levando o modelo até os dados. Você roda a inferência on‑premises ou em uma nuvem privada; assim, nada sensível cruza a fronteira de um fornecedor externo.
Só esse atributo já abre portas que APIs fechadas não conseguem atravessar. Em projetos regulados, controle local costuma ser o fator decisivo.
Países estão construindo os seus próprios modelos
A ansiedade em torno de soberania digital virou pauta global. Governos enxergam, cada vez mais, a dependência de meia dúzia de APIs americanas ou chinesas como risco estratégico.
Em 2 de setembro de 2025, a EPFL, o ETH Zurich e o Centro Nacional Suíço de Supercomputação lançaram o Apertus, um modelo totalmente aberto treinado com 15 trilhões de tokens em mais de mil idiomas. Em Abu Dhabi, o Technology Innovation Institute vem desenvolvendo desde 2023 a família Falcon, também aberta, enquanto outros países avançam com programas nacionais próprios.
O padrão se repete em várias regiões:
- A Suíça lançou o Apertus com pesos, dados e código totalmente públicos.
- Os Emirados Árabes Unidos divulgaram sucessivas versões do Falcon sob termos permissivos.
- França, Índia, Japão e Coreia do Sul apoiam iniciativas domésticas de modelos ou infraestrutura de computação.
Não dá para construir IA soberana sobre um modelo que você só tem permissão para alugar. Pesos abertos são condição básica — o que torna governos aliados naturais do campo aberto.
Reguladores começam a favorecer o aberto
A política pública também passou a se inclinar para a abertura. Em 23 de julho de 2025, a Casa Branca publicou o “America’s AI Action Plan”, com uma seção explícita intitulada “Encourage Open-Source and Open-Weight AI”.
A Europa caminha na mesma direção em termos estruturais, ainda que com outra retórica. O AI Act da União Europeia concede aos fornecedores de modelos de propósito geral gratuitos e open source uma isenção parcial de certas obrigações de documentação, desde que o modelo não seja classificado como risco sistêmico.
Os incentivos regulatórios agora apontam mais para liberar do que para trancar, ao menos para modelos abaixo da fronteira mais perigosa. Quando o principal governo na corrida da IA passa a incentivar pesos abertos, o modelo fechado perde a vantagem presumida.
O ecossistema de desenvolvedores virou um motor próprio
Escala alimenta escala. A Hugging Face cresceu para 13 milhões de usuários, mais de dois milhões de modelos públicos e mais de 500 mil conjuntos de dados públicos ao longo de 2025.
As corridas de download contam o restante da história. A Meta afirmou que o Llama passou de um bilhão de downloads em 18 de março de 2025, ante 650 milhões no início de dezembro de 2024, enquanto o Qwen, da Alibaba, alcançou 700 atingiu milhões de downloads cumulativos no Hugging Face até janeiro de 2026 e deu origem a mais de 180.000 variações derivadas, ultrapassando o Llama como a família aberta mais “forkada” do mercado.
Cada fine-tune, adapter e quantização construída sobre um modelo aberto aprofunda sua vantagem competitiva. Uma API fechada não captura esse efeito de composição do esforço comunitário, porque ninguém consegue construir sobre um modelo ao qual não tem acesso direto.
Roda No Seu Laptop
Pesos abertos encontram o hardware comum por meio de uma cadeia de ferramentas barata. A quantização comprime o modelo para uma precisão menor, de forma que caiba em menos memória, enquanto técnicas como LoRA permitem ajustá-lo sem precisar retreinar tudo do zero.
Runtimes locais levaram isso ao grande público. Ollama, llama.cpp e vLLM hoje permitem que desenvolvedores sirvam modelos bastante capazes em uma única GPU de consumo ou até em um laptop.
Um modelo que roda em uma máquina de US$ 2.000 é um modelo que ninguém consegue desligar remotamente. Essa independência é exatamente o que o modelo tarifado, via nuvem, não consegue oferecer.
Auditabilidade E Interpretabilidade
Não dá para inspecionar o que não se enxerga. APIs fechadas devolvem apenas saídas, sem qualquer forma de examinar o mecanismo por trás delas.
Com pesos abertos, pesquisadores conseguem sondar o modelo diretamente, estudar seus modos de falha e testar sua segurança às claras. Essa transparência é justamente o motivo pelo qual o campo aberto argumenta que seus modelos tendem a se tornar mais — e não menos — confiáveis ao longo do tempo.
Para setores regulados que precisam explicar cada decisão, essa visibilidade não é um luxo. Muitas vezes, é uma exigência legal.
A Nova Fronteira Descentralizada
O argumento mais recente nasce na encruzilhada entre IA e cripto. Se os pesos são abertos, o poder computacional para treinar e servir esses modelos não precisa ficar concentrado no data center de uma única empresa.
Projetos como Prime Intellect já treinaram modelos em hardware distribuído globalmente, com esquemas para verificar se as máquinas remotas de fato executaram o trabalho que declaram. O Bittensor opera um mercado de inteligência de máquina incentivado por tokens, precificado no seu token TAO (TAO).
A ressalva honesta é que, hoje, o treinamento descentralizado ainda é mais lento e mais caro do que um cluster centralizado. Mas a combinação de pesos abertos com computação verificável e tokenizada cria um vetor competitivo genuinamente novo, que os laboratórios fechados não conseguem copiar.
Também leia: Pixel 11 Vai Custar Mais Caro, E A Google Culpa Os Data Centers De IA
O Veredito
Pesos abertos não vão extinguir os laboratórios fechados. A fronteira de desempenho ainda favorece quem gasta mais em computação, os lançamentos abertos continuam chegando alguns meses depois dos melhores modelos fechados e pesos públicos carregam riscos de uso indevido que não podem ser “recolhidos” depois de divulgados.
Mas “superar” não significa “apagar”. Significa deslocar o centro de gravidade — e esse deslocamento já começou.
O fosso de qualidade é estreito, o custo marginal da inteligência se aproxima de zero, e governos, desenvolvedores e reguladores seguem preferindo modelos que podem, de fato, ter em mãos. A IA centralizada continuará vendendo conveniência no topo da pirâmide. O restante do mercado caminha, silenciosamente, na direção dos pesos que pode possuir.
Leia a seguir: Apple Perde O Controle Sobre Os Preços De Memória, E O Cliente Paga A Conta
