Por Thiago R. de Souza
Existe uma falsa ideia de que, ao adotarmos a IA no nosso cotidiano para desenvolvermos tarefas simples ou até mesmo as mais complexas, tudo será resolvido de imediato. Porém, na realidade, o usuário passa horas criando e ajustando prompts na solicitação para a IA apenas para fazer tarefas como criar um botão na tela, por exemplo.
Na primeira tentativa de implementar dá certo, mas quando ele tem uma ideia nova como, por exemplo, alterar a cor do botão, ela implementa, mas mexe em algo do código e o botão não funciona mais. Quando ele tenta resolver o problema, a IA muda a altura do botão, porque esqueceu de continuar linkando o seu padrão. O que deveria levar somente alguns minutos se torna uma cadeia de prompts e correções.
Assim, surge a pergunta: estamos otimizando o trabalho ou só movendo o custo para outra ferramenta?
A inteligência artificial processa textos em tokens (fragmentos de palavras ou símbolos que o modelo lê e gera) e um token equivale, em média, a três ou quatro caracteres. Durante o período de envio do prompt, resposta, solicitação de correção e novas devolutivas, cada chamada tende a utilizar diversos tokens para ler contexto, documentos, analisar e aplicar, gastando cada vez mais tempo.
Todos esses tokens têm reflexo direto no custo final das organizações. Segundo dados confirmados na documentação oficial da Anthropic e coberturas de imprensa especializada, em 2026 o GPT-5 cobra US$ 1,25 por milhão de tokens de entrada e US$ 10 de saída; o Claude Sonnet 4, US$ 3 e US$ 15; o Gemini 2.5 Flash, US$ 0,15 e US$ 0,60. Quando aplicada ao contexto real, a conta final é composta por uma sessão que reenvia o repositório a cada tentativa e o preço de uma “pergunta simples” pode virar o de seis.
Esse efeito se multiplica quando a IA é integrada de forma indiscriminada à infraestrutura. Ligar IA a tudo pode gerar mais custo de cloud do que economia.
Anos atrás, as empresas pagavam R$ 10 mil para um desenvolvedor e ele implantava os resultados em 2 dias. Agora, as mesmas empresas pagam R$ 10 mil para o mesmo profissional, soma-se o investimento em ferramentas e créditos de IA, que podem custar R$ 20 mil e o resultado do botão é cheio de problemas, demorando de 1 a 5 dias para ser implementado, porque exige contexto, análise, refatoração e, enquanto isso, cresce a pressão de entrega graças ao argumento constante de que “a IA otimiza seu trabalho”. Dessa maneira, cria-se a ideia de que o profissional tem que desenvolver 5 botões ao mesmo tempo e dar revisão para cada um deles.
Mitos comuns alimentam o problema: “modelo maior é sempre melhor”, “se o piloto funcionou, é só escalar”, “serviço gerenciado resolve custo”, “IA substitui engenheiro” e “IA no CI/CD é de graça”. Armadilhas como não medir baseline, não ter custo por feature/usuário, prompts gigantes, agentes sem limite, GPU esquecida em dev, código gerado sem revisão e lock-in de provedor fazem os ganhos não se sustentarem – sem contar o custo humano de revisar tudo.
A arquitetura define boa parte do custo antes de rodar: API de terceiros é barato no início e caro em escala; self-host, o contrário. Roteamento de modelo, cache, localização dos dados, egress e reservado vs. sob demanda mudam a conta. IA não é cara, o problema é usar sem critério. Token é recurso finito: comece pelo problema, meça, escolha o menor modelo que resolve. Produtividade real é a que aparece no balanço, não na demo.
A METR (Model Evaluation & Threat Research), um instituto de pesquisa independente e que avalia os riscos e as capacidades autônomas de modelos avançados de organização e sistemas de IA, acompanhou 16 desenvolvedores em 246 tarefas reais: previam ficar 24% mais rápidos com IA e o resultado foi o oposto, 19% mais lentos e, mesmo após verem os números, seguiram convencidos de que tinham ganhado 20% de velocidade.
A verdade é que a IA pode ser uma excelente aliada para aprender e auxiliar, mas exige cautela na execução e pode não valer a pena, dependendo do cenário. O diferencial não está em usá-la ou não, mas em saber quando delegar e corrigir.
Thiago R. de Souza é Senior Cloud/DevOps Engineer com mais de nove anos de experiência em infraestrutura corporativa, AWS Community Builder e detentor de múltiplas certificações AWS nos níveis Professional e Specialty.
