Momento "DeepSeek" replicado? Wall Street afirma: Kimi K3, na verdade, fortalece a demanda por poder computacional

O mercado entrou em pânico com o Kimi K3, tratando-o como “DeepSeek Moment 2.0”, mas desta vez, o julgamento de Wall Street foi completamente diferente.

Na noite de 16 de julho, a Moonshadow lançou o Kimi K3 em Xangai. Este modelo open source com 2,8 trilhões de parâmetros obteve pontuação 57 no índice inteligente Artificial Analysis, ocupando o terceiro a quarto lugar no ranking global, empatando com o Claude Opus 4.8, da Anthropic, e o GPT-5.5, da OpenAI. O mais crucial é que, no ranking de programação Frontend Code Arena criado pela UC Berkeley, o K3 alcançou o topo com 1679 pontos, superando o Claude Fable 5 e o GPT-5.6 Sol, tornando-se o primeiro modelo open source a superar todos os modelos closed source estrangeiros em um ranking de programação de renome.

Em 17 de julho, o setor de semicondutores das ações dos EUA apresentou uma queda acentuada. O reflexo do mercado é fácil de entender—no início de 2025, o lançamento do DeepSeek R1 desencadeou uma forte queda nas ações de empresas de poder computacional, pois a lógica era: os modelos chineses estão cada vez mais fortes, será que ainda faz sentido para as empresas de IA dos EUA investirem tanto em poder computacional? Se os modelos chineses conseguem se aproximar da vanguarda a custos menores, será reavaliada a demanda por Nvidia, HBM, servidores e equipamentos de rede?

No entanto, segundo o serviço de trading Chasing Wind, os mais recentes relatórios de pesquisa de bancos de investimento como UBS, Nomura, Merrill Lynch EUA e Citi apontam: Kimi K3 não é o fim da demanda por poder computacional, mas sim um acelerador.

Kimi K3 e DeepSeek R1 são impactos de naturezas diferentes. O R1 destaca mais a “eficiência”, enquanto o K3 enfatiza “escala”. Parâmetros de 2,8 trilhões, janela de contexto de 1M tokens, inferência always on, multimodalidade nativa, arquitetura MoE—essas características não remetem a uma história de ativos leves. Elas aumentam juntas a pressão sobre inferência, memória, rede e armazenamento.

O quão forte é o Kimi K3?

O Kimi K3 foi lançado pela Moonshadow em 16 de julho de 2026, com previsão de abertura completa dos pesos do modelo em 27 de julho. É um modelo open source de grande escala com 2,8 trilhões de parâmetros, sendo considerado por diversas instituições como o maior LLM open source em peso atualmente.

A configuração central inclui três pontos:

Primeiro, janela de contexto de 1M tokens. O modelo pode processar textos mais longos, bases de código extensas e tarefas empresariais e de pesquisa mais complexas.

Segundo, inferência always on. Não se trata apenas de perguntas e respostas simples, mas sim de inferência em cadeias longas e tarefas de Agent.

Terceiro, capacidade visual nativa. O K3 não processa apenas texto, mas também tarefas multimodais como vídeos, imagens, desenvolvimento de jogos, design de frontend, CAD, etc.

Na arquitetura, o K3 utiliza Kimi Delta Attention, Attention Residuals e Stable LatentMoE. Na parte MoE, para cada token, são ativados 16 dos 896 especialistas. Segundo a Moonshadow, a eficiência geral de escala melhorou cerca de 2,5 vezes em relação ao Kimi K2.

Isso explica porque o K3 não é um “K2 mais barato”. Segundo a tabela de preços da Nomura, o preço de entrada do K3 é de 3 dólares por milhão de tokens, entrada com cache hit é de 0,30 dólares, e saída é de 15 dólares por milhão de tokens; de acordo com a Artificial Analysis, o custo por tarefa no K3 é de cerca de 0,94 dólares. Esse preço é inferior ao do Claude Fable 5 (cerca de 2,75 dólares) e do Claude Opus 4.8 (cerca de 1,80 dólares), próximo ao do GPT-5.6 Sol (1,04 dólar), mas significativamente acima do GLM-5.2 (0,32—0,47 dólar) e bem distante do DeepSeek V4 Pro (0,04 dólar).

Portanto, o posicionamento do K3 não é o menor preço, mas sim oferecer capacidades de modelo de ponta com preços mais acessíveis.

Quatro bancos de investimento ajustam a avaliação: isso não significa enfraquecimento da demanda

Sobre as preocupações do mercado com o impacto do “DeepSeek Moment”, Duan Bing, analista chefe de tecnologia da Ásia-Pacífico da Nomura, escreveu em relatório: “Acreditamos que a competição e inovação no mercado global de grandes modelos não vai parar. À medida que nos aproximamos cada vez mais da IA Geral (AGI), as aplicações de AI generativa entre consumidores e empresas continuarão em expansão. Laboratórios de AI de ponta e grandes plataformas de cloud provavelmente vão continuar investindo neste estágio, para manter sua posição competitiva—prolongando a lei de escala, interpretamos essa rivalidade como positiva para toda a cadeia de valor de infraestrutura de AI.”

O analista de semicondutores do Citi, Peter Lee, destacou em seu relatório de 19 de julho com o título “Mais um Paradoxo de Jevons”. O que é o Paradoxo de Jevons? Em resumo: quando aumenta a eficiência das máquinas a vapor movidas a carvão, o consumo de carvão sobe, pois mais pessoas podem usar e há mais cenários de aplicação. O mesmo vale para modelos de AI—à medida que os bons modelos ficam mais baratos, desenvolvedores e empresas implantam mais aplicativos e processam mais tokens, e no final o consumo de poder computacional cresce.

Peter Lee acredita que, mesmo que o K3 seja amplamente usado, a demanda por memórias comuns como DDR5 e eSSD em servidores continuará aumentando. Isso porque a eficiência de inferência do K3 é comparável a outros modelos de ponta, mas o uso de cache KV aumenta conforme cresce a janela de contexto, pressionando ainda mais a memória.

O analista de semicondutores do BofA Securities, Vivek Arya, foi mais direto em relatório de 17 de julho. Para ele, a resposta dos laboratórios de AI dos EUA de ponta “não é menos poder computacional, mas sim mais”. Se os modelos open source chineses continuarem se aproximando, OpenAI, Anthropic e Google precisarão investir em um treinamento ainda maior, mais inferências pesadas e iterações mais rápidas para manter a diferenciação. Arya também menciona um pano de fundo muitas vezes ignorado: notícias indicam que o Gemini 3.5 Pro do Google já está alguns meses atrasado em relação ao planejado, com performance de programação abaixo das metas internas, tornando a liderança de vanguarda cada vez mais difícil de sustentar.

A equipe de análise de Timo Arcuri, do UBS, sublinha em relatório de 20 de julho que existem paralelos entre K3 e DeepSeek R1, mas o K3 trata principalmente de escala—ele é o maior modelo open source do mundo, com 2,8 trilhões de parâmetros e janela de contexto de 1 milhão de tokens. O analista enfatiza que, tipicamente, os modelos open source consomem mais memória do que modelos closed source de ponta, pois a janela de contexto é maior e a demanda por cache KV continua crescendo mesmo após quantização, tornando a implantação de modelos open source muito dependente de HBM e armazenamento.

Armazenamento: o segmento mais beneficiado diretamente. Projeções do UBS mostram que o fluxo de caixa livre acumulado do setor de armazenamento e memória até 2028 pode chegar a cerca de 30% do valor de mercado—o mais alto entre os subsegmentos, e só a Micron (MU) pode atingir até 47%. Citi e Nomura mantêm recomendação de compra para a Samsung Electronics, pois o mercado global de memória está em situação de oferta extremamente apertada. Peter Lee, do Citi, aponta que a demanda de memória em inferência do Kimi K3 não é inferior a outros modelos de ponta, e a expansão do volume de cache KV aumentará diretamente a demanda por DDR5 para servidores e SSDs empresariais. Lee destaca ainda: a implantação em larga escala do Kimi K3 exige clusters supernó com mais de 64 GPUs.

Infraestrutura de poder computacional: TSMS e Nvidia são as principais beneficiadas. Seja na vigência da lei de escala no treinamento ou no aumento da demanda por tokens na inferência, tudo aponta para mais demanda por chips avançados. A Nomura reitera recomendação de compra para TSMC, ASE, MediaTek e outros. A Nvidia declarou publicamente que, para modelos MoE (Mixture of Experts) modernos, a performance por watt em inferência no GB300 NVL72 é até 25 vezes superior à geração anterior Hopper. Modelos como K3 são naturalmente beneficiários diretos do hardware mais recente da Nvidia.

Rede: tendência de supernódulos cria oportunidades estruturais. O Kimi K3 precisa de clusters de supernós; com o poder computacional local limitado pelas restrições de exportação de chips de ponta, a China depende ainda mais das arquiteturas de supernós para compensar o gap de performance por GPU, o que impulsiona a demanda por fornecedores de módulo óptico, chip óptico e outros insumos de rede. A Nomura destaca empresas como Zhongji Xuchuang e Suzhou Xuchuang.

Plataformas de nuvem: beneficiadas pelo efeito de cluster de ecossistema. Plataformas de nuvem que hospedam múltiplos modelos open source de ponta têm maior poder de barganha e não dependem de fornecedores de modelos closed source. A Nomura vê Alibaba (BABA) como o núcleo do ecossistema de AI em nuvem na China, assim como GDS e VNET como operadores de data center de destaque.

Este talvez seja o ponto de dados mais subestimado em toda a narrativa.

Segundo estatísticas do gateway de API aberto OpenRouter, a proporção do volume de uso de tokens de modelos de IA chineses no tráfego global de desenvolvedores subiu de menos de 2% há um ano para mais de 45% atualmente. Dados do BofA Merrill Lynch validam a aceleração do uso geral de IA: atualmente, cerca de 55% das empresas dos EUA já assinam modelos, plataformas ou ferramentas de IA; a taxa de adoção corporativa da Anthropic é de 42%, enquanto a da OpenAI é de 40%. Entre os principais consumidores de IA (top 1% das empresas), o gasto mensal por colaborador já chega a 4.833 dólares.

O mercado está se polarizando. De um lado, modelos open source chineses, como DeepSeek e Kimi K3, cobrem o mercado econômico e o segmento de melhor relação custo-benefício; de outro, os modelos closed source americanos de ponta focam em cargas de trabalho mais complexas (como computação científica), mantendo o diferencial técnico e de preço. Segundo a Nomura, os líderes em grandes modelos na China e nos EUA irão se beneficiar—desde que consigam permanecer na vanguarda da curva tecnológica.

Após o lançamento do K3, a reação inicial do mercado foi compará-lo ao DeepSeek R1. Essa comparação é válida, mas não pode se restringir à perspectiva de “teremos mais investimentos em hardware de IA”.

O DeepSeek fez o mercado reavaliar a eficiência do treinamento. O K3 mostra outra coisa: modelos open source também podem atingir a fronteira em escala, contexto longo, Agents e multimodalidade.

Isso vai forçar os laboratórios de ponta dos EUA a continuar investindo e permitirá que modelos chineses continuem expandindo no ecossistema global de desenvolvedores. Modelos closed source mantêm o diferencial técnico e de preço; modelos open source cobrem mais faixas de preço e cenários de implantação; provedores de nuvem entregam distribuição de modelo e aterrissagem empresarial; a cadeia de hardware sustenta a pressão do treinamento e inferência.

No curto prazo, as negociações vão oscilar devido à “memória do DeepSeek”. A médio prazo, enquanto o volume de uso de tokens seguir crescendo, contexto longo e Agents continuarem se expandindo, poder computacional, HBM, armazenamento, rede e IDC vão continuar sendo custos indispensáveis.

Isso explica por que várias instituições chegaram a conclusões semelhantes após o surgimento do K3: modelos open source mais potentes não são o ponto final da demanda por infraestrutura de IA, mas podem ser a porta de entrada para uma nova onda de expansão dessa demanda.

No entanto, o BofA Merrill Lynch também aponta um risco residual: “Se o ganho de eficiência superar o crescimento da carga de trabalho, podemos ver algum retrocesso na construção de infraestrutura.” Em outras palavras, se os modelos ficarem cada vez mais baratos, mas o uso não se expandir consideravelmente ao mesmo tempo, a lógica de aumento da demanda por poder computacional poderá ser enfraquecida.