Caderno Tecnologia · Economia da inteligência artificial
Por um tempo, a ordem em muitas empresas americanas foi simples: usar inteligência artificial à vontade, quanto mais, melhor. A prática ganhou até apelido nas redes, #tokenmaxxing. Agora chegou a fatura, e com ela uma constatação incômoda para diretores financeiros: quase ninguém consegue dizer quanto a IA vai custar no próximo trimestre. Segundo reportagem do The Wall Street Journal publicada em 4 de outubro, apenas 11% de 396 organizações pesquisadas previram seus gastos com IA com erro de até 10%.1
O dado vem do 2026 State of AI Cost Governance Report, conduzido pela Mavvrik e pela Benchmarkit entre abril e maio deste ano com empresas de tecnologia, serviços financeiros, varejo e indústria.2 O problema, porém, não se resume a planilhas mal calibradas. Ele nasce do próprio modo como os modelos de linguagem funcionam e são cobrados.
Uma licença de software tradicional tem preço fixo por usuário. A IA generativa, ao contrário, é cobrada por token, a unidade de texto que o modelo lê e escreve. E a quantidade de tokens necessária para concluir uma tarefa muda conforme o modelo escolhido, a complexidade do pedido e até de uma execução para outra. Na prática, contratar IA se parece menos com comprar um software e mais com pegar um táxi cujo trajeto o motorista decide a cada corrida.
Quão bem as empresas preveem o gasto com IA
O preço na tabela não é o preço na fatura
A intuição corporativa diz que, para economizar, basta escolher o modelo com menor preço por milhão de tokens. Um estudo conduzido por pesquisadores de Stanford, Carnegie Mellon, Berkeley e Microsoft Research mostra que essa regra falha com frequência. Ao comparar oito modelos de raciocínio de ponta em doze tipos de tarefa, de matemática de competição a programação e agentes, os autores encontraram o que chamaram de fenômeno da inversão de preço: em 32% das comparações entre pares de modelos, o de menor preço listado teve custo total maior, com diferenças que chegaram a 28 vezes.3
O exemplo central do trabalho é eloquente. O Gemini 3 Flash, do Google, tem preço de tabela 80% inferior ao do GPT-5.4, da OpenAI, mas saiu 38% mais caro no conjunto das tarefas.3 A explicação está nos chamados tokens de raciocínio, o texto interno que o modelo produz para "pensar" antes de responder e que é cobrado como saída. Diante da mesma pergunta, um modelo pode gerar 900% mais tokens desse tipo do que outro, ou fazer dez vezes mais rodadas de interação com ferramentas externas.3
O WSJ ilustrou o efeito com um caso extraído dos dados da pesquisa. Diante do mesmo pedido, a análise de um quadro de vídeo do YouTube, o Gemini 3.1 Pro concluiu a tarefa em 85 etapas, a um custo de cerca de US$ 1. O Gemini 3 Flash, mais leve e barato, percorreu 952 etapas, esbarrou em verificações antibot, recorreu a outros buscadores e terminou sem sucesso, depois de consumir aproximadamente US$ 14 em tokens.1 O próprio jornal ressalva que o episódio pode ser um ponto fora da curva, mas observa que situações assim ocorrem no uso cotidiano.
Mesmo pedido, dois modelos, duas contas
"O preço, sozinho, não deveria ser usado para deduzir qual modelo é de fato mais barato."Lingjiao Chen, pesquisador, ao The Wall Street Journal
A mesma pergunta, contas diferentes a cada vez
Se a escolha do modelo já embaralha as contas, a variação dentro de um mesmo modelo torna a previsão ainda mais difícil. Os pesquisadores mostraram que, ao repetir exatamente a mesma consulta, o volume de tokens de raciocínio pode variar até 9,7 vezes. Para os autores, isso estabelece um piso de ruído que nenhum método de previsão consegue eliminar, razão pela qual propõem estimar uma distribuição de custos, e não um número único.3
O WSJ testou o ponto com modelos de Anthropic, Google e OpenAI, rodando cinco vezes o mesmo pedido de programação em versões rápidas e versões de raciocínio profundo de cada laboratório. Cada execução saiu por um valor diferente, e até as tentativas malsucedidas, aquelas em que o modelo não entregou a solução correta, foram cobradas.1 Para quem monta orçamento, a consequência é direta: o custo de uma tarefa com IA é uma faixa de valores, não um preço.
Da experimentação livre à escalada para o conselho
Os efeitos já aparecem nas decisões de negócio. De acordo com o relatório da Mavvrik e da Benchmarkit, custos inesperados com IA alteraram decisões em 62% das empresas pesquisadas no último ano, e 40% precisaram levar o assunto ao conselho de administração.2 Cerca de um quarto dos respondentes adiou ou cancelou iniciativas de IA por causa de gastos imprevistos.2
O relatório também aponta pontos cegos de contabilização. Praticamente todas as organizações usam assistentes de programação com IA, mas só 42% incluem essas ferramentas nos relatórios de custo. Situação semelhante ocorre com agentes autônomos: 98% dizem rodar cargas de trabalho agênticas, e apenas 36% as contabilizam formalmente.2 É justamente nesses usos, em que o modelo executa tarefas em várias etapas e repete tentativas quando falha, que a conta tende a crescer sem aviso.
Casos concretos ganharam o noticiário ao longo do ano. O diretor de tecnologia da Uber, Praveen Neppalli Naga, afirmou que a empresa esgotou em apenas quatro meses o orçamento previsto para ferramentas de IA em 2026.9 Em relatório divulgado em julho, a Accenture relatou o caso de uma varejista que testou sistemas de recomendação baseados em IA em lojas-piloto e recebeu uma conta mensal de nuvem na casa dos milhões de dólares, puxada sobretudo pelo consumo de tokens.8 O Gartner, por sua vez, alertou que muitas organizações subestimam o impacto financeiro dos agentes de codificação e que boa parte dos fornecedores ainda não explica com transparência como os tokens são calculados e cobrados.7
O caso brasileiro: adoção acelerada, conta em dólar
No Brasil, a discussão chega num momento de expansão rápida. A Pesquisa de Inovação Semestral (Pintec Semestral) do IBGE mostrou que a fatia de empresas industriais com 100 ou mais empregados que usam inteligência artificial saltou de 16,9% em 2022 para 41,9% em 2024. A IA foi a tecnologia digital avançada que mais cresceu no período, com uso concentrado em administração (87,9%) e comercialização (75,2%).5 Entre os obstáculos relatados pelas empresas para adotar essas tecnologias aparecem, justamente, os custos elevados.5
O mercado brasileiro já começa a rever a fase de experimentação sem limites. Em debate realizado em julho no evento Super Bots Experience, Marcos Bonas, vice-presidente de engenharia da Zup, observou que empresas antes distribuíam cotas livres de tokens por usuário para estimular testes e agora buscam extrair o máximo de resultado com o mínimo de consumo. No mesmo debate, Rafael Pacheco, CEO da Wiv, relatou que um único produto de análise conversacional da empresa consome 5 bilhões de tokens por mês.6
Para empresas brasileiras, há ainda uma camada adicional de incerteza. As principais APIs de modelos de linguagem são cobradas em dólar, o que soma à volatilidade do consumo a volatilidade do câmbio e os tributos incidentes sobre a importação de serviços. Um orçamento de IA feito em reais, portanto, depende de duas variáveis que a área financeira não controla: quantos tokens o modelo vai gastar e quanto o dólar vai valer no fechamento da fatura.
O que muda na gestão: da tabela de preços ao custo por tarefa
A resposta que vem se consolidando é tratar a IA como um custo variável de operação, sujeito à mesma disciplina aplicada à computação em nuvem. Segundo o relatório State of FinOps 2026, da FinOps Foundation, 98% dos 1.192 profissionais pesquisados já gerenciam gastos com IA, contra 31% dois anos antes. A falta de visibilidade sobre esses custos é o principal desafio citado, seguida da dificuldade de atribuí-los às áreas de negócio e de medir o retorno.4
Das pesquisas e recomendações reunidas nesta reportagem, emergem algumas práticas que ajudam a reduzir a incerteza:
- Medir custo por tarefa concluída, e não por milhão de tokens. É o que revela se um modelo caro na tabela é, na verdade, o mais econômico para determinado uso.3
- Orçar em faixas. Como a mesma consulta pode custar valores muito diferentes, previsões baseadas em intervalos e cenários são mais realistas do que um valor único.3
- Estabelecer limites e monitoramento automatizado. O Gartner recomenda tetos de consumo de tokens, políticas de escalonamento e acompanhamento contínuo do uso.7
- Escolher o modelo pela tarefa. Treinar equipes para saber qual modelo usar em cada situação evita tanto o desperdício de modelos sofisticados em pedidos simples quanto a escalada de custo de modelos leves em problemas difíceis.1
- Contabilizar o que hoje fica fora do radar. Assistentes de programação e agentes autônomos precisam entrar nos relatórios de custo, inclusive as execuções que falharam.2
A Accenture batizou esse esforço de tokenomics, a disciplina de relacionar o consumo de IA ao valor que ele gera para o negócio.8 No fundo, trata-se de responder a uma pergunta antiga com ferramentas novas: quanto custa cada resultado entregue, e se ele vale esse preço.
Perguntas frequentes
O que é um token e por que ele define o custo da IA?
Token é a unidade de texto que um modelo de linguagem processa, podendo corresponder a uma palavra, parte de uma palavra ou um sinal. Os provedores cobram separadamente pelos tokens de entrada (o que o usuário envia) e de saída (o que o modelo gera). Como o volume de tokens varia a cada tarefa, o custo final também varia.
Por que um modelo de IA mais barato pode sair mais caro?
Porque o preço de tabela mede o custo por token, e não por tarefa. Um modelo leve pode precisar de muito mais tokens de raciocínio e de mais tentativas para resolver um problema difícil. Um estudo de Stanford, Carnegie Mellon, Berkeley e Microsoft Research encontrou essa inversão em 32% das comparações entre pares de modelos.
Quantas empresas conseguem prever com precisão o gasto com IA?
Segundo o relatório 2026 State of AI Cost Governance, da Mavvrik e da Benchmarkit, citado pelo The Wall Street Journal, apenas 11% de 396 organizações previram seus gastos com IA com erro de até 10%. A maioria errou entre 11% e 50%.
O que é FinOps de IA ou tokenomics?
É a aplicação de práticas de gestão financeira de tecnologia ao consumo de modelos de IA: medir, atribuir a cada área, estabelecer limites e relacionar o gasto ao valor gerado. Segundo a FinOps Foundation, 98% das equipes de FinOps já gerenciam gastos com IA em 2026.
Como empresas brasileiras podem orçar IA com mais segurança?
Medindo o custo por tarefa concluída, orçando em faixas e cenários, definindo tetos de consumo por equipe, escolhendo o modelo conforme a tarefa e incluindo no orçamento a exposição cambial, já que as principais APIs são cobradas em dólar.
Nota de atribuição: este artigo tem como ponto de partida a reportagem de Jillian Vordick e Stephanie Stamm publicada pelo The Wall Street Journal em 4 de outubro de 2026. O Tecido não reproduz nem traduz o texto original. As informações atribuídas ao WSJ foram reescritas e complementadas com apuração independente e fontes brasileiras.