Preços de tokens caíram ordens de magnitude desde 2022. A suposição reflexiva é que melhorias de eficiência do modelo—contagens de parâmetros menores, quantização melhorada, destilação—os empurrarão ainda mais para baixo. Essa suposição ignora a cadeia de suprimentos. De acordo com pesquisa do SemiAnalysis apresentada na QCon AI, a variável limitante nas taxas de pisos de custo de inferência não é quantas operações um modelo requer por token. É quantos wafers a TSMC consegue produzir por trimestre.

O nó N3 da TSMC é o ponto de estrangulamento atual. Cada grande roadmap de acelerador convergiu para ele: Rubin da Nvidia, ASICs customizados da Broadcom, TPUv7 do Google, série MI da AMD, Annapurna, MediaTek. O SemiAnalysis modela a demanda relacionada a IA—aceleradores, CPUs host, silício de rede—consumindo pouco menos de 60% de toda a saída N3 em 2026. Em 2027, esse número chega a 86%, quase eliminando chips de smartphones e PCs consumidores do mesmo nó. A utilização do N3 deverá exceder 100% no H2 2026. Um wafer de 3nm custa $19.500–$21.000 em preços comerciais; wafers de 2nm custam acima de $30.000—um prêmio de 50%. A TSMC anunciou aumentos de preços por quatro anos consecutivos começando em 2026, com 3nm subindo aproximadamente 3% e nós avançados potencialmente atingindo 10%.

A camada de empacotamento agrava o gargalo. Nem mesmo um wafer perfeitamente fabricado pode ser enviado como um acelerador de IA funcional sem CoWoS—o processo Chip-on-Wafer-on-Substrate 2.5D da TSMC que une um die de GPU ou acelerador a pilhas de memória de alta largura de banda em um interposer de silício. O CEO da TSMC, C.C. Wei, afirmou que CoWoS está esgotado até 2026. A TSMC está dimensionando a saída de CoWoS aproximadamente dez vezes desde o final de 2023, almejando 120.000 a 130.000 wafers por mês até o final de 2026—uma expansão completamente consumida antes da entrega. Os prazos de entrega para slots CoWoS variam de 52 a 78 semanas. A Nvidia reservou a maioria da alocação de CoWoS disponível. Memória e empacotamento juntos representam 60–70% do COGS do acelerador de IA; silício lógico não é mais o principal condutor de custo.

O efeito na precificação de inferência é direto. Os preços dos contratos de aluguel de 1 ano do H100 subiram 40% em relação ao nível mínimo de outubro de 2025. Preços de memória aumentaram 6× no ano passado; espera-se que preços de DRAM dobrem ou tripliquem novamente, com capacidade crescendo apenas 20–30% anualmente. Novas fábricas, acionadas por sinais de demanda do final de 2025, não entregarão fornecimento significativo até o final de 2027 ou 2028. As margens brutas da Anthropic passaram de aproximadamente 30% para pelo menos 72%, não cortando custos, mas racionando o acesso: a empresa reduziu limites de uso e taxa porque a demanda supera a capacidade. O SemiAnalysis rastreou seu próprio gasto com tokens subindo de aproximadamente $10.000 por ano no final de 2023 para $7 milhões anualizados no início de 2025—28% de sua base salarial de $25 milhões.

Eficiência de modelo importa. Modelos de raciocínio que entregam melhores outputs por token alteram a economia unitária. Mas não desbloqueiam starts de wafer adicionais. Não encurtam a fila de CoWoS de 52 a 78 semanas. Não alteram a trajetória de preços de quatro anos da TSMC. A despesa de capital da TSMC apenas excedeu seu pico histórico anterior em 2025, apesar da construção de IA começar no final de 2022—um atraso de vários anos que explica por que a oferta não acompanhou a demanda. O cofundador do SemiAnalysis, Dylan Patel, projeta que a TSMC atingirá $100 bilhões em despesa de capital em 2028, com alívio significativo de capacidade chegando não antes de final de 2027.

Para arquitetos construindo stacks de inferência de vários anos: melhorias de eficiência do modelo comprimirão o componente de custo computacional. O piso nos preços de tokens é definido pela agenda de preços de nós da TSMC, filas de alocação de CoWoS e mercados spot de HBM—nenhum dos quais rastreia contagens de parâmetros do modelo. Construa modelos de custo de inferência em torno de economia de fabricação primeiro, curvas de eficiência em segundo.