Índia transformou o Estado em provedor de GPU para IA

Enquanto o debate sobre IA soberana no Brasil segue preso a slides e planos plurianuais, a Índia fez uma coisa concreta: transformou o Estado num provedor de GPU. Não uma promessa de data center para daqui a três anos, mas placas ligadas hoje, alugadas a startups por um preço que o mercado não pratica. É o tipo de movimento que quase não chega à mídia brasileira, e que muda a conta de qualquer time que pensa em treinar ou rodar modelo próprio.

O que a Índia montou

Em março de 2024, o governo indiano sancionou a IndiaAI Mission, com um orçamento acima de 10 mil crores de rúpias, cerca de US$ 1,25 bilhão. O eixo mais concreto dessa missão não é um laboratório de pesquisa nem um modelo bandeira: é compute. O Estado comprou e empanelou GPUs e passou a revendê-las subsidiadas para startups, universidades e pesquisadores registrados.

Os números cresceram rápido. O que começou com uma meta de 10 mil GPUs passou de 18 mil placas nas primeiras fases e chegou a cerca de 38 mil GPUs disponíveis pelo ecossistema público em meados de 2026, segundo levantamento da Business Standard e reportagens indianas. O preço é o ponto: a faixa fica entre 65 e 150 rúpias por GPU-hora, algo entre R$ 4 e R$ 9 dependendo da placa e do câmbio. É barato de propósito.

No India AI Impact Summit, em fevereiro de 2026, o ministro de TI Ashwini Vaishnaw anunciou a adição de mais 20 mil GPUs, o que levaria a capacidade pública para além de 58 mil unidades no curto prazo. A meta declarada é chegar a 100 mil placas públicas até o fim de 2026, condicionada a orçamento e entrega de fornecedores. No setor privado, a Yotta planeja hospedar mais de 20 mil GPUs Blackwell Ultra da Nvidia, somando à conta nacional.

Não é um modelo gigante, é uma pilha

O detalhe que a manchete costuma perder é a forma da aposta. A Índia não escolheu perseguir um único modelo de fronteira para bater de frente com OpenAI e Anthropic. Escolheu montar uma pilha soberana, camada por camada: compute barata na base, datasets e ferramentas no meio, e no topo modelos verticais.

Esses modelos de topo já existem e têm nome. Empresas como Sarvam AI, BharatGen, Gnani e Socket entregam sistemas focados em línguas indianas e em domínios específicos como saúde, educação e manufatura. A Sarvam, por exemplo, apresentou modelos multilíngues que vão de dezenas de bilhões de parâmetros a um carro-chefe maior com janela longa de contexto, mirando uso corporativo. A tese aqui é a de verticalização: em vez de um cérebro geral único e caríssimo, muitos modelos úteis, menores e baratos, cada um bom numa tarefa concreta.

A pergunta indiana não é "como ganhamos a corrida do modelo maior". É "como baratear o suficiente a compute e os modelos para que milhares de times construam em cima".

Essa escolha conversa direto com um padrão que já observamos em outros países fora do eixo EUA/Europa. A Rússia empurra sua própria IA soberana mirando o Sul Global, e a China acelerou modelos de peso aberto cada vez mais baratos, como o Kimi K3, o maior modelo de peso aberto do mundo. São respostas diferentes para a mesma ansiedade: não depender de um punhado de empresas americanas para uma tecnologia que virou infraestrutura.

O que muda para quem opera IA no Brasil

O sinal para o Brasil não é "copie a Índia". É reparar no que a Índia tratou como alavanca: o custo de compute como política pública, e não como sorte de mercado. Quando o Estado subsidia GPU a R$ 4 a hora, ele muda a matemática de quem decide entre treinar um modelo próprio, fazer fine-tuning de um peso aberto ou só consumir API estrangeira em dólar.

Para o time brasileiro que coloca IA em produção hoje, três leituras práticas saltam.

A primeira é sobre custo de rodar. A conta que trava muitos projetos brasileiros é a nuvem cobrada em dólar. A Índia atacou isso pelo lado da oferta. Enquanto por aqui isso não existe em escala, vale desenhar o projeto assumindo que compute é o item caro e volátil do orçamento, e não uma linha fixa. Modelos menores e verticais, no espírito da pilha indiana, custam menos para rodar e são mais fáceis de manter em produção do que um modelo gigante de propósito geral.

A segunda é sobre língua e domínio. A aposta indiana em modelos de línguas locais lembra que qualidade em português e em jargão de negócio brasileiro não vem de graça de um modelo treinado majoritariamente em inglês. Fine-tuning e avaliação no seu próprio domínio continuam sendo o trabalho que separa uma demo de uma operação. E se você vai ajustar modelo com dados próprios, a origem desses dados virou risco com preço, como mostra o acordo de US$ 1,5 bilhão da Anthropic sobre livros pirateados.

A terceira é sobre política industrial. O plano brasileiro de IA existe, mas a lição indiana é que anúncio de bilhões só vira vantagem quando desce ao chão como GPU ligada e preço subsidiado que a startup consegue usar amanhã. A distância entre o plano e a placa é a mesma distância que separa o piloto da produção quando a governança atrasa: sem execução no nível operacional, o orçamento vira PowerPoint.

A Índia não resolveu tudo. A capacidade de fronteira ainda trai os EUA, a energia e a cadeia de chips são gargalos reais, e boa parte da meta de 100 mil GPUs depende de entregas que ainda não aconteceram. Mas a direção é inequívoca e pouco comentada por aqui: um país do Sul Global decidiu que compute barata é infraestrutura pública, e está ligando as placas para provar. Para quem opera IA no Brasil, esse é o sinal que importa desta semana.

Se você está desenhando um projeto de IA e quer dimensionar custo de compute e a escolha entre modelo próprio, peso aberto ou API antes de escalar, fala com a gente no WhatsApp.