Oferecido por
A demonstração funciona. Em um ambiente controlado, o modelo responde rapidamente. O problema aparece quando a aplicação recebe mais usuários, consulta diferentes bases corporativas ou passa a operar continuamente. A latência aumenta e equipamentos de alto custo podem ficar esperando pelos dados. A limitação, porém, pode estar fora do software.
Redes, sistemas de armazenamento, barramentos, energia, refrigeração e ferramentas de orquestração podem estabelecer um teto de desempenho que nenhuma otimização isolada do modelo consegue superar. A infraestrutura, portanto, não é apenas o local onde a IA é executada, mas determina quanto dessa tecnologia consegue chegar à operação real.
O legado também pode ser novo
Um servidor recém-adquirido também pode fazer parte de uma arquitetura legada, caso tenha sido dimensionado para bancos de dados transacionais, virtualização convencional ou aplicações com padrões previsíveis de uso.
Cargas de Inteligência Artificial apresentam outras características. O treinamento distribui cálculos entre aceleradores e movimenta grandes volumes de dados entre servidores. A inferência pode precisar responder simultaneamente a milhares de solicitações. Aplicações que usam geração aumentada por recuperação, conhecida pela sigla RAG, consultam bases vetoriais e repositórios corporativos antes de produzir cada resposta. Esses fluxos exigem alto paralelismo, baixa latência, largura de banda elevada e acesso contínuo aos dados. Também aumentam a densidade energética dos racks e a quantidade de calor que precisa ser removida.
O Uptime Institute Global Data Center Survey 2025 ajuda a dimensionar o problema. Segundo o estudo, 27,5% dos profissionais consultados trabalham em instalações de data centers com 16 anos ou mais (página 8 do relatório integral). A mesma pesquisa identificou maior adoção de racks na faixa de 10 kW a 30 kW (página 9), embora a maior parte dos ambientes ainda opere com densidades bem inferiores. Isso cria uma distância entre a infraestrutura disponível e as exigências de novos sistemas acelerados.
A idade do equipamento é somente uma parte da análise. Uma arquitetura é legada quando não consegue acompanhar as características da carga que precisa executar.
Um gargalo raramente vem sozinho
Adicionar GPUs aumenta a capacidade teórica de processamento, mas não garante que essa capacidade será usada. Para manter os aceleradores ocupados, a infraestrutura precisa entregar dados na velocidade esperada e permitir uma comunicação eficiente entre os componentes.
Essa dificuldade aparece também nos projetos acompanhados por Rodrigo Guercio Teixeira, vice-presidente de Mercado Corporativo da Positivo Tecnologia. Segundo ele, um padrão recorrente é dimensionar a infraestrutura a partir da GPU e analisar somente depois se rede, armazenamento e demais componentes conseguem sustentar o fluxo de dados necessário. “Um sintoma clássico é você ter uma arquitetura de ponta rodando com 30% ou 40% de utilização”, afirma.
Armazenamento, rede e barramentos precisam sustentar o fluxo de dados exigido pelos aceleradores. Caso contrário, parte da capacidade computacional permanece ociosa enquanto o sistema espera por leitura, transferência ou sincronização. O problema tende a aparecer com mais intensidade quando o treinamento passa a ser distribuído.
Edson Borin, professor do Instituto de Computação da Unicamp, reforça essa leitura: “A rede passa a se tornar um problema quando você começa a movimentar mais dados, ou quando começa a treinar em paralelo e com dados espalhados nas máquinas”. As próprias arquiteturas de referência da NVIDIA tratam processamento, conectividade, software, observabilidade e dados como componentes de um mesmo sistema.
Há ainda a camada física. Em pesquisa realizada com operadores de data centers, o Uptime Institute AI Training and Infrastructure Survey 2025 constatou que 88% das organizações que treinavam modelos em infraestrutura própria registraram aumento da demanda total de capacidade elétrica de TI. Entre as razões para manter essas cargas localmente, 64% apontaram privacidade e segurança, enquanto 44% citaram desempenho. A execução local pode oferecer controle, desempenho e proximidade dos dados, mas transfere para a empresa a responsabilidade de preparar energia, refrigeração, resiliência e operação.
A orquestração é outro componente frequentemente subestimado. Sem um sistema capaz de distribuir cargas, estabelecer prioridades e monitorar o uso dos recursos, algumas GPUs podem ficar sobrecarregadas enquanto outras permanecem ociosas. A empresa possui capacidade instalada, mas não consegue convertê-la integralmente em capacidade produtiva.
Quando a limitação técnica chega à planilha
O primeiro custo de uma arquitetura desequilibrada é visível: equipamentos caros operam abaixo da capacidade. Outros impactos aparecem de forma fragmentada em diferentes áreas da organização.
Gargalos de rede, armazenamento, observabilidade ou integração aumentam o tempo de treinamento, prolongam ciclos experimentais e ampliam o trabalho operacional. O efeito acumulado é um projeto que funciona como prova de conceito, mas não reúne previsibilidade suficiente para entrar em produção.
Guercio observa que, na produção, a demanda passa a seguir o ritmo real do negócio, com picos, acessos simultâneos, integrações com sistemas transacionais e requisitos de disponibilidade que podem não ter aparecido no piloto. “A arquitetura que sustentou o piloto com folga muitas vezes não vai ser capaz de absorver esse salto sem redimensionamento”, afirma. Sem identificar a origem do gargalo, a empresa pode adicionar GPUs, ampliar contratos de nuvem ou replicar ambientes sem obter melhora proporcional no serviço.
A análise econômica também precisa considerar energia, refrigeração, licenciamento, armazenamento, conectividade, manutenção e pessoas. O relatório Energy and AI, da Agência Internacional de Energia, projeta que o consumo global de eletricidade por data centers passará de cerca de 415 TWh, em 2024, para 945 TWh, em 2030; mais que o dobro no período. Entre 2024 e 2030, o crescimento estimado é de aproximadamente 15% ao ano.
A infraestrutura energética não pode ser analisada após o dimensionamento computacional. Ela faz parte dele. Borin observa esse efeito no próprio ambiente de pesquisa da Unicamp, onde a expansão da capacidade computacional produz novas exigências para a infraestrutura física. “Cada professor vai organizando seu projeto de pesquisa, o que nos leva à aquisição de máquinas e à disposição delas no data center da instituição. Com isso, nosso centro de dados precisa de mais energia. Isso vai aumentando as necessidades, tem um custo, um impacto, e está bem ligado à necessidade de sustentar o funcionamento das GPUs”, relata.
Modernização por etapas
O ponto de partida é o diagnóstico. Antes de escolher equipamentos, a empresa precisa saber quais modelos pretende executar, quantos usuários serão atendidos, qual latência é aceitável, onde estão os dados e quais requisitos de segurança e soberania precisam ser observados.
E esse diagnóstico começa antes da infraestrutura. Para Guercio, é necessário observar a organização dos processos e dos próprios dados que alimentarão a aplicação. Uma base mal estruturada ou um processo mal definido pode transferir seus problemas para a Inteligência Artificial. Somente depois dessa análise entram questões como treinamento ou inferência, volume de dados e perfil da carga.
Treinamento, ajuste fino e inferência também produzem demandas diferentes. Um modelo usado por uma pequena equipe interna pode funcionar em uma estrutura compacta. Uma aplicação crítica, conectada a múltiplos sistemas e disponível continuamente, exige redundância, observabilidade e capacidade de expansão.
Antes de usar essa estimativa para definir a infraestrutura necessária, Borin recomenda testar a carga em recursos que possam ser contratados temporariamente. “Testar em nuvem, ou em máquinas alugadas, é recomendável”, diz o professor. Para ele, essa avaliação também deve considerar custos de aquisição e operação, além da eficiência do próprio software.
Essa lógica permite iniciar com soluções menores, para validar aplicações e ampliar o ambiente conforme as cargas amadurecem. Em níveis mais avançados, a empresa pode evoluir para uma AI Factory, estrutura que integra dados, desenvolvimento, processamento, implantação, segurança e operação contínua de modelos.
A passagem entre essas etapas precisa ser planejada desde o início. Caso contrário, cada prova de conceito cria uma nova ilha tecnológica e aumenta a complexidade que a modernização deveria reduzir.
O que significa estar pronto para a Inteligência Artificial
O termo “AI-ready” costuma ser associado à presença de GPUs. Essa definição é insuficiente. Um ambiente pronto para a Inteligência Artificial combina processamento adequado, redes de baixa latência, armazenamento de alto desempenho, capacidade energética, refrigeração compatível, segurança, governança e ferramentas de orquestração. Também precisa se conectar aos sistemas que já sustentam a empresa.
Essa integração inclui identidade e controle de acesso, bancos de dados, sistemas de gestão, ferramentas de auditoria, políticas de backup e mecanismos de recuperação. Um modelo pode ser tecnicamente eficiente e ainda assim não estar pronto para produção caso não respeite essas camadas.
É nesse ponto que o papel de um integrador se torna relevante. A escolha de servidores, GPUs ou sistemas de armazenamento representa somente uma parte do projeto. As decisões precisam ser conectadas ao ambiente físico, às aplicações existentes e à capacidade operacional da empresa.
A Positivo Servers & Solutions atua com diagnóstico, dimensionamento, integração e suporte local. Sua estrutura combina fabricação, homologação em laboratório e serviços técnicos, além de um ecossistema que inclui Supermicro, NVIDIA, Nutanix, Intel e AMD. A composição permite desenhar arquiteturas com diferentes níveis de processamento, armazenamento, hiperconvergência e refrigeração, conforme a necessidade da carga.
Para Guercio, essa integração é o que separa capacidade instalada de desempenho entregue. “Infraestrutura, isoladamente, é só potência disponível. E isso não significa, necessariamente, desempenho”, afirma. Em produção, essa lógica também se estende ao suporte: falhas podem atravessar diferentes camadas da arquitetura, enquanto disponibilidade de peças, logística e conectividade influenciam o tempo de recuperação do ambiente.
O limite prático da IA
Processamento, rede, armazenamento, energia, refrigeração, segurança e integração estabelecem o limite prático da Inteligência Artificial corporativa. Quando essas dimensões são planejadas separadamente, o ambiente acumula capacidade sem necessariamente produzir desempenho.
O custo do legado não está apenas nos equipamentos antigos. Ele aparece na espera entre componentes, na energia consumida sem retorno proporcional, nas integrações frágeis e nos projetos que permanecem em teste. Estar pronto para Inteligência Artificial, portanto, significa transformar capacidade computacional em um serviço previsível, seguro e expansível.
MIT Technology Review
