Mudanças à vista na economia da IA

Sarah Friar, diretora financeira da OpenAI, propôs em 17 de julho de 2026 um roteiro para que empresas avaliem seus orçamentos de IA, com uma troca de padrão no centro: sai o preço por token, entra a “inteligência útil por dólar”. A proposta chega justamente quando clientes corporativos cortam gastos migrando para modelos mais baratos. Um movimento que sugere que a próxima disputa entre laboratórios pode passar a ser travada também na definição dos critérios com que os modelos serão avaliados, antes mesmo de existir uma referência independente para arbitrá-los.

Em 12 de junho, a The Shift mostrou que, embora empresas anunciassem reduções sucessivas no preço dos tokens e disputassem clientes com tabelas agressivas, não existia um padrão independente para medir o verdadeiro custo econômico da IA. Cada laboratório comparava seus modelos com métricas próprias. A Tokenomics Foundation, anunciada em 3 de junho de 2026 pela Linux Foundation, nasceu para preencher essa lacuna com padrões abertos de mensuração baseados na especificação FOCUS. Até 21 de julho, a fundação seguia sem especificação publicada, governança detalhada ou calendário público.

A recomendação de Friar é abandonar as métricas de consumo e avaliar quanto custa concluir uma tarefa com sucesso, considerando retrabalho, novas tentativas, revisão humana e qualidade da entrega. O documento vai além da métrica: acompanha um aparato de gestão, com políticas de gasto, limites por grupo de usuários, visibilidade de uso e tratamento do investimento em IA como portfólio. A ambição, nesse desenho, é mudar o processo de compra do cliente, e não apenas o número que ele consulta. A métrica favorece qualquer modelo que conclua mais trabalho por chamada. É o caso, hoje, dos modelos da OpenAI, entre os mais caros do mercado, como o Axios registrou no mesmo dia 17.

CADASTRE-SE GRÁTIS PARA ACESSAR 5 CONTEÚDOS MENSAIS

Já recebe a newsletter? Ative seu acesso

Ao cadastrar-se você declara que está de acordo
com nossos Termos de Uso e Privacidade.

Cadastrar

O token deixa de ser a unidade econômica relevante

Três dias depois, em 20 de julho, o PitchBook publicou diagnóstico semelhante, resumido na tese da própria nota de análise: o mercado está precificando tokens quando deveria precificar trabalho. Seus analistas modelaram o custo de uma tarefa empresarial agêntica representativa e concluíram que o Claude Opus 4.8, um dos modelos mais caros por token, a executa por aproximadamente US$ 2,56. Já o Muse Spark, da Meta, apesar de figurar como o mais barato na tabela de preços, termina a mesma tarefa por cerca de US$ 5,83 após contabilizar novas tentativas e intervenção humana. O Gemini 3.1 Pro aparece logo atrás do Opus, a US$ 2,62. A ironia é factual: pela modelagem do PitchBook, a régua que a OpenAI defende coroa a rival. O GPT-5.6 Sol fica atrás do Opus em custo por tarefa, e o veredicto do relatório declara a Anthropic vencedora em valor, com a OpenAI logo atrás.

Mais importante do que a conclusão semelhante foi o PitchBook adotar exatamente a mesma unidade econômica. Sem usar a expressão “inteligência útil por dólar”, o relatório abandona o token como unidade de comparação e mede custo por trabalho concluído. É um sinal de que a mudança de linguagem começa a ultrapassar o discurso dos próprios laboratórios. O exercício, vale a ressalva, é modelagem, e não teste empírico: sobre uma tarefa fixada em 60 mil tokens de entrada e 12 mil de saída por tentativa, com custo atribuído de US$ 17 a cada falha, as taxas de sucesso (90% para o Opus, 75% para o Muse Spark) são premissas declaradas, das quais o resultado depende; o próprio relatório admite que a análise muda se avaliações independentes mostrarem o nível barato igualando o premium.

Há fundamentos sólidos para essa mudança. Em aplicações corporativas, o preço do token representa apenas uma parte do custo. Um modelo barato que falha repetidamente pode consumir mais inferências, exigir supervisão humana, atrasar processos e elevar o custo operacional. Sob essa ótica, avaliar apenas o preço por token produz uma visão incompleta do investimento.

Mas a mudança também altera quem parece competitivo.

Desde 2023, a guerra comercial entre laboratórios foi marcada por reduções sucessivas no preço dos tokens, trajetória que hoje diverge por segmento: o release da Linux Foundation de 3 de junho registra estabilização dos custos desde 2025 e modelos novos mais caros, enquanto o PitchBook descrevia, em 20 de julho, um piso de mercado com preços abaixo do custo de operação e níveis premium sustentando os seus. Esse piso, estima a casa, se mantém com dívida: com custo de operação calculado entre US$ 6 e US$ 8 por milhão de tokens de saída (margens implícitas de -17% a -65% nos modelos mais baratos), a diferença seria financiada pelo mercado de crédito privado, de cerca de US$ 3,5 trilhões.

O scorecard da OpenAI não toca nesse debate: desloca o foco do preço para a gestão do gasto. Enquanto a régua era o token, quem cobrava menos parecia oferecer a melhor relação custo-benefício. Quando a régua muda para custo por tarefa concluída, essa hierarquia pode se inverter. Modelos maiores, mais sofisticados e mais caros passam a aparecer como alternativas economicamente superiores, justamente porque reduzem retrabalho e aumentam a taxa de sucesso.

O efeito prático aparece em qualquer processo de compra. Uma RFP lançada por um banco em 2027 ilustra o ponto: se exigir custo por tarefa concluída, determinados modelos aparecerão como mais competitivos; se exigir custo por milhão de tokens, o ranking pode ser outro. A escolha da métrica influencia diretamente quais fornecedores parecem oferecer melhor retorno.

É nesse ponto que a cronologia chama atenção.

Em 3 de junho, a indústria reconhecia que ainda não havia um padrão neutro para medir a economia da IA. Em 17 de julho, um dos maiores fornecedores do setor publicou sua própria metodologia, enquanto uma das principais casas de análise do mercado reforçava raciocínio semelhante por meio de modelagem própria: análise de mercado sem pretensão de virar padrão, cujo efeito, ainda assim, é legitimar a unidade de medida em disputa.

Não há evidência de coordenação entre os movimentos, nem de que a publicação da OpenAI responda à criação da Tokenomics Foundation; o que a sequência mostra é que, antes de o padrão aberto avançar, metodologias proprietárias começam a surgir. E há um dado que reforça a leitura de réguas concorrentes, e não complementares: nem OpenAI nem Anthropic figuram na lista de apoiadores iniciais da Tokenomics Foundation, ausência apontada pelo The New Stack em 4 de junho. Os laboratórios ficaram fora do espaço neutro, e a OpenAI publicou régua própria.

O que essa sequência coloca em disputa é a unidade de conta da IA empresarial, e não apenas um novo indicador de desempenho. O próprio relatório do PitchBook trata o tema nesses termos, ao intitular uma de suas seções “The unit of account: Value per token” (a unidade de conta: valor por token). Precedentes tecnológicos indicam o alcance desse tipo de mudança: quando a computação em nuvem substituiu a capacidade instalada pela cobrança por uso, ao longo dos anos 2000 e 2010, mudaram os contratos, os orçamentos e a hierarquia de fornecedores; a própria disciplina de FinOps, presente na origem da Tokenomics Foundation, nasceu dessa transição. A passagem do token para o trabalho concluído tem a mesma natureza.

Métricas moldam mercados. Elas definem como produtos são comparados, quais indicadores entram nas RFPs, quais cláusulas aparecem nos contratos e quais perguntas os CFOs fazem durante uma negociação. Em outras palavras, ajudam a determinar quem parece caro, quem parece eficiente e quem parece gerar retorno.

É justamente por isso que a criação de um padrão neutro se torna estratégica. Se cada fornecedor estabelecer sua própria forma de medir valor antes que exista uma referência independente, a disputa deixa de ocorrer apenas entre modelos e passa a acontecer também na definição da linguagem econômica usada para avaliá-los.

Se esse ritmo se mantiver, a vantagem competitiva passará a incluir a capacidade de convencer compradores, consultorias, analistas e CFOs de que determinada forma de medir valor deve se tornar o padrão do mercado. Os próximos testes têm data. Em 22 e 23 de setembro de 2026, o Tokenomicon de Amsterdã indicará se a extensão da especificação FOCUS para tokens incorporará o custo por tarefa concluída ou se cada fornecedor seguirá medindo a si mesmo. Em outubro, o registro de abertura de capital da Anthropic deve expor pela primeira vez a margem bruta da camada de modelos, a página que, segundo o próprio PitchBook, converte a maior parte de suas estimativas em fato verificável, em qualquer direção.