Uber esgota o orçamento de IA, e os gastos das empresas com computação já superam os salários

A inteligência artificial passa rapidamente de gasto experimental a uma das linhas mais pesadas do orçamento corporativo. Em várias empresas, o custo de modelos, tokens e computação já concorre não com licenças de software, mas com a folha de pagamento. Um sinal revelador veio da Uber: o diretor de tecnologia da empresa disse que o orçamento anual de IA para 2026 já foi esgotado, e o principal motivo é o alto custo dos tokens. O que até pouco tempo era visto como uma ferramenta flexível para acelerar o trabalho das equipes agora é uma despesa operacional completa, que não dá para ignorar.

O problema é que a economia da IA não escala como o software corporativo clássico. A assinatura de um serviço comum costuma ser previsível, mas o gasto com modelos generativos cresce a cada requisição, a cada novo usuário e a cada caso de uso adicional. Quanto mais a empresa incorpora IA em busca, suporte, análise, código, assistentes internos e produtos para clientes, maior a conta de tokens, GPUs na nuvem, armazenamento de dados, monitoramento e segurança. Na fase piloto, esses valores podem parecer toleráveis, mas, depois da entrada em produção, o orçamento passa a variar aos saltos, principalmente quando milhares de funcionários ou clientes começam a usar o serviço.

Além disso, boa parte dos custos não fica em um único contrato, e sim diluída em várias linhas: API, nuvem, bancos de dados vetoriais, logs, proteção de dados, ajuste fino, integração e manutenção. Por isso, a IA no ambiente corporativo costuma sair mais cara do que parecia na primeira apresentação ou na primeira fatura.

Nesse contexto, a previsão para os gastos globais com TI parece lógica: em 2026, eles devem chegar a US$ 6,31 trilhões, 13,5% a mais que em 2025. Uma parte considerável do aumento vem da infraestrutura de IA, de software e de serviços em nuvem. O dinheiro não vai só para o acesso aos modelos, mas para tudo ao redor: capacidade de servidores, integrações, ferramentas de observabilidade, controle de qualidade das respostas e mecanismos de proteção de dados. Para as empresas, isso significa que a adoção de IA não pode mais ser tratada como iniciativa local de uma equipe: exige uma revisão sistêmica do orçamento de TI.

Antes, as empresas discutiam se contratavam mais um analista, desenvolvedor ou gerente. Agora surge cada vez mais outra pergunta: um caso de uso específico de IA paga seus tokens e sua computação melhor do que um especialista humano ou a automação comum?

A abordagem de gestão muda junto. Já não basta às empresas apenas liberar o uso de redes neurais pelos funcionários ou conectar uma API em alguns produtos. É preciso ter limites financeiros, controle do custo de cada caso de uso, escolha entre modelos caros e mais compactos, cache de requisições repetidas e uma avaliação rigorosa de onde a IA realmente gera valor. Cresce o uso de roteamento de requisições por nível de complexidade, limites ao tamanho do contexto, modelos pequenos para tarefas típicas e soluções locais onde importam a confidencialidade e um custo previsível. Em muitos casos, é mais barato deixar parte dos processos com pessoas ou automatizá-los por métodos clássicos do que pagar sem controle por cada geração.

É por isso que o exemplo da Uber importa: até uma grande empresa de tecnologia, com forte cultura de engenharia, enfrenta não um problema de acesso à IA, mas de retorno sobre o investimento. A próxima etapa do mercado não é uma corrida pelo maior número de recursos de IA, e sim a transição para um uso disciplinado. Vão se dar bem não as empresas que conectarem mais modelos, mas as que aprenderem a calcular o custo de uma resposta, compará-lo com a receita ou o tempo economizado e desligar a tempo os casos caros sem efeito claro.

A IA deixa de vez de ser um complemento da moda e passa a ser infraestrutura. E infraestrutura, como mostra o caso da Uber, exige não só ambição, mas um controle orçamentário muito rígido.