A vida útil das GPUs de IA no centro de uma nova conta
A discussão sobre a vida útil das GPUs de IA deixou de ser um detalhe técnico para se tornar um assunto estratégico para empresas e investidores. Com investimentos enormes em infraestrutura para inteligência artificial, a maneira como companhias como Google, Oracle e Microsoft estimam a durabilidade dos servidores impacta diretamente os resultados financeiros, e por isso a depreciação desses chips entrou no radar do mercado.
Por que há tanta divergência na estimativa de vida útil das GPUs de IA
O boom da IA moderna tem apenas alguns anos, e isso dificulta prever quanto tempo uma GPU permanece eficiente. Para muitos executivos, ampliar o período de depreciação alivia a pressão sobre lucros, enquanto críticos afirmam que essa prática pode inflar resultados. O investidor Michael Burry afirmou à CNBC que o tempo real de uso desses equipamentos é bem menor, estimando que os chips funcionem plenamente por dois a três anos, o que faria várias big techs inflarem seus resultados.
Do outro lado, há empresas que defendem ciclos mais longos. A CoreWeave, que compra GPUs e as aluga, trabalha com ciclos de depreciação de seis anos desde 2023. Michael Intrator, CEO da CoreWeave, explica que as GPUs Nvidia A100, lançadas em 2020, seguem totalmente ocupadas, já que todos os clientes continuam pagando para usá-las. Já um lote de chips Nvidia H100, de 2022, ficou disponível recentemente e foi alugado por quase o mesmo valor de quando eram novos, cerca de 95% do preço original, reforçando que modelos anteriores ainda sustentam forte demanda.
Inovação acelerada pressiona valor de mercado e contabilidade
A principal razão para a incerteza sobre a vida útil das GPUs de IA é o ritmo de inovação. A Nvidia, por exemplo, passou a renovar suas linhas de IA anualmente em vez de a cada dois anos, e a AMD seguiu tendência similar. Durante a apresentação do novo chip Blackwell, o CEO da Nvidia comentou que quando o Blackwell começar a ser comercializado em grande volume, ninguém vai conseguir vender o Hoppers, uma declaração que ilustra como lançamentos podem canibalizar gerações anteriores.
Na prática, a indústria convive com lançamentos frequentes e funcionalidades que rapidamente tornam modelos antigos menos atraentes para tarefas de ponta. A Amazon também reduziu a previsão de seis para cinco anos para parte dos servidores, alegando um ritmo acelerado de desenvolvimento tecnológico. Já a Microsoft evita comprar grandes lotes de uma única geração, atribuindo ao avanço rápido da Nvidia a necessidade de espaçar investimentos para não ficar presa a quatro ou cinco anos de depreciação.
O que determina a vida útil real das GPUs de IA
Definir a vida útil das GPUs de IA envolve fatores técnicos, de mercado e contábeis. Do ponto de vista técnico, algumas GPUs continuam úteis para cargas menos complexas mesmo após lançamentos posteriores, e operadores de nuvem conseguem reciclar capacidade para tarefas que demandam menos desempenho. Do ponto de vista de mercado, a concorrência entre fornecedores de chips e a própria forma como provedores ofertam hardware usado influenciam preços residuais.
Em termos contábeis, a validade de uma estimativa depende de comprovação externa, auditorias e políticas internas. Como lembra Valdir Antonelli, você terá que convencer um auditor de que a vida útil que está sendo sugerida é, de fato, a vida útil do ativo. Essa necessidade de justificativa abre espaço para ajustes e revisões quando novas evidências surgem.
Os números mostram a velocidade do fenômeno. Desde o lançamento do ChatGPT no final de 2022, a demanda por GPUs explodiu e a receita anual da Nvidia com data centers saltou de US$ 15 bilhões (R$ 79,4 bilhões) para US$ 115 bilhões (R$ 608,3 bilhões). Esse salto explica por que a forma como se contabiliza a depreciação virou peça-chave nas demonstrações financeiras.
No fim, a vida útil das GPUs de IA segue sendo, em grande parte, uma estimativa que precisa de validação externa e atualização constante. Empresas que adotam prazos mais longos podem reduzir a pressão sobre resultados no curto prazo, enquanto investidores e auditores buscam sinais de que essas estimativas não mascaram o desgaste real dos ativos. Para gestores de tecnologia, a recomendação é combinar métricas de uso, valor de revenda e acompanhamento do mercado de chips para ajustar políticas, sem perder de vista o impacto fiscal e de governança.
À medida que o setor amadurecer e mais dados de uso e revenda forem gerados, a expectativa é que haja maior convergência sobre qual é a verdadeira vida útil das GPUs de IA, mas por ora a definição segue sendo um jogo entre inovação, contabilidade e mercado.
Deixe um comentário