Microsoft cancela licenças de IA e expõe um problema que ninguém queria encarar: a tecnologia custa mais do que pagar funcionários
A Microsoft está no centro de uma discussão que promete movimentar o setor de tecnologia nos próximos meses — e talvez nos próximos anos.
A promessa que sustentou bilhões em investimentos era simples: a IA reduziria custos, eliminaria trabalho repetitivo e turbinaria a produtividade das equipes. Só que a realidade está apresentando uma conta bem diferente do que qualquer projeção otimista havia antecipado.
Em vez de economizar, grandes empresas estão vendo seus orçamentos de tecnologia evaporarem em questão de meses — às vezes semanas. O episódio envolvendo o cancelamento em massa das licenças do Claude Code dentro da própria Microsoft é só a ponta do iceberg de um problema que empresas como Uber, Meta e Amazon também já estão sentindo na pele. 🤯
E o que torna tudo isso ainda mais curioso é que o custo de usar IA está, em alguns casos, superando o custo de simplesmente contratar humanos para fazer o mesmo trabalho.
Não é exagero, não é alarmismo. É o que os próprios números e declarações de executivos do setor estão apontando — incluindo uma afirmação surpreendente vinda de dentro da Nvidia, a empresa que mais se beneficia com a expansão da inteligência artificial no mundo.
Então, o que está acontecendo de verdade com a economia da IA? Vem entender. 👇
A Microsoft cancelou licenças de IA que ela mesma incentivou
Parece contraditório, mas é exatamente isso que aconteceu. A Microsoft — uma das maiores investidoras em inteligência artificial do planeta, parceira estratégica da OpenAI e desenvolvedora do Copilot — cortou a maioria das licenças diretas do Claude Code, a ferramenta de IA da Anthropic voltada para programação. Em vez disso, está direcionando os engenheiros para o uso do GitHub Copilot CLI.
Segundo reportagem do The Verge, a decisão veio apenas seis meses depois que a empresa abriu o acesso ao Claude Code, encorajando milhares de desenvolvedores, gerentes de projeto, designers e outros funcionários a experimentar a ferramenta para codificação. A adoção foi rápida — talvez rápida demais. A escala de uso cresceu a ponto de forçar a empresa a recuar em uma ferramenta que seus próprios engenheiros já haviam incorporado à rotina de trabalho.
Um detalhe importante: o cancelamento das licenças do Claude Code não afeta o acordo comercial da Microsoft com a Anthropic via Foundry. Esse acordo inclui um investimento de até 5 bilhões de dólares na Anthropic, acesso dos clientes do Foundry aos modelos Claude e um compromisso da Anthropic de comprar 30 bilhões de dólares em capacidade de computação Azure, ainda conforme a reportagem do The Verge.
O irônico aqui é que a Microsoft já possui suas próprias ferramentas de IA para desenvolvimento, como o GitHub Copilot. Mesmo assim, equipes internas buscavam alternativas externas, o que por si só diz bastante sobre como o mercado ainda está tentando descobrir qual ferramenta realmente entrega resultado — e qual apenas gera fatura no final do mês.
Uber queimou o orçamento anual de IA em quatro meses
A Microsoft não está sozinha nessa. O caso do Uber talvez seja ainda mais revelador sobre o tamanho do problema.
- 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.
Segundo reportagem do The Information, o CTO do Uber, Praveen Neppalli Naga, revelou em abril que a empresa já havia queimado todo o orçamento de 2026 para ferramentas de codificação com IA em apenas quatro meses. Detalhe: a própria empresa havia incentivado ativamente a adoção, criando rankings internos que classificavam equipes pelo nível de uso das ferramentas de IA.
Ou seja, a liderança empurrou o uso, os times adotaram com entusiasmo, e o resultado financeiro foi um estouro de orçamento monumental antes mesmo de o primeiro semestre terminar. Isso levanta uma questão inevitável: quando a estratégia de adoção de IA é medida pelo volume de uso em vez de pelo retorno concreto, o que acontece é justamente isso — gastos descontrolados sem contrapartida clara.
Meta, Amazon e a corrida para consumir mais tokens
O padrão se repete em outras gigantes. Na Meta, um funcionário criou um painel apelidado de Claudeonomics — referência ao modelo Claude da Anthropic — para rastrear quais trabalhadores estavam usando mais IA. Era basicamente um placar de quem consumia mais recursos computacionais.
Já na Amazon, surgiu internamente o termo tokenmaxxing, um incentivo para que funcionários usassem o máximo possível de tokens de IA — que são as unidades básicas de processamento computacional dos modelos de linguagem. Cada pergunta feita, cada linha de código gerada, cada resposta revisada consome tokens. E tokens custam dinheiro.
Essas iniciativas revelam uma cultura corporativa onde o objetivo principal era maximizar a adoção, quase como se o simples ato de usar IA já fosse sinônimo de inovação. O problema é que, num modelo de precificação baseado em consumo, mais uso significa obrigatoriamente mais gasto. E sem métricas claras de retorno, o investimento vira custo puro. 💸
O que está tornando a IA tão cara assim?
Para entender o tamanho do problema, vale olhar para como o modelo de precificação da IA funciona na prática. A maioria das ferramentas cobra por uso — seja por token processado, por chamada de API, por hora de computação ou por assinatura por usuário ativo. No papel, os valores unitários parecem razoáveis. O problema é que o volume de uso em ambientes corporativos cresce muito rápido, e os custos escalam junto, muitas vezes sem que os gestores percebam até receberem a fatura.
É uma dinâmica parecida com a de serviços de streaming por consumo: parece barato até você ver o quanto realmente usou no final do mês.
A situação fica ainda mais complexa quando olhamos para o futuro dos agentes de IA. O Goldman Sachs publicou recentemente uma projeção indicando que a IA agêntica — aquela que funciona de forma autônoma, executando tarefas sem intervenção humana — pode gerar um aumento de 24 vezes no consumo de tokens até 2030, com empresas e consumidores adotando agentes de IA em larga escala. A estimativa fala em impressionantes 120 quatrilhões de tokens por mês.
Tem ainda outro fator que complica bastante o cenário: a infraestrutura necessária para rodar modelos de IA de ponta é extraordinariamente cara. GPUs da Nvidia chegam a custar dezenas de milhares de dólares por unidade, e os data centers que sustentam esses modelos consomem energia em volumes que impressionam qualquer gestor de orçamento. Tudo isso vai sendo embutido nos preços que as empresas de IA cobram dos clientes finais, formando uma cadeia de custos que só tende a crescer enquanto a demanda continuar aquecida.
O paradoxo dos tokens: mais baratos individualmente, mais caros no total
Aqui está talvez o ponto mais contraintuitivo de toda essa história. O custo unitário dos tokens de IA está, sim, caindo — e deve continuar caindo de forma significativa nos próximos anos.
Um relatório recente da consultoria Gartner estimou que, até 2030, o custo de inferência em um modelo de linguagem de um trilhão de parâmetros — basicamente um modelo de IA extremamente sofisticado — será quase 90% menor do que era em 2025.
Só que a mesma Gartner fez questão de alertar: tokens mais baratos não significam IA empresarial mais barata. Existem três razões principais para isso:
- Modelos agênticos consomem muito mais tokens por tarefa do que modelos tradicionais de chat ou geração de texto
- O aumento no consumo total pode superar a queda no custo unitário, fazendo a conta final subir mesmo com tokens mais baratos
- Os provedores de IA não necessariamente repassam a redução de custos para os clientes — assim como acontece em muitos outros setores
Will Sommer, analista sênior da Gartner, foi direto ao ponto em um comunicado público: os diretores de produto não devem confundir a deflação de tokens commoditizados com a democratização do raciocínio de fronteira.
Em termos mais simples: o fato de que processar texto ficou mais barato não significa que usar IA avançada para tarefas complexas ficou acessível. São coisas completamente diferentes. 📊
A afirmação que ninguém esperava ouvir da Nvidia
Se já era surpreendente ver a Microsoft cortar gastos com IA, ainda mais inesperado foi o que veio da Nvidia. Bryan Catanzaro, vice-presidente de deep learning aplicado da empresa, declarou publicamente em entrevista ao Axios uma frase que ressoou por todo o setor:
Para a minha equipe, o custo de computação está muito além dos custos dos funcionários.
A empresa que fabrica os chips que literalmente alimentam a revolução da inteligência artificial — e que viu suas ações dispararem nos últimos anos graças a essa onda — teve um de seus executivos reconhecendo publicamente que, em determinados contextos, manter humanos ainda sai mais barato do que rodar IA para o mesmo trabalho.
Essa admissão não significa que a Nvidia está apostando contra a inteligência artificial, longe disso. O que ela revela, porém, é que até os maiores beneficiários dessa onda estão reconhecendo que o modelo econômico atual ainda tem lacunas sérias. A eficiência que a IA promete ainda depende muito do tipo de tarefa, do volume de uso, da qualidade dos dados disponíveis e do nível de automação que a empresa consegue implementar ao redor das ferramentas.
Sem esses fatores alinhados, o retorno sobre o investimento pode demorar muito mais para aparecer do que qualquer pitch de vendas sugere. 🤔
O sonho de 100 agentes de IA por funcionário pode custar caro
Para colocar em perspectiva o tamanho da aposta que está sendo feita, vale lembrar uma declaração recente de Jensen Huang, CEO da Nvidia. Ele afirmou acreditar que, no futuro, 100 agentes de IA vão trabalhar ao lado de cada funcionário da empresa.
Huang faz parte de uma onda mais ampla de CEOs que estão promovendo um futuro agêntico, onde trabalhadores digitais operam de forma autônoma por toda a empresa. A visão é ambiciosa e, em muitos sentidos, empolgante.
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.
Mas se o consumo de tokens cresce mais rápido do que o custo unitário cai, esse futuro pode vir com uma conta muito mais pesada do que os executivos estão prevendo. A matemática simples é implacável: multiplique o consumo por 100 agentes por funcionário, multiplique pelo número de funcionários, multiplique pelos tokens necessários por tarefa — e os valores se tornam astronômicos bem rápido, mesmo com tokens individualmente mais baratos.
Produtividade prometida versus produtividade real
Aqui está o coração do debate. A IA claramente melhora a produtividade em muitos cenários — isso é inegável e está documentado em diversos estudos. Desenvolvedores que usam ferramentas como o GitHub Copilot relatam escrever código mais rápido. Redatores que usam assistentes de escrita conseguem produzir mais em menos tempo. Equipes de suporte ao cliente que adotam chatbots inteligentes conseguem resolver mais chamados por hora. Esses ganhos são reais e mensuráveis em situações específicas e bem estruturadas.
O problema está na diferença entre o ganho real e o ganho esperado — especialmente quando esse ganho precisa ser grande o suficiente para justificar os custos crescentes da infraestrutura de IA. Em muitos casos, as empresas subestimaram o esforço necessário para integrar as ferramentas nos fluxos de trabalho existentes, treinar as equipes, ajustar os modelos para o contexto específico do negócio e lidar com os erros e alucinações que os modelos ainda cometem com frequência incômoda.
Esses fatores consomem tempo, dinheiro e energia — recursos que raramente estavam no orçamento original do projeto de IA.
Existe ainda um componente humano que costuma ser subestimado nas projeções: a resistência à mudança. Mesmo quando as ferramentas funcionam bem tecnicamente, a adoção real dentro das equipes costuma ser menor do que o esperado. Parte dos profissionais usa a IA apenas superficialmente, parte a ignora completamente — o que significa que a empresa paga pela licença de todos, mas colhe o benefício de poucos. Esse gap entre licença ativada e uso efetivo é um dos maiores geradores de custo invisível no ecossistema de tecnologia corporativa hoje.
O que isso muda daqui pra frente
A discussão que está emergindo agora não é sobre abandonar a IA — nenhuma empresa séria está cogitando isso. O que está mudando é a forma como as organizações estão pensando sobre a adoção dessas ferramentas. A fase da experimentação empolgada está dando lugar a uma abordagem mais criteriosa, onde cada licença precisa ser justificada, cada caso de uso precisa ser avaliado com cuidado e os ganhos de produtividade precisam ser mensuráveis de verdade, não apenas estimados com base em benchmarks genéricos.
Esses relatórios e episódios envolvendo Microsoft e Uber podem jogar um balde de água fria nas apostas que as maiores empresas de tecnologia fizeram na IA. Enquanto alguns ainda se apegam à promessa de um renascimento ou revolução via inteligência artificial, o custo real de adoção está se mostrando um gargalo persistente. Os acontecimentos também sugerem que a economia de substituir ou complementar o trabalho humano com IA pode ser bem mais complicada do que as projeções iniciais davam a entender.
Para as empresas de tecnologia que desenvolvem e vendem essas ferramentas, o recado também é claro: precificação e modelo de negócio precisam evoluir. Um modelo que gera faturas imprevisíveis e difíceis de controlar não vai sobreviver ao escrutínio dos diretores financeiros das grandes corporações por muito mais tempo. A tendência é que surjam modelos mais previsíveis, com limites de uso, pacotes fixos e maior transparência sobre o que está sendo consumido — de forma bem parecida com o que aconteceu com o mercado de cloud computing alguns anos atrás, quando as empresas perceberam que precisavam de mais controle sobre o que estavam gastando na nuvem.
O episódio da Microsoft com o Claude Code pode parecer um detalhe isolado, mas é na verdade um sinal importante de que o mercado de IA está amadurecendo — e que essa maturidade vai exigir honestidade sobre o que funciona, o que não funciona e quanto tudo isso realmente custa. A promessa da inteligência artificial continua válida. O que está sendo revisado agora é o caminho para chegar lá, e esse processo de ajuste é natural, necessário e, no fundo, saudável para todo o ecossistema de tecnologia. 🚀
