Parceiros de venture capital falam sobre a transição da Nvidia: “sintetizar um hiperescaleiro em versão aprimorada” vai substituir a Microsoft e a Google
O sócio da Altimeter Capital, Clark Tang, afirmou em um post recente que a Nvidia (Nvidia) está concluindo, em uma velocidade surpreendente, uma mudança de posicionamento que o mercado quase não notou. Ela domina tanto a camada de operação de software dos hiperescaleiros (Hyperscalers) quanto a camada de financiamento, criando um “hiperescaleiro sintético (Synthetic Hyperscaler)”, que está substituindo o papel da Amazon, Microsoft e Google na cadeia de fornecimento de computação para IA. (Como a Nvidia responde ao “deshiperescaladorização sem a Nvidia”? Desvendando o caminho de transformação do líder em chips de IA)
O que é um Hyperscaler? No tempo da IA, modelos de negócios antigos perdem eficiência
Tang primeiro esclarece a essência dos hiperescaleiros: como um conjunto de infraestrutura em grande escala, eles abrangem CPU, rede e armazenamento, e sobre isso instalam plataformas de desenvolvimento. O modelo de negócios se baseia em dois pilares:
Financeiramente, ele transforma os gastos de capital dos clientes (Capex) em despesas operacionais (Opex), ajudando as empresas a suavizar suas obrigações financeiras.
Operacionalmente, ele usa software para abstrair os recursos subjacentes, permitindo que desenvolvedores consumam poder de computação sem precisar entender detalhes do hardware.
Eles mantêm a AWS, Azure e GCP por muito tempo com margens de lucro operacional entre 35% e 40%, graças a grandes compras de hardware, redução do custo de capital e, depois, uso do software para elevar a taxa de utilização do hardware.
No entanto, a chegada da era da IA abala a base desse modelo. Treinar grandes modelos exige clusters massivos de GPUs operando de forma sincronizada; já a carga de trabalho de inferência (Inference) é extremamente sensível ao número de tokens por watt (Tokens per Watt) e ao atraso do primeiro token (Time to First Token). Ambos divergem completamente do desenho da era de nuvem de “multi-inquilinos” e “maximizar a densidade de máquinas virtuais”.
Em clusters de treinamento, um atraso em um único nó pode derrubar o trabalho inteiro. A virtualização e as camadas de sobreposição de rede que os tradicionais hiperescaleiros costumam usar, na prática, viram um assassino da eficiência das GPUs. Tang afirma que, diante dessa mudança de paradigma, os hiperescaleiros caem na armadilha do inovador (Innovator’s Dilemma): “eles não querem abrir mão das margens de 35% a 40%, e preferem comprimir o espaço de margem bruta de 75% da Nvidia para 25% usando as próprias soluções ASIC, mas continuam atrasados em velocidade de execução e flexibilidade tecnológica”.
A ascensão dos Neoclouds, mas com limitações na estrutura do balanço
Nesse contexto, empresas emergentes de serviços em nuvem (Neoclouds) enxergaram uma oportunidade e criaram um ecossistema. Elas perceberam que o Hyperscaler não passa de uma camada fina de software envolvendo hardware de Nvidia já pronto, auferindo lucros robustos; os Neoclouds conseguem participar da concorrência com margens brutas de 20% ou até menores.
O mais crucial é que a Neocloud e a Nvidia desenvolveram em conjunto softwares projetados especificamente para cargas de trabalho de IA, incluindo backup térmico/backup de contingência, manutenção preditiva e softwares de armazenamento otimizados para cenários de treinamento, com taxas mais baixas. Laboratórios de IA começaram a demonstrar preferência clara por colaborar com a Neocloud. As críticas aos Hyperscalers se concentram principalmente em três pontos: avançam rápido demais, a montagem de clusters é excessivamente rígida e as camadas de virtualização reduzem a eficiência das GPUs.
Ainda assim, os Neoclouds têm uma fraqueza estrutural difícil de superar: balanço patrimonial fraco. Como os Hyperscalers têm um rating de crédito alto devido ao tamanho, conseguem financiar a construção de capacidade antes que a demanda fique clara, e depois arbitram quando a demanda chega. Já os tomadores dos Neoclouds só querem empréstimos para o hardware sustentado por contratos existentes, e, no início, os próprios laboratórios de IA tendem a ter um rating voltado a apostas, o que eleva o custo de financiamento.
Essa barreira impede que a Neocloud faça, de forma semelhante à Colossus de Musk, apostas ousadas em capacidade antes de a demanda se concretizar.
O tabuleiro da Nvidia: dominar simultaneamente a camada operacional e a de financiamento
Tang acredita que, nos últimos anos, a Nvidia discretamente já replicou duas capacidades-chave dos hiperescaleiros, e isso não foi coincidência: foi um plano executado passo a passo.
Na camada operacional, a Nvidia lançou o DSX OS e o Mission Control para gerenciar equipes de GPUs. Com o DSX como design de referência e o Omniverse fornecendo roteiros padronizados para a construção de data centers, e usando a estrutura Dynamo para atender serviços de inferência, essas ferramentas em conjunto formam um sistema operacional completo para operação de data centers de IA, que é aberto para qualquer equipe com capacidade técnica e espaço em salas de servidores.
Na camada de financiamento, a Nvidia primeiro padronizou seus ativos de hardware, usando o design de referência para provar a “intercambiabilidade e transferibilidade entre clientes” — ou seja, a possibilidade de mover capacidade — a investidores de infraestrutura, de modo que esse tipo de ativo passe na due diligence financeira com uma taxa de retorno sem alavancagem de 7% a 8% (Unlevered Yield). Em seguida, introduziu capital de terceiros em escala de até 500 bilhões de dólares; os parceiros incluem Apollo, BlackRock, Blackstone, Goldman Sachs e KKR, e foram estabelecidas, em sequência, seis plataformas independentes de financiamento.
A linha do tempo indica que se trata de uma estratégia cuidadosamente planejada: em 2023, a Nvidia assinou o acordo-mãe com a CoreWeave; em 2024, viabilizou a parceria de infraestrutura de IA com a BlackRock; em 2025, viabilizou o fundo de 100 bilhões de dólares da Brookfield; e em 2026, avançou a parceria com a KKR Helix. O fato de Huang Renxun ter feito visitas intensas à Europa, Oriente Médio e Sudeste Asiático em 2025, tem justamente a ver com a obra no terreno desses novos pontos de computação.
Circulação de capital e dúvidas sobre financiabilidade; Tang refuta uma a uma
Diante das principais críticas do mercado a essa narrativa, Tang também respondeu uma por uma.
Quanto à preocupação com a circularidade do capital, ele aponta que as seis instituições — incluindo Apollo e BlackRock — subscrevem de forma independente, sem ligação entre si,...
O sócio da Altimeter Capital, Clark Tang, afirmou em um post recente que a Nvidia (Nvidia) está concluindo, em uma velocidade surpreendente, uma mudança de posicionamento que o mercado quase não notou. Ela domina tanto a camada de operação de software dos hiperescaleiros (Hyperscalers) quanto a camada de financiamento, criando um “hiperescaleiro sintético (Synthetic Hyperscaler)”, que está substituindo o papel da Amazon, Microsoft e Google na cadeia de fornecimento de computação para IA. (Como a Nvidia responde ao “deshiperescaladorização sem a Nvidia”? Desvendando o caminho de transformação do líder em chips de IA)
O que é um Hyperscaler? No tempo da IA, modelos de negócios antigos perdem eficiência
Tang primeiro esclarece a essência dos hiperescaleiros: como um conjunto de infraestrutura em grande escala, eles abrangem CPU, rede e armazenamento, e sobre isso instalam plataformas de desenvolvimento. O modelo de negócios se baseia em dois pilares:
Financeiramente, ele transforma os gastos de capital dos clientes (Capex) em despesas operacionais (Opex), ajudando as empresas a suavizar suas obrigações financeiras.
Operacionalmente, ele usa software para abstrair os recursos subjacentes, permitindo que desenvolvedores consumam poder de computação sem precisar entender detalhes do hardware.
Eles mantêm a AWS, Azure e GCP por muito tempo com margens de lucro operacional entre 35% e 40%, graças a grandes compras de hardware, redução do custo de capital e, depois, uso do software para elevar a taxa de utilização do hardware.
No entanto, a chegada da era da IA abala a base desse modelo. Treinar grandes modelos exige clusters massivos de GPUs operando de forma sincronizada; já a carga de trabalho de inferência (Inference) é extremamente sensível ao número de tokens por watt (Tokens per Watt) e ao atraso do primeiro token (Time to First Token). Ambos divergem completamente do desenho da era de nuvem de “multi-inquilinos” e “maximizar a densidade de máquinas virtuais”.
Em clusters de treinamento, um atraso em um único nó pode derrubar o trabalho inteiro. A virtualização e as camadas de sobreposição de rede que os tradicionais hiperescaleiros costumam usar, na prática, viram um assassino da eficiência das GPUs. Tang afirma que, diante dessa mudança de paradigma, os hiperescaleiros caem na armadilha do inovador (Innovator’s Dilemma): “eles não querem abrir mão das margens de 35% a 40%, e preferem comprimir o espaço de margem bruta de 75% da Nvidia para 25% usando as próprias soluções ASIC, mas continuam atrasados em velocidade de execução e flexibilidade tecnológica”.
A ascensão dos Neoclouds, mas com limitações na estrutura do balanço
Nesse contexto, empresas emergentes de serviços em nuvem (Neoclouds) enxergaram uma oportunidade e criaram um ecossistema. Elas perceberam que o Hyperscaler não passa de uma camada fina de software envolvendo hardware de Nvidia já pronto, auferindo lucros robustos; os Neoclouds conseguem participar da concorrência com margens brutas de 20% ou até menores.
O mais crucial é que a Neocloud e a Nvidia desenvolveram em conjunto softwares projetados especificamente para cargas de trabalho de IA, incluindo backup térmico/backup de contingência, manutenção preditiva e softwares de armazenamento otimizados para cenários de treinamento, com taxas mais baixas. Laboratórios de IA começaram a demonstrar preferência clara por colaborar com a Neocloud. As críticas aos Hyperscalers se concentram principalmente em três pontos: avançam rápido demais, a montagem de clusters é excessivamente rígida e as camadas de virtualização reduzem a eficiência das GPUs.
Ainda assim, os Neoclouds têm uma fraqueza estrutural difícil de superar: balanço patrimonial fraco. Como os Hyperscalers têm um rating de crédito alto devido ao tamanho, conseguem financiar a construção de capacidade antes que a demanda fique clara, e depois arbitram quando a demanda chega. Já os tomadores dos Neoclouds só querem empréstimos para o hardware sustentado por contratos existentes, e, no início, os próprios laboratórios de IA tendem a ter um rating voltado a apostas, o que eleva o custo de financiamento.
Essa barreira impede que a Neocloud faça, de forma semelhante à Colossus de Musk, apostas ousadas em capacidade antes de a demanda se concretizar.
O tabuleiro da Nvidia: dominar simultaneamente a camada operacional e a de financiamento
Tang acredita que, nos últimos anos, a Nvidia discretamente já replicou duas capacidades-chave dos hiperescaleiros, e isso não foi coincidência: foi um plano executado passo a passo.
Na camada operacional, a Nvidia lançou o DSX OS e o Mission Control para gerenciar equipes de GPUs. Com o DSX como design de referência e o Omniverse fornecendo roteiros padronizados para a construção de data centers, e usando a estrutura Dynamo para atender serviços de inferência, essas ferramentas em conjunto formam um sistema operacional completo para operação de data centers de IA, que é aberto para qualquer equipe com capacidade técnica e espaço em salas de servidores.
Na camada de financiamento, a Nvidia primeiro padronizou seus ativos de hardware, usando o design de referência para provar a “intercambiabilidade e transferibilidade entre clientes” — ou seja, a possibilidade de mover capacidade — a investidores de infraestrutura, de modo que esse tipo de ativo passe na due diligence financeira com uma taxa de retorno sem alavancagem de 7% a 8% (Unlevered Yield). Em seguida, introduziu capital de terceiros em escala de até 500 bilhões de dólares; os parceiros incluem Apollo, BlackRock, Blackstone, Goldman Sachs e KKR, e foram estabelecidas, em sequência, seis plataformas independentes de financiamento.
A linha do tempo indica que se trata de uma estratégia cuidadosamente planejada: em 2023, a Nvidia assinou o acordo-mãe com a CoreWeave; em 2024, viabilizou a parceria de infraestrutura de IA com a BlackRock; em 2025, viabilizou o fundo de 100 bilhões de dólares da Brookfield; e em 2026, avançou a parceria com a KKR Helix. O fato de Huang Renxun ter feito visitas intensas à Europa, Oriente Médio e Sudeste Asiático em 2025, tem justamente a ver com a obra no terreno desses novos pontos de computação.
Circulação de capital e dúvidas sobre financiabilidade; Tang refuta uma a uma
Diante das principais críticas do mercado a essa narrativa, Tang também respondeu uma por uma.
Quanto à preocupação com a circularidade do capital, ele aponta que as seis instituições — incluindo Apollo e BlackRock — subscrevem de forma independente, sem ligação entre si,...