Por que a IA fica mais barata enquanto a conta das empresas aumenta?
O custo por unidade de inteligência cai rápido, mas empresas usam mais modelos, mais agentes e mais infraestrutura. A conta total pode subir mesmo quando cada tarefa fica mais barata.
A Era da Inteligência
Por que a IA fica mais barata enquanto a conta das empresas aumenta?
No primeiro capítulo de A Era da Inteligência, eu defendi uma ideia que continua importante para esta série: uma capacidade tecnológica pode ficar muito mais barata sem que isso torne pequeno o mercado construído ao redor dela.
Na IA, essa aparente contradição já está acontecendo diante de nós.
O preço de uma determinada quantidade de inteligência computacional cai. Os modelos ficam mais eficientes. Hardware e software melhoram. Cache, quantização, roteamento e modelos menores reduzem o custo de tarefas que antes exigiam sistemas caros.
Ao mesmo tempo, empresas anunciam data centers maiores, compram mais aceleradores, conectam IA a mais produtos e passam a executar workflows que simplesmente não existiam quando cada chamada custava mais.
Então aparece a pergunta:
se cada unidade de IA fica mais barata, por que a conta total continua aumentando?
A resposta curta é que custo unitário e gasto agregado são variáveis diferentes.
Uma empresa pode pagar 80% menos por uma unidade de capacidade e ainda gastar mais no mês se o volume crescer mais de cinco vezes. Pode economizar por consulta e perder a economia ao transformar uma consulta em vinte etapas agênticas. Pode reduzir custo de inferência e, ao mesmo tempo, assumir custos novos com observabilidade, ferramentas, memória, segurança, dados, energia e infraestrutura.
A tese deste capítulo é:
IA barata tende a expandir o que consideramos economicamente viável. Se a demanda, a frequência e a complexidade crescem mais rápido que o custo unitário cai, a conta total aumenta — e isso pode ser tanto sinal de desperdício quanto sinal de que a tecnologia encontrou usos com retorno real.
O número que importa não é apenas quanto custa um token.
É o que a empresa passou a fazer porque aquele token ficou barato.
A primeira armadilha: confundir preço unitário com orçamento total
Pense em uma fórmula simples:
Gasto variável total =
custo por unidade × quantidade de unidades
Se uma tarefa custava US$ 1 e a empresa executava 10 mil tarefas por mês:
US$ 1 × 10.000
= US$ 10.000
Agora imagine que a tecnologia melhora e a mesma tarefa passa a custar US$ 0,20.
Se o uso continuar igual:
US$ 0,20 × 10.000
= US$ 2.000
Ótimo. A conta cai 80%.
Mas preço menor muda comportamento.
Se a empresa agora executa 100 mil tarefas porque automatizou processos que antes eram caros demais:
US$ 0,20 × 100.000
= US$ 20.000
Cada tarefa ficou cinco vezes mais barata.
A conta total dobrou.
Isso não é paradoxo matemático. É expansão de demanda.
E IA é particularmente suscetível a isso porque a redução de custo não apenas barateia o que já existia. Ela cria novas categorias de uso.
A queda do custo unitário é real
Não precisamos tratar “IA fica mais barata” como slogan.
O AI Index de Stanford registrou que o custo para consultar um modelo com desempenho equivalente ao GPT-3.5 no benchmark MMLU caiu de cerca de US$ 20 por milhão de tokens em novembro de 2022 para US$ 0,07 em outubro de 2024 — mais de 280 vezes em aproximadamente um ano e meio. O mesmo relatório aponta melhora contínua de preço/desempenho de hardware e eficiência energética.
A tendência continuou nos produtos atuais.
Na página da API da OpenAI consultada em 13 de setembro de 2026, o GPT-5.6 Luna aparece a US$ 0,20 por milhão de tokens de entrada e US$ 1,20 por milhão de tokens de saída para o tier padrão de contexto informado. Em julho, a OpenAI havia reduzido o preço do Luna em 80% e o do Terra em 20%; em agosto, reduziu o preço do Sol em mais de 20% por um período promocional anunciado.
O valor específico muda e por isso não deve virar constante numa planilha eterna. O sinal econômico é mais importante: fornecedores continuam disputando mais capacidade por dólar.
A Alphabet oferece um exemplo ainda mais interessante porque os dois lados aparecem na mesma empresa.
No resultado anual divulgado em fevereiro de 2026, Sundar Pichai afirmou que o Google havia reduzido os custos unitários de serving do Gemini em 78% ao longo de 2025, por otimizações de modelo, eficiência e melhor utilização da infraestrutura.
Na mesma apresentação, a empresa disse esperar US$ 175 bilhões a US$ 185 bilhões em CapEx em 2026, em grande parte para capacidade computacional, servidores, data centers e rede.
Eficiência subiu.
Custo por unidade caiu.
Investimento total subiu.
Não há contradição.
Por que a eficiência não esvazia o data center
Um jeito útil de entender isso é pensar em quatro forças atuando juntas:
1. preço por unidade cai
2. mais pessoas/processos passam a usar
3. cada workflow pode fazer mais etapas
4. surgem tarefas que antes nem eram tentadas
O resultado agregado depende de qual curva cresce mais rápido.
A Agência Internacional de Energia descreve exatamente essa tensão. Em sua análise mais recente sobre energia e IA, a IEA observa que o consumo de energia por tarefa de IA está caindo rapidamente com ganhos de eficiência, mas ao mesmo tempo cresce a adoção e aparecem usos muito mais intensivos, como geração de vídeo, raciocínio prolongado e tarefas agênticas.
Segundo a IEA, o consumo elétrico de data centers cresceu 17% em 2025 e o consumo de data centers focados em IA cresceu ainda mais rápido, cerca de 50% naquele ano. A agência projeta que a demanda elétrica global de data centers pode mais que dobrar até 2030 no cenário-base, apesar das melhorias de eficiência.
Em 9 de setembro de 2026, a EIA dos Estados Unidos também publicou uma previsão de recorde de geração e vendas de eletricidade em 2026 e 2027, citando o desenvolvimento de data centers entre os vetores de crescimento da demanda comercial e industrial.
Ou seja:
eficiência por tarefa pode coexistir com aumento de consumo do sistema inteiro.
Esse fenômeno lembra o chamado efeito rebote — e, em sua forma histórica mais conhecida, o paradoxo de Jevons.
Mas eu evitaria usar “Jevons” como explicação mágica para qualquer aumento de conta de IA. O conceito é uma lente: quando uma tecnologia fica mais eficiente e barata, o uso pode aumentar o suficiente para compensar parte ou toda a economia por unidade.
O que precisamos medir é se isso está de fato acontecendo em cada empresa e em cada workflow.
Agentes tornam a conta mais elástica
No capítulo sobre quanto investir em ferramentas de IA, eu tratei IA como ferramenta de produção: o custo só faz sentido quando remove gargalo ou cria resultado mensurável.
Agentes ampliam essa discussão porque uma “tarefa” deixa de ser uma única chamada.
Um workflow pode fazer algo como:
receber objetivo
→ carregar contexto
→ planejar
→ pesquisar
→ chamar uma API
→ ler resposta
→ consultar banco
→ gerar artefato
→ validar
→ encontrar falha
→ tentar de novo
→ pedir revisão humana
→ registrar evidência
A interface pode mostrar uma única tarefa.
A infraestrutura vê dezenas de operações.
Por isso um modelo mais barato não garante um agente mais barato. Ele pode simplesmente tornar viável aumentar profundidade, paralelismo e frequência.
Quando o preço cai, o produto tende a responder de três formas:
- dar mais contexto ao modelo;
- aumentar o número de tentativas e verificações;
- transferir para IA tarefas que antes ficavam com humanos ou nem eram executadas.
Isso pode ser ótimo.
Pode aumentar qualidade, cobertura e velocidade.
Mas transforma a unidade econômica.
A pergunta deixa de ser:
quanto custa uma chamada?
E vira:
quanto custa entregar um resultado aceito?
O segundo motor: inteligência deixa de ser evento e vira camada permanente
Existe outra mudança menos óbvia.
Quando algo é caro, nós o usamos de forma episódica.
Quando fica barato, começamos a deixá-lo ligado.
Antes:
usuário pergunta
→ modelo responde
→ acabou
Depois:
agente monitora fila
agente revisa mudanças
agente classifica eventos
agente acompanha métricas
agente procura anomalias
agente prepara decisões
agente dispara outros agentes
A IA passa de ferramenta acionada para camada operacional contínua.
Essa mudança é parecida com o que aconteceu com computação em nuvem. O barateamento e a elasticidade não fizeram empresas simplesmente manterem a mesma quantidade de servidores pagando menos. Tornaram economicamente viável criar produtos, ambientes, pipelines e serviços que não existiriam num modelo rígido de infraestrutura.
A conta de cloud não desapareceu.
Mudou o que era possível comprar com ela.
O caso Microsoft: quatro vezes mais throughput e bilhões a mais em infraestrutura
Os resultados fiscais da Microsoft ajudam a visualizar essa dinâmica.
Na teleconferência do quarto trimestre fiscal de 2026, Satya Nadella disse que a empresa havia aumentado em quatro vezes o throughput das cargas de Copilot desde o início do ano, fruto de otimizações em silício, sistemas e software.
Isso é eficiência.
Na mesma teleconferência, a Microsoft reportou US$ 41 bilhões de capital expenditures no trimestre, com aproximadamente dois terços ligados a ativos de vida curta, principalmente CPUs e GPUs. A empresa disse esperar mais de US$ 50 bilhões de CapEx no trimestre seguinte, incluindo efeitos contábeis mencionados na orientação.
A CFO Amy Hood também explicou que capacidade adicional de Azure obtida por ganhos de eficiência foi rapidamente monetizada e que o uso crescente continuava pressionando margens, parcialmente compensado pelos próprios ganhos de eficiência.
A frase econômica que eu tiraria disso é simples:
quando existe demanda reprimida, eficiência libera capacidade — e a capacidade liberada pode ser consumida quase imediatamente.
Se a empresa consegue fazer quatro vezes mais trabalho com a mesma classe de recurso, existem duas possibilidades:
- manter o trabalho constante e reduzir gasto;
- usar a nova eficiência para vender ou executar muito mais trabalho.
Empresas de tecnologia, naturalmente, tendem a perseguir a segunda quando existe retorno.
O terceiro motor: o custo migra para outras camadas
Há ainda um erro comum em planilhas de IA: imaginar que o preço do modelo é a conta inteira.
Mesmo quando inferência cai, o sistema passa a carregar outros custos:
modelo
+ contexto
+ cache
+ busca
+ banco vetorial
+ storage
+ ferramentas externas
+ navegador / sandbox
+ observabilidade
+ avaliações
+ segurança
+ filas
+ retries
+ memória
+ supervisão humana
+ integração
+ dados
+ rede
+ energia
Em ambientes corporativos entram ainda residência de dados, compliance, permissões, auditoria, governança e suporte operacional.
Então pode ocorrer uma migração:
menos custo por token
mais custo com o sistema que torna o token útil
Isso não é argumento contra IA.
É argumento contra uma unidade de medida ruim.
O quarto motor: modelos baratos puxam workloads para cima da fronteira
Imagine que uma empresa tenha três classes de modelo:
barato → classificação, extração, triagem
intermediário → análise e geração comum
caro → casos difíceis, alto risco, raciocínio profundo
Quando o modelo barato melhora, a empresa pode economizar roteando mais tarefas para ele.
Esse é o benefício clássico de model routing.
Mas acontece outra coisa ao mesmo tempo.
Tarefas que antes usavam o modelo intermediário podem passar a usar mais contexto. Casos que antes eram inviáveis podem subir para um modelo de fronteira. Workflows podem chamar múltiplos modelos especializados.
O portfólio inteiro se expande.
A otimização correta não é escolher sempre o modelo mais barato.
É escolher o modelo mais barato que mantém a taxa de resultado aceito dentro do limite necessário.
Essa frase muda completamente a gestão de custo.
Um exemplo: queda de 80% pode virar aumento de 300%
Vamos montar um cenário ilustrativo.
Uma empresa possui um assistente interno usado por 1.000 funcionários.
No início:
20 tarefas por pessoa/mês
custo médio por tarefa = US$ 0,50
Gasto variável:
1.000 × 20 × US$ 0,50
= US$ 10.000/mês
Um ano depois, eficiência e competição reduzem o custo médio por tarefa em 80%:
US$ 0,50 → US$ 0,10
Se nada mudar, a conta cairia para US$ 2.000.
Só que a empresa agora:
- integra o assistente ao CRM;
- cria revisão automática de propostas;
- monitora contratos;
- gera atas e follow-ups;
- usa agentes para pesquisa;
- adiciona avaliação automática das respostas.
O consumo sobe para 200 tarefas-equivalentes por pessoa/mês e o número de usuários cresce para 2.000.
Então:
2.000 × 200 × US$ 0,10
= US$ 40.000/mês
Custo unitário:
-80%
Conta total:
+300%
Seria absurdo concluir que a redução de preço “falhou”.
A pergunta correta é:
os US$ 40 mil estão produzindo valor maior do que os US$ 10 mil produziam?
Se sim, a empresa não perdeu eficiência.
Ela comprou muito mais trabalho computacional.
Se não, ela apenas transformou token barato em desperdício barato em grande escala.
A métrica que separa expansão saudável de descontrole
Eu usaria três níveis de métrica.
1. Custo unitário técnico
US$ por 1M tokens
US$ por chamada
US$ por minuto
US$ por execução
Serve para engenharia e comparação de fornecedores.
2. Custo por workflow
modelo
+ tools
+ infraestrutura
+ retries
+ supervisão
Serve para entender quanto custa uma automação completa.
3. Custo por resultado de negócio aceito
custo total do workflow
÷
resultados válidos
Esse terceiro nível é o que deveria governar decisão.
Exemplos:
- custo por ticket resolvido sem reabertura;
- custo por PR aprovado;
- custo por lead qualificado que atende critérios;
- custo por documento processado corretamente;
- custo por incidente analisado e encerrado;
- custo por venda assistida;
- custo por hora efetivamente poupada e validada.
Se o custo por token cai e o custo por resultado também cai, ótimo.
Se o custo por token cai enquanto o custo por resultado sobe, alguma coisa no workflow está errada.
Quando gastar mais é um bom sinal
É tentador tratar qualquer crescimento da conta de IA como problema de FinOps.
Nem sempre é.
Considere dois cenários.
Empresa A
gasto IA: R$ 10 mil → R$ 50 mil
receita incremental mensurável: R$ 0
retrabalho: aumentou
falhas: aumentaram
ninguém sabe qual workflow consome
Temos um problema.
Empresa B
gasto IA: R$ 10 mil → R$ 50 mil
novos workflows: 12
horas operacionais removidas: mensuradas
conversão: melhorou
SLA: melhorou
custo por resultado: caiu
O aumento de conta pode ser racional.
A empresa B não fracassou em economizar.
Ela encontrou retorno suficiente para justificar comprar mais inteligência.
Por isso eu desconfiaria de metas genéricas como:
“reduzir em 30% a conta de IA.”
Sem contexto, isso pode ser tão ruim quanto mandar uma fábrica reduzir em 30% o consumo de matéria-prima enquanto as vendas estão crescendo 100%.
A meta melhor é:
reduzir custo por resultado mantendo ou aumentando qualidade.
O checklist que eu colocaria em produção
Se a conta de IA está aumentando, eu não começaria cortando modelos. Começaria respondendo estas perguntas:
- Qual unidade de resultado estamos comprando? Token não é resultado.
- O volume cresceu porque o uso útil cresceu ou porque houve desperdício?
- Qual é a taxa de aceite por workflow? Sem isso, retries e erro ficam invisíveis.
- Quantas chamadas um único resultado dispara? Agentes escondem multiplicação de etapas.
- Existe roteamento entre modelos? Casos simples não deveriam cair automaticamente no modelo mais caro.
- Cache está sendo aproveitado? Contexto repetido pode custar desnecessariamente.
- Há limites por workflow, time e ambiente? Orçamento sem ownership vira custo órfão.
- Ferramentas externas estão entrando na conta? Busca, browser, storage e APIs também custam.
- Existe custo de supervisão humana medido? “Automático” que exige correção constante pode ser caro.
- O gasto adicional gerou resultado adicional? Essa é a pergunta final.
Eu adicionaria ainda uma regra operacional:
cada workflow de IA deve ter
um dono
+ um orçamento
+ uma métrica de qualidade
+ uma métrica de resultado
Sem isso, otimização vira caça a centavos de token enquanto milhares são perdidos em desenho ruim de processo.
O que essa tendência significa para os próximos anos
A leitura mais interessante não é que “IA ficará barata”.
É que uma quantidade crescente de inteligência computacional passa a caber em budgets onde antes não cabia.
Isso muda produto.
Muda software.
Muda trabalho.
Muda inclusive o tamanho de problemas que uma pequena empresa consegue atacar.
Mas existe uma consequência importante:
quanto mais barata a inteligência fica, mais importante se torna decidir onde vale a pena usá-la.
Quando cada chamada custava caro, o preço criava disciplina artificial.
Quando fica barato, qualquer processo pode ganhar um modelo, um agente e três retries “só por garantia”.
A disciplina precisa migrar do preço para a arquitetura.
É aí que entram avaliação, roteamento, observabilidade, fallback, regras determinísticas e humanos nos pontos de maior risco.
Se você quer aprofundar exatamente essa camada — escolher modelos, medir custo, usar fallback e colocar IA no sistema apenas onde o ROI fecha — a AIStack é o próximo passo natural. Não porque toda aplicação precise de IA, mas justamente para aprender a reconhecer quando ela não precisa.
A pergunta que eu usaria no orçamento de amanhã
Depois do capítulo anterior sobre custo por resultado, eu não perguntaria mais:
“quanto estamos gastando com IA?”
Eu perguntaria:
“quanto resultado adicional estamos comprando com cada real adicional de IA?”
Se o custo unitário cair 80% e a conta subir 100%, isso pode ser uma ótima notícia.
Ou pode ser um desastre.
A diferença está no que cresceu junto com a conta.
Se cresceu apenas o consumo, temos desperdício.
Se cresceram capacidade, qualidade, receita, cobertura ou produtividade em proporção maior, temos expansão econômica.
É por isso que a aparente contradição desaparece quando separamos as duas curvas:
custo por unidade ↓
uso total ↑↑↑
IA mais barata não significa necessariamente orçamento menor.
Pode significar que inteligência ficou barata o suficiente para a empresa querer comprar muito mais dela.