Huawei Cloud MaaS: Custo de IA vai além do token com stack integrado e chip próprio
Em um mercado focado no custo por token, a Huawei Cloud defende uma visão de custo total da aplicação, combinando seu chip próprio, otimização de software e presença local.
A promessa da Huawei Cloud de uma economia de até 89% no uso de inteligência artificial generativa não se baseia na métrica isolada de custo por token, mas em uma análise do custo total da aplicação. Segundo Bin Duan, CTO da Huawei Cloud na América Latina, comparar o preço de modelos de IA apenas pelo valor cobrado por token é uma abordagem equivocada para calcular o gasto real de uma empresa. A estratégia sustenta a plataforma Model as a Service (MaaS) da companhia, que oferece acesso a múltiplos modelos de IA a partir de uma infraestrutura unificada.
“O custo de uma aplicação de IA é determinado pela combinação de diversas variáveis”, afirmou Duan em entrevista. Essa visão holística explica por que duas empresas que utilizam a mesma tecnologia podem ter custos completamente diferentes. A companhia já tem mais de 100 clientes na América Latina engajados com a plataforma MaaS, em fases que vão da avaliação e piloto à produção.
O cálculo do custo total da aplicação
A precificação por token, embora seja um padrão de mercado, representa apenas uma fração do custo operacional de uma aplicação de IA. A Huawei argumenta que uma avaliação estratégica deve considerar a eficiência do processo como um todo. Uma opção com um preço por token mais baixo pode, na prática, se tornar mais cara se exigir um número maior de chamadas de API ou mais etapas de correção para alcançar o resultado desejado.
De acordo com a empresa, os fatores que determinam o custo real de uma aplicação incluem:
- Tokens de entrada e saída: O volume de dados processado pelo modelo.
- Tamanho do contexto: A quantidade de informação que o modelo precisa considerar a cada interação.
- Uso de cache: A capacidade de armazenar resultados de entrada para reutilização, reduzindo chamadas repetidas.
- Volume de chamadas: A frequência com que a aplicação interage com a API do modelo.
- Complexidade da tarefa: A natureza do trabalho executado, que impacta o consumo de recursos computacionais.
Para otimizar esses custos, a Huawei oferece um desconto de 30% no uso dos modelos GLM 5.1 e GLM 5.2 durante horários de menor demanda. Bin Duan destaca que, devido à diferença de fuso horário, essa janela coincide com boa parte do horário comercial brasileiro, representando uma vantagem específica para as operações no país.
Diferenciação por integração vertical, não por catálogo
Gostou desta análise? Receba a próxima primeiro.
Edição diária da IA News com impacto real para empresas — grátis no seu e-mail.
Confrontada com concorrentes como AWS Bedrock, Google Vertex AI e Azure AI Foundry, que também oferecem um portfólio de modelos de terceiros, a Huawei Cloud posiciona seu diferencial na integração de sua operação. “Temos uma stack integrada que abrange capacidade computacional, software de IA, otimização de modelos e operações em nuvem”, explica Duan. O objetivo dessa integração é permitir que as diferentes camadas tecnológicas trabalhem de forma conjunta para melhorar a utilização de recursos e a eficiência de cada carga de trabalho.
A presença local é outro pilar da estratégia. Com 28 anos de atuação na região, a companhia oferece equipes técnicas e de serviços locais, o que, segundo Duan, permite um suporte mais próximo em comparação com modelos baseados exclusivamente em atendimento remoto.
No que tange à seleção de modelos, a filosofia não é ter o maior catálogo, mas oferecer flexibilidade. A entrada de um novo modelo no MaaS passa por uma avaliação técnica de compatibilidade e, em seguida, por testes de qualidade, segurança e latência em cenários de uso real. Atualmente, a empresa trabalha na integração do GLM 5.3 e da versão mais recente do modelo Kimi.
Infraestrutura proprietária e o dilema dos chips
Toda a infraestrutura do MaaS da Huawei roda sobre chips de IA desenvolvidos pela própria empresa, e não sobre GPUs da Nvidia, o padrão de fato do mercado. Para o CTO, a comparação de performance entre as arquiteturas “depende bastante do workload”, pois diferentes casos de uso respondem de maneiras distintas ao hardware.
A empresa foca na otimização dos modelos para seus próprios chips, trabalhando o ambiente de forma integrada. A avaliação de desempenho, nesse contexto, transcende uma métrica única e considera uma cesta de indicadores: latência, tempo de resposta, throughput (vazão), estabilidade sob volume crescente, custo e a qualidade do resultado final.
Dados, privacidade e conformidade no Brasil
A soberania dos dados é um ponto crítico para empresas brasileiras. A Huawei esclarece que, embora o MaaS possa utilizar recursos computacionais globais, a inferência pode ocorrer fora do Brasil dependendo da arquitetura. Contudo, a companhia mantém infraestrutura de IA no país para atender workloads com exigências específicas de localização de dados, seja por segurança, latência ou conformidade com regulações como a LGPD. A decisão de onde os dados são processados varia conforme o setor e a necessidade do cliente.
Sobre privacidade, Duan afirma que “o conteúdo do cliente não é utilizado para treinamento ou fine tuning sem autorização explícita”. Além disso, durante o processo de inferência na plataforma MaaS, o conteúdo “não é armazenado e é excluído imediatamente após a conclusão do processo”, um mecanismo desenhado para proteger as informações dos clientes.
Análise IA News
A leitura da nossa redação
A investida da Huawei Cloud com seu conceito de custo total da aplicação é um movimento clássico do mundo do software empresarial, agora adaptado para a economia da IA generativa. A empresa tenta mudar o eixo da conversa de uma métrica comoditizada e de fácil comparação — o preço por token — para uma discussão de valor baseada em eficiência e otimização. A tese é sólida: o custo real de uma solução de IA não está na unidade de processamento, mas na arquitetura que a suporta. O desafio é educar um mercado que se acostumou com a simplicidade da comparação de tabelas de preços.
A aposta em uma stack verticalmente integrada, com chips próprios, é uma faca de dois gumes. Por um lado, o controle total do hardware ao software oferece um caminho crível para otimizações de performance e custo que concorrentes que apenas agregam modelos em infraestrutura padrão não conseguem alcançar. Por outro, cria uma dependência tecnológica (vendor lock-in) e força os clientes a apostarem em uma arquitetura que não é o padrão da indústria, dominado pela Nvidia. A performance comparativa dos chips Ascend da Huawei em workloads do mundo real será o teste definitivo para essa estratégia.
Os maiores trunfos da Huawei no Brasil são, sem dúvida, a flexibilidade na localização de dados e a longa presença local. Ao oferecer explicitamente uma infraestrutura no país para clientes preocupados com LGPD e latência, a empresa ataca diretamente duas das maiores dores das corporações brasileiras. Essa abordagem híbrida, que permite usar recursos globais para workloads menos sensíveis e recursos locais para os críticos, é uma solução pragmática que equilibra custo e conformidade. O suporte técnico local, em um mercado onde o atendimento costuma ser remoto e em outro idioma, é um diferencial operacional significativo.
As restrições geopolíticas são o obstáculo silencioso. A Huawei adota a abordagem correta ao focar em transparência técnica, apresentando arquiteturas e certificações (ISO, SOC, PCI) para as equipes de segurança dos clientes. No entanto, para muitas multinacionais com políticas de aquisição alinhadas a diretrizes dos EUA, a discussão pode nem chegar ao nível técnico. O sucesso da Huawei no segmento de IA dependerá de sua capacidade de provar que os benefícios de custo, performance e conformidade superam o risco geopolítico percebido, focando em empresas brasileiras e multinacionais de outras geografias.
Contexto para empresários e decisores
No mercado brasileiro de nuvem e IA, a competição é dominada por AWS, Microsoft Azure e Google Cloud. A Huawei Cloud busca se diferenciar não como uma alternativa de baixo custo generalista, mas como um parceiro tecnológico para aplicações de IA de alta performance. O custo da IA generativa é uma barreira de entrada, e as empresas buscam ativamente formas de otimizar os investimentos. Com a LGPD em pleno vigor, a soberania e a localização dos dados tornaram-se fatores decisivos na escolha de fornecedores de tecnologia, abrindo espaço para players que oferecem infraestrutura local e garantias claras de conformidade.
Impactos para empresas
- 1Redução do Custo Total de Propriedade (TCO) em IA: a avaliação de provedores com base na eficiência da aplicação, e não apenas no preço por token, pode levar a economias de até 89% em cenários específicos, otimizando o orçamento de tecnologia.
- 2Mitigação de riscos de conformidade regulatória: a opção de processar e armazenar dados em infraestrutura local no Brasil simplifica a aderência à LGPD, evitando multas e danos à reputação associados ao tratamento inadequado de dados.
- 3Aumento da dependência de um único fornecedor (vendor lock-in): a adoção de uma stack de IA verticalmente integrada e baseada em chips proprietários pode dificultar a migração para outros provedores, exigindo uma análise de risco estratégico de longo prazo.
- 4Melhora na eficiência e tempo de resposta do suporte técnico: o acesso a equipes de engenharia e serviço locais pode acelerar a resolução de problemas e a implementação de projetos, em contraste com o suporte remoto centralizado de outros players globais.
Conclusão editorial
A estratégia da Huawei Cloud de focar no custo total da aplicação, em vez do custo por token, é um sinal de amadurecimento do mercado de IA. A integração vertical com chips próprios é uma aposta de alto risco e alta recompensa. Para decisores no Brasil, a recomendação é engajar em provas de conceito (PoCs) que validem as promessas de eficiência em workloads específicos, tratando a escolha de um provedor de MaaS como uma parceria estratégica de longo prazo, não como uma simples compra de commodity.
— Redação IA News
Fontes utilizadas
Apuração, análise e conclusão editorial produzidas pela redação do IA News a partir das fontes acima. O conteúdo não reproduz o texto original.