Por que os custos de IA para codificação devem ultrapassar os salários

A Gartner identifica duas forças convergentes :

• Consumo de tokens disparando — Conforme os desenvolvedores usam agentes de IA para codificação de forma mais agressiva, o volume de tokens (as unidades nas quais a precificação dos LLMs se baseia) cresce muito mais rápido do que os preços por token caem. As contas de IA para codificação estão saltando de US$ 20 ou US$ 100 por desenvolvedor por mês para US$ 2.000 ou até US$ 5.000, disse Nitish Tyagi, analista principal sênior da Gartner, ao The Register .
• Migração de assinatura fixa para licenciamento baseado em consumo — Grandes fornecedores, incluindo Anthropic, Cursor e GitHub Copilot, abandonaram as assinaturas mensais fixas em favor de preços variáveis por token. Isso torna os custos variáveis e escaláveis a cada tecla digitada .

A previsão é uma projeção baseada em suposições declaradas, não uma certeza . Mas, como observou Tyagi, "as despesas com IA para codificação aumentarão persistentemente à medida que os investimentos em infraestrutura e questões de lucratividade elevarem a precificação dos modelos" .

Evidências reais: a conta dos tokens chega

Uber: um limite de US$ 1.500 depois de queimar o orçamento do ano

A Uber é o caso mais documentado de estouro de custos de IA. A empresa esgotou todo o seu orçamento de IA para codificação de 2026 em apenas quatro meses — até abril de 2026 . Em resposta, a Uber impôs um limite de US$ 1.500 por mês por ferramenta nos gastos dos funcionários com plataformas de codificação baseadas em agentes, como Claude Code, da Anthropic, e Cursor .

Os números por trás do estouro são impressionantes. Em março de 2026, 84% dos engenheiros da Uber usavam o Claude Code, contra 32% no final de 2025 . Os custos mensais por engenheiro variavam entre US$ 500 e US$ 2.000 antes da implementação dos limites . O COO da Uber foi citado dizendo: "Ainda não há uma ligação entre os gastos com IA e o valor para o cliente" .

Outras empresas mostrando sinais de tensão

• Microsoft revogou o acesso dos seus desenvolvedores ao Claude Code apenas alguns meses depois de liberá-lo, devido a preocupações com custos .
• Priceline viu aumentos de preço de 5 vezes nas ferramentas de IA para codificação .
• A Gartner prevê separadamente que 40% das empresas que usam ferramentas de IA para codificação com preço por consumo enfrentarão custos não planejados que excedem o dobro dos orçamentos esperados até 2027 .

Accenture: não-engenheiros impulsionando o consumo de tokens

O caso da Accenture destaca uma fonte surpreendente de estouro de custos. De acordo com áudio vazado e reportagens, não foram os desenvolvedores, mas sim funcionários sem cargo de engenharia que geraram o maior consumo de tokens de IA, ao usarem ferramentas de IA para converter PDFs em slides . A Accenture planeja lançar o "Token IQ", um produto para dar visibilidade à liderança sobre se os gastos com IA estão gerando retorno adequado .

KPMG: o desafio de rastrear os gastos

A pesquisa Global AI Pulse do 2º trimestre de 2026 da KPMG, publicada em 24 de junho de 2026 e abrangendo mais de 2.100 líderes seniores em 20 países, constatou que apenas 26% das organizações têm visibilidade em tempo real dos custos de uso de IA . Especificamente :

• 50% têm visibilidade apenas parcial.
• 22% têm pouca ou nenhuma visibilidade — só descobrem os custos quando a fatura chega.

Steve Chase, head global de IA da KPMG, descreveu o problema como um risco central de opacidade financeira, observando que alguns clientes esgotaram os orçamentos anuais de tokens e nuvem em meses, e que o uso de tokens de um cliente aumentou seis vezes . A mudança para a cobrança baseada em tokens tornou os gastos com IA imprevisíveis e difíceis de conter por meio de controles financeiros tradicionais de TI .

Como gerenciar os custos: as recomendações da Gartner

A orientação da Gartner, publicada tanto na nota de junho de 2026 quanto no relatório de março de 2026 10 Best Practices for Optimizing Generative and Agentic AI Costs, concentra-se em um modelo operacional disciplinado :

• Estabeleça uma estrutura de decisão baseada em casos de uso — Defina quando os agentes de IA para codificação devem ser usados e em qual nível de autonomia, em vez de deixar o uso crescer sem controle. Classifique as tarefas de desenvolvimento em três modelos de execução: liderado pelo desenvolvedor, desenvolvedor com agente e totalmente liderado por agente .
• Alinhe a seleção do modelo com a complexidade da tarefa — Direcione tarefas simples e de alta frequência (escrita de testes, refatoração, scaffolding, documentação) para modelos especialistas menores e mais baratos, em vez de usar sempre os modelos de fronteira mais caros .
• Exija engenharia de contexto — Melhore o contexto de entrada que os desenvolvedores fornecem aos sistemas de IA para que menos tokens sejam desperdiçados com informações irrelevantes ou redundantes .
• Implemente cache, loteamento e monitoramento — Use cache de tokens e loteamento de requisições para reduzir o processamento redundante; monitore o consumo de tokens por desenvolvedor e por equipe em tempo real .
• Avalie a maturidade da codificação com IA — A Gartner exorta os líderes de engenharia a auditar seus padrões atuais de consumo de tokens antes que os custos saiam do controle .
• Construa uma camada de governança no estilo FinOps — Inclua monitoramento de consumo em tempo real, orçamentos por usuário e detecção automatizada de anomalias para uso descontrolado .

A Gartner também observa que a produtividade em tarefas delimitadas e bem especificadas — escrita de testes, refatoração, scaffolding, documentação, correção de bugs simples — realmente melhora em um múltiplo significativo, enquanto a produtividade em decisões de arquitetura e debugging de problemas novos melhora marginalmente . A chave é estimar a parcela do trabalho da equipe que se encaixa no grupo de alta alavancagem e aplicar a IA lá .

Conclusão

A era dos gastos desenfreados com IA para codificação está terminando. As ferramentas geram ganhos reais de produtividade em tarefas bem especificadas, mas, sem governança, os custos podem escalar mais rápido do que os ganhos de produtividade que essas ferramentas deveriam proporcionar . A disciplina que a Gartner recomenda, e que empresas como a Uber agora são forçadas a adotar, não é um recuo da IA, mas sim gerenciá-la como um centro de custos real — com visibilidade, roteamento e proteções.

Por que os custos de IA para codificação devem ultrapassar os salários

A Gartner identifica duas forças convergentes :

• Consumo de tokens disparando — Conforme os desenvolvedores usam agentes de IA para codificação de forma mais agressiva, o volume de tokens (as unidades nas quais a precificação dos LLMs se baseia) cresce muito mais rápido do que os preços por token caem. As contas de IA para codificação estão saltando de US$ 20 ou US$ 100 por desenvolvedor por mês para US$ 2.000 ou até US$ 5.000, disse Nitish Tyagi, analista principal sênior da Gartner, ao The Register .
• Migração de assinatura fixa para licenciamento baseado em consumo — Grandes fornecedores, incluindo Anthropic, Cursor e GitHub Copilot, abandonaram as assinaturas mensais fixas em favor de preços variáveis por token. Isso torna os custos variáveis e escaláveis a cada tecla digitada .

A previsão é uma projeção baseada em suposições declaradas, não uma certeza . Mas, como observou Tyagi, "as despesas com IA para codificação aumentarão persistentemente à medida que os investimentos em infraestrutura e questões de lucratividade elevarem a precificação dos modelos" .

Evidências reais: a conta dos tokens chega

Uber: um limite de US$ 1.500 depois de queimar o orçamento do ano

A Uber é o caso mais documentado de estouro de custos de IA. A empresa esgotou todo o seu orçamento de IA para codificação de 2026 em apenas quatro meses — até abril de 2026 . Em resposta, a Uber impôs um limite de US$ 1.500 por mês por ferramenta nos gastos dos funcionários com plataformas de codificação baseadas em agentes, como Claude Code, da Anthropic, e Cursor .

Os números por trás do estouro são impressionantes. Em março de 2026, 84% dos engenheiros da Uber usavam o Claude Code, contra 32% no final de 2025 . Os custos mensais por engenheiro variavam entre US$ 500 e US$ 2.000 antes da implementação dos limites . O COO da Uber foi citado dizendo: "Ainda não há uma ligação entre os gastos com IA e o valor para o cliente" .

Outras empresas mostrando sinais de tensão

• Microsoft revogou o acesso dos seus desenvolvedores ao Claude Code apenas alguns meses depois de liberá-lo, devido a preocupações com custos .
• Priceline viu aumentos de preço de 5 vezes nas ferramentas de IA para codificação .
• A Gartner prevê separadamente que 40% das empresas que usam ferramentas de IA para codificação com preço por consumo enfrentarão custos não planejados que excedem o dobro dos orçamentos esperados até 2027 .

Accenture: não-engenheiros impulsionando o consumo de tokens

O caso da Accenture destaca uma fonte surpreendente de estouro de custos. De acordo com áudio vazado e reportagens, não foram os desenvolvedores, mas sim funcionários sem cargo de engenharia que geraram o maior consumo de tokens de IA, ao usarem ferramentas de IA para converter PDFs em slides . A Accenture planeja lançar o "Token IQ", um produto para dar visibilidade à liderança sobre se os gastos com IA estão gerando retorno adequado .

KPMG: o desafio de rastrear os gastos

A pesquisa Global AI Pulse do 2º trimestre de 2026 da KPMG, publicada em 24 de junho de 2026 e abrangendo mais de 2.100 líderes seniores em 20 países, constatou que apenas 26% das organizações têm visibilidade em tempo real dos custos de uso de IA . Especificamente :

• 50% têm visibilidade apenas parcial.
• 22% têm pouca ou nenhuma visibilidade — só descobrem os custos quando a fatura chega.

Steve Chase, head global de IA da KPMG, descreveu o problema como um risco central de opacidade financeira, observando que alguns clientes esgotaram os orçamentos anuais de tokens e nuvem em meses, e que o uso de tokens de um cliente aumentou seis vezes . A mudança para a cobrança baseada em tokens tornou os gastos com IA imprevisíveis e difíceis de conter por meio de controles financeiros tradicionais de TI .

Como gerenciar os custos: as recomendações da Gartner

A orientação da Gartner, publicada tanto na nota de junho de 2026 quanto no relatório de março de 2026 10 Best Practices for Optimizing Generative and Agentic AI Costs, concentra-se em um modelo operacional disciplinado :

• Estabeleça uma estrutura de decisão baseada em casos de uso — Defina quando os agentes de IA para codificação devem ser usados e em qual nível de autonomia, em vez de deixar o uso crescer sem controle. Classifique as tarefas de desenvolvimento em três modelos de execução: liderado pelo desenvolvedor, desenvolvedor com agente e totalmente liderado por agente .
• Alinhe a seleção do modelo com a complexidade da tarefa — Direcione tarefas simples e de alta frequência (escrita de testes, refatoração, scaffolding, documentação) para modelos especialistas menores e mais baratos, em vez de usar sempre os modelos de fronteira mais caros .
• Exija engenharia de contexto — Melhore o contexto de entrada que os desenvolvedores fornecem aos sistemas de IA para que menos tokens sejam desperdiçados com informações irrelevantes ou redundantes .
• Implemente cache, loteamento e monitoramento — Use cache de tokens e loteamento de requisições para reduzir o processamento redundante; monitore o consumo de tokens por desenvolvedor e por equipe em tempo real .
• Avalie a maturidade da codificação com IA — A Gartner exorta os líderes de engenharia a auditar seus padrões atuais de consumo de tokens antes que os custos saiam do controle .
• Construa uma camada de governança no estilo FinOps — Inclua monitoramento de consumo em tempo real, orçamentos por usuário e detecção automatizada de anomalias para uso descontrolado .

A Gartner também observa que a produtividade em tarefas delimitadas e bem especificadas — escrita de testes, refatoração, scaffolding, documentação, correção de bugs simples — realmente melhora em um múltiplo significativo, enquanto a produtividade em decisões de arquitetura e debugging de problemas novos melhora marginalmente . A chave é estimar a parcela do trabalho da equipe que se encaixa no grupo de alta alavancagem e aplicar a IA lá .

Conclusão

A era dos gastos desenfreados com IA para codificação está terminando. As ferramentas geram ganhos reais de produtividade em tarefas bem especificadas, mas, sem governança, os custos podem escalar mais rápido do que os ganhos de produtividade que essas ferramentas deveriam proporcionar . A disciplina que a Gartner recomenda, e que empresas como a Uber agora são forçadas a adotar, não é um recuo da IA, mas sim gerenciá-la como um centro de custos real — com visibilidade, roteamento e proteções.