Microsoft cancela licenças do Claude Code e expõe o problema real dos custos da IA: tecnologia pode sair mais cara que funcionários
A Microsoft está no centro de uma discussão que promete sacudir o mercado de tecnologia nos próximos anos. A empresa cancelou a maioria das licenças diretas do Claude Code para seus engenheiros, migrando tudo para o GitHub Copilot CLI, depois de apenas seis meses disponibilizando a ferramenta internamente.
O motivo? A adoção foi rápida demais, e a conta chegou antes do esperado.
Segundo o The Verge, esse movimento não afeta o acordo da Microsoft com a Anthropic via Foundry, que inclui um investimento de até 5 bilhões de dólares na criadora do Claude e um compromisso de 30 bilhões de dólares da Anthropic para compra de capacidade computacional no Azure. O corte foi direcionado especificamente às licenças internas do Claude Code, que milhares de desenvolvedores, gerentes de projeto, designers e outros funcionários da empresa usavam diariamente para tarefas de codificação.
Esse movimento acendeu um alerta importante: manter inteligência artificial rodando em escala dentro de uma empresa pode sair mais caro do que pagar salários de funcionários humanos.
E a Microsoft não está sozinha nisso.
A Uber, por exemplo, queimou o orçamento inteiro de ferramentas de IA para codificação de 2026 em apenas quatro meses. O CTO da empresa, Praveen Neppalli Naga, confirmou a situação ao The Information em abril, revelando que a companhia havia incentivado ativamente o uso dessas ferramentas por meio de rankings internos que classificavam equipes pelo volume de consumo de IA.
Bryan Catanzaro, vice-presidente de deep learning aplicado na Nvidia, foi direto ao ponto numa entrevista recente ao Axios:
Para o meu time, o custo de computação ultrapassa em muito o custo dos funcionários.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Essa frase resume bem o paradoxo que grandes empresas de tecnologia estão começando a encarar de perto, e que coloca em xeque parte das promessas feitas sobre o retorno financeiro da IA generativa. 🤔
O que está por trás dessa conta salgada
Quando as empresas começaram a distribuir ferramentas de inteligência artificial para suas equipes, a ideia era clara: aumentar a produtividade, reduzir o tempo gasto em tarefas repetitivas e, no fim das contas, economizar dinheiro. O problema é que essa equação funciona bem no papel, mas na prática o consumo de recursos computacionais cresce de um jeito que poucos gestores anteciparam. Cada consulta feita a um modelo de linguagem, cada linha de código gerada por um assistente, cada análise automatizada tem um custo real de infraestrutura. E quando você multiplica isso por centenas ou milhares de funcionários usando essas ferramentas o dia todo, o número final pode ser assustador.
No caso da Microsoft, o Claude Code da Anthropic estava sendo usado diretamente pelos engenheiros para tarefas de programação e automação. A ferramenta é poderosa, mas o modelo de cobrança por uso significa que quanto mais os times trabalham, mais a fatura cresce. Seis meses foram suficientes para a empresa perceber que o volume de uso estava muito além do projetado inicialmente, e que continuar com as licenças diretas representaria um gasto difícil de justificar sem uma análise mais profunda de retorno sobre investimento. A solução encontrada foi consolidar tudo dentro do GitHub Copilot CLI, uma plataforma que a própria Microsoft já controla e consegue gerenciar com mais previsibilidade de custo.
Esse tipo de movimento revela algo importante sobre como o mercado ainda está aprendendo a lidar com IA em escala corporativa. Não basta oferecer a ferramenta e torcer para que os resultados apareçam. É preciso monitorar o consumo de perto, criar políticas de uso claras e entender que o custo operacional de modelos de linguagem avançados é uma variável que pode escapar do controle muito rapidamente se não houver governança adequada. A tecnologia é incrível, mas ela precisa estar dentro de um planejamento financeiro realista.
Tokens mais baratos, contas mais altas: o paradoxo emergente
A Microsoft e a Uber não são casos isolados. O comportamento de incentivar o uso massivo de IA se espalhou pelas maiores empresas de tecnologia do mundo. Na Meta, um funcionário criou um painel batizado de Claudeonomics, em referência ao modelo Claude da Anthropic, para rastrear quais trabalhadores estavam consumindo mais IA. A Amazon, por sua vez, passou a estimular seus funcionários a fazer o chamado tokenmaxxing, que basicamente significa usar o máximo possível de tokens de IA, os blocos básicos de computação desses modelos.
Esse comportamento generalizado de maximização de uso acaba criando um problema estrutural. Com o sistema de precificação baseado em tokens, o trabalho fica mais caro à medida que o uso aumenta e os modelos se tornam mais sofisticados. O Goldman Sachs publicou recentemente uma projeção mostrando que a IA agêntica pode impulsionar um aumento de 24 vezes no consumo de tokens até 2030, com consumidores e empresas adotando agentes de IA em larga escala. A estimativa é de impressionantes 120 quatrilhões de tokens por mês. À medida que os negócios recorrem a agentes de IA para aumentar a produtividade, os custos agregados podem subir bruscamente, mesmo que o preço individual de cada token caia.
E sim, espera-se que o custo unitário dos tokens diminua significativamente. Um relatório recente da Gartner apontou que até 2030, a inferência em um modelo de linguagem com um trilhão de parâmetros — basicamente, um modelo de IA extremamente sofisticado — custará às empresas de IA quase 90% menos do que custava em 2025. Parece uma boa notícia, certo? Nem tanto.
A própria Gartner alertou que tokens mais baratos não vão se traduzir em IA empresarial mais barata. E as razões são bem claras:
- Modelos agênticos exigem muito mais tokens por tarefa do que modelos padrão
- O aumento no consumo pode superar a queda nos custos unitários
- Os provedores de IA não vão repassar integralmente as reduções de custo para os consumidores
Will Sommer, analista sênior da Gartner, fez um alerta contundente sobre esse cenário: Diretores de produto não devem confundir a deflação de tokens como commodity com a democratização do raciocínio de fronteira.
Traduzindo: o fato de cada token individual ficar mais barato não significa que operar sistemas avançados de IA vai custar menos. Na verdade, pode custar significativamente mais, porque os modelos mais avançados simplesmente consomem muito mais tokens para realizar suas tarefas.
Quando a IA custa mais do que gente
A declaração de Bryan Catanzaro, da Nvidia, não foi um exagero retórico. Ela reflete uma realidade que está se tornando cada vez mais comum em empresas que operam na fronteira da inteligência artificial. Times de pesquisa e desenvolvimento que trabalham com modelos grandes, experimentos de treinamento e inferência em larga escala já convivem com orçamentos de computação que facilmente superam a folha de pagamento. Isso acontece porque o poder computacional necessário para rodar esses sistemas não é barato, especialmente quando você está falando de GPUs de última geração e infraestrutura de nuvem rodando continuamente por dias ou semanas a fio.
O caso da Uber é talvez o exemplo mais emblemático dessa nova realidade. A empresa tinha um orçamento planejado para o ano inteiro de 2026, destinado ao uso de ferramentas de IA pelas equipes internas, e esse orçamento foi consumido em apenas quatro meses. Não porque as ferramentas foram mal usadas ou porque houve desperdício óbvio, mas simplesmente porque o incentivo ao uso foi bem-sucedido demais. As equipes abraçaram as ferramentas, passaram a depender delas no dia a dia, e o consumo escalou de um jeito que os modelos de previsão financeira não capturaram com precisão. Quando a adoção é um sucesso, a conta pode se tornar um problema — e esse é um paradoxo que poucas empresas estavam preparadas para enfrentar.
Tudo isso coloca uma pressão nova sobre os gestores de tecnologia e sobre os CFOs que precisam justificar esses investimentos para os conselhos. A promessa da IA generativa sempre foi a de que ela pagaria por si mesma com ganhos de produtividade, mas calcular esse retorno de forma precisa ainda é um desafio enorme. Quantas horas de trabalho foram economizadas? Quantos bugs foram evitados? Quantas decisões foram tomadas mais rápido? Essas perguntas são válidas, mas as respostas raramente chegam com a clareza necessária para equilibrar uma planilha de gastos que continua crescendo mês a mês com os custos de infraestrutura e licenciamento.
A visão dos 100 agentes de IA por funcionário vai ter um preço
Jensen Huang, CEO da Nvidia, declarou recentemente que acredita em um futuro onde 100 agentes de IA vão trabalhar ao lado de cada funcionário dentro de sua própria empresa. Essa visão faz parte de uma onda mais ampla de CEOs de grandes corporações promovendo um futuro agêntico, no qual trabalhadores digitais operam de forma autônoma em diferentes áreas das organizações.
A ideia é empolgante, sem dúvida. Mas os relatórios da Microsoft e da Uber sugerem que, se o consumo de tokens crescer mais rápido do que os custos unitários caírem, esse futuro pode chegar acompanhado de uma conta muito mais pesada do que os executivos imaginam hoje. A complexidade das tarefas que agentes de IA precisam resolver exige cadeias de raciocínio longas, múltiplas etapas de processamento e volumes enormes de tokens por cada operação completada.
Colocar 100 agentes trabalhando para cada funcionário não é apenas uma questão de capacidade técnica. É, antes de tudo, uma questão econômica que precisa fechar a conta no final do mês. E pelo que os dados estão mostrando agora, essa conta ainda não fecha para a maioria das empresas que tentaram escalar o uso de IA internamente. 📊
O que muda daqui pra frente
O cenário atual não significa que as empresas vão desistir de inteligência artificial. Muito pelo contrário. Mas ele sinaliza que a fase de distribuição irrestrita e entusiasta está chegando ao fim, dando lugar a uma abordagem mais estratégica e criteriosa de uso. As organizações estão começando a tratar o consumo de IA com o mesmo nível de rigor que aplicam a qualquer outro recurso corporativo, criando limites de uso, categorizando casos de aplicação por valor gerado e priorizando as ferramentas que entregam resultado mensurável em vez de simplesmente adotar tudo que aparece no mercado.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Para os funcionários que usam essas ferramentas no dia a dia, isso pode significar mudanças concretas na forma como acessam a IA no trabalho. Políticas mais rígidas de uso, aprovações para determinados tipos de consulta, ou até mesmo a substituição de ferramentas mais caras por alternativas mais acessíveis controladas internamente são movimentos que devem se tornar mais comuns ao longo dos próximos meses. A Microsoft já deu um exemplo claro disso ao migrar seus engenheiros do Claude Code para o GitHub Copilot CLI, uma decisão que mistura controle de custo com consolidação de plataforma dentro do próprio ecossistema da empresa.
Outro ponto relevante é que tanto a Anthropic quanto a Microsoft não comentaram publicamente os detalhes dessa decisão quando procuradas pela Fortune, o que sugere que o tema é delicado internamente e que as empresas ainda estão calibrando como comunicar essas mudanças sem prejudicar a narrativa de inovação que sustenta suas estratégias de mercado.
A precificação precisa evoluir
A grande questão que fica é se os modelos de precificação das ferramentas de IA vão evoluir para acompanhar essa nova realidade. Hoje, a maior parte das cobranças é feita por volume de uso, o que funciona bem para casos pontuais mas se torna complicado quando o uso é intenso e contínuo. Existem caminhos possíveis que podem tornar essa equação mais sustentável:
- Modelos baseados em resultado, onde a cobrança é vinculada ao valor entregue e não ao volume consumido
- Assinaturas com tetos de consumo que ofereçam previsibilidade orçamentária
- Pacotes corporativos desenhados para uso em larga escala com descontos progressivos
- Ferramentas internas proprietárias que reduzam a dependência de fornecedores externos
Esses modelos podem ser o caminho para tornar a equação mais equilibrada, tanto para as empresas de tecnologia que vendem as ferramentas quanto para as organizações que precisam justificar cada linha do orçamento de inovação.
A maturidade do mercado passa por aqui
O que estamos vendo neste momento é, na verdade, um sinal de amadurecimento do mercado de IA corporativa. Toda tecnologia disruptiva passa por esse ciclo: entusiasmo inicial, adoção acelerada, choque com a realidade dos custos e, finalmente, estabilização com modelos de uso mais inteligentes e sustentáveis. A inteligência artificial generativa não será diferente.
Os relatórios sobre Microsoft e Uber não são notícias sobre o fracasso da IA. São notícias sobre empresas aprendendo, em tempo real, a calibrar expectativas com a realidade operacional. E essa calibração é essencial para que a tecnologia entregue, de fato, o valor que promete no longo prazo. As empresas que conseguirem encontrar esse equilíbrio entre inovação e responsabilidade financeira provavelmente serão as que vão liderar a próxima fase dessa transformação tecnológica. 💡
Enquanto isso, a mensagem que fica para o mercado é clara: a IA é poderosa, transformadora e cheia de potencial, mas ela não é gratuita. E fingir que o custo não importa é a receita mais rápida para transformar uma revolução tecnológica em um problema no balanço patrimonial.
