Em 27 de janeiro de 2025, um laboratório chinês desconhecido para a maior parte dos investidores 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 o DeepSeek — e seu “erro” foi ser aberto.
Até o Bitcoin (BTC) oscilou enquanto o mercado absorvia uma ideia simples: a fronteira da IA deixou de ser exclusividade de meia dúzia de laboratórios fechados.
Pontos-chave
- Modelos de peso aberto publicam seus parâmetros treinados para qualquer um baixar, rodar e adaptar. Isso é diferente de IA realmente open source, que também inclui dados de treinamento 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 os preços de inferência despencaram centenas de vezes.
- Implantação barata, projetos de soberania nacional, regulação mais amigável e um ecossistema gigante de desenvolvedores dão hoje tração real aos pesos abertos contra os incumbentes que só vendem acesso via API.
O que “IA de peso aberto” realmente significa
O termo é usado de forma vaga, então precisão importa. Peso aberto significa 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, rodá-los no seu próprio hardware e ajustá-los (fine-tuning).
Peso aberto não é sinônimo de open source. A Open Source Initiative publicou em 28 de outubro de 2024 sua Open Source AI Definition, que estabelece uma barra bem mais alta. Para se qualificar, o lançamento precisa incluir pesos, código de treinamento e detalhes suficientes sobre os dados para que uma pessoa qualificada consiga recriar substancialmente o sistema.
A maior parte dos modelos vendidos hoje como “open source” não passa nesse teste. O Llama da Meta, o Qwen da Alibaba e o próprio DeepSeek liberam pesos, mas não a receita completa dos dados.
A Open Source Initiative é direta sobre essa diferença, ressaltando que pesos abertos por si só não garantem as mesmas liberdades do software open source. Essa lacuna alimenta um embate permanente sobre “open washing”, quando empresas se dizem abertas enquanto escondem as partes que permitiriam a qualquer um reproduzir o trabalho.
Ainda assim, para a maioria dos construtores, o prêmio são os pesos. Com eles você pode servir um modelo, encolhê‑lo, retreiná‑lo e embarcá‑lo em produto. Em linhas gerais, cada categoria entrega o seguinte:
- Peso aberto: os parâmetros treinados, geralmente sob licença que permite uso, modificação e, muitas vezes, exploração comercial.
- Verdadeiramente open source: pesos mais código de treinamento e documentação de dados suficiente para reconstruir o modelo.
- Fechado: nada para baixar, apenas acesso medido por meio de uma interface.
É justamente essa categoria intermediária que está explodindo em popularidade — e 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 o caminho oposto. Mantêm seus melhores pesos trancados em data centers próprios e vendem acesso via API. Você envia um prompt, recebe uma resposta e nunca encosta no modelo.
Há lógica comercial nisso. O formato protege o investimento em treinamento, mantém o contador de assinaturas girando e permite ao laboratório corrigir comportamento ou cortar o acesso quando quiser.
Também há um argumento de segurança. O CEO da Anthropic, Dario Amodei, defende que, uma vez públicos os pesos, o desenvolvedor perde a capacidade de atualizar barreiras de segurança ou retirar do ar um sistema perigoso.
O problema é a dependência.
Quando o modelo só existe nos servidores de terceiros, é o fornecedor que define preço, nível de serviço, termos de uso de dados e calendário de descontinuação. Seu produto passa a depender de uma infraestrutura que você não controla nem consegue inspecionar.
Apesar de anos defendendo 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, soam como uma concessão direta à pressão que os pesos abertos vêm exercendo. A empresa que construiu o negócio de API fechada foi obrigada a responder ao campo aberto em seu próprio terreno.
Leia também: OpenAI busca US$ 250 bi em crédito da Nvidia para mega campus em Ohio
Dez motivos pelos quais pesos abertos ameaçam o modelo centralizado
Nada do que segue garante vitória automática dos pesos abertos. A fronteira ainda está com os grandes laboratórios, e os riscos são reais. Mas a direção de marcha é consistente há três anos — e contrária ao modelo fechado, tarifado por uso.
O que mudou é que os argumentos para pagar caro para “alugar uma caixa‑preta” estão ficando cada vez mais fracos. A convergência é técnica, econômica e política ao mesmo tempo.
A seguir, dez razões para essa mudança de balanço.
O fosso de qualidade quase desapareceu
O fato central é a convergência. O AI Index 2025 de Stanford apontou que a diferença de pontuação entre o melhor modelo fechado e o melhor modelo aberto no ranking Chatbot Arena caiu de 8% em janeiro de 2024 para 1,7% em fevereiro de 2025.
A própria fronteira ficou mais disputada: o gap entre o primeiro e o décimo colocado se estreitou de 11,9% para 5,4% em um ano.
Quando a segunda melhor opção custa uma fração da primeira, o prêmio cobrado por acesso fechado fica difícil de justificar. É um problema de preço para quem baseia o negócio inteiro em exclusividade.
O preço da “inteligência” desabou
O custo caiu ainda mais rápido que o fosso de qualidade. Com base em dados da Epoch AI e da Artificial Analysis, o AI Index reportou que o preço para rodar uma consulta no nível GPT‑3.5 caiu 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.
O DeepSeek levou a mesma lógica para o treinamento. Seu relatório técnico do 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 investidos em modelos ocidentais comparáveis. Inteligência barata favorece quem consegue distribuí‑la amplamente, não quem a guarda a sete chaves.
Você passa a ser dono do modelo
Ao alugar um modelo fechado, você herda as regras do proprietário. O fornecedor pode subir preços, mudar termos ou descontinuar a versão de que seu produto depende.
Ao possuir os pesos, essa alavancagem some. Você pode congelar uma versão, operá‑la por anos e trocar de provedor sem reescrever toda a pilha de software.
Lock‑in de fornecedor não é uma abstração: aparece como custo de mudança, migrações forçadas e reajustes que você não consegue negociar. Ter os pesos em mãos neutraliza esses pontos, na prática:
- Congelar uma versão e mantê‑la estável pelo tempo que o negócio exigir.
- Migrar entre nuvens ou rodar em infraestrutura própria sem reengenharia.
- Evitar desativações-surpresa que quebrem um produto em produção da noite para o dia.
Mesmo licenças abertas generosas têm detalhes que merecem atenção. Os termos do Llama, da Meta, 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 da instituição. Hospitais, bancos e órgãos públicos muitas vezes não podem enviar informações sensíveis a uma API de terceiros.
Pesos abertos resolvem isso ao levar o modelo até o dado. Você pode rodar inferência on‑premises ou em nuvem privada, de forma que nada sensível cruze a fronteira com o fornecedor.
Essa única característica abre portas onde APIs fechadas nem entram. Em ambientes regulados, o controle local costuma ser o fator decisivo.
Países estão construindo seus próprios modelos
A ansiedade em torno de soberania tornou‑se global. Governos passaram a enxergar dependência de poucas APIs americanas ou chinesas como risco estratégico.
Em 2 de setembro de 2025, a EPFL, a ETH Zurich e o Centro Suíço de Supercomputação lançaram o Apertus, um modelo totalmente aberto treinado com 15 trilhões de tokens em mais de mil idiomas. O Technology Innovation Institute, em Abu Dhabi, promove a família Falcon desde 2023, e outros países seguiram com iniciativas nacionais próprias.
O padrão se repete em várias regiões:
- A Suíça lançou o Apertus com pesos, dados e código totalmente públicos.
- Os Emirados Árabes Unidos vêm liberando sucessivas versões do Falcon sob termos permissivos.
- França, Índia, Japão e Coreia do Sul apoiam programas domésticos de modelos ou de infraestrutura de computação.
Não se constrói IA soberana em um modelo que só pode ser alugado. Pesos abertos são pré‑requisito — e isso torna governos financiadores naturais do campo aberto.
Reguladores inclinaram‑se para o lado aberto
A política pública também começou a favorecer a abertura. Em 23 de julho de 2025, a Casa Branca divulgou o “America’s AI Action Plan”, com um capítulo intitulado “Encourage Open-Source and Open-Weight AI”.
A Europa caminha na mesma direção em termos estruturais, ainda que com outra retórica. A Lei de IA da União Europeia concede a provedores de modelos de uso geral, gratuitos e open source, uma isenção parcial de certas obrigações de documentação, desde que o modelo não seja classificado como de risco sistêmico.
Os incentivos, portanto, hoje apontam para liberar — e não trancar —, ao menos para modelos abaixo da fronteira mais avançada. Quando o maior governo da corrida de IA passa a incentivar explicitamente pesos abertos, o modelo fechado perde o conforto de ser a opção “natural”.
O ecossistema de desenvolvedores virou um motor de rede
Escala gera mais escala. A Hugging Face cresceu para 13 milhões de usuários, mais de 2 milhões de modelos públicos e mais de 500 mil conjuntos de dados públicos ao longo de 2025.
As corridas por download contam o resto da história. A Meta afirma que o Llama ultrapassou 1 bilhão de downloads em 18 de março de 2025, acima de 650 milhões no início de dezembro de 2024, enquanto o Qwen, da Alibaba, chegou a 700 atingiu milhões de downloads acumulados no Hugging Face até janeiro de 2026 e gerou mais de 180.000 versões derivadas, ultrapassando o Llama como a família aberta mais “forkada” do mercado.
Cada fine-tune, adapter e quantização construída em cima de um modelo aberto aprofunda sua vantagem competitiva. Uma API fechada não captura esse efeito de rede composto — ninguém consegue construir em cima de um modelo que não pode, de fato, possuir.
Ele 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 ele caiba em menos memória, e técnicas como LoRA permitem ajustá‑lo sem precisar reentreinar tudo do zero.
Os runtimes locais levaram isso ao mainstream. Ollama, llama.cpp e vLLM hoje permitem que desenvolvedores sirvam modelos robustos em uma única GPU de consumo — ou até em um notebook.
Um modelo que roda em uma máquina de US$ 2.000 é um modelo que ninguém pode desligar remotamente. Essa independência é justamente o que o modelo medido por API não consegue oferecer.
Auditabilidade E Interpretabilidade
Não dá para auditar o que não se pode ver. APIs fechadas devolvem apenas saídas, sem qualquer forma de examinar o mecanismo por trás delas.
Pesos abertos permitem que pesquisadores inspecionem o modelo diretamente, estudem seus modos de falha e testem sua segurança em público. Essa transparência é exatamente o motivo pelo qual o campo aberto sustenta que seus modelos se tornam mais confiáveis — e não menos — ao longo do tempo.
Para setores regulados que precisam justificar cada decisão, essa visibilidade não é um luxo. Muitas vezes, é uma exigência legal.
A Fronteira Descentralizada
O argumento mais recente está na interseção entre IA e cripto. Se os pesos são abertos, o poder de computação para treinar e servir esses modelos não precisa ficar em um único data center corporativo.
Projetos como Prime Intellect já treinaram modelos em hardware distribuído globalmente, com esquemas para verificar se as máquinas remotas realmente executaram o trabalho declarado. O Bittensor opera um mercado incentivado por tokens para inteligência de máquina, precificado em seu token TAO (TAO).
A ressalva honesta é que o treinamento descentralizado ainda é mais lento e caro do que um cluster centralizado hoje. Mas a combinação de pesos abertos com computação verificável e tokenizada cria um vetor competitivo genuinamente novo — impossível de ser copiado por laboratórios fechados.
Veja também: Pixel 11 Vai Ficar Mais Caro, E A Culpa É Dos Data Centers De IA, Diz O Google
O Veredito
Pesos abertos não vão extinguir os laboratórios fechados. A fronteira tecnológica ainda favorece quem mais gasta com computação, os lançamentos abertos ainda chegam alguns meses depois dos melhores modelos proprietários, e pesos públicos trazem riscos de uso indevido que não podem ser recolhidos depois de divulgados.
Mas “superar” não é o mesmo que “apagar”. É deslocar o centro de gravidade — e esse movimento já começou.
O gap de qualidade é pequeno, o preço marginal da inteligência está perto de zero e governos, desenvolvedores e reguladores continuam preferindo modelos que podem controlar. A IA centralizada continuará vendendo conveniência no topo da pirâmide. O restante do mercado, silenciosamente, caminha em direção aos pesos que pode chamar de seus.
Leia a seguir: Apple Perde O Controle Sobre Os Preços De Memória E O Consumidor Paga A Conta
