A Corrida pelo Silício Próprio Começou (e a Anthropic Não Ficou de Fora)

Enquanto todo mundo discute qual modelo de IA é melhor, as empresas que realmente vão dominar o mercado estão brigando por algo muito mais fundamental: silício. Chips. Hardware dedicado. E a Anthropic, criadora do Claude, acabou de entrar nessa briga de vez.

Na primeira semana de julho de 2026, o The Information revelou que a Anthropic está em conversas preliminares com a Samsung Electronics para fabricar um chip de IA customizado. Não é um rumor vago: a empresa já contratou engenheiros especializados em silício, incluindo Clive Chan, que foi o segundo engenheiro a entrar no time de chips da OpenAI. Sim, o cara que ajudou a criar o Jalapeño, o chip de inferência que a OpenAI revelou em junho, agora trabalha pra Anthropic.

Eu já vi muita movimentação nesse mercado, mas essa tem um peso diferente. Vou te explicar por quê.

Por Que a Anthropic Precisa de um Chip Próprio

A resposta curta: dinheiro e sobrevivência.

A Anthropic opera com um run rate acima de US$ 30 bilhões em 2026, com mais de 1.000 clientes enterprise gastando pelo menos US$ 1 milhão por ano cada. Nessa escala, cada centavo de custo por token importa. E adivinhe quem leva a maior fatia desse custo? A Nvidia.

Hoje, rodar modelos como o Claude Opus 4 exige GPUs que custam dezenas de milhares de dólares cada, com demanda tão alta que a própria Nvidia não consegue atender todo mundo. A Anthropic depende de um mix de hardware: GPUs Nvidia, TPUs do Google e chips Trainium da AWS. Funciona, mas tem problemas:

A real é que depender de três fornecedores, onde dois são concorrentes diretos (Google com o Gemini, Amazon com o Nova), é uma posição estrategicamente frágil. Seu fornecedor de hardware é também seu competidor no mercado de IA. Isso não é sustentável.

Samsung, Não TSMC: Uma Escolha Calculada

Quando se fala em fabricar chips de ponta, o nome que vem à cabeça é TSMC. A fábrica taiwanesa domina o mercado com mais de 60% do market share em foundry avançado. Apple, Nvidia, AMD, Qualcomm: todo mundo fabrica lá.

Então por que a Anthropic foi bater na porta da Samsung?

Três motivos que fazem sentido:

1. A Samsung investiu na Anthropic. Na rodada Series H de maio de 2026, que levantou US$ 65 bilhões (sim, bilhões), a Samsung entrou como investidora estratégica ao lado da SK Hynix e da Micron. Quando seu fabricante de chips também é seu investidor, a negociação fica mais fácil.

2. O processo SF2P de 2nm. A Samsung está preparando seu processo de fabricação de 2 nanômetros, chamado SF2P, especificamente otimizado para chips de data center. Essa tecnologia usa uma estrutura de gate que envolve o canal do transistor, reduzindo vazamento de energia. Para chips de IA que rodam 24/7 em data centers, eficiência energética é tudo.

3. Memória HBM integrada. Diferente da TSMC, a Samsung fabrica tanto lógica quanto memória. Chips de IA dependem de memória HBM (High Bandwidth Memory) para alimentar os modelos com dados rápido o suficiente. Se o fabricante do chip também faz a memória, o packaging avançado fica muito mais simples.

A Samsung precisa de clientes de prestígio para o SF2P. A Anthropic precisa de um fabricante que não seja concorrente. É um casamento que faz sentido pros dois lados.

Clive Chan: O Engenheiro que Trocou a OpenAI pela Anthropic

Esse detalhe passou despercebido pela maioria da cobertura, mas é talvez o sinal mais forte de que a Anthropic leva essa iniciativa a sério.

Clive Chan foi o segundo engenheiro contratado pelo time de chips customizados da OpenAI. Ele passou dois anos e meio lá, trabalhando diretamente no design do Jalapeño, o chip de inferência que a OpenAI desenvolveu com a Broadcom e revelou em 24 de junho de 2026.

No início de junho, antes mesmo da matéria do The Information sair, Chan apareceu na Anthropic. Um engenheiro que conhece intimamente o chip de inferência do seu maior concorrente agora projeta o seu.

Isso não é contratação comum. É uma declaração de intenção.

Todo Mundo Quer Chip Próprio (e Quem Não Quer Vai Ficar Pra Trás)

A Anthropic não está sozinha nessa corrida. Olha o cenário atual:

Percebe o padrão? Toda empresa que depende de IA em escala está fazendo a mesma conta: se eu gasto bilhões por ano com GPUs Nvidia, quanto eu economizo projetando um chip otimizado pro meu caso de uso específico?

A resposta, segundo estimativas do setor, é entre 10% e 30% de redução no custo de inferência. Parece pouco? Quando seu custo de inferência é de bilhões por ano, 20% de economia são centenas de milhões de dólares.

Mas tem outro fator que ninguém fala em voz alta: controle. Quem depende da Nvidia depende do roadmap da Nvidia, dos preços da Nvidia, da alocação de supply da Nvidia. E a Nvidia sabe disso.

O Que Esse Chip Vai Fazer (e o Que Ainda Não Sabemos)

Aqui é onde a coisa fica nebulosa. Segundo as fontes do The Information, a Anthropic ainda não definiu:

• Se o chip será para treinamento, inferência ou ambos
• Qual será a performance alvo
• Como ele vai se encaixar em um servidor
• Qual a arquitetura do acelerador

Isso pode parecer preocupante, mas é normal pra esse estágio. O Jalapeño da OpenAI levou mais de dois anos do conceito ao anúncio. O primeiro TPU do Google passou por cinco gerações antes de ficar realmente competitivo.

O que sabemos é que chips de inferência são a aposta mais provável. O treinamento exige clusters enormes de GPUs de última geração, onde a Nvidia ainda reina absoluta. Mas a inferência, que é onde os modelos rodam depois de treinados, é onde o volume real está. Cada vez que você manda uma mensagem pro Claude, cada chamada de API, cada execução do Claude Code: tudo isso é inferência.

E inferência é onde o dinheiro vai. Um chip customizado para rodar especificamente os modelos Claude, otimizado para a arquitetura dos transformers que a Anthropic usa, pode ser dramaticamente mais eficiente que uma GPU genérica da Nvidia projetada para fazer tudo.

Quanto Custa Criar um Chip do Zero?

Projetar um chip de ponta não é barato. Estamos falando de:

• US$ 500 milhões a US$ 1 bilhão só em design e validação
• 12 a 24 meses do design ao primeiro protótipo funcional
• Mais 6 a 12 meses de testes e otimização antes da produção em escala
• Contratação de dezenas de engenheiros especializados em ASIC, verificação, packaging

E isso sem contar os custos de software. Um chip sem compilador, sem framework de inferência, sem toolchain é um pedaço de silício caro que não faz nada. A Nvidia domina não só pelo hardware, mas pelo CUDA, um ecossistema de software que levou 17 anos pra construir.

A Anthropic tem caixa pra isso? Depois de levantar US$ 65 bilhões na Series H, a resposta é sim. Mas o custo real não é financeiro: é o custo de oportunidade. Cada engenheiro trabalhando em silício é um engenheiro que não está melhorando o Claude.

Por outro lado, se o chip funcionar, o retorno é exponencial. Menor custo por token significa preços mais baixos pra clientes, o que significa mais adoção, o que significa mais receita. É um ciclo virtuoso que justifica o investimento.

E o que Muda pra Quem Usa o Claude?

Se você é desenvolvedor e usa a API do Claude, a pergunta natural é: isso muda alguma coisa pra mim?

No curto prazo, não. A Anthropic confirmou ao TechCrunch que vai continuar usando chips de Google, Amazon e Nvidia. O chip customizado, se sair, não chega antes do final de 2027 na melhor das hipóteses.

No médio prazo, a promessa é boa: tokens mais baratos, menor latência, maior disponibilidade. Se a Anthropic conseguir reduzir custos de inferência em 20%, isso pode se traduzir em preços menores na API ou em modelos mais potentes pelo mesmo preço.

Existe também a possibilidade de o chip permitir arquiteturas de modelo que hoje são impraticáveis. Quando você projeta o hardware pro seu software (em vez de adaptar o software pro hardware genérico), podem surgir otimizações que ninguém imaginava.

Mas não vamos romantizar. O Google tem TPUs há 11 anos e a API do Gemini não é exatamente a mais barata do mercado. Ter chip próprio não garante preço baixo. Depende da estratégia comercial.

Inferência vs. Treinamento: Onde Está o Dinheiro de Verdade

Pra entender por que chips customizados fazem sentido, você precisa entender a diferença econômica entre treinamento e inferência.

Treinar um modelo como o Claude Opus 4 custa centenas de milhões de dólares. É um gasto único (por versão), que exige clusters com milhares de GPUs rodando por semanas ou meses. É caro, mas é um custo fixo.

Inferência é diferente. Cada request de API, cada mensagem no chat, cada linha de código gerada pelo Claude Code consome compute. E esse custo nunca para. Enquanto o modelo estiver no ar, a conta de inferência continua rodando. Pra uma empresa com mais de 1.000 clientes enterprise, isso significa milhões de requests por hora.

É por isso que a maioria dos chips customizados foca em inferência. O Jalapeño da OpenAI é um chip de inferência. Os chips Inferentia da Amazon são de inferência. Até o Google, que usa TPUs pra tudo, otimiza pesadamente para inferência nas versões mais recentes.

Um chip projetado exclusivamente para rodar modelos de transformer (a arquitetura por trás do Claude) pode eliminar circuitos genéricos que uma GPU Nvidia precisa manter para ser compatível com games, simulação física, renderização 3D e mil outras coisas. Menos transistores desperdiçados, mais eficiência por watt, menor custo por token.

Na prática, isso significa que um chip customizado pode rodar a mesma qualidade de resposta consumindo metade da energia. Ou, pelo mesmo consumo de energia, rodar um modelo maior e mais capaz. As duas opções são interessantes.

O Mapa do Poder no Silício de IA Está Sendo Redesenhado

Vamos dar um passo atrás e olhar o cenário completo.

Em 2023, a Nvidia tinha basicamente um monopólio no hardware de IA. Três anos depois, o mapa mudou radicalmente:

O Google tem TPUs rodando o Gemini em escala. A Amazon tem Trainium alimentando o Bedrock. A Meta está projetando o MTIA. A Microsoft tem o Maia. A OpenAI tem o Jalapeño. E agora a Anthropic está na mesa.

A Nvidia continua dominante, por isso que as ações deles continuam subindo. Mas pela primeira vez, os maiores clientes da Nvidia estão ativamente construindo alternativas. Não pra substituir completamente, mas pra ter opção. Pra não depender de um único fornecedor.

Isso é bom pra todo mundo. Competição em hardware significa mais inovação, melhores preços e menos gargalos de supply. Se a Samsung conseguir entregar um processo 2nm competitivo, a TSMC vai sentir a pressão e responder. É assim que o mercado funciona.

O Que Vem Agora

A Anthropic não vai anunciar um chip amanhã. As conversas com a Samsung são preliminares, o design ainda está indefinido e a contratação de engenheiros de silício mal começou.

Mas o sinal é claro: a era em que startups de IA simplesmente compravam GPUs e rodavam modelos acabou. A próxima fase dessa corrida é vertical: quem controla o modelo E o hardware vai ter vantagem competitiva duradoura.

A Anthropic entendeu isso. O Google já sabia. A OpenAI correu atrás. A Meta está tentando. E a Nvidia, que construiu um império vendendo pás durante a corrida do ouro da IA, vai precisar provar que suas pás continuam sendo as melhores.

Fica de olho nos próximos meses. Quando (não se) a Anthropic formalizar o acordo com a Samsung, vai ser um dos marcos mais importantes na história da infraestrutura de IA.

Fonte de inspiração: Anthropic is discussing a new custom chip with Samsung (TechCrunch) e Anthropic in Talks With Samsung to Manufacture Custom AI Chip (The Information)