Quanto vale o token de IA e por que a sua empresa pode estar torrando dinheiro

Existe uma frase que resume o problema antes de qualquer número: ninguém aprovou essa despesa, mas ela cresce todo mês. É assim que especialistas em Finanças e Operações descrevem o padrão mais comum em empresas que adotaram IA generativa sem estrutura de controle de gasto. 

O token, unidade que mede o custo de cada interação com um modelo de linguagem, virou a nova linha invisível do orçamento corporativo, e a maioria dos CEOs brasileiros ainda não sabe nomear o problema, muito menos resolvê-lo.

Antes de continuar, uma provocação direta para quem lidera: a sua empresa sabe, hoje, quais fluxos de IA consomem o quê, qual resultado cada um produz e quem tem autoridade para desligar o que não se paga? Se a resposta não for imediata, o Executive Program da StartSe foi desenhado exatamente para essa lacuna: colocar a governança de IA nas mãos de quem, no final do trimestre, precisa explicar a conta ao board.

O que é um token e por que ele mudou de categoria

Token é a unidade que os modelos de linguagem usam para processar texto, e cada palavra, fragmento de palavra ou instrução consumida ou gerada tem um preço associado a ela. Até pouco tempo, esse detalhe técnico interessava só a times de engenharia. Deixou de ser assim no momento em que IA generativa passou de experimento isolado para infraestrutura crítica de operação, atendimento, vendas e desenvolvimento de software.

Segundo a IDC, os gastos globais com infraestrutura de IA devem chegar a US$ 487 bilhões em 2026, alta de aproximadamente 53% em relação ao ano anterior, e o mercado global deve superar US$ 1 trilhão até 2029, com crescimento médio anual de cerca de 30% a partir de 2025. Esse crescimento não é apenas sobre mais empresas adotando IA. É sobre cada empresa que já adotou consumindo, de forma acelerada, muito mais do que planejou.

Quando o piloto vira fatura de produção

O erro mais recorrente entre empresas que investem em IA sem estrutura de governança é confundir o custo do piloto com o custo real de operação. A Andreessen Horowitz documentou que gastos reais de token em produção costumam ficar entre cinco e dez vezes acima do que os pilotos indicavam, porque o piloto roda com um conjunto controlado de perguntas, enquanto a produção roda com o comportamento imprevisível de usuários reais. É a diferença entre o que foi aprovado em comitê e o que a empresa efetivamente paga no trimestre seguinte.

O caso mais emblemático desse descontrole aconteceu dentro de uma das maiores empresas de tecnologia do mundo. A Uber estourou o orçamento anual de IA já em abril de 2026, e executivos admitiram que o excesso de gasto com tokens não se traduziu em entregas úteis de imediato. A resposta corporativa foi rápida: a própria Uber, assim como o Walmart, precisou impor limite de uso nas ferramentas internas de IA para funcionários. Se empresas com times de engenharia financeira sofisticados foram surpreendidas dessa forma, o risco para empresas brasileiras que ainda tratam IA como despesa de inovação, e não como linha orçamentária monitorada, é proporcionalmente maior.

O paradoxo que confunde qualquer CFO

Um dos aspectos mais contraintuitivos dessa crise é que o custo unitário da IA está caindo, não subindo, e ainda assim as faturas corporativas continuam batendo recorde atrás de recorde. Entre 2024 e 2026, a competição entre Google, Anthropic e OpenAI derrubou o custo unitário do token em ordens de magnitude, mas o que barateou foi o insumo, não o consumo. O consumo cresce porque cada avanço de capacidade do modelo abre a porta para novos casos de uso, que geram novo volume de chamadas.

O efeito é ainda mais agudo quando a empresa passa de assistentes simples para agentes autônomos, que executam tarefas completas sem supervisão constante. Segundo o Goldman Sachs, pedir a um agente de IA que execute uma tarefa pode exigir até 50 vezes mais capacidade computacional do que simplesmente fazer uma pergunta a um chatbot, e a instituição projeta que agentes de IA vão elevar o consumo de tokens em 24 vezes nos próximos quatro anos, chegando a uma alta de 55 vezes até 2040 entre agentes corporativos.

O momento em que os fornecedores pararam de subsidiar o excesso

Até o início de 2026, boa parte das empresas de IA cobrava por assinatura fixa, o que escondia o verdadeiro custo do uso intensivo. Isso mudou de forma abrupta. OpenAI, Anthropic e GitHub trocaram a assinatura fixa pela cobrança por uso entre fevereiro e junho de 2026, e companhias que deixavam funcionários gastarem tokens à vontade descobriram, de uma hora para outra, que a conta tinha dono. 

Em um evento empresarial, o CEO da OpenAI, Sam Altman, descreveu essa virada como surpreendentemente rápida, relatando que a reclamação mais comum entre clientes corporativos passou a ser que a empresa havia gastado todo o orçamento anual de IA já no primeiro trimestre.

O tamanho de alguns desses números expõe a gravidade do problema. Uma empresa teria gasto cerca de US$ 500 milhões com uso de IA em um único mês, o tipo de número que transforma qualquer projeto de inovação em crise de governança financeira. 

A Salesforce projeta gastar cerca de US$ 300 milhões só em tokens de um único fornecedor durante 2026. Empresas brasileiras operam em escala menor, mas o mecanismo que gera esse descontrole é exatamente o mesmo, e se instala silenciosamente em qualquer organização que não tenha desenhado, desde o início, quem é o dono da governança desse gasto.

Onde o dinheiro realmente se perde

Casos concretos ajudam a entender a mecânica do desperdício. Em abril de 2026, um agente construído sobre LangChain entrou em loop durante a madrugada e gerou 14 mil chamadas redundantes, resultando em US$ 437 de custo sem nenhum valor entregue. Um prompt mal estruturado pode consumir até três vezes mais tokens para gerar o mesmo resultado, enquanto sistemas multiagente mal projetados chegam a consumir até 15 vezes mais tokens do que um agente único fazendo a mesma tarefa. Em outro caso documentado, um sistema empresarial consumiu 850 mil tokens em uma tarefa onde 100 mil seriam suficientes.

Esse padrão de crescimento silencioso também aparece em áreas de negócio específicas. O custo de tokens em times de marketing com IA triplicou em doze meses: equipes de porte médio gastavam cerca de US$ 1.200 por mês no primeiro trimestre de 2025 e chegaram a US$ 3.400 no mesmo período de 2026, enquanto equipes de grande porte já operam entre US$ 24 mil e US$ 48 mil mensais. Um caso de plataforma de inteligência de vendas viu seus custos crescerem de US$ 2 mil para US$ 14 mil por mês em 18 meses, sem que nenhuma decisão deliberada tivesse sido tomada para justificar esse salto.

A resposta não é usar menos IA. É usar com critério

O erro simétrico ao descontrole é a reação de pânico: proibir ou reduzir drasticamente o uso de IA por medo da fatura. Empresas que já resolveram parte desse problema mostram outro caminho. Um executivo de banco que opera assistente próprio de IA explicou publicamente a lógica: deixar todo mundo usando o modelo mais avançado de raciocínio disponível para qualquer tarefa, incluindo perguntas triviais, é desperdício direto de dinheiro, porque esse tipo de modelo deveria ser reservado para tarefas efetivamente complexas.

Essa disciplina de roteamento, escolher o modelo certo para cada tarefa, é uma das formas mais eficazes de conter gasto sem sacrificar capacidade. O roteamento inteligente entre modelos reduz gastos entre 30% e 70%, chegando a até 98% de economia em workloads específicos, e o uso de cache de prefixo, técnica que evita reprocessar instruções e documentos estáveis a cada chamada, reduz custo em até 90% em fluxos com contexto repetido. Empresas que sistematizam engenharia de prompt reportam retorno sobre investimento 340% maior do que empresas que não o fazem. 

O que grandes empresas já estão fazendo diferente

A resposta das organizações mais maduras não foi cortar IA. Foi importar disciplina que já existia em outra área de tecnologia. A CIO da Principal Financial Group afirmou publicamente que a empresa está implementando processos de governança e otimização semelhantes aos utilizados para controlar gastos com computação em nuvem, com foco em utilizar o modelo mais adequado para cada tarefa, e não permitir que maior utilização resulte automaticamente em custo mais alto. A CVS Health, por sua vez, está recrutando um executivo específico com conhecimento em governança de custos de infraestrutura de IA e redução de despesa.

O nome dessa disciplina já tem consenso de mercado. Segundo o State of FinOps 2026, da FinOps Foundation, levantamento com 1.192 profissionais responsáveis por mais de US$ 83 bilhões em gasto anual com nuvem, 98% das equipes já gerenciam custos de IA, contra 63% em 2025 e 31% em 2024, e a capacidade mais requisitada em toda a pesquisa é o monitoramento granular de gasto com IA, algo que a maioria das ferramentas comerciais ainda não entrega em escala suficiente.

Por que essa conta é do CEO, não da área de TI

O engano mais comum em empresas brasileiras é tratar custo de token como problema técnico, delegável integralmente à área de tecnologia. Segundo a Gartner, a surpresa recorrente com o consumo de tokens revela, na verdade, uma lacuna de governança financeira em IA: falta transparência nos relatórios de uso, falta integração entre equipes técnicas e financeiras, e falta política clara de gestão de custo. Sem métricas de uso e alertas automatizados, a maioria das empresas só descobre o problema quando a despesa já ocorreu.

Essa lacuna não se resolve com uma ferramenta nova. Se resolve com decisão executiva: definir quem tem autoridade para aprovar, revisar e interromper fluxos de IA que consomem recurso sem gerar retorno proporcional. Isso é decisão de CEO e de comitê executivo, porque envolve trade-off entre velocidade de inovação e disciplina financeira, exatamente o tipo de tensão que só a alta liderança tem mandato para resolver.

O que fazer primeiro

O primeiro passo é auditar, com dados reais e não com estimativa informal, quanto a empresa gastou com tokens de IA nos últimos dois trimestres e comparar esse número com o que havia sido projetado na fase de piloto. O segundo é definir, com nome e sobrenome, quem é o responsável por monitorar esse consumo e quem tem autoridade formal para desligar fluxos que não geram resultado mensurável. O terceiro é revisar a arquitetura de decisão de modelos, garantindo que tarefas simples usem opções mais baratas e que apenas tarefas complexas justifiquem o uso de modelos de ponta.

Sem essa camada de governança, o token mais barato da história da tecnologia continua sendo, na prática, uma das despesas mais caras e menos controladas do orçamento corporativo. Participe da próxima turma do Executive Program e saiba transformar entusiasmo com IA em disciplina de resultado, antes que a fatura chegue maior do que a empresa consegue explicar ao board.