Open source avança na IA, mas Anthropic ainda fatura mais caro
Se você acompanha o dashboard de custo de API da sua empresa, já deve ter notado o padrão: o time troca modelo caro por modelo aberto assim que o caso de uso amadurece, mas a conta de IA não cai. Foi exatamente esse contraste que o CEO da Decagon, Jesse Zhang, colocou em um post recente, argumentando que todo mundo está enxergando errado a relação entre modelos proprietários e open source no ambiente corporativo.
A tese dele é simples de configurar mentalmente, tipo um pipeline em duas etapas: modelo de ponta valida o caso de uso, depois o time troca para uma alternativa aberta mais barata em produção. Só que, enquanto isso acontece, surgem novos casos de uso que voltam a rodar em modelo caro. Resultado: o gasto total com modelos de fronteira não cai, mesmo com a adoção open source subindo.
Frontier labs continuam dominando a descoberta. Open source vai dominando cada vez mais a produção.
Os números por trás do argumento
Zhang não trouxe dado nenhum no post, mas dá pra puxar isso de qualquer dashboard de gateway de IA. No painel público do Vercel AI Gateway, o DeepSeek assumiu a liderança em volume de tokens processados, respondendo por mais de um terço do tráfego da semana. O Z.ai, criador do GLM-5.2, também subiu e ficou em quarto lugar geral.
Só que, quando você olha gasto total em vez de volume, a Anthropic ainda fica com mais da metade de todo o spend na plataforma. A leitura é direta: menos requisições, mas cada requisição custa muito mais caro.
O OpenRouter reforça o mesmo padrão em escala maior. O DeepSeek V4 Flash processa 5,3 trilhões de tokens por semana, enquanto o Opus 4.8, modelo mais popular da Anthropic, fica pouco acima de 2 trilhões. A diferença de preço explica o resto: o Opus 4.8 custa cerca de 23 vezes mais por token, US$ 1,37 o milhão contra US$ 0,06 do V4 Flash. Faça essa conta no seu billing e você entende por que o gasto total não anda junto com o volume.
Entra Nvidia na disputa
Tem um player novo entrando nesse jogo de custo por token: o Nemotron, da Nvidia, que promete subir rápido no ranking por conta da adaptabilidade do modelo e da distribuição que a própria Nvidia já tem instalada em infraestrutura.
Minha leitura
Esse cenário de dois andares — modelo caro pra descoberta, modelo aberto pra produção — tende a ficar estável enquanto o mercado de tarefas endereçáveis por IA continuar crescendo mais rápido que a migração para open source. Pra quem administra infraestrutura de IA, a recomendação prática é a mesma de sempre: monitore custo por token por caso de uso, não custo agregado, porque é aí que a economia real do seu sistema aparece.
Fonte: https://techcrunch.com/2026/07/07/why-the-rise-of-open-source-ai-isnt-hurting-anthropic-yet/