O avanço da inteligência artificial abre um novo desafio para as empresas: investir na capacidade computacional necessária para transformar a tecnologia em aplicações de negócio e sustentar seu uso em escala. E as GPUs estão no centro dessa corrida.
A sigla vem de Graphics Processing Unit, ou unidade de processamento gráfico, tecnologia criada originalmente para lidar com imagens, mas que encontrou na IA uma aplicação muito mais ampla. Sua capacidade de executar milhares de operações simultaneamente tornou esses chips especialmente importantes para o treinamento e a execução de modelos de inteligência artificial que exigem enorme poder de processamento.
É justamente essa relação que colocou as GPUs em evidência na atual corrida por performance, em um momento em que os CEOs brasileiros já incorporam a IA ao negócio. Segundo a 29ª CEO Survey da PwC, de 2026, 29% dos executivos afirmam que suas empresas já utilizam amplamente a inteligência artificial em produtos e serviços.
As GPUs, porém, não são a única alternativa. Outras arquiteturas e diferentes tipos de processadores podem oferecer a combinação mais pelo uso, sem exigir grandes investimentos iniciais em equipamentos próprios.
A Claro, primeira NVIDIA Cloud Partner da América Latina voltada a processamento de dados e IA, aposta nesse modelo com acesso fracionado a GPUs NVIDIA, além de ambientes para treinamento e inferência e processamento de dados no Brasil. Mais do que acumular capacidade, a proposta é orquestrar infraestrutura, dados e modelos junto a parceiros – evitando que capacidade ociosa se transforme em custo permanente e criando condições para desenvolver modelos de linguagem de grande e pequeno porte com ajustes específicos para o português do Brasil.
A GPU entra em cena
Essa lógica levou a companhia a utilizar GPUs em aplicações que demandam grande capacidade de processamento. O diretor de Inovação do beOn e de produtos B2B da empresa, Rodrigo Assad, conta que o atendimento foi um dos primeiros campos em que a tecnologia mostrou seu potencial.
É o caso do VoiceTEXT, solução que transforma gravações de call centers em texto para análises e uso operacional.
Quando a gente conseguiu transcrever 50 milhões de horas de áudio por mês, entendemos que a voz do nosso cliente era importante para o nosso negócio e só conseguimos fechar quando trouxemos para a GPU
Rodrigo Assad, diretor de Inovação do beOn e de produtos B2B da empresa
A experiência também levou a Claro a criar critérios para controlar o consumo. “A nossa estratégia é chamada de GPU First. Todo projeto começa e a gente fala: você quer GPU? Não. A gente só libera GPU quando você me provar que não funcionou, que não atendeu, que não teve o resultado qualitativo. Aí disponibilizamos modelos mais sofisticados”, afirma Assad.
Com isso, a decisão de usar GPU não deveria começar pela própria GPU, concorda Marcio Aguiar, diretor da divisão Enterprise da NVIDIA para América Latina. “Quando falamos em IA, temos que pensar sempre em resolver um problema de negócio. A NVIDIA ama GPU, óbvio. Mas a gente nunca começa falando dela com o cliente. Isso vai ser acelerado por software e, por consequência, rodar em GPU.”
Experiências reais
Na B3, a preocupação com eficiência aparece na própria forma de administrar o consumo de IA. A head de Inteligência Artificial, Luiza Sangalli, afirma que a empresa evita uma adoção indiscriminada. “Você precisa primeiro provar que você tem um business case que vai entregar valor para o negócio. Mas, ao mesmo tempo, a gente, como habilitador dessa estratégia dentro da companhia, tem que pensar nesse uso com responsabilidade.”
A instituição trabalha com uma carteira de tokens e mecanismos de roteamento que direcionam cada solicitação para modelos diferentes, considerando custo e eficiência. Para Luiza, a gestão do consumo é tão importante quanto a escolha da tecnologia.
A estratégia também combina diferentes recursos no Banco do Brasil, como explica o executivo de IA da instituição, Diogo Picco. “Uma parte da nossa estratégia é um desenvolvimento interno. E, inicialmente, para você não perder time to market, por que não usar uma chamada de token e, aos poucos, ir trocando para outro modelo?”, defende.
Para Aguiar, essa combinação deverá se tornar cada vez mais comum. “Acreditamos nesse mundo híbrido. Dependendo da aplicação, a empresa pode escolher entre um modelo de IA oferecido por um provedor externo ou um próprio, rodando em seus equipamentos e GPUs.”
A corrida pela inteligência artificial, portanto, não é apenas por GPUs. É pela capacidade de combinar infraestrutura própria, performance sob demanda e parceiros de maneira eficiente – cada empresa escolhe a combinação certa para cada aplicação. “Não é sobre fazer mais rápido, é sobre repensar”, resume Assad.