• Hiperescaladores listam GPUs H100, H200 e B200 por 1,98 vez o preço mediano de provedores de nuvem de GPUs.

• A H100 apresenta a maior diferença, de 2,8x; na B200, a diferença é de 1,4x.

• Um compromisso de três anos com GPUs reduz o preço mediano em 48% em relação à tarifa sob demanda do mesmo provedor.

Hiperescaladores listam GPUs a 1,98x

Os hiperescaladores listaram capacidade computacional de GPU a 1,98 vez a mediana de provedores especializados em nuvem de GPUs, segundo um estudo divulgado na segunda-feira pela Fluence, que abrangeu as GPUs H100, H200 e B200 com base nas tarifas horárias publicadas. O relatório, The AI Compute Race, foi elaborado com parceiros de pesquisa: NEAR AI, io.net, Boundless, Phala, Gensyn, Fortytwo, Theta, Compute Labs e GAIB. Seu argumento central é simples: o local onde uma empresa compra uma hora de GPU determina quanto ela paga. A diferença vai de 1,4 vez na B200 a 2,8 vezes na H100, e a mesma H200 é anunciada por valores que variam de US$ 4,08 a US$ 10,60 por hora, dependendo do provedor. A duração do compromisso importa tanto quanto a escolha do fornecedor: uma reserva de um ano reduz o preço mediano em 21% em relação à tarifa sob demanda do mesmo provedor; um contrato de três anos, em 48%; e a capacidade spot interrompível é anunciada por 53% do valor sob demanda. Quem espera uma redução de preços não a encontrará na tendência. Dezessete dos 22 modelos de GPU monitorados pelo agregador de preços GetDeploying custam mais do que há um ano, e os preços medianos de aluguel da H100 estão de 13% a 30% mais altos, dependendo do período analisado. O relatório atribui essa alta a três fatores. Os modelos de pesos abertos agora respondem por mais uso: a participação dos modelos chineses nos tokens do OpenRouter entre empresas dos EUA, da Europa e do Sul Global subiu de 6–13% para 57–67% em menos de oito meses. Assim, qualquer empresa que tenha GPUs pode oferecer um modelo próximo da fronteira tecnológica usando hardware sob seu controle. Os maiores compradores garantiram o fornecimento mais recente: os quatro maiores hiperescaladores preveem gastos de capital de US$ 720 bilhões a US$ 740 bilhões em 2026, e os quatro maiores acordos divulgados entre laboratórios de IA, a Meta e provedores de nuvem emergentes somam cerca de US$ 233 bilhões, em grande parte destinados a capacidade ainda não entregue. A hora de GPU também está se tornando um ativo financeiro: CME, ICE e Nodal Exchange anunciaram contratos futuros de GPU baseados em índices de preços distintos, e credores estão concedendo empréstimos com hardware como garantia. O empréstimo da Lambda, com grau de investimento, foi precificado em 6,78%, e o da Sharon AI, em 9,95%. “As GPUs são a parte difícil”, disse Evgeny Ponomarev, cofundador da Fluence, sobre a mudança para modelos de pesos abertos. O relatório termina com quatro formas de reduzir custos: comparar o mesmo chip entre diferentes tipos de provedores, assumir compromissos quando a carga de trabalho for estável, adequar a geração da GPU ao modelo e considerar opções além dos hiperescaladores.

Como foi medida a diferença de 1,98x

O valor de 1,98x é a mediana das tarifas horárias publicadas, não uma afirmação de que todos os contratos custam o dobro num hiperescalador. A amostra que lhe serve de base variou conforme o modelo: a comparação do H100 abrangeu três hiperescaladores e sete clouds de GPU; a do H200, três e seis; e a do B200, dois e seis, porque a Azure não publica uma tarifa para o seu produto B200 de oito GPUs. O relatório converte o preço total desses pacotes numa tarifa por hora e por GPU. Os preços de tabela também estão sujeitos a condições. A página de preços da Google Cloud não apresentava os nomes das regiões, e a tarifa do H200 da Azure é apresentada para a região US East 2, enquanto as tarifas por instância dos hiperescaladores podem incluir CPU, memória e rede, ao passo que alguns especialistas cobram apenas pela GPU. O teste de sensibilidade do relatório concluiu que excluir um único hiperescalador alterava a diferença medida do H100 em 15 a 52 pontos percentuais; por isso, o múltiplo em destaque depende tanto da amostra como do mercado. O intervalo do H200 — de 4,08 a 10,60 dólares por hora — mostra a dispersão: o mesmo silício é anunciado a preços que diferem em mais de 2,5 vezes. O acompanhamento independente aponta na mesma direção, mas com magnitudes diferentes. Os dados semanais da GetDeploying de 9 de novembro contabilizaram 17 dos 22 modelos de GPU comparáveis com preços mais altos e cinco com preços mais baixos no último ano, com uma variação mediana de 15%; a análise do próprio relatório sobre o mesmo conjunto aponta para um aumento mediano de 19%. Ambos apontam para um desconto de 48% a três anos, mas o desconto a um ano é de 21% contra 25%, e a capacidade spot corresponde a 53% contra 56% do preço sob demanda. Há uma ressalva relacionada com a entidade que publicou o relatório: a Fluence opera uma cloud de GPU que agrega capacidade de centros de dados independentes, pelo que vende capacidade computacional no mercado cujos preços analisa. O relatório abrange apenas tarifas de aluguer e não apresenta valores que relacionem as diferenças de preços com a FLT, o token em que opera a Fluence DAO na Ethereum.

Capacidade contratada antecipadamente e gastos em 2026

Considerados em conjunto, as conclusões e as ressalvas deixam os compradores com um plano de ação mais limitado, mas mais claro. A mediana de 1,98x indica uma tendência, não um valor exato, mas a direção é inequívoca; o desconto de 48% a três anos é a maior alavanca individual para reduzir os custos de cargas de trabalho contínuas. Como 17 dos 22 modelos registaram preços mais altos no último ano, o mercado de aluguer tem-se comportado como um mapa de suporte e resistência em câmara lenta, estabelecendo pisos em vez de os quebrar. Os 720 a 740 mil milhões de dólares em despesas de capital dos hiperescaladores e cerca de 233 mil milhões de dólares em negócios neocloud divulgados apontam para uma escassez contínua das GPUs mais recentes, o que torna a comparação entre fornecedores e a contratação antecipada as duas medidas respaldadas pelos dados.