Quem irá dominar o poder de definir os preços da capacidade de computação na era da IA?

Introdução

No primeiro semestre de 2026, o «mercado de capitais de computação» passou rapidamente de um conceito de nicho para uma nova via em que a Wall Street e o Vale do Silício apostam em conjunto. A CME e a Silicon Data anunciaram o lançamento do primeiro mercado de futuros de computação; a empresa-mãe da NYSE, a ICE, tem vindo a colaborar com a Ornn e a NATIVX para preparar futuros de capacidade de GPU; e a Architect, fundada pelo antigo presidente da FTX US, Brett Harrison, procura introduzir, no trading de computação regulado, a estrutura de contratos perpétuos que já existe e é usada no mercado cripto. Entretanto, a CoreWeave já ultrapassou 20 mil milhões de dólares em dimensão de financiamento com GPU como colateral e concluiu o primeiro financiamento com rating de investment grade para operações «GPU-backed».

A computação está a evoluir pelo caminho clássico da financeirização dos mercados de commodities: começa como um ativo de capital (CAPEX) detido pelas empresas para uso próprio, depois passa para o trading à vista, índices de preços, cobertura com futuros e, por fim, entra nos mercados de crédito e de financiamento estruturado.

Por que é necessária a computação: o funil de valor da indústria de IA

Antes de compreender o mercado de computação, é preciso compreender o seu lugar na cadeia de valor da IA. Toda a cadeia pode ser decomposta num funil de nove camadas: em termos de valor comercial e fluxos de caixa, o ponto de partida da procura está na camada mais a jusante (aplicações) e vai-se propagando, camada a camada, para a upstream; já a computação está no meio, ligando o hardware subjacente e a infraestrutura dos centros de dados à camada superior de modelos e aplicações.

Camada 1｜Chips e hardware: NVIDIA, AMD, fabricantes de HBM/DRAM. Esta é a matéria-prima mais base de toda a computação. As GPUs determinam a oferta base de capacidade disponível, e recursos de armazenamento como HBM/DRAM também começam a ser financeirizados pelo mercado.

Camada 2｜Energia e terreno: se um centro de dados pode ou não ser construído, o ponto-chave não é apenas se há GPU, mas se existem terrenos adequados e acesso suficiente a energia. Uma grande parte do custo marginal da computação vem da fatura de eletricidade; por isso, em termos de «atributos de commodity», é mais parecida com eletricidade do que com petróleo.

Camada 3｜Neocloud e centros de dados independentes: CoreWeave, Nebius, Lambda, GMI Cloud, Crusoe, etc. Elas compram GPUs, constroem clusters e, depois, alugam capacidade de computação às empresas de IA — são, no mercado de computação, como «minas» e «campos de petróleo».

Camada 4｜Plataformas de agregação e corretagem: Mithril, Andromeda, SF Compute, etc. Elas nem sempre possuem GPUs próprias; ajudam o comprador a encontrar oferta, padronizam SLAs, efetuam a correspondência de transações e até fazem market making. São mais parecidas com os traders em mercados de commodities, como Glencore e Vitol.

Camada 5｜Índices e benchmarks: Silicon Data, Ornn (OCPI), NATIVX (COIL). Sem um benchmark de preço credível, torna-se difícil o mercado desenvolver futuros e derivados. Por isso, esta camada transforma preços de computação que antes eram pouco transparentes em preços de mercado rastreáveis e verificáveis.

Camada 6｜Derivados e crédito: CME, ICE, Architect, DEX perpétuos on-chain, além de ferramentas como empréstimos com colateral em GPU e computação ABS. Esta camada permite ao mercado fazer hedge do risco de preço da computação e transforma a capacidade de GPU numa entidade financiável.

Camada 7｜Plataformas de desenvolvimento de inferência: Fireworks, Baseten, Modal, etc. Elas empacotam as GPUs subjacentes, a implementação de modelos e as APIs de inferência, para que os programadores não tenham de gerir por conta própria infraestruturas complexas de computação e possam usar capacidade de inferência como se fosse um serviço de cloud.

Camada 8｜Camada de LLM / modelos: OpenAI, Anthropic, xAI, DeepSeek, etc. Elas convertem computação de base em capacidades de modelo e em saídas inteligentes. O próprio modelo é a camada intermédia central que liga a infraestrutura subjacente à experiência de aplicação da camada superior.

Camada 9｜Camada de aplicações: Cursor, Perplexity, Suno, Rime, etc. Esta camada enfrenta diretamente os utilizadores finais; envolve capacidades do modelo em produtos e cenários de uso concretos e funciona como uma entrada importante para a difusão da procura por IA e para a monetização dos utilizadores.

Este funil de nove camadas evidencia um facto central: a computação é uma commodity intermédia na economia da IA. Abaixo, liga-se a chips, energia, terreno e CAPEX; acima, liga-se a plataformas de inferência, empresas de modelos e aplicações.

Cada vez que uma aplicação de IA chama um modelo, em essência está a consumir uma pequena parte da computação upstream. E, porque a computação está no meio da cadeia de valor, de um lado há fornecedores que detêm GPUs e ativos de centros de dados; do outro lado há empresas de modelos, plataformas de inferência e empresas de aplicações que precisam de computação estável. Quando a volatilidade do preço é suficientemente grande e os riscos de ambos os lados são opostos, a computação tende naturalmente a ser financeirizada.

Por que é necessário um mercado de computação: hedge da procura e estrutura do mercado

Quem precisa de fazer hedge

Source: X @0xfishylosopher

A procura de hedge no mercado de computação provém, em primeiro lugar, dos intervenientes da indústria que detêm exposição real à capacidade de computação, e não de instituições financeiras. É a mesma lógica que a cobertura do preço do combustível por companhias aéreas, ou a cobertura do preço da eletricidade por centrais elétricas.

Neoclouds e centros de dados independentes na base, por exemplo CoreWeave, Nebius, Lambda, detêm ativos físicos de GPU; as receitas vêm de rendas futuras. Preocupam-se com a queda das rendas de GPU e, por isso, são vendedores natos/shorts: precisam de vender contratos a prazo para fixar as receitas.

Plataformas de desenvolvimento de inferência na camada intermédia, por exemplo Fireworks, Baseten, Modal, compram capacidade de computação e, em contrapartida, oferecem APIs de inferência e serviços de implementação de modelos. A computação é o seu custo mais importante.

Empresas de aplicações na camada superior, por exemplo Cursor, Perplexity, Suno, Rime, precisam igualmente de comprar continuamente capacidade de inferência. Os custos de inferência afetam diretamente a margem bruta. Por isso, a camada intermédia e a camada superior são compradores natos/longs e precisam de comprar contratos a prazo para fixar custos.

Grandes fornecedores de cloud em escala, como Google, Amazon, Microsoft, são um caso mais especial. Eles detêm simultaneamente centros de dados, plataformas de cloud, modelos e aplicações; internamente, já formam, em certa medida, uma cobertura natural.

Por que a computação se parece mais com eletricidade do que com petróleo

A computação não é uma commodity totalmente homogénea.

Mesmo para a mesma capacidade por hora de H100/H200, o valor varia conforme as especificações do chip, a região, a latência, a interligação de rede, o tamanho do cluster, as janelas de reserva, o SLA, a segurança de dados e o workload concreto.

Mais importante ainda: a computação não pode ser armazenada. As «horas de GPU» não utilizadas hoje não podem ser guardadas como petróleo para vender no próximo ano. Por isso, em termos de atributos de commodity, a computação fica mais próxima da eletricidade: tem «temporalidade» e «regionalidade» e depende fortemente da infraestrutura local.

Isto gera três resultados:

Em primeiro lugar, transações reais de computação frequentemente exigem personalização bilateral em torno de SKUs específicas e condições de entrega.

Em segundo lugar, por enquanto o mercado não tem, como o WTI, um benchmark único e transparente.

Em terceiro lugar, índices e benchmarks tornam-se extremamente importantes. As equipas da Silicon Data, Ornn e Compute Desk têm como missão central transformar preços dispersos de computação em sinais de mercado rastreáveis e passíveis de hedge.

Web3 da geração anterior de computação descentralizada vs corretores da nova geração

O mercado de computação não é um conceito totalmente novo. No ciclo anterior, projetos Web3 como Akash, io.net e Aethir já adotaram a narrativa de «mercado de computação descentralizado», ligando GPUs ociosas globalmente através de redes incentivadas por tokens.

Mas surge a questão: por que razão a maioria dos projetos da geração anterior não se tornou a camada principal de compra de computação para IA, enquanto novos intervenientes como Andromeda e SF Compute conseguiram, em pouco tempo, obter clientes empresariais e receitas em dólares?

O que se vende é diferente: oferta descentralizada vs capacidade entregável

A lógica central dos projetos Web3 da geração anterior era: ligar GPUs distribuídas numa rede e, através de incentivos por token, permitir aos utilizadores comprar computação a custos mais baixos.

O que resolviam era o problema de «onde há GPU».

Mas o que os compradores empresariais realmente querem saber prende-se com outro conjunto de questões: é H100/H200? Há InfiniBand? O tamanho do cluster é suficiente? Dá para manter a execução estável durante semanas ou até meses? Quem é responsável pelo SLA? Em caso de falha, quem compensa?

Dito de outra forma: os clientes empresariais não compram «GPU em algum lugar»; compram capacidade de GPU que garanta entrega, mensurabilidade e responsabilização.

Uma oferta distribuída, heterogénea e entre múltiplas operadoras de GPU pode ser útil para batch inference, renderização ou tarefas menos sensíveis, mas para treino de modelos de larga escala e inferência de nível de produção, o que é decisivo é a estabilidade, as condições de rede e as responsabilidades de entrega.

Os quatro problemas estruturais da geração anterior

Primeiro: incentivos por token podem gerar oferta, mas nem sempre geram procura real.
Os subsídios em tokens podem produzir rapidamente um número bonito de nós, GPUs e dimensão de rede. Porém, se o lado da procura depender sobretudo da narrativa do token e não de clientes que pagam naturalmente, o resultado final tende a ser baixa utilização, baixa qualidade de receitas e distorções na descoberta de preços induzidas por incentivos.

De acordo com a Messari «State of Akash Q1 2026», no primeiro trimestre a utilização média de GPU da Akash diminuiu 57,4% em cadeia para 84 placas e a capacidade média de GPU disponível caiu 57,5% em cadeia para 249 placas, mostrando que houve retração evidente tanto na oferta como na procura de GPUs; sob o mecanismo inicial do io.net, enquanto um nó estiver online, pode receber recompensas, independentemente de a GPU executar trabalho útil e real; e o seu token também caiu significativamente face aos máximos históricos, só passando para um novo mecanismo de incentivos mais orientado pela procura em junho de 2026.

Segundo: SLAs ao nível empresarial são difíceis de assumir apenas via protocolo.
Os clientes empresariais precisam de uma fatura, um canal de suporte, um SLA padrão, mecanismos de reembolso, análises de conformidade e responsabilidades legais. Isso exige um interveniente comercial claramente definido para suportar tudo, e não apenas depender da camada de protocolo.

Terceiro: existe um desfasamento natural entre o workload de IA e a oferta distribuída.
Treino sincronizado em grande escala e inferência ao nível de produção exigem níveis muito elevados de interligação de GPU, NVLink / InfiniBand, escalonamento de cluster, recuperação de falhas e segurança de dados. Uma rede geograficamente dispersa e heterogénea no hardware dificilmente satisfaz diretamente este tipo de workload com requisitos tão altos.

Quarto: precificação por token não combina com o processo de compras empresariais.
As empresas estão mais habituadas a contratos em dólares, faturas, aprovações de orçamento e gestão de fornecedores, e não querem assumir a volatilidade do preço do token, o tratamento contabilístico e a incerteza de conformidade.

Exceção importante: Aethir

Aethir é uma exceção.

A Aethir teve receitas superiores a 127 milhões de dólares em 2025, com mais de 150 empresas clientes pagantes e 430 mil contentores de GPU, cobrindo GPUs topo de gama como H100, H200, B200 e B300. Segundo a sua própria divulgação, a dimensão das receitas já ultrapassa o «run-rate» de cerca de 100 milhões de dólares da Andromeda e está muito acima da SF Compute.

O percurso da Aethir é mais semelhante a colocar os tokens e os efeitos de rede do Web3 na camada de estrutura de capital e de incentivos de ecossistema, enquanto a parte verdadeiramente orientada ao cliente é mais centralizada, mais padronizada e mais ao nível empresarial: clusters centralizados ou semi-centralizados, compromissos de serviço claros, contratos em dólares, suporte a clientes empresariais e responsabilidade de entrega.

Tokens podem ajudar no financiamento inicial, na oferta incentivada e na organização da rede, mas não devem tornar-se na interface central que as empresas enfrentam obrigatoriamente ao comprar computação.

O que há de novo nos novos negociantes

O ponto de partida dos novos intervenientes não é «construir primeiro uma rede descentralizada», mas sim entrar diretamente nas dores de aquisição do comprador de IA.

As empresas de IA muitas vezes precisam de assinar contratos de capacidade de computação de longo prazo, mas a procura real é volátil. A SF Compute segue uma abordagem em que os clientes compram capacidade de computação de longo prazo financiada por um terceiro e, depois, a parte que não for utilizada é colocada no livro de encomendas para revenda ou sublease. Ela não possui GPUs próprias e funciona mais como um mercado de liquidez secundária construído em torno de contratos de computação.

A Andromeda, por sua vez, é mais parecida com um dealer de computação: faz comparação de preços em tempo real entre mais de 100 fornecedores, verifica desempenho, padroniza SLAs e funciona como o único contra-parte contratual para o cliente. O seu valor não é apenas fazer correspondência; é também assumir funções de compra, entrega e parte de intermediação de crédito em nome do cliente — por isso, também se autodenomina «market maker de compute».

A Andromeda faz negociação de principal, detém ou controla inventário e ganha com a diferença de preços, assumindo responsabilidade por SLA e entrega. A SF Compute é mais um híbrido de exchange/broker: o núcleo é a correspondência via agente e a liquidez secundária, não necessariamente segurando GPUs subjacentes, e ganha com comissões de transação e com efeitos de rede do mercado.

A GMI Cloud precisa de ser classificada separadamente. Não é um broker/dealer típico, mas algo mais próximo de neocloud: constrói centros de dados, detém ativos e vende capacidade de cloud de GPU. Ao mesmo tempo, é também o utilizador de financiamentos por dívida com colateral em GPU; a maior parte do seu financiamento da Série A é financiamento por dívida, o que a torna mais próxima do produtor de computação da Camada 3.

O que o mercado mais precisa agora não é uma cloud ideal mais descentralizada, mas sim uma camada de negociação que consiga entregar H100/H200 hoje, assumir responsabilidade por SLA e ajudar os compradores a reduzir o risco de contratos longos.

Já existe um mercado de descoberta de preços para computação?

O formato dominante da negociação de computação neste momento continua a ser OTC / negociação bilateral personalizada. As cotações públicas estão a melhorar a transparência do mercado, mas na maioria das vezes são apenas um ponto de partida para a descoberta de preços e não o preço final unificado das transações.

Por exemplo, para H100, já existem intervalos de preços observáveis: a Andromeda cobra cerca de $1.83/hora, a SF Compute tem um preço médio de cerca de $2.03 por GPU-hora, e a GMI Cloud tem um preço inicial de $2.00 por GPU-hora; para a Mithril, a instância spot H100 SXM5 8-GPU tem um preço equivalente de cerca de $2.92 por GPU-hora.

Isto significa que as cotações públicas de H100 caem, grosso modo, no intervalo $1.8–3.0 por GPU-hora. Porém, estes preços não são totalmente comparáveis diretamente, porque as condições de entrega subjacentes não são as mesmas. A forma da GPU, a região, a interligação de rede, o tamanho do cluster, a duração do aluguer, o SLA e o tipo de workload afetam significativamente o preço final negociado.

Assim, o que a empresa compra, na prática, não é um abstrato «H100 por hora», mas uma capacidade (capacity contract) desenhada em torno de SKU, região, prazo, configuração de cluster e condições de entrega. Em outras palavras, as cotações no site tornam o preço de computação mais visível, mas o núcleo real de transação no mercado ainda é altamente personalizado e em contratos OTC.

Ornn: tentativa de ser a camada de índice do mercado de computação

Source: Ornn

A posição central da Ornn não é simplesmente vender computação, mas construir a infraestrutura de preços para o mercado financeiro de computação. Ela lançou o Ornn Compute Price Index (OCPI), que acompanha os preços à vista em tempo real de transações de compute para GPUs como H100, H200, B200, B300, e organiza esses preços como índices utilizáveis para precificação, hedge e liquidação. No site da Ornn, o OCPI é descrito como o price reference do compute e é usado para pricing, hedging e settlement no mercado de derivados de compute.

Isto significa que a Ornn pretende fazer um «Platts/Argus/WTI» para o mercado de computação: primeiro normaliza os preços de aluguer de GPU dispersos e não padronizados e, em seguida, permite que o mercado negocie forwards, futuros ou contratos perpétuos em torno desse benchmark.

O roadmap da Ornn pode ser entendido, em linhas gerais, em três etapas:

Primeiro, criar um índice de preços à vista, ou seja, o OCPI.

Segundo, licenciar o OCPI para exchanges e plataformas de derivados, para que se torne o preço de liquidação dos contratos.

Terceiro, desenvolver produtos financeiros como futures, perps, hedging e lending em torno do índice.

Architect: introduzir a estrutura de contratos perpétuos na negociação institucional de computação

Architect é um tipo de interveniente no mercado de derivados de computação, mais orientado para o local de trading. Foi fundada pelo antigo presidente da FTX US Brett Harrison e, dentro do seu grupo, a plataforma de trading institucional AX colabora com a Ornn para lançar contratos de exchange baseados em preços de aluguer de GPU e preços de DRAM.

Em termos de mecanismo, a Architect não entrega compute real de H100/H200; em vez disso, permite que os traders obtenham exposição financeira aos preços de aluguer de GPU e aos preços de memória através de contratos que acompanham o índice de computação da Ornn. O seu produto é mais parecido com a estrutura de contratos perpétuos do mercado cripto: os traders negociam contratos indexados usando margem; depois, o preço do contrato é ancorado por mecanismos de indexação do índice e funding rate, de modo a aproximar o máximo possível os preços de aluguer de GPU.

Por isso, o significado da Architect está em trazer o mecanismo de perpétuos nativo do crypto para cenários de negociação de computação mais institucionalizados e regulados. Ela funciona como uma camada de negociação de derivados no mercado de computação; já a Ornn fornece a camada de índice que serve de benchmark de preços.

Lighter: perpétuos on-chain para fornecer descoberta de preços negociável no início

Lighter é mais parecido com uma early venue de compute perp em versão on-chain. A plataforma já está com $H100 disponível, permitindo aos utilizadores negociar exposição ao preço do compute de H100 com alavancagem até 10x; este produto acompanha o Ornn H100 Compute Price Index.

O valor deste tipo de produto é que permite, pela primeira vez, que o mercado forme sinais contínuos de preços on-chain em torno dos preços de aluguer de GPU. Não resolve o problema de entrega de GPU real, nem é o principal canal para as empresas comprarem computação, mas pode funcionar como um mercado inicial de especulação, hedge e descoberta de preços.

Em termos de mecanismo, aproxima-se mais dos perpétuos do mercado cripto: os traders não liquidam de facto compute de H100; negociam um contrato que acompanha o índice H100. O preço do contrato é ancorado através do índice e do mecanismo de funding rate.

As vantagens são a rapidez no lançamento, o baixo nível de barreira de entrada e suporte a trading 24/7; as desvantagens incluem possível liquidez mais reduzida e risco de base face a contratos reais de capacidade ao nível empresarial.

ICE × Ornn: roteiro para um mercado de futuros regulado

A ICE é uma rota mais tradicional e com regulação, enquanto exchange. Em maio de 2026, a ICE anunciou planos para colaborar com a Ornn e lançar uma gama de contratos de GPU compute futures, com o benchmark subjacente a ser o Ornn Compute Price Index. O anúncio da ICE menciona explicitamente que o OCPI acompanha os preços spot em direto negociados para principais tipos de hardware como H100, H200, B200 e B300; os contratos relacionados serão cotados em dólares, liquidados em dinheiro, e aguardam aprovação regulatória.

O mecanismo da ICE é diferente do Lighter. O Lighter é um perpétuo on-chain, adequado para formar rapidamente preços negociados e liquidez especulativa; a ICE, por outro lado, é um mercado de futuros regulado, mais adequado para participação institucional, clearing, gestão de risco e hedge de conformidade.

Mas os contratos da ICE não são entrega física; são liquidados em dinheiro. Ou seja, o trader não entregará nem receberá capacidade de H100 de facto, mas fará a liquidação de ganhos e perdas com base em índices como o OCPI. Isso reduz a complexidade de entrega, mas também significa que o sucesso dos contratos depende de o índice ser suficientemente credível, resistente a manipulação e capaz de representar os preços reais do mercado.

Perspetivas do mercado

Três direções que vale a pena acompanhar

Institucionalização dos balcões OTC
O desfecho do mercado de computação não tem de ser necessariamente a negociação direta de futuros em exchange pelos agentes da indústria; pode ser mais provável que dealers assumam as necessidades de trading personalizadas desses agentes e depois gerirem riscos via índices, futuros ou contratos perpétuos. Nos próximos 12–24 meses, o mais relevante será observar se intervenientes como Andromeda e SF Compute conseguem evoluir de «plataforma de aquisição de computação» para um verdadeiro «trading desk de computação»: por um lado, trata de necessidades à vista ao nível de SKU e de reservas; por outro, faz hedge de inventário e de risco de base no mercado de índices. Quem completar primeiro esta etapa tem oportunidade de se tornar o intermediário central do mercado de computação.

Fecho do ciclo de crédito e derivados
Se «financiamento com colateral em GPU + hedge com futuros» funcionar, o credor poderá gerir de forma mais eficaz a volatilidade do preço da GPU e o risco de valor residual, reduzindo haircut e custos de financiamento. Isto aumentará diretamente a eficiência de capital da infraestrutura de IA e é um dos significados mais importantes da financeirização da computação para a indústria de IA no mundo real.

Formação de benchmarks de preço e sistemas de clearing
Para a computação se tornar um ativo verdadeiramente negociável e financiável, é necessário primeiro criar benchmarks de preço credíveis e mecanismos de clearing. Provedores de índices como Ornn, Silicon Data e NATIVX, bem como locais de negociação como ICE, CME, Architect e Lighter, não estão apenas a competir por uma oportunidade de produto isolada, mas pela porta de entrada para o poder de precificação no futuro mercado de computação.

Questões em aberto

Aprovação regulatória

Produtos como CME, ICE e Architect ainda precisam de passar por aprovação regulatória. Como é que a computação será definida — como commodity, como serviço, ou como um novo tipo de recurso negociável — ainda não há precedentes claros.

Mercado de base à vista ainda relativamente pouco profundo

A credibilidade do índice depende da profundidade das transações reais à vista. O mercado público à vista e o fluxo de trading secundário ainda estão em fases iniciais; a grande maioria das negociações de computação ainda fica presa em contratos longos entre hyperscalers, neoclouds e empresas de IA. Uma falta de成交 na base pode afetar a representatividade do índice e a sua resistência à manipulação.

Risco de ciclo
Se as despesas de capital da IA desacelerarem, a liquidez à vista pode diminuir antes de o mercado de derivados amadurecer. Em simultâneo, as rendas de GPU já recuaram claramente face aos máximos, mas o histórico de dados suficiente para o valor residual e a curva de depreciação é insuficiente; isso ampliará ainda mais a incerteza na avaliação de crédito e na precificação de derivados.

Reference

Sobre a Gate Ventures

A Gate Ventures é o braço de venture capital da Gate, focado em investimentos em infraestrutura descentralizada, ecossistema e aplicações, procurando remodelar o mundo na era da Web 3.0. A Gate Ventures colabora com líderes do setor em todo o mundo, capacitando equipas e startups com pensamento e capacidade inovadores para redefinir os modos de interação entre sociedade e finanças.
Para saber mais, visite: site | X | Telegram | LinkedIn | Medium

Aviso legal :

Este conteúdo não constitui qualquer oferta, solicitação, ou recomendação. Antes de tomar qualquer decisão de investimento, deverá sempre procurar aconselhamento profissional independente. Note que a GateVentures pode restringir ou proibir a totalidade ou parte de serviços provenientes de regiões sujeitas a restrições. Consulte os termos de utilização para mais informações, link:**。