Epoch AI lança newsletter: preços de IA em queda e bilhões de agentes no horizonte

A Epoch AI lançou o The Epoch Brief de 8 de outubro de 2026 e destacou no anúncio cinco temas: o colapso do custo da IA, bilhões de agentes, as formas como os laboratórios chineses ganham dinheiro, o impacto da IA no comportamento das pessoas e a própria iniciativa de auditoria de benchmarks. O anúncio tem uma única linha e não traz números. Por isso, não resumimos conclusões que não vimos: analisamos o contexto com base em dados já publicados pela Epoch. O principal ponto de referência é a estimativa do instituto de que o preço da inferência em um nível fixo de qualidade cai de 9 a 900 vezes por ano, dependendo da tarefa.

IA mais barata e um exército de agentes

Os dois primeiros temas se conectam de forma lógica. Quando o token fica uma ordem de grandeza mais barato em um ano, o agente deixa de ser uma demonstração cara e passa a ser um processo corriqueiro, rodando em segundo plano. Um único agente faz dezenas ou centenas de chamadas ao modelo por tarefa: planeja, pesquisa, escreve código, verifica o resultado. O custo de cada chamada se multiplica pelo tamanho da cadeia, e por isso a queda de preço funciona como uma alavanca.

A expressão "bilhões de agentes" no título da edição dá a escala. O anúncio não deixa claro como a Epoch contabiliza esse número nem em que prazo. Mas a carga que esse cenário impõe aos data centers se mede não pelo número de usuários, e sim pelo número de ciclos autônomos que nunca dormem. Isso já é uma questão de energia, de chips e de filas de inferência.

Como os laboratórios chineses ganham dinheiro

O terceiro tema é o mais interessante para o mercado. Os laboratórios chineses lançam modelos fortes, muitas vezes com pesos abertos, e atuam sob restrições ao fornecimento de aceleradores de ponta. De onde vem a receita deles continua sendo objeto de debate. Entre as fontes possíveis estão APIs com preços agressivos, plataformas de nuvem das grandes empresas de tecnologia, produtos para consumidores e contratos corporativos dentro da China. Não sabemos quais delas a Epoch considera as principais. Isso precisa ser verificado no texto completo da edição.

Auditoria de benchmarks e efeito comportamental

A iniciativa de auditoria de benchmarks toca num ponto sensível do setor. Resultados de testes são usados no marketing de lançamentos, enquanto vazamento de dados para os conjuntos de treinamento, erros de rotulagem e ajuste ao formato do teste tornam as comparações frágeis. Uma verificação independente dos testes, feita por uma organização que mantém o próprio Benchmarking Hub, será útil para todos que escolhem um modelo olhando uma tabela.

O quinto tema, o impacto da IA no comportamento, é o mais vago no anúncio. Pode se referir a como as pessoas mudam seus hábitos de trabalho, estudo e tomada de decisão, mas não há detalhes.

O que se sabe a partir do anúncio:

• Data da edição: 8 de outubro de 2026, fonte — Epoch AI.
• Temas na edição: cinco, incluindo a auditoria de benchmarks.
• Número de referência de trabalhos anteriores da Epoch: queda do preço da inferência de 9× a 900× por ano.
• Dados quantitativos sobre agentes e sobre a receita dos laboratórios chineses não foram divulgados no anúncio.

O que as equipes devem observar

Primeiro: considere no orçamento do produto um preço que, daqui a um ano, será várias vezes menor. Uma arquitetura que hoje parece cara demais por causa de longas cadeias de agentes pode se pagar até o próximo trimestre. Segundo: não escolha um modelo com base em uma linha de uma tabela pública. Rode suas tarefas em um conjunto próprio de exemplos e compare o custo da tarefa resolvida, não o custo do token. Terceiro: se você desenvolve com modelos abertos chineses, acompanhe a sustentabilidade comercial deles. Um laboratório sem receita clara pode mudar a licença ou o ritmo de lançamentos.

Vale a pena ler a edição completa no original, no site da Epoch AI. É lá que vão aparecer os números ausentes do anúncio, e a partir deles será possível julgar quanto as manchetes de impacto se apoiam em dados.