Índia aposta na IA frugal e revela a conta de token do Brasil

A Índia não está tentando ganhar a corrida do modelo maior. Está fazendo o oposto, e o resultado é um sinal que quase não chega à mídia brasileira: em 15 de junho de 2026 a Sarvam AI virou o novo unicórnio de IA do país, com o primeiro fechamento de 234 milhões de dólares dentro de uma Série B de 300 milhões, a um valuation de 1,5 bilhão, segundo a TechCrunch e o comunicado da própria HCLTech, que liderou a rodada com 150 milhões. Bessemer, Khosla e Peak XV completaram. O que a Sarvam vende não é fronteira. É IA barata que fala 22 idiomas e roda em celular fraco. E dentro dessa tese há uma conta que todo time de IA no Brasil deveria estar fazendo.

O que a Índia está construindo

O nome da estratégia é IA frugal. Em vez de perseguir o modelo gigante e caro de Vale do Silício, a aposta é resolver problema grande sob restrição de custo, banda e infraestrutura. É a mesma lógica que produziu o Aadhaar e o UPI, o sistema de pagamento instantâneo que virou referência no mundo, e que agora foi aplicada a modelo de linguagem. A base intelectual vem do AI4Bharat, iniciativa lançada no IIT Madras em 2020, que construía sistemas leves para rodar em aparelho barato e rede ruim, segundo a Rest of World.

A Sarvam nasceu daí. O carro-chefe, o SarvamM, é um modelo de 24 bilhões de parâmetros treinado em 10 idiomas indianos. Não é pequeno por acidente, é pequeno por projeto: cabe em orçamento de escola pública e de posto de saúde. Na saúde, a empresa põe agentes de voz multilíngues no WhatsApp para triagem de sintoma e agendamento em áreas rurais, sem exigir aparelho caro nem internet constante. Antes disso, o projeto OpenHathi já fazia a jogada frugal por excelência: em vez de treinar do zero, adaptou modelos abertos como o Llama, da Meta, e o Mistral, da França, para entender híndi, e publicou o resultado no Hugging Face.

Do outro lado da mesma corrida está a Krutrim, fundada por Bhavish Aggarwal, o dono da Ola. O modelo dela foi treinado em mais de 2 trilhões de tokens e entende 22 idiomas indianos. Mas a Krutrim virou o alerta da história. A empresa recuou do desenvolvimento de modelo de fronteira, cortou times de pesquisa e de semicondutor e migrou o foco para infraestrutura de nuvem. A leitura é dura e útil: construir todas as camadas da IA soberana, modelo, pesquisa e chip, ao mesmo tempo, é caro demais para um só ator.

A conta de token que o Brasil ignora

Aqui está o sinal mais concreto para quem opera IA em português. Ao construir seus modelos, a Sarvam esbarrou num custo que ninguém tinha avisado: idioma custa dinheiro. Não por licença ou tradução, mas pela forma como o modelo quebra a língua em tokens. Uma frase em híndi exige de 3 a 4 vezes mais tokens que a mesma frase em inglês. Nas palavras de Vivek Raghavan, cofundador da Sarvam, citado pela Rest of World: a mesma pergunta, quando feita em inglês, custa um quinto do que custa num idioma indiano.

O motivo é estrutural. Os modelos foram treinados majoritariamente em inglês, então o tokenizador aprendeu a comprimir bem o inglês e mal o resto. Quanto mais longe da escrita latina, pior: o híndi, em devanágari, paga o pedágio máximo. O português está em situação melhor, é escrita latina, então o pedágio é menor. Mas ele existe. Acento, cedilha, palavra composta e conjugação verbal geram tokens a mais que o equivalente em inglês. Num fluxo que processa milhões de tokens por dia, esse "menor" vira uma conta de verdade no fim do mês.

A Índia descobriu na marra que o idioma é uma linha de custo. Quem opera IA em português paga a mesma conta, só que sem olhar para ela.

E é uma conta que passa despercebida justamente porque parece detalhe técnico. A maioria dos times mede custo por chamada, por usuário ou por feature. Poucos medem custo por idioma. A Sarvam foi obrigada a fazer isso e reagiu na raiz: construiu tokenizadores melhores para idiomas indianos, reduzindo a quantidade de tokens por frase sem perder qualidade. Não dá para trocar o tokenizador de um modelo fechado que você consome via API, mas dá para escolher modelos com tokenização mais eficiente em português, medir o custo real por idioma antes de escalar, e considerar modelos menores e abertos para o volume que não exige fronteira, o mesmo movimento que já vimos empurrar os modelos chineses para 46% dos tokens corporativos nos EUA.

O que isso muda para a operação por aqui

Dois recados atravessam o caso indiano. O primeiro é a conta de token por idioma: se a sua operação roda em português e você nunca comparou o custo de token entre um modelo e outro para o mesmo texto, você está pagando um pedágio invisível. Medir isso é trabalho de uma tarde e costuma pagar o próprio custo já no primeiro mês.

O segundo recado é o da Krutrim: não tente ser dono de todas as camadas. A Sarvam prosperou porque escolheu uma camada, modelos multilíngues frugais, e deixou a HCLTech entrar com relacionamento corporativo e engenharia de entrega. A Krutrim tropeçou porque quis modelo, pesquisa e chip ao mesmo tempo. Para o time brasileiro, a versão prática é a mesma: escolha onde você agrega valor de verdade, no dado do seu domínio, no fluxo, na verificação, e alugue o resto. É a mesma disciplina que sustenta a defesa de manter a arquitetura livre para trocar de fornecedor, aplicada agora à sua própria ambição: não construa a pilha inteira só para provar que consegue.

A IA frugal indiana é, no fundo, um convite ao realismo. Ela mostra que dá para gerar valor enorme sem o modelo mais caro do mundo, desde que você conheça as suas restrições e projete para elas. A restrição de idioma é uma delas, e é a que mais gente no Brasil ainda finge que não existe.

Se você opera IA em português e nunca mediu quanto o idioma pesa na sua conta de token, chame a gente no WhatsApp que a gente ajuda a medir o custo por idioma e a desenhar o roteamento frugal da sua operação.