Hugging Face explica quem lucra com a ascensão dos modelos abertos de IA

No dia 4 de novembro de 2026, o podcast Equity, da TechCrunch, publicou uma conversa entre a apresentadora Rebecca Bellan e Irene Solaiman, diretora de políticas (chief policy officer) e vice-presidente sênior de estratégia da Hugging Face. O tema: modelos de inteligência artificial (IA) de peso aberto (open weight), aqueles que qualquer empresa pode baixar, rodar no próprio servidor e adaptar sem depender de uma API paga de terceiros, viraram rotina em empresas, governos e startups.

A pergunta que guiou a entrevista foi direta: se o modelo em si é gratuito, quem ganha dinheiro com isso? E, com os modelos chineses de código aberto ganhando espaço, as empresas americanas seguem competitivas? O episódio tem 36 minutos e aprofunda escolha de ferramenta, infraestrutura e os trade offs de construir em cima de modelo aberto, mas o material disponível publicamente é a chamada do episódio, não a transcrição completa.

Por que a empresa troca API fechada por modelo próprio

A entrevista parte de três promessas que puxam empresas para modelos abertos: custo menor, mais controle e mais flexibilidade. Para quem desenvolve, cada uma dessas promessas tem um efeito prático diferente.

Custo menor normalmente aparece em escala: pagar por token numa API como a da OpenAI ou da Anthropic sai caro quando o volume de chamadas cresce, enquanto rodar um modelo aberto em infraestrutura própria (ou alugada) desloca o gasto de "por uso" para "por hora de GPU". Mais controle significa que o dado do cliente não sai do ambiente da empresa, o que pesa em setores regulados como saúde e financeiro. Mais flexibilidade é poder fazer fine-tuning (ajuste fino): retreinar o modelo com dados próprios para uma tarefa específica, algo que a maioria das APIs fechadas não permite no mesmo nível de profundidade.

Em resumo: a conta só fecha para quem tem volume de uso e time técnico para operar a infraestrutura. Startup pequena que faz poucas chamadas por dia geralmente sai perdendo ao trocar API por self-hosting (hospedagem própria), porque o custo de manter servidor e GPU rodando pode superar o que pagaria por token.

Quem fatura quando o modelo é de graça

Se o peso do modelo é aberto e gratuito, o dinheiro migra para outras camadas da pilha. Na prática, isso significa que empresas como a própria Hugging Face, que hospeda um grande volume de modelos abertos no seu repositório público, tendem a faturar oferecendo serviços gerenciados de hospedagem e suporte técnico para empresas que precisam de controle de acesso e infraestrutura dedicada.

A Nvidia, fabricante dos chips que sustentam tanto o treinamento quanto a inferência desses modelos, figura entre os temas do episódio, e o raciocínio é direto: quanto mais empresa roda modelo aberto localmente, mais GPU tende a ser vendida ou alugada em nuvem. Na mesma lógica, provedores de nuvem (AWS, Google Cloud, Azure) podem lucrar hospedando essa infraestrutura, e consultorias e integradoras tendem a cobrar para fazer o fine-tuning e a integração do modelo aberto ao sistema da empresa. O modelo é grátis, mas a engenharia em volta dele não é, ainda que o episódio não detalhe esses mecanismos especificamente.

O fator China: a disputa pelo padrão aberto

A pergunta sobre se "as empresas americanas seguem competitivas" não é retórica. Modelos abertos chineses vêm ganhando espaço nos últimos anos, segundo o tema levantado na conversa, embora o material disponível não detalhe quais famílias de modelo, nem números de adoção ou comparação de custo de treinamento frente a concorrentes ocidentais.

Esse avanço muda o cálculo de quem escolhe modelo aberto: a opção mais barata ou mais capaz numa categoria específica pode vir de um laboratório chinês, o que levanta questões de governança de dados e de dependência tecnológica para empresa e governo que pensam em soberania digital. É esse o "risco da China" que a conversa entre Bellan e Solaiman coloca na mesa, sem que o material disponível detalhe números de adoção ou benchmark específico citado no episódio.

O que muda na prática para quem escolhe a stack

Para o time de TI que decide entre API fechada e modelo aberto, a escolha envolve critérios concretos:

Na prática, times que já usam o ecossistema da Hugging Face costumam rodar modelos abertos localmente com ferramentas como vLLM ou Ollama para servir inferência, e usam LoRA (um método de fine-tuning que ajusta só uma fração dos parâmetros do modelo) quando precisam adaptar o modelo a um domínio específico sem o custo de retreinar tudo do zero. Isso reduz a barreira de entrada, mas não elimina a necessidade de alguém no time que entenda infraestrutura de GPU e versionamento de modelo.

O que fica em aberto, inclusive depois da conversa entre Bellan e Solaiman, é se o mercado ocidental consegue sustentar o ritmo de lançamento de modelos abertos competitivos frente aos laboratórios chineses, e se a monetização em torno do modelo aberto (hospedagem, chip, consultoria) é suficiente para manter o investimento em pesquisa que sustenta esses lançamentos.

Fonte: TechCrunch AI