Rubin em produção: o custo do token vai cair

A plataforma Vera Rubin, sucessora do Blackwell, saiu do palco e entrou em produção plena. As primeiras implantações em nuvem estão previstas para o segundo semestre de 2026 — AWS, Google Cloud, Microsoft e Oracle entre os primeiros, além de provedores especializados como CoreWeave e Lambda. A NVIDIA sustenta dois números que, se confirmados no mundo real, mudam o planejamento de qualquer produto de IA: cerca de 5× mais desempenho de inferência e custo por token aproximadamente 10× menor que a geração atual.

⚡ Resumo

O ponto não é a placa: é o preço do token daqui a 12 meses. Se o custo de inferência cair uma ordem de grandeza, tarefas que hoje você descarta por serem caras demais — agente que pensa por vinte passos, releitura de base inteira a cada pergunta, revisão automática de todo pull request — passam a caber no orçamento. Quem estruturar o sistema para trocar de modelo sem reescrever nada colhe essa queda automaticamente. Quem travar contrato longo ou comprar hardware agora, não.

O que foi anunciado, em uma tabela

Item	O que a NVIDIA afirma
Desempenho de inferência	~5× a geração Blackwell
Custo por token	~10× menor
Sistema de topo	Vera Rubin NVL72 — 72 GPUs em um rack único
Status	Produção plena; implantações em nuvem no 2º semestre de 2026
Próximo passo	Rubin Ultra, previsto para 2027

Vale o ceticismo saudável: número de fabricante é medido no cenário que favorece o fabricante. Historicamente, o ganho que chega ao usuário final é menor que o do slide — mas mesmo metade de 10× já é uma mudança estrutural. Escrevemos sobre a arquitetura em si em NVIDIA Vera Rubin: o chip que sucede o Blackwell.

Por que a queda do custo do token importa mais que a velocidade

Quando o token fica mais barato, não é só a mesma aplicação que fica mais barata — é a lista de aplicações possíveis que aumenta. Pense em três exemplos concretos:

Agente que revisa 100% dos pull requests em vez de amostragem. Hoje muita equipe roda só nos arquivos críticos porque a conta não fecha.
RAG que relê o documento inteiro a cada pergunta, em vez de depender só de trechos recuperados. Muito mais preciso, e hoje caro demais para volume alto.
Raciocínio longo por padrão. Modelos que "pensam" antes de responder gastam tokens invisíveis. A 10% do custo, você liga isso em produção sem medo.

Ou seja: a nova geração não faz o mesmo mais rápido — ela muda o que vale a pena tentar.

Como se preparar sem apostar em data futura

1. Trate o modelo como configuração, não como código

O sistema que sobrevive a três gerações de hardware é o que tem o nome do modelo em uma variável de ambiente. Com uma API compatível com a da OpenAI, isso é literalmente uma linha:

from openai import OpenAI
import os

cliente = OpenAI(
    api_key=os.environ["GPUB_API_KEY"],
    base_url="https://gpubrasil.com.br/v1",
)

MODELO = os.environ.get("MODELO", "gpub-plus")   # troca sem deploy

r = cliente.chat.completions.create(
    model=MODELO,
    messages=[{"role": "user", "content": "Classifique este ticket em uma palavra."}],
    max_tokens=16,
)
print(r.choices[0].message.content, "| R$", r.usage.cost_brl)

Quando um modelo melhor e mais barato entra no catálogo, você muda a variável, roda a sua avaliação e decide com dado. Sem reescrever integração.

2. Não compre hardware às vésperas de uma troca de geração

Este é o pior momento possível para congelar capex: o hardware atual continua caro por causa da crise de memória, e a geração seguinte já está em produção. Alugando por hora, a migração é escolher outra máquina no console.

3. Meça o seu custo por tarefa, não por token

Token é a unidade da fatura; tarefa é a unidade do negócio. Registre quanto custa "classificar um ticket", "extrair uma nota fiscal", "responder um cliente". Cada resposta da nossa API já devolve usage.cost_brl, então basta somar por tipo de tarefa. Com esse número na mão, avaliar a próxima geração vira uma comparação de uma linha só.

💡 O erro clássico da troca de geração

Muita equipe adia o projeto esperando o hardware novo — e passa doze meses sem aprender nada sobre a própria operação. O caminho melhor é o oposto: construa agora com o que existe, meça, colete os casos que dão errado. Quando o custo cair, você já tem avaliação pronta e sobe a qualidade no mesmo dia. Quem só estava esperando ainda vai começar a descobrir o problema.

E o que muda para quem aluga GPU no Brasil

Duas coisas, e nenhuma delas exige que você faça algo hoje:

Pressão de preço na geração atual. Quando o hardware novo entra na nuvem, o anterior fica mais barato. H100 e A100 tendem a seguir esse caminho — o que é ótimo para quem faz fine-tuning e inferência com modelos abertos.
O catálogo se renova sozinho. Você não compra placa: escolhe a que está disponível na hora. Quando a geração nova entra no mercado, ela aparece no console como mais uma opção.

Enquanto isso, o que já está disponível resolve praticamente tudo que uma empresa brasileira precisa: RTX 3090 a R$ 1,27/h, RTX 4090 a R$ 2,78/h, RTX 6000 Ada 48 GB a R$ 6,01/h, A100 80 GB a R$ 10,73/h e H200 141 GB a R$ 28,55/h (preços de catálogo em 15/08/2026, sujeitos a disponibilidade).

Construa agora, migre depois sem dor

GPU por hora em reais e API de LLM por token no mesmo saldo. Troque de modelo ou de máquina quando a próxima geração chegar.

Criar conta →

Perguntas frequentes

A plataforma Vera Rubin já está disponível na nuvem?

Ela entrou em produção plena e as primeiras implantações em nuvem estão previstas para o segundo semestre de 2026, entre grandes provedores como AWS, Google Cloud, Microsoft e Oracle, além de provedores especializados. A geração seguinte, Rubin Ultra, está prevista para 2027.

Devo esperar a nova geração para começar meu projeto de IA?

Não. Adiar um projeto por doze meses significa doze meses sem aprender sobre a própria operação. O caminho melhor é construir agora com o que existe, medir o custo por tarefa e manter o nome do modelo como configuração, para trocar quando aparecer opção melhor e mais barata.

O que a queda do custo do token muda na prática?

Ela aumenta a lista de aplicações viáveis. Tarefas hoje descartadas por serem caras, como revisar todos os pull requests, reler documentos inteiros a cada pergunta ou ligar raciocínio longo por padrão, passam a caber no orçamento quando o custo por token cai uma ordem de grandeza.