Mesmo com a queda no preço dos tokens, crescimento do consumo e maior complexidade dos sistemas pressionam despesas, enquanto companhias buscam controlar operações e identificar quais aplicações realmente geram valor.
A corrida das empresas para incorporar inteligência artificial às operações começa a esbarrar no custo da própria tecnologia. À medida que agentes de IA passam a executar tarefas, consultar ferramentas e coordenar fluxos de trabalho mais complexos, as despesas avançam acima das previsões e pressionam os orçamentos corporativos. Levantamentos divulgados pela McKinsey em 2026 mostram que 93% das organizações pesquisadas já ultrapassaram o orçamento destinado à tecnologia, cenário que força executivos a rever como planejam, controlam e medem esses investimentos, mesmo em um período de queda no preço individual dos tokens.
A pressão financeira já interfere no ritmo de adoção. Os gastos empresariais com grandes modelos de linguagem triplicaram em um período de 12 meses encerrado no fim de 2025, enquanto 20% dos entrevistados em outra pesquisa da consultoria disseram que suas organizações restringiram o uso de IA devido aos custos operacionais.
O movimento revela um paradoxo: modelos individuais ficaram mais baratos, mas a quantidade e a complexidade das operações realizadas com eles cresceram rapidamente.
Uma das explicações está no funcionamento dos agentes de IA. Diferentemente de interações mais simples, esses sistemas podem reenviar grandes volumes de contexto, consultar ferramentas, acionar diferentes modelos e repetir etapas antes de concluir uma tarefa. Em determinados casos, atividades executadas por agentes consomem cerca de mil vezes mais tokens do que tarefas convencionais de programação ou conversação. Além disso, aproximadamente 60% do custo de uma atividade agêntica pode estar ligado à revisão, correção e nova verificação das respostas, enquanto uma mesma tarefa de programação pode apresentar diferença de até 30 vezes no custo entre execuções.
Os tokens, porém, representam apenas uma parcela da conta. Em fluxos de atendimento bancário, podem corresponder a 20% a 25% dos custos variáveis de operação de um agente, enquanto a supervisão humana responde por 70% a 75%. Infraestrutura em nuvem, memória, gerenciamento, análise e equipes encarregadas da manutenção também entram no cálculo, o que reforça a necessidade de considerar o custo total para concluir uma atividade, e não apenas o preço cobrado pelo uso do modelo.
Quando esses sistemas chegam à produção, os valores podem subir rapidamente. A McKinsey estima que determinados fluxos com um único agente voltado ao atendimento de clientes em bancos custem entre US$ 20 mil e US$ 30 mil, enquanto equipes com vários agentes podem exigir entre US$ 100 mil e US$ 200 mil. A escala, por outro lado, pode diluir parte dessas despesas.
Em um exemplo de integração de clientes, um agente conversacional para 2,5 mil novos usuários por ano custaria entre US$ 10 mil e US$ 15 mil; com o dobro do volume, a estimativa sobe para US$ 15 mil a US$ 20 mil.
Para administrar essa nova estrutura de despesas, empresas começam a adotar o chamado AI FinOps, disciplina voltada à previsão e ao acompanhamento do consumo e à relação entre gastos e resultados. Entre as estratégias estão encaminhar tarefas simples para modelos mais baratos, reduzir informações desnecessárias nos prompts, reutilizar contextos, limitar o tamanho das respostas, controlar repetições e chamadas de ferramentas e reaproveitar agentes em diferentes processos.
O retorno desses investimentos, entretanto, não deve ser medido apenas pela redução de despesas. O economista Erik Brynjolfsson, da Universidade Stanford, defendeu a McKinsey que os ganhos de produtividade também dependem da reorganização de processos, da capacitação dos trabalhadores e de novas métricas de desempenho. Indicadores como qualidade, atendimento ao cliente, criação de produtos e produtividade ajudam a avaliar os resultados da tecnologia para além de cortes de pessoal.
Com agentes assumindo tarefas mais sofisticadas, a gestão da IA passa, assim, a envolver decisões sobre quais atividades justificam modelos mais avançados, quanto de autonomia conceder aos sistemas e como distribuir os custos entre áreas. Nesse cenário, identificar quanto valor cada fluxo de trabalho produz tende a ser tão relevante quanto controlar quantos tokens ele consome.
FUP Explica
O que essa notícia revela, no fundo, é que a adoção de IA nas empresas entrou numa fase de maturidade forçada. A euforia do “vamos testar tudo” está cedendo espaço para uma pergunta mais dura: isso aqui paga a conta? O dado da McKinsey é revelador: 93% das organizações pesquisadas estouraram o orçamento de tecnologia, e um em cada cinco entrevistados disse que a empresa chegou a restringir o uso de IA por causa do custo. Isso não é sinal de fracasso da tecnologia, mas de que o modelo de governança financeira ainda não acompanhou o ritmo de implantação.
No plano econômico, o impacto mais imediato é sobre o orçamento de TI e de operações. Empresas que apostaram em agentes de IA para ganhar eficiência podem descobrir que o custo de supervisão humana, infraestrutura e manutenção corrói boa parte da economia esperada. O setor bancário aparece como exemplo concreto no texto: fluxos com múltiplos agentes podem custar entre US$ 100 mil e US$ 200 mil, e a supervisão humana responde por 70% a 75% dos custos variáveis. Isso muda o cálculo de retorno sobre investimento de forma significativa.
No plano institucional e de gestão, a emergência do AI FinOps como disciplina formal indica que as empresas precisarão criar estruturas de governança específicas para controlar o consumo de IA, algo que ainda é incipiente na maioria das organizações. A lição do economista Erik Brynjolfsson, da Universidade Stanford, citada no texto, aponta para um desafio adicional: sem reorganização de processos e capacitação de equipes, os ganhos de produtividade tendem a ficar abaixo do esperado, mesmo com a tecnologia funcionando bem tecnicamente.