Qual é o preço do aluguel por hora de uma GPU Nvidia B200 no fim deste ano?

O mercado preditivo transforma essa pergunta em uma série de contratos de sim ou não. Os traders apostam se o aluguel da B200 vai ficar acima de um certo preço e, ao combinar contratos com diferentes preços e datas, surge uma curva de aluguel de GPUs formada pelas apostas do mercado.

A Polymarket já havia lançado contratos de aluguel de GPUs antes, mas com baixo volume de negociação. Desta vez, o cofundador da Kalshi, Tarek Mansour, anunciou que a plataforma extraiu a curva a termo dos preços de mercados preditivos para B200, H200 e A100.

Os mercados preditivos deixam de responder apenas resultados eleitorais, timing de cortes de juros e eventos de empresas, e passam a construir um mercado financeiro para uma indústria que nunca teve um mercado público de negociação.

Essa curva ainda está distante da curva a termo dos mercados tradicionais de commodities, e o mercado preditivo não pode fazer com que compradores recebam um lote de GPUs no vencimento. Mas ele captura o que o mercado de negociação de GPUs mais carece: uma linha de preço padrão que todos conseguem ver.

Nos últimos anos, o capital tem continuado a entrar em chips, data centers e energia; e o poder de computação já se tornou um dos maiores custos da indústria de IA, enquanto o modo de compra ainda fica preso a pré-agendamentos por telefone, acordos entre conhecidos e contratos off-line.

A financeirização do poder de computação está em pleno andamento.

Antes, o contrato; depois, o mercado

Antes do surgimento dos grandes modelos, as empresas obtinham capacidade de computação principalmente de duas maneiras: comprando seus próprios servidores ou pagando mensalidades relativamente estáveis aos provedores de nuvem. A IA mudou essa lógica de compras. O treinamento e a inferência consomem enormes quantidades de GPUs; os preços de diferentes chips, regiões e prazos contratuais começam a se separar, e as cotações dos provedores de nuvem também mudam rapidamente conforme oferta e demanda.

Hoje, o mercado de poder de computação não é desprovido de transações a termo.

Laboratórios grandes travam capacidade futura com antecedência; a neocloud pré-compra GPUs de provedores de nuvem e corretores; entre megaprovedores de nuvem, também há reservas de recursos entre si. Contratos curtos são alugados por hora; os longos cobrem vários anos. Eles cumprem um papel semelhante aos contratos de compra a longo prazo de petróleo, mas com preços escondidos em negociações privadas.

Um grande provedor de serviços de inferência já descreveu a compra de capacidade computacional como “procurar um intermediário familiarizado com a oferta”. Você diz que tipo de chip precisa, quantas placas e em qual região será usado; ele então encontra o estoque para você a partir de uma rede de relacionamentos. Os corretores ganham com assimetria de informação; grandes detentores, com alocação via relacionamentos; e o preço efetivo raramente aparece em telas públicas.

Esse tipo de mercado consegue viabilizar entregas, mas não consegue formar expectativa contínua. Laboratórios de IA não sabem qual será o custo de inferência daqui a seis meses; data centers não conseguem travar com antecedência os preços de aluguel; e credores carecem de dados atualizados em tempo real para avaliar com que rapidez GPUs dadas como garantia perdem valor.

O tamanho do capital já não permite que esse modelo de precificação continue do jeito que era.

Os números apresentados por Tarek são que megaprovedores de nuvem vão investir mais de US$ 7 trilhões em poder de computação neste ano, e que o tamanho do mercado pode chegar a de US$ 70 trilhões a US$ 100 trilhões até 2030. Previsões mais conservadoras de instituições também são igualmente grandes. A Morgan Stanley estima que, até 2028, o capex global de data centers seja de cerca de US$ 2,9 trilhões, dos quais aproximadamente US$ 2,5 trilhões se destinam a IA. A McKinsey estima o capex de data centers antes de 2030 em US$ 6,7 trilhões. A Goldman Sachs calcula que o investimento em infraestrutura de IA de 2026 a 2031 será de US$ 7,6 trilhões.

Esses números usam anos e critérios de estatística diferentes; alguns incluem data centers, outros somam tanto poder de computação quanto energia. O ponto em comum é que a computação e o hardware respondem por 55% a 67% das estimativas de cada casa, sendo a maior parcela do investimento nesta rodada de infraestrutura.

Chip é outra classe de ativo com variações drásticas de preço. A estimativa do mercado sobre a vida útil de GPUs varia de três a sete anos; produtos de nova geração atualizam o desempenho a cada ano. A escassez de oferta, porém, faz com que chips mais antigos ainda mantenham valor para aluguel. Data centers precisam imobilizar grandes volumes de capital em equipamentos cuja taxa de depreciação ainda não tem consenso.

Quanto maior o peso do capital, mais importante se torna o preço a termo.

Exploração do mercado de negociação de GPUs

A primeira fase do mercado de negociação de GPUs é a “negociação privada” já em operação há anos.

Compradores reservam capacidade com antecedência; vendedores travam receita futura; corretores assumem a tarefa de buscar oferta e fazer as negociações. A demanda real e os compromissos a termo já existem, apenas não há contrato único nem cotações públicas.

Esses compradores e vendedores também formam a base do mercado financeiro de poder de computação.

Megaprovedores de nuvem, grandes data centers e detentores de GPUs têm estoques e temem a queda do aluguel futuro; laboratórios de IA, plataformas de inferência, empresas de aplicação e a neocloud que já assumiu compromissos de capacidade com o downstream precisam continuar comprando e temem alta de preço futura. De um lado, proteger a receita dos equipamentos; do outro, controlar o custo do poder de computação. É assim que surge a demanda inicial por negociação.

A segunda fase é construir um índice de preços padronizado. O Ornn Compute Price Index extrai preços a partir de negociações reais de aluguel de GPUs, cobrindo diversos chips populares. A Silicon Data publica diariamente índices de aluguel sob demanda de H100, A100 e B200 e envia os dados para o terminal da Bloomberg. A Compute Desk também está montando produtos do mesmo tipo.

O que o provedor do índice define não é apenas uma sequência de números. Quais chips, regiões, configurações de rede e tipos de contrato serão incluídos; como tratar negociações anômalas; como um índice antigo sai depois de trocas de geração de chips — tudo isso altera o “preço de GPUs” que o mercado cita. A bolsa fornece o ambiente de negociação; o provedor do índice define exatamente o que as pessoas estão negociando.

O Ornn obteve recentemente um investimento de US$ 33 milhões da a16z. Quem conseguir organizar dados dispersos de transações em um benchmark aceito pelo mercado, terá chance de se tornar a porta de entrada de preços no mercado de poder de computação.

A terceira fase é escrever o índice em contratos negociáveis. A CME escolheu a Silicon Data como fornecedora de dados e planeja lançar futuros de poder de computação com liquidação diária baseada em benchmark de aluguel de GPUs. A controladora da NYSE, a ICE, escolheu o Ornn e está pronta para lançar outra linha de futuros de GPUs. As duas bolsas tradicionais posicionam seus produtos como ferramentas de gestão de risco para laboratórios de IA, provedores de nuvem, data centers e instituições financeiras, mas ainda estão na fase de espera de revisão regulatória.

O mercado preditivo seguiu outro caminho. Ele faz com que os traders respondam continuamente à mesma pergunta: “Se um determinado chip, em certa data, vai ficar acima de um certo preço de aluguel?”. Ao calcular as diferenças de preço entre limiares adjacentes, é possível aproximar a forma como o mercado julga aquele intervalo de preços; depois, repetindo o cálculo para datas diferentes, surge a estrutura a termo.

Em mercados tradicionais de commodities, normalmente primeiro se definem contratos com entrega, e depois a negociação de futuros forma a curva. O mercado preditivo primeiro usa contratos de evento para formar expectativas públicas e depois considera usar essas expectativas para negociação de balcão (OTC), futuros e contratos perpétuos.

Enquanto futuros tradicionais de poder de computação ainda aguardam aprovação regulatória, o mercado preditivo já entregou a estrutura a termo.

O que uma curva resolve

Com tanto esforço para construir índices, futuros e curvas a termo, que problema uma empresa de IA comum consegue resolver?

Suponha que uma plataforma de inferência já tenha prometido atender clientes em seis meses. Ela sabe que vai precisar de um lote de GPUs na época, mas não sabe quanto o aluguel vai subir. Se o aluguel disparar, os preços já negociados com os clientes não mudam, e ela só consegue arcar com o custo extra. Ao comprar um contrato que se valoriza conforme o aluguel de GPUs aumenta, a conta na nuvem fica mais cara, mas o ganho no contrato compensa parte da diferença. O problema enfrentado por um data center é o oposto: os equipamentos já foram comprados e, se o aluguel futuro cair, a receita diminui. Ao vender uma posição a termo (exposição) é possível travar antecipadamente parte da receita dos equipamentos.

Esse contrato não precisa ser idêntico, placa por placa, ao que a empresa realmente compra. A empresa pode usar H200 na região de Nova York, enquanto no mercado se negocia um índice de H200 que cobre vários fornecedores. Desde que os dois preços acompanhem de forma parecida a alta e a queda, o contrato funciona. Analistas estimam que, quando o coeficiente de correlação entre os dois preços chega a 0,7, uma estrutura de hedge bem alocada pode eliminar perto de metade da volatilidade. Companhias aéreas não conseguem comprar um contrato exatamente igual ao valor de cada gasto de combustível; elas ainda usam futuros de petróleo para controlar custos, e o raciocínio é semelhante.

Credores também precisam dessa curva. Quando um data center toma empréstimo usando GPUs como garantia, o banco precisa avaliar quanto aluguel essas fichas ainda vão gerar daqui a dois anos. Antes, só havia cotações dos fabricantes, negociações esparsas e suposições próprias. Com uma curva pública, credores conseguem ajustar a avaliação do colateral conforme o mercado muda; e os data centers conseguem provar com mais facilidade a receita futura.

O preço pode até influenciar, de forma inversa, a escolha de qual chip a empresa usa. Se aluguel de GPUs da Nvidia tiver mais transações, o índice for mais confiável e os instrumentos de hedge estiverem mais ativos, os bancos tenderão a aceitar mais esse ativo como colateral, e os detentores acharão mais fácil alugá-lo ou vendê-lo quando necessário. Assim, os equipamentos ficam mais fáceis de financiar, e mais compradores escolhem esse ativo; esse fluxo de negociação que se concentra em torno da Nvidia pode se tornar uma vantagem difícil de copiar para concorrentes.

Uma curva de preços, portanto, atende não só traders. Ela faz o usuário saber mais cedo os custos; faz o detentor definir mais cedo sua receita; e faz o credor ter mais confiança para precificar equipamentos e data centers.

Gargalos & desafios

O primeiro problema é o índice.

O Ornn enfatiza negociações reais; a Silicon Data foca preços de aluguel sob demanda; outras abordagens ainda padronizam custos de energia. Cada método preserva parte das informações e abre mão de outra parte. Não existe um índice que cubra simultaneamente chip, região, prazo, rede e contraparte.

Ao mesmo tempo, chips mudam rapidamente de geração.

O “padrão de medição” do petróleo pode continuar sendo usado; já o mercado de GPUs evolui de H100 para H200, B200, GB200 e Rubin. A AMD, o Google TPU, o Amazon Trainium e chips dedicados continuam a dividir a demanda por capacidade de computação. Quando índices antigos saem e como se faz a transição entre chips novos e antigos ainda muda continuamente o próprio ativo subjacente dos contratos.

O segundo problema é a liquidação.

Contratos liquidados em dinheiro, ao vencerem, só contam dinheiro, não entregam GPUs. Empresas que precisam controlar custos podem compensar aumentos de aluguel com ganhos do contrato; mas a neocloud que já prometeu capacidade a clientes ainda precisa ir ao mercado buscar as placas.

Outro risco vem da quantidade de transações.

O volume real de negociações diárias publicadas no mercado de aluguel de GPUs pode ser pequeno, e a oferta fica concentrada nas mãos de poucos vendedores. Assim, uma única negociação pode puxar de forma perceptível o índice, e a parte que detém a oferta tem mais chance de influenciar o preço final de liquidação.

Esse também é um problema das curvas desenhadas com mercado preditivo.

Curvas a termo tradicionais dependem de mecanismos de entrega ou troca de spot para puxar o preço de futuros de volta à oferta e demanda reais. Contratos binários do mercado preditivo não têm esse canal; a curva expressa a expectativa dos participantes, ainda não se tornando um preço de capacidade que possa ser entregue ou arbitragado.

O terceiro problema é a liquidez.

Vendedores preferem contratos de longo prazo, porque data centers querem travar receita com antecedência; compradores preferem contratos de curto prazo, porque empresas de IA precisam manter a liberdade de trocar chips e fornecedores. As necessidades de prazo de ambos naturalmente não coincidem. Corretores e grandes detentores ganham com mercados opacos, e não há incentivo para colocar todas as negociações no mercado aberto.

Apesar de tantos obstáculos, a necessidade de preços públicos no mercado de poder de computação não vai voltar atrás. Talvez em breve vejamos reportagens sobre “dar 5x long no poder de computação” de algum “dinheiro inteligente” na cadeia

Clique para saber mais sobre a Juventude BlockBeats abrindo vagas

Bem-vindo para entrar no grupo oficial da Juventude BlockBeats:

Grupo de assinatura no Telegram: https://t.me/theblockbeats

Grupo de Telegram: https://t.me/BlockBeats_App

Conta oficial no Twitter: https://twitter.com/BlockBeatsAsia