O Gargalo de Computação: Por Que a Geração de Vídeo com IA Ainda É Cara em 2026

A cada poucos meses, alguém faz uma variação da mesma pergunta: a geração de texto ficou tão barata que praticamente virou um arredondamento contábil, a geração de imagens seguiu logo atrás, então por que um clipe de vídeo de dez segundos gerado por IA ainda custa dinheiro de verdade? A resposta não é uma conspiração de fornecedores protegendo margens — é aritmética pura. A geração de vídeo ocupa um ponto fundamentalmente diferente na curva de custo computacional em relação a texto ou imagens, por razões embutidas no funcionamento real dos modelos de difusão e transformers, e essas razões são agravadas por uma cadeia de suprimentos de hardware que, em meados de 2026, está genuinamente limitada em capacidade. Entender as duas metades dessa história explica por que os preços por segundo de vídeo cobrados pelos grandes laboratórios — valores na casa de dezenas de centavos, e não frações de centavo — não são um prêmio temporário de lançamento. É mais próximo de um piso de custo que vai se corroer lentamente em vez de desabar.

O salto de ordem de magnitude, em FLOPs

Comece pelo que uma única geração realmente custa em operações de ponto flutuante. Análises acadêmicas de FLOPs de pipelines de difusão colocam uma única chamada de geração de imagem em algo na faixa de 10 GFLOPs por etapa de denoising, com uma geração típica rodando de 20 a 50 etapas para convergir em uma imagem limpa — ou seja, algo da ordem de 10² a 10³ GFLOPs no total para uma imagem finalizada. Uma análise comparável de modelos de difusão de vídeo coloca uma única chamada de geração de vídeo várias ordens de magnitude acima — comparações de FLOPs comumente citadas apontam para algo na faixa de 10.000 vezes o poder computacional de uma única imagem, e não os 10x ou 100x que a intuição sugeriria. Essa diferença não é um arredondamento; é a diferença entre uma requisição que uma GPU de consumo atende em menos de um segundo e uma requisição que ocupa um acelerador de classe datacenter por minutos.

Dois fatores impulsionam essa diferença, e vale a pena separá-los porque eles se somam em vez de se substituírem. O primeiro é simples: contagem de quadros. Um clipe de cinco segundos a 24 quadros por segundo são 120 imagens individuais, cada uma ainda precisando de sua própria passagem de denoising. Isso sozinho já é um multiplicador de duas ordens de magnitude antes que qualquer coisa específica de vídeo entre em cena. O segundo fator, e o mais subestimado, é a consistência temporal. Uma abordagem ingênua geraria cada quadro independentemente e costuraria tudo depois, mas isso produz aqueles artefatos de cintilação e rostos derretendo que marcaram os primeiros vídeos gerados por IA. Os modelos modernos, em vez disso, rodam mecanismos de atenção ao longo da dimensão temporal — a geração de cada quadro é informada pelos quadros vizinhos para manter rostos, objetos e iluminação coerentes — e a atenção escala pior do que linearmente com o comprimento da sequência. Empilhar mais quadros em uma única geração coerente não apenas adiciona computação proporcional à contagem de quadros; adiciona computação para as relações entre todos os quadros entre si.

O que isso significa em dólares

Traduzindo FLOPs em horas de GPU, os números se tornam concretos. Aceleradores de classe datacenter como o H100 e o H200 da NVIDIA são alugados por aproximadamente US$ 1 a US$ 3 por hora em capacidade de nuvem spot/atacado em 2026, chegando perto de US$ 12 por hora em algumas camadas sob demanda de grandes provedores de nuvem. A preço spot, gerar um clipe de 30 segundos em uma placa classe H100 leva algo na ordem de quatro a seis minutos de computação dedicada, o que resulta em poucos centavos por segundo de vídeo finalizado na camada bruta de hardware — muito longe dos preços que os consumidores veem. Essa diferença entre o custo computacional bruto e o preço de tabela já é informativa por si só: as tarifas de API publicadas pelos grandes laboratórios de vídeo — cerca de US$ 0,10 por segundo da Sora para saída padrão em 720p, os planos de Kling medidos por créditos que vão de um nível de entrada de US$ 8–10 até um nível Ultra de US$ 128 para volume ilimitado, os créditos de assinatura da Runway em vez de cobrança direta por segundo — ficam bem acima do custo marginal de hardware por segundo. Essa diferença não é margem pura. Ela cobre o P&D de modelos amortizado sobre uma base instalada muito menor do que qualquer modelo de texto desfruta, as gerações fracassadas e refeitas que nunca chegam à tela de um cliente pagante, e cada vez mais um estágio obrigatório de upscaling ou aprimoramento — estimativas do setor sugerem que a grande maioria dos endpoints de vídeo em produção hoje já roda algum tipo de upscaling pós-geração por padrão, o que adiciona um segundo estágio intensivo em computação que a maioria dos usuários nunca vê detalhado na fatura.

A resolução agrava ainda mais isso. Dobrar a resolução de saída aproximadamente dobra o tempo de renderização no mesmo hardware, e é por isso que a geração de vídeo em 4K — um recurso genuinamente novo de 2026 em modelos como o Kling 3.0 — leva visivelmente mais tempo e custa visivelmente mais do que o nível de 720p que a maioria dos planos gratuitos e de entrada usa como padrão. Nada disso é escalonamento arbitrário; mapeia com bastante fidelidade quantos pixels o acelerador realmente precisa computar por segundo de imagem gerada.

O lado da oferta: GPUs e energia, não só algoritmos

Mesmo que todos os laboratórios de vídeo encontrassem uma forma de reduzir a computação por quadro, o mercado de geração de vídeo de 2026 ainda esbarraria em uma segunda restrição, totalmente separada: simplesmente não há capacidade suficiente de GPU e energia de classe datacenter para atender à demanda nos preços atuais, muito menos em preços hipoteticamente mais baixos. Os prazos de entrega para GPUs de datacenter se estenderam para 36 a 52 semanas neste ano, e a demanda genuinamente supera a oferta no segmento premium — relatos de compradores chineses sozinhos encomendando mais de dois milhões de chips classe H200 contra um estoque global disponível na casa das centenas de milhares ilustram a escala desse descompasso. O roadmap da NVIDIA já avançou de Hopper para a geração Blackwell, mas novas gerações de arquitetura levam anos para atingir o volume em que aliviam significativamente a oferta, e a natureza limitada pela largura de banda de memória da difusão de vídeo (a geração de vídeo depende mais do throughput de memória de alta largura de banda do que dos FLOPs brutos, o que é parte do motivo pelo qual placas classe H100/H200 com barramentos de memória largos superam alternativas mais baratas de forma desproporcional) significa que os chips específicos que os laboratórios de vídeo precisam são exatamente os que estão em menor oferta.

O gargalo mais recente de 2026, e possivelmente mais duradouro do que a escassez de chips, é a energia. Analistas agora descrevem a infraestrutura de IA como limitada por energia, não por GPU: a Gartner projeta que cerca de 40% dos datacenters de IA estarão restritos por energia até 2027, e os prazos de entrega para transformadores de alta voltagem e equipamentos de comutação necessários para colocar nova capacidade de datacenter em operação se estenderam de 12–18 meses para até 36–48 meses em alguns mercados. Uma GPU pode ser fabricada mais rápido do que uma rede elétrica regional pode ser atualizada para operá-la em larga escala. Esse descompasso significa que a capacidade de geração de vídeo — que precisa de mais energia por saída finalizada do que a geração de texto ou imagem, simplesmente porque precisa de mais horas de GPU por saída — está disputando uma fatia de infraestrutura elétrica que não está crescendo nem de longe tão rápido quanto a produção de chips.

Por que isso não vai colapsar para os preços da geração de texto tão cedo

É tentador supor que o preço do vídeo simplesmente seguirá a trajetória que texto e imagem já percorreram — caro no lançamento, depois comoditizado em poucos anos à medida que os modelos ficam mais eficientes e o hardware fica mais barato. Parte disso vai acontecer: técnicas de destilação que reduzem as etapas de denoising de dezenas para dígitos únicos, arquiteturas de atenção temporal mais eficientes e caching mais inteligente que reaproveita computação entre quadros semelhantes são todas áreas ativas de pesquisa, e cada avanço incremental de fato reduz o custo por segundo. Mas a geração de vídeo não está perseguindo um alvo fixo — à medida que a computação por quadro fica mais barata, os usuários empurram resolução, duração do clipe, taxa de quadros e complexidade de múltiplas cenas para cima, absorvendo a economia da mesma forma que os modelos de imagem fizeram quando melhorias de fotorrealismo consumiram os ganhos de eficiência em vez de traduzi-los em preços mais baixos. Somando as restrições de energia e de oferta de chips a isso, a expectativa realista para o próximo ano ou dois não é “o vídeo vai ficar tão barato quanto o texto” — é uma queda lenta e gradual no custo por segundo, limitada menos pela esperteza algorítmica de qualquer empresa e mais pela velocidade com que a infraestrutura física por trás de toda a indústria consegue ser construída.