Kimi K3, Qwen 3.8 e o (Possível) Desmoronamento da Anthropic

Artigo original ↗ Discussão no Hacker News ↗

Usuários e desenvolvedores de IA estão questionando se os “laboratórios de fronteira” fechados, como Anthropic e OpenAI, conseguem manter vantagem à medida que modelos de pesos abertos, mais baratos e em rápida evolução, como Kimi K3, Qwen e DeepSeek, reduzem a distância de capacidade. Muitos argumentam que o custo por resultado útil, o preço empresarial e a confiança em relação a dados e lock-in de plataforma importarão mais do que pequenos ganhos de qualidade, empurrando workloads para modelos abertos, implantação local ou provedores verticais especializados. Outros enxergam fossos competitivos de longo prazo em hardware, experiência do consumidor e chips no estilo ASIC otimizados para modelos fixos, mas alertam que a rápida rotatividade de modelos, os riscos de destilação e possivelmente a desaceleração nos ganhos de capacidade podem minar as avaliações e estratégias de negócios de hoje.

Modelos de negócio, fossos competitivos e risco de “apenas modelo”

  • Vários comentaristas questionam se a OpenAI é realmente mais segura do que a Anthropic, já que ambas vendem em grande parte modelos.
  • Outros argumentam que a OpenAI está tentando construir fossos competitivos em hardware, voz, produtos de consumo “super device” e publicação, mas muitos veem essas iniciativas como não comprovadas.
  • Marca e distribuição são destacadas: o ChatGPT é visto como genérico ao nível de Kleenex no imaginário público, mas outros observam que integrações padrão do Google/Apple poderiam rapidamente substituí-lo.
  • Muitos acham que laboratórios “apenas de modelo” são estruturalmente frágeis: espremidos por modelos abertos abaixo e por laboratórios verticais especializados acima.

Modelos chineses de peso aberto vs laboratórios de fronteira

  • Kimi K3, Qwen, DeepSeek, GLM etc. são vistos como fechando rapidamente a diferença; alguns dizem que modelos de pesos abertos estão a semanas, não meses, da fronteira.
  • Há debate sobre se o progresso deles é principalmente inovação ou destilação da Anthropic/OpenAI. Alguns veem “ataques de destilação” como uma ameaça real ao negócio; outros chamam essa narrativa de exagerada e observam que laboratórios dos EUA também se destilam entre si.
  • Para muitas tarefas de programação e rotina, usuários relatam que os modelos abertos já parecem “bons o suficiente”, reduzindo a disposição de pagar grandes prêmios.

Preços, subsídios e economia empresarial

  • Planos individuais “max” de US$200/mês são amplamente vistos como fortemente subsidiados e insustentáveis; estimativas do custo real de uso podem chegar a milhares ou dezenas de milhares de dólares por usuário.
  • Empresas geralmente não podem usar planos de consumo; elas pagam tarifas de API e muitas vezes definem orçamentos de IA por funcionário em centenas a cerca de US$1.000/mês.
  • Muitos esperam um próximo “acerto de contas” em que planos subsidiados desapareçam e a otimização de custos (incluindo mudar para modelos chineses ou locais) se torne decisiva.
  • Alguns enfatizam que muitos usuários em regiões de baixa renda não podem pagar US$200/mês, mesmo que o ganho de produtividade seja grande.

Harnesses, agentes e UX

  • Há uma forte divisão: alguns veem harnesses no estilo Claude Code / Codex como um grande fosso competitivo; outros preferem harnesses abertos (OpenCode, pi, etc.) e tratam o lock-in de harness proprietário como algo negativo.
  • Há amplo acordo de que a camada de orquestração (agentes, ferramentas, integração ao fluxo de trabalho) é uma parte importante do valor real, e não apenas a qualidade bruta do modelo.

Hardware, ASICs e custos de inferência

  • Muitos argumentam que a inferência, e não o treinamento, é o custo dominante de longo prazo; tornar a oferta barata é existencial.
  • Há um grande debate sobre gravar modelos em ASICs:
    • Pró: enormes ganhos de velocidade e energia (milhares de tokens/s), viabilizando novos casos de uso; modelos mais antigos, mas rápidos, podem ser “bons o suficiente” para a maioria das tarefas.
    • Contra: os ciclos de modelo e hardware são rápidos demais; ASICs correm o risco de se tornarem obsoletos rapidamente; GPUs/TPUs programáveis e armazenamento emergente de alta largura de banda podem ser mais seguros.
  • Exemplos como Taalas e Cerebras são citados; o suposto plano do Google de Gemini em ASICs reforça essa direção.

“Bom o suficiente” vs fronteira e possível platô

  • Muitos acreditam que estamos perto de um platô de “bom o suficiente” para a maioria das tarefas fora da fronteira; ganhos incrementais de qualidade podem não justificar preços 5–10x maiores.
  • Outros insistem que os modelos de fronteira ainda importam muito para programação muito complexa, matemática e raciocínio especializado, e pagam com prazer por eles.
  • Alguns veem ciclos de hype encolhendo (por exemplo, Fable passando de “revolucionário” para “apenas um entre vários modelos de topo” em meses) como evidência de diferenciação decrescente na fronteira.

Confiança, risco de plataforma e canibalização de SaaS

  • O incidente Figma/Claude Design é visto como um alerta: laboratórios podem subir na pilha e competir com seus próprios parceiros de SaaS.
  • Muitos alertam startups de IA a não dependerem demais da API ou do preço de um único laboratório; construir sobre pesos abertos ou auto-hospedagem é sugerido para resiliência.

Equidade, acesso e ângulo geopolítico

  • Vários observam que os laboratórios de fronteira parecem focados em clientes empresariais de países ricos; acesso global e acessibilidade financeira são secundários.
  • Alguns preveem que modelos baratos de pesos abertos, somados a hardware personalizado, corroerão as vantagens dos laboratórios dos EUA, com especulação sobre a eventual liderança da China; outros rebatem, citando o histórico de desempenho inferior chinês em outras pilhas tecnológicas.

Pontos pouco claros / contestados

  • A extensão real da destilação de modelos de fronteira para modelos chineses/abertos é disputada e permanece sem resolução no tópico.
  • A rentabilidade real dos laboratórios de fronteira atuais, e a viabilidade de suas avaliações, é amplamente questionada, mas sem números concretos.