{"content_id":"5ns0jr5ogz","slug":"google-ai-strategy-inference-economics-and-monetization","locale":"pt","schema_type":"Report","category":"trends","category_name":"Tendências","title":"Estratégia de IA do Google: por que distribuição e economia de inferência importam mais que a competição entre modelos","summary":"É difícil afirmar que o Google desistiu da competição pelo desempenho dos modelos de IA. O diferencial do Google está na capacidade de distribuir o Gemini por Search, Workspace e Cloud, vinculá-lo às receitas de publicidade, assinaturas e nuvem e, ao mesmo tempo, reduzir os custos de inferência com TPUs próprias.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Benchmarks de programação e o uso em determinadas plataformas são importantes, mas não determinam sozinhos o vencedor de todo o mercado de IA.","Google, OpenAI e Anthropic arcam com custos de inferência ao gerar respostas de IA e obtêm receita por meio de APIs pagas, assinaturas e outras fontes.","A força estrutural do Google é sua capacidade de distribuição em larga escala, conectando Search, Android, Chrome, Workspace e Cloud às suas próprias TPUs.","Mesmo que anúncios possam ser exibidos no AI Overviews, não há evidências de que a receita publicitária aumente automaticamente à medida que as respostas ficam mais longas.","O sucesso ou fracasso da estratégia deve ser avaliado pela retenção de usuários, taxa de sucesso das tarefas, custo por resposta e mudanças na receita de busca existente, e não pela melhor pontuação em benchmarks."],"content_markdown":"A explicação de que “OpenAI e Anthropic têm custos a cada resposta, enquanto o Google ganha dinheiro com publicidade a cada resposta” aparece com frequência nas discussões sobre o negócio de IA do Google. Essa formulação mostra bem que as três empresas partiram de pontos diferentes, mas não deve ser interpretada como um fato contábil.\n\nAs três empresas arcam com custos computacionais ao executar seus modelos, e todas obtêm receita com APIs, assinaturas, contratos empresariais e outras fontes. A verdadeira diferença do Google não está na existência ou ausência de custos, mas na **capacidade de conectar sua rede de distribuição de produtos existente, seu negócio de publicidade, o Google Cloud e suas próprias TPUs em uma única estrutura econômica**.\n\n## Fatos e interpretações que precisam ser corrigidos primeiro\n\nAs alegações apresentadas misturam modelos de períodos diferentes, rankings dinâmicos e informações de pessoal não confirmadas. Usá-las sem ressalvas leva a uma interpretação da estratégia do Google mais simples do que ela realmente é.\n\n| Alegação | O que precisa ser verificado | Interpretação mais precisa |\n|---|---|---|\n| Em determinada pesquisa, Anthropic tinha 42% de participação nos gastos com programação | É necessário verificar a amostra, o período da pesquisa, a definição de “gastos” e o grupo de empresas respondentes | Uma pesquisa de um fundo de VC pode mostrar tendências de compra de uma amostra de empresas, mas não representa a participação no mercado mundial de IA para programação |\n| Gemini estava fora do top 10 do OpenRouter | O ranking do OpenRouter muda continuamente conforme o período, o modelo, o preço, as promoções e a demanda de roteamento | É um sinal de uso em determinado momento, não um ranking geral de adoção por desenvolvedores ou de receita dos produtos |\n| O lançamento do Gemini 1.5 Pro foi adiado por tempo indeterminado | O Gemini 1.5 Pro foi anunciado em maio passado, mas seu lançamento foi adiado sem previsão | Usar a descrição de um atraso de lançamento do passado como base para a estratégia atual resulta em uma cronologia incoerente |\n| Gemini 1.5 Flash é o modelo mais recente do Google | 1.5 Flash é o nome de um produto de uma geração específica | Comparar diretamente modelos de gerações diferentes com os modelos concorrentes mais recentes distorce a conclusão |\n| Noam Shazeer deixou o Google para trabalhar na OpenAI | Shazeer deixou o Google e foi trabalhar na OpenAI | A movimentação de talentos é importante, mas é preciso distinguir corretamente a empresa de destino e o momento da mudança |\n| As saídas de Jeff Dean e John Jumper comprovam uma mudança de estratégia | Alegações relevantes sobre pessoal precisam ser confirmadas por anúncios da empresa ou registros públicos das próprias pessoas | Informações de pessoal não confirmadas não devem ser usadas como evidência da estratégia organizacional |\n| A partir da TPU de 6ª geração, os projetos para treinamento e inferência foram separados | Trillium é uma TPU usada tanto para treinamento quanto para inferência, e posteriormente o Google anunciou Ironwood, uma TPU voltada para inferência | A partir da TPU de 6ª geração, o Google começou a separar claramente o projeto para treinamento do projeto para inferência |\n| Gemini Spark é o principal agente do Google | É necessário verificar o nome oficial exato do produto e seu status de lançamento | É preciso distinguir produtos oficiais, projetos de pesquisa e nomes usados antes do anúncio |\n\nPortanto, o Google deixou de fazer gastos excessivos em uma busca forçada pelo primeiro lugar em desempenho e passou a se concentrar em **qual modelo deve ser alocado a cada tarefa para aumentar a rentabilidade do conjunto de serviços**.\n\n## Por que o desempenho da IA em programação é importante e quais são seus limites\n\nA programação é uma boa área para avaliar a utilidade prática dos modelos de IA. Isso ocorre porque tarefas de software exigem, em conjunto, interpretação de requisitos, geração de código, execução de testes, correção de erros, chamadas de ferramentas e gerenciamento de contexto de longo prazo. Parte dessas capacidades também pode ser transferida para tarefas de agentes de IA, como operar navegadores ou processar documentos.\n\nNo entanto, a afirmação de que “o modelo que programa melhor também é o melhor em todas as tarefas” não se sustenta. Benchmarks de programação podem não refletir suficientemente os seguintes elementos:\n\n- Permissões e dependências complexas de repositórios empresariais reais\n- Vulnerabilidades de segurança e problemas de licenciamento\n- Erros acumulados durante tarefas longas\n- Integração com dados não relacionados a programação, como e-mails, documentos, buscas e vídeos\n- Latência de resposta, disponibilidade e cobertura por região\n- Preços de tokens de entrada e saída e descontos de cache\n- Recursos administrativos, registros de auditoria e políticas de retenção de dados\n\nAo avaliar o mercado de ferramentas de desenvolvimento, é preciso considerar, além das pontuações em benchmarks, a taxa real de conclusão de tarefas, o tempo gasto pelos desenvolvedores em correções, a taxa de falhas, os custos e o tamanho dos contratos empresariais.\n\n## Comparação das estruturas de receita do Google e das empresas dedicadas à IA\n\nGoogle, OpenAI e Anthropic gastam dinheiro com a inferência dos modelos. A diferença está na quantidade de caminhos disponíveis para recuperar esse custo e no impacto sobre os negócios existentes.\n\n| Categoria | Google | Empresas centradas em IA, como OpenAI e Anthropic |\n|---|---|---|\n| Principais canais de distribuição | Search, Android, Chrome, Workspace, YouTube, Google Cloud | Aplicativos próprios, APIs, contratos empresariais e plataformas parceiras |\n| Principais fontes de receita | Publicidade em buscas e vídeos, taxas de uso do Cloud, assinaturas do Workspace e de IA, APIs | Assinaturas para consumidores e empresas, APIs, contratos empresariais e parcerias |\n| Infraestrutura | Possui TPUs e data centers próprios, utilizando também cadeias externas de fornecimento | Dependência relativamente maior de parceiros de nuvem e semicondutores |\n| Oportunidade da adoção de IA | Pode aumentar a frequência de uso e o valor dos serviços existentes | Pode converter diretamente a nova demanda por IA em receita |\n| Principal risco | As respostas de IA podem canibalizar os cliques de busca existentes e a economia da publicidade | Altos custos de treinamento e inferência, concorrência de preços e dependência de canais de distribuição |\n\nOpenAI e Anthropic também não geram apenas custos a cada resposta produzida. Em geral, as APIs são cobradas conforme o uso, enquanto assinaturas pagas e contratos empresariais também geram receita. Por outro lado, quando o Google fornece respostas de IA a usuários gratuitos, ele também arca com o custo da inferência.\n\nEm última análise, a diferença não é “custo versus receita”, mas **a quais serviços e fontes de receita cada empresa consegue conectar um usuário depois de conquistá-lo**.\n\n## O principal ativo do Google não são apenas os modelos\n\n### Rede de distribuição de produtos\n\nO Google não precisa distribuir os recursos do Gemini apenas por meio de um aplicativo independente de chatbot. Ele pode incorporar esses recursos a pontos de contato que já possuem usuários, como Search, Gmail, Docs, Android, Chrome e Google Cloud. Isso reduz o custo de aquisição de clientes necessário para instalar novos aplicativos e criar novos hábitos.\n\nNo entanto, a inclusão por padrão não significa necessariamente uso contínuo. Se os usuários não confiarem nos resultados ou considerarem o recurso mais lento que seus métodos anteriores, poderão desativá-lo ou usar serviços concorrentes em paralelo.\n\n### Infraestrutura própria de IA\n\nO Google projeta diretamente suas TPUs e opera de forma integrada data centers, redes, modelos e serviços de nuvem. Essa integração vertical oferece a vantagem de permitir a otimização conjunta de hardware e software para tarefas específicas.\n\nEm serviços de grande escala, especialmente, reduzir a quantidade de processamento por resposta, a latência e o consumo de energia pode ter um impacto maior nos custos totais do que uma pequena melhoria no desempenho do modelo. No entanto, não é possível concluir que chips próprios sejam sempre a opção mais barata sem considerar simultaneamente a taxa real de utilização, os custos de desenvolvimento, a depreciação e os preços de GPUs externas.\n\n### Portfólio de modelos e roteamento\n\nUsar o maior modelo para todas as perguntas não é economicamente eficiente. Uma abordagem eficaz é deixar modelos menores cuidarem de classificações ou resumos simples e encaminhar apenas tarefas complexas de raciocínio ou programação para modelos maiores.\n\nA qualidade dessa estratégia depende de três fatores:\n\n1. A dificuldade da solicitação é classificada com precisão?\n2. O limite das tarefas que podem ser processadas por modelos menores é definido de forma segura?\n3. Em caso de falha, a tarefa é rapidamente encaminhada para um modelo mais avançado ou para uma pessoa?\n\nPortanto, colocar modelos pequenos e rápidos na linha de frente pode ser visto não como prova de que o desenvolvimento de modelos de ponta foi abandonado, mas como uma estratégia de portfólio para operar tráfego em grande escala.\n\n## Como a busca com IA se conecta à publicidade\n\nO Google pode combinar anúncios com resultados de busca generativa, como AI Overviews. Isso é possível porque, quando uma intenção comercial é detectada na pergunta do usuário e há anúncios adequados, o sistema existente de publicidade em buscas pode ser utilizado.\n\nNo entanto, não é possível afirmar que “quanto mais longa for a resposta, mais espaços para anúncios haverá e maior será a receita”, pelos seguintes motivos:\n\n- A publicidade depende não da extensão da resposta, mas da intenção da busca, da demanda dos anunciantes, do leilão e das políticas de exibição.\n- Anúncios em excesso podem prejudicar a experiência de busca e a confiança.\n- Se a IA resolver a pergunta de uma só vez, as buscas seguintes e os cliques em sites podem diminuir.\n- Perguntas de caráter informativo podem ter baixa intenção comercial e pouco valor publicitário.\n- Mesmo quando há receita publicitária, é preciso descontar os custos adicionais de inferência e de aquisição de tráfego.\n\nA Alphabet divulga sua receita publicitária total e a receita do Cloud, mas não apresenta separadamente, em detalhes, a receita, os custos de inferência e o lucro operacional exclusivos de AI Overviews. Portanto, observadores externos não conseguem determinar o “lucro líquido por resposta de IA”.\n\n## Uma perspectiva fácil de ignorar: margem de contribuição, não receita por resposta\n\nA unidade mais útil para avaliar a estratégia de IA do Google não é o número de respostas nem a quantidade de tokens, mas a **margem de contribuição de uma interação com IA**.\n\nConceitualmente, a margem de contribuição pode ser vista da seguinte forma:\n\n\u003e Margem de contribuição da interação com IA = receita adicional de publicidade, assinaturas e nuvem − custo de inferência − custo de buscas e chamadas de ferramentas − custo do processamento de segurança − custo de aquisição de tráfego\n\nAlém da receita direta, é preciso refletir também a canibalização dos negócios existentes. Se uma resposta de IA gerar novas buscas, o efeito será positivo; mas, se substituir um clique em anúncio que ocorreria de qualquer forma, o efeito líquido poderá ser pequeno.\n\nAlém disso, tornar as respostas dos modelos mais longas não é uma estratégia de receita. Respostas longas aumentam o custo dos tokens de saída e a latência. Pode ser economicamente mais vantajoso resolver com precisão o problema do usuário usando menos processamento e fornecer conexões comerciais apenas quando necessário.\n\n## Principais indicadores para avaliar a estratégia do Google\n\nPara acompanhar o sucesso ou o fracasso da estratégia por meio de dados públicos e mudanças nos produtos, é necessário distinguir os seguintes indicadores.\n\n| Área | Indicadores a observar | Cuidados na interpretação |\n|---|---|---|\n| Qualidade do modelo | Taxa de sucesso nas tarefas, avaliações de programação e raciocínio, taxa de alucinações | Não depender de um único benchmark nem de números divulgados pela própria empresa |\n| Adoção pelos usuários | Usuários ativos mensais e diários, taxa de retorno, taxa de conversão para planos pagos | Distinguir usuários com o produto pré-instalado de usuários recorrentes reais |\n| Viabilidade econômica | Custo de inferência por solicitação, latência, taxa de acerto do cache, taxa de utilização | O preço público dos tokens não é necessariamente igual ao custo interno |\n| Negócio de buscas | Proporção de consultas com resultados de IA, conversão de anúncios, frequência de buscas | A receita independente dos recursos de IA pode não ser divulgada |\n| Cloud | Contratos relacionados à IA, uso de APIs, saldo de pedidos contratados, lucro operacional | Distinguir o crescimento total do Cloud da contribuição da IA |\n| Ecossistema de desenvolvedores | Uso de APIs, suporte a frameworks, casos de implantação em empresas | O ranking de uma única plataforma não representa o mercado inteiro |\n| Talentos e pesquisa | Artigos fundamentais, velocidade de incorporação aos produtos, retenção de pesquisadores | Não ampliar uma saída individual como se fosse o colapso de toda a capacidade de pesquisa |\n\n## Condições que separam o otimismo do pessimismo\n\n### Condições para o sucesso da estratégia\n\n- Gemini mantém uma qualidade suficientemente semelhante à dos modelos concorrentes no trabalho prático.\n- A integração entre os produtos do Google reduz o tempo real de trabalho dos usuários.\n- Modelos menores e TPUs próprias reduzem o custo por resposta.\n- A busca com IA cria novas consultas comerciais sem prejudicar a receita publicitária existente.\n- Os recursos de IA do Cloud e do Workspace são convertidos em contratos pagos.\n\n### Condições para o fracasso da estratégia\n\n- A diferença de qualidade em programação e tarefas de agentes aumenta, levando desenvolvedores e empresas a escolher outros modelos como padrão.\n- As respostas de IA reduzem a receita de buscas existente sem gerar receita nova suficiente.\n- A integração dos produtos provoca problemas de privacidade, gerenciamento de permissões e confiança.\n- O custo de corrigir os erros de modelos baratos supera a economia obtida nos custos de inferência.\n- O enfraquecimento dos talentos de pesquisa e do ecossistema de desenvolvedores reduz a competitividade dos modelos no longo prazo.\n\n## Conclusão\n\nO Google deixou de fazer gastos excessivos em uma busca forçada pelo primeiro lugar entre os modelos de maior desempenho e passou a priorizar a relação custo-benefício. Uma interpretação mais convincente é que o Google está otimizando simultaneamente a competição pelo desempenho dos modelos e a **distribuição em grande escala, o roteamento de modelos, a infraestrutura própria e a monetização por publicidade, assinaturas e nuvem**.\n\nAlém disso, a ideia de que “OpenAI e Anthropic perdem dinheiro quanto mais respondem, enquanto o Google ganha dinheiro quanto mais responde” é excessivamente simplista. Todos os operadores arcam com custos de inferência, e o provável vencedor não será a empresa que produz as respostas mais longas, mas aquela que resolve de forma confiável as tarefas dos usuários, mantendo a margem de contribuição por resposta e a confiança no longo prazo.","content_html":"\u003cp\u003eA explicação de que “OpenAI e Anthropic têm custos a cada resposta, enquanto o Google ganha dinheiro com publicidade a cada resposta” aparece com frequência nas discussões sobre o negócio de IA do Google. Essa formulação mostra bem que as três empresas partiram de pontos diferentes, mas não deve ser interpretada como um fato contábil.\u003c/p\u003e\n\u003cp\u003eAs três empresas arcam com custos computacionais ao executar seus modelos, e todas obtêm receita com APIs, assinaturas, contratos empresariais e outras fontes. A verdadeira diferença do Google não está na existência ou ausência de custos, mas na \u003cstrong\u003ecapacidade de conectar sua rede de distribuição de produtos existente, seu negócio de publicidade, o Google Cloud e suas próprias TPUs em uma única estrutura econômica\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#fatos-e-interpreta%C3%A7%C3%B5es-que-precisam-ser-corrigidos-primeiro\" class=\"anchor\" id=\"fatos-e-interpretações-que-precisam-ser-corrigidos-primeiro\"\u003e\u003c/a\u003eFatos e interpretações que precisam ser corrigidos primeiro\u003c/h2\u003e\n\u003cp\u003eAs alegações apresentadas misturam modelos de períodos diferentes, rankings dinâmicos e informações de pessoal não confirmadas. Usá-las sem ressalvas leva a uma interpretação da estratégia do Google mais simples do que ela realmente é.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAlegação\u003c/th\u003e\n\u003cth\u003eO que precisa ser verificado\u003c/th\u003e\n\u003cth\u003eInterpretação mais precisa\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eEm determinada pesquisa, Anthropic tinha 42% de participação nos gastos com programação\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eÉ necessário verificar a amostra, o período da pesquisa, a definição de “gastos” e o grupo de empresas respondentes\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eUma pesquisa de um fundo de VC pode mostrar tendências de compra de uma amostra de empresas, mas não representa a participação no mercado mundial de IA para programação\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eGemini estava fora do top 10 do OpenRouter\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eO ranking do OpenRouter muda continuamente conforme o período, o modelo, o preço, as promoções e a demanda de roteamento\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eÉ um sinal de uso em determinado momento, não um ranking geral de adoção por desenvolvedores ou de receita dos produtos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eO lançamento do Gemini 1.5 Pro foi adiado por tempo indeterminado\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eO Gemini 1.5 Pro foi anunciado em maio passado, mas seu lançamento foi adiado sem previsão\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eUsar a descrição de um atraso de lançamento do passado como base para a estratégia atual resulta em uma cronologia incoerente\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eGemini 1.5 Flash é o modelo mais recente do Google\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003e1.5 Flash é o nome de um produto de uma geração específica\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eComparar diretamente modelos de gerações diferentes com os modelos concorrentes mais recentes distorce a conclusão\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eNoam Shazeer deixou o Google para trabalhar na OpenAI\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eShazeer deixou o Google e foi trabalhar na OpenAI\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eA movimentação de talentos é importante, mas é preciso distinguir corretamente a empresa de destino e o momento da mudança\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eAs saídas de Jeff Dean e John Jumper comprovam uma mudança de estratégia\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eAlegações relevantes sobre pessoal precisam ser confirmadas por anúncios da empresa ou registros públicos das próprias pessoas\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eInformações de pessoal não confirmadas não devem ser usadas como evidência da estratégia organizacional\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eA partir da TPU de 6ª geração, os projetos para treinamento e inferência foram separados\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eTrillium é uma TPU usada tanto para treinamento quanto para inferência, e posteriormente o Google anunciou Ironwood, uma TPU voltada para inferência\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eA partir da TPU de 6ª geração, o Google começou a separar claramente o projeto para treinamento do projeto para inferência\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Alegação\"\u003eGemini Spark é o principal agente do Google\u003c/td\u003e\n\u003ctd data-label=\"O que precisa ser verificado\"\u003eÉ necessário verificar o nome oficial exato do produto e seu status de lançamento\u003c/td\u003e\n\u003ctd data-label=\"Interpretação mais precisa\"\u003eÉ preciso distinguir produtos oficiais, projetos de pesquisa e nomes usados antes do anúncio\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003ePortanto, o Google deixou de fazer gastos excessivos em uma busca forçada pelo primeiro lugar em desempenho e passou a se concentrar em \u003cstrong\u003equal modelo deve ser alocado a cada tarefa para aumentar a rentabilidade do conjunto de serviços\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#por-que-o-desempenho-da-ia-em-programa%C3%A7%C3%A3o-%C3%A9-importante-e-quais-s%C3%A3o-seus-limites\" class=\"anchor\" id=\"por-que-o-desempenho-da-ia-em-programação-é-importante-e-quais-são-seus-limites\"\u003e\u003c/a\u003ePor que o desempenho da IA em programação é importante e quais são seus limites\u003c/h2\u003e\n\u003cp\u003eA programação é uma boa área para avaliar a utilidade prática dos modelos de IA. Isso ocorre porque tarefas de software exigem, em conjunto, interpretação de requisitos, geração de código, execução de testes, correção de erros, chamadas de ferramentas e gerenciamento de contexto de longo prazo. Parte dessas capacidades também pode ser transferida para tarefas de agentes de IA, como operar navegadores ou processar documentos.\u003c/p\u003e\n\u003cp\u003eNo entanto, a afirmação de que “o modelo que programa melhor também é o melhor em todas as tarefas” não se sustenta. Benchmarks de programação podem não refletir suficientemente os seguintes elementos:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003ePermissões e dependências complexas de repositórios empresariais reais\u003c/li\u003e\n\u003cli\u003eVulnerabilidades de segurança e problemas de licenciamento\u003c/li\u003e\n\u003cli\u003eErros acumulados durante tarefas longas\u003c/li\u003e\n\u003cli\u003eIntegração com dados não relacionados a programação, como e-mails, documentos, buscas e vídeos\u003c/li\u003e\n\u003cli\u003eLatência de resposta, disponibilidade e cobertura por região\u003c/li\u003e\n\u003cli\u003ePreços de tokens de entrada e saída e descontos de cache\u003c/li\u003e\n\u003cli\u003eRecursos administrativos, registros de auditoria e políticas de retenção de dados\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAo avaliar o mercado de ferramentas de desenvolvimento, é preciso considerar, além das pontuações em benchmarks, a taxa real de conclusão de tarefas, o tempo gasto pelos desenvolvedores em correções, a taxa de falhas, os custos e o tamanho dos contratos empresariais.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#compara%C3%A7%C3%A3o-das-estruturas-de-receita-do-google-e-das-empresas-dedicadas-%C3%A0-ia\" class=\"anchor\" id=\"comparação-das-estruturas-de-receita-do-google-e-das-empresas-dedicadas-à-ia\"\u003e\u003c/a\u003eComparação das estruturas de receita do Google e das empresas dedicadas à IA\u003c/h2\u003e\n\u003cp\u003eGoogle, OpenAI e Anthropic gastam dinheiro com a inferência dos modelos. A diferença está na quantidade de caminhos disponíveis para recuperar esse custo e no impacto sobre os negócios existentes.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eCategoria\u003c/th\u003e\n\u003cth\u003eGoogle\u003c/th\u003e\n\u003cth\u003eEmpresas centradas em IA, como OpenAI e Anthropic\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003ePrincipais canais de distribuição\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eSearch, Android, Chrome, Workspace, YouTube, Google Cloud\u003c/td\u003e\n\u003ctd data-label=\"Empresas centradas em IA, como OpenAI e Anthropic\"\u003eAplicativos próprios, APIs, contratos empresariais e plataformas parceiras\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003ePrincipais fontes de receita\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003ePublicidade em buscas e vídeos, taxas de uso do Cloud, assinaturas do Workspace e de IA, APIs\u003c/td\u003e\n\u003ctd data-label=\"Empresas centradas em IA, como OpenAI e Anthropic\"\u003eAssinaturas para consumidores e empresas, APIs, contratos empresariais e parcerias\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eInfraestrutura\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003ePossui TPUs e data centers próprios, utilizando também cadeias externas de fornecimento\u003c/td\u003e\n\u003ctd data-label=\"Empresas centradas em IA, como OpenAI e Anthropic\"\u003eDependência relativamente maior de parceiros de nuvem e semicondutores\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003eOportunidade da adoção de IA\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003ePode aumentar a frequência de uso e o valor dos serviços existentes\u003c/td\u003e\n\u003ctd data-label=\"Empresas centradas em IA, como OpenAI e Anthropic\"\u003ePode converter diretamente a nova demanda por IA em receita\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Categoria\"\u003ePrincipal risco\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eAs respostas de IA podem canibalizar os cliques de busca existentes e a economia da publicidade\u003c/td\u003e\n\u003ctd data-label=\"Empresas centradas em IA, como OpenAI e Anthropic\"\u003eAltos custos de treinamento e inferência, concorrência de preços e dependência de canais de distribuição\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eOpenAI e Anthropic também não geram apenas custos a cada resposta produzida. Em geral, as APIs são cobradas conforme o uso, enquanto assinaturas pagas e contratos empresariais também geram receita. Por outro lado, quando o Google fornece respostas de IA a usuários gratuitos, ele também arca com o custo da inferência.\u003c/p\u003e\n\u003cp\u003eEm última análise, a diferença não é “custo versus receita”, mas \u003cstrong\u003ea quais serviços e fontes de receita cada empresa consegue conectar um usuário depois de conquistá-lo\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#o-principal-ativo-do-google-n%C3%A3o-s%C3%A3o-apenas-os-modelos\" class=\"anchor\" id=\"o-principal-ativo-do-google-não-são-apenas-os-modelos\"\u003e\u003c/a\u003eO principal ativo do Google não são apenas os modelos\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#rede-de-distribui%C3%A7%C3%A3o-de-produtos\" class=\"anchor\" id=\"rede-de-distribuição-de-produtos\"\u003e\u003c/a\u003eRede de distribuição de produtos\u003c/h3\u003e\n\u003cp\u003eO Google não precisa distribuir os recursos do Gemini apenas por meio de um aplicativo independente de chatbot. Ele pode incorporar esses recursos a pontos de contato que já possuem usuários, como Search, Gmail, Docs, Android, Chrome e Google Cloud. Isso reduz o custo de aquisição de clientes necessário para instalar novos aplicativos e criar novos hábitos.\u003c/p\u003e\n\u003cp\u003eNo entanto, a inclusão por padrão não significa necessariamente uso contínuo. Se os usuários não confiarem nos resultados ou considerarem o recurso mais lento que seus métodos anteriores, poderão desativá-lo ou usar serviços concorrentes em paralelo.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#infraestrutura-pr%C3%B3pria-de-ia\" class=\"anchor\" id=\"infraestrutura-própria-de-ia\"\u003e\u003c/a\u003eInfraestrutura própria de IA\u003c/h3\u003e\n\u003cp\u003eO Google projeta diretamente suas TPUs e opera de forma integrada data centers, redes, modelos e serviços de nuvem. Essa integração vertical oferece a vantagem de permitir a otimização conjunta de hardware e software para tarefas específicas.\u003c/p\u003e\n\u003cp\u003eEm serviços de grande escala, especialmente, reduzir a quantidade de processamento por resposta, a latência e o consumo de energia pode ter um impacto maior nos custos totais do que uma pequena melhoria no desempenho do modelo. No entanto, não é possível concluir que chips próprios sejam sempre a opção mais barata sem considerar simultaneamente a taxa real de utilização, os custos de desenvolvimento, a depreciação e os preços de GPUs externas.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#portf%C3%B3lio-de-modelos-e-roteamento\" class=\"anchor\" id=\"portfólio-de-modelos-e-roteamento\"\u003e\u003c/a\u003ePortfólio de modelos e roteamento\u003c/h3\u003e\n\u003cp\u003eUsar o maior modelo para todas as perguntas não é economicamente eficiente. Uma abordagem eficaz é deixar modelos menores cuidarem de classificações ou resumos simples e encaminhar apenas tarefas complexas de raciocínio ou programação para modelos maiores.\u003c/p\u003e\n\u003cp\u003eA qualidade dessa estratégia depende de três fatores:\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eA dificuldade da solicitação é classificada com precisão?\u003c/li\u003e\n\u003cli\u003eO limite das tarefas que podem ser processadas por modelos menores é definido de forma segura?\u003c/li\u003e\n\u003cli\u003eEm caso de falha, a tarefa é rapidamente encaminhada para um modelo mais avançado ou para uma pessoa?\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003ePortanto, colocar modelos pequenos e rápidos na linha de frente pode ser visto não como prova de que o desenvolvimento de modelos de ponta foi abandonado, mas como uma estratégia de portfólio para operar tráfego em grande escala.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#como-a-busca-com-ia-se-conecta-%C3%A0-publicidade\" class=\"anchor\" id=\"como-a-busca-com-ia-se-conecta-à-publicidade\"\u003e\u003c/a\u003eComo a busca com IA se conecta à publicidade\u003c/h2\u003e\n\u003cp\u003eO Google pode combinar anúncios com resultados de busca generativa, como AI Overviews. Isso é possível porque, quando uma intenção comercial é detectada na pergunta do usuário e há anúncios adequados, o sistema existente de publicidade em buscas pode ser utilizado.\u003c/p\u003e\n\u003cp\u003eNo entanto, não é possível afirmar que “quanto mais longa for a resposta, mais espaços para anúncios haverá e maior será a receita”, pelos seguintes motivos:\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eA publicidade depende não da extensão da resposta, mas da intenção da busca, da demanda dos anunciantes, do leilão e das políticas de exibição.\u003c/li\u003e\n\u003cli\u003eAnúncios em excesso podem prejudicar a experiência de busca e a confiança.\u003c/li\u003e\n\u003cli\u003eSe a IA resolver a pergunta de uma só vez, as buscas seguintes e os cliques em sites podem diminuir.\u003c/li\u003e\n\u003cli\u003ePerguntas de caráter informativo podem ter baixa intenção comercial e pouco valor publicitário.\u003c/li\u003e\n\u003cli\u003eMesmo quando há receita publicitária, é preciso descontar os custos adicionais de inferência e de aquisição de tráfego.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eA Alphabet divulga sua receita publicitária total e a receita do Cloud, mas não apresenta separadamente, em detalhes, a receita, os custos de inferência e o lucro operacional exclusivos de AI Overviews. Portanto, observadores externos não conseguem determinar o “lucro líquido por resposta de IA”.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#uma-perspectiva-f%C3%A1cil-de-ignorar-margem-de-contribui%C3%A7%C3%A3o-n%C3%A3o-receita-por-resposta\" class=\"anchor\" id=\"uma-perspectiva-fácil-de-ignorar-margem-de-contribuição-não-receita-por-resposta\"\u003e\u003c/a\u003eUma perspectiva fácil de ignorar: margem de contribuição, não receita por resposta\u003c/h2\u003e\n\u003cp\u003eA unidade mais útil para avaliar a estratégia de IA do Google não é o número de respostas nem a quantidade de tokens, mas a \u003cstrong\u003emargem de contribuição de uma interação com IA\u003c/strong\u003e.\u003c/p\u003e\n\u003cp\u003eConceitualmente, a margem de contribuição pode ser vista da seguinte forma:\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eMargem de contribuição da interação com IA = receita adicional de publicidade, assinaturas e nuvem − custo de inferência − custo de buscas e chamadas de ferramentas − custo do processamento de segurança − custo de aquisição de tráfego\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eAlém da receita direta, é preciso refletir também a canibalização dos negócios existentes. Se uma resposta de IA gerar novas buscas, o efeito será positivo; mas, se substituir um clique em anúncio que ocorreria de qualquer forma, o efeito líquido poderá ser pequeno.\u003c/p\u003e\n\u003cp\u003eAlém disso, tornar as respostas dos modelos mais longas não é uma estratégia de receita. Respostas longas aumentam o custo dos tokens de saída e a latência. Pode ser economicamente mais vantajoso resolver com precisão o problema do usuário usando menos processamento e fornecer conexões comerciais apenas quando necessário.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#principais-indicadores-para-avaliar-a-estrat%C3%A9gia-do-google\" class=\"anchor\" id=\"principais-indicadores-para-avaliar-a-estratégia-do-google\"\u003e\u003c/a\u003ePrincipais indicadores para avaliar a estratégia do Google\u003c/h2\u003e\n\u003cp\u003ePara acompanhar o sucesso ou o fracasso da estratégia por meio de dados públicos e mudanças nos produtos, é necessário distinguir os seguintes indicadores.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eÁrea\u003c/th\u003e\n\u003cth\u003eIndicadores a observar\u003c/th\u003e\n\u003cth\u003eCuidados na interpretação\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eQualidade do modelo\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eTaxa de sucesso nas tarefas, avaliações de programação e raciocínio, taxa de alucinações\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eNão depender de um único benchmark nem de números divulgados pela própria empresa\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eAdoção pelos usuários\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eUsuários ativos mensais e diários, taxa de retorno, taxa de conversão para planos pagos\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eDistinguir usuários com o produto pré-instalado de usuários recorrentes reais\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eViabilidade econômica\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eCusto de inferência por solicitação, latência, taxa de acerto do cache, taxa de utilização\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eO preço público dos tokens não é necessariamente igual ao custo interno\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eNegócio de buscas\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eProporção de consultas com resultados de IA, conversão de anúncios, frequência de buscas\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eA receita independente dos recursos de IA pode não ser divulgada\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eCloud\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eContratos relacionados à IA, uso de APIs, saldo de pedidos contratados, lucro operacional\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eDistinguir o crescimento total do Cloud da contribuição da IA\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eEcossistema de desenvolvedores\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eUso de APIs, suporte a frameworks, casos de implantação em empresas\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eO ranking de uma única plataforma não representa o mercado inteiro\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Área\"\u003eTalentos e pesquisa\u003c/td\u003e\n\u003ctd data-label=\"Indicadores a observar\"\u003eArtigos fundamentais, velocidade de incorporação aos produtos, retenção de pesquisadores\u003c/td\u003e\n\u003ctd data-label=\"Cuidados na interpretação\"\u003eNão ampliar uma saída individual como se fosse o colapso de toda a capacidade de pesquisa\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#condi%C3%A7%C3%B5es-que-separam-o-otimismo-do-pessimismo\" class=\"anchor\" id=\"condições-que-separam-o-otimismo-do-pessimismo\"\u003e\u003c/a\u003eCondições que separam o otimismo do pessimismo\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#condi%C3%A7%C3%B5es-para-o-sucesso-da-estrat%C3%A9gia\" class=\"anchor\" id=\"condições-para-o-sucesso-da-estratégia\"\u003e\u003c/a\u003eCondições para o sucesso da estratégia\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eGemini mantém uma qualidade suficientemente semelhante à dos modelos concorrentes no trabalho prático.\u003c/li\u003e\n\u003cli\u003eA integração entre os produtos do Google reduz o tempo real de trabalho dos usuários.\u003c/li\u003e\n\u003cli\u003eModelos menores e TPUs próprias reduzem o custo por resposta.\u003c/li\u003e\n\u003cli\u003eA busca com IA cria novas consultas comerciais sem prejudicar a receita publicitária existente.\u003c/li\u003e\n\u003cli\u003eOs recursos de IA do Cloud e do Workspace são convertidos em contratos pagos.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#condi%C3%A7%C3%B5es-para-o-fracasso-da-estrat%C3%A9gia\" class=\"anchor\" id=\"condições-para-o-fracasso-da-estratégia\"\u003e\u003c/a\u003eCondições para o fracasso da estratégia\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eA diferença de qualidade em programação e tarefas de agentes aumenta, levando desenvolvedores e empresas a escolher outros modelos como padrão.\u003c/li\u003e\n\u003cli\u003eAs respostas de IA reduzem a receita de buscas existente sem gerar receita nova suficiente.\u003c/li\u003e\n\u003cli\u003eA integração dos produtos provoca problemas de privacidade, gerenciamento de permissões e confiança.\u003c/li\u003e\n\u003cli\u003eO custo de corrigir os erros de modelos baratos supera a economia obtida nos custos de inferência.\u003c/li\u003e\n\u003cli\u003eO enfraquecimento dos talentos de pesquisa e do ecossistema de desenvolvedores reduz a competitividade dos modelos no longo prazo.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#conclus%C3%A3o\" class=\"anchor\" id=\"conclusão\"\u003e\u003c/a\u003eConclusão\u003c/h2\u003e\n\u003cp\u003eO Google deixou de fazer gastos excessivos em uma busca forçada pelo primeiro lugar entre os modelos de maior desempenho e passou a priorizar a relação custo-benefício. Uma interpretação mais convincente é que o Google está otimizando simultaneamente a competição pelo desempenho dos modelos e a \u003cstrong\u003edistribuição em grande escala, o roteamento de modelos, a infraestrutura própria e a monetização por publicidade, assinaturas e nuvem\u003c/strong\u003e.\u003c/p\u003e\n\u003cp\u003eAlém disso, a ideia de que “OpenAI e Anthropic perdem dinheiro quanto mais respondem, enquanto o Google ganha dinheiro quanto mais responde” é excessivamente simplista. Todos os operadores arcam com custos de inferência, e o provável vencedor não será a empresa que produz as respostas mais longas, mas aquela que resolve de forma confiável as tarefas dos usuários, mantendo a margem de contribuição por resposta e a confiança no longo prazo.\u003c/p\u003e\n","tags":["AI","Semicondutores","IA generativa","Data center de IA","Agentes de IA","Estratégia tecnológica"],"faqs":[{"question":"O Google desistiu de ocupar o primeiro lugar em desempenho de modelos de IA?","answer":"É difícil concluir que tenha desistido com base apenas na composição dos produtos divulgados. Ao mesmo tempo que desenvolve modelos de grande porte, o Google otimiza conjuntamente a qualidade e os custos utilizando modelos pequenos, roteamento de modelos, TPUs próprias e integração com produtos."},{"question":"A OpenAI e a Anthropic têm prejuízo sempre que a IA responde?","answer":"Cada resposta gera um custo de inferência, mas as APIs pagas também geram receita conforme o uso. Como também há assinaturas e contratos empresariais, é impreciso afirmar que cada resposta sempre representa prejuízo; a rentabilidade real depende dos preços, custos, volume de uso e estrutura dos contratos."},{"question":"Quanto mais longa a resposta da IA, mais receita publicitária o Google obtém?","answer":"Não é possível afirmar isso. A exibição de anúncios depende mais da intenção comercial do usuário, da demanda dos anunciantes, do leilão e das políticas do produto do que da extensão da resposta, e respostas longas também podem aumentar o custo dos tokens de saída e o tempo de latência."},{"question":"Uma participação de 42% nos gastos com IA para programação significa participação no mercado total?","answer":"Não. O número proveniente de uma pesquisa específica de uma empresa de capital de risco representa as empresas que participaram dessa pesquisa e o escopo de gastos definido. Ele não deve ser interpretado como participação no mercado mundial que inclua o uso por consumidores, ferramentas gratuitas, todo o tráfego de APIs e os mercados de cada região."},{"question":"É possível determinar qual é o melhor modelo de IA pelo ranking do OpenRouter?","answer":"O ranking do OpenRouter é um indicador útil que mostra o volume de uso ou as tendências de escolha nessa plataforma. No entanto, como reflete preços, promoções, disponibilidade dos modelos e perfil dos usuários, não equivale ao mercado geral de desenvolvedores nem a um ranking objetivo de desempenho."},{"question":"Por que as TPUs próprias do Google são importantes na competição de IA?","answer":"O Google pode otimizar conjuntamente modelos, hardware, redes e data centers. Em solicitações de grande escala, apenas uma pequena redução na quantidade de processamento por resposta e no tempo de latência pode gerar uma grande diferença de custos, mas uma vantagem real de custo só pode ser avaliada após verificar também a taxa de utilização e os custos de desenvolvimento e operação."},{"question":"Quais são os números mais importantes para avaliar o sucesso ou o fracasso da estratégia de IA do Google?","answer":"Em vez de um único benchmark, é preciso analisar em conjunto a taxa de sucesso em tarefas reais, a taxa de uso recorrente, a taxa de conversão para planos pagos, o custo de inferência por solicitação, o crescimento do Cloud e o impacto da pesquisa com IA sobre a receita publicitária existente. Enquanto a Alphabet não divulgar separadamente o lucro de cada recurso de IA, as avaliações externas terão a limitação de serem estimativas."}],"sources":[{"url":"https://www.sec.gov/Archives/edgar/data/1652044/000165204425000014/goog-20241231.htm","title":"Formulário 10-K de 2024 da Alphabet","type":"source"},{"url":"https://abc.xyz/investor/","title":"Relações com Investidores da Alphabet","type":"source"},{"url":"https://ai.google.dev/gemini-api/docs/pricing","title":"Preços da API para desenvolvedores do Gemini","type":"data_point"},{"url":"https://cloud.google.com/tpu","title":"Google Cloud TPU","type":"source"},{"url":"https://openai.com/api/pricing/","title":"Preços da API da OpenAI","type":"data_point"},{"url":"https://docs.anthropic.com/en/docs/about-claude/pricing","title":"Preços do Anthropic Claude","type":"data_point"},{"url":"https://openrouter.ai/rankings","title":"Rankings do OpenRouter","type":"data_point"},{"url":"https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/","title":"Menlo Ventures 2024: O Estado da IA Generativa nas Empresas","type":"data_point"},{"url":"https://blog.google/products/ads-commerce/google-marketing-live-2024/","title":"Google Marketing Live 2024","type":"source"}],"images":[{"id":914,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjAsInB1ciI6ImJsb2JfaWQifX0=--c3585fef83432d19cf74a2e15f0a910865bd4791/ai-38725e98.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"데이터센터에서 서버 랙의 터치스크린 대시보드를 조작하는 엔지니어","caption":"엔지니어가 서버 연결과 성능 지표를 확인하며 AI 인프라를 관리하고 있다.","description":null},"en":{"alt":"Engineer operating a touchscreen dashboard on a server rack in a data center","caption":"An engineer monitors server connections and performance metrics for AI infrastructure.","description":null},"ja":{"alt":"データセンターでサーバーラックのタッチ画面を操作するエンジニア","caption":"エンジニアが接続状況と性能指標を確認しながらAIインフラを管理している。","description":null},"es":{"alt":"Ingeniero usando un panel táctil en un rack de servidores de un centro de datos","caption":"Un ingeniero supervisa las conexiones y el rendimiento de la infraestructura de IA.","description":null},"id":{"alt":"Teknisi mengoperasikan dasbor layar sentuh pada rak server di pusat data","caption":"Seorang teknisi memantau koneksi dan kinerja server untuk infrastruktur AI.","description":null},"pt":{"alt":"Engenheiro operando painel touchscreen em rack de servidores de um data center","caption":"Um engenheiro monitora conexões e métricas de desempenho da infraestrutura de IA.","description":null},"zh-hant":{"alt":"工程師在資料中心操作伺服器機櫃上的觸控式儀表板","caption":"工程師查看伺服器連線與效能指標，以管理 AI 基礎設施。","description":null},"de":{"alt":"Techniker bedient ein Touchscreen-Dashboard an einem Serverschrank im Rechenzentrum","caption":"Ein Techniker überwacht Verbindungen und Leistungsdaten der KI-Infrastruktur.","description":null}}},{"id":915,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjYsInB1ciI6ImJsb2JfaWQifX0=--5290fcf0f549cd08d0e82e32bcc31d34b7b97d8e/ai-c29a6939.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"중앙 AI 모델이 웹·모바일 서비스와 서버, 반도체, 비용 분석 대시보드에 연결된 인포그래픽","caption":"AI 유통망과 추론 인프라, 비용 효율의 관계를 시각화한 도표다.","description":null},"en":{"alt":"Infographic linking a central AI model to apps, chips, servers, services, and cost dashboards","caption":"The graphic visualizes how AI distribution, inference infrastructure, and cost efficiency connect.","description":null},"ja":{"alt":"中央のAIモデルとアプリ、半導体、サーバー、各種サービス、コスト指標を結ぶ図","caption":"AIの流通網、推論基盤、コスト効率の関係を可視化している。","description":null},"es":{"alt":"Infografía que conecta un modelo de IA con aplicaciones, chips, servidores, servicios y métricas de costes","caption":"El gráfico muestra la relación entre distribución de IA, infraestructura de inferencia y eficiencia de costes.","description":null},"id":{"alt":"Infografik yang menghubungkan model AI pusat dengan aplikasi, cip, server, layanan, dan metrik biaya","caption":"Grafik ini memvisualkan hubungan distribusi AI, infrastruktur inferensi, dan efisiensi biaya.","description":null},"pt":{"alt":"Infográfico ligando um modelo central de IA a aplicativos, chips, servidores, serviços e métricas de custos","caption":"O gráfico mostra a relação entre distribuição de IA, infraestrutura de inferência e eficiência de custos.","description":null},"zh-hant":{"alt":"中央 AI 模型連接應用程式、晶片、伺服器、各類服務與成本分析儀表板的資訊圖","caption":"圖表呈現 AI 分發、推論基礎設施與成本效益之間的關係。","description":null},"de":{"alt":"Infografik zur Verbindung eines zentralen KI-Modells mit Apps, Chips, Servern, Diensten und Kostenkennzahlen","caption":"Die Grafik veranschaulicht das Zusammenspiel von KI-Vertrieb, Inferenzinfrastruktur und Kosteneffizienz.","description":null}}}],"published_at":"2026-08-27T09:46:27+09:00","updated_at":"2026-08-27T09:46:27+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/google-ai-strategy-inference-economics-and-monetization"}