{"version":"1.0","type":"agent_native_article","locale":"pt","slug":"pipeline-ia-empresarial-nao-perde-dinheiro-tokens-perde-antes-mrusqx9k","title":"O pipeline de IA empresarial não perde dinheiro pelos tokens: perde antes","primary_category":"innovation","author":{"name":"Ignacio Silva","slug":"ignacio-silva"},"published_at":"2026-07-21T14:02:33.545Z","total_votes":86,"comment_count":0,"has_map":true,"urls":{"human":"https://sustainabl.net/pt/articulo/pipeline-ia-empresarial-nao-perde-dinheiro-tokens-perde-antes-mrusqx9k","agent":"https://sustainabl.net/agent-native/pt/articulo/pipeline-ia-empresarial-nao-perde-dinheiro-tokens-perde-antes-mrusqx9k"},"summary":{"one_line":"As empresas perdem dinheiro em IA não pelo custo dos tokens, mas por ausência de arquitetura de dados, governança e roteamento inteligente de modelos antes de qualquer consumo.","core_question":"Por que o custo de IA empresarial continua crescendo mesmo quando os preços dos tokens caem, e onde está realmente o vazamento?","main_thesis":"O problema de custo na IA empresarial não é o preço por token, mas a ausência de design arquitetônico prévio: dados sem curadoria, agentes sem memória, acesso não governado e uso indiscriminado dos modelos mais caros geram desperdício estrutural que nenhuma redução de preço de fornecedor pode corrigir."},"content_markdown":"## O pipeline de IA empresarial não perde dinheiro pelos tokens: perde antes\n\nExiste um momento em que o acúmulo de pilotos de inteligência artificial deixa de parecer ambição e começa a parecer desordem. Esse momento chegou a muitas grandes empresas em 2026, e o sinal mais claro não foi um colapso tecnológico nem uma falha de modelo. Foi algo mais mundano e mais difícil de defender em uma reunião de conselho de administração: o consumo de tokens correu à frente do orçamento sem gerar valor proporcional.\n\nA Uber foi um dos casos que veio à tona. A empresa ajustou seus gastos internos com IA depois que o consumo superou o planejado. Não foi uma exceção estranha; foi o sintoma visível de um padrão que se repete em organizações que adotaram IA com lógica maximalista durante os dois anos anteriores: mais casos de uso, mais agentes implantados, mais funcionários incorporados ao sistema, mais tokens consumidos. A lógica era defensável no início. Quando uma tecnologia é nova e seu potencial de transformação ainda não está claro, a exploração ampla faz sentido. O problema é que essa exploração não parou quando deveria ter cedido espaço a uma arquitetura deliberada.\n\nSumeet Agrawal, Vice-Presidente de Gestão de Produto para Dados, Governança de IA e Engenharia de Contexto na Salesforce, publicou na Fortune um diagnóstico que merece mais atenção do que costuma receber uma coluna de opinião corporativa. Seu argumento central é preciso: reduzir o preço dos tokens não resolve o problema porque o problema não está no preço. Está em como as empresas estão arquitetadas para utilizá-los.\n\n## Um pipeline que vaza em cada etapa\n\nA metáfora que Agrawal utiliza é útil porque é exata: o pipeline moderno de IA em uma grande empresa se comporta como uma peneira. Filtra tokens, e com eles dinheiro, em cada fase de execução. E não faz isso por acidente; faz por design. Ou, mais precisamente, por ausência de design.\n\nQuando um agente recebe uma consulta de vendas ou de atendimento ao cliente, a primeira coisa que faz — caso não tenha uma infraestrutura de dados bem construída por baixo — é inundar o prompt com contexto bruto. Dados sem curadoria, registros duplicados, histórico sem priorização. O modelo então processa essa massa de informações, a maior parte das quais é ruído. Segundo Agrawal, esse excesso pode significar **entre cinco e dez vezes mais tokens do que o necessário por interação**. A preços entre dez e quinze dólares por milhão de tokens, e com milhares de interações diárias em uma empresa de escala média-grande, a aritmética se torna difícil de ignorar rapidamente.\n\nO segundo ponto de vazamento é o acesso não governado aos dados. Sem um catálogo claro, sem linhagem, sem sinais de qualidade, os agentes navegam por armazéns de dados em busca de informações confiáveis. O processo é lento, caro e produz resultados inconsistentes. A governança, quando existe, costuma funcionar como um controle posterior, e não como um sinal de roteamento que direcione o agente aos dados certificados já na primeira tentativa.\n\nO terceiro ponto de vazamento é talvez o mais custoso em termos de orçamento direto: enviar cada tarefa ao modelo mais robusto disponível, independentemente da complexidade da tarefa. Uma classificação rotineira ou uma busca simples não requerem o mesmo modelo que um raciocínio complexo ou uma decisão sensível. Tratar todos os casos com o mesmo modelo de fronteira é o equivalente organizacional de usar uma equipe de diretores sênior para tarefas que um analista júnior poderia resolver: tecnicamente possível, funcionalmente absurdo.\n\nOs dois últimos pontos de vazamento são menos visíveis, mas igualmente custosos. Os agentes sem memória persistente começam cada interação do zero: recarregam contexto, reprocessam histórico, redescobrem exceções que já haviam sido resolvidas. E os agentes sem semântica reutilizável tornam a gerar respostas que poderiam ter sido armazenadas em cache ou pré-computadas. Cada interação recorrente é paga como se fosse a primeira.\n\n## O que os fornecedores não podem resolver por você\n\nAnthropic, OpenAI e Google reduziram os preços dos tokens de entrada e lançaram mecanismos de cache de prompts. O Cursor, em sua versão Composer 2.5, incorpora o custo como variável na seleção de modelos, e não apenas o desempenho. Essas são respostas racionais à pressão dos clientes, mas atacam a variável errada se a empresa não tiver resolvido seus problemas de arquitetura interna.\n\nReduzir o preço por token em um sistema que consome dez vezes mais tokens do que o necessário produz uma economia proporcional, mas não fecha a brecha estrutural. É uma melhoria linear sobre um problema que tem solução de ordem de magnitude. A empresa que resolve primeiro a arquitetura obtém uma vantagem que a redução de preços não consegue replicar, porque essa vantagem não está no mercado de tokens: está na qualidade dos dados próprios, na governança dos fluxos e na capacidade de rotear o trabalho para o modelo correto de acordo com a natureza de cada tarefa.\n\nAgrawal formula isso com clareza: qualquer empresa pode comprar mais tokens. Muito poucas sabem como extrair mais valor de menos tokens. A diferença entre ambas não é tecnológica no sentido estrito do termo. É arquitetônica e organizacional.\n\nO exemplo que ele oferece é concreto: a integração entre a gestão de dados mestres da Informatica e o Data 360, a plataforma de dados de clientes da Salesforce, garante que cada agente opere sobre contexto de cliente verificado e enriquecido semanticamente. O resultado não é apenas eficiência de tokens: é a conversão do consumo não governado de IA em valor de negócio mensurável e auditável.\n\n## O verdadeiro custo do design ausente\n\nDo ponto de vista do design organizacional, o que Agrawal descreve não é um problema tecnológico nem um problema de preços. É o custo diferido de ter pulado a fase de exploração disciplinada para instalar-se em uma fase de exploração prematura de uma tecnologia que ainda não tinha as bases para ser utilizada de forma eficiente.\n\nAs empresas que adotaram IA com lógica maximalista entre 2024 e 2025 o fizeram sob pressão legítima: a incerteza sobre quais modelos, quais fluxos de trabalho e quais equipes gerariam valor justificava uma estratégia de implantação ampla. O que não justificava — e que muitas organizações não fizeram — era construir em paralelo a infraestrutura de dados e governança que iria determinar se essa implantação escalaria de forma sustentável ou simplesmente acumularia dívida técnica.\n\nO problema não foi ter explorado. Foi ter explorado sem design de fundo. E agora esse design ausente se apresenta na forma de faturas de tokens que superam os planos e resultados que não podem ser atribuídos a investimentos específicos.\n\nExiste um padrão nos casos de adoção tecnológica empresarial que vale a pena nomear: as organizações tendem a medir cedo demais com os critérios errados, condenando iniciativas que ainda não deveriam estar sendo julgadas com as mesmas métricas do negócio central. Mas também tendem a deixar por tempo demais sem nenhuma métrica iniciativas que já deveriam estar produzindo valor. Com a IA empresarial, muitas empresas fizeram a segunda opção: implantaram sem medir nem arquitetar, e agora enfrentam o ajuste a partir de uma posição de maior desordem e maior custo acumulado.\n\nA correção não é custosa em termos absolutos. Um catálogo de dados bem construído, sinais de qualidade que funcionem como roteadores, memória persistente para os agentes, regras claras de atribuição de modelos de acordo com a complexidade da tarefa: nenhuma dessas decisões exige um orçamento excepcional. Exigem algo mais difícil de conseguir em organizações que já estão em modo de escala: prioridade deliberada e disciplina arquitetônica sustentada ao longo do tempo.\n\n## A vantagem que não se pode comprar no mercado de modelos\n\nAgrawal enquadra a eficiência de tokens como a próxima vantagem competitiva na IA empresarial. A leitura é correta, mas pode ser refinada. A vantagem real não está na eficiência de tokens como métrica isolada. Está na capacidade organizacional de converter dados próprios em contexto confiável para agentes que operam em escala, com governança suficiente para que os resultados sejam auditáveis e atribuíveis.\n\nIsso não é uma capacidade que se compra de um fornecedor de modelos nem que se obtém reduzindo o preço por milhão de tokens. É uma capacidade que se constrói internamente, com decisões de arquitetura de dados que precedem a implantação de agentes — e não o contrário. As empresas que já têm essa infraestrutura obtêm uma vantagem que se amplia com o tempo: cada interação é mais barata, mais rápida e mais confiável do que a anterior. As que não a têm enfrentam custos que não caem apenas porque os preços dos tokens diminuam.\n\nO mercado de modelos de linguagem continuará ficando mais barato ao longo do tempo. Isso é quase certo. Mas a brecha entre empresas que sabem usar IA com eficiência e as que não sabem continuará sendo um problema de design organizacional, de qualidade de dados e de governança. E essa brecha não tem solução no catálogo de nenhum fornecedor externo.\n\nAs organizações que em 2026 ainda operam com agentes sem estado, sem catálogos de dados funcionais e enviando toda carga de trabalho ao modelo mais custoso disponível, não estão pagando por tokens. Estão pagando o preço diferido de não terem projetado sua infraestrutura de IA quando ainda era barato fazê-lo.","article_map":{"title":"O pipeline de IA empresarial não perde dinheiro pelos tokens: perde antes","entities":[{"name":"Uber","type":"company","role_in_article":"Caso concreto de empresa que ajustou gastos com IA após consumo de tokens superar o planejado, usado como sintoma visível do padrão sistêmico."},{"name":"Sumeet Agrawal","type":"person","role_in_article":"VP de Gestão de Produto para Dados, Governança de IA e Engenharia de Contexto na Salesforce; autor do diagnóstico central citado no artigo."},{"name":"Salesforce","type":"company","role_in_article":"Fornecedora da plataforma Data 360 e empregadora de Agrawal; usada como exemplo de solução arquitetônica integrada."},{"name":"Informatica","type":"company","role_in_article":"Fornecedora de gestão de dados mestres integrada com Salesforce Data 360 como exemplo de solução de governança."},{"name":"Anthropic","type":"company","role_in_article":"Fornecedora de modelos que reduziu preços de tokens e lançou cache de prompts — resposta que o artigo considera insuficiente sem arquitetura interna."},{"name":"OpenAI","type":"company","role_in_article":"Idem Anthropic: reduziu preços mas não resolve o problema estrutural das empresas clientes."},{"name":"Google","type":"company","role_in_article":"Idem Anthropic e OpenAI no contexto de redução de preços de tokens."},{"name":"Cursor","type":"product","role_in_article":"Ferramenta que incorpora custo como variável na seleção de modelos em sua versão Composer 2.5, citada como exemplo de resposta racional à pressão de custos."},{"name":"Fortune","type":"institution","role_in_article":"Publicação onde Agrawal publicou o diagnóstico citado como base do artigo."},{"name":"Pipeline de IA empresarial","type":"technology","role_in_article":"Conceito central: a cadeia de processos de IA em grandes empresas que vaza valor em cada etapa por ausência de design arquitetônico."}],"tradeoffs":["Exploração ampla de IA (velocidade de aprendizado) vs. arquitetura deliberada (eficiência e ROI atribuível)","Usar modelo de fronteira para todas as tarefas (simplicidade operacional) vs. roteamento por complexidade (custo e eficiência)","Implantar agentes rapidamente (pressão competitiva) vs. construir infraestrutura de dados primeiro (custo diferido vs. custo acumulado)","Comprar eficiência de tokens via preços de fornecedores (solução externa, linear) vs. construir arquitetura interna (solução própria, de ordem de magnitude)","Medir ROI cedo com métricas de negócio central (risco de condenar iniciativas prematuras) vs. deixar sem métricas por tempo demais (acumulação de dívida técnica)"],"key_claims":[{"claim":"O consumo de tokens em grandes empresas pode ser 5 a 10 vezes maior do que o necessário por interação devido a contexto bruto sem curadoria.","confidence":"high","support_type":"reported_fact"},{"claim":"A Uber ajustou seus gastos internos com IA após o consumo superar o planejado em 2026.","confidence":"high","support_type":"reported_fact"},{"claim":"Reduzir o preço por token não resolve o problema estrutural se a empresa não tiver resolvido sua arquitetura de dados interna.","confidence":"high","support_type":"inference"},{"claim":"A integração entre Informatica e Salesforce Data 360 converte consumo não governado de IA em valor mensurável e auditável.","confidence":"medium","support_type":"reported_fact"},{"claim":"A vantagem competitiva real em IA empresarial está na capacidade de converter dados próprios em contexto confiável para agentes, não na eficiência de tokens como métrica isolada.","confidence":"interpretive","support_type":"editorial_judgment"},{"claim":"As empresas que adotaram IA com lógica maximalista sem infraestrutura paralela acumularam dívida técnica que agora se manifesta como faturas de tokens sem ROI atribuível.","confidence":"high","support_type":"inference"},{"claim":"Nenhuma das correções necessárias (catálogo de dados, memória persistente, roteamento por complexidade) exige orçamento excepcional — exige prioridade deliberada e disciplina arquitetônica.","confidence":"interpretive","support_type":"editorial_judgment"}],"main_thesis":"O problema de custo na IA empresarial não é o preço por token, mas a ausência de design arquitetônico prévio: dados sem curadoria, agentes sem memória, acesso não governado e uso indiscriminado dos modelos mais caros geram desperdício estrutural que nenhuma redução de preço de fornecedor pode corrigir.","core_question":"Por que o custo de IA empresarial continua crescendo mesmo quando os preços dos tokens caem, e onde está realmente o vazamento?","core_tensions":["Pressão para implantar IA rapidamente vs. necessidade de construir infraestrutura de dados que precede a implantação eficiente","Mercado de tokens ficando mais barato vs. brecha organizacional que não se fecha com redução de preços","Vantagem competitiva em IA como capacidade interna construída vs. tentação de comprá-la de fornecedores externos","Exploração legítima de tecnologia nova vs. ausência de disciplina arquitetônica que converte exploração em desordem"],"open_questions":["Qual é o custo real de construir a infraestrutura de dados necessária vs. o custo acumulado de não tê-la?","Como as PMEs, sem equipes de dados maduras, podem implementar governança suficiente para evitar os mesmos vazamentos das grandes empresas?","Existe um ponto de inflexão de escala a partir do qual os vazamentos de tokens se tornam insuportáveis, ou o problema aparece antes?","Como medir o ROI da infraestrutura de dados e governança de forma que seja defensável em reuniões de conselho?","Os fornecedores de modelos têm incentivo para ajudar os clientes a consumir menos tokens, ou o modelo de negócio os incentiva a manter o consumo alto?"],"training_value":{"recommended_for":["CFOs e CIOs avaliando orçamentos de IA empresarial","Arquitetos de dados e engenheiros de plataforma responsáveis por infraestrutura de agentes","Líderes de transformação digital que gerenciam portfólios de pilotos de IA","Consultores e advisors em estratégia de adoção de IA corporativa","Equipes de produto responsáveis por agentes de IA em escala"],"when_this_article_is_useful":["Ao avaliar por que o orçamento de IA cresce sem ROI proporcional","Ao priorizar investimentos em infraestrutura de dados vs. novos casos de uso de IA","Ao negociar com fornecedores de modelos e entender o que eles podem e não podem resolver","Ao diagnosticar por que agentes implantados produzem resultados inconsistentes ou caros","Ao construir o caso de negócio para governança de dados como prerequisito de escala de IA"],"what_a_business_agent_can_learn":["Os cinco pontos de vazamento de valor em pipelines de IA empresarial e cómo identificá-los em uma organização","A diferença entre eficiência de tokens como métrica e capacidade organizacional de converter dados próprios em contexto confiável","Por que reduzir preços de fornecedores é uma solução linear para um problema de ordem de magnitude","Como sequenciar corretamente a implantação de IA: infraestrutura de dados e governança antes de escalar agentes","O padrão recorrente de adoção maximalista seguida de ajuste forçado e como antecipar o ponto de inflexão","Como formular o argumento de ROI de infraestrutura de dados para audiências executivas e de conselho"]},"argument_outline":[{"label":"1. O sintoma visível","point":"Empresas como Uber ajustaram gastos com IA após consumo de tokens superar o planejado, revelando um padrão sistêmico de adoção maximalista sem arquitetura de suporte.","why_it_matters":"Mostra que o problema não é isolado nem tecnológico: é organizacional e replicável em qualquer empresa que adotou IA entre 2024-2025 sem infraestrutura de dados paralela."},{"label":"2. Os cinco pontos de vazamento","point":"Contexto bruto sem curadoria (5-10x tokens extras), acesso não governado a dados, uso do modelo mais robusto para qualquer tarefa, agentes sem memória persistente e ausência de semântica reutilizável.","why_it_matters":"Cada ponto é uma decisão de design ausente, não uma falha técnica. Identificá-los permite priorizar correções de alto impacto sem orçamento excepcional."},{"label":"3. O que os fornecedores não resolvem","point":"Anthropic, OpenAI e Google reduziram preços e lançaram cache de prompts. Isso gera economia proporcional, mas não fecha a brecha estrutural de quem consome 10x mais tokens do que o necessário.","why_it_matters":"A vantagem competitiva real não está no mercado de tokens, está na qualidade dos dados próprios e na governança interna — ativos que não se compram de fornecedores externos."},{"label":"4. O custo do design ausente","point":"A exploração ampla de IA em 2024-2025 foi defensável; o erro foi não construir em paralelo a infraestrutura de dados e governança que determinaria se a escala seria sustentável.","why_it_matters":"Nomeia a causa raiz: não foi a tecnologia que falhou, foi a sequência de decisões organizacionais — implantar antes de arquitetar."},{"label":"5. A vantagem que não se compra","point":"Empresas com catálogo de dados, sinais de qualidade como roteadores, memória persistente para agentes e regras de atribuição de modelos por complexidade obtêm vantagem que se amplia com o tempo.","why_it_matters":"A brecha entre quem sabe usar IA com eficiência e quem não sabe é de design organizacional, não de acesso a modelos. Isso torna a vantagem difícil de replicar por concorrentes que não fizeram o trabalho de base."}],"one_line_summary":"As empresas perdem dinheiro em IA não pelo custo dos tokens, mas por ausência de arquitetura de dados, governança e roteamento inteligente de modelos antes de qualquer consumo.","related_articles":[{"reason":"Aborda diretamente o custo não orçado dos agentes de IA corporativos, complementando o diagnóstico de vazamento estrutural descrito neste artigo.","article_id":14502},{"reason":"Analisa o padrão de pilotos de IA que não escalam e o silêncio organizacional sobre por que não se transformam em valor — tensão central também neste artigo.","article_id":14522},{"reason":"Documenta com dados de Bain & Company que a maioria das empresas não mede ROI de IA, contexto direto para entender por que o design ausente persiste.","article_id":14402},{"reason":"Examina los gateways de agentes como capa de control emergente en IA empresarial, relevante para entender la gobernanza de flujos descrita en este artículo.","article_id":14482},{"reason":"Databricks como infraestrutura de dados para IA empresarial: caso concreto de la apuesta por arquitectura de datos que este artículo identifica como ventaja competitiva real.","article_id":14602}],"business_patterns":["Adoção maximalista de tecnologia nova seguida de ajuste forçado quando os custos superam o valor gerado","Exploração sem design de fundo: implantar primeiro, arquitetar depois — padrão recorrente em ciclos de adoção tecnológica empresarial","Fornecedores respondem com reduções de preço a problemas que são estruturais nos clientes, criando ilusão de solução","Dívida técnica diferida: decisões de arquitetura não tomadas no momento de implantação se manifestam como custos operacionais crescentes na fase de escala","Pilotos bem-sucedidos que não escalam por ausência de infraestrutura de suporte — padrão identificado também em artigos relacionados sobre IA corporativa"],"business_decisions":["Construir catálogo de dados com sinais de qualidade antes de escalar agentes de IA","Implementar memória persistente para agentes para evitar reprocessamento de contexto em cada interação","Definir regras de roteamento de modelos por complexidade de tarefa, não usar sempre o modelo mais robusto","Estabelecer governança de dados como sinal de roteamento prévio, não como controle posterior","Auditar o consumo de tokens por caso de uso para identificar os cinco pontos de vazamento antes de negociar preços com fornecedores","Priorizar infraestrutura de dados em paralelo à implantação de agentes, não como etapa posterior"]}}