Perda bilionária da SoftBank revela limite da aposta em gás natural para IA
- Leitura
- 6 min
- Tabelas
- 1
- Fontes
- 1
A SoftBank registrou prejuízo trimestral de US$ 7,1 bilhões, boa parte ligada a depósitos não reembolsáveis em turbinas a gás natural encomendadas em excesso para data centers de IA. O caso expõe o risco de superprovisionar infraestrutura numa corrida cujo tamanho real ninguém ainda sabe medir.
O rombo que veio da aposta errada
Na terça-feira, 10 de novembro, a SoftBank anunciou um prejuízo trimestral de US$ 7,1 bilhões, segundo reportagem do TechCrunch assinada por Tim De Chant. Mais da metade desse valor, acima de US$ 3 bilhões, vem de perdas ligadas a equipamentos de geração de energia: turbinas a gás natural encomendadas para alimentar data centers de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → que a empresa agora considera, em boa parte, sem valor.
O dinheiro já tinha saído do caixa. Eram depósitos não reembolsáveis, pagos a fabricantes de turbinas só para garantir posição na fila de entrega. Quando a demanda não cresceu no ritmo e na forma que a SoftBank apostou, esses depósitos viraram prejuízo contábil puro, sem chance de reembolso.
Como a SoftBank tentou furar a fila
A lógica por trás da aposta começou a se montar cerca de dois anos atrás, por volta de 2024. Segundo o TechCrunch, a SoftBank passou a reservar turbinas bem além do que seus próprios projetos exigiam: mais de 13 gigawatts em depósitos, quase 50% a mais do que precisava. Em fevereiro deste ano, a subsidiária SB Energy anunciou que investiria US$ 33 bilhões numa usina a gás de 9,2 gigawatts.
O racional era simples e caro: o mundo da energia foi pego de surpresa pela velocidade da demanda de IA, e as filas de encomenda de turbinas hoje se estendem até o início da década de 2030. Se a SoftBank quisesse capacidade rápido, teria que reservar mais do que precisava, sabendo que parte do pedido seria descartada depois.
A SB Energy não tinha escolha a não ser reservar turbinas em excesso para o futuro se quisesse receber algumas imediatamente.
Peter Gardett, CEO da NorevaSB Energy did not have a choice except to overbook turbines in the future if they wanted some turbines right away.
Vale notar o padrão: a mesma SoftBank que apostou US$ 30 bilhões na OpenAI no início de 2025 tratou energia do mesmo jeito que trata capital de risco, com cheque grande para não ficar de fora. A diferença é que turbina não tem ronda de follow-on: o depósito não reembolsável é dinheiro queimado se a aposta errar.
O eufemismo que explica o prejuízo
Peter Gardett, CEO da consultoria de energia Noreva, descreveu o prejuízo da SoftBank como algo mais sóbrio do que erro de gestão: descoberta de preço. A empresa preferiu pagar demais e encomendar demais a correr o risco de ficar sem turbina nenhuma num mercado apertado.
Esse prejuízo contábil é exatamente essa descoberta de preço acontecendo agora.
Peter Gardett, CEO da NorevaThis charge is just that price discovery finally happening.
Em bom português: o mercado de turbinas a gás para IA ainda não tinha um preço de equilíbrio confiável quando a SoftBank fez os pedidos. Dois anos depois, com mais players no jogo e demanda mais clara, esse preço real apareceu, e ele era mais baixo do que a SoftBank previu quando reservou capacidade em pânico.
SB Energy não teve escolha a não ser reservar turbinas em excesso no futuro se quisesse receber algumas imediatamente.
No original: SB Energy did not have a choice except to overbook turbines in the future if they wanted some turbines right away.
O contraponto: o gás natural não perdeu a corrida
Seria tentador ler o prejuízo da SoftBank como sinal de que a aposta em gás natural para IA fracassou de forma ampla. O próprio TechCrunch descarta essa leitura: a demanda de energia da IA segue grande demais para provocar um efeito dominó de cancelamento de usinas a gás pelo setor.
A reportagem resume a situação com precisão: por ora, o gás natural segue em alta como fonte de energia para data centers de IA, mas a SoftBank pode ter encontrado seu próprio teto. O erro não foi apostar em gás, foi apostar grande demais, rápido demais, numa estrutura de contrato (depósito não reembolsável) que não perdoa erro de calibragem.
A alternativa que ganha força: rede menor mais bateria
Enquanto a SoftBank lidava com o rombo, Brent Nelson, diretor sênior de mercados e estratégia da consultoria Ascend Analytics, deu ao podcast Equity, do TechCrunch, uma leitura diferente sobre o que funciona melhor para quem opera data center de IA hoje. Para ele, o gás natural parece seguro, mas carrega riscos próprios, incluindo cortes de fornecimento no inverno, quando a oferta cai e a demanda sobe ao mesmo tempo.
A alternativa que Nelson descreve não é abrir mão da rede elétrica, e sim pedir uma conexão menor do que o operador normalmente solicitaria, complementando a diferença com baterias de grande porte. Essas baterias cortam picos de consumo e dão fôlego para atender pedidos de corte da concessionária sem derrubar a operação.
Em resumo: a tendência que o artigo descreve é uma migração de parte dos operadores de data center de IA de "gás natural como seguro de energia" para "rede elétrica dimensionada com folga de bateria", uma combinação mais barata e mais flexível do que construir ou reservar geração própria.
Esse prejuízo contábil é exatamente essa descoberta de preço acontecendo agora.
No original: This charge is just that price discovery finally happening.
O que isso muda pra quem decide infraestrutura de IA no Brasil
O episódio da SoftBank não é sobre o Brasil, mas o raciocínio por trás dele é exatamente o que qualquer time de engenharia enfrenta ao planejar capacidade de computação para IA: reservar demais hoje para não ficar sem recurso amanhã, apostando numa curva de demanda que ninguém consegue prever com precisão.
A tabela abaixo resume, na minha leitura, o trade-off entre as três estratégias de infraestrutura de energia que aparecem no caso, e que têm paralelo direto com decisões de capacidade de GPU em cloud:
| Estratégia | Velocidade de acesso | Risco de custo encalhado | Flexibilidade |
|---|---|---|---|
| Gás natural próprio (usina dedicada) | Alta, se a reserva for feita com anos de antecedência | Alto: depósito não reembolsável vira prejuízo se a demanda não se confirmar | Baixa: capacidade fixa, contrato de longo prazo |
| Rede elétrica menor + bateria | Média, depende da fila de conexão da concessionária | Baixo: bateria tem uso mesmo se a demanda de pico diminuir | Alta: ajusta a operação ao consumo real |
| Rede elétrica plena, sem reforço | Baixa, fila de conexão é o maior gargalo hoje | Baixo, mas sujeito a interrupção em pico | Baixa em momentos de estresse da rede |
Para quem no Brasil negocia capacidade de GPU com provedores de cloud, aloca orçamento de infraestrutura para rodar modelos próprios ou decide entre reservar instâncias com desconto de longo prazo e usar capacidade sob demanda, a lição é a mesma que Gardett descreveu para turbinas: reservar demais parece prudente até o mercado revelar o preço real, e aí o excesso vira custo irrecuperável.
A maioria dos data centers seria melhor servida por uma conexão de rede menor do que normalmente solicitariam.
No original: Most data centers would be best served by a grid connection, albeit a smaller one than they might normally request.
A fila de turbinas esticada até o início da década de 2030 também importa de forma indireta por aqui: ela sugere que a oferta de energia para novos data centers de IA no mundo todo vai seguir apertada por anos, o que tende a manter pressão sobre o custo de capacidade de GPU em cloud, mesmo em regiões com matriz elétrica mais barata, como o Brasil hidrelétrico.
Vale acompanhar se os hyperscalers que atendem o mercado brasileiro migram, como sugere Nelson, para o modelo de rede menor mais bateria: isso tende a baixar o custo marginal de novas unidades e, com o tempo, repassar parte desse alívio para o preço de GPU na nuvem.
Fonte: TechCrunch
Highlights
- SoftBank perdeu US$ 7,1 bilhões no trimestre, com mais de US$ 3 bilhões ligados a turbinas a gás para IA
- Turbinas encomendadas em excesso (13 gigawatts) viraram prejuízo após demanda não crescer conforme esperado
- Filas de entrega de turbinas se estendem até início dos anos 2030 globalmente
- Modelo alternativo: rede menor com baterias reduz custo e risco versus depósitos não reembolsáveis
- Lição para quem aloca GPU: reservar demais parece seguro até o mercado revelar o preço real
Este artigo foi escrito por Eduardo Nogueira, colunista de negócios e estratégia tech. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
Promover o melhor engenheiro a gestor sem preparo é a decisão mais cara que um founder pode tomar
Uma reportagem da Exame expôs o gap entre domínio técnico e liderança sênior. Eu discordo de tratar isso como falha individual: é um erro de capital alocado errado, e o founder que ignora isso paga a conta duas vezes.
