Em 18 de abril de 2026, o OpenRouter registrou 1,4 trilhão de tokens processados pelo Qwen 3.6 Plus em um único dia. Segundo o OpenRouter, foi o primeiro modelo a cruzar a barreira de 1 trilhão de tokens diários em uma plataforma de roteamento multi-modelo. Em julho, segundo o CEO da Vercel, o AI Gateway roteava mais de 1 trilhão de tokens por dia entre OpenAI, Anthropic, Google e DeepSeek. O número impressiona. O contexto assusta. Nós analisamos os dados e o sinal é claro: a inferência ultrapassou o treino, virou utilidade pública digital e passou a exigir arquitetura — não apenas capacidade.
A escala: 3.700x em 30 meses
Em fevereiro de 2024, a OpenAI processava cerca de 100 bilhões de tokens por dia. Segundo o IO Fund, a estimativa global em julho de 2026 é de 370 trilhões diários. Crescimento de 3.700 vezes em 30 meses. O Google sozinho processou 3,2 quadrilhões de tokens em maio de 2026 — o mesmo Google que processava 9,7 trilhões por mês dois anos antes.
Não é crescimento linear. É uma mudança de regime. O volume de inferência deixou de ser um subproduto do uso de IA e virou o principal driver de consumo de compute do planeta. E o custo por token despencou ao mesmo tempo: segundo a BenchLM, o índice de preço frontier caiu 88% desde março de 2023, e modelos de qualidade suficiente caíram 200 a 300 vezes. A queda de preço não é apenas benefício — é o que tornou o aumento de 3.700x no volume financeiramente viável. O gasto total, no entanto, pode continuar crescendo.
A inferência ultrapassou o treino
Em 2026, mais da metade do compute de IA global é dedicado a servir modelos em produção. O treino é episódico. Segundo o Gartner, a projeção é de 65% ou mais para inferência até 2029. Estudos de setor estimam que a inferência representa 80 a 90% do custo de eletricidade do ciclo de vida de um modelo em produção. A inferência virou o custo dominante — não o treino.
Modelos de reasoning geram 5 a 10 vezes mais tokens por query. O reasoning funciona como um dial de latência: você troca tokens por qualidade, mas o throughput permanece estável. Isso muda a economia da inferência. Não é mais uma requisição, uma resposta. É uma requisição, uma cadeia de raciocínio, uma resposta. O volume de tokens por query cresce, e o custo marginal de servir cada query cresce junto.
Mercado bifurcado: Anthropic, OpenAI e a ascensão chinesa
O mercado bifurcou. Segundo a Menlo Ventures, em dezembro de 2025 a Anthropic detinha 40% da despesa corporativa. A OpenAI caiu de 50% para 27%. A liderança não é estável — é contestada a cada trimestre.
Segundo a Presenc AI, modelos chineses de pesos abertos saltaram de 1% para 15% do mercado de inferência em 12 meses. A DeepSeek já roteia 22,6% dos tokens no Vercel AI Gateway, quase igualando a Anthropic em volume. Não é um movimento marginal. É uma mudança estrutural de fornecedor. Modelos de pesos abertos chineses deixaram de ser curiosidade de pesquisa e viraram opção de produção em escala.
Concentração extrema e risco sistêmico
A concentração é extrema. Segundo a StealthCloud Intelligence, cinco empresas controlam 80% da capacidade global de treino. Os EUA hospedam 74,5% do compute de IA do mundo. A Virgínia do Norte consome 26% da eletricidade do estado em data centers. O TSMC é o único fornecedor em escala de CoWoS advanced packaging.
Em junho de 2026, o ESRB europeu classificou modelos de IA frontier como risco sistêmico ao sistema financeiro. A mesma categoria usada para bancos sistemicamente importantes — e isso não é advisory. É uma classificação que carrega obrigações regulatórias. O NIST publicou o AI RMF Critical Infrastructure Profile em abril. A UE aplica o AI Act Annex III a infraestrutura crítica a partir de dezembro de 2027. A inferência de IA já é tratada como utilidade pública digital — com tudo o que isso implica em termos de resiliência, soberania e obrigação de serviço contínuo.
84% dos tokens em 2030 virão de agentes autônomos
Segundo o Goldman Sachs, 84% dos tokens em 2030 virão de workloads de agentes autônomos. Humanos digitando prompts serão minoria do tráfego. O tráfego do futuro é de máquina para máquina — programático, stateful, de alto volume e com expectativa de baixa latência.
Isso muda a arquitetura. Não basta servir interactive chat. É preciso arquitetar para workloads de inferência que mantêm estado, fazem chamadas encadeadas e consomem tokens em volume industrial. O stack que serve 370 trilhões de tokens por dia não é um endpoint maior — é arquitetura.
Conclusão: o stack que serve 370 trilhões de tokens por dia é arquitetura
Nós repetimos: a inferência de IA já é utilidade pública digital. E o stack que serve 370 trilhões de tokens por dia é arquitetura. Na Tech86, nós projetamos infraestrutura de inferência com soberania, resiliência e custo marginal controlado. Disaggregation prefill/decode, KV-cache-aware routing, speculative decoding. Estratégia multi-vendor e multi-region para evitar lock-in. Planejamento para workloads de agentes autônomos, não para interactive chat.
A barreira de 1 trilhão de tokens diários foi cruzada. A próxima barreira é de 10 trilhões. E quem chegar lá não será quem comprar mais GPUs — será quem arquitetar melhor.