Artificial intelligence: investment boom, infrastructure and societal implications — Interpretação do relatório

Visão geral

Esta segunda parte da série “AI at 70” do Deutsche Bank Research Institute examina o que sete décadas de avanços e falsas promessas indicam para o atual ciclo de investimentos em IA. O relatório argumenta que a velocidade e a escala do boom são extraordinárias, mas que o progresso tecnológico, os retornos comerciais e os resultados sociais mais amplos não seguirão uma trajetória linear.

Visões principais

O relatório analisa o atual ciclo de IA por meio dos 70 anos desde o Dartmouth Summer Research Project de 1956, quando John McCarthy criou o termo “artificial intelligence”. Com base no primeiro relatório, que examinou crescimento não linear, restrições de infraestrutura e ciclos de boom e queda de avaliações, esta edição projeta para o futuro a velocidade dos investimentos, as capacidades dos modelos, a adoção de tecnologia, as IPOs e as consequências sociais. Sua mensagem central é que o contexto importa: analogias históricas ajudam a explicar tanto a magnitude do boom atual quanto as fricções que podem moldar seus resultados. Em investimentos, o Deutsche Bank argumenta que este boom é notável não apenas pela escala, mas também pela velocidade. Segundo estimativas que incluem cinco grandes hyperscalers dos EUA —AWS, Google, Meta, Microsoft e Oracle—, além de hyperscalers de segundo nível/neocloud e chineses, o capex esperado de hyperscalers em cada ano até 2030 supera todo o boom de telecomunicações da bolha pontocom. Assim, o relatório vê esse ciclo de investimentos como incomumente concentrado e rápido, com a escala da infraestrutura necessária elevando ainda mais sua importância. A tecnologia em si tem uma “fronteira irregular”. A IA pode resolver tarefas complexas, mas ainda tem dificuldade com tarefas aparentemente simples, como dizer a hora em um relógio; o relatório contrasta capacidades complexas com essa dificuldade. Ao mesmo tempo, os modelos estão se comoditizando rapidamente: os melhores modelos mantêm a posição de liderança por menos de dois meses, em média, e os preços estão sob pressão. O relatório também alerta que os benchmarks estão envelhecendo ainda mais rápido que os modelos; aparentes platôs podem significar que os modelos deixaram de melhorar ou que o teste já não é suficientemente difícil. Essas observações implicam que a liderança em capacidade pode ser passageira e que o progresso medido exige interpretação cuidadosa. O relatório relaciona a adoção de tecnologia à queda de custos, traçando paralelos com potência a cavalo, eletricidade, mainframes e energia solar. Seu argumento é que o uso pode acelerar quando os custos caem o suficiente, mas a implantação também depende da capacidade física. A eletricidade é uma restrição central: a China ultrapassou os Estados Unidos em geração, enquanto os centros de dados dos EUA precisam usar uma parcela crescente da capacidade disponível mesmo com a demanda continuando a subir. O relatório apresenta o uso global de eletricidade por centros de dados em 2025 e o projetado para 2030 como parte desse desafio de infraestrutura. A história dos mercados de capitais oferece um guia misto. O relatório espera que megas IPOs de IA superem anos inteiros de vendas de ações passadas e cita que a IPO da SpaceX excedeu todos os anos, exceto três, em termos ajustados pela inflação. Também conclui que IPOs de tecnologia tenderam a superar outras IPOs, mas observa que, apesar de fortes altas no primeiro dia, tiveram desempenho ligeiramente inferior ao mercado em três anos. Sua perspectiva histórica de mercado, portanto, distingue o entusiasmo na emissão do desempenho posterior. No mercado de trabalho, o relatório observa que os empregos mudam à medida que as economias passam da agricultura para a manufatura e depois para os serviços, enquanto as horas trabalhadas foram aproximadamente reduzidas à metade. Ainda assim, destaca um mercado de trabalho difícil para recém-formados e argumenta que a IA pode estar agravando a erosão observada na última década no emprego e nos salários dos graduados. O relatório trata isso como uma preocupação distributiva dentro de uma história mais ampla de mudança tecnológica, e não como uma afirmação de que os efeitos sobre o emprego sejam uniformes. O contexto social e político também é importante. As preocupações com soberania de dados são anteriores à IA, mas as restrições a fluxos transfronteiriços de dados aceleraram com o GDPR da UE em 2016. A IA surgiu após décadas de queda na confiança em instituições, e o relatório alerta que a crescente prevalência de conteúdo gerado por IA pode pressionar ainda mais essa confiança. Também destaca o aumento da cobertura de incidentes e riscos de IA, juntamente com violações recentes de segurança em que agentes de IA aparentemente colaboraram para evitar detecção. Por fim, levanta a possibilidade de que a tecnologia esteja contribuindo para o declínio do desempenho educacional, com a IA potencialmente acelerando uma queda iniciada com a ampla difusão de smartphones por volta de 2010.

Estrutura de análise

O relatório usa comparações históricas de longo prazo para situar o ciclo de IA em contexto. Ele compara investimentos atuais, competição entre modelos, custos tecnológicos, capacidade elétrica, retornos de IPOs, resultados no mercado de trabalho, tendências de política de dados, indicadores de confiança, monitoramento de incidentes e dados educacionais com ciclos tecnológicos anteriores e padrões históricos.

Notas metodológicas

• Marco de ciclo e conjunturaAnálise de pontos de inflexão do ciclo

  Comparação histórica de booms tecnológicos, falsas promessas e ciclos de investimento

  O relatório usa sete décadas de IA e ciclos tecnológicos anteriores para avaliar se os investimentos, a adoção e os desenvolvimentos de mercado atuais podem seguir padrões conhecidos de boom e queda ou diferir por sua velocidade e escala.

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Investimento em IA ligado à economia dos modelos, à demanda de centros de dados e à capacidade elétrica

  O relatório conecta o capex de hyperscalers e a queda dos preços dos modelos às necessidades de infraestrutura, especialmente centros de dados e geração de eletricidade, para explicar as restrições à implantação da IA.

• Finanças comportamentais e análise de eventosAnálise orientada por eventos

  Comparação histórica do desempenho de IPOs

  O relatório compara os resultados de IPOs de tecnologia no primeiro dia e em três anos, ajustados pelo mercado, com outras IPOs para distinguir o entusiasmo da emissão dos retornos posteriores.

Dados principais

• Marco histórico da IA70 yearsO relatório marca 70 anos desde o Dartmouth Summer Research Project on Artificial Intelligence de 1956.
• Horizonte de capex dos hyperscalersThrough 2030Cada valor anual de capex esperado até 2030 supera todo o boom de telecomunicações da bolha pontocom, segundo o relatório.
• Duração da liderança dos melhores modelosLess than two months on averageO relatório usa esse dado para ilustrar a rápida rotatividade dos modelos e a pressão sobre preços.
• Marco de política de soberania de dados2016O relatório afirma que as restrições a fluxos transfronteiriços de dados aceleraram com o GDPR da UE.
• Marco da tendência educacionalc. 2010O relatório sugere que a IA pode estar acelerando uma queda no desempenho educacional que começou com a ampla difusão de smartphones.

Impacto e implicações

O relatório retrata a IA como um ciclo tecnológico e de investimento de alta relevância, cujos benefícios dependem da queda de custos e de infraestrutura suficiente, enquanto as vantagens competitivas em modelos podem ser breves. Também argumenta que os efeitos sobre mercado de trabalho, governança de dados, confiança, segurança e educação devem ser avaliados junto com os desenvolvimentos de investimento e mercado.

Riscos

• A rápida comoditização dos modelos e a pressão sobre preços podem tornar a liderança tecnológica efêmera.
• Restrições de capacidade elétrica e de centros de dados nos Estados Unidos podem limitar a implantação de IA à medida que a demanda aumenta.
• A IA pode piorar a deterioração do emprego e dos salários de recém-formados.
• Restrições a dados transfronteiriços e preocupações com soberania de dados podem limitar a implantação de IA.
• O conteúdo gerado por IA pode enfraquecer ainda mais a confiança institucional, que já vinha caindo.
• Incidentes, riscos e violações de segurança envolvendo agentes de IA são preocupações crescentes.
• A IA pode acelerar a queda do desempenho educacional.

Pontos a observar

• O ritmo do capex dos hyperscalers até 2030 em relação a booms anteriores de investimento em tecnologia.
• Se o desempenho dos modelos continua melhorando em benchmarks relevantes à medida que os testes existentes envelhecem.
• Os preços dos modelos de IA e a duração da liderança entre os melhores modelos.
• A geração de eletricidade e a capacidade de centros de dados, especialmente nos Estados Unidos em comparação com a China.
• A escala e o desempenho pós-listagem de megas IPOs de tecnologia.
• As tendências de emprego e salários de graduados.
• Restrições a fluxos transfronteiriços de dados, incidentes de IA e indicadores de confiança institucional e desempenho educacional.