Existe uma frase que resume o problema o qual trataremos hoje antes de qualquer número: ninguém aprovou essa despesa, mas ela cresce todo mês. É assim que especialistas em finanças e operações descrevem o padrão mais comum em empresas que adotaram inteligência artificial generativa sem uma estrutura de controle de gasto. O token, a unidade que mede o custo de cada interação com um modelo de linguagem, virou a nova linha invisível do orçamento corporativo. E a maioria dos CEOs, no Brasil e no mundo, ainda não sabe nomear o problema, muito menos resolvê-lo.
Antes de prosseguir, uma provocação para você que lidera: a sua empresa sabe, hoje, quais fluxos de IA consomem o quê, qual resultado cada um produz e quem tem autoridade para desligar o que não se paga? Se a resposta a qualquer uma dessas perguntas for “não sei” ou “acho que sim”, este texto foi escrito para você.
O mecanismo que produz essa crise é, em essência, simples de entender. Cada vez que um funcionário faz uma pergunta a um modelo de IA, cada vez que um agente autônomo executa uma tarefa, cada vez que um sistema interno processa um documento, gera um relatório ou responde a um cliente, essa interação consome tokens. Tokens de entrada, que representam a pergunta ou o contexto fornecido, e tokens de saída, que representam a resposta gerada pelo modelo. Cada um deles tem um preço. E esse preço, multiplicado pelo volume de interações que uma empresa inteira gera em um mês, se transforma em uma fatura que, na maioria dos casos, ninguém projetou, ninguém acompanha em tempo real e ninguém tem autoridade formal para questioná-la.
O erro que inaugura essa espiral está na origem de quase toda adoção corporativa de IA: confundir o custo do piloto com o custo real de operação. A Andreessen Horowitz (uma empresa americana de capital de risco) documentou que o gasto real com tokens em produção costuma ficar entre cinco e dez vezes acima do que os pilotos indicavam. A razão é quase óbvia – mas poucos a enxergam se não falarmos: o piloto roda com um conjunto controlado de perguntas, em um ambiente previsível, com um número definido e tokens e com usuários limitados. A produção da empresa, porém, roda com o comportamento imprevisível de pessoas reais fazendo perguntas que ninguém antecipou, em volumes que ninguém modelou, sobre temas que ninguém previu. É a diferença entre o que foi aprovado em comitê gestor da e o que a empresa efetivamente paga quando a IA encontra o mundo real.
O caso mais emblemático desse descontrole aconteceu dentro de uma das maiores empresas de tecnologia do planeta. A Uber estourou seu orçamento anual de IA já em abril de 2026, e seus executivos admitiram publicamente que o excesso de gasto com tokens não se traduziu, de imediato, em entregas úteis. A resposta foi impor limites de uso nas ferramentas internas de IA, algo que o Walmart também precisou fazer. Se empresas com times de engenharia financeira entre os mais sofisticados do mundo foram surpreendidas dessa forma, o risco para muitas das nossas organizações que ainda tratam IA como um tipo despesa genérica de inovação é proporcionalmente maior.
E aqui está o aspecto mais contraintuitivo dessa crise, o que a torna tão difícil de diagnosticar por quem olha apenas para o preço unitário: o custo do token está caindo, não subindo. Entre 2024 e 2026, a competição entre Google, Anthropic e OpenAI derrubou o preço por token em ordens de magnitude. Mas o que barateou foi o insumo unitário, não o consumo de tokens realizados pelo modelo – isso significa que o token em si caiu de preço, mas agora, os modelos demandam mais tokens em suas respostas.
E o consumo cresce porque cada avanço de capacidade do modelo abre a porta para novos usos que geram novo volume de chamadas. É como uma conta de água em que o preço do litro cai pela metade, mas alguém deixou todas as torneiras do prédio abertas vinte e quatro horas por dia. A fatura mensal disso, obviamente, não diminui, mas aumenta. E aumenta justamente porque o preço baixo remove a percepção de urgência.
Esse efeito se amplifica drasticamente, também, quando a empresa passa de assistentes simples para agentes autônomos, que executam tarefas completas sem supervisão humana constante. Segundo o Goldman Sachs, pedir a um agente de IA que execute uma tarefa pode exigir até cinquenta vezes mais capacidade computacional do que simplesmente fazer uma pergunta a um chatbot. E a projeção é que agentes corporativos elevem o consumo de tokens em vinte e quatro vezes nos próximos quatro anos. O que está acontecendo, portanto, é que as empresas estão subindo a escada da complexidade, de chatbots para assistentes, de assistentes para agentes, de agentes para sistemas multiagente, e cada degrau multiplica o consumo de uma forma que os orçamentos originais simplesmente não previram.
Até o início de 2026, boa parte das empresas de IA cobrava por assinatura fixa, o que escondia o verdadeiro custo do uso intensivo. Isso mudou de forma abrupta. A OpenAI, a Anthropic e a GitHub trocaram a assinatura fixa pela cobrança por uso entre fevereiro e junho de 2026, e organizações que deixavam funcionários gastarem tokens à vontade descobriram, de uma hora para outra, que a conta tinha dono. Sam Altman descreveu essa virada como “surpreendentemente rápida” e relatou que a reclamação mais comum entre clientes corporativos passou a ser que a empresa havia consumido todo o orçamento anual de IA já no primeiro trimestre. Uma empresa teria gasto cerca de quinhentos milhões de dólares com uso de IA em um único mês. São números que transformam qualquer projeto de inovação em crise de governança financeira.
A resposta certa a esse problema, no entanto, não é cortar a IA. É governá-la. E a distinção entre as duas coisas é fundamental, porque a reação de pânico, proibir ou restringir drasticamente o uso, destrói valor tanto quanto o descontrole. As organizações que já resolveram parte desse problema mostram um caminho que não exige abandonar a tecnologia, mas exige disciplina. A lógica é mais ou menos assim: usar o modelo mais avançado e mais caro para responder uma pergunta simples é desperdício, da mesma forma que usar um cirurgião para medir pressão arterial é desperdício. Modelos menores e mais baratos – como os de código aberto chineses – resolvem a maioria das tarefas cotidianas com qualidade suficiente, e reservam os modelos de ponta para tarefas genuinamente complexas, algo que reduz custos entre 30% e 70%, chegando a até 98% de economia em fluxos específicos. Técnicas como cache de prefixo, que evitam reprocessar instruções e documentos estáveis a cada chamada, reduzem custo em até 90% em fluxos com contexto repetido. E empresas que sistematizam a engenharia de prompt, ou seja, que investem em escrever instruções melhores para os modelos, reportam retorno sobre investimento 340% maior do que empresas que simplesmente deixam cada funcionário interagir à sua maneira.
A disciplina necessária não é nova. É, na verdade, a importação de uma prática que o mercado de tecnologia já conhece de outra área: a gestão de custos de nuvem, o chamado FinOps. Quando as empresas migraram para a nuvem na década passada, enfrentaram exatamente o mesmo tipo de surpresa, com gastos que cresciam sem controle porque ninguém monitorava o consumo em tempo real. A resposta foi criar equipes, ferramentas e processos dedicados a otimizar cada dólar gasto em computação. Agora, a mesma disciplina precisa ser aplicada à IA. Segundo o State of FinOps 2026, 98% das equipes de gestão financeira de tecnologia já gerenciam custos de IA, contra 31% em 2024. A curva de adoção é quase vertical, o que significa que as empresas que ainda não começaram estão ficando para trás em uma competência que, em breve, será tão básica quanto controlar o orçamento de viagens.
O que essa crise revela, quando vista em perspectiva, conecta-se diretamente ao que temos analisado nas edições recentes do Entrelinhas. Quando discutimos a importância da governança de dados, argumentamos que a IA sem base governada entrega velocidade sem direção. Aqui, o princípio é o mesmo aplicado a finanças: IA sem governança de custo entrega inovação sem controle. E inovação sem controle, como a Uber descobriu em abril, é um desperdício com marca de sofisticação.
Para quem lidera negócios, os recados são estes. O primeiro passo é auditar, com dados reais e não com estimativas informais, quanto a empresa gastou com tokens de IA nos últimos dois trimestres e comparar esse número com o que foi projetado na fase de piloto. O segundo é definir, com nome e sobrenome, quem é o responsável por monitorar esse consumo e quem tem autoridade formal para desligar fluxos que não geram resultado proporcional ao custo. O terceiro é revisar a arquitetura de decisão de modelos, garantindo que tarefas simples usem opções mais baratas e que apenas tarefas complexas justifiquem o uso de modelos de ponta.
Sem essa camada de governança, o token mais barato da história da tecnologia continuará sendo, na prática, uma das despesas mais caras e menos controladas do orçamento corporativo. E a ironia final é que o problema não é a IA ser cara demais. É ser barata demais para que alguém se preocupe em controlar quanto está usando. Até que a fatura chegue.
Boa reflexão, Bornelli! A inteligência artificial está entrando em uma fase semelhante ao que ocorreu com a computação em nuvem: primeiro veio a corrida pela adoção, depois veio a necessidade de disciplina, arquitetura e gestão. O erro de muitas organizações é tratar IA apenas como ferramenta de inovação, quando ela já está se tornando uma nova camada de infraestrutura operacional. A vantagem competitiva não estará nas empresas que simplesmente usam mais IA, mas naquelas capazes de transformar inteligência artificial em capacidade organizacional mensurável, combinando tecnologia, governança e propósito. No agronegócio, na indústria ou nos serviços, a pergunta madura não é mais “quanto custa implementar IA?”, mas “qual valor econômico, estratégico e humano cada aplicação de IA está entregando?”. A próxima fronteira da transformação digital não será apenas democratizar o acesso aos modelos; será aprender a administrar uma inteligência abundante sem transformar eficiência em desperdício.
Diagnóstico preciso. O paralelo com FinOps de nuvem é o melhor atalho mental que já li para explicar esse problema para quem lidera.
Há uma camada que o texto toca sem nomear. O que você descreve não é só um problema de governança operacional, é um sintoma de algo maior. O mercado ainda precifica IA como ativo de produtividade, quando na prática ela está se comportando como passivo de infraestrutura. E passivos de infraestrutura sem controle não aparecem no P&L até que seja tarde demais.
O entusiasmo com o excepcionalismo tecnológico americano foi construído sobre uma premissa implícita: que o custo marginal de escalar IA convergiria para zero. O que a Uber e os números que você cita revelam é que essa premissa está sendo revisada em tempo real. O custo unitário cai, mas o consumo cresce de forma não linear. A margem que o mercado precificou não existe da forma que foi prometida.
A rotação que estamos vendo para fora de tech e para dentro de ativos reais não é só geopolítica. É também o mercado começando a perceber que a equação de custo da IA é mais parecida com infraestrutura pesada do que com software.
O token mais barato da história pode estar sendo o mais caro que já compramos. Só que o preço não aparece na fatura de tecnologia. Aparece no múltiplo que o mercado ainda está disposto a pagar.