A Era da Inteligência
IA custa mais que funcionários? O que a Nvidia realmente disse — e a conta que a manchete não mostra
No capítulo anterior de A Era da Inteligência, eu separei duas perguntas que costumam ser misturadas: a inteligência artificial pode ser uma revolução tecnológica permanente e, ao mesmo tempo, existir excesso financeiro em torno dela.
Hoje quero fazer o mesmo com outra frase que circulou muito em 2026:
“IA custa mais caro do que manter funcionários.”
A manchete chama atenção porque parece desmontar uma promessa central da automação: se a máquina deveria fazer parte do trabalho humano, como ela pode custar mais do que as pessoas que supostamente substituiria?
O problema é que essa pergunta já começa misturando unidades diferentes.
A declaração original veio de Bryan Catanzaro, vice-presidente de deep learning aplicado da Nvidia, em entrevista ao Axios. A frase foi:
“For my team, the cost of compute is far beyond the costs of the employees.”
Em português: para a equipe dele, o custo de computação está muito acima do custo dos funcionários.
Isso é relevante. Mas não significa que um agente de IA executando o mesmo trabalho de uma pessoa custa mais do que contratar essa pessoa.
Essa diferença parece pequena. Na prática, muda quase toda a interpretação.
O que a Nvidia realmente disse
Catanzaro lidera uma área de deep learning aplicado dentro da Nvidia. É uma equipe cuja função envolve desenvolver, experimentar, treinar, avaliar e operar sistemas de IA em uma empresa que está justamente na fronteira desse mercado.
Quando ele diz que o gasto com compute da equipe supera o gasto com funcionários, está comparando duas linhas de custo de uma operação de pesquisa e engenharia:
- pessoas;
- infraestrutura computacional.
Ele não apresentou, naquela declaração, uma comparação controlada entre:
- um humano realizando uma tarefa;
- um agente realizando exatamente a mesma tarefa;
- com a mesma qualidade;
- no mesmo prazo;
- e com todos os custos indiretos contabilizados.
Essa é a primeira correção que eu faria na manchete.
Compute maior que folha não é a mesma coisa que IA mais cara que trabalhador para produzir o mesmo resultado.
Uma fábrica de chips pode gastar mais com máquinas do que com salários sem que cada máquina seja economicamente pior do que um operador. Um laboratório pode gastar mais com equipamentos do que com pesquisadores sem que isso torne o equipamento inútil.
A pergunta econômica correta não é “qual linha do orçamento é maior?”.
É:
quanto custa produzir um resultado válido?
Salário, compute e custo por resultado são três coisas diferentes
Eu separaria a discussão em três níveis.
1. Custo total de pessoas
É a folha de pagamento, benefícios, impostos, estrutura, gestão, recrutamento, treinamento e tudo que sustenta uma equipe humana.
2. Custo total de IA
Aqui entram muito mais coisas do que a assinatura de um chatbot:
- tokens de entrada e saída;
- chamadas de ferramentas;
- busca;
- armazenamento;
- embeddings;
- bancos vetoriais;
- observabilidade;
- filas;
- GPUs;
- APIs externas;
- execução de código;
- supervisão humana;
- retries;
- falhas;
- retrabalho;
- segurança;
- integração;
- manutenção.
3. Custo por resultado válido
Esse é o número que realmente interessa.
Uma forma simples de pensar é:
custo por resultado válido =
(compute + ferramentas + infraestrutura + supervisão + retrabalho)
÷
quantidade de resultados aceitos
Se um agente custa US$ 1 para rodar, mas erra metade das vezes e precisa de um humano revisando tudo, o custo real não é US$ 1.
Se outro fluxo custa US$ 4 por execução, mas entrega quase sempre o resultado correto, pode ser economicamente melhor.
E se uma pessoa leva três horas para fazer a tarefa enquanto o agente entrega em cinco minutos, comparar apenas “salário mensal versus tokens” também perde informação.
A conta pode explodir mesmo quando o token fica mais barato
Esse é um dos paradoxos mais interessantes da IA atual.
Modelos ficam mais baratos por unidade. Ao mesmo tempo, empresas gastam cada vez mais.
Não há contradição.
Em 2 de setembro de 2026, a página oficial da API da OpenAI lista o GPT-5.6 Sol a US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída. O GPT-5.6 Luna, voltado a workloads sensíveis a custo, aparece a US$ 0,20 e US$ 1,20, respectivamente.
É uma diferença enorme.
Mas preço unitário menor pode aumentar o uso.
A própria OpenAI publicou hoje um sinal interessante de sua base empresarial: as empresas no grupo de maior uso de IA — o top 10% — estão gerando 8,3 vezes mais tokens de saída por usuário ativo do que empresas típicas. Em janeiro, essa diferença era de 2,6 vezes.
Esse dado vem da própria fornecedora, então eu não trataria como pesquisa neutra sobre toda a economia. Ainda assim, ele mostra um comportamento plausível: quando a IA fica mais útil e mais integrada ao trabalho, ela deixa de ser uma consulta ocasional e começa a operar processos inteiros.
O custo por token cai.
O número de tokens consumidos explode.
É o mesmo tipo de efeito que já vimos em armazenamento, banda e cloud.
Um exemplo simples mostra por que arquitetura importa mais que preço de tabela
Imagine um agente que, para concluir uma tarefa complexa, consuma aproximadamente:
- 200 mil tokens de entrada;
- 30 mil tokens de saída.
Usando os preços atuais do GPT-5.6 Sol, essa execução custaria aproximadamente:
entrada: 0,2 × US$ 4,00 = US$ 0,80
saída: 0,03 × US$ 20,00 = US$ 0,60
total aproximado = US$ 1,40
Se esse agente rodar 100 vezes por dia durante 30 dias:
US$ 1,40 × 3.000 execuções = US$ 4.200/mês
Agora imagine que boa parte dessas tarefas não precise do modelo mais caro.
No GPT-5.6 Luna, com o mesmo volume de tokens, o custo de tabela seria aproximadamente:
entrada: 0,2 × US$ 0,20 = US$ 0,04
saída: 0,03 × US$ 1,20 = US$ 0,036
total aproximado = US$ 0,076
Nas mesmas 3.000 execuções:
US$ 0,076 × 3.000 = US$ 228/mês
Isso não significa que Luna e Sol entreguem a mesma qualidade na tarefa. Esse seria exatamente o erro oposto.
O exemplo serve para mostrar outra coisa:
a escolha de arquitetura pode alterar o custo em uma ordem de grandeza antes mesmo de mexermos no processo de negócio.
Por isso, “usar IA” é uma categoria ampla demais para uma análise financeira séria.
O modelo mais inteligente em tudo é uma arquitetura preguiçosa
Um dos padrões que mais vejo na discussão sobre agentes é tratar o melhor modelo disponível como padrão universal.
Isso é tecnicamente confortável e financeiramente perigoso.
Um sistema de produção pode ter pelo menos quatro níveis:
- regra determinística;
- modelo barato;
- modelo intermediário;
- modelo de fronteira.
O trabalho do sistema é escalar a tarefa apenas quando necessário.
Por exemplo:
regra resolve? → encerra
modelo barato resolve? → encerra
incerteza alta? → modelo melhor
risco alto ou decisão crítica → humano
A Nvidia, inclusive, usa esse raciocínio em seu próprio material sobre agentes. Ao anunciar o Agent Toolkit, afirmou que um blueprint de busca agentic usando abordagem híbrida entre modelos de fronteira e modelos abertos pode reduzir o custo por consulta pela metade em seu cenário de teste.
É uma afirmação do fornecedor, não uma lei universal.
Mas a direção faz sentido: rotear trabalho é mais importante do que simplesmente comprar inteligência máxima para todas as etapas.
O custo invisível dos agentes não está só nos tokens
Tokens são fáceis de medir. Por isso recebem quase toda a atenção.
Os custos mais perigosos são os que aparecem depois.
Retries
Um agente entra em loop, repete ferramentas ou tenta corrigir a própria saída várias vezes.
Contexto inchado
Cada nova etapa carrega histórico, documentos e respostas anteriores que talvez não sejam mais necessários.
Ferramentas caras
Busca, browser, execução de código, bancos externos e APIs podem custar mais do que o próprio modelo.
Supervisão humana
Se alguém precisa revisar 100% das saídas, parte da promessa de automação desaparece.
Erro
Uma resposta errada em um rascunho custa pouco.
Uma resposta errada que cancela um contrato, altera produção ou envia uma cobrança pode custar muito.
Latência
Um fluxo barato que demora demais pode destruir conversão, produtividade ou experiência do usuário.
Integração
O protótipo pode ser feito em uma tarde. O sistema confiável exige autenticação, autorização, auditoria, testes, observabilidade, fallback e manutenção.
Essa é a razão pela qual eu prefiro pensar em economia do sistema, e não em preço do modelo.
E aquele estudo dizendo que humanos são mais baratos em 77% dos casos?
Essa estatística também foi repetida em várias matérias sobre o tema.
Ela vem de um estudo do MIT sobre a economia da automação com computer vision.
O trabalho encontrou que, nas condições analisadas, apenas 23% dos salários associados a tarefas de visão que poderiam tecnicamente ser automatizadas eram economicamente atraentes para automação.
É um estudo importante porque adiciona economia à discussão técnica.
Mas ele não diz que “IA generativa só compensa em 23% dos empregos”.
O foco original era computer vision, com um modelo específico de custos de desenvolvimento e implantação.
Transformar esse número em regra geral para agentes, coding assistants ou LLMs seria repetir o mesmo problema da manchete da Nvidia: pegar um dado verdadeiro e ampliar sua conclusão além do que ele mede.
A lição útil do estudo é outra:
ser tecnicamente possível não significa ser economicamente atraente.
Essa regra vale muito bem para agentes.
Quando a IA realmente fica mais barata que o trabalho humano?
Não existe um número universal.
A automação tende a fechar melhor quando a tarefa tem algumas características:
- alto volume;
- repetição;
- critérios objetivos de qualidade;
- entradas estruturadas;
- baixo custo de erro;
- possibilidade de validação automática;
- pouco contexto tácito;
- baixa necessidade de relacionamento humano;
- ganho claro de velocidade ou disponibilidade.
E tende a fechar pior quando há:
- casos raros;
- alto risco;
- contexto ambíguo;
- responsabilidade legal;
- negociação;
- confiança;
- criatividade avaliada subjetivamente;
- dados insuficientes;
- necessidade de revisão humana integral.
É por isso que um agente pode ser espetacular para classificar milhares de registros e péssimo para decidir sozinho uma negociação estratégica.
A unidade econômica precisa acompanhar a unidade de trabalho.
Como eu mediria IA dentro de um produto ou empresa
Se eu estivesse avaliando hoje uma automação com IA, não começaria pela pergunta “qual modelo é mais barato?”.
Começaria por um baseline.
Primeiro: medir o processo atual
Quanto tempo uma pessoa leva?
Qual o custo aproximado?
Qual a taxa de erro?
Quantas unidades são produzidas?
Qual o impacto de uma falha?
Segundo: medir o sistema de IA inteiro
Eu registraria por execução:
- tokens;
- modelo;
- chamadas de ferramentas;
- duração;
- retries;
- custo;
- resultado aceito ou rejeitado;
- tempo de revisão humana.
Terceiro: calcular custo por resultado aceito
Não por request.
Não por token.
Não por usuário.
Por resultado útil.
Quarto: criar roteamento
Tarefa simples não deveria automaticamente consumir o modelo mais caro.
Quinto: colocar limites
Agentes precisam de orçamento:
- máximo de tokens;
- máximo de passos;
- máximo de retries;
- timeout;
- teto financeiro por execução.
Sem limite, autonomia vira uma forma sofisticada de loop infinito com cartão de crédito.
Para quem vende software, isso muda até o modelo de negócio
Essa discussão não é apenas operacional.
Ela afeta margem.
Um SaaS tradicional consegue prever razoavelmente o custo marginal de um usuário adicional.
Um SaaS com agentes pode ter clientes que custam dez, cinquenta ou cem vezes mais do que outros dependendo de como usam o sistema.
Isso muda decisões como:
- cobrar assinatura fixa ou uso;
- incluir créditos;
- impor limites;
- vender tiers;
- separar modelos premium;
- usar fallback;
- limitar tarefas autônomas;
- cobrar por resultado.
A empresa que trata compute como custo invisível pode crescer receita e destruir margem ao mesmo tempo.
A empresa que mede custo por workflow consegue transformar IA em vantagem operacional.
A manchete estava errada?
Eu diria que ela estava incompleta.
O fato relevante é real: uma equipe de deep learning da Nvidia gasta mais com computação do que com funcionários.
Isso deveria chamar atenção de qualquer pessoa construindo produtos com IA.
Mas a conclusão “logo, é mais barato contratar humanos” não decorre automaticamente daí.
Da mesma forma, “modelos estão ficando mais baratos, então o custo da IA deixará de importar” também é uma conclusão ruim.
O que está acontecendo é mais interessante.
Estamos entrando numa economia em que inteligência computacional pode se tornar mais barata por unidade e, justamente por isso, ser consumida em quantidades muito maiores.
A vantagem não ficará necessariamente com quem tiver acesso ao modelo mais poderoso.
Ela tende a ficar com quem souber responder três perguntas:
- qual tarefa realmente merece IA?
- qual nível de inteligência essa tarefa exige?
- quanto custa cada resultado que chega ao usuário como válido?
É essa terceira pergunta que falta em quase toda discussão sobre “IA versus funcionários”.
O número que eu quero ver no dashboard
Se eu tivesse que escolher uma única métrica para acompanhar um sistema agentic, não seria tokens por mês.
Seria:
custo por resultado válido.
Esse número força tecnologia e negócio a conversarem.
Ele pune loops, retrabalho e modelos superdimensionados.
Ele recompensa boa arquitetura, contexto enxuto, routing, cache, ferramentas determinísticas e validação.
E permite responder a pergunta que realmente interessa:
esta automação cria mais valor do que custa?
Se a resposta for sim, pouco importa se a linha de compute é maior que a folha de uma equipe.
Se a resposta for não, nenhum discurso sobre revolução tecnológica conserta a margem.
Para quem está construindo sistemas com IA e quer aprender a fazer essa conta na prática — escolhendo modelo, medindo custo, usando fallback e colocando IA apenas onde o ROI fecha — esse é justamente um dos focos da AIStack.
No próximo capítulo da série, quero levar essa discussão para o nível individual:
quanto um desenvolvedor deveria realmente gastar com ferramentas de IA?
Respostas de 2