Uber esgotou seu orçamento de IA, e os gastos das empresas com computação já estão superando salários

A inteligência artificial está passando rapidamente de despesas experimentais para uma das linhas mais pesadas dos orçamentos corporativos. Em algumas empresas, os custos com modelos, tokens e computação já competem não com licenças de software, mas com a folha de pagamento. Um sinal eloquente veio da Uber: o diretor técnico da empresa informou que o orçamento anual de IA para 2026 já foi esgotado, sendo o alto custo dos tokens a principal razão.

O que pouco tempo atrás era percebido como uma ferramenta flexível para acelerar a produtividade das equipes agora se torna uma despesa operacional completa que não pode ser ignorada. O problema é que a economia da IA não se dimensiona da mesma forma que o software corporativo tradicional. Se uma assinatura para um serviço típico geralmente é previsível, as despesas com modelos generativos crescem a cada requisição, a cada novo usuário e a cada cenário de uso adicional.

Quanto mais uma empresa incorpora IA em busca, suporte, análise, código, assistentes internos e produtos voltados para o cliente, maior se torna a conta de tokens, custos de GPU em nuvem, armazenamento de dados, monitoramento e segurança. Na fase de piloto, essas quantias podem parecer toleráveis, mas uma vez em produção, o orçamento começa a mudar abruptamente, especialmente quando milhares de funcionários ou clientes começam a usar o serviço. Enquanto isso, uma parte significativa dos custos não está escondida em um único contrato, mas se espalha por várias linhas: APIs, nuvem, bancos de dados vetoriais, registro, proteção de dados, ajuste fino, integração e manutenção.

É precisamente por isso que a IA no ambiente corporativo acaba sendo mais cara do que parece na primeira apresentação ou na primeira fatura. Neste contexto, a previsão de despesas globais de TI parece lógica: em 2026 devem atingir US$ 6,31 trilhões, o que é 13,5% a mais que os níveis de 2025. Uma porção substancial deste crescimento vem da infraestrutura de IA, software e serviços em nuvem.

O dinheiro vai não apenas para o acesso aos modelos, mas para todo o ecossistema ao redor deles: capacidade de servidores, integrações, ferramentas de observabilidade, mecanismos de controle de qualidade de respostas e medidas de proteção de dados. Para os negócios, isso significa que a implementação de IA não pode mais ser vista como uma iniciativa local de uma única equipe — trata-se de uma revisão sistêmica do orçamento de TI. Se antes as empresas debatiam se contratavam mais um analista, desenvolvedor ou gerente, agora surge cada vez mais outra pergunta: um cenário específico de IA retorna melhor do que um especialista humano ou automação padrão?

Isso também muda a abordagem gerencial. As empresas já não podem simplesmente permitir que funcionários usem redes neurais ou conectem uma API em alguns produtos. Elas precisam de limites financeiros, controle de custos por cenário, escolha entre modelos caros e mais compactos, cache de requisições repetidas e avaliação rigorosa de onde a IA realmente cria valor.

Cada vez mais, as empresas estão roteando requisições por nível de complexidade, limitando o comprimento do contexto, usando modelos menores para tarefas rotineiras e empregando soluções locais onde confidencialidade e custos previsíveis importam. Em muitos casos, é mais barato manter alguns processos com pessoas ou automatizá-los usando métodos tradicionais do que pagar cegamente por cada geração. O exemplo da Uber é importante justamente por isso: mesmo uma grande empresa de tecnologia com uma forte cultura de engenharia não enfrenta o problema do acesso à IA, mas o problema de sua rentabilidade.

O próximo estágio para o mercado não é uma corrida pelo máximo de funcionalidades de IA, mas uma mudança para o uso disciplinado. Os vencedores não serão as empresas que conectarem mais modelos, mas aquelas que aprenderem a calcular o custo de uma resposta, correlacioná-lo com receita ou economia de tempo e desativar prontamente cenários caros sem retorno claro. A IA finalmente deixa de ser uma camada nova na moda sobre os negócios e se torna infraestrutura.

E infraestrutura, como o exemplo da Uber demonstra, exige não apenas ambição, mas também um controle orçamentário muito rigoroso.