#OpenAIAnnualRecurringRevenueNears$70B

A OpenAI está a aproximar-se de uma taxa de receitas anualizada de 70 mil milhões de dólares, mas penso que a parte mais interessante desta história já não é o $70B em si.

A verdadeira questão é o que acontece quando uma empresa cresce tão rapidamente, enquanto o custo de sustentar esse crescimento também se torna enorme.

Segundo a Axios, a taxa de receitas anualizada da OpenAI aumentou mais de 70% desde o início do terceiro trimestre, atingindo quase 70 mil milhões de dólares, enquanto as vendas empresariais mais do que duplicaram desde julho. O negócio de consumo também gerou mais receitas durante o terceiro trimestre do que tinha gerado ao longo de todo o ano de 2025.

Trata-se de uma aceleração notável.

Mas quero separar a velocidade das receitas da economia do negócio.

Uma taxa de receitas anualizada não é o mesmo que 70 mil milhões de dólares de receitas já registadas ao longo de um ano completo. Parte de um ritmo recente de receitas e projeta-o para o futuro. A Reuters também destacou por que razão esta distinção é importante ao avaliar empresas de IA em rápido crescimento.

Por isso, em vez de perguntar se a OpenAI consegue atingir os 70 mil milhões de dólares, penso que a próxima geração do debate sobre a avaliação da IA começa com uma pergunta diferente:

Quanto valor económico pode a OpenAI criar por cada dólar adicional gasto em computação?

Essa questão torna-se muito mais importante à medida que a adoção empresarial acelera.

Os clientes empresariais já não estão simplesmente a pagar para experimentar um chatbot. A IA está a ser integrada na programação, investigação, apoio ao cliente, processamento de documentos, produtividade e, cada vez mais, em fluxos de trabalho autónomos. Se essas utilizações ficarem incorporadas nas operações empresariais diárias, as receitas provenientes da IA poderão tornar-se muito mais recorrentes e operacionalmente importantes.

Mas o crescimento empresarial também cria um novo problema.

Mais clientes significam mais inferência.

Mais inferência significa mais GPUs, memória, redes, centros de dados e eletricidade.

E mais computação significa que as receitas têm de crescer mais rapidamente do que o custo subjacente de as gerar.

É aqui que penso que a próxima fase da OpenAI se torna muito mais difícil.

Uma empresa pode aumentar as receitas a um ritmo extremamente rápido e, ainda assim, enfrentar uma equação económica difícil se a infraestrutura necessária para suportar cada cliente adicional crescer quase tão rapidamente.

É por isso que os planos de financiamento divulgados da OpenAI são tão importantes. A Bloomberg noticiou que a empresa procura angariar pelo menos 30 mil milhões de dólares, com uma avaliação de cerca de 1,4 biliões de dólares. Isso representaria um aumento significativo face à avaliação de aproximadamente 852 mil milhões de dólares associada à sua ronda de financiamento de março, embora o novo financiamento continue a ser um objetivo noticiado e não uma transação concluída.

Agora, vejamos os números em conjunto.

Quase $70B de receitas anualizadas.

Potencialmente $30B de capital adicional.

Uma avaliação noticiada de cerca de 1,4T.

E um ecossistema de infraestrutura de IA que exige um investimento contínuo enorme.

Isto já não é apenas uma história de crescimento de uma empresa de software.

Está a tornar-se uma história de alocação de capital.

Em última análise, o mercado precisa de compreender que parte das receitas da OpenAI pode transformar-se em fluxo de caixa livre sustentável depois de pagar a infraestrutura computacional necessária para as gerar.

E há outro desenvolvimento que considero particularmente interessante.

O diretor financeiro da OpenAI tem promovido uma forma diferente de pensar sobre a economia da IA empresarial: inteligência útil por dólar, em vez de medir simplesmente a utilização da IA ou o consumo de tokens. A ideia é importante porque tokens mais baratos não significam automaticamente uma economia melhor. O que importa é saber se a IA conclui efetivamente trabalho valioso para o cliente.

Isso poderá tornar-se uma das métricas mais importantes na próxima fase do setor da IA.

Imagine duas empresas a gerar as mesmas receitas de 10 mil milhões de dólares provenientes de IA.

Uma precisa de recursos computacionais enormes para gerar essas receitas.

A outra consegue proporcionar o mesmo valor empresarial com custos de inferência significativamente mais baixos.

Os seus números de receitas seriam idênticos.

A sua economia não seria.

É por isso que a queda dos custos de inferência pode ser, na realidade, um dos maiores desenvolvimentos positivos para o negócio da IA — mesmo que uma IA mais barata exerça inicialmente pressão sobre os preços. Se o custo de produzir inteligência útil cair mais rapidamente do que os preços, o potencial conjunto de margens pode expandir-se.

Isso cria um ciclo de retroalimentação fascinante.

Modelos melhores aumentam a procura.

Mais procura gera mais receitas.

Mais receitas financiam mais infraestrutura.

Mais infraestrutura melhora a disponibilidade e reduz o custo da computação.

Custos computacionais mais baixos tornam a IA útil para mais utilizações.

Mais utilizações criam outra vaga de procura.

Se esse ciclo continuar, os enormes gastos atuais em infraestrutura começarão a parecer menos uma despesa e mais a base de uma plataforma tecnológica muito maior.

Mas o cenário oposto também merece atenção.

Se os clientes de IA se tornarem mais sensíveis aos preços, a concorrência entre modelos fizer baixar os preços mais rapidamente do que os custos de inferência, ou os compromissos com a infraestrutura crescerem mais depressa do que a monetização, o crescimento das receitas, por si só, não contará toda a história.

É por isso que não penso que o próximo debate sobre a avaliação da IA será resolvido por mais um título impressionante sobre ARR.

Será resolvido pela economia unitária.

Quanto custa servir um cliente empresarial?

Com que rapidez está a cair o custo de inferência?

Que parte das receitas é recorrente?

Até que ponto está a IA incorporada nos fluxos de trabalho dos clientes?

Quanta computação adicional é necessária por cada dólar de novas receitas?

E, em última análise, quanto fluxo de caixa livre resta depois de pagar a fatura da infraestrutura?

Existe também uma questão de calendarização.

Segundo as notícias, a OpenAI está agora a ponderar outra ronda de financiamento de dimensão enorme, enquanto opera simultaneamente num setor em que outras empresas de IA de fronteira também estão a aumentar as receitas e a infraestrutura a ritmos extraordinários. Os documentos mais recentes da Anthropic, por exemplo, revelaram centenas de milhares de milhões de dólares em compromissos futuros com infraestrutura.

Isso diz-nos algo importante sobre todo o setor.

A corrida da IA já não consiste simplesmente em criar um modelo melhor.

Está a transformar-se numa corrida entre o crescimento das receitas, a eficiência computacional e a intensidade de capital.

E essa é a métrica que eu acompanharia a partir de agora.

O número de $70B prova que as empresas e os consumidores estão dispostos a gastar quantias significativas em IA.

A próxima pergunta é muito mais difícil:

Conseguirá a OpenAI tornar cada dólar adicional de receitas provenientes da IA cada vez mais rentável à medida que o sistema escala?

Se a resposta for eventualmente sim, a importância económica do crescimento atual das receitas poderá ser muito maior do que o título sugere.

Se a resposta for não, então até um crescimento extraordinário das receitas poderá coexistir com necessidades extraordinárias de capital.

É por isso que vejo o valor de $70B como um ponto de partida, não como a conclusão.

A IA já demonstrou que as pessoas estão dispostas a pagar por inteligência.

Agora, o setor tem de demonstrar que consegue produzir inteligência útil a um custo economicamente viável.

É aí que será decidido o próximo debate sobre a IA de um bilião de dólares.