Empresas da amostra da Ramp aumentaram os gastos com IA em apenas 1,65% em outubro

A conta de IA quase não mudou: será que a equipe parou de usar a tecnologia? Os dados da Ramp mostram por que essa conclusão pode estar errada. Em outubro, os gastos com IA entre os clientes do serviço nos Estados Unidos cresceram 1,65% em relação ao mês anterior e atingiram um novo recorde. Ao mesmo tempo, o custo médio de processar um milhão de tokens de texto em uma amostra separada caiu 21%. Para desenvolvedores e profissionais de produto, é um problema conhecido: o valor pago já não explica quanto trabalho o produto realizou nem qual foi a utilidade desse trabalho.

O The Decoder apresenta esses números com base no Ramp AI Index. A implicação prática é rever o acompanhamento interno. Se você monitora apenas os gastos com API, o aumento da carga de trabalho pode passar despercebido. E um orçamento maior, por si só, também não significa que os usuários estejam recebendo mais valor.

Uma conta pode esconder cenários diferentes

Imagine um serviço que ajuda atendentes a responder aos clientes. É um exemplo hipotético: antes, ele processava mil solicitações; agora, atende um volume bem maior. Se o processamento de texto ficou mais barato, a conta final pode continuar igual. O relatório financeiro mostrará uma despesa estável, embora a carga do sistema tenha aumentado.

Outro cenário também é possível: um agente passa a enviar históricos longos de conversas, repetir requisições após erros e recorrer com mais frequência a um modelo caro. Os gastos aumentam, mas o número de solicitações resolvidas fica estagnado. Sem dados sobre o trabalho concluído, é impossível distinguir essas situações.

Por isso, vale acompanhar, junto com o orçamento, o número de tarefas, a proporção de respostas bem-sucedidas, a latência e a frequência de transferência para um atendente humano. No atendimento ao cliente, uma unidade útil é o custo por solicitação resolvida com qualidade aceitável. Para uma ferramenta de programação, será preciso escolher uma métrica própria: por exemplo, o custo por alteração aceita, incluindo revisão e retrabalho.

A queda no preço médio dos tokens apresentada no relatório também exige cuidado. Ela pode refletir mudanças nas tarifas, na combinação de modelos e no tipo de requisição. Esse número não permite concluir que uma API específica ficou exatamente 21% mais barata nem que seu produto terá automaticamente a mesma economia.

Atendimento ao cliente recebe mais orçamento

O desenvolvimento de software respondeu por 72% de todos os gastos com IA monitorados. Enquanto isso, a participação do atendimento e suporte ao cliente subiu de 0,8% em junho para 13,3% em outubro. É uma mudança significativa na composição dos gastos, embora ainda não comprove que os chatbots estejam gerando retorno financeiro de forma generalizada.

Para quem funda um produto nessa área, surge uma hipótese concreta: as empresas estão dispostas a destinar mais dinheiro à automação do atendimento. Vale testar essa hipótese em um processo bem delimitado, com resultado mensurável. Por exemplo, responder a perguntas sobre o status de um pedido ou encontrar o item certo em uma base de conhecimento. Depois, é possível comparar a qualidade, a velocidade e o custo total do atendimento com o processo anterior.

O The Decoder observa que essas tarefas costumam ser adequadas a modelos baratos e rápidos. A conclusão prática é testar várias opções com o mesmo conjunto de solicitações. Um modelo caro pode justificar seu custo em casos complexos, mas a escolha deve se apoiar nos resultados dos testes.

Por que isso ainda não retrata todo o mercado

O índice se baseia em dados de pagamentos de mais de 85 mil empresas americanas. No entanto, os clientes da Ramp tendem a ser mais orientados ao crescimento, mais familiarizados com tecnologia e maiores do que as empresas dos Estados Unidos em geral. Ferramentas gratuitas e o uso por meio de contas pessoais podem ficar fora do levantamento.

Há outro limite: as métricas de volume de tokens e dos gastos relacionados vêm de usuários do Ramp Token Spend Management. Elas não podem ser extrapoladas automaticamente para toda a base de clientes. A afirmação apresentada no artigo de que 1% das empresas responde por 80% da receita da OpenAI e da Anthropic também deve ser lida no contexto das observações da Ramp, e não como uma divulgação da receita total dos fornecedores.

Esses dados são úteis como ponto de partida para revisar a economia do próprio produto. Você pode começar com um único fluxo de trabalho: relacionar os pagamentos ao número de tarefas concluídas, verificar a qualidade e identificar onde ocorrem requisições repetidas. Assim, a próxima conta mensal ficará mais fácil de entender, mesmo que volte a mudar muito pouco.