Azure Maia 300: por que a Microsoft quer seus próprios chips de IA

A Microsoft acaba de apresentar o Azure Maia 300, seu processador de inteligência artificial mais ambicioso até agora. O anúncio aconteceu durante o OCP Global Summit 2026, em San Jose, e carrega uma mensagem que vai além do chip em si: as big techs estão cada vez mais dispostas a fabricar o próprio silício que alimenta seus modelos de IA, mesmo que isso signifique competir diretamente com a Nvidia.

A questão central não é se o Maia 300 é melhor ou pior que uma GPU da Nvidia. O ponto é estratégico. Quando uma empresa que gasta dezenas de bilhões de dólares por ano em infraestrutura decide projetar seus próprios chips, o equilíbrio de poder no setor muda. E é exatamente isso que está acontecendo.

O que o Maia 300 entrega na prática

Segundo dados divulgados pela Microsoft, o Maia 300 processa 40% mais tokens por megawatt do que os principais sistemas baseados em GPUs disponíveis hoje. No jargão de IA, tokens são as unidades básicas que os modelos processam, sejam fragmentos de texto, partes de imagens ou trechos de vídeo. Mais tokens por watt significa mais capacidade computacional com menos gasto energético.

Um rack equipado com 96 unidades do Maia 300 teria capacidade de processamento sete vezes superior à do Maia 200, a geração anterior. É um salto considerável, especialmente quando se leva em conta que o Maia 200 já está em operação em produtos como o Microsoft 365 Copilot e em modelos da OpenAI.

A Microsoft informou ainda que o Maia 200, rodando aplicações como Teams e Copilot, já entrega até 1,7 vez mais tokens por watt quando comparado a sistemas tradicionais com GPUs. O Maia 300, que integra a expansão de data centers prevista para 2027, amplia essa vantagem.

Por que as big techs querem fabricar seus próprios chips

A Microsoft não está sozinha nessa corrida. Amazon, Google e Meta também desenvolvem processadores especializados para suas plataformas de nuvem e IA. Até laboratórios como OpenAI e Anthropic seguem caminhos semelhantes. Como mostramos em nossa cobertura de tecnologia, a verticalização do hardware virou prioridade entre as empresas que dominam o mercado de computação em nuvem.

A lógica econômica é direta. Chips customizados permitem otimizar desempenho para cargas de trabalho específicas de cada companhia. Em vez de comprar um processador genérico projetado para atender múltiplos clientes, a big tech projeta silício sob medida para seus próprios modelos, reduzindo custos unitários e consumo de energia.

Existe também a dimensão de dependência estratégica. A Nvidia controla parcela dominante do mercado de aceleradores para IA. Depender de um único fornecedor para a infraestrutura mais crítica do negócio é um risco que empresas do porte da Microsoft preferem mitigar. Ter alternativas internas dá poder de negociação e resiliência na cadeia de suprimentos.

O impacto para a Nvidia é real, mas tem limites

Para a Nvidia, o avanço dos chips proprietários das hyperscalers representa um desafio crescente. Historicamente, empresas como Microsoft, Amazon e Google respondem por fatia significativa da receita da fabricante de GPUs. Cada chip Maia, Trainium (Amazon) ou TPU (Google) que entra em operação é uma GPU da Nvidia que deixa de ser comprada.

Ainda assim, como analisamos sobre os resultados da Nvidia, a tese de substituição completa ainda está longe de se confirmar. A Nvidia construiu ao longo dos anos um ecossistema de software (CUDA) que se tornou padrão na comunidade de desenvolvedores de IA. Migrar para um chip alternativo exige reescrever código, retreinar equipes e aceitar possíveis incompatibilidades.

As próprias big techs reconhecem essa realidade. Microsoft, Amazon e Google continuam oferecendo GPUs da Nvidia em suas plataformas de nuvem porque seus clientes corporativos demandam acesso a esses processadores. O cenário atual é de coexistência: chips proprietários para cargas de trabalho internas e GPUs da Nvidia para o mercado aberto.

A guerra dos chips de IA está apenas começando

A família Maia deve se tornar, segundo a Microsoft, o principal sistema de inferência de IA utilizado em seus produtos e serviços. É uma declaração ambiciosa. Inferência é a fase em que o modelo já treinado gera respostas para os usuários, e representa a maior fatia do custo computacional à medida que produtos como o Copilot ganham escala.

A expansão planejada para 2027 envolve data centers de múltiplos gigawatts, uma escala que reflete o ritmo acelerado de investimento em infraestrutura de IA. O Maia 300 se junta ao Maia 100 e ao Maia 200 nessa arquitetura, criando um ecossistema completo de processamento proprietário.

Para quem acompanha o setor de tecnologia como investidor, o recado é claro. A corrida por IA não se resume a modelos de linguagem cada vez maiores. Ela passa também pelo controle da infraestrutura física que sustenta esses modelos. As empresas que dominarem essa camada terão vantagens estruturais de custo e eficiência difíceis de replicar.

A Nvidia continua como líder incontestável do mercado de aceleradores. Mas o fato de que seus maiores clientes estão, um a um, desenvolvendo alternativas internas sugere que o setor caminha para um modelo mais fragmentado. Não é uma questão de substituição imediata, mas de diversificação gradual, com impacto direto nas margens e no poder de precificação de todos os envolvidos.