O crescimento da Anthropic simplesmente se achatou

Artigo original ↗ Discussão no Hacker News ↗

As receitas mais recentes da Anthropic mostram um crescimento rápido, mas em forte desaceleração, o que levanta dúvidas sobre se o boom de IA já está encontrando limites estruturais. Os comentaristas debatem quanto do negócio é de fato lucrativo de forma sustentável versus subsidiado por enormes compromissos de compute e capital de investidores, e se a Anthropic tem algum moat durável à medida que rivais como OpenAI, Google e modelos chineses ou de pesos abertos mais baratos reduzem a diferença de capacidade. Muitos preveem uma mudança de “token-maxxing” e experimentação para controle rígido de custos e diversificação de modelos, com o sucesso futuro dependendo mais de preço, eficiência e integração no mundo real do que apenas de benchmarks de modelos de fronteira.

Receita, Crescimento e Rentabilidade

  • O debate gira em torno do S‑1 da Anthropic: a receita reportada no 3º trimestre foi de cerca de US$17B, ~47% QoQ e >1000% YoY, em contraste com rumores anteriores em que o artigo se baseou.
  • Muitos argumentam que “achatou” é exagerado: o crescimento ainda é muito alto, apenas desacelerando em relação aos ~150% QoQ anteriores.
  • Alguns observam margens brutas fortes em assinaturas (≈85%) e melhora na “receita por dólar de compute”, sugerindo que a inferência já é lucrativa.
  • Outros contrapõem que focar em receita ou em margens apenas de compute é enganoso sem os custos totais (treinamento, pessoal, instalações).

Valuation, Obrigações e Risco de Bolha

  • Grandes rodadas pré-IPO e compromissos massivos de compute por vários anos implicam que a Anthropic precisa de crescimento sustentado e muito alto para satisfazer investidores.
  • Debate sobre se as valuation atuais ou futuras implícitas podem ser justificadas em comparação com benchmarks globais de receita.
  • Alguns veem isso como superconstrução no estilo da bolha dot-com; outros argumentam que isso é padrão para tecnologia com alto capex e não é sem precedentes.
  • Preocupação de que os IPOs sirvam principalmente para transferir risco para investidores públicos/varejo antes de qualquer correção de IA.

Precificação, Qualidade do Modelo e Concorrência

  • Muitos elogios ao Opus 5.5, especialmente para programação e workflows agênticos; alguns dizem que ele “simplesmente funciona” com engenharia de prompt mínima.
  • Outros acham que os modelos mais recentes da OpenAI, ou concorrentes como Astra/Sol ou modelos chineses (DeepSeek, etc.), são comparáveis ou melhores, especialmente em preço e visão.
  • O Opus 5.5 é mais barato e mais eficiente do que camadas anteriores; vários usuários relatam que seus gastos com Anthropic caíram porque o modelo faz mais com menos tokens ou permite fazer downgrade para Haiku.
  • Expectativa de que os provedores passem a competir cada vez mais em preço e eficiência; alguns preveem crescimento de tokens semelhante ao paradoxo de Jevons, mas apenas receita linear.

Moats, Modelos Abertos e Ecossistema

  • Visões divididas sobre o moat:
    • Lado pró-moat: é extremamente difícil construir laboratórios de fronteira, reter pesquisadores de ponta e manter processos internos; existem poucos laboratórios realmente de treino.
    • Lado cético: a inteligência está se comoditizando, muitos modelos “bons o suficiente” (incluindo abertos e chineses) competem em custo; empresas podem trocar se os engenheiros não conseguem perceber a diferença.
  • Alguns argumentam que acesso a compute e ecossistema/integração (ferramentas, agentes, apps verticais) serão os principais ativos defensáveis.

Padrões de Uso, Tokenmaxxing e Impacto no Mundo Real

  • Relatos de empresas apertando o cerco ao “tokenmaxxing” e ao “slop” de IA, já que excesso de código/PRs aumenta a carga de revisão e incidentes.
  • Muitos afirmam que o gargalo agora é teste, revisão, coordenação e restrições de negócio, não a velocidade de geração de código.
  • Observações de que, fora de software e alguns domínios, a adoção é irregular; muitos trabalhadores voltam aos fluxos de trabalho antigos apesar das ferramentas de IA disponíveis.

AGI e Trajetória de Longo Prazo

  • A conversa sobre AGI parece menos presente; alguns acham que já estamos perto dela, outros insistem que os LLMs atuais estão longe de uma inteligência independente, humana e autodirigida.
  • Vários esperam dinâmicas cíclicas de hype–desilusão–redescoberta; outros alertam que algumas ondas tecnológicas simplesmente morrem.