Meta se prepara para desafiar gigantes e entrar no mercado de computação em nuvem

A Meta não está entrando no mercado de nuvem por acaso, está convertendo GPUs ociosas em receita operacional. Seus data centers já rodam mais de 1 milhão de GPUs (Nvidia, AMD e MTIA 300), com foco em treinamento de modelos de ranking e inferência de Llama 4 e Muse Spark. Mas GPUs não são commodities: cada arquitetura exige otimização específica. O MTIA 300, por exemplo, é eficiente para tarefas de recomendação, mas não roda bem modelos de linguagem abertos como o Llama sem adaptação. Já as GPUs da Nvidia exigem drivers, bibliotecas e suporte contínuo, e a Meta agora terá que oferecer isso como serviço, não só como infraestrutura interna.

O projeto Meta Compute não é um clone do AWS EC2. Ele nasce com duas camadas: uma de infraestrutura como serviço (VMs e containers) e outra de IA como serviço (APIs especializadas em Muse Spark e modelos fechados). Isso muda a experiência do desenvolvedor (DX): não será só 'subir uma instância', mas escolher entre aceleradores otimizados para inferência em tempo real ou para fine-tuning com quantização dinâmica, tudo com SLA de latência garantida, algo que ainda não foi detalhado publicamente.

Em março de 2026, a Meta anunciava quatro novos chips próprios para IA Next Platform. Em maio, falava-se em monetizar serviços além da publicidade CEVIU. Agora, em julho de 2026, a estratégia virou operacional: há três executivos nomeados, um nome de projeto (Meta Compute), contratos de fornecimento de capacidade com CoreWeave e Google Cloud, e o primeiro modelo fechado (Muse Spark) sendo posicionado como produto comercial. O que era especulação sobre 'excesso de capacidade' virou plano com timeline implícita: lançamento parcial ainda em 2026, com oferta completa em 2027.

Para devs, isso significa mais opções de execução de modelos com custo-benefício diferenciado, especialmente para cargas que se encaixam nos perfis de hardware da Meta (ex: inferência em apps de chat com baixa latência). Mas também traz desafios reais: migração de pipelines de treinamento para MTIA exige reescrita de kernels; integração com Muse Spark impõe restrições de licença que não existiam no Llama 4 open-source. E, ao contrário de Azure ou GCP, a Meta não tem décadas de experiência em suporte enterprise, sua primeira grande prova será manter uptime em ambientes de produção críticos, não só em testes internos.