Microsoft, Uber e Meta estão discretamente reduzindo planos agressivos de adoção de IA que anunciaram nos últimos anos. O motivo não é falta de confiança na tecnologia. É custo: escalar IA está saindo mais caro do que o prometido, e a conta chegou.
O que é token maxing
A partir de 2023, empresas de tecnologia passaram a pressionar, e em alguns casos praticamente exigir, que engenheiros integrassem IA em todo tipo de tarefa. Para medir isso, criaram métricas em cima de tokens, a unidade básica que os modelos de IA usam para processar e gerar conteúdo.
O problema apareceu rápido. Para provar que estavam usando IA e batendo indicador, engenheiros passaram a consumir tokens de forma excessiva mesmo em tarefas pequenas, sem relação direta com o ganho real de produtividade. Esse comportamento ganhou nome: token maxing.
Isso não é um problema da tecnologia em si. É um problema de métrica mal desenhada. Quando uma empresa transforma volume de uso em indicador de desempenho, sem medir o resultado que aquele uso realmente entrega, o comportamento racional de qualquer time é inflar o número, não o valor.
Os números por trás do recuo
A demanda inflada por tokens colidiu com uma oferta de hardware que não acompanhou o ritmo, e o preço subiu rápido: de US$ 1,11 por milhão de tokens em dezembro de 2025 para US$ 2,12 por milhão em maio de 2026, praticamente o dobro em poucos meses.
Em volume corporativo, esse tipo de aumento multiplica rápido. A Meta teria consumido 60 trilhões de tokens num único mês, algo em torno de US$ 900 milhões em custo de API só nesse período. Segundo levantamento da Gartner citado pela fonte deste post, três quartos dos executivos esperam que o orçamento de tecnologia aumente, com IA projetada para responder por mais de 20% do gasto total de tecnologia corporativa até 2035.
Por que os preços tendem a continuar subindo
Parte do que manteve o custo de IA artificialmente baixo até aqui foi o subsídio. OpenAI e Anthropic historicamente bancaram parte do custo dos tokens com capital de venture, para ganhar mercado rápido. Com a pressão crescente por rentabilidade, inclusive de olho em aberturas de capital, essa lógica tende a mudar, e o preço pago pelo cliente deve refletir mais o custo real de operar esses modelos.
A comparação direta entre custo de IA e custo de mão de obra humana ainda favorece a IA em tarefas de programação altamente especializadas e repetitivas. Mas em áreas como entrada de dados e atendimento ao cliente, o trabalho humano já está se mostrando mais competitivo em custo.
Vale registrar que a ideia de que o trabalho humano vai se valorizar de forma geral, ou que a adoção de IA vai passar a depender também de ética e transparência além do custo, aparece na pesquisa como leitura razoável do cenário, não como fato já confirmado pela fonte. Fica como hipótese plausível, a confirmar.
O que isso muda para quem trabalha com tecnologia
Para quem atua em engenharia, produto e ciência de dados, a mudança mais concreta é de critério de avaliação. Sai de cena a lógica de medir quanto de IA um time usa e entra a lógica de medir quão eficiente é esse uso: código mais limpo, prompts mais objetivos, escolha de modelo proporcional à complexidade real da tarefa.
Isso também abre espaço para papéis de gestão que sabem equilibrar custo de infraestrutura de IA, carga de trabalho em nuvem e capital humano, uma combinação que a maioria das lideranças técnicas ainda está aprendendo a fazer na prática.
Então, o que realmente importa nesse assunto
Token maxing não prova que IA não vale o investimento. Prova que uma métrica de vaidade, volume de tokens consumidos, foi tratada como indicador de produtividade sem medir o resultado de negócio por trás dela. É um erro de governança, não um veredito sobre a tecnologia.
Quem lidera equipes técnicas agora tem um motivo concreto para substituir “quanto estamos usando IA” por “que resultado esse uso está entregando”, antes que o orçamento force essa pergunta de qualquer jeito.
Fonte: The AI vs Human: Why ‘token maxing’ is backfiring on big tech