O risco não está no preço da inteligência artificial. Está na dependência cega.
Durante os últimos anos, muitas empresas passaram a tratar a inteligência artificial como eletricidade: algo que simplesmente estará disponível, em escala, com preço competitivo e melhora contínua de desempenho. Essa percepção não nasceu do nada. A adoção corporativa acelerou fortemente: o AI Index 2025, de Stanford, afirma que 78% das organizações relataram uso de IA em 2024, ante 55% no ano anterior, enquanto a McKinsey sustenta que a IA generativa pode adicionar entre US$ 2,6 trilhões e US$ 4,4 trilhões por ano à economia global apenas nos 63 casos de uso que analisou.
Mas existe um detalhe incômodo que muitos conselhos de administração ainda não encararam de frente: uma parte crescente das operações, da produtividade e até da proposta de valor dessas empresas já depende de modelos fundacionais, nuvem, chips, energia e infraestrutura que elas não controlam. E isso muda tudo. Porque, se o custo da IA disparar amanhã — por escassez de capacidade, choque energético, concentração de mercado, regulação, ou simples realinhamento de preços — a pergunta deixa de ser tecnológica e passa a ser existencial: o seu negócio tem economia própria ou só parece eficiente porque está subsidiado por uma fase de IA relativamente barata?
A ironia é que os dados de mercado mostram duas forças atuando ao mesmo tempo. De um lado, o AI Index 2025 registra que o custo de inferência para um sistema no nível do GPT‑3.5 caiu mais de 280 vezes entre novembro de 2022 e outubro de 2024, enquanto os custos de hardware recuaram 30% ao ano e a eficiência energética melhorou 40% ao ano. De outro lado, a mesma indústria está entrando numa corrida brutal de investimento em infraestrutura, energia e data centers.
Essa segunda força não é pequena. A Microsoft informou, em janeiro de 2025, que planejava gastar US$ 80 bilhões no ano fiscal de 2025 na construção de data centers aptos a suportar cargas de IA. No relatório anual de 2025, a companhia afirmou que o Azure superou US$ 75 bilhões em receita anual, que opera mais de 400 data centers em 70 regiões e que adicionou mais de dois gigawatts de nova capacidade em um único ano. Isso não é apenas um sinal de demanda: é um lembrete de que a “mágica” da IA está ancorada numa base física caríssima.
O componente energético reforça essa tese. A Goldman Sachs Research projetou que a demanda global de energia dos data centers deve crescer 50% até 2027 e 165% até o fim da década, em comparação com 2023. A mesma análise estima que o consumo de energia desse mercado estava em torno de 55 GW, podendo chegar a 84 GW em 2027, e aponta necessidade potencial de US$ 720 bilhões em investimentos em rede elétrica até 2030. Em outras palavras: a IA não depende apenas de software brilhante, mas de eletricidade abundante, transmissão, refrigeração, espaço físico e cadeias de suprimento resilientes.
É aí que o debate fica mais sofisticado. Porque o preço da IA hoje, na superfície, parece razoável — e em muitos casos até em queda. Nas tabelas públicas atuais, a OpenAI lista o gpt‑5.4 por US$ 2,50 por milhão de tokens de entrada e US$ 15 por milhão de tokens de saída, enquanto a Anthropic cobra US$ 3 e US$ 15 no Claude Sonnet 4.6 e o Google posiciona o Gemini 2.5 Pro em US$ 1,25 de entrada e US$ 10 de saída para prompts de até 200 mil tokens, com preços mais altos para prompts maiores. Esses valores mostram que já existe concorrência real entre provedores, e isso ajuda a conter a inflação da IA no curto prazo.
Só que olhar apenas para o preço por token é um erro estratégico. O custo real de IA não está apenas no modelo. Ele mora no contexto gigantesco enviado a cada chamada, no retrabalho, nas respostas longas demais, na escolha errada de modelo, no tráfego desnecessário, no uso de ferramentas auxiliares e na falta de governança de arquitetura. As próprias plataformas oficiais deixam claro que há camadas adicionais de custo e otimização: a Anthropic informa que cache hit custa 10% do preço padrão de input, que o Batch API dá 50% de desconto e que busca na web é cobrada à parte; o Google também informa Batch API com redução de 50%, cobrança de grounding/busca e diferenciação de preço por tamanho de prompt; a AWS afirma que o Amazon Bedrock oferece inferência em lote com preço 50% menor do que o on-demand para modelos selecionados. Isso significa que duas empresas podem usar “a mesma IA” e ter estruturas de custo radicalmente diferentes.
Então, voltamos à pergunta central: uma empresa quebraria se a IA ficasse muito cara amanhã? A resposta honesta é: algumas, sim. Mas não necessariamente porque usam IA — e sim porque construíram um negócio sem amortecedores. Empresas cuja margem depende de chamadas intensivas a modelos de terceiros, sem diferenciação de processo, sem dados proprietários, sem roteamento entre modelos e sem disciplina de custo, estão expostas. Se o custo subir 3x, 5x ou 10x, elas não terão tecnologia; terão dependência. Já empresas que usam IA para ampliar produtividade em funções específicas — como atendimento, marketing, P&D e software, justamente áreas onde a McKinsey concentra cerca de 75% do valor potencial da IA generativa — tendem a sofrer pressão de margem, mas não necessariamente colapso, desde que a eficiência capturada seja maior do que a nova conta.
A diferença entre fragilidade e resiliência está em algo menos glamouroso do que “ter IA”: está em desenhar economia de IA. Uma organização madura não depende de um único provedor, não envia contexto irrelevante, não usa o modelo mais caro para toda tarefa, não confunde PoC com operação e não terceiriza seu núcleo competitivo para um fornecedor de fundamento. Em vez disso, ela cria camadas: modelos mais baratos para classificação e triagem, modelos medianos para produção, modelos premium só para tarefas de alto valor; usa caching quando há repetição; usa batch quando a latência não é crítica; mede custo por fluxo, por equipe, por cliente e por caso de uso. Tudo isso já é suportado pelas estruturas comerciais das grandes plataformas.
Há ainda um ponto decisivo: o verdadeiro risco não é a IA cara; é a IA comoditizada dentro da sua empresa. Quando uma companhia usa a mesma base tecnológica, os mesmos modelos, a mesma interface e os mesmos prompts banais que todo o mercado usa, ela não está construindo vantagem competitiva — está alugando capacidade. E capacidade alugada sempre tem risco de reajuste. O antídoto, portanto, não é “comprar mais IA”, mas construir ativos próprios ao redor dela: dados exclusivos, fluxos de trabalho redesenhados, conhecimento incorporado, integração com sistemas internos, governança, compliance, critérios de fallback e, sobretudo, uma tese clara de retorno econômico. Stanford observa que a IA vem se tornando mais eficiente, mais acessível e mais barata em diversos eixos; isso é excelente notícia. Mas justamente por isso o valor tende a migrar para quem sabe orquestrar a tecnologia, não apenas consumir inferência.
No fim, a pergunta do título talvez esteja mal colocada — e isso é ótimo. A questão não deveria ser se a sua empresa faliria caso a IA encarecesse. A pergunta certa é: se o subsídio implícito da IA barata acabasse amanhã, o seu negócio ainda teria uma proposta de valor robusta, uma margem defensável e um modelo operacional inteligente? Se a resposta for não, o problema nunca foi a IA. O problema foi a estratégia.
Por Alan Menezes.
