A rubrica de armazenamento em nuvem no orçamento de um projeto de IA quase nunca é o que causa o estouro no orçamento. O armazenamento é previsível — você sabe o tamanho do conjunto de dados, sabe a tarifa por GB e pode calcular o custo mensal antes mesmo do projeto começar. A rubrica que pega as equipes de surpresa é aquela que não aparece na estimativa inicial: a transferência de dados.
As contas de nuvem para cargas de trabalho de IA em 2026 estão superando as previsões em 30 a 40 por cento. Não porque o armazenamento tenha ficado mais caro — mas porque o treinamento gera movimentação de dados que ninguém incluiu no orçamento. A cobrança não é novidade. O que é novo é a magnitude dela.
Por que as cargas de trabalho de IA geram cobranças inesperadas de tráfego de saída da nuvem?
As taxas de saída da nuvem — que variam de US$ 0,08 a US$ 0,12 por gigabyte na AWS, no Azure e no GCP — são cobradas toda vez que os dados saem do armazenamento na nuvem para o ambiente de computação. O treinamento de IA não lê um conjunto de dados apenas uma vez; ele o lê repetidamente a cada época, salvamento de ponto de verificação, restauração de ponto de verificação e etapa de validação. Um conjunto de dados de treinamento de 10 TB com repetições regulares pode gerar US$ 4.000 por mês em taxas de saída antes mesmo do modelo ser lançado.
O limite de cobrança é uma característica da arquitetura, não uma anomalia de preços
As taxas de saída não são uma peculiaridade da política de preços dos fornecedores de nuvem. Elas são o resultado natural de uma condição arquitetônica específica: os dados de treinamento e a computação de treinamento estão separados por um limite de cobrança de rede.
Quando a computação de IA pega os dados de treinamento do armazenamento de objetos na nuvem — AWS S3, Azure Blob, GCP Cloud Storage —, ela ultrapassa esse limite. O provedor de nuvem registra a transferência e cobra por ela: US$ 0,087/GB no Azure, US$ 0,09 na AWS, US$ 0,08 a US$ 0,12 no GCP, dependendo do destino. Essas não são taxas abusivas. É assim que os provedores de nuvem cobram pela rede que seu trabalho de treinamento está usando.
Na maioria dos planos de infraestrutura de IA, a saída de dados é considerada insignificante — um erro de arredondamento além dos custos de computação e armazenamento. Mas a arquitetura garante que a saída de dados será substancial. Não se trata de uma anomalia na cobrança. Trata-se do resultado previsível de uma decisão de projeto sobre onde os dados ficam armazenados.
Veja como muda o cálculo do TCO local para cargas de trabalho de IA →
Como o treinamento aumenta a transferência
O motivo pelo qual o egress é maior do que o esperado não é o tamanho do conjunto de dados. É o número de vezes que o treinamento acessa os dados.
Um modelo treinado em um conjunto de dados de 10 TB não movimenta 10 TB de uma vez. Ele movimenta 10 TB por época — e a maioria das execuções de treinamento precisa de 10 a 50 épocas para convergir. Cada época é uma passagem completa pelo conjunto de dados. Cada salvamento de checkpoint grava o estado do modelo de volta no armazenamento. Cada restauração de checkpoint — quando uma execução distribuída falha ou reinicia — recupera esse estado. As passagens de validação leem uma fatia separada. O ajuste de hiperparâmetros reexecuta a sequência a partir de checkpoints anteriores.
O volume total de dados movimentados em uma única execução de treinamento com um conjunto de dados de 10 TB costuma ficar entre 100 TB e 500 TB. A US$ 0,09/GB, isso dá de US$ 9.000 a US$ 45.000 por execução. As equipes que calcularam o custo na nuvem como “10 TB × taxa de armazenamento” erraram por uma ordem de magnitude antes mesmo da primeira época terminar.
Um cenário mais modesto — conjunto de dados de 10 TB, quatro a cinco passagens completas por semana — ainda gera cerca de US$ 4.000 por mês em tráfego de saída. Custo de armazenamento para o mesmo conjunto de dados no AWS S3: cerca de US$ 230 por mês. O item de saída de dados é mais de 17 vezes maior que o de armazenamento, e é justamente esse que não estava na estimativa.
Veja como grandes conjuntos de dados não estruturados geram a mesma dinâmica de cobrança na nuvem →
Como é “o lugar certo”
Negociar melhores tarifas de saída não resolve isso. Nem mudar para um provedor com custos de transferência por gigabyte mais baixos. Ambas as abordagens aceitam o limite de cobrança como algo fixo e tentam reduzir o que te cobram.
A alternativa arquitetônica é uma configuração em que o limite de cobrança não existe. Quando os dados de treinamento ficam no armazenamento local e a computação usa a mesma rede, não há evento de transferência para cobrar. O item de saída não é reduzido. Ele simplesmente não existe.
A Unity NV-Series™ foi feita exatamente para isso: armazenamento local com tecnologia NVMe, ao qual as cargas de trabalho de treinamento da GPU acessam diretamente por meio de uma rede local. O conjunto de dados fica na Unity NV-Series. O processamento rola na mesma rede. Cada época, cada salvamento e restauração de ponto de verificação, cada etapa de validação — tudo isso é executado no armazenamento local com custos fixos de infraestrutura que não aumentam com a frequência do treinamento ou o número de repetições.
Atualmente, 64% das empresas estão adotando armazenamento híbrido para IA. A lógica arquitetônica por trás dessa adoção não é complicada: se o limite de cobrança gera a cobrança, transferir os dados de treinamento para fora desse limite elimina a cobrança.
Se a computação em nuvem é a resposta certa para inferência, execução de modelos ou capacidade de pico, isso já é outra questão. Para conjuntos de dados de treinamento que as cargas de trabalho de IA acessam repetidamente e em grande escala, o local que oferece um custo de infraestrutura previsível é aquele em que o tráfego de saída não conta como uma categoria de custo.
Conteúdo detalhado disponível apenas em inglês.