Um pitch deck é um exercício de compressão. Você pega um produto inteiro, com todas as suas decisões técnicas, e reduz a uma tese que caiba em dez slides e numa sala de trinta minutos. Estamos nesse exercício agora, na participação num processo de seleção de um fundo grande, e foi nele que ficou claro que a decisão mais importante que tomamos na AirPoint foi sobre qual modelo de linguagem colocar no centro do pipeline.

Dez slides para dizer o que o código já sabia

O Tom, o agente que hoje opera a AirPoint de ponta a ponta, roda inteiramente em Gemini 3.1 Flash-Lite. Nenhuma chamada para OpenAI e Anthropic no produto, hoje. A escolha saiu de uma bateria de testes brutos, comparando respostas do GPT-4.1 Mini com as do Flash-Lite para as mesmas tarefas de captura de promoções e escrita de posts sobre viagem. O Flash-Lite venceu de forma consistente, com um bom equilíbrio entre custo e eficácia.

A ideia inicial era uma cascata: modelos pequenos, rodando localmente num Mac Mini M4 Pro, cuidando do pré-processamento (triagem de promoções, extração de dados de programas de fidelidade, limpeza do que entra no sistema), e o Flash-Lite reservado para o raciocínio pesado. Testei Gemma e Qwen nesse papel. Não aguentaram o volume: a inferência local simplesmente não dá conta de processar tudo no ritmo que o produto exige. Desistimos da cascata. Hoje o Flash-Lite roda o pipeline inteiro, sozinho.

Escrever isso em dez slides expôs a aposta escondida dentro dessa decisão: um modelo só, barato e capaz o bastante, vale mais do que a complexidade operacional de orquestrar vários dentro do produto. Isso vale para o que roda em produção. No processo de construção, testar vários modelos continua útil. Essa aposta afeta margem, velocidade de iteração e quanto capital a AirPoint precisa levantar para chegar ao próximo marco.

O mesmo cálculo, em escala civilizacional

Passei as últimas semanas acompanhando um fenômeno que valida essa aposta em uma escala que nenhuma startup consegue produzir sozinha: o deslocamento de tráfego de inferência dos modelos americanos para os modelos chineses de peso aberto.

Os números vêm da própria OpenRouter, a plataforma que agrega tráfego de API de dezenas de modelos, em levantamento reportado pelo Startup Fortune. Os modelos chineses respondiam por 4,5% dos tokens processados na plataforma no primeiro semestre de 2025. Desde fevereiro deste ano, essa fatia passou a superar 30% da participação semanal, com picos de 46%. A composição da plataforma virou de cabeça para baixo: de 70% de tráfego americano há um ano para cerca de 30% hoje.

O motivo é preço. E é engenharia também. O GLM-5.2, da Zhipu AI, cobra 1,40 dólar por milhão de tokens de entrada e 4,40 dólares por milhão de tokens de saída. O Claude Opus 4.8 cobra 1,75 dólar na entrada e 25 dólares na saída. A diferença chega a 90% em alguns casos de uso. A Coinbase relatou ter reduzido pela metade o gasto com IA depois de migrar parte da carga para GLM-5.2 e Kimi K2.7 Code, enquanto o volume de tokens processados aumentava. Na Vercel, o volume diário de tokens do GLM-5.2 cresceu 27 vezes na primeira semana de disponibilidade, e o número de clientes usando o modelo, 80 vezes. Quando a Moonshot AI lançou o Kimi K3, em julho, a demanda forçou a empresa a pausar temporariamente novas assinaturas.

Por trás do preço está o mesmo problema que tentamos resolver com o Tom e abandonamos por falta de músculo operacional, só que resolvido dentro da arquitetura de um único modelo, não numa cascata de vários. Segundo reportagem do TechNode, os laboratórios chineses líderes operam GPUs a mais de 70% de utilização, contra uma média de 40% a 50% no resto da indústria. Os modelos de mistura de especialistas que eles publicam ativam, por tarefa, algo entre um dígito percentual e 10% dos parâmetros totais, contra uma faixa estimada de 15% a 30% nos modelos americanos comparáveis. Cada tarefa aciona só o pedaço do modelo necessário para resolvê-la, sem precisar orquestrar sistemas separados para fazer isso.

Por que a parada é a China

A AirPoint e o deslocamento do tráfego global de inferência nasceram do mesmo tipo de pergunta, em escalas diferentes: onde exatamente está o ponto em que mais capacidade de modelo deixa de valer o custo marginal de obtê-la. Uma startup de milhas em São Paulo resolveu essa pergunta numa escala de milhares de chamadas por dia. Os laboratórios chineses estão resolvendo a mesma pergunta numa escala de bilhões.

Fica difícil escrever sobre essa segunda escala só lendo relatório de mercado. Por isso a Capital Pulse abre agora o segundo volume dos Despachos da Fronteira, desta vez a partir da China. O primeiro volume nasceu do chão do GTC, olhando para robôs aprendendo a andar em simulação e tentando entender o que isso ensinava sobre mercado financeiro brasileiro. Este segundo volume nasce da mesma pergunta, aplicada ao lado da fronteira que fica mais difícil de enxergar daqui: os times que estão construindo modelos a um décimo do custo de treinamento das alternativas ocidentais, e o que essa curva de custo, se continuar caindo na mesma inclinação, significa para quem constrói produto de IA fora dos dois polos.

Estou ansioso para ver o que vou encontrar. Neste começo de viagem, cheguei aqui na quinta (13), tudo que vi até agora foi história. Está chegando a hora de responder mais algumas partes das minhas perguntas.

Um abraço,

João Piccioni