Por Maksym Misichenko · CNBC ·
O que os agentes de IA pensam sobre esta notícia
O painel concorda que os orçamentos de IA empresarial estão se esgotando rapidamente devido aos altos custos dos modelos de ponta, o que pode levar a uma reavaliação do valor da IA e potencial compressão de margens para empresas de tecnologia. No entanto, eles discordam se isso é uma ameaça existencial ou um obstáculo transitório.
Risco: Compressão múltipla mais rápida para empresas de tecnologia devido à demanda computacional restrita e esgotamento do orçamento (Grok, Gemini)
Oportunidade: Roteamento aprimorado e concorrência impulsionando custos e desbloqueando novos modelos de negócios (ChatGPT)
Esta análise é gerada pelo pipeline StockScreener — quatro LLMs líderes (Claude, GPT, Gemini, Grok) recebem prompts idênticos com proteções anti-alucinação integradas. Ler metodologia →
A inteligência artificial está se mostrando muito mais cara do que qualquer um esperava, e os CFOs de grandes empresas dos EUA agora enfrentam um novo e brutal trade-off: tokens ou humanos.
Essa foi a imagem que dois CEOs de IA empresarial no centro da construção descreveram à CNBC esta semana. Seus relatos sobre o que está acontecendo dentro das Fortune 500 pintam um quadro nítido da ameaça que os custos crescentes representam para o comércio de IA. É um risco que o mercado ainda não reconheceu, pois atinge máximas históricas e cria novas empresas de trilhões de dólares como a Micron.
O tópico número um para todas as empresas no momento são os orçamentos de IA exagerados, disse Arvind Jain, CEO da empresa de IA empresarial Glean, à CNBC.
"As empresas nos dizem que seus orçamentos de IA estão se esgotando em um ou dois meses, e estes são orçamentos anuais", disse ele.
Isso ocorre porque o custo da IA não caiu como os compradores esperavam. Pelo contrário, aumentou. Cada novo lançamento de modelo dos laboratórios de ponta é aproximadamente duas vezes mais caro por token do que o que substituiu, colocando a IA empresarial no que Jain chamou de "um caminho insustentável no momento".
"Esta é a primeira vez que me lembro que a tecnologia custa o mesmo que as pessoas, e você está fazendo essa comparação: escolher tecnologia ou pessoas", disse ele. "Nunca tivemos essa conversa historicamente, porque a tecnologia é uma fração do custo total de qualquer negócio operacional."
Esse orçamento crescente de IA, diz ele, está cada vez mais substituindo o crescimento futuro do quadro de funcionários.
Matan Grinberg, CEO da Factory AI, que roteia o trabalho de engenharia em todos os modelos de IA de ponta, descreveu a mudança como um problema definido de alocação de recursos que agora está ocorrendo dentro das equipes de liderança.
"As empresas dizem, ei, se pudéssemos otimizar uma coisa, seria o número de funcionários que temos, ou seria o gasto com IA por funcionário?", disse Grinberg.
Grinberg disse que as empresas passaram por três fases distintas em aproximadamente um ano. A primeira envolveu conselhos exigindo que seus CEOs fizessem algo sobre IA. Em seguida, veio o chamado tokenmaxxing, ou usar IA por qualquer meio necessário, independentemente do custo. Na terceira fase, as equipes de liderança estão reavaliando suas necessidades em relação aos modelos premium.
"Precisamos usar inteligência de nível Opus para todas as tarefas?", disse Grinberg. "Você simplesmente não precisa."
## Pagando mais do que rende
A raiz da pressão é que a tecnologia funciona, mas ainda não se paga.
"A maneira como a IA funciona hoje, ela é muito poderosa, mas é muito ineficiente", disse Jain. "O valor que a IA gera neste ponto está atrás do custo que as empresas estão incorrendo."
Uma grande parte do problema é a ineficiência na escolha de modelos. Aproximadamente 95% do uso de IA empresarial ainda está rodando nos modelos de ponta mais caros, mesmo para tarefas que poderiam ser tratadas por alternativas mais baratas, disse Jain.
Há uma solução simples: rotear o trabalho fácil para o nível mais barato. Jain disse que essa é a fruta mais fácil de colher.
"Você tem uma economia de 10x que pode realmente alcançar com o roteamento correto do modelo na frente", disse ele.
Essa também é a proposta por trás da Factory AI, que envia automaticamente cada tarefa para o modelo mais adequado a ela. O truque, disse Grinberg, é reconhecer com que frequência um trabalho realmente precisa do que há de mais moderno. Ele comparou a lacuna entre os modelos de ponta mais recentes a dois acadêmicos veteranos.
"Opus 4.7 versus Opus 4.8 é como a diferença entre um professor que é professor há 13 anos versus 15 anos", disse Grinberg. "Para uma pessoa leiga, é muito, muito difícil dizer a diferença."
Todo o comércio de IA repousa na aposta de que a demanda histórica permanecerá, com os compradores em grande parte indiferentes ao custo. Mas a visão de dentro das Fortune 500 sugere que a demanda pode ser muito mais sensível ao preço do que o comércio assume.
Leia mais sobre o que o acerto de contas de preços da IA significa para as avaliações da OpenAI e da Anthropic, que construíram seus modelos de negócios em preços premium.
Quatro modelos AI líderes discutem este artigo
"O esgotamento do orçamento e as trocas explícitas de tokens versus humanos sinalizam que a demanda por IA é mais elástica ao preço do que o precificação atual do mercado assume."
O artigo revela um ponto de atrito genuíno: os orçamentos de IA empresarial estão se esgotando em 1-2 meses porque cada modelo de ponta dobra aproximadamente os custos de tokens, empurrando os CFOs para trocas explícitas de efetivo versus gastos. Essa sensibilidade ao preço é nova e subestimada pelos mercados que precificam o crescimento perpétuo da demanda. No entanto, o artigo ignora a velocidade com que o roteamento de modelos pode entregar a economia de 10x citada, potencialmente redefinindo orçamentos sem cortar o uso. Se as camadas de otimização escalarem mais rápido do que os aumentos de preço dos modelos, a trajetória de receita para provedores premium pode se achatar mais cedo do que as atuais avaliações de trilhões de dólares embutem.
Mesmo o roteamento agressivo pode falhar em compensar os repetidos saltos de custo 2x por geração de modelo, deixando os gastos líquidos ainda em ascensão e forçando cortes diretos em iniciativas de IA em vez de realocação.
"A IA empresarial está atingindo um muro de lucratividade mais cedo do que os mercados esperavam, mas o problema é a execução e a seleção de modelos, não a demanda fundamental — o que significa que um reset doloroso está chegando antes que o comércio se reavalie mais alto."
O artigo confunde dois problemas separados: (1) empresas gastando demais em IA porque não otimizaram o roteamento de modelos, e (2) IA sendo fundamentalmente antieconômica. Estes NÃO são os mesmos. O número de 95% — modelos de ponta usados para tarefas de commodities — é uma falha de aquisição, não uma falha de tecnologia. Uma economia de 10x via melhor roteamento não significa que o ROI da IA está quebrado; significa que as empresas ainda estão na fase de piloto. O risco real não é que a IA não se pague — é que o período de retorno seja mais longo e confuso do que os mercados de ações precificaram, causando compressão múltipla em NVDA, MSFT e startups nativas de IA. Mas isso é um problema de tempo/eficiência, não uma ameaça existencial ao comércio.
Se 95% dos gastos empresariais são desperdício mal direcionado, e as empresas já estão esgotando os orçamentos anuais em 1-2 meses com ROI negativo, então 'melhor roteamento' é otimista. A verdadeira história pode ser que as empresas ainda não têm casos de uso de alto valor — elas estão apenas gastando porque os conselhos exigiram.
"A transição de 'tokenmaxxing' para roteamento de modelos otimizado por custo acionará uma desaceleração de receita de curto prazo para provedores de modelos de ponta antes que a adoção impulsionada pelo volume estabilize o setor."
O mercado está atualmente precificando ganhos infinitos de produtividade de IA sem levar em conta o limiar de substituição 'token-para-efetivo'. Se os custos de IA empresarial estiverem de fato canibalizando os orçamentos de efetivo em vez de aumentá-los, estamos olhando para um evento de compressão de margens para o S&P 500. A atual fase de 'tokenmaxxing' é insustentável; no entanto, o artigo perde que este é um paradoxo clássico de Jevons. À medida que o roteamento de modelos (como Glean ou Factory AI) reduz o custo por tarefa, o volume total de demanda de computação provavelmente explodirá, compensando margens menores por token. O risco não é que a IA seja muito cara, mas que o 'comércio de IA' assuma crescimento linear enquanto a infraestrutura subjacente está atingindo uma fase de digestão cíclica.
O artigo assume que os CFOs tratarão a IA como um item orçamentário de soma zero, mas se os ganhos de eficiência impulsionados pela IA realmente acelerarem o crescimento da receita, as empresas aumentarão os gastos totais de TI em vez de escolher entre efetivo e tokens.
"O ROI de IA empresarial de longo prazo superará os custos crescentes de tokens à medida que o roteamento, o ajuste fino e a automação escalam, transformando 'tokens vs humanos' em um multiplicador de produtividade em vez de uma restrição orçamentária."
Duas tensões se destacam: os CFOs de curto prazo enfrentam custos sempre crescentes à medida que os modelos de ponta cobram por token, o que pode sufocar a adoção de IA. Mas o artigo minimiza as vantagens: 1) o custo por tarefa deve cair à medida que o roteamento (para modelos mais baratos) e o ajuste fino melhoram, 2) os ganhos de produtividade se compõem em processos, fluxos de trabalho e tomada de decisões, não apenas em tarefas únicas, 3) modelos abertos e a concorrência entre os principais provedores de nuvem devem limitar os preços e desbloquear opções mais baratas, 4) o crescimento impulsionado pela IA pode expandir mercados endereçáveis e permitir novos modelos de negócios. Juntos, a troca 'tokens vs humanos' é provavelmente um obstáculo transitório, não um limite de longo prazo para o valor da IA. A tendência de longo prazo permanece positiva.
Contra isso: o ROI do mundo real ainda depende da qualidade dos dados e da integração perfeita, o que pode atrasar o retorno por anos. E o preço dos modelos de ponta pode não cair rápido o suficiente se a concorrência mantiver a capacidade apertada.
"Orçamentos fixos impedem a elasticidade da demanda necessária para o paradoxo de Jevons compensar as pressões de custo em IA empresarial."
A aplicação do paradoxo de Jevons por Gemini ignora a realidade do orçamento fixo que Claude destacou. Quando as alocações anuais de IA se esgotam em meses, custos por tarefa mais baixos via roteamento não impulsionarão uma explosão de volume; as equipes de aquisição enfrentam limites rígidos, não demanda elástica. Isso arrisca uma compressão múltipla mais rápida para NVDA e MSFT do que a tese de ganhos de produtividade assume, pois a demanda total de computação permanece restrita por mandatos de CFO em vez de explodir.
"O esgotamento do orçamento sinaliza falha de otimização, não falha de demanda — a taxa de renovação no próximo ciclo é o verdadeiro indicador principal."
Grok confunde esgotamento de orçamento com destruição de demanda. Limites fixos de CFO não provam que o ROI da IA está quebrado — eles provam que as empresas ainda não descobriram o que construir. O verdadeiro teste: as empresas estão *renovando* os orçamentos de IA no próximo ano fiscal, apesar do esgotamento no mês 2, ou estão cortando-os? Se as taxas de renovação se mantiverem acima de 70%, isso é caos de aquisição disfarçado de fraqueza de demanda. Essa distinção determina se veremos compressão múltipla ou apenas um doloroso reajuste de 18 meses.
"A transição para 'IA para corte de custos' acionará uma onda de consolidação de fornecedores que tornará as taxas de renovação irrelevantes para players de IA menores."
Claude, seu limite de renovação de 70% é um indicador atrasado que ignora a ameaça imediata de gastos com 'IA sombra'. Os CFOs não estão apenas observando orçamentos; eles estão observando a economia unitária. Se o custo de um fluxo de trabalho baseado em tokens exceder o custo de mão de obra que ele substitui, o projeto é descartado, independentemente da intenção de renovação. Estamos vendo uma mudança de 'IA para inovação' para 'IA para corte de custos', o que força uma consolidação brutal de fornecedores que punirá startups menores nativas de IA.
"A demanda de curto prazo é inelástica ao preço; o crescimento de volume impulsionado por Jevons não salvará as margens, o tempo de ROI e os obstáculos de adoção importam mais do que o preço por tarefa."
O ângulo do paradoxo de Jevons de Gemini presume demanda elástica assim que os custos por tarefa caem. Na realidade, a demanda por IA empresarial é inelástica ao preço no curto prazo: portões de aquisição, governança avessa ao risco e gargalos de prontidão de dados limitam a velocidade de adoção, mesmo quando o roteamento reduz os custos unitários. Portanto, preços de tokens mais baixos podem não gerar um aumento de volume; as margens ainda podem comprimir se o tempo de valorização permanecer longo e os ciclos de renovação se apertarem. O verdadeiro fator decisivo é a rapidez com que os casos de uso cruzam o limiar de ROI, não apenas o preço por tarefa.
O painel concorda que os orçamentos de IA empresarial estão se esgotando rapidamente devido aos altos custos dos modelos de ponta, o que pode levar a uma reavaliação do valor da IA e potencial compressão de margens para empresas de tecnologia. No entanto, eles discordam se isso é uma ameaça existencial ou um obstáculo transitório.
Roteamento aprimorado e concorrência impulsionando custos e desbloqueando novos modelos de negócios (ChatGPT)
Compressão múltipla mais rápida para empresas de tecnologia devido à demanda computacional restrita e esgotamento do orçamento (Grok, Gemini)