Anthropic migrou o Claude para a AMD em 3 dias, em vez de 6 a 12 meses, com ajuda de IA

Se você já tentou rodar em outro hardware um código escrito para CUDA, conhece a sensação: em teoria tudo é possível, mas na prática são seis meses de trabalho. Foi essa barreira que, por anos, protegeu a Nvidia mais do que os próprios chips. Agora a Anthropic diz ter aprendido a contorná-la com seu próprio modelo.

O que exatamente a Anthropic afirmou

Segundo o cofundador e diretor de computação Tom Brown, a empresa treina e executa o Claude em todas as quatro grandes famílias de chips: AWS Trainium, Google TPU, GPUs da Nvidia e GPUs da AMD. Cada uma exige software próprio e uma pilha de inferência própria, o que é caro e demorado. A Anthropic apostou cedo na estratégia multichip, quando a maior parte do setor a considerava um esforço sem sentido. Desde então, a empresa investiu nessa engenharia por anos e, nas palavras de Brown, tornou-se "incrivelmente boa" nela.

O exemplo mais concreto é o da AMD. Neste ano, a Anthropic usou pela primeira vez GPUs da AMD e entregou o trabalho ao seu modelo de ponta, o Mythos. De acordo com a empresa, o Claude passou a rodar na AMD em três dias, quase sem participação humana. O modelo escreveu ou portou quase 100% dos kernels. Kernels são programas de baixo nível que executam os cálculos diretamente na GPU e que normalmente prendem o código a um hardware específico. Tradicionalmente, um lançamento assim leva de seis a doze meses para dezenas de engenheiros. Os números da apresentação referem-se ao processamento de prompts por um modelo da Anthropic em GPUs AMD MI355X.

Por que isso importa além da Anthropic

Imagine um aplicativo fortemente preso ao SDK de uma única nuvem. Cada migração significa reescrever centenas de integrações, por isso ninguém migra. Se a IA faz essa migração em um fim de semana, o vendor lock-in deixa de ser um muro e vira apenas uma linha de custo. Com o CUDA acontece o mesmo: ele retém desenvolvedores não pela qualidade, mas pelo custo de sair.

Se o quadro for verdadeiro, as empresas poderão escolher chips por preço e disponibilidade, e não por compatibilidade. Em um cenário de escassez de computação, isso é uma vantagem séria. Além disso, alguns chips são mais adequados para treinamento e outros para inferência. A margem da Nvidia supera 70%, o que é incomumente alto para hardware, e a queda no custo de troca atinge justamente esse ponto.

A Anthropic também fala em "multiplicadores de computação": técnicas de pesquisa que extraem mais do mesmo hardware físico. Além disso, a empresa desenvolve o programa Anthropic Direct: aluga chips e os opera por conta própria em data centers construídos sob medida, para reduzir o custo total de propriedade. No futuro, o Claude deverá encontrar esses multiplicadores sozinho. Isso seria o autoaperfeiçoamento recursivo, muito debatido no setor, mas que ninguém demonstrou até agora.

Ressalvas e dinheiro

A principal ressalva: todos os números vêm de uma apresentação para investidores e não foram verificados de forma independente. É material de uma empresa que se prepara para um IPO. O pedido S-1/A foi protocolado na SEC em 10 de novembro de 2026. Além disso, "três dias" significa chegar a um nível de desempenho operacional, e não necessariamente à paridade com kernels CUDA otimizados à mão. E trata-se do modelo fechado de ponta Mythos nas mãos de uma equipe que construiu infraestrutura multichip por anos. Ninguém promete esse resultado em três dias a equipes comuns.

Há ainda um contexto a lembrar: as duas fabricantes de GPU têm vínculos financeiros com a Anthropic. Em novembro de 2025, no âmbito de um acordo de US$ 45 bilhões com a Microsoft, a Nvidia prometeu investir até US$ 10 bilhões. Ela também participa de uma colocação privada condicional de US$ 26 bilhões, na qual sete empresas de tecnologia compram ações ao preço do IPO. Em julho de 2026, a AMD anunciou investimentos estratégicos de até US$ 5 bilhões. Em contrapartida, a Anthropic planeja implantar até dois gigawatts de GPUs Instinct MI455X em racks Helios, e o primeiro gigawatt deve entrar em operação no primeiro semestre de 2027.

O que fazer com isso na prática

Para engenheiros que trabalham com inferência, a principal conclusão é: vale ao menos testar o port de kernels com um agente de IA em um ou dois dos operadores mais críticos. Antes, esse experimento parecia loucura; agora pode se pagar já no piloto.

Produtos e fundadores devem incluir multivendor nos planos e contratos, sobretudo se seus gastos com computação crescem mais rápido que a receita. A posição de negociação com fornecedores de hardware e nuvem melhora muito quando existe uma alternativa plausível.

Ainda assim, não espere milagres: "funcionou" e "roda tão rápido e barato quanto no CUDA" são coisas diferentes. Sem medições independentes, esta é uma alegação forte, não um fato comprovado. Mas a mudança já é visível: a IA começa a quebrar a dependência de hardware sobre a qual se apoiava parte do poder de mercado da Nvidia.