As empresas de IA não dão lucros; devem aprender com o MTR de Hong Kong

Autor: Michael Wenye Li

Compilação: Profundo Mar TechFlow

Resumo do Profundo Mar: O laboratório de IA queimou alguns milhares de milhões de dólares, mas ninguém consegue explicar claramente quando (e como) o dinheiro será recuperado. A taxa de preços das APIs cai 10 vezes por ano, o código aberto persegue o código fechado e os custos de treino continuam a aumentar em cada ciclo. Este artigo sai da perspetiva da indústria tecnológica e dá uma resposta altamente inspiradora com o modelo de negócio do MTR de Hong Kong ao longo de 45 anos: em vez de tentar ganhar dinheiro com as tarifas, é preciso possuir os imóveis por cima das estações.

Elas não conseguem lucrar — e o próprio problema está mal formulado

Há um tipo de negócio que funciona assim: no início injeta dezenas de milhares de milhões de capital e não há qualquer receita. O preço do serviço central fica muito próximo do custo marginal. Cria um enorme valor para os utilizadores, mas os construtores quase não conseguem reter nem um cêntimo. E ainda por cima é necessário continuar a investir na infraestrutura da próxima geração.

Isto não descreve um laboratório de IA; descreve um grande sistema ferroviário.

Muita gente compara o setor ferroviário com a área de IA e, na maioria dos casos, a conclusão é: a tecnologia geral tem características de bem público e a viabilidade comercial depende de subsídios do governo.

Quero desafiar essa conclusão. Porque o MTR de Hong Kong (MTR) resolve efetivamente este problema. Está entre os raríssimos sistemas de metro do mundo que se sustentam comercialmente, é uma empresa cotada, distribui dividendos e pagamentos aos acionistas, e não depende de subsídios do governo para a operação.

A estrutura financeira é praticamente a mesma

O negócio ferroviário central do MTR nunca conseguiu financiar, por si só, a expansão. Em 2018, o melhor ano antes da pandemia, o EBIT do transporte foi de 2 mil milhões de dólares de Hong Kong. Em 2024-2026, as previsões de capex são de 879 mil milhões de dólares de Hong Kong, quase todos para via férrea. O pico de lucros ferroviários ao longo de três anos apenas consegue cobrir 8% do capex. As receitas de tarifas nunca foram suficientes para construir mais uma linha — e este facto nunca fez parte do desenho original.

As tarifas do MTR são mantidas a um nível acessível através de um mecanismo de ajustamento governamental. Não é possível definir tarifas num nível que recupere o custo de construção; desse modo ninguém teria condições para viajar e também se contraria a intenção fundamental dos transportes públicos. Talvez cada linha consiga cobrir os custos operacionais próprios, mas a receita tarifária nunca chega para financiar a construção da próxima linha.

O “espelho” do problema que a IA enfrenta no preço das APIs é o mesmo. A destilação e as alternativas de código aberto fazem com que o preço das APIs caia a uma taxa de cerca de 10 vezes por ano. Qualquer laboratório que cobre acima do custo marginal acabará por perder volume para os concorrentes. Cada modelo pode gerar lucro operacional na camada de inferência, mas as margens nunca chegam para suportar as despesas da próxima ronda de treino.

A solução globalmente aceite é subsidiar. O metro de Londres depende de verbas do TfL; as linhas de alta velocidade na China carregam dívidas de biliões de dólares e 94% das linhas não dão lucro. A IA segue o mesmo caminho: a lei CHIPS, o projeto Stargate, investimentos de fundos soberanos, contratos do Pentágono. O “resultado final” por defeito é infraestruturas quase-públicas que dependem de subsídios.

O MTR encontrou outra via.

Comboio + imobiliário

Quando o MTR foi construído no seu início, em 1979, os projetistas já perceberam que as tarifas nunca conseguiriam recuperar o custo de construção. Assim, estruturaram a empresa com um pressuposto totalmente diferente: o caminho de ferro fará os terrenos circundantes valorizarem, por isso é preciso manter a posse do terreno.

O MTR desenvolve edifícios residenciais, de escritórios e centros comerciais por cima e à volta das estações, capturando no seu bolso a valorização gerada pelo valor criado pela própria infraestrutura. Os lucros do imobiliário devolvem dinheiro à operação ferroviária e financiam a construção da próxima linha. Hoje, o MTR tem 13 centros comerciais, gere projetos de “propriedade acima das estações” em 47 estações e o imobiliário contribui com a maior fatia dos lucros efetivos.

A lógica é clara: não tentar capturar valor a partir do serviço ferroviário em si; possuir antes os ativos que valorizam por causa do caminho de ferro.

Correspondência com a IA

“Quando é que o laboratório de IA consegue ganhar dinheiro?” e “Quando é que o caminho de ferro consegue sustentar-se apenas com tarifas?” são problemas isomórficos. A resposta é a mesma: não consegue — e a própria formulação do problema está errada.

Uma startup de biotecnologia usa modelos avançados para selecionar compostos farmacêuticos, economizando dois anos de ensaios clínicos. Uma empresa de logística usa isso para otimizar rotas e economiza 40 milhões de dólares em custos de combustível. Um programador independente entregou num fim de semana um projeto que a equipa de cinco pessoas levaria três meses para concluir. Em cada caso, o fornecedor do modelo apenas captura, via taxas de API, uma percentagem de valor na ordem dos “pontos percentuais” (frações de percentagem). O fornecedor não consegue aumentar preços, porque existem quatro laboratórios adicionais e dezenas de alternativas open source com capacidades equivalentes. O valor restante flui para os utilizadores e para a economia em sentido mais amplo.

As tecnologias gerais funcionam assim. A máquina a vapor, a eletricidade e o TCP/IP nunca geraram qualquer receita para os seus criadores.

O ensinamento do MTR: já não tente fazer com que as tarifas cubram o custo de construção; procure os seus “imóveis por cima das estações”.

Quatro opções candidatas, ordenadas por defesa

Em primeiro lugar está o direito de implantação concedido pelo governo. O governo autoriza um laboratório a ter acesso exclusivo a registos médicos nacionais, sistemas de impostos ou logística de defesa. Os dados especializados que o laboratório acumula, a profundidade de integração de sistemas e as qualificações regulatórias — tudo isto leva anos a replicar. Este é o mecanismo do MTR: o Estado concede direitos de desenvolvimento com base nas características de monopólio natural.

Em segundo lugar vêm os dados de recompensas de reforço (reinforcement learning) acumulados. Sinais de interação de centenas de milhões de vezes são usados para treinar a próxima geração de modelos. Diferente dos pesos do modelo (que se desvalorizam com a destilação), os dados de RL quase não são replicáveis e acumulam de forma composta entre gerações. Não consegue converter-se diretamente em dinheiro, mas é como um terreno: valoriza enquanto ainda não foi desenvolvido.

Em terceiro lugar está a integração com implantação prévia. Em vez de vender a interface do modelo a uma empresa de consultoria para que esta capture o excedente de produtividade, é preferível possuir de ponta a ponta toda a camada de entrega do serviço. Tal como a Palantir integra engenheiros em instituições governamentais em vez de vender licenças de software. O laboratório não cobra taxas de API a um escritório de advocacia; o laboratório torna-se o próprio serviço de pesquisa jurídica, precificando com base nos resultados entregues e não no consumo de tokens. O custo de mudança vai-se acumulando e aumentando com o acúmulo de dados do domínio e do conhecimento institucional. Esta é a lógica dos centros comerciais do MTR: monetizar o fluxo de passageiros criado pela ferrovia, em vez de aumentar tarifas aos passageiros.

Em quarto lugar está a custódia/hosting de conjuntos de dados nacionais. Os governos de vários países detêm enormes conjuntos de dados subaproveitados (registos de doentes, declarações fiscais). Um laboratório de ponta designado como custodiante recebe acesso exclusivo, treinando modelos e construindo produtos com base nesses dados. Mas isto cria um monopólio de dados público-privados que requer uma governação rigorosa: limites claros de utilização, retorno de benefícios para o público, supervisão independente e um mecanismo verdadeiramente vinculativo de responsabilização.

Reformular o problema

Os laboratórios que conseguem sobreviver não são os que tornam a API lucrativa; são os que já encontraram, agora, o seu “imóvel por cima da estação” e começaram a construir. A API é como a ferrovia: nunca vai gerar dinheiro suficiente. O dinheiro está nos ativos à volta da ferrovia que valorizam.

No plano de políticas públicas, surge também o problema: em vez de subsidiar apenas o treino e a operação, o governo deveria sobretudo desenhar mecanismos institucionais (quadros de direitos de implantação, estruturas de custódia de dados, padrões de medição de produtividade) para permitir que os laboratórios capturem o excedente de valor criado pela sua própria infraestrutura.

Por fim, há uma ironia. O debate sobre políticas de IA é dominado pelos quadros dos EUA e da China: laboratórios de mercado livre dos EUA versus empresas campeãs apoiadas pelo Estado na China. O modelo institucional com mais valor de referência talvez nem seja um nem outro. Pode ser antes o modelo de Hong Kong: uma entidade híbrida público-privada com 45 anos de história, operação comercializada e autofinanciamento alcançado através do desenho institucional, não por ideologia.