AIOps
Quando a conta da IA cresce mais rápido do que o retorno
À medida que agentes passam a executar tarefas, consultar ferramentas e tomar decisões em escala, o custo da inteligência deixa de ser apenas uma questão de infraestrutura. Governança, arquitetura e contexto também começam a determinar quanto valor conseguimos extrair dos recursos consumidos pela IA.
A inteligência está ficando mais barata. A conta, nem sempre.
Durante boa parte da evolução recente da inteligência artificial, acompanhamos uma dinâmica bastante conhecida da tecnologia: modelos ficaram mais capazes, a infraestrutura evoluiu e o custo unitário da inferência caiu rapidamente. Seria natural imaginar que essa combinação produzisse uma trajetória igualmente previsível para as empresas, com mais inteligência disponível a um custo progressivamente menor.
Na prática, uma coisa não está necessariamente levando à outra.
À medida que a IA deixa de ser utilizada apenas para interações pontuais e começa a participar de processos completos, o padrão de consumo muda. Um usuário pode fazer uma pergunta e receber uma resposta depois de uma única interação com o modelo. Um agente, por outro lado, pode interpretar um objetivo, decompor uma tarefa, consultar ferramentas, recuperar informações, avaliar resultados intermediários, repetir uma etapa, chamar outro modelo ou agente e somente então produzir uma resposta ou executar uma ação. Quando esse comportamento passa a ocorrer em escala, a economia da IA começa a mudar.
Esse efeito já aparece nas pesquisas mais recentes. Em uma pesquisa da McKinsey sobre AI FinOps, 93% dos respondentes qualificados relataram ter ultrapassado seus orçamentos de IA, enquanto apenas 20% a 25% das empresas apresentavam práticas maduras de AI FinOps [1]. A mesma pesquisa indica que o gasto com IA aumenta quase quatro vezes à medida que as organizações passam de casos isolados para uma adoção mais ampla [1]. O problema, portanto, começa a ir além do preço de determinado modelo e passa a envolver a administração de uma nova categoria de consumo distribuída por aplicações, processos e unidades de negócio.
A experiência da própria McKinsey ajuda a dimensionar essa transformação. Em maio de 2026, a empresa processava aproximadamente cinco trilhões de tokens por mês, com cerca de 10% dos usuários respondendo por 65% do consumo [2]. É um caso específico e não deve ser generalizado, mas ilustra como a expansão do acesso pode produzir padrões de demanda difíceis de antecipar.
Com agentes, essa previsibilidade pode diminuir ainda mais. Um estudo do Stanford Digital Economy Lab analisou tarefas agênticas de programação executadas por oito modelos de fronteira e encontrou consumo aproximadamente mil vezes maior do que em tarefas de code reasoning e code chat. Execuções da mesma tarefa chegaram a variar até trinta vezes em consumo, e utilizar mais tokens não significou alcançar maior precisão. Em muitos casos, o melhor desempenho aparecia em níveis intermediários de consumo [3].
O resultado precisa ser interpretado dentro do escopo da pesquisa, que analisou tarefas de programação e não pretende representar todo tipo de aplicação agêntica. Ainda assim, revela uma característica importante: com agentes, o custo deixa de estar associado apenas à resposta final e passa a refletir toda a trajetória percorrida para chegar até ela.
Quando a IA passa a decidir sozinha quando precisa raciocinar, consultar uma ferramenta ou envolver outro agente, ela também passa a participar das decisões que determinam quanto de inteligência será consumido.
Essa característica tende a ganhar importância conforme aumenta a autonomia. Se hoje uma pessoa decide quando consultar um modelo, em uma operação agêntica o próprio sistema pode decidir quando precisa buscar mais informações, validar uma hipótese ou acionar outro recurso. A inteligência passa, assim, a ser também um recurso consumido autonomamente pelas máquinas.
O problema não é apenas quanto a IA custa, mas quanto valor esse consumo produz
Seria fácil concluir que a resposta está simplesmente em reduzir tokens. Essa leitura, porém, pode nos levar a confundir eficiência com redução de custo independentemente do resultado. O objetivo não deveria ser consumir menos inteligência, mas utilizá-la onde ela efetivamente produz valor.
Uma pesquisa da Deloitte com 1.854 executivos da Europa e do Oriente Médio ajuda a mostrar essa diferença entre investimento e retorno. Entre os respondentes cujas organizações já utilizavam IA agêntica, grupo que correspondia a 57% da amostra, apenas 10% afirmavam obter retorno significativo e mensurável naquele momento. Metade esperava alcançar retorno em até três anos e outro terço estimava um horizonte entre três e cinco anos [4].
Isso não significa que a IA agêntica esteja falhando. Tecnologias capazes de modificar processos e modelos operacionais naturalmente podem exigir tempo para produzir efeitos mais profundos. O dado mostra, porém, que crescimento do investimento e captura de valor não acontecem necessariamente na mesma velocidade.
O desafio não é simplesmente gastar menos com IA. É impedir que o consumo de inteligência cresça sem que a organização consiga relacioná-lo ao valor produzido.
É nesse intervalo que a governança econômica da IA ganha importância. A computação em nuvem já levou muitas organizações a desenvolver práticas de FinOps para compreender quem consome recursos, quanto custa esse consumo e que resultado está sendo produzido. A IA acrescenta uma nova camada porque escolha de modelos, tamanho do contexto, quantidade de chamadas, tentativas adicionais, uso de ferramentas, memória e cadeias de agentes podem fazer com que duas arquiteturas resolvam problemas semelhantes utilizando quantidades muito diferentes de recursos.
A pesquisa de 2026 do IBM Institute for Business Value reforça essa dificuldade. Entre 2.000 executivos de tecnologia pesquisados, 85% disseram não possuir visibilidade completa e em tempo real dos gastos com IA, enquanto 84% ainda não haviam operacionalizado completamente a gestão financeira desses recursos. Ao mesmo tempo, os participantes esperavam que suas organizações estivessem utilizando, em média, 1.661 agentes de IA em 2027, 38% acima do nível então observado [5].
A combinação merece atenção: as organizações se preparam para ampliar a quantidade de sistemas capazes de consumir recursos de IA de forma relativamente autônoma enquanto muitas ainda desenvolvem mecanismos para compreender esse consumo.
Por isso, o ROI da inteligência artificial precisa ser observado além do número de tokens. Um agente que utiliza mais recursos para resolver corretamente um incidente crítico pode produzir muito mais valor do que outro extremamente econômico que entrega recomendações pouco úteis. Da mesma forma, consumir milhões de tokens para repetir investigações ou produzir análises que não geram resultado continua sendo desperdício, mesmo quando o preço unitário da inferência está caindo.
A questão econômica se aproxima, assim, da questão operacional: precisamos compreender não apenas quanto a IA está consumindo, mas por que está consumindo e o que estamos recebendo em troca.
Contexto e governança também começam a fazer parte da economia da IA
Essa discussão se conecta a alguns temas que venho explorando nos artigos anteriores. Quando falamos sobre contexto operacional, normalmente pensamos primeiro na qualidade da decisão. Quando discutimos governança, pensamos em segurança, limites de autonomia, permissões e responsabilidade. Esses aspectos continuam fundamentais, mas começam a adquirir também uma dimensão econômica.
A McKinsey identifica vários fatores que influenciam o custo dos sistemas agênticos, entre eles a manutenção de contexto ao longo da execução, refinamentos sucessivos, diferentes caminhos de execução, escolha dos modelos, orquestração entre agentes e ferramentas e a própria forma como a informação é estruturada e apresentada ao modelo [6]. Em outro estudo, a consultoria aponta mecanismos como caching, redução de contexto desnecessário, seleção do modelo adequado para cada tarefa e limites sobre retries, chamadas de ferramentas e loops de agentes como formas de otimizar o consumo [1].
Isso sugere que a eficiência econômica da IA não será resolvida apenas negociando preços menores com fornecedores de modelos.
Considere um agente responsável por investigar um incidente operacional. Se ele recebe uma enorme quantidade de dados sem estrutura, pode precisar consultar diferentes fontes, processar longos históricos, testar hipóteses e repetir chamadas até construir uma compreensão razoável do problema. Se recebe informação insuficiente, pode economizar recursos e, ao mesmo tempo, perder elementos necessários para decidir corretamente. O desafio não é simplesmente fornecer mais ou menos contexto, mas disponibilizar aquilo que é relevante para aquela decisão.
Essa distinção será particularmente importante em ambientes complexos de TI e Telecom, nos quais uma investigação pode envolver milhares de eventos, diferentes plataformas, topologias, mudanças recentes e dependências entre componentes. Colocar indiscriminadamente todo esse conteúdo na janela de contexto de um modelo dificilmente será eficiente, assim como esperar que cada agente reconstrua sozinho essas relações a cada nova ocorrência.
Contexto não é apenas aquilo que ajuda um agente a decidir melhor. Em uma operação agêntica em escala, a forma como esse contexto é construído e disponibilizado também passa a fazer parte da discussão sobre eficiência.
Isso não significa que uma plataforma de contexto reduza automaticamente o consumo de tokens, nem permite estabelecer uma relação direta entre contexto operacional e determinada economia percentual. As pesquisas consultadas não sustentam essa conclusão.
O que elas sustentam é que a maneira como estruturamos informações, desenhamos workflows, selecionamos modelos e governamos o comportamento dos agentes interfere nos custos dos sistemas agênticos [1][6]. Em escala, isso exige visibilidade sobre quais agentes estão consumindo recursos, em quais processos, utilizando quais modelos, com quantas chamadas e com quais resultados.
O desafio deixa de ser simplesmente controlar a conta e passa a ser relacionar consumo, desempenho e resultado, permitindo investir mais onde a inteligência produz valor e corrigir aquilo que apenas consome recursos.
A resposta não deveria ser limitar essa autonomia indiscriminadamente, mas construir a visibilidade, o contexto e os mecanismos de governança necessários para que ela possa crescer acompanhada de resultado. No final, a pergunta mais importante talvez não seja quanto custa um milhão de tokens, mas quanto valor conseguimos produzir com eles.
Da visão à prática: ARGUS
Essa discussão possui uma conexão com o trabalho que temos desenvolvido no ARGUS, embora seja importante estabelecer claramente seus limites.
O ARGUS não é uma plataforma de AI FinOps e sua proposta não é controlar o consumo de tokens dos agentes. Sua contribuição está em outra parte do problema: construir contexto operacional a partir de informações provenientes de múltiplas fontes, utilizando correlação, enriquecimento, relações conhecidas e regras determinísticas para ajudar pessoas, automações e agentes a compreender melhor aquilo que está acontecendo no ambiente.
À medida que agentes passam a participar das operações de TI e Telecom, disponibilizar contexto de forma estruturada pode evitar que cada inteligência dependa exclusivamente da visão fragmentada de sua própria ferramenta ou domínio. Não temos evidências que permitam transformar essa relação em uma promessa direta de redução de tokens, e não devemos fazê-lo.
O ponto relevante é arquitetural. Se inteligência passa a ser um recurso consumido continuamente, a qualidade da informação oferecida aos agentes deixa de influenciar apenas suas decisões e passa a integrar uma discussão mais ampla sobre eficiência, governança e retorno dos investimentos em IA.
É nesse cenário que o ARGUS busca contribuir, construindo contexto operacional compartilhado que possa ser utilizado por pessoas, automações e agentes, preservando o conhecimento sobre a operação e criando melhores condições para que a inteligência seja aplicada onde realmente pode produzir valor.
Conheça o ARGUS e veja como funciona na prática.
Sobre o autor
Paulo Florêncio de Menezes é cofundador da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.
É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).
Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.
Sobre a Target Solutions
A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.
Ao longo de mais de 15 anos, participamos de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços, trabalhando com grandes organizações e ambientes de alta complexidade.
Essa experiência nos permitiu acompanhar de perto a evolução das operações, do monitoramento tradicional à observabilidade, da automação à AIOps e, agora, aos primeiros passos em direção a operações cada vez mais orientadas por inteligência artificial.
É nesse contexto que desenvolvemos o ARGUS, nossa plataforma AIOps para correlação de eventos, redução de ruído e construção de contexto operacional a partir de múltiplas fontes.## Referências
[1] McKinsey & Company. The cost of intelligence: How CIOs can manage AI demand at scale. McKinsey Quarterly, 20 de julho de 2026.
[2] McKinsey & Company. Is that AI agent worth it? Agentic economics and the modern operating model. McKinsey Quarterly, 13 de julho de 2026.
[3] Bai, Longju et al. How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks. Stanford Digital Economy Lab, Working Paper, 14 de abril de 2026.
[4] Deloitte. AI ROI: The paradox of rising investment and elusive returns. Deloitte Global, 22 de outubro de 2025. Pesquisa com 1.854 executivos da Europa e Oriente Médio.
[5] IBM Institute for Business Value. The 2026 Tech Leader Study: Redefining the tech leader’s mandate: Building the IT foundation for agentic AI at scale. Junho de 2026. Pesquisa global com 2.000 executivos C-level de tecnologia.
[6] McKinsey & Company. Cost versus value: Managing agentic AI system performance. McKinsey Quarterly, 2026.