A NVIDIA já não é apenas a empresa que vende as GPUs que sustentam boa parte da inteligência artificial. Nos últimos anos, ela passou a ocupar uma posição mais difícil de ignorar: ao mesmo tempo em que fornece a base técnica da indústria, também investe nas empresas que crescem em cima dessa base, o que a coloca como parceira, financiadora e, em alguns casos, concorrente direta do próprio ecossistema que ajudou a criar .
A mudança ganhou forma com o NVentures, o braço de capital de risco corporativo lançado em 2022, poucos meses antes da explosão pública do ChatGPT e da corrida global por GPUs. Antes disso, a companhia já tinha o Inception, programa de apoio sem investimento direto que passou por mais de 19.000 startups, com formação, créditos em nuvem e descontos em compras de chips; com o NVentures, a escala mudou de patamar e o volume de aportes diretos subiu de 1 em 2022 para 30 em 2023, 54 em 2024 e 67 em 2025 .
Essa estratégia não se resume a distribuir dinheiro. Ela cria uma rede em que startups dependem da NVIDIA para crescer, treinar modelos, contratar infraestrutura e ganhar velocidade, enquanto a própria NVIDIA amplia sua influência sobre setores que vão de software e infraestrutura a robótica, nuvem, direção autônoma e biotecnologia . O resultado é uma economia de retorno circular: a empresa investe, a startup compra tecnologia, cresce, volta a demandar mais chips e reforça a centralidade da NVIDIA no mercado.
Os aportes também deixaram de ser pequenos, o portfólio do NVentures se organiza em faixas que começam em rodadas acima de 100 milhões de dólares, passam por investimentos na casa das centenas de milhões e chegam ao grupo das operações bilionárias, onde estão nomes como Cursor, xAI, Mistral, Reflection AI, Thinking Machines Lab, Figure AI, Scale AI, OpenAI e Anthropic . Em outras palavras, a NVIDIA não está só acompanhando a corrida da IA; ela está ajudando a financiar quem corre na frente .
Esse movimento, porém, traz atrito. Quanto mais empresas crescem com apoio da NVIDIA, mais elas tentam reduzir a dependência dela no longo prazo. OpenAI, Tesla, xAI, Amazon, Google, Intel e AMD já trabalham em chips próprios ou em arquiteturas voltadas a tarefas específicas, principalmente inferência, que é a etapa de responder às consultas e executar modelos já treinados . A lógica é simples: se treinamento exige força bruta, inferência exige eficiência, menor custo por operação e menos dependência de uma GPU tradicional .
É aí que a disputa muda de fase. A próxima grande conta da IA não está apenas em treinar modelos maiores, mas em atender bilhões de pedidos com custo menor e margem maior, o que torna a inferência uma frente estratégica . Em vez de concentrar tudo em chips de treinamento, o mercado caminha para soluções mais especializadas, e isso abre espaço para concorrentes que querem vender exatamente o oposto da dependência atual: hardware pensado para tarefas específicas e mais barato por solicitação .
Mesmo nesse cenário, a NVIDIA tenta se antecipar. A empresa também mira a inferência, inclusive com interesse em tecnologias voltadas a esse tipo de processamento e com foco no mercado chinês, que Jensen Huang estima em 50.000 milhões de dólares . A mensagem é clara: se o próximo ciclo da IA vai ser decidido por custo, escala e eficiência, a NVIDIA quer continuar no centro, não apenas como fornecedora do que existe hoje, mas como financiadora e fornecedora do que ainda está sendo desenhado .
