O custo real da IA nas empresas de TI

Próximo ciclo da tecnologia nas organizações deve ser menos marcado pela euforia da substituição e mais pela disciplina da sustentabilidade operacional

A incorporação acelerada da inteligência artificial nas empresas de tecnologia tem sido apresentada como um caminho quase inevitável para aumentar produtividade, reduzir custos e substituir parte do trabalho humano em atividades técnicas, administrativas e, muitas vezes, até para tarefas criativas, dependendo da situação.

Essa narrativa orientou, nos últimos anos, decisões empresariais de reorganização interna, redução de equipes, criação de produtos baseados em automação e adoção de ferramentas generativas em larga escala. No entanto, começa a se tornar mais evidente uma tensão econômica central: a inteligência artificial utilizada em escala não é gratuita, não é ilimitada e depende de infraestrutura computacional cada vez mais cara.

Esse ponto aparece de forma concreta na mudança de cobrança do GitHub Copilot. Em abril de 2026, o GitHub anunciou que todos os planos do Copilot passariam para cobrança baseada em uso a partir de junho de 2026, com consumo calculado por créditos de IA associados a tokens de entrada, saída e cache. A própria empresa justificou a mudança afirmando que o uso do agente, com sessões longas e múltiplas etapas de programação, elevou de forma significativa as demandas de computação e inferência, tornando insustentável o modelo anterior de requisições premium (Rodriguez, 2026).

O movimento em questão é importante porque revela uma mudança de fase. Durante o período inicial de expansão da IA generativa, muitas ferramentas foram oferecidas em modelos comerciais simplificados, com assinaturas mensais, limites pouco claros e forte subsídio implícito de uso.

À medida que os usuários passaram a delegar tarefas mais longas, complexas e próximas do trabalho profissional real, o custo deixou de ser marginal. A IA deixou de operar apenas como complemento de produtividade individual e passou a representar uma linha de despesa variável, dependente da intensidade de uso, do tamanho do contexto, do modelo escolhido e da complexidade das operações solicitadas.

Custo operacional

O primeiro sinal dessa transformação está na revisão dos modelos de preço das próprias ferramentas de desenvolvimento baseadas em IA. A Cursor, uma das plataformas mais associadas ao uso de IA na programação, alterou seu plano “Pro” em 2025 para incluir uma cota mensal de US$ 20 em uso de modelos de fronteira, calculada com base em preço de API. A empresa explicou que modelos mais recentes podem gastar mais tokens por requisição em tarefas de horizonte mais longo e que as solicitações mais difíceis podem custar uma ordem de magnitude a mais do que solicitações simples (Cursor, 2025).

Esse dado é decisivo para empresas de TI, porque desmonta a ideia de que a IA possui custo fixo e previsível em qualquer cenário. Quanto mais a organização tenta usar a IA para resolver problemas complexos, como refatoração de sistemas, análise de repositórios grandes, geração de testes, revisão de código e automação de fluxos completos, maior tende a ser o consumo computacional. O custo não cresce apenas com o número de usuários, mas com a profundidade das tarefas delegadas ao modelo. Assim, a automação deixa de ser apenas uma promessa de economia e passa a exigir contabilidade técnica.

A documentação da Anthropic para o Claude Code segue a mesma direção. Segundo a empresa, o Claude Code cobra com base no consumo de tokens por API, e os custos por desenvolvedor variam conforme modelo utilizado, tamanho da base de código e padrões de uso, como múltiplas instâncias ou automação. Em implantações corporativas, a Anthropic informa custo médio aproximado de US$ 13 por desenvolvedor por dia ativo e entre US$ 150 e US$ 250 por desenvolvedor por mês (Anthropic, 2026).

Esses valores não significam que o uso de IA seja inviável. Indicam, porém, que sua adoção precisa ser tratada como custo operacional recorrente, e não como simples assinatura de software. Para empresas que reduziram equipes acreditando que ferramentas generativas absorveriam parte substancial do trabalho técnico, a conta pode se tornar mais complexa. A economia obtida com menos profissionais pode ser parcialmente anulada por gastos com inferência, revisão humana, retrabalho, integração, segurança e governança.

Infraestrutura e repasse de custos

O problema não está restrito às ferramentas utilizadas na ponta. Ele começa na infraestrutura das empresas centrais de IA. Em fevereiro de 2026, a Reuters informou que a OpenAI projetava aproximadamente US$ 600 bilhões em gastos totais com computação até 2030, segundo fonte familiarizada com o assunto.

A mesma reportagem registrou que os custos de inferência da empresa teriam aumentado quatro vezes em 2025, com queda da margem bruta ajustada de 40% em 2024 para 33% em 2025, conforme relato atribuído ao The Information (Reuters, 2026).

Ainda que esses números devam ser interpretados como estimativas e informações reportadas por fontes, eles apontam para um aspecto estrutural: a IA generativa de grande escala exige capital intensivo, chips, energia, data centers, redes de alta capacidade e contratos de infraestrutura de longo prazo.

O custo não desaparece. Em algum momento, ele precisa ser absorvido pelos fornecedores, pelos investidores ou pelos clientes. Quando o ciclo de subsídio diminui, a tendência é que parte desse custo seja transferida para empresas que dependem das plataformas de IA para operar seus próprios produtos e serviços.

Nesse contexto, o risco não é o desaparecimento da inteligência artificial, mas o enfraquecimento de modelos de negócio construídos sobre a hipótese de IA barata, abundante e capaz de substituir profissionais em larga escala. Empresas que venderam soluções com forte dependência de chamadas a modelos externos podem enfrentar compressão de margem, caso o custo por uso aumente.

Da mesma forma, organizações que internalizaram a ideia de que poderiam operar áreas técnicas com equipes muito reduzidas podem descobrir que a redução de folha foi compensada por novos custos invisíveis, distribuídos entre plataformas, APIs, créditos, monitoramento, revisão e correção de saídas automatizadas.

Produtividade e substituição

O segundo ponto de tensão está na diferença entre automação aparente e produtividade efetiva. Muitas empresas de TI adotaram ferramentas de IA com base na ideia de que escrever código mais rapidamente equivale a entregar software melhor, mais barato e com menor dependência de profissionais especializados.

Essa equivalência é limitada. O desenvolvimento de software envolve arquitetura, entendimento de requisitos, manutenção, testes, documentação, segurança, integração, comunicação com usuários e responsabilidade técnica. A IA pode acelerar partes desse processo, mas também pode introduzir retrabalho, inconsistências, soluções frágeis e aumento de dívida técnica.

Um estudo de Becker, Rush, Barnes e Rein (2025), publicado em versão preliminar no arXiv, avaliou desenvolvedores experientes trabalhando em seus próprios repositórios de código aberto. Os autores analisaram 246 tarefas e verificaram que, quando o uso de ferramentas de IA era permitido, os desenvolvedores levavam 19% mais tempo para concluir as atividades. O resultado contrariou a expectativa dos próprios participantes, que antes do estudo estimavam redução de tempo de 24% com IA (Becker et al., 2025).

Esse resultado não deve ser generalizado para todos os cenários de programação. Ele se refere a um contexto específico, com desenvolvedores experientes, bases de código maduras e ferramentas disponíveis no início de 2025. Ainda assim, o estudo é relevante por questionar a suposição de ganho automático e universal de produtividade. Em sistemas reais, o tempo economizado na geração de código pode ser consumido por leitura, validação, ajuste, teste, correção e descarte de respostas inadequadas. Para empresas que reduziram equipes apostando em substituição direta, essa diferença entre produção aparente e entrega confiável pode se tornar um problema operacional.

A consequência provável não é a eliminação da IA nas empresas de tecnologia, mas a recomposição do papel do trabalho humano. Profissionais técnicos tendem a continuar usando IA, porém de modo mais seletivo, supervisionado e economicamente controlado.

A promessa de substituir equipes inteiras por ferramentas tende a encontrar limites quando o custo de inferência aumenta, quando sistemas críticos exigem revisão constante e quando a entrega de valor depende de responsabilidade técnica. Nesse cenário, empresas que confundiram geração automatizada de artefatos com capacidade organizacional podem precisar reconstruir times, recontratar profissionais ou criar funções voltadas à supervisão, validação e integração de sistemas baseados em IA.

Retorno sobre investimento

O terceiro elemento é a dificuldade de demonstrar retorno econômico consistente. Em 2024, a Gartner estimou que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, devido a baixa qualidade de dados, controles de risco inadequados, custos crescentes ou valor de negócio pouco claro. A consultoria também observou que as organizações enfrentavam dificuldades para justificar investimentos substanciais em IA generativa quando os ganhos de produtividade não se convertiam diretamente em benefício financeiro (Gartner, 2024).

Em 2025, a Gartner projetou que mais de 40% dos projetos de IA agente seriam cancelados até o fim de 2027, novamente por custos crescentes, valor de negócio indefinido ou controles de risco insuficientes. A análise também alertou para o fato de que muitos projetos ainda se encontravam em estágio experimental e eram frequentemente impulsionados por entusiasmo de mercado, sem clareza sobre o custo e a complexidade de implantação em escala (Gartner, 2025).

O relatório “The GenAI Divide: State of AI in Business 2025”, do MIT NANDA — feito com base em entrevistas com líderes de 52 organizações de vários locais do mundo, coletadas em quatro grandes conferências do setor —, reforça esse diagnóstico. Segundo Challapally, Pease, Raskar e Chari (2025), apesar de investimentos empresariais estimados entre US$ 30 bilhões e US$ 40 bilhões em IA generativa, 95% das organizações analisadas não obtiveram retorno mensurável.

O relatório apontou ainda que ferramentas como ChatGPT e Copilot são amplamente exploradas e implantadas, mas tendem a melhorar a produtividade individual mais do que o desempenho financeiro agregado (Challapally et al., 2025). Esse ponto é central para as empresas de TI que passaram a construir produtos e processos sobre IA. A questão deixa de ser se a ferramenta impressiona em demonstrações e passa a ser se ela sustenta margem, qualidade, recorrência e escala.

Durante a fase de entusiasmo, a IA permite criar protótipos rapidamente, reduzir o tempo inicial de desenvolvimento e produzir textos, códigos, interfaces e análises com baixa fricção. Porém, quando o produto precisa operar com clientes reais, cumprir contratos, lidar com exceções, manter a segurança e preservar a qualidade, a economia inicial pode se transformar em despesa permanente.

Governança econômica

No plano empresarial, a adoção de IA passa a exigir governança econômica tão rigorosa quanto a governança técnica. Não basta perguntar se uma tarefa pode ser automatizada. É necessário avaliar quanto custa automatizá-la, qual é o custo da revisão humana, qual é o risco de erro, qual é a dependência de fornecedor externo, qual é a frequência de uso e qual é o impacto sobre a capacidade interna da organização. Empresas que dispensam conhecimento técnico em nome da automação podem perder justamente a competência necessária para avaliar, corrigir e integrar os sistemas que pretendem utilizar.

A tendência mais plausível é uma seleção mais dura dos casos de uso. Atividades repetitivas, delimitadas e de baixo risco devem continuar sendo automatizadas. Processos complexos, ambíguos e críticos tendem a permanecer dependentes de profissionais qualificados, ainda que apoiados por IA.

O erro estratégico das empresas de TI não será utilizar inteligência artificial, mas estruturar custos, equipes e produtos com base na suposição de que a IA substituirá trabalho especializado sem perda de qualidade, sem aumento de risco e sem pressão econômica.

Diante desse conjunto de sinais, o próximo ciclo da IA nas empresas de tecnologia tende a ser menos marcado pela euforia da substituição e mais pela disciplina da sustentabilidade operacional. Ferramentas generativas continuarão relevantes, mas a ideia de automação ilimitada tende a ceder espaço a modelos de uso controlado, orçamento por equipe, limites de consumo, análise de retorno e revisão humana intensiva. A IA não deve desaparecer das empresas de TI. O que tende a ruir é a fantasia de que ela permitirá operar empresas complexas com poucos profissionais, baixo custo marginal e produtividade automaticamente crescente.

Em conclusão, o ponto central não é negar a importância da IA, mas compreender que sua adoção entra em uma fase economicamente mais realista. À medida que fornecedores repassam custos, ajustam planos, limitam usos intensivos e organizam cobrança por consumo, empresas que construíram sua estratégia sobre IA barata podem enfrentar recomposição de custos e necessidade de recontratação técnica.

O futuro próximo tende a favorecer organizações capazes de combinar automação com competência humana, e não aquelas que substituíram estrutura profissional por dependência acrítica de plataformas externas. Nesse sentido, a IA não elimina a necessidade de pessoas qualificadas. Ao contrário, quanto mais cara, complexa e estratégica ela se torna, maior passa a ser a necessidade de profissionais capazes de decidir quando, como e até que ponto ela deve ser utilizada.