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 das bolsas dos EUA. O gatilho foi o DeepSeek, e seu “erro” foi ser aberto.
Até o Bitcoin (BTC) balançou quando o mercado assimilou uma ideia simples: a fronteira da IA deixou de ser monopólio de meia dúzia de laboratórios fechados.
Pontos-chave
- Modelos de pesos abertos divulgam seus parâmetros treinados para que qualquer um possa baixar, rodar e adaptar, o que difere de IA totalmente open source, que também inclui dados de treino e código.
- O gap de qualidade medido 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, pressão por soberania nacional, regulação mais favorável e um ecossistema massivo de desenvolvedores dão aos pesos abertos um impulso real contra players que só oferecem acesso via API.
O que realmente significa IA de pesos abertos
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, rodar em sua própria infraestrutura e fazer 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 define uma barra bem mais alta. Para se qualificar, é preciso liberar pesos, código de treino e detalhes suficientes sobre os dados de treinamento para que alguém qualificado consiga, em grande medida, recriar o sistema.
A maioria dos modelos hoje vendidos como open source não passa nesse teste. O Llama da Meta, o Qwen da Alibaba e o próprio DeepSeek entregam os pesos, mas não a receita completa dos dados.
A Open Source Initiative é direta nessa distinção, destacando que apenas liberar pesos não garante as liberdades do software open source. Essa diferença alimenta uma briga constante 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 desenvolvedores, o prêmio são os pesos. Com eles é possível servir um modelo, encolhê-lo, retreiná-lo e embarcá-lo em produtos. Na prática, cada categoria entrega algo distinto:
- Peso aberto: 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 suficiente dos dados para reconstruir o modelo.
- Fechado: nada para download, apenas acesso medido via interface.
É 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 jogam o jogo inverso. Mantêm seus melhores pesos trancados em seus data centers e vendem acesso via API. Você envia o prompt, recebe a resposta e nunca encosta no modelo.
Essa arquitetura faz sentido comercial. Protege o investimento em treinamento, garante receita recorrente por uso e permite ao laboratório ajustar o comportamento ou cortar o acesso quando quiser.
Também há um argumento de segurança. O CEO da Anthropic, Dario Amodei, sustenta que, uma vez que os pesos se tornam públicos, o desenvolvedor perde a capacidade de atualizar barreiras de segurança ou “puxar da tomada” um sistema perigoso.
O problema é a dependência.
Quando o modelo só existe nos servidores de terceiros, é o fornecedor que define preço, disponibilidade, termos de uso de dados e calendário de descontinuação. Seu produto passa a rodar sobre uma infraestrutura que você não controla nem consegue auditar.
Apesar de anos defendendo pesquisa aberta, a OpenAI não lançava um 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 exercida pelos pesos abertos. A empresa que construiu o negócio de API fechada precisou responder ao campo aberto em seu próprio terreno.
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 vitória total dos pesos abertos. A fronteira tecnológica ainda é dominada pelos grandes laboratórios, e os riscos são reais. Mas a direção do movimento é consistente há três anos — e é contrária ao modelo fechado, medido por API.
O que mudou é que os argumentos para pagar mais caro para “alugar uma caixa-preta” ficam cada vez mais fracos. A convergência é técnica, econômica e política ao mesmo tempo.
Eis dez razões pelas quais o pêndulo mudou de lado.
O gap de qualidade praticamente sumiu
O fato central é a convergência. O AI Index 2025 de Stanford apurou 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 fronteira também ficou mais povoada. O intervalo entre o primeiro e o décimo colocados encolheu de 11,9% para 5,4% em um único 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 precificação para qualquer um cujo modelo de negócios dependa de exclusividade.
O preço da inteligência desabou
O custo caiu ainda mais rápido que o gap de qualidade. Com base em dados da Epoch AI e da Artificial Analysis, o AI Index relatou que o preço para rodar uma consulta no nível do 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.
Trata-se de uma queda de aproximadamente 280 vezes em menos de dois anos.
O DeepSeek levou essa lógica também ao treinamento. Seu relatório técnico do V3 alega um treino final de cerca de US$ 5,6 milhões em 2.048 GPUs Nvidia H800, contra dezenas ou centenas de milhões gastos em modelos ocidentais comparáveis. Inteligência barata favorece quem consegue distribuí-la amplamente, não quem a guarda com mais zelo.
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 descontinuar a versão da qual seu produto depende.
Com os pesos em mãos, essa alavanca some. Você pode “congelar” uma versão, rodá-la por anos e trocar de provedor sem reescrever toda a pilha.
Lock-in de fornecedor não é preocupação teórica. Ele aparece como custo de troca, migrações forçadas e tabelas de preço inegociáveis. Ter os pesos reduz cada um desses fatores:
- Congelar uma versão de modelo e mantê-la estável pelo tempo que for necessário.
- Mudar entre clouds ou rodar em infraestrutura própria sem reengenharia profunda.
- Evitar desativações surpresa que quebram um produto em produção da noite para o dia.
Mesmo licenças abertas generosas trazem ressalvas 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 muitos puristas se recusam a chamar o Llama de open source.
Privacidade e soberania de dados
Há dados que, por lei, não podem sair do prédio. Hospitais, bancos e órgãos públicos geralmente não podem enviar informações sensíveis para uma API de terceiros.
Pesos abertos resolvem isso levando o modelo até os dados. Você roda inferência on-premises ou em nuvem privada, sem que nada sensível cruze a fronteira de um fornecedor.
Essa única característica está abrindo portas que APIs fechadas não conseguem atravessar. Em implantações reguladas, controle on-prem muitas vezes é o fator decisivo.
Nações estão construindo seus próprios modelos
A preocupação com soberania digital tornou-se global. Governos veem a dependência de poucas APIs americanas ou chinesas como risco estratégico.
Em 2 de setembro de 2025, EPFL, ETH Zurich e o Centro Suíço de Supercomputação Nacional lançaram o Apertus, um modelo totalmente aberto treinado em 15 trilhões de tokens e mais de mil idiomas. O Technology Innovation Institute, de Abu Dhabi, vem impulsionando a família aberta Falcon desde 2023, e outros países seguiram com esforços nacionais próprios.
O padrão se repete em várias regiões:
- A Suíça lançou o Apertus com pesos, dados e código todos públicos.
- Os Emirados Árabes Unidos vêm liberando sucessivas versões do Falcon sob termos permissivos.
- França, Índia, Japão e Coreia do Sul já apoiam programas domésticos de modelos ou de computação para IA.
Não se constrói IA soberana sobre um modelo que só pode ser alugado. Pesos abertos são pré-condição — o que torna governos aliados naturais do campo aberto.
Reguladores pendem para o lado aberto
A política pública começou a favorecer a abertura. Em 23 de julho de 2025, a Casa Branca publicou o “America’s AI Action Plan”, com uma seção intitulada “Encourage Open-Source and Open-Weight AI”.
A Europa segue lógica parecida, ainda que com outra retórica. A Lei de IA da UE concede a provedores de modelos de propósito geral gratuitos e open source uma isenção parcial de algumas obrigações de documentação, desde que o modelo não seja classificado como risco sistêmico.
Os incentivos agora apontam para liberar, não trancar, ao menos para modelos abaixo da fronteira mais avançada. Quando o principal governo na corrida da IA passa a incentivar pesos abertos, o padrão fechado perde parte de sua vantagem presumida.
O ecossistema de desenvolvedores virou um flywheel
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 superou 1 bilhão de downloads em 18 de março de 2025, ante 650 milhões no início de dezembro de 2024, enquanto o Qwen da Alibaba atingiu 700 atingiu a marca de milhões de downloads acumulados no Hugging Face até janeiro de 2026 e deu origem a mais de 180.000 versões derivadas, ultrapassando o Llama como a família aberta com mais “forks” no mercado.
Cada fine-tune, adapter e quantização criado em cima de um modelo aberto aprofunda a sua vantagem competitiva. Uma API fechada não captura esse efeito de composição do esforço comunitário, porque ninguém consegue construir em cima de um modelo que não pode de fato possuir.
Roda No Seu Laptop
Pesos abertos se conectam ao 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 fazer fine-tune sem precisar retreinar o modelo inteiro.
Os runtimes locais levaram isso ao grande público. Ollama, llama.cpp e vLLM hoje permitem que desenvolvedores sirvam modelos sofisticados 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 exatamente o que o modelo tarifado, entregue apenas via nuvem, não consegue oferecer.
Auditabilidade E Interpretabilidade
Não se inspeciona aquilo que não se vê. APIs fechadas devolvem apenas saídas, sem qualquer forma de examinar o mecanismo por trás delas.
Pesos abertos permitem que pesquisadores testem o modelo diretamente, estudem seus modos de falha e avaliem sua segurança de forma pública. Essa transparência é justamente o motivo pelo qual o campo open source argumenta que seus modelos tendem a ser mais fáceis, e não mais difíceis, de tornar confiáveis ao longo do tempo.
Para setores regulados que precisam justificar decisões, essa visibilidade não é um luxo. É, muitas vezes, uma exigência legal.
A Fronteira Descentralizada
O argumento mais recente está na encruzilhada entre IA e cripto. Se os pesos são abertos, a computação para treinar e servir esses modelos não precisa ficar concentrada no data center de uma única empresa.
Projetos como o Prime Intellect já treinaram modelos em hardware distribuído globalmente, com esquemas de verificação para garantir que as máquinas remotas de fato executaram o trabalho declarado. 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 eixo competitivo genuinamente novo, que os laboratórios fechados não conseguem copiar.
Leia também: Pixel 11 ficará mais caro, e o Google culpa os data centers de IA
O Veredito
Pesos abertos não vão extinguir os laboratórios fechados. A fronteira da pesquisa ainda favorece quem mais gasta com computação, os lançamentos open ainda chegam alguns meses depois dos melhores modelos proprietários, e pesos públicos carregam riscos de uso indevido que não podem ser “recolhidos” após a publicação.
Mas “superar” não significa “apagar”. Significa deslocar o centro de gravidade — e esse deslocamento já começou.
O gap de qualidade está estreito, o custo marginal de inteligência está próximo de zero, e governos, desenvolvedores e reguladores seguem escolhendo modelos que podem, de fato, deter. 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.
Próxima leitura: Apple perde o controle sobre os preços de memória — e o consumidor paga a conta