Ontem, a Meta registrou um salto de mais de 11% em um único dia. A Intel e a AMD subiram cerca de 12% e 10%, respectivamente. A causa foi o aumento contínuo de interesse pelo produto Muse de agentes pessoais de IA da Meta. Vale a pena dizer isso, porque pode estar reescrevendo a lógica subjacente de “capacidade de computação de IA”.
1. O que o Muse realmente mudou
A maior parte das IA para consumidores, na essência, ainda é uma ferramenta de perguntas e respostas: você insere um texto, o modelo raciocina e devolve o resultado, e a tarefa termina. O Muse tira a IA da janela de chat e a leva para um fluxo de trabalho real: você define um objetivo, e ele decompõe as etapas, faz login em sites, chama serviços externos, lê o estado da página e, em seguida, decide o próximo passo. Ao lidar com pagamento, e-mail ou reagendar, ele procura sua autorização de forma proativa. Depois de concluir, continua verificando se a tarefa foi finalizada.
O ciclo fechado é: entender o objetivo → definir um plano → chamar ferramentas → observar o resultado → ajustar o plano → continuar executando.
Na IA tradicional, a unidade de trabalho é “uma conversa”. Na era de agentes, a unidade de trabalho é “uma tarefa completa”. A Meta também adicionou um ambiente de execução persistente em nuvem — mesmo se você fechar o app, ele continua rodando em segundo plano. Isso significa que a competição não vai mais avaliar apenas o modelo básico; também pesa o canal de distribuição, os dados do usuário e o ecossistema comercial. A Meta controla uma enorme porta de entrada de usuários. Assim que o Muse acumular e-mails, agendas, hábitos de consumo e histórico de tarefas, o custo de migração fica absurdamente alto: não é só mudar registros de chat, é transferir todo um modo de trabalho.
2. Por que desta vez o impulso foi para a CPU
Nos últimos anos, o principal campo de batalha das infraestruturas de IA foi a GPU. Mas, com a entrada dos agentes no fluxo de trabalho, a estrutura de computação muda: a GPU fica responsável por “pensar” (entender o objetivo, gerar o plano, identificar a página). Já a parte de “fazer” — rodar o sistema, abrir máquinas virtuais, chamar APIs, gerenciar permissões, armazenar e controlar o estado da tarefa — fica toda pressionada na CPU e em servidores tradicionais.
O fluxo de uma cadeia de modelo de chat é: entrada → raciocínio → saída → liberação de recursos. A cadeia do agente é: raciocínio → execução na CPU → espera por respostas externas → leitura de estado novamente → novo raciocínio → nova execução. Uma tarefa longa pode iterar dezenas ou centenas de vezes. O navegador, a máquina virtual, a memória e o estado das tarefas precisam permanecer online. A demanda por capacidade de computação de IA, que antes era “gerar um token”, se expande para “todos os recursos de sistema para concluir uma tarefa”.
Quando o Muse for aberto para dezenas de bilhões de usuários, mesmo que apenas uma pequena parte execute agentes simultaneamente, isso vai gerar um grande volume de máquinas virtuais em concorrência, processos de navegador e chamadas de API. Como um agente pessoal precisa lidar com e-mail, pagamento e permissões de conta, não é possível colocar as tarefas de todos em um único ambiente. Quanto mais se enfatiza o isolamento de segurança, mais é preciso fornecer recursos dedicados e independentes para cada usuário. A demanda por CPU na era dos agentes vem de três linhas: aumento do número de tarefas em paralelo, alongamento do tempo de execução e aperto do isolamento de segurança. É por isso que o mercado voltou a mirar servidores com múltiplos núcleos — há até quem acredite que a demanda por núcleos de CPU pode dobrar no futuro, e que a proporção entre CPU e GPU tenderá a 1:1.
Em uma frase, o framework de observação é: quando o custo do raciocínio cair, o gargalo da IA deixará de ser “o modelo consegue pensar” e passará a ser “a execução em segundo plano consegue ser feita em concorrência com custo suficientemente baixo”.
3. Como a demanda por computação vira lucro
Demanda não é igual a lucro. O ponto-chave é o modelo de economia unitária do Muse. Há assinaturas em duas faixas: versão gratuita mais 20 dólares, e 100 dólares. No futuro, ainda pode haver monetização via agentes empresariais, interfaces para desenvolvedores e comissões de transações. Como o Muse consegue identificar a intenção real de consumo, o valor teórico por usuário pode ser maior do que o de cliques tradicionais em anúncios. Há organizações que estimam que a receita futura pode ultrapassar 10 bilhões de dólares.
Mas a estrutura de custos dos agentes é diferente: é preciso fornecer máquinas virtuais para os usuários, ocupar memória, “gastar” rede e ajustar modelos. Quanto mais pesado for o uso, maior será o custo em segundo plano. As duas faixas de assinatura, na essência, também são controle de recursos — limitar volume de tarefas, limitar número de chamadas e limitar duração em segundo plano. Em comparação com assinatura fixa, comissão sobre transações se encaixa melhor na estrutura de custos de agentes.
Já um modelo transacionável pode explodir conflitos na plataforma. A Amazon já cortou o acesso do Muse às compras dentro do seu app — depois que o agente conclui a busca e o pedido pelo usuário, ele passa por cima da página de recomendações e dos anúncios. Plataformas de terceiros provavelmente seguirão um de três caminhos: cobrar pelo acesso via interface aberta, exigir divisão de receita em transações ou bloquear o acesso não autorizado. Qualquer caminho tende a comprimir a fronteira de serviços do Muse e a margem de lucro.
4. Entenda essa cadeia de transmissão
Para a Meta: o Muse é o teste decisivo para saber se o capital de IA em forma de investimento pode se converter em receita para consumidores — downloads provam distribuição, a taxa de conclusão determina o valor, a retenção e o pagamento determinam a receita e o custo unitário de cada tarefa determina a margem de lucro.
Para a Intel: a GPU pensa; a CPU executa. Se agentes para consumidores forem implantados em grande escala, a CPU do servidor pode deixar de ser um acessório e se tornar a peça-chave que determina escala de concorrência e custo operacional.
A cadeia completa é: agentes para consumidores obtêm o acesso do usuário → as tarefas deixam de ser apenas perguntas e respostas e passam a execução contínua → máquina virtual, navegador e chamadas de ferramentas disparam → aumentam as necessidades de CPU, memória e rede → o custo da infraestrutura sobe → assinaturas e receitas de transações verificam a economia unitária → a demanda por chips, por fim, se converte em lucro do fornecedor.
A GPU define se o agente consegue “pensar” com clareza. CPU e infraestrutura de sistema determinam se ele consegue fazer a mesma coisa ao mesmo tempo para um número suficiente de pessoas. E o retorno final do capital depende de quanto dinheiro se ganha a cada tarefa concluída para conseguir cobrir os custos de toda a cadeia de execução.
1. O que o Muse realmente mudou
A maior parte das IA para consumidores, na essência, ainda é uma ferramenta de perguntas e respostas: você insere um texto, o modelo raciocina e devolve o resultado, e a tarefa termina. O Muse tira a IA da janela de chat e a leva para um fluxo de trabalho real: você define um objetivo, e ele decompõe as etapas, faz login em sites, chama serviços externos, lê o estado da página e, em seguida, decide o próximo passo. Ao lidar com pagamento, e-mail ou reagendar, ele procura sua autorização de forma proativa. Depois de concluir, continua verificando se a tarefa foi finalizada.
O ciclo fechado é: entender o objetivo → definir um plano → chamar ferramentas → observar o resultado → ajustar o plano → continuar executando.
Na IA tradicional, a unidade de trabalho é “uma conversa”. Na era de agentes, a unidade de trabalho é “uma tarefa completa”. A Meta também adicionou um ambiente de execução persistente em nuvem — mesmo se você fechar o app, ele continua rodando em segundo plano. Isso significa que a competição não vai mais avaliar apenas o modelo básico; também pesa o canal de distribuição, os dados do usuário e o ecossistema comercial. A Meta controla uma enorme porta de entrada de usuários. Assim que o Muse acumular e-mails, agendas, hábitos de consumo e histórico de tarefas, o custo de migração fica absurdamente alto: não é só mudar registros de chat, é transferir todo um modo de trabalho.
2. Por que desta vez o impulso foi para a CPU
Nos últimos anos, o principal campo de batalha das infraestruturas de IA foi a GPU. Mas, com a entrada dos agentes no fluxo de trabalho, a estrutura de computação muda: a GPU fica responsável por “pensar” (entender o objetivo, gerar o plano, identificar a página). Já a parte de “fazer” — rodar o sistema, abrir máquinas virtuais, chamar APIs, gerenciar permissões, armazenar e controlar o estado da tarefa — fica toda pressionada na CPU e em servidores tradicionais.
O fluxo de uma cadeia de modelo de chat é: entrada → raciocínio → saída → liberação de recursos. A cadeia do agente é: raciocínio → execução na CPU → espera por respostas externas → leitura de estado novamente → novo raciocínio → nova execução. Uma tarefa longa pode iterar dezenas ou centenas de vezes. O navegador, a máquina virtual, a memória e o estado das tarefas precisam permanecer online. A demanda por capacidade de computação de IA, que antes era “gerar um token”, se expande para “todos os recursos de sistema para concluir uma tarefa”.
Quando o Muse for aberto para dezenas de bilhões de usuários, mesmo que apenas uma pequena parte execute agentes simultaneamente, isso vai gerar um grande volume de máquinas virtuais em concorrência, processos de navegador e chamadas de API. Como um agente pessoal precisa lidar com e-mail, pagamento e permissões de conta, não é possível colocar as tarefas de todos em um único ambiente. Quanto mais se enfatiza o isolamento de segurança, mais é preciso fornecer recursos dedicados e independentes para cada usuário. A demanda por CPU na era dos agentes vem de três linhas: aumento do número de tarefas em paralelo, alongamento do tempo de execução e aperto do isolamento de segurança. É por isso que o mercado voltou a mirar servidores com múltiplos núcleos — há até quem acredite que a demanda por núcleos de CPU pode dobrar no futuro, e que a proporção entre CPU e GPU tenderá a 1:1.
Em uma frase, o framework de observação é: quando o custo do raciocínio cair, o gargalo da IA deixará de ser “o modelo consegue pensar” e passará a ser “a execução em segundo plano consegue ser feita em concorrência com custo suficientemente baixo”.
3. Como a demanda por computação vira lucro
Demanda não é igual a lucro. O ponto-chave é o modelo de economia unitária do Muse. Há assinaturas em duas faixas: versão gratuita mais 20 dólares, e 100 dólares. No futuro, ainda pode haver monetização via agentes empresariais, interfaces para desenvolvedores e comissões de transações. Como o Muse consegue identificar a intenção real de consumo, o valor teórico por usuário pode ser maior do que o de cliques tradicionais em anúncios. Há organizações que estimam que a receita futura pode ultrapassar 10 bilhões de dólares.
Mas a estrutura de custos dos agentes é diferente: é preciso fornecer máquinas virtuais para os usuários, ocupar memória, “gastar” rede e ajustar modelos. Quanto mais pesado for o uso, maior será o custo em segundo plano. As duas faixas de assinatura, na essência, também são controle de recursos — limitar volume de tarefas, limitar número de chamadas e limitar duração em segundo plano. Em comparação com assinatura fixa, comissão sobre transações se encaixa melhor na estrutura de custos de agentes.
Já um modelo transacionável pode explodir conflitos na plataforma. A Amazon já cortou o acesso do Muse às compras dentro do seu app — depois que o agente conclui a busca e o pedido pelo usuário, ele passa por cima da página de recomendações e dos anúncios. Plataformas de terceiros provavelmente seguirão um de três caminhos: cobrar pelo acesso via interface aberta, exigir divisão de receita em transações ou bloquear o acesso não autorizado. Qualquer caminho tende a comprimir a fronteira de serviços do Muse e a margem de lucro.
4. Entenda essa cadeia de transmissão
Para a Meta: o Muse é o teste decisivo para saber se o capital de IA em forma de investimento pode se converter em receita para consumidores — downloads provam distribuição, a taxa de conclusão determina o valor, a retenção e o pagamento determinam a receita e o custo unitário de cada tarefa determina a margem de lucro.
Para a Intel: a GPU pensa; a CPU executa. Se agentes para consumidores forem implantados em grande escala, a CPU do servidor pode deixar de ser um acessório e se tornar a peça-chave que determina escala de concorrência e custo operacional.
A cadeia completa é: agentes para consumidores obtêm o acesso do usuário → as tarefas deixam de ser apenas perguntas e respostas e passam a execução contínua → máquina virtual, navegador e chamadas de ferramentas disparam → aumentam as necessidades de CPU, memória e rede → o custo da infraestrutura sobe → assinaturas e receitas de transações verificam a economia unitária → a demanda por chips, por fim, se converte em lucro do fornecedor.
A GPU define se o agente consegue “pensar” com clareza. CPU e infraestrutura de sistema determinam se ele consegue fazer a mesma coisa ao mesmo tempo para um número suficiente de pessoas. E o retorno final do capital depende de quanto dinheiro se ganha a cada tarefa concluída para conseguir cobrir os custos de toda a cadeia de execução.