LinkedIn congela capacidade de computação: um ano sem expandir data centers

O LinkedIn não vai expandir seus data centers ao longo do próximo ano e manterá a capacidade de computação no nível atual, na contramão do boom da inteligência artificial. Em vez de comprar novo hardware, a empresa cobra dos engenheiros um uso mais eficiente de cada GPU que já possui. A informação é da Wired.

O que exatamente o LinkedIn decidiu

O LinkedIn travou a capacidade de computação no patamar atual: nos próximos 12 meses, a empresa não planeja expandir data centers nem aumentar seu parque de aceleradores. O crescimento da infraestrutura entra em pausa justamente quando quase toda a indústria o acelera.

A decisão não vem de uma queda na demanda, mas de uma estratégia deliberada. Segundo a Wired, em vez de investir capital em novos servidores, o LinkedIn aposta em eficiência e pressiona as equipes a extrair o máximo das GPUs já instaladas.

• A capacidade de computação fica congelada por cerca de um ano, sem expansão de data centers
• O parque de GPUs permanece no nível atual, sem novas compras de grande porte previstas
• O motivo não é retração, e sim uma aposta consciente em eficiência, na contramão do boom da IA
• O LinkedIn pertence à Microsoft, um dos maiores investidores em infraestrutura de IA
• A fonte das informações é uma reportagem da Wired

Por que a empresa não amplia o hardware

O LinkedIn escolhe eficiência em vez de gastos de capital: em vez de comprar novos aceleradores para as crescentes funcionalidades de IA, a empresa otimiza o uso dos que já estão nos data centers. A lógica é simples: cada GPU precisa entregar o máximo de valor antes que a compra da próxima se justifique. Na indústria, esse regime é conhecido como "fazer mais com menos" e, para as equipes de IA, significa disputar um pool de computação limitado, e não em expansão.

Essa abordagem vai contra a tendência geral. Enquanto as maiores empresas de tecnologia e provedores de nuvem investem valores recordes em data centers e infraestrutura de IA, o LinkedIn mantém deliberadamente os gastos com computação estáveis. Para uma plataforma que incorpora IA generativa ao feed, à busca e às recomendações, a escolha não é trivial: a demanda por computação cresce, mas a capacidade não.

O contraste fica ainda maior por causa da controladora. O LinkedIn pertence à Microsoft desde 2016, que, ao contrário, anunciou cerca de 80 bilhões de dólares em investimentos de capital em data centers de IA para o ano fiscal de 2025. Nesse cenário, a decisão da plataforma de manter sua capacidade inalterada parece um contra-ataque deliberado: nem todo nó do ecossistema precisa participar da corrida por hardware.

"O

LinkedIn mantém a linha nos gastos com computação e lança aos engenheiros o desafio de fazer cada GPU trabalhar com plena eficiência", resume a Wired sobre a essência da estratégia.

O que muda para os engenheiros

O peso recai sobre as equipes de engenharia: sem novas GPUs, todo o crescimento das funcionalidades de IA terá de vir de otimização. Na prática, isso significa maior utilização dos aceleradores, ajuste fino dos modelos ao hardware disponível e prioridade rígida para as tarefas que realmente geram valor.

Não se trata de funcionalidades secundárias: o LinkedIn incorpora IA generativa em assistentes para recrutadores, sugestões na escrita de posts e personalização do feed para mais de 1 bilhão de usuários cadastrados. Atender a uma carga de IA crescente nessa escala com um parque fixo de GPUs é justamente o desafio colocado aos engenheiros.

Na prática, o LinkedIn transforma uma restrição em desafio de engenharia. Em vez do tradicional "vamos comprar mais capacidade", as equipes precisam descobrir onde a computação está sendo desperdiçada e reescrever pipelines para obter o mesmo resultado com menos horas de GPU.

O que isso significa

A estratégia do LinkedIn é um sinal de que, mesmo no auge da corrida da IA, grandes players estão dispostos a apostar em eficiência, e não apenas em escala. Se o modelo de "capacidade fixa mais otimização" funcionar, ele se tornará um argumento de peso contra a corrida infinita de gastos de capital em data centers, além de servir de exemplo para outras empresas cujo orçamento não permite comprar GPUs indefinidamente.