IA pode ficar mais barata e custar cada vez mais

A inteligência artificial está a entrar nas empresas como uma máquina de produtividade, capaz de automatizar processos, escrever código, analisar documentos e executar tarefas que antes exigiam intervenção humana. Mas há uma tensão económica que começa a tornar-se difícil de ignorar: a IA tem a interface do software, mas depende de uma infraestrutura física intensiva em capital, energia e recursos. Cada utilização exige computação, cada agente multiplica operações e cada ganho de escala aumenta a pressão sobre chips, memória, redes e centros de dados.
15 de Setembro, 2026

Durante décadas, uma das maiores vantagens económicas do software esteve no seu reduzido custo marginal. Desenvolver uma aplicação podia ser caro, mas distribuí-la por mais milhares ou milhões de utilizadores não fazia os custos crescerem à mesma velocidade. Foi esta lógica que ajudou a criar algumas das maiores margens da economia digital. A IA generativa começa a quebrar essa equação porque o produto volta, em certa medida, a ser produzido cada vez que é utilizado. Uma pergunta, um resumo, uma linha de código ou uma decisão tomada por um agente desencadeiam novos cálculos e, por trás deles, processadores, memória, eletricidade e refrigeração.

É por isso que a corrida à IA se tornou também uma corrida à infraestrutura. A Fitch estima que os cinco maiores fornecedores de hiperescala poderão investir cerca de 750 mil milhões de dólares este ano na construção de centros de dados, com aproximadamente três quartos desse montante destinados à inteligência artificial. A dimensão do investimento expõe uma contradição pouco confortável: a tecnologia apresentada como instrumento para retirar custos e trabalho aos processos empresariais está simultaneamente a alimentar um dos maiores ciclos de investimento físico da economia digital.

Nada disto significa que a IA não produza ganhos de produtividade. Significa que esses ganhos deixaram de poder ser analisados separadamente do custo necessário para os obter. Um sistema que reduz um processo de duas horas para alguns minutos pode gerar valor muito superior ao preço da inferência. Mas essa relação terá de ser medida, sobretudo quando uma experiência com algumas centenas de interações se transforma numa operação permanente com milhões de pedidos.

O treino dos grandes modelos recebe grande parte da atenção porque exige milhares de processadores e enormes quantidades de energia. Para as empresas, porém, o problema estrutural está cada vez mais na inferência, o processamento realizado sempre que um modelo recebe uma instrução e produz uma resposta. O treino pode ser encarado como um investimento concentrado; a inferência acompanha continuamente a utilização. Segundo os dados citados no material de base, poderá representar cerca de 96% da energia consumida nos centros de dados dedicados à IA.

Esta diferença muda a economia. No software tradicional, mais utilização tende a aumentar receitas sem provocar um crescimento equivalente dos custos. Na inteligência artificial, o sucesso pode aumentar simultaneamente produtividade, receita e despesa computacional. Quanto maior o contexto enviado ao modelo, mais longa a conversa ou mais complexa a tarefa, maior pode tornar-se a carga de processamento. Para um consumidor individual, esse custo é quase invisível. Para uma empresa que começa a colocar IA em centenas de processos, passa a ser uma variável operacional.

É aqui que a discussão deixa de ser apenas tecnológica. Para os CIO e departamentos de compras, já não basta perguntar se um modelo consegue executar uma determinada tarefa. É necessário perceber quanto custa fazê-la repetidamente, qual o modelo necessário, que informação deve ser enviada e qual a parcela do trabalho que continua a ser executada de forma mais eficiente por software convencional.

Os agentes tornam esta questão ainda mais relevante. Um chatbot aguarda uma pergunta. Um agente pode consultar aplicações, procurar informação, executar código, utilizar ferramentas e repetir todo o processo até atingir um objetivo. A autonomia aumenta o potencial de produtividade precisamente porque remove o limite humano da velocidade de leitura, escrita e decisão. Mas remove também parte dos limites naturais ao consumo de recursos.

Segundo os dados incluídos no texto-base, sistemas multiagente podem consumir cerca de 15 vezes mais tokens do que uma interação humana simples. A IDC projeta que o número de agentes em utilização poderá ultrapassar mil milhões até 2029. A mesma característica que torna os agentes economicamente interessantes, a capacidade de trabalhar continuamente e em escala, é também aquela que pode tornar os seus custos mais difíceis de controlar.

Um agente de software pode compilar código, analisar uma falha, consultar milhares de linhas de logs, testar uma correção e repetir o ciclo. Se a arquitetura estiver mal desenhada, pode reenviar sucessivamente informação já conhecida ou recorrer a um grande modelo para tarefas que não justificam esse custo. Automatizar um processo e automatizá-lo eficientemente são, portanto, problemas diferentes.

Esta distinção começa a deslocar a vantagem competitiva. Durante a primeira fase da IA generativa, o argumento foi ter acesso ao modelo mais poderoso. Na fase empresarial, poderá ser mais importante obter o mesmo resultado com menos tokens, menos memória e menos energia. O próprio material fornecido descreve um sistema financeiro que separa as tarefas que exigem raciocínio de IA das operações que podem continuar a ser realizadas em Python ou Excel, conseguindo reduções de custos superiores a 90% em determinados cenários.

Nem toda a produtividade adicional exige mais inteligência artificial. Parte dela poderá resultar precisamente de saber onde não a utilizar.

É esta lógica que está por trás da quantização, da destilação de modelos, das arquiteturas de mistura de especialistas, dos modelos mais pequenos e das técnicas de otimização de contexto. Em vez de aumentar indefinidamente a capacidade computacional, a indústria tenta reduzir a quantidade de trabalho necessária para produzir o mesmo resultado. Também o hardware segue esse caminho, com processadores especializados, sistemas de memória mais eficientes e novas formas de refrigeração destinadas a retirar mais desempenho da mesma infraestrutura.

O problema é que maior eficiência não garante menor consumo total. Se o custo de uma tarefa cair significativamente, mais tarefas passam a justificar economicamente o uso de IA. É o paradoxo de Jevons aplicado à inteligência artificial: cada interação pode consumir menos recursos enquanto o sistema, no seu conjunto, consome cada vez mais.

É talvez aqui que está a maior tensão económica desta fase. O setor tenta baixar drasticamente o preço de cada unidade de inteligência ao mesmo tempo que procura colocar essa inteligência em praticamente todos os processos empresariais. Quanto mais barata fica a inferência, maior a procura; quanto maior a procura, maior a necessidade de capacidade computacional e energia.

Para as empresas, isto torna insuficientes métricas como o número de modelos implementados, agentes criados ou processos automatizados. A questão relevante é quanto valor cada um produz por unidade de custo. Um agente que reduz drasticamente o tempo de um processo pode justificar facilmente a infraestrutura que consome. Outro que executa centenas de ciclos redundantes pode ser tecnicamente sofisticado e economicamente pouco relevante.

A experiência da cloud oferece uma antecipação do problema. Transformar infraestrutura numa capacidade fácil de consumir permitiu às empresas ganhar flexibilidade, mas criou também novas formas de desperdício. Com a IA, a dificuldade aumenta porque já não é necessário medir apenas servidores, armazenamento ou processamento. É preciso acompanhar tokens, chamadas a modelos, recuperação de contexto, utilização de ferramentas e ciclos executados por agentes.

A arquitetura da IA deixa, assim, de ser apenas uma decisão técnica. Passa a fazer parte da estrutura de custos da empresa.

Isso torna também a independência tecnológica mais importante. Se dentro de seis meses um modelo diferente conseguir executar a mesma tarefa a metade do preço, uma arquitetura flexível permite aproveitar essa redução. Uma empresa demasiado dependente de um único fornecedor pode ficar presa não apenas à tecnologia, mas à sua estrutura de preços e à economia da sua infraestrutura.

No fundo, a inteligência artificial está a aproximar dois mundos que o software tentou separar durante décadas. De um lado, a promessa de escala, automação e produtividade. Do outro, chips, eletricidade, água, redes e centros de dados que continuam sujeitos às limitações do mundo físico.

A IA pode parecer software no ecrã. Economicamente, começa a comportar-se como infraestrutura.

A questão para as empresas já não é simplesmente saber quanto trabalho pode ser automatizado. É perceber se o valor dessa automação cresce mais depressa do que a infraestrutura necessária para a sustentar. Os modelos serão mais eficientes e a inferência continuará a ficar mais barata, mas isso poderá apenas abrir espaço para uma utilização ainda maior.

É esta a conta que a próxima fase da inteligência artificial terá de resolver. Não quanto custa fazer uma pergunta a uma máquina, mas quanto custa uma economia quando milhões de máquinas começam a trabalhar continuamente umas para as outras.

Inteligência Artificial, Agentes de IA, Centros de Dados, CIO, Infraestrutura de TI

Opinião