No mundo da inteligência artificial, poucos desafios atuais são mais complexos do que decidir quanto investir em computação.

Especialmente em uma indústria que exige cada vez mais dos servidores dedicados. O "cone da incerteza", conceito que descreve como as projeções se tornam menos confiáveis quanto mais avançam no tempo, é uma das principais forças que moldam a estratégia da Anthropic.

Em entrevista ao podcast Invest Like The Best, o CFO Krishna Rao deu uma rara janela para a lógica financeira e operacional da empresa.

Rao deixou claro que há um piso intocável de investimento. "Existe um nível de desenvolvimento de modelos abaixo do qual não vamos cair", disse o executivo.

Na prática, isso significa que, independentemente das pressões de curto prazo, a dona do Claude mantém um volume mínimo de alocação de computação voltado à fronteira da inteligência — o topo do que é tecnicamente possível. Assim, os retornos desse investimento são considerados "extremamente altos", especialmente no segmento corporativo.

"Cada um desses saltos para um novo modelo tem um efeito multiplicador em termos de quão mais eficiente ele é no processamento de tokens", explicou o executivo após elogiar como a "cultura colaborativa" da empresa permite que as melhorias aconteçam de forma dinâmica.

Para o restante dos recursos computacionais, a empresa adota uma abordagem colaborativa e descentralizada. Cada equipe interna representa seu caso de uso e defende a fatia de computação que precisa, numa discussão aberta sobre retorno sobre investimento.

É uma dinâmica que, segundo Rao, força clareza sobre o valor real de cada aplicação, algo considerado raro em empresas de tecnologia onde os custos de infraestrutura costumam ser tratados como sobrecarga invisível.

O modelo que fica mais eficiente a cada geração

Um dos pontos mais reveladores da conversa foi a analogia com carros. Rao reconhece que, quando novos modelos chegam ao mercado, a comparação intuitiva é a de trocar um sedã por um esportivo com mais potência, mas pior consumo de combustível. "Antes você tinha um sedan e depois passou a ter a versão mais sofisticada desse sedan, e assim foi subindo na escala", exemplificou Rao.

Na IA, porém, essa lógica não se aplica na indústria da IA. "A forma como essa analogia é feita acaba falhando um pouco, porque as pessoas pensam: 'Ok, estou trocando um sedã por um carro esportivo. Vou ter uma economia de combustível muito maior. "Não vou comprar um carro esportivo pensando na economia de combustível'. [...] "Na nossa realidade, vemos melhorias significativas em ambas as áreas: melhorias consideráveis em capacidade e também em eficiência do modelo", explicou o CFO. Cada versão do Claude — da 4 à 4.5, 4.6 e agora 4.7 — entrega não apenas mais inteligência, mas processa tokens de forma progressivamente mais barata.

Essa dinâmica cria o que Rao chama de "situação de ganha-ganha". Os clientes recebem modelos mais capazes a cada ciclo, enquanto a Anthropic consegue servi-los com custo marginal menor. Entre os lançamentos de novas versões, a empresa também aplica melhorias de eficiência de forma contínua. "Está sempre ficando mais eficiente ao longo do tempo", disse o executivo.

Há ainda um efeito circular que acelera tudo isso. O aprendizado por reforço, técnica central no treinamento dos modelos da empresa, funciona, na prática, como inferência dentro de um ambiente controlado com uma função de recompensa. Modelos mais eficientes para inferência tornam o próprio treinamento mais barato. O resultado é um ciclo virtuoso em que cada ganho de eficiência financia o próximo avanço, comprimindo o cone da incerteza à medida que a empresa avança.