O último balanço das empresas listadas na China revela um retrato dual que poucos analistas conseguem explicar com clareza: enquanto um quarto das companhias registrou prejuízo líquido no primeiro semestre deste ano, o lucro agregado do conjunto subiu impressionantes 20%. A mão invisível que puxa essa média para cima é, sem surpresa, o setor de semicondutores e inteligência artificial. Fabricantes de chips e fornecedores de infraestrutura de IA voam, enquanto setores tradicionais — imobiliário, varejo físico, manufatura de baixo valor agregado — sangram.
Para quem trabalha com engenharia de software, produtos digitais e infraestrutura em nuvem, esse fenômeno não é apenas uma curiosidade macroeconômica. Ele afeta diretamente decisões de arquitetura, escolha de plataformas, alocação de talento e, principalmente, o planejamento estratégico de tecnologia nos próximos anos. Ignorar o que acontece na China seria como projetar um sistema tolerante a falhas sem considerar o data center que hospeda os dados.
Neste artigo, vou explorar as causas estruturais desse contraste, o que ele significa para engenheiros que constroem produtos digitais, e como extrair lições práticas — sem depender de números mágicos ou promessas de hype.
Por que 25% das empresas dão prejuízo enquanto a IA decola?
A primeira leitura dos dados pode sugerir uma crise generalizada, mas a realidade é mais sutil. O percentual de empresas no vermelho é alto, mas não inédito em economias em reestruturação. O que chama atenção é a magnitude da divergência setorial. Empresas de semicondutores e IA, muitas delas listadas nos índices de inovação de Xangai e Shenzhen, apresentaram crescimento de receita e margem muito acima da média. Enquanto isso, conglomerados imobiliários — que por anos foram a âncora da economia chinesa — acumulam prejuízos bilionários. O efeito composição é brutal: o lucro agregado sobe porque o peso relativo dos setores de tecnologia aumentou, não porque a economia como um todo está saudável.
Para um engenheiro de software que trabalha com produtos digitais, essa dinâmica ecoa um fenômeno conhecido: o efeito "winner-takes-most" em mercados digitais. Plataformas e infraestrutura escaláveis tendem a concentrar valor, enquanto negócios baseados em ativos físicos ou intermediários tradicionais sofrem compressão de margem. O que vemos na China é uma versão amplificada dessa tendência, acelerada por políticas industriais agressivas de subsídio à inovação.
O que essa divergência significa para quem constrói produtos digitais?
Empresas que dependem de tecnologia para seu core business — SaaS, plataformas de marketplace, fintechs, healthtechs — estão em uma posição mais favorável para surfar essa onda, desde que consigam acesso a infraestrutura de IA competitiva. Na China, o acesso a GPUs avançadas (como as da NVIDIA) é restrito por embargo, o que força o desenvolvimento de alternativas domésticas (Huawei Ascend, Cambricon). Isso cria um ecossistema paralelo de compatibilidade de software, onde frameworks de deep learning precisam ser adaptados para hardware local.
Para engenheiros que trabalham em empresas globais ou que atendem o mercado chinês, isso significa que a stack de IA não pode ser tratada como commodity. Escolher entre CUDA e C++ nativo para aceleradores alternativos não é apenas uma questão de desempenho, mas de conformidade regulatória e continuidade de negócio. Se você está projetando um produto que depende de inferência em tempo real (recomendação, moderação de conteúdo, visão computacional), precisa considerar a possibilidade de migrar entre backends de hardware com o mínimo de refatoração. É aí que frameworks como ONNX Runtime e TensorRT mostram seu valor — mas com a ressalva de que o suporte a aceleradores chineses ainda é inconsistente.
Infraestrutura em nuvem: o reflexo dessa dicotomia
Os provedores de nuvem chineses (Alibaba Cloud, Huawei Cloud, Tencent Cloud) estão investindo pesado em ofertas de IA como serviço. Ao mesmo tempo, a demanda por computação de uso geral (máquinas virtuais tradicionais, bancos de dados SQL) cresce em ritmo mais lento, porque muitas empresas tradicionais estão cortando custos de TI. Isso gera uma pressão sobre os provedores para converter capacidade ociosa de GPU em serviços diferenciados — o que, paradoxalmente, pode baratear o acesso a clusters de treinamento para startups de IA, enquanto encarece recursos de computação básica para empresas tradicionais.
Para um CTO ou tech lead, essa assimetria de preços é uma oportunidade de arbitragem de arquitetura. Projetos que exigem alta capacidade de GPU (processamento de linguagem natural, geração de conteúdo, visão) podem se beneficiar de custos mais baixos na nuvem chinesa, desde que estejam dispostos a lidar com questões de latência e conformidade de dados. Já aplicações que precisam de consistência transacional forte e baixa latência em operações de banco de dados podem enfrentar custos crescentes, já que o hardware genérico não está sendo priorizado na expansão dos provedores.
Riscos e pontos de atenção para engenheiros de software
Primeiro: a depedência de hardware proprietário da China (como as GPUs Ascend) introduz riscos de compatibilidade de software. Muitos frameworks de deep learning são otimizados para CUDA, e a migrção para architeturas alternativas exige teste minucioso e, em alguns casos, reesritura de kernel. Empresas que planejam operr em ambiene misto (parte na núvem chinesa, parte em AWS ou GCP) preisam de uma camada de abstração robusta — como ONNX, MLIR ou TensorFlow com backends múltiplos — para evitar lock-in de hardware.
Segundo: o boom de IA atrai talento, mas cria um vácuo em áreas tradicionais de engenharia de software. Manutenção de sistemas legados, engenharia de confiabilidade (SRE) e segurança da informação podem sofrer com falta de profissionais, enquanto todos correm para treinar modelos. Esse desequilíbrio de mercado de trabalho já afeta saléarios e alocação de times. Empresas que não são nativas de IA precisam ser criativas para reter engenheiros de software tradicionais, oferecendo projetos desafiadores em escalabilidade e resildência, em vez de tentar competir com startups de IA puramente.
Terceiro: a concentração de valor em IA e chips cria um risco sistêmico. Se as exportações de tecnologia para a China sofrerem novas restrições, o crescimento desse setor pode desacelerar bruscamente, arrastando consigo o lucro agregado. Empresas que depedem exclusivamente de fornecedores chineses de hardware de IA (como a Huawei para Ascend) podem enfrentar interrupções de cadeia de suprimentos. Ter um plano B com hardware de fontes alternativas (mesmo que menos eficiente) é uma prática de resildência que subestiamos com freência.
Lições práticas para o mercado de trabalho em tecnologia
Para profissionais de tecnologia, esse cenário reforça a importânica de construir habilidades portáteis. Saber treinar modelos com PyTorch ou Jax é valioso, mas saber adaptá-los para diferentes backends de hardware é ainda mais raro. Conhecimento de sistemas distribuídos, otimização de inferência e engenharia de plataformas de dados continuarão send o fundamento — independentemente de qual setor estiver no topo do ciclio.
Além disso, a capacdade de entender o contexto de negócio por trás dos números (25% de empresas no vermelho, mas IA disparando) separa o engenheio que apenas executa tarefas daquele que contribui para decises estratégicas. Se o setor de IA chines está crescendo, onde estão as oportunidades para produto digitais que atendam a essa demanda? Ferramentas de MLOps, plataformas de gerenciamento de dados sintéticos, soluções de curadoria de datasets — todos serviços que podem ser ofertados Globalmente, aproveitando a necessidade chinesa por eficiência em IA.
Não se trata de copiar o que a China faz, mas de entender as forças tectônicas que moldam o mercado. Um quarto das empresas com prejuízo não é sinal de colapso iminente, mas de reestruturação violenta. Engenheiros e líderes de produto que compreendem essa dinâmica podem posicionar suas equipes e carreiras de forma mais resiliente.
Minha visão sobre a dicotomia
O dado de que 25% das empresas chinesas estão no vermelho enquanto a IA dispara me parece menos uma contradição e mais uma confirmação de um padrão global: a tecnologia concentra valor em ritmo muito mais rápido do que a economia tradicional consegue se adaptar. A diferença é que, na China, essa transição é acelerada por políticas industriais e restrições geopolíticas que forçam inovação local. Para engenheiros de software, o recado é claro: dominar a pilha de IA — incluindo hardware e otimização de inferência — não é mais opcional. Mas também não é suficiente. A capacidade de conectar esse conhecimento a problemas reais de negócio, em setores que ainda estão patinando, é o que vai definir quem lidera a próxima década.
Não acredito em bolha de IA, mas acredito em concentração de risco. Empresas e profissionais que investirem apenas em treinar modelos, sem construir resiliência operacional e diversidade de hardware, podem sofrer quando o ciclo de hype esfriar ou quando sanções mudarem o tabuleiro. Equilíbrio é a habilidade mais subestimada em tecnologia — e essa notícia da China é um lembrete poderoso disso.
Para quem trabalha com engenharia de software, produtos digitais ou infraestrutura em nuvem, recomendo que dedique tempo a entender a arquitetura de aceleração de hardware chinesa e experimente portar pelo menos um modelo simples para um acelerador alternativo (como o Google TPU, que é mais acessível que GPUs NVIDIA e tem paralelos com a abordagem chinesa). A experiência prática de lidar com limitações de suporte e debugging em runtime de hardware não-commodity vai prepará-lo para cenários de incerteza que, cada vez mais, serão a norma.