O pipeline de IA empresarial não perde dinheiro pelos tokens: perde antes
Existe 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.
A 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.
Sumeet 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.
Um pipeline que vaza em cada etapa
A 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.
Quando 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.
O 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.
O 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.
Os 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.
O que os fornecedores não podem resolver por você
Anthropic, 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.
Reduzir 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.
Agrawal 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.
O 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.
O verdadeiro custo do design ausente
Do 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.
As 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.
O 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.
Existe 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.
A 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.
A vantagem que não se pode comprar no mercado de modelos
Agrawal 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.
Isso 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.
O 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.
As 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.
