Agentes de IA têm preço, e agora um dos nomes mais conhecidos do mundo das startups resolveu dizer quanto paga por eles. Segundo o TechCrunch, Garry Tan, CEO da Y Combinator, contou que gasta algo entre US$ 100 mil e US$ 200 mil por ano só em tokens para manter seus agentes trabalhando. A declaração foi dada ao podcast The Builders, apresentado pelo escritor Walter Isaacson, em um episódio com estreia prevista para esta terça-feira.
O valor chama atenção, claro. Mas o dado mais útil é outro: ele dá uma ideia de quanto pode custar usar agentes de forma muito intensa, no trabalho e na vida pessoal. Para quem empreende ou trabalha com marketing e tecnologia no Brasil, essa conta ajuda a pensar em custo e em retorno sobre investimento em IA antes de colocar um agente para cuidar de tudo.
Como Tan usa os agentes
De acordo com a reportagem do TechCrunch, Tan usa agentes em uma porção de projetos profissionais e tarefas de programação. Para a própria entrevista, por exemplo, ele recorreu ao agente para pesquisar o podcast de Isaacson e se preparar para os tipos de pergunta que poderiam surgir. Até aí, nada muito diferente do que muita gente já faz com IA no dia a dia.
A diferença está no lado pessoal.
Segundo o veículo, o agente de Tan já leu seus e-mails, seus arquivos no Dropbox e suas anotações no Apple Notes, incluindo notas de terapia acumuladas ao longo de cerca de 20 anos. Ele compara a ferramenta a uma espécie de Grilo Falante sempre no ombro: alguém que conhece a pessoa, ajuda em quase tudo e, às vezes, se antecipa com sugestões que ela ainda nem tinha considerado. O empolgamento é tanto que, conforme o TechCrunch, Tan já brincou no passado que sofre de uma tal psicose cibernética e que às vezes mal dorme de tanta vontade de trabalhar com seus agentes.
Ele também resolveu abrir parte do que aprendeu. Tan publicou no GitHub o gstack, um conjunto de 23 skills para o Claude Code, com a proposta de mostrar a outras pessoas o que os agentes conseguem fazer. E o uso não fica só com ele. Na Y Combinator, ainda segundo o TechCrunch, funciona um agente interno chamado Stray Light, que tem algo parecido com uma personalidade e uma espécie de memória da empresa, com o contexto de todos os fundadores já apoiados, das candidaturas recebidas e de quem já mandou e-mail para a aceleradora. Tan disse que esse agente está ajudando a reconstruir a forma como a YC opera.
Agente não é software tradicional, diz Tan
Tan foi um dos primeiros a adotar o OpenClaw e hoje se descreve como um usuário avançado. Uma lição que ele tirou dessa experiência, segundo a reportagem, é não tratar agentes como programas comuns. Na avaliação dele, algumas pessoas se preocupam tanto com previsibilidade e segurança que acabam abrindo mão justamente do que há de melhor em trabalhar com um agente, que pode se comportar de um jeito bem parecido com uma pessoa.
Vale registrar que essa é a visão de Tan, não um consenso. Em empresas, segurança e previsibilidade continuam sendo pontos sérios, como veremos mais abaixo.
O próprio Tan acha caro
Mesmo apaixonado por tecnologia, Tan admite que o custo é um obstáculo grande. Segundo o TechCrunch, ele disse que o preço está alto demais hoje e reconheceu que gastar tanto com agentes é um privilégio que pouca gente tem. Na visão dele, agentes pessoais devem se popularizar, mas isso depende de o valor cair.
Só que a saída, para ele, não é simplesmente esperar por agentes gratuitos oferecidos pelas grandes empresas de tecnologia. Ao citar a Meta como exemplo de companhia que controla o algoritmo que todo mundo consome, Tan defendeu, segundo o veículo, a ideia de uma IA pessoal que o próprio usuário controla e programa.
O que isso muda para empresas brasileiras
Ninguém precisa gastar o que Tan gasta para tirar proveito de agentes. Ainda assim, o caso dele deixa uma pista clara: os gastos com tokens de IA tendem a crescer conforme o agente ganha autonomia e recebe mais contexto. Quanto mais ele lê, lembra e executa, maior a conta. Por isso o custo de agentes de IA precisa entrar no planejamento desde o começo, e não aparecer como surpresa na fatura. Já existem empresas atacando esse ponto, como mostra o caso de como a Okta usa MCP para cortar custo de tokens em agentes de IA.
Na hora de pensar em retorno, a pergunta mais útil é simples: que tarefa o agente resolve e quanto tempo ou dinheiro isso economiza? Imagine uma agência pequena que coloca um agente só para organizar briefings e resumir reuniões. Fica bem mais fácil medir o ganho do que se ela tentasse, logo de cara, criar um agente que faz tudo. Começar com um caso de uso bem definido costuma ser o caminho mais seguro, como explicamos em agentes de IA para pequenas empresas.
Outro ponto merece atenção. O exemplo de Tan mostra o quanto um agente pode enxergar quando recebe acesso amplo: e-mails, arquivos, até anotações íntimas. Em uma empresa, isso pede regras claras sobre quais dados o agente pode acessar e quem responde pelo que ele faz. Vale conhecer boas práticas para testar e auditar agentes com segurança antes de liberar informações sensíveis, principalmente dados de clientes.
A fala de Tan funciona como um retrato de onde os agentes podem chegar quando o dinheiro não é problema. Para a maioria dos negócios, porém, a conta é outra. Escolher bem a tarefa, acompanhar o consumo de tokens e medir o resultado tende a render mais do que tentar imitar o ritmo de quem está no topo do Vale do Silício.
