O custo do grátis

Tempo de leitura: 8 minutos.

Imagem gerada por IA para este artigo.

Há uma diferença que venho pensando bastante entre algo ser barato para quem usa e ser barato para quem produz. A inteligência artificial colocou essa diferença no centro da conversa sobre tecnologia. Para uma pessoa, uma assinatura pode parecer pequena na fatura. Para quem oferece o serviço, há infraestrutura, capital e gente muito qualificada trabalhando para que aquela experiência exista.

Minha tese é simples. A IA está aumentando a produtividade de forma real, e eu não vejo nisso um motivo para frear a adoção. Vejo, sim, uma razão para fazer a conta completa. O custo por unidade de inteligência está caindo em velocidade impressionante. Ao mesmo tempo, o uso cresce, os modelos mais capazes consomem recursos relevantes e a composição das equipes muda. Uma boa decisão de investimento precisa enxergar as duas coisas ao mesmo tempo.

A conta que não aparece na assinatura

Alguns números recentes ajudam a tornar esse debate menos abstrato. Em outubro, a Reuters informou que a Anthropic registrou prejuízo líquido de US$ 80,7 bilhões no primeiro semestre de 2026. Com o dólar a R$ 5,02 em 22 de outubro, isso equivale a aproximadamente R$ 405,4 bilhões. É uma cifra que chama atenção, mas a leitura precisa ser cuidadosa. US$ 72 bilhões daquele total vieram de um encargo contábil ligado à valorização de títulos conversíveis, e não de uma saída de caixa operacional. [2] [6]

Esse detalhe não diminui a relevância da notícia. O mesmo documento citado pela Reuters aponta quase US$ 9 bilhões de gasto com capacidade de computação e infraestrutura no semestre. Para 2025, excluído o encargo contábil, a empresa teve uma perda operacional de cerca de US$ 8,1 bilhões sobre US$ 4,6 bilhões de receita. A manchete de US$ 80,7 bilhões não prova sozinha que o modelo de negócios seja inviável. Ela apenas deixa claro que existe uma conta material por trás de uma capacidade que, para quem está do outro lado da tela, hoje parece quase ilimitada. [2]

As assinaturas contam uma história parecida. A Forbes relatou, com base em fontes anônimas ligadas à Cursor, uma estimativa de que um plano Claude Code de US$ 200 por mês poderia consumir US$ 2 mil em computação e, mais tarde, cerca de US$ 5 mil. A mesma reportagem atribui a uma fonte a informação de que a margem dos planos de consumidor da Cursor é negativa, enquanto os planos empresariais operam com margem positiva. Não são números auditados nem divulgados oficialmente pelas empresas envolvidas. Eu os leio como um sinal, e não como uma verdade definitiva: preço fixo de acesso e custo real de uso podem estar em universos muito diferentes. [3]

Para quem usa, o subsídio é ótimo. Ele reduz a barreira de entrada e permite experimentar mais. Para quem toma decisões de investimento, porém, ele não pode virar premissa permanente. O que hoje parece um benefício generoso pode ser aquisição de mercado, uma aposta em retenção ou uma transição gradual para cobrança mais próxima do consumo.

O preço do token cai, mas o uso não fica parado

A boa notícia é que a inteligência está ficando mais barata. A Epoch AI estimou que, desde 2023, o custo para alcançar um mesmo nível de desempenho em seus benchmarks caiu cerca de 47% por trimestre, ou treze vezes por ano. É uma curva extraordinária e, na minha leitura, um dos sinais mais importantes para quem está tentando entender para onde essa tecnologia vai. [1]

A métrica não representa o custo total de uma empresa. Ela mede o menor custo disponível para obter determinada performance. Ainda assim, mostra que o preço por capacidade não ficará parado. É justamente aí que surge uma confusão comum. Se cada unidade de inteligência fica mais barata, parece natural concluir que a conta total também vai cair. Nem sempre.

Imagem gerada por IA. O custo unitário pode cair enquanto aumentam o volume de trabalho e a infraestrutura necessária para executar esse trabalho.

Quando um modelo se torna mais barato, nós o incorporamos a mais etapas do trabalho. Colocamos mais contexto nas interações, pedimos que ele consulte mais fontes, criamos mais agentes, fazemos mais tentativas e passamos a esperar uma resposta melhor. Ao mesmo tempo, avançamos para modelos mais capazes, que podem exigir mais processamento. O preço da unidade cai, mas o número de unidades pode crescer ainda mais depressa.

Essa dinâmica aparece no cotidiano. Uma automação que antes respondia a uma pergunta passa a ler uma base inteira, recuperar documentos, fazer várias chamadas a modelos, consultar ferramentas, gerar uma resposta, ser revisada e deixar um registro para auditoria. O custo relevante deixa de ser apenas o token. Ele passa a incluir contexto, integração, observabilidade, avaliação de qualidade, segurança, revisão humana e retrabalho.

Há sinais de que algumas empresas já estão encontrando esse limite. Uma reportagem do Yahoo Finance reuniu relatos de redução de licenças e de orçamentos anuais de ferramentas de IA consumidos em poucos meses. Isso não é um estudo causal e não deve ser tratado como uma regra de mercado. É, porém, um lembrete útil: expandir acesso sem medir uso pode transformar um ganho de produtividade em uma despesa difícil de prever. [4]

O custo humano não desaparece. Ele muda de lugar

Para mim, essa é a parte menos discutida da equação. O retorno da IA costuma ser calculado como horas poupadas. A pergunta mais importante é outra: que tipo de trabalho passa a ser necessário quando a equipe entrega mais com IA?

Em muitos casos, a resposta é mais julgamento, mais arquitetura, mais domínio do problema e mais responsabilidade por qualidade. O profissional que sabe decompor uma tarefa, dar contexto suficiente, revisar resultados, reconhecer uma alucinação e decidir quando não automatizar se torna ainda mais valioso. Essa pessoa tende a ser mais especializada e, muitas vezes, mais sênior.

O Work Trend Index de 2026 da Microsoft ajuda a dar contexto a essa percepção. Entre usuários de IA pesquisados, controle de qualidade da saída da IA e pensamento crítico aparecem como as duas habilidades humanas mais citadas. O estudo também associa cultura, apoio da liderança e práticas de talento a uma parcela maior do impacto autorrelatado da IA do que o esforço individual. Não é uma prova causal e nem uma receita de estrutura organizacional. Para mim, é mais uma indicação de que uma boa ferramenta, sem um bom desenho de trabalho, não produz valor sozinha. [5]

Imagem gerada por IA. O ganho de produtividade aumenta o valor de quem consegue orientar, revisar e assumir responsabilidade pelo trabalho feito com IA.

Uma conversa privada reforçou esse ponto. O CEO de uma empresa em transformação acelerada com IA me relatou redução de 20% na força de trabalho, em quantidade de FTEs, e aumento de 30% no custo total de folha. É um relato direto feito a mim, mas também confidencial, sem auditoria e sem representatividade estatística. Não é uma média de mercado e não deve ser tratado como tal. Ainda assim, ele ilustra uma mudança de composição que faz sentido observar: menos gente na base e mais especialistas capazes de transformar capacidade técnica em resultado confiável.

É assim que eu enxergo a inversão de pirâmide. Uma organização pode ficar menor e, ao mesmo tempo, mais cara por pessoa. Não há contradição nisso. Parte da economia de volume volta para talento mais experiente, governança, plataforma e controle. A IA amplia a alavancagem de uma boa equipe. Ela não transforma automaticamente um fluxo mal definido em uma operação eficiente.

Por isso, eu não confiaria em promessas genéricas de economia acima de 50% apenas porque uma ferramenta foi adotada. Alguns fluxos podem, sim, superar esse patamar. Outros terão ganho de velocidade, qualidade ou capacidade, mas pouca redução líquida de custo. A diferença está no desenho do trabalho e na disciplina de medição.

O que muda no caso de negócio

Nada disso me parece argumento para congelar a adoção. Pelo contrário. O que muda é a pergunta. Em vez de perguntar apenas quanto custa uma licença, eu perguntaria qual fluxo de trabalho será redesenhado, que qualidade mínima ele precisa atingir e qual é o custo total para operar esse fluxo em escala.

O ponto de partida é acompanhar custo e resultado por fluxo, não por ferramenta. Para cada caso, vale observar volume, gasto com modelo, uso de contexto, taxa de revisão, tempo de ciclo, falhas, retrabalho e impacto no indicador que realmente importa para o negócio. Uma ferramenta pode parecer cara por pessoa e ainda ser muito eficiente em uma etapa crítica. Outra pode parecer barata e se tornar um centro de custo quando a demanda aumenta.

Também é importante separar acesso de consumo. A assinatura fixa resolve distribuição e dá previsibilidade no início, mas não substitui uma governança para uso intensivo. Quando agentes passam a executar processos em volume, o orçamento precisa considerar consumo variável. Há uma diferença grande entre dar uma ferramenta para uma pessoa e colocar uma capacidade de produção dentro de um processo.

Por fim, a conta precisa incluir as pessoas. O ganho não está apenas em reduzir horas. Pode estar em aumentar capacidade de entrega, reduzir fila, melhorar uma decisão ou liberar especialistas para um problema de maior valor. O retorno real incorpora o custo do talento que orienta e valida a IA, além da economia eventual de esforço operacional.

Uma informação que merece cautela

Em um painel do Google Cloud Platform no simpósio da Gartner, chegou até mim a informação de que 70% do consumo de infraestrutura do Google Cloud seria feito por agentes de IA. Eu não encontrei um registro público confiável que confirmasse essa afirmação. Ela é uma informação de terceira mão e não deve entrar em cálculo, previsão ou apresentação como fato.

Ainda assim, decidi incluir essa informação porque ela aponta para uma pergunta importante. Se agentes se tornarem uma camada normal de execução de trabalho, como as empresas vão governar volume, permissão, qualidade e custo? A resposta precisa vir de telemetria própria, e não de uma frase de palco.

O grátis era uma fase de distribuição

A queda acelerada de custo é real e deve continuar mudando o que é viável construir. É justamente por isso que a adoção merece ser acelerada. Esperar o custo reduzir para começar é perder aprendizado, processo e capacidade de execução.

Mas preço promocional não é unit economics. Uma empresa que incorpora IA de forma séria precisa manter duas ideias na cabeça ao mesmo tempo: a produtividade pode crescer muito e a conta total pode crescer junto. O ganho líquido depende de onde a IA entra, de quanto trabalho ela realmente substitui ou melhora e de como a organização absorve essa nova capacidade.

Eu não vejo a transformação como algo a ser freado. Vejo como algo que precisa ser operado com mais disciplina. O melhor momento para aprender a fazer essa conta é enquanto o subsídio ainda reduz a fricção de entrada. Quando o mercado mudar o preço, as empresas que tiverem construído processo, telemetria e repertório estarão em uma posição muito melhor para continuar aproveitando o que a IA pode oferecer.

Este artigo expressa a minha opinião pessoal e não reflete necessariamente a opinião da Globo.

Referências

[1] Epoch AI, The plunging price of thought

[2] Reuters, Anthropic recorded net loss over 80 billion in first half of this year

[3] Forbes, Cursor Goes To War For AI Coding Dominance

[4] Yahoo Finance, Microsoft data suggests using AI is more expensive than hiring people

[5] Microsoft WorkLab, Agents, human agency, and the opportunity for every organization

[6] Trading Economics, Brazilian Real quote and historical data