O custo do token caiu aproximadamente mil vezes em três anos. E o gasto corporativo com IA subiu 320% no mesmo período. Essa aparente contradição, diz Andrei Graça, Sócio-líder de Inteligência Artificial e Dados da EY Brasil, se explica por um equívoco que a maioria das empresas comete ao tentar escalar a tecnologia sem governança estabelecida previamente: esquecer que o token não é o único custo da IA, e ignorar o paradoxo de Jevons, fenômeno identificado no século XIX, quando a humanidade começou a usar o motor a vapor.

Entender a real composição dos custos da IA corporativa é o ponto de partida para qualquer empresa que queira escalar a tecnologia sem ser surpreendida pela fatura. “O token é só um pedacinho do iceberg. Você tem diversos outros desdobramentos de custo que não estão entrando na conta, e nem na lista de perguntas de CEOs e CFOs”, alerta Andrei

E o problema só aumenta quando se trata da IA agêntica, diz ele, referindo-se ao mapeamento que a EY fez no estudo “Unlocking Agentic Value: a new investment discipline for the agentic era“. Embora o custo do token seja realmente uma das fatias mais significativas do uso da IA agêntica, ele é apenas a fração mais visível do custo real. O restante está escondido, fora do business case, e vai comprometer a identificação do real valor para o negócio que a IA pode trazer.

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 Paradoxo de Jevons na era da IA

Para entender por que a conta sobe enquanto o preço unitário cai, Andrei recorre a um economista do século XIX, William Stanley Jevons. Ele observou, na época do motor a vapor, que tornar os fornos mais eficientes no uso de carvão não reduziu o consumo de carvão — aumentou. A eficiência barateou o uso, o uso se expandiu, e o consumo total explodiu. Nasceu daí o Paradoxo de Jevons

Trazendo o problema para o século XXI, “é exatamente o que está acontecendo com a IA generativa e com os tokens: quanto mais baratos eles se tornam, maior é a adoção e a demanda gerada, exigindo novos mecanismos de governança e gestão”, lembra Andrei.

O mecanismo que alimenta esse paradoxo tem nome técnico na era da IA agêntica: é a diferença entre um chatbot e um agente. Um chatbot responde a uma pergunta. Um agente é um loop — ele pensa, busca informações, verifica, chama ferramentas externas, refina a resposta e executa ações. Uma única instrução do usuário pode disparar de 10 a 50 chamadas ao modelo de linguagem. Multiplique isso por centenas de agentes rodando simultaneamente em processos corporativos e o consumo de tokens torna-se exponencial.

O resultado está aparecendo nas demonstrações financeiras de empresas que avançaram rápido sem criar disciplina de gestão de custos. A Uber consumiu todo o orçamento de IA de 2026 já em abril. Outra empresa gerou uma conta de aproximadamente US$ 500 milhões devido à má configuração em um agente. Casos como esses são o destino provável de organizações que tratam IA como uma linha de custo previsível quando ela é, na realidade, uma exposição financeira variável e potencialmente explosiva.

O que realmente está na conta

“Antes da IA Generativa, o TCO era uma conta relativamente previsível, você substituía um custo fixo, como o de mão de obra, por outro custo fixo, como o de uma licença de software”, diz Andrei. “Hoje, com a IA, boa parte do custo passou a ser variável, atrelada ao consumo. E, se não for governada, pode crescer de forma descontrolada.”

O TCO — Total Cost of Ownership — da IA agêntica, que a EY chama de Total Cost of Agents (TCA), tem sete categorias. As três primeiras costumam já aparecer nos orçamentos: tokens e chamadas de API, assinaturas e licenças e infraestrutura de plataforma. As outras quatro raramente entram na conta que chega para aprovação: governança e guardrails, mudança organizacional, falhas esperadas e recuperação, e os potenciais “impostos sobre IA” — uma camada regulatória ainda em formação.

Cada categoria tem peso real. A governança e os guardrails são o custo de garantir que os agentes não façam o que não deveriam. Como o caso, amplamente noticiado, de uma companhia aérea cujo assistente virtual inventou uma modalidade de reembolso inexistente, ou o de uma concessionária cujo chatbot chegou a “vender” um carro por um dólar por não ter limites bem definidos. A mudança organizacional é o custo de letramento, treinamento e redesenho de processos. As falhas esperadas e a recuperação envolvem o custo de consertar, e de prevenir, o que os agentes fazem de errado. E os potenciais impostos sobre IA representam o custo de se adequar a um ambiente legal em transformação, no Brasil e no mundo. “Este último tratamos como um custo sinalizado, mas não materializado”, comenta Andrei.

Quando o custo esconde o real valor

No relatório da EY sobre o custo agêntico há uma frase que endereça as “lendas urbanas” da IA: “a conversa mais barulhenta sobre IA é sobre o quanto ela custa. A mais importante é sobre o valor que ela gera”. Ou seja, antes de qualquer discussão sobre como controlar esses custos, diz Andrei, é fundamental estabelecer que custo não deve ser visto como sinônimo de problema. “O custo pode existir”, diz ele. “O que realmente importa é saber se o valor que está sendo gerado justifica esse custo.”

Ele recorre a um exemplo hipotético. Suponha uma empresa que fixa uma meta inegociável de segurança: proteger vidas dentro de ambientes hostis. Qualquer iniciativa a serviço dessa meta ganha orçamento, à revelia do retorno financeiro calculável. Aí a IA entra como meio: monitorando equipamentos em ambientes de risco, substituindo inspeções humanas em áreas perigosas. “O business case não é financeiro, é de proteção”, resume. “Reduzir a exposição das pessoas ao risco. Aprovado.”

Andrei lembra que há, também, os casos em que a matemática é de break-even, não de lucro imediato. Reduzir o número de analistas de uma área porque agentes assumiram tarefas operacionais não gera economia direta se o custo dos agentes for equivalente ao custo dos salários. Mas libera capacidade humana para trabalho de maior valor — e isso é um multiplicador que não aparece na subtração simples.

“O resultado não é necessariamente uma soma menos uma subtração de valores. Ele pode gerar um break-even, ficar empatado. Mas o resultado do ponto de vista da empresa é multiplicador de outra forma.”

O ponto de vista da EY, que Andrei sintetiza, é “tratar agentes como investimentos de crescimento, não como linhas de custo. Cada agente precisa ter um dono claro, um orçamento definido e uma métrica de valor mensurável. Sem isso, o que se tem é “shadow AI com fatura variável”.

FinOps agêntico separa quem escala de quem não escala

A resposta estrutural ao problema do custo oculto é uma disciplina que a maioria das empresas ainda não tem: o FinOps agêntico. Não confundir com o FinOps tradicional, que gerencia custos de licenciamento e infraestrutura de nuvem. São coisas diferentes. “As empresas vão precisar de uma estrutura, de fato, para governar isso de forma consistente e manter os custos previsíveis e sob controle”, diz Andrei

O FinOps tradicional não dá conta da IA porque, aqui, o custo deixou de ser determinístico. Uma instância de servidor tem tipo, duração e preço fixos. Já um agente que consome tokens, aciona ferramentas e executa fluxos de múltiplas etapas, não. A fatura chega como uma linha única — e a pergunta “qual agente, qual área, qual tarefa consumiu esse valor?” simplesmente não encontra resposta na fatura.

O FinOps agêntico exige cinco capacidades específicas:

• Classificar workloads por tipo;
• Atribuir custo por agente, equipe e produto;
• Criar guardrails e spend caps por agente;
• Fazer roteamento de modelo (usar o LLM certo para cada tarefa, não o mais poderoso para tudo);
• Manter trilha de auditoria imutável de cada ação de agente.

“As referências de maturidade que eu costumo citar”, diz Andrei, “são empresas digitais de alto volume, que mantêm uma disciplina de FinOps dedicada, separada do financeiro tradicional. Em operações que processam um enorme número de transações por minuto nos horários de pico, há muita IA embarcada, e geralmente, elas mantêm uma equipe dedicada para gerenciar isso.”

O retorno do on-premises

Mas governar o custo não é apenas questão de disciplina financeira, é também de arquitetura. E é aqui que uma velha conhecida das empresas reaparece com roupagem nova. Há uma discussão ganhando força no mercado: o on-premises está de volta. Não por moda, mas por uma necessidade que a IA tornou urgente — previsibilidade de custo. “É como decidir entre alugar e comprar”, compara Andrei. “Se você usa de vez em quando, alugar é o melhor caminho. Mas, quando o uso é intenso e diário, ter o seu próprio ativo passa a compensar — e, principalmente, você sabe quanto vai pagar no fim do mês.” Com o consumo de IA em trajetória de alta, essa previsibilidade virou um argumento de peso — tão relevante quanto a própria tecnologia.

Três perguntas que todo Board deveria estar fazendo

O executivo organiza o problema em três perguntas que considera inegociáveis para qualquer liderança aprovando projetos de IA agêntica.

1. Quanto de valor essa solução está trazendo para o negócio? Não só em reais, mas em risco evitado, capacidade liberada, decisões aceleradas.
2. Qual é o custo visível? Quanto custa em token, e como esse consumo vai escalar à medida que os agentes se multiplicarem e os workflows ficarem mais complexos?
3. Qual é o custo invisível? O que está por trás dele? Infraestrutura, computação, change management, mudança organizacional, governança, adequação regulatória. “Você está criando a governança para mitigar os riscos de alucinação? Você colocou os guardrails? Cadê essa conta?”

A resposta da EY para essas três perguntas está no que Andrei chama de gestão de custo by design: incorporar o FinOps agêntico desde a concepção de qualquer iniciativa que envolva consumo de LLMs. “Na hora em que você montar o business case, você precisa colocar na pauta esse levantamento de custo. Porque agora essa conta entra também.”

O ponto de chegada, para as empresas que fizerem esse trabalho bem, é uma arquitetura que ele descreve como hybrid-first: nuvem para elasticidade e casos de uso variáveis; on-premises ou sovereign cloud para o núcleo crítico. Não é um retorno ao passado — é uma maturidade que o mercado ainda está aprendendo a ter.