PERSPECTIVA
As empresas que avançam na área de IA estão monitorando o crescimento, a experiência e o retorno sobre o capital, e não apenas o custo dessa tecnologia.
7 minutos de leitura
29 julho 2026
Os gastos com IA figuram hoje na linha de custos da demonstração de resultados (infraestrutura, inferência e licenciamento), sendo contabilizados e revisados como qualquer outra despesa com tecnologia. O que raramente é levado em conta está do outro lado da balança: a retenção de clientes que um call center baseado em IA gera, os ativos sob gestão que um funcionário do setor bancário, agora com mais tempo disponível, pode fazer crescer, o capital de giro liberado por uma previsão de demanda mais precisa. Em cada caso, os gastos estão relacionados ao crescimento, à experiência ou ao capital, e não apenas aos custos. A maioria das empresas ainda não identifica isso, muito menos acompanha.
Essa lacuna, entre o nível atual da IA e os resultados que ela poderia produzir no futuro, é o principal desafio da IA corporativa no momento, e superá-la exige uma disciplina que a maioria das organizações ainda não desenvolveu. A questão não é quanto a IA custa. É se ela gera retorno suficiente para fazer diferença. Os líderes que reformulam essa questão estão encontrando um conjunto de respostas bem diferente.
É aí que entra a tokenomics: a disciplina que busca estabelecer uma conexão entre o que a IA consome e o valor que ela gera. Os tokens são as unidades de dados que os modelos de IA processam, e cada prompt, resposta, etapa de recuperação e interação com o agente os consome. Antes uma simples linha de faturamento, o token é agora um fator de produção, um insumo essencial que deve ser monitorado, medido e gerenciado. O objetivo é fazer com que cada dólar gasto em IA gere um retorno maior.
A Accenture enxerga isso em grande escala. Por exemplo, uma de nossas plataformas internas processa aproximadamente 8,7 trilhões de tokens por semana em uma infraestrutura própria e encaminha cada tarefa para o modelo adequado a um custo de cerca de um sexto do custo dos modelos de ponta. No entanto, o roteamento por si só não é suficiente; em um ambiente separado, quando todas as novas sessões são configuradas por padrão para um modelo de camada intermediária, uma grande parte dos funcionários ainda optava pela opção mais potente. É nesse único comportamento, multiplicado por toda a força de trabalho, que os custos de consumo aumentam discretamente.
A experiência nos ensinou que escalar a IA não precisa significar custos exorbitantes, mas manter os custos sob controle é apenas metade da questão. O desafio maior é garantir que cada aplicação da IA seja adequada ao nível certo de inteligência para o resultado comercial que precisa ser alcançado.
Os tokens são as unidades de dados que os modelos de IA processam, e cada prompt, resposta, etapa de recuperação e interação com o agente os consome. Tokenomics é a disciplina que busca estabelecer uma conexão entre o que a IA consome e o valor que ela gera.
US$ 800 bilhões
A Goldman Sachs relata1 que os gastos relacionados à IA devem atingir mais de US$ 800 bilhões em 2026.
Apenas 23%
No entanto, apenas 23% dos executivos de alto escalão que entrevistamos2 relatam que a IA agrega valor comercial generalizado e sustentável em toda a organização.
Algumas empresas já esgotaram o orçamento de IA de um ano em um único trimestre. A maioria das empresas gerencia tokens da mesma forma que a computação em nuvem: de forma reativa, quando chega a conta. As empresas que se destacam não vencem nem por terem modelos melhores nem por disporem de mais recursos computacionais, mas sim por gerenciarem o consumo de tokens com o mesmo rigor com que administram a alocação de capital.
O erro está em gerenciar a IA como uma despesa tecnológica, em vez de como um sistema econômico. A IA não é como um software, que tem uma estrutura de custos muito mais previsível: você compra licenças, paga taxas de licença, sabe quanto vai pagar, e os custos só aumentam quando o número de usuários cresce ou quando os contratos são renovados.
Com a IA, essa previsibilidade desaparece. Os custos aumentam não apenas com o número de pessoas, mas também com o que elas solicitam, o nível de complexidade do raciocínio do modelo e a quantidade de trabalho que passa pelos seus sistemas. Cada vez mais, os usuários não são pessoas, mas sim agentes e fluxos de trabalho automatizados que utilizam recursos de inferência 24 horas por dia, sem a necessidade de contar com postos de trabalho humanos ou licenças limitadas.
Em praticamente todas as implantações que analisamos, incluindo a nossa, uma pequena parcela é responsável pela maior parte dos gastos: menos de 10% dos usuários e fluxos de trabalho são responsáveis pela grande maioria da conta. A pressão é constante; em alguns dos nossos ambientes, recebemos centenas de solicitações por dia para aumentar os limites de gastos individuais.
À medida que a IA se torna cada vez mais presente nas empresas, o consumo aumenta a cada novo fluxo de trabalho, agente e modalidade. Chatbots tornam-se agentes. Agentes tornam-se equipes de agentes. O texto se expande para a geração multimodal, incluindo imagens, vídeos e áudio. E na ponta física, os robôs autônomos utilizam a mesma infraestrutura de inferência, na qual cada decisão e exceção acarreta um custo específico que a empresa não havia previsto. À medida que os casos de uso se multiplicam, a curva de consumo cresce exponencialmente. O Goldman Sachs projeta que o consumo de tokens chegará a cerca de 120 quatrilhões de tokens por mês até 2030, o que representa cerca de 24 vezes o nível atual. As empresas que tomam o consumo atual como referência fazem planos com base em um cenário que não vai durar.
A segurança representa mais um custo oculto, e não é algo que qualquer organização possa se dar ao luxo de ignorar. Quanto mais modelos, agentes, dados e sistemas conectados uma empresa adiciona, mais ela precisa proteger. Esse trabalho de defesa (varredura constante, controles de acesso mais rigorosos, monitoramento de ameaças e resposta rápida) impõe um custo oculto a cada implantação. Isso raramente aparece no plano de custos inicial, mas aumenta a cada novo agente e conexão.
Esse é o paradoxo de Jevons aplicado à IA: assim como os motores a vapor mais eficientes aumentaram o consumo de carvão na Grã-Bretanha em vez de reduzi-lo, a queda nos preços dos tokens leva as empresas a utilizar mais IA, e não menos, já que trabalhos que antes eram caros demais para se justificar de repente passam a fazer sentido financeiro.
Nossa simulação[3] revelou que, se os preços dos tokens caíssem 25% hoje, apenas 15% das organizações aproveitariam a economia resultante. As demais reinvestiriam em novos casos de uso, na ampliação das cargas de trabalho ou em modelos de melhor qualidade. Dizer aos funcionários para usarem menos IA não é a solução, pois isso limita os ganhos de produtividade que a IA tem como objetivo proporcionar. A solução é direcionar essa nova demanda para o modelo mais barato que cumpra bem a tarefa, de modo que, com o mesmo orçamento, se obtenha um trabalho mais útil e um retorno mais mensurável.
Há um segundo fator que é igualmente importante: a fronteira de Pareto, o melhor equilíbrio entre custo e valor. A maioria das empresas gasta mais do que o necessário em áreas em que o trabalho não justifica esse gasto, ou distribui mal as tarefas, deixando de gerar valor. As empresas mais sofisticadas eliminam essa lacuna, associando cada tarefa ao modelo adequado pelo custo certo e, em seguida, deslocam a própria curva de custos por meio da compressão de prompts, de um armazenamento em cache mais inteligente e da destilação de modelos.
Aqui está um exemplo concreto: uma apresentação resumida de fim de trimestre que antes levava 15 horas para ser elaborada por três analistas financeiros agora leva duas horas para uma única pessoa, a um custo simbólico de algumas centenas de dólares, em contrapartida a milhares de dólares em tempo economizado. Esse é o equilíbrio que as empresas líderes avaliam. O retorno não está nos tokens economizados, mas sim na capacidade liberada, redirecionada para tarefas de maior valor. Quando comparado a um resultado que a empresa já monitora, é nesse reinvestimento que os gastos com tokens se transformam em retorno.
Juntas, essas forças são a razão pela qual a tokenomics agora tem importância estratégica. À medida que as empresas otimizam para fazer mais com menos, a fronteira se expande: a qualidade melhora, os custos caem, surgem novos casos de uso e o consumo aumenta. A disciplina consiste em saber onde a IA gera valor, quando capturar as economias e como reinvesti-las.
A primeira regra é adequar o nível de inteligência ao valor e ao risco do trabalho. Aqui está um ponto de partida: em todos os setores, estimamos que apenas 10% a 20% das tarefas empresariais sejam complexas o suficiente para justificar o uso de capacidades de ponta ou quase de ponta.
O teste útil: se uma tarefa puder ser dividida em etapas bem definidas, provavelmente um modelo menor será suficiente. Recorra ao modelo de ponta apenas quando o trabalho for irredutivelmente complexo, quando a decomposição prejudicar a compreensão, quando os erros se acumularem ao longo de longas cadeias de agentes ou quando a resposta estiver na interseção entre julgamentos jurídicos, financeiros e regulatórios.
Alguns padrões atendem a esse critério. O raciocínio complexo é um exemplo disso. Quando um diretor de estratégia avalia a posição competitiva, as tendências macroeconômicas e os dados financeiros de um alvo de aquisição para identificar o verdadeiro risco estratégico, a tarefa envolve lidar com evidências contraditórias em tensão para chegar a um julgamento não óbvio. Além disso, fluxos de trabalho agênticos com alto custo de erro, nos quais uma única falha no meio da cadeia compromete todo o resultado. Outro exemplo é a síntese de contextos extensos: um pacote de due diligence de 200 páginas exige rigor e coerência em todo o documento.
Direcionar o trabalho para a inteligência adequada é uma escolha estratégica, não uma preferência técnica. Os líderes precisam de disciplina operacional: classificar o trabalho por complexidade e risco, encaminhá-lo ao nível adequado de inteligência e, em seguida, ajustar e monitorar o consumo ao longo do tempo. O difícil é saber qual trabalho é o mais importante.
As empresas que não conseguem distinguir tarefas rotineiras de trabalhos que exigem maior capacidade cognitiva e agregam maior valor acabarão fazendo alocações inadequadas em ambos os sentidos: utilizando modelos caros onde não são necessários e modelos menos eficazes quando há vantagens em jogo. A experiência da Accenture mostra que a capacidade do modelo, por si só, não determinará quem sairá vitorioso na corrida pela IA. A disciplina econômica, sim.
Essa mesma disciplina ajudou uma operadora de telecomunicações a reduzir em 68% seus gastos anuais com IA. Em cada caso, o avanço decisivo veio ao analisar o consumo no nível do fluxo de trabalho e, em seguida, redirecionar, ajustar ou reprojetar o trabalho antes que o desperdício se tornasse um custo operacional normal.
Na maioria das empresas, os custos com IA são contabilizados no orçamento de tecnologia, enquanto o valor gerado aparece em outras áreas, como no atendimento ao cliente, na engenharia, no marketing ou em qualquer unidade de negócios que utilize a ferramenta. O CFO vê os custos, o CIO vê o uso e os líderes de negócios veem os resultados, mas essas perspectivas raramente se conectam em nível empresarial.
57%
apontam o baixo alinhamento entre negócios e tecnologia2
51%
citam a insuficiência de dados e de recursos analíticos2
50%
têm dificuldade em distinguir a contribuição da IA de outros fatores2
As empresas que estão se destacando constroem a estrutura de integração: métricas compartilhadas, fóruns de governança e poderes de decisão que vinculam o uso da IA ao crescimento, à experiência e aos resultados financeiros. Essa mudança, de esforços isolados para uma capacidade abrangente em toda a empresa, permite que as informações percorram a organização e se transformem em resultados mensuráveis. As empresas mais avançadas vão além e tratam os custos com IA como recuperáveis, e não apenas controláveis: elas incorporam o consumo de tokens à definição do escopo e à precificação do trabalho, de modo que os gastos com IA sejam associados ao valor que geram, em vez de serem agrupados em uma linha de tecnologia central.
Quatro disciplinas operacionais transformam a escala em retorno mensurável:
Peça ao CFO e ao CIO que assumam conjuntamente uma visão única, em nível empresarial, dos custos, do uso e do retorno da IA. A Accenture apresenta à alta administração, a cada período, um relatório sobre seus próprios gastos com IA junto a diversos fornecedores, juntamente com as medidas que estão sendo tomadas. O retorno é medido diretamente onde o trabalho é bem delimitado: na automação agêntica de processos definidos, conhecemos o esforço humano antes e depois, de modo que o resultado é calculado com precisão. No caso de usos abertos, no estilo de um colega de trabalho, é mais difícil isolar o valor, e desenvolver essa mensuração é a nova fronteira dessa disciplina. A questão é onde esse gasto gera retorno, e não o item em si.
Incorpore controles à implantação desde o início, incluindo quem pode usar quais modelos, para que tipo de trabalho e sob quais medidas de segurança. A disciplina começa com uma pergunta que a maioria das implementações ignora: para quê? Uma ferramenta ativada sem uma tarefa definida é um custo sem responsável. Os primeiros a adotar a tecnologia, incluindo nós mesmos, primeiro liberaram o acesso e só depois acrescentaram os controles, quando as contas expuseram a lacuna. A lição é estabelecer a governança desde o início.
Diferencie as tarefas que exigem modelos de fronteira daquelas que podem ser executadas por modelos mais leves. A Accenture faz isso internamente: novas sessões são configuradas por padrão com um modelo mais leve. Os limites para modelos mais pesados são definidos por função ou caso de negócios, e tudo isso é controlado por meio de um único gateway, de modo que os gastos acompanhem as necessidades. Um desenvolvedor que usa muito recursos e um usuário ocasional podem apresentar diferenças de várias ordens de magnitude.
Analise regularmente o consumo, os resultados e as decisões de direcionamento do modelo à medida que o uso aumenta e os agentes assumem mais trabalho. O ritmo que funciona é um ciclo: identificar onde o consumo se concentra, corrigir o problema por meio de redirecionamento ou redesenho e, em seguida, reavaliar em intervalos regulares, pois os preços dos tokens e as opções de modelo variam mensalmente. Na Accenture, essa disciplina é constante: cada lançamento dá origem a novas decisões e capacidades.
A economia da IA não se estabilizará sem esforço deliberado. Na próxima década, as empresas se dividirão em dois grupos: aquelas que tratam a IA como mais um custo tecnológico e aquelas que a administram como uma fonte de retorno comercial mensurável. A primeira terá de lidar com o aumento dos custos. A segunda fará com que o valor da IA cresça mais rapidamente do que seus custos e transformará a escala em uma vantagem duradoura.
[1] Relatório da Goldman Sachs: The AI Spending Boom Just Got Bigger: Goldman Sees $800 Billion Flowing In This Year
[2] Nossa pesquisa: Pulse of Change da Accenture
[3] A Accenture simulou como o aumento no consumo de tokens afetará as organizações à medida que a IA passa a fazer parte dos custos operacionais do dia a dia. As conclusões se baseiam em uma modelagem comportamental baseada em IA de 6.000 perfis de líderes seniores nas Américas, na região EMEA e na APAC, em organizações com receita anual de US$ 1 bilhão ou mais. Essa simulação foi realizada com a Aaru, cuja plataforma cria perfis sintéticos que refletem as características demográficas, psicográficas e comportamentais de um público-alvo de executivos, utilizando dados públicos, privados e exclusivos.
