PERSPETIVA
As organizações líderes não monitorizam apenas o custo da IA. Medem também o seu impacto no crescimento, na experiência do cliente e no retorno do capital.
7-MINUTO[S] DE LEITURA
29 julho 2026
Hoje, os investimentos em IA refletem-se diretamente na demonstração de resultados sob a forma de custos com infraestrutura, inferência e licenciamento, contabilizados e analisados como qualquer outra despesa tecnológica. O que raramente é discutido é o outro lado da equação: a retenção de clientes que um centro de atendimento apoiado por IA pode assegurar, o crescimento dos ativos sob gestão que um banqueiro, libertado de tarefas administrativas, pode impulsionar, ou o capital circulante que uma previsão da procura mais precisa permite libertar. Em cada caso, o investimento está associado ao crescimento, à experiência do cliente ou à eficiência financeira, e não apenas ao custo. A maioria das organizações ainda não consegue medir este impacto de forma consistente, muito menos geri-lo.
Essa lacuna entre a forma como a IA é atualmente encarada e os resultados que pode gerar no futuro constitui um dos maiores desafios da IA empresarial. Para a colmatar, é necessária uma disciplina que a maioria das organizações ainda não desenvolveu. A questão não é quanto custa a IA. É se está a gerar retorno suficiente para produzir um impacto real. Os líderes que reformulam a sua abordagem em torno desta questão estão a encontrar respostas muito diferentes.
É aqui que entra a tokenomics: a disciplina de associar os recursos consumidos pela IA ao valor que esta cria. Os tokens são as unidades de informação processadas pelos modelos de IA, e cada pedido, resposta, operação de recuperação de informação ou interação com um agente consome tokens. Aquilo que começou por ser uma simples unidade de faturação tornou-se um recurso produtivo fundamental que deve ser monitorizado, medido e gerido. O objetivo é assegurar que cada euro investido em IA gera um retorno ainda superior.
A Accenture vê esta realidade à escala. Por exemplo, uma das nossas plataformas internas processa cerca de 8,7 biliões de tokens por semana na nossa infraestrutura e encaminha cada tarefa para o modelo mais adequado, a um custo equivalente a aproximadamente um sexto do custo de um modelo de ponta. No entanto, o encaminhamento, por si só, não é suficiente. Noutro ambiente, onde cada nova sessão utiliza por defeito um modelo de nível intermédio, muitos colaboradores continuaram a selecionar a opção mais poderosa. Quando multiplicado por toda a organização, este comportamento individual faz aumentar os custos de consumo de forma quase impercetível.
A experiência ensinou-nos que escalar a IA não tem de significar custos descontrolados. Mas o controlo de custos é apenas uma parte da equação. O verdadeiro desafio é garantir que cada utilização da IA corresponde ao nível adequado de inteligência para o resultado empresarial que se pretende alcançar.
Os tokens são as unidades de informação processadas pelos modelos de IA. A tokenomics é a disciplina que mede a relação entre os tokens consumidos e o valor gerado, ajudando as organizações a garantir que os investimentos em IA produzem retorno para o negócio.
800 MM$
A Goldman Sachs prevê que os investimentos relacionados com a IA ultrapassem os 800 mil milhões de dólares em 2026.
Apenas 23%
No entanto, apenas 23% dos líderes inquiridos afirmam estar a gerar valor empresarial generalizado e sustentado com a IA em toda a organização.
Algumas organizações esgotaram o orçamento anual destinado à IA num único trimestre. Ainda assim, a maioria continua a gerir os tokens da mesma forma que gere os custos de computação na cloud: de forma reativa, apenas quando recebe a fatura.
As organizações líderes não se distinguem por terem acesso a melhores modelos ou a maior capacidade computacional. Destacam-se porque gerem o consumo de tokens com o mesmo rigor com que gerem a alocação de capital, assegurando que cada investimento em IA gera valor mensurável para o negócio.
O erro está em tratar a IA como um custo tecnológico, em vez de um sistema económico. Ao contrário do software tradicional, cuja estrutura de custos é relativamente previsível, a IA introduz uma dinâmica diferente. As licenças são adquiridas, as subscrições são renovadas e os custos são conhecidos à partida. Com a IA, essa previsibilidade desaparece.
Os custos já não dependem apenas do número de utilizadores. Dependem também daquilo que lhes é pedido, da complexidade das tarefas executadas, da profundidade da análise realizada pelos modelos e do volume de trabalho processado pelos sistemas de IA. Cada vez mais, os utilizadores não são pessoas, mas agentes e fluxos de trabalho automatizados que executam inferências continuamente, 24 horas por dia, sem licenças individuais a contabilizar nem limites de utilização predefinidos.
Em quase todas as implementações que analisámos, incluindo as nossas, uma pequena percentagem dos utilizadores e fluxos de trabalho é responsável pela maioria da despesa. Menos de 10% representam a maior parte dos custos. A pressão é constante: em alguns dos nossos ambientes, recebemos centenas de pedidos por dia para aumentar limites individuais de consumo.
À medida que a IA se torna mais presente nas organizações, o consumo cresce com cada novo fluxo de trabalho, agente ou modalidade. Os chatbots evoluem para agentes. Os agentes evoluem para equipas de agentes. As aplicações baseadas apenas em texto expandem-se para experiências multimodais que incluem imagens, vídeo e áudio. No mundo físico, os robôs autónomos recorrem à mesma infraestrutura de inferência, onde cada decisão e exceção gera custos adicionais em tokens. À medida que os casos de utilização se multiplicam, a curva de consumo acelera de forma exponencial.
A segurança acrescenta uma camada adicional de custo que nenhuma organização pode ignorar. Quanto mais modelos, agentes, dados e sistemas interligados uma organização incorpora, maior é a superfície de exposição que tem de proteger. A monitorização contínua, os controlos de acesso reforçados, a deteção de ameaças e a capacidade de resposta rápida representam custos permanentes que raramente são considerados nos planos iniciais, mas que aumentam com cada nova implementação.
Este fenómeno reflete o paradoxo de Jevons aplicado à IA. Tal como os motores a vapor mais eficientes levaram ao aumento do consumo de carvão, em vez da sua redução, a descida do custo dos tokens incentiva as organizações a utilizar mais IA, e não menos. Tarefas que antes eram demasiado dispendiosas tornam-se economicamente viáveis, gerando nova procura e impulsionando ainda mais o consumo.
A nossa simulação revelou que, se o custo dos tokens diminuísse 25%, apenas 15% das organizações conseguiriam efetivamente reduzir a despesa. As restantes reinvestiriam as poupanças em novos casos de utilização, cargas de trabalho mais abrangentes ou modelos de maior desempenho. A solução não passa por incentivar os colaboradores a utilizar menos IA, uma vez que isso limitaria os ganhos de produtividade esperados. A solução consiste em direcionar cada tarefa para o modelo mais eficiente do ponto de vista económico, permitindo que o mesmo orçamento produza mais trabalho útil e um retorno mais mensurável.
Existe uma segunda força igualmente relevante: a fronteira de Pareto, o ponto ótimo entre custo e valor. Muitas organizações continuam a investir demasiado em tarefas que não justificam esse nível de capacidade ou a atribuir trabalho de forma ineficiente, desperdiçando oportunidades de criação de valor. As organizações mais avançadas reduzem essa ineficiência ao associar cada tarefa ao modelo mais adequado e ao otimizar continuamente o consumo através da compressão de prompts, da utilização inteligente de cache e da destilação de modelos.
Eis um exemplo concreto: uma apresentação executiva de fim de trimestre que anteriormente exigia cerca de 15 horas de trabalho de três analistas financeiros pode agora ser concluída por uma única pessoa em apenas duas horas, com um custo marginal de algumas centenas de dólares, face aos milhares de dólares correspondentes ao tempo poupado. É este o tipo de relação que as organizações mais avançadas procuram medir. O retorno não está nos tokens que deixaram de ser consumidos, mas na capacidade libertada para atividades de maior valor. Quando esse impacto é associado a indicadores de negócio já monitorizados, a despesa em tokens transforma-se numa fonte mensurável de retorno.
Em conjunto, estas dinâmicas explicam por que razão a tokenomics se tornou uma prioridade estratégica. À medida que as organizações procuram obter mais resultados com menos recursos, a fronteira continua a expandir-se: a qualidade melhora, os custos diminuem, surgem novos casos de utilização e o consumo aumenta. A verdadeira disciplina consiste em compreender onde a IA cria valor, quando capturar esse valor e como reinvesti-lo para gerar crescimento sustentável.
A primeira regra consiste em adequar o nível de inteligência ao valor e ao risco da tarefa. Eis um ponto de partida: estimamos que, em todas as indústras, apenas 10 a 20% das tarefas empresariais sejam suficientemente complexas para justificar o uso de tecnologias de ponta ou quase de ponta.
Uma regra prática é simples: se uma tarefa puder ser dividida em etapas bem definidas, um modelo menos avançado será provavelmente suficiente. Os modelos mais sofisticados devem ser reservados para situações em que a complexidade é inerente à tarefa, em que a decomposição compromete a compreensão do problema, em que os erros se podem acumular ao longo de cadeias extensas de agentes ou em que a resposta exige análise jurídica, financeira ou regulamentar.
Existem vários cenários em que este critério se aplica.
O raciocínio complexo é um desses casos. Quando um diretor de estratégia avalia a posição competitiva de uma organização, as tendências macroeconómicas e a situação financeira de um potencial alvo de aquisição, está a lidar com informação contraditória e interdependente que exige um julgamento não evidente. O mesmo acontece com fluxos de trabalho baseados em agentes, nos quais o custo do erro é elevado e uma falha a meio do processo pode comprometer todo o resultado. Outro exemplo é a análise de grandes volumes de informação contextual. Um processo de due diligence com 200 páginas exige rigor, consistência e coerência ao longo de todo o documento.
Encaminhar 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 para o nível adequado de inteligência e, depois, ajustar e monitorizar o consumo ao longo do tempo. A parte mais difícil consiste em identificar quais as tarefas que realmente justificam níveis superiores de inteligência.
As organizações que não conseguem distinguir tarefas rotineiras de tarefas cognitivamente exigentes e de maior valor acabarão por desperdiçar recursos em ambos os extremos: utilizando modelos dispendiosos onde não são necessários e modelos mais fracos onde a vantagem está em jogo. A experiência da Accenture demonstra que a capacidade do modelo, por si só, não determina quem lidera na era da IA. O fator diferenciador é a disciplina económica com que essa capacidade é aplicada.
Essa mesma disciplina permitiu a uma operadora de telecomunicações reduzir os seus custos anuais com IA em 68%. Em todos os casos, o avanço resultou da análise detalhada do consumo ao nível dos fluxos de trabalho, seguida do redirecionamento, ajustamento ou reformulação das tarefas antes que as ineficiências se transformassem em custos operacionais permanentes.
Na maioria das organizações, os custos associados à IA são imputados ao orçamento de tecnologia, enquanto o valor gerado se manifesta noutras áreas da organização, seja no atendimento ao cliente, na engenharia, no marketing ou em qualquer unidade de negócio que utilize estas capacidades. O CFO analisa os custos, o CIO acompanha a utilização e os líderes de negócio observam os resultados. No entanto, estas perspetivas raramente são integradas de forma consistente à escala da organização.
57%
referem um fraco alinhamento entre as áreas de negócio e a tecnologia2
51%
identificam limitações nos dados e nas capacidades analíticas2
50%
têm dificuldade em isolar o contributo da IA de outros fatores que influenciam os resultados2
As organizações líderes respondem a este desafio através da criação de um modelo de ligação assente em métricas comuns, fóruns de governação e direitos de decisão claramente definidos, que relacionam a utilização da IA com o crescimento, a experiência do cliente e os resultados financeiros. Esta mudança, que transforma iniciativas isoladas numa capacidade transversal a toda a organização, permite que a inteligência circule de forma mais eficaz e se traduza em resultados mensuráveis.
As organizações mais avançadas vão ainda mais longe e encaram o investimento em IA como um custo recuperável, e não apenas como uma despesa a controlar. Integram o consumo de tokens na definição do âmbito, da entrega e da precificação do trabalho, assegurando que o investimento em IA está diretamente ligado ao valor gerado, em vez de ficar concentrado numa rubrica tecnológica central.
Para converter a escala da IA em resultados empresariais mensuráveis, os líderes devem focar-se em quatro disciplinas operacionais:
Pedir ao CFO e ao CIO que assumam conjuntamente a responsabilidade por uma visão única da organização sobre os custos, a utilização e o retorno da IA. A Accenture partilha regularmente com os seus líderes informação sobre os investimentos em IA realizados junto dos diferentes fornecedores, bem como sobre as medidas adotadas para otimizar esse investimento.
O retorno é mais fácil de medir em contextos onde o trabalho está claramente definido. Em processos automatizados por agentes, por exemplo, é possível comparar diretamente o esforço humano antes e depois da implementação, permitindo quantificar o impacto de forma objetiva. Já em cenários de utilização mais aberta, semelhantes à colaboração entre colegas, o valor gerado é mais difícil de isolar. Desenvolver formas fiáveis de medir esse impacto continua a ser uma das principais fronteiras desta disciplina.
A questão fundamental não é quanto se gasta em IA, mas sim onde esse investimento está a gerar valor e retorno para o negócio.
Integrar mecanismos de controlo desde o início da implementação, definindo quem pode utilizar cada modelo, para que finalidade e sob que condições. A disciplina começa com uma questão que muitas organizações ignoram: para quê? Uma ferramenta disponibilizada sem um objetivo claramente definido torna-se rapidamente um custo sem responsabilização.
Muitas das organizações que adotaram a IA numa fase inicial, incluindo a própria Accenture, privilegiaram primeiro o acesso e introduziram mecanismos de controlo mais tarde, quando o consumo e os custos revelaram as lacunas existentes. A principal lição é simples: a governação não deve ser adicionada posteriormente. Deve ser incorporada desde o primeiro dia.
Distinguir as tarefas que exigem modelos de ponta daquelas que podem ser executadas eficazmente por modelos mais leves. A Accenture aplica este princípio internamente: por defeito, as novas sessões utilizam um modelo mais eficiente; o acesso a modelos mais avançados é definido em função da função desempenhada ou da justificação de negócio e é gerido através de um gateway único. Desta forma, o consumo acompanha a necessidade real.
As diferenças podem ser significativas. Um programador que utiliza intensivamente estas capacidades terá necessidades muito distintas das de um utilizador ocasional. Por isso, a disciplina não consiste em disponibilizar a mesma capacidade a todos, mas em garantir que cada tarefa utiliza o nível de inteligência mais adequado ao valor que pretende gerar.
Analisar regularmente os padrões de consumo, os resultados obtidos e as decisões de encaminhamento dos modelos à medida que a utilização da IA aumenta e os agentes assumem um papel cada vez mais relevante. A abordagem mais eficaz assenta num ciclo contínuo: identificar onde se concentra o consumo, otimizar através do encaminhamento adequado ou da reformulação das tarefas e rever periodicamente os resultados, uma vez que os preços dos tokens e as capacidades dos modelos evoluem constantemente.
Na Accenture, esta disciplina faz parte da operação diária. Cada nova geração de modelos, cada alteração de preços e cada nova capacidade disponibilizada exigem decisões contínuas sobre onde gerar valor e como otimizar o investimento em IA.
A economia da IA não se estabilizará sem uma gestão deliberada e disciplinada. Ao longo da próxima década, as organizações dividir-se-ão em dois grupos: as que continuam a encarar a IA como mais uma despesa tecnológica e as que a gerem como uma fonte de valor mensurável para o negócio.
As primeiras enfrentarão uma pressão crescente sobre os custos à medida que o consumo aumenta. As segundas conseguirão fazer crescer o valor gerado pela IA mais rapidamente do que os custos associados, transformando escala, produtividade e inovação numa vantagem competitiva sustentável.
[1] Relatório da Goldman Sachs: The AI Spending Boom Just Got Bigger: Goldman Sees $800 Billion Flowing In This Year
[2] O nosso inquérito: Accenture Pulse of Change
A Accenture simulou o impacto do crescimento do consumo de tokens nas organizações à medida que a IA passa a integrar os custos operacionais do dia a dia. As conclusões baseiam-se na modelação comportamental, suportada por IA, de 6.000 perfis de líderes seniores das regiões Américas, EMEA e APAC, pertencentes a organizações com receitas anuais iguais ou superiores a mil milhões de dólares. A simulação foi realizada com recurso à Aaru, cuja plataforma cria perfis sintéticos que reproduzem as características demográficas, psicográficas e comportamentais de grupos-alvo de líderes, com base em dados públicos, privados e proprietários.
