至少 no ponto de vista do treinamento dos modelos de IA, por si só, não existe uma “moat” (barreira competitiva) muito profunda.

IA = mais GPUs + mais dados + melhores receitas de treino (training recipes) + mais otimizações de engenharia.

Isso já é consenso na indústria. A própria IA não precisa de acúmulo exclusivo de equipamentos, materiais e processos como ocorre na fabricação de chips avançados.

Assim que a capacidade de um modelo é demonstrada publicamente, isso equivale a dizer a toda a indústria que essa meta é viável — e então os entrantes posteriores não precisam arcar com todos os custos de fracasso repetidos do pioneiro, conseguindo reduzir a defasagem rapidamente.

As “moats” reais dos fornecedores de IA nunca foram a capacidade do modelo em si. A verdadeira barreira competitiva valiosa está no ecossistema de usuários, dados de comportamento e na mentalidade dos desenvolvedores (developer mindshare).

Por isso, mesmo que kimi, grok, deepseek e outras empresas tenham provado que os parâmetros e as capacidades dos modelos podem ser alcançados rapidamente, eu ainda acho difícil que isso represente um desafio realmente sério para openai e anthropic.

Uma vez que o ecossistema de usuários se forma, ele se torna uma moat bem profunda. Mesmo agora, com capacidades de busca de IA tão fortes, a área de publicidade de busca da Google ainda está acelerando o crescimento — e isso ainda é um cenário em que a capacidade já está claramente atrás do mercado.

Não vamos gritar por uma queda de 50% no valuation de openai e anthropic só porque outros modelos estão evoluindo rapidamente. A openai tem algo perto de 1 bilhão de WAU, e a anthropic ainda ocupa mais de 50% da participação nos gastos empresariais com LLM.

Diante desse cenário, eles ainda recebem de forma contínua a produção de dados de usuários de alta qualidade. Aqui, a moat não é algo que se prova apenas “fazendo um ranking”.