The Inference Bottleneck: A Formal Model of Vertical Foreclosure in AI Markets

Título: O Gargalo de Inferência: Um Modelo Formal de Foreclosure Vertical em Mercados de IA

Autor: Gaston Besanson
Data: Abril de 2026
Contexto: Artigo de trabalho (Working Paper) que serve como complemento formal ao framework de política pública apresentado em Besanson e Celani (2026).

1. O Problema

O artigo aborda a evolução da vantagem competitiva em Inteligência Artificial Generativa. Enquanto a competição inicial focava no treinamento de modelos, a vantagem está migrando para a inferência contínua, distribuição e roteamento.

O problema central é o foreclosure vertical (bloqueio de concorrentes) em mercados de infraestrutura cognitiva. Firms que controlam a infraestrutura de inferência (APIs de modelos fundamentais) e também competem no mercado downstream (aplicações finais) têm incentivos para discriminar concorrentes downstream sem recorrer a preços predatórios.

• Mecanismos de discriminação: Degradação da Qualidade de Serviço (QoS) para rivais (latência, throughput, limites de contexto) e viés de roteamento em interfaces de assistentes.
• Novo mecanismo (2026): Acesso baseado em "tiers" (camadas), onde modelos de ponta (frontier) são restritos a parceiros específicos, criando uma barreira de capacidade, não apenas de serviço.

2. Metodologia e Modelo Teórico

O autor desenvolve um modelo de teoria dos jogos de dois estágios com um provedor de infraestrutura upstream integrado verticalmente ($U$) e $N$ rivais downstream.

• Estrutura do Mercado:
  • Provedor Upstream ($U$): Controla a infraestrutura de inferência, define termos de API (preço $p$, qualidade $q$) e opera uma aplicação downstream própria.
  • Rivais ($i$): Desenvolvedores independentes que dependem da API de $U$.
  • Consumidores: Escolhem entre aplicações baseadas em uma demanda logit, onde a utilidade depende da qualidade percebida ($Q_i$) e do preço.
• Qualidade Percebida: $Q_i = \alpha \cdot q_i + (1-\alpha) \cdot e_i$, onde $q_i$ é a QoS da inferência (controlada por $U$) e $e_i$ é o esforço da aplicação (controlado pelo rival).
• Custos: Custos quadráticos de infraestrutura, com uma função de regularidade que penaliza $U$ de fornecer QoS superior aos rivais em relação à sua própria aplicação (economias de escopo).
• Dinâmica:
  1. Estágio 1: $U$ compromete-se com preços e níveis de QoS ($q_U, q_i$). Rivais decidem entrar.
  2. Estágio 2: Empresas ativas escolhem esforço e preços; consumidores escolhem.

Extensões do Modelo:

1. Foreclosure Dinâmica: "Aberto cedo, fechado tarde" – $U$ oferece acesso generoso inicialmente para criar dependência (custos de troca $S$) e degrada a QoS posteriormente.
2. Viés de Roteamento: Quando $U$ opera um assistente que roteia requisições, há um incentivo para favorecer sua própria ferramenta.
3. Discriminação por Nível (Tier-based): Introdução de um "gap de tier" ($\tau$) e exclusividade de parceiros ($\kappa$), modelando o acesso restrito a modelos de fronteira (ex: Claude Mythos vs. Opus).

3. Principais Contribuições

O artigo faz quatro contribuições distintas em relação à literatura e ao paper de política complementar:

1. Modelo Formal de Foreclosure sem Discriminação de Preço: Deriva condições exatas sob as quais um provedor integrado degrada a QoS de terceiros. A Proposição 1 caracteriza explicitamente o gap de QoS de equilíbrio ($\Delta q^*$).
2. Mecanismo de Acesso por Níveis (Tier-based): Propõe a Proposição 5, que modela o bloqueio de acesso a classes de modelos distintas (fronteira vs. geral). Diferencia-se da discriminação de QoS convencional por gerar rendas mais duráveis e uma assinatura empírica bimodal.
3. Calibração Transparente com Limites de Identificação: Apresenta uma metodologia clara distinguindo parâmetros observáveis, inferidos e baseados em julgamento. Os resultados numéricos são mapeamentos de risco comparativo, não estimativas estruturais profundas.
4. Ponte Modelo-Observáveis: Mapeia cada primitiva teórica latente (ex: $\alpha, \lambda, \tau$) para objetos empíricos que um regulador pode medir ou auditar (ex: latência, métricas de integração, relatórios financeiros).

4. Resultados Chave

Resultados Teóricos

• Proposição 1 (Gap de QoS): O gap de qualidade em equilíbrio ($\Delta q^* = q^*_U - q^*_i$) é estritamente crescente em:
  • $\alpha$: Importância da qualidade de inferência para a qualidade final.
  • $m_U$: Margens downstream do provedor integrado.
  • É estritamente decrescente em:
  • $p$: Preço da API (receita de licenciamento).
  • $\eta$: Elasticidade de entrada dos rivais.
• Condição de Discriminação: A discriminação ocorre se e somente se o ganho de "business-stealing" (roubo de mercado) superar a perda de receita de API. Isso define uma fronteira conjunta no espaço de parâmetros, não um limiar simples apenas em $\alpha$.
• Proposição 5 (Foreclosure por Tier): O ganho de foreclosure aumenta monotonicamente com o gap de capacidade ($\tau$) e a exclusividade de parceiros ($\kappa$). Rendas de capacidade persistem enquanto o modelo não for liberado ao público.

Calibração e Mapeamento de Risco (Dados de Abril de 2026)

O modelo é calibrado para quatro provedores principais:

1. Google (Gemini): Maior risco de foreclosure. Alta integração vertical ($\lambda \approx 0.92$), dependência crítica de inferência em busca e produtividade ($\alpha \approx 0.8$), e grandes margens downstream. Gap de QoS implícito: ~0.27.
2. OpenAI (GPT): Risco Elevado. Aumento significativo na base de usuários e receita assinada (66% da receita), aumentando margens e incentivos para discriminação. Gap implícito: ~0.20.
3. Microsoft (Copilot): Capacidade Estrutural Alta, Conduta Restrita. Embora tenha alta capacidade estrutural de foreclosure (controle de OS e Office), a conduta real de viés de roteamento foi voluntariamente contida pela integração de modelos concorrentes (Anthropic) e pressão regulatória.
4. Anthropic (Claude): Posição Dividida.
   • Canal Consumidor: Baixo risco (receita dominada por API empresarial).
   • Segmento de Agentes de Codificação: Risco elevado (Claude Code compete com ferramentas de terceiros na mesma API).
   • Tier de Cibersegurança (Project Glasswing): Risco de foreclosure por tier, mas atendendo a condições de "carve-out" de segurança (transparência e justificativa).

Cálculos de Bem-Estar

Estimativas ilustrativas sugerem que a discriminação atual causa uma perda de bem-estar anual entre US$ 35 bilhões e US$ 95 bilhões. A implementação de um regime de "Inferência Neutra" poderia gerar ganhos líquidos de bem-estar na faixa de US$ 40–55 bilhões anuais, após considerar custos de inovação.

5. Significado e Implicações de Política

O artigo fundamenta economicamente a proposta de "Inferência Neutra", um framework de conduta de quatro pilares:

1. Paridade de QoS: Proibição de degradação de latência/throughput para rivais.
2. Transparência de Roteamento: Auditoria de decisões de roteamento em assistentes.
3. Não-discriminação estilo FRAND: Termos justos para clientes similares.
4. Transparência de Tier e Caminho de Lançamento: Regras para acesso restrito a modelos de fronteira (exigindo justificativa de propósito, composição auditável do conjunto de parceiros e um caminho de lançamento técnico).

Conclusão:
O papel demonstra que o controle de infraestrutura de inferência cria incentivos naturais para o foreclosure vertical que não dependem de preços predatórios, mas sim da degradação da qualidade e do acesso. O modelo fornece as ferramentas analíticas para que reguladores identifiquem esses comportamentos através de auditorias técnicas (medição de latência, testes de pares emparelhados) e proponha intervenções baseadas em conduta que preservem os incentivos de inovação, em vez de soluções estruturais drásticas como a separação de empresas.