Tecnologia

Os gigantes da IA já buscam alternativas aos chips da Nvidia

Análise de Michael Cembalest, do J.P. Morgan, mostra como AMD e processadores próprios de Google e Amazon disputam a próxima expansão dos laboratórios

Nvidia: estande da fabricante de chips para inteligência artificial em feira de tecnologia (I-Hwa Cheng/AFP/AFP)

Nvidia: estande da fabricante de chips para inteligência artificial em feira de tecnologia (I-Hwa Cheng/AFP/AFP)

Tamires Vitorio
Tamires Vitorio

Repórter de Inteligência Artificial e Tecnologia

Publicado em 21 de novembro de 2026 às 12h03.

Priorizar nos meus resultados Google
Contexto37s

Um relatório do J.P. Morgan mostra como laboratórios de IA distribuem sua expansão entre Nvidia e alternativas como AMD, Broadcom, Google e Amazon. A análise mede capacidade de acordos anunciados, não participação de mercado nem infraestrutura instalada.

As empresas que ajudaram a transformar a Nvidia na principal fornecedora de chips para inteligência artificial estão preparando um futuro com mais alternativas. A OpenAI firmou um acordo de infraestrutura com a AMD. A Anthropic utiliza processadores de Google, Amazon e Nvidia e também contratou capacidade da AMD. Parte dos maiores compradores passou a disputar espaço com sua fornecedora ao desenvolver os próprios chips.

O movimento aparece em um levantamento de Michael Cembalest, responsável pela estratégia de mercados e investimentos da J.P. Morgan Asset & Wealth Management. No relatório The Icarus Files: What’s next for Nvidia and AI, publicado originalmente em 14 de novembro, a versão revisada calcula que a Nvidia representa 28% da capacidade dos acordos de computação anunciados pelos grandes laboratórios de IA reunidos na análise.

O percentual se refere a projetos com implantação prevista para 2026 ou depois, medidos em gigawatts. Não é a participação atual da Nvidia nas vendas de chips, nem significa que sua fatia de mercado caiu para 28%. O dado revela como os laboratórios estão distribuindo compromissos para a próxima expansão.

Para Cembalest, essa diversificação merece atenção porque há sinais de que concorrentes estão reduzindo a distância em determinadas tarefas, especialmente na inferência, etapa em que um modelo já treinado produz respostas. O risco competitivo está em os clientes encontrarem alternativas economicamente viáveis para parte do trabalho que hoje executam nas GPUs da Nvidia.

O que os contratos futuros mostram

Na amostra do relatório, os acordos associados à Nvidia somam 12,11 gigawatts. A Broadcom, ligada ao desenvolvimento de chips personalizados, aparece com 10 gigawatts, seguida por AMD, Amazon, Google e Cerebras.

Fornecedor ou plataformaCapacidade anunciadaParticipação na amostra
GPUs da Nvidia12,11 GW28%
Chips personalizados com Broadcom10 GW23%
GPUs da AMD8 GW18%
Trainium, da Amazon7 GW16%
TPUs do Google6 GW14%
Cerebras0,75 GW2%

Fonte: levantamento de Michael Cembalest, com divulgações de laboratórios e fornecedores. Os percentuais estão arredondados e somam 101%. Os números representam capacidade anunciada, não instalações integralmente concluídas.

Gigawatts ajudam a dimensionar a infraestrutura elétrica associada aos projetos, mas não tornam os processadores equivalentes. Dois sistemas com a mesma potência podem produzir volumes diferentes de respostas, dependendo dos chips, da memória, da rede e do modelo utilizado.

O levantamento funciona, portanto, como um mapa dos compromissos de expansão. Não permite concluir, sozinho, quanto cada fornecedor receberá em receita ou qual será sua participação na computação efetivamente utilizada.

OpenAI e Anthropic distribuem suas apostas

A parceria entre OpenAI e AMD, anunciada em outubro de 2025, prevê a implantação de 6 gigawatts de GPUs ao longo de várias gerações de produtos. O cronograma original estabelecia o início da primeira etapa, de 1 gigawatt com a linha Instinct MI450, no segundo semestre de 2026.

Esse calendário representa a previsão divulgada no acordo, não uma confirmação de que toda a capacidade já esteja operando. O contrato, ainda assim, mostra a dimensão que uma concorrente da Nvidia passou a ocupar no planejamento da desenvolvedora do ChatGPT.

A Anthropic também adotou uma infraestrutura diversificada. A empresa afirma treinar e executar o Claude em TPUs do Google, chips Trainium da Amazon e GPUs da Nvidia, escolhendo o hardware de acordo com as necessidades de cada tarefa.

Em abril, anunciou um acordo com a Amazon para assegurar até 5 gigawatts de capacidade. Naquele comunicado, afirmou já utilizar mais de 1 milhão de chips Trainium2 para treinar e disponibilizar o Claude. Trata-se de uma base em uso declarada pela empresa, distinta da expansão futura prevista no contrato.

A dona do Claude também anunciou uma parceria para utilizar até 2 gigawatts de chips da AMD. O acordo divulgado em julho previa o primeiro gigawatt no primeiro semestre de 2027.

Por que Google e Amazon querem fornecer os próprios chips

A disputa reúne dois tipos de aceleradores, os processadores especializados em executar tarefas computacionais intensivas. As GPUs oferecem flexibilidade para diferentes aplicações. Os circuitos de aplicação específica, conhecidos como ASICs, são desenhados para um conjunto mais delimitado de funções.

É nesse segundo grupo que estão as TPUs do Google e o Trainium da Amazon. Para as empresas de nuvem, desenvolver esses componentes significa atuar também na tecnologia que sustenta os serviços vendidos aos clientes.

O Google vem ampliando sua linha de sistemas para treinamento e execução de IA. As configurações atendem necessidades diferentes, como transferir dados da memória mais rapidamente ou proteger informações sensíveis durante o processamento.

Essa especialização importa porque o chip com mais capacidade de cálculo não é necessariamente a opção mais eficiente para toda tarefa. Um sistema pode passar parte do tempo esperando informações chegarem da memória ou de outros processadores. O resultado depende do conjunto, não apenas do componente principal.

A inferência abre uma frente de competição

O treinamento constrói e ajusta os parâmetros de um modelo. A inferência acontece depois, cada vez que o sistema processa uma solicitação e gera uma resposta. É nessa segunda etapa que o relatório identifica sinais de maior competição.

Cembalest apresenta um índice modelado da Epoch AI no qual o AMD MI455X aparece à frente dos demais chips comparados em desempenho estimado de inferência por unidade. A medida considera fatores como memória e comunicação entre processadores, além da capacidade aritmética.

O resultado não equivale a demonstrar superioridade da AMD em qualquer aplicação. É uma estimativa construída com critérios específicos, útil para examinar onde as diferenças entre as plataformas podem estar diminuindo.

Outra comparação, da SemiAnalysis, utiliza o modelo aberto Qwen 3.5 397B para relacionar velocidade de resposta e quantidade de tokens produzidos por dólar. Nas configurações apresentadas, as TPUs do Google mostram vantagem em boa parte das velocidades analisadas. O resultado continua restrito àquele modelo, às configurações e às premissas de custo utilizadas.

A própria IA pode reduzir o trabalho de trocar de fornecedor

Uma das vantagens históricas da Nvidia está no software. O ecossistema CUDA e as ferramentas construídas ao seu redor ajudam desenvolvedores a utilizar suas GPUs. Migrar aplicações pode exigir adaptações, testes e trabalho de engenharia que reduzem a atratividade de outro processador.

O relatório descreve um possível enfraquecimento dessa barreira. Segundo Cembalest, um laboratório de ponta, não identificado, relatou que um trabalho de adaptação e implantação de modelos em GPUs da AMD que antes exigiria de seis a 12 meses poderia agora ser realizado em três dias, com apoio do próprio modelo de IA do laboratório.

É um relato específico, sem detalhamento suficiente para generalizar o prazo a outras empresas ou aplicações. Sua relevância está no mecanismo descrito. A tecnologia vendida pelos laboratórios pode ajudar a executar parte da engenharia necessária para diversificar os chips que utilizam.

Mais alternativas não significam o fim da Nvidia

Cembalest também destaca os fatores que preservam a posição da fabricante. Na análise, atribui à Nvidia 83% das receitas com chips de IA entre 2023 e 2025 e observa que os longos ciclos de desenvolvimento e implantação de semicondutores sustentam sua operação no curto prazo.

Esse percentual histórico de receita tem uma base diferente dos 28% de capacidade futura anunciada. A comparação mostra dois retratos da indústria, mas não mede uma queda direta de participação.

A questão competitiva é quanto da expansão os clientes conseguem executar com outros fornecedores. Mesmo que continuem comprando Nvidia, alternativas viáveis ampliam suas opções de custo, disponibilidade e arquitetura.

O próximo teste será acompanhar quais compromissos viram capacidade instalada e quais sistemas conseguem executar os modelos com a qualidade, a velocidade e o custo esperados. É nessa passagem dos anúncios à operação que a diversificação poderá alterar o equilíbrio do mercado.


Perguntas frequentes

As grandes empresas de IA estão abandonando a Nvidia? +

Os acordos mostram diversificação, não abandono generalizado. Empresas como a Anthropic utilizam diferentes plataformas de chips, incluindo GPUs da Nvidia, enquanto contratam capacidade adicional de outros fornecedores.

A participação da Nvidia no mercado caiu para 28%? +

Não é isso que o relatório mede. Os 28% representam a parcela da capacidade dos acordos futuros de computação reunidos por Michael Cembalest, com implantação prevista para 2026 ou depois. Não são uma medida das vendas atuais de chips.

Quais alternativas aparecem no levantamento? +

GPUs da AMD, TPUs do Google, chips Trainium da Amazon, processadores personalizados associados à Broadcom e sistemas da Cerebras. Cada plataforma tem características e condições de utilização diferentes.

Por que a inferência importa nessa disputa? +

É a etapa em que um modelo já treinado processa pedidos e produz respostas. Seu custo depende de fatores como memória, comunicação entre chips, consumo de energia e velocidade de geração, abrindo espaço para diferentes arquiteturas competirem.

Os gigawatts anunciados já estão em operação? +

Não necessariamente. O levantamento reúne compromissos com implantação prevista para 2026 ou depois. É preciso distinguir capacidade anunciada, equipamentos entregues e infraestrutura efetivamente operando.

Glossário

Gigawatt

Unidade de potência equivalente a um bilhão de watts.

Inferência

Etapa em que um modelo treinado processa uma solicitação e gera uma resposta.

GPU

Processador de cálculo paralelo usado em tarefas como treinamento e execução de modelos de IA.

TPU

Chip desenvolvido pelo Google para acelerar operações de aprendizado de máquina.

ASIC

Circuito integrado projetado para um conjunto específico de tarefas.

CUDA

Plataforma de programação da Nvidia para executar computação em suas GPUs.

Acompanhe tudo sobre:Nvidia

Mais de Tecnologia

Hackers invadem sistemas do FBI e do Departamento de Agricultura dos EUA, diz imprensa dos EUA

Como copiar texto de um vídeo pausado no iPhone

Eles eram estagiários — e hoje constroem a central que controla os 12 mil agentes de IA do iFood

Arquivar ou trancar fotos no Google Fotos? Entenda a diferença