Vale a pena investir nesse agente de IA? A dinâmica econômica agêntica e o modelo operacional moderno

Observação: Nós nos empenhamos ao máximo para manter o espírito e as nuances originais de nossos artigos. Porém, pedimos desculpas desde já por quaisquer erros de tradução que você venha a notar. Seu feedback é bem-vindo através do e-mail reader_input@mckinsey.com

Mais insights da McKinsey em português

Confira nossa coleção de artigos em português e assine nossa newsletter mensal em português.

Navegue pela coleção

Apesar das frequentes notícias sobre a queda nos preços dos tokens, muitos líderes empresariais estão em estado de choque com o alto custo dos agentes de IA. Embora o “AI Index” de 2025 do Stanford HAI [Instituto de IA Centrada no Ser Humano, da Universidade de Stanford] tenha indicado que o custo de inferência para um desempenho computacional equivalente ao do GPT-3.5 caiu de $20 por milhão de tokens para $0,07 ao longo de 2024, os gastos corporativos com grandes modelos de linguagem (LLMs) triplicaram ao longo de um período de 12 meses encerrado no fim de 2025. Cerca de 93% dos participantes de uma pesquisa da McKinsey relataram ter excedido seus orçamentos de IA, enquanto um quinto dos entrevistados da pesquisa global “State of AI” de 2026, a ser publicada em breve, informou que suas organizações vêm restringindo a utilização de IA devido aos custos operacionais da tecnologia.¹

O que se passa? Há várias razões para essa disparada: as empresas estão ampliando suas iniciativas com IA; os provedores de LLMs migraram de um modelo de negócio por assinatura para outro baseado no consumo, criando novos incentivos (por exemplo, as respostas passaram a ser mais longas, aumentando o uso de tokens); e modelos caros frequentemente são utilizados para executar tarefas simples.

Abordaremos estes e outros motivos em mais detalhe a seguir. Antes, porém, vale fazer um alerta importante: os CEOs não devem limitar a discussão à redução do custo dos tokens. Como afirma David Tepper, CEO da Pay-i: “Tokens não são valor. Tokens são uma conta a pagar.” O foco, portanto, deve recair diretamente sobre como utilizar agentes de IA para gerar valor.

Diversos fatores determinam esse valor – como a exatidão das respostas dos agentes, a necessidade ou não de supervisão ou correção humana, o poder de processamento consumido durante o raciocínio e se o volume de trabalho realizado supera o custo operacional total de sua execução. Em suma, para os CEOs, a questão se resume a responder a uma pergunta fundamental: as capacidades dos agentes de IA que estamos desenvolvendo e operando correspondem ao valor que deles extraímos?

Responder a esta pergunta é cada vez mais urgente para os CEOs, na medida em que os sistemas de IA estão evoluindo de colegas de trabalho agênticos para agentes capazes de executar tarefas mais complexas, como raciocinar e orquestrar fluxos de trabalho em toda a organização. Além disso, espera-se que os gastos com IA cheguem a cerca de 25% dos orçamentos corporativos de TI nos próximos anos. Entretanto, muitas organizações ainda não conseguem identificar com clareza quais sistemas de IA geram valor, qual é o seu custo real de operação ou como essa dinâmica econômica se altera à medida que sua utilização ganha escala.

O que a McKinsey aprendeu gerenciando a dinâmica econômica da IA em escala

Com a IA sendo cada vez mais adotada em toda a McKinsey, temos enfrentado muitos dos mesmos desafios econômicos vividos por nossos clientes. Embora ainda estejamos aprendendo, várias lições importantes já se tornaram claras:

O crescimento tem sido exponencial e mostra poucos sinais de desaceleração. Em maio de 2026, a McKinsey estava processando cerca de 5 trilhões de tokens de IA por mês. A utilização da IA vem crescendo em ondas – ampliando a base de usuários, aumentando o consumo e introduzindo novos padrões de demanda. Nesses estágios iniciais, não impusemos limites à utilização da IA, a fim de acelerar o desenvolvimento das competências necessárias. Agora, porém, estamos implementando diretrizes e mecanismos de controle para gerenciar melhor os custos antes da próxima onda, quando agentes autônomos deixarão de apenas responder a prompts e passarão a consumir inteligência em nome dos usuários. A gestão da demanda tornou-se uma capacidade permanente, não um exercício pontual.
O consumo segue uma distribuição do tipo lei de potência. A utilização da IA é altamente concentrada. Cerca de 10% dos usuários respondem por aproximadamente 65% do consumo total de tokens. Engenheiros de software e consultores estão entre os maiores usuários, geralmente movidos por interesse pessoal ou necessidades de suas equipes, embora exista um grande contingente de usuários ocasionais.
Consolidar os gastos com consumo é a melhor maneira de distribuir os custos. Os provedores de LLMs estão migrando de um modelo baseado em licenças individuais [seats] para outro baseado no consumo efetivo, com transparência dos custos para o usuário. Consolidar, em nível corporativo, os gastos com consumo de tokens nos permite acomodar os usuários intensivos legítimos e equilibrar a demanda no restante de organização, evitando a contratação de licenças individuais com capacidade ociosa. Compreender onde a demanda se concentra tende a ser mais valioso do que entender a utilização média.
Modelos mais antigos são melhores (e mais baratos) para a maioria dos casos de uso. Os usuários tendem a escolher o modelo mais avançado (e mais caro), mesmo quando muitas de suas tarefas poderiam ser executadas por modelos bem menos sofisticados. Obtivemos economias significativas com o roteamento inteligente de modelos (a inteligência certa no momento certo) e atribuindo cada tipo de modelo a uma etapa específica do fluxo de trabalho – por exemplo, um modelo de ponta para gerar a hipótese inicial e modelos menores para o aprimoramento subsequente.
A flexibilidade de preços está aumentando. Um mesmo modelo pode estar disponível por meio de vários provedores, cada um oferecendo preços diferentes. Frequentemente, é também possível acumular descontos corporativos.
Decisões sobre custos devem ser automatizadas sempre que possível. A McKinsey otimiza seus prompts e investiu em um gateway interno de IA para roteá-los entre diferentes fornecedores de LLMs (com planos de implementar o roteamento automático de modelos no futuro). Também investimos em outras opções transparentes de otimização que ocorrem antes que os prompts cheguem aos provedores de modelos.
Dicas simples e recomendações específicas podem produzir grandes efeitos. Tornar transparente para cada usuário o custo de um prompt leva as pessoas a tomar decisões mais econômicas. Orientar os usuários e oferecer dicas específicas durante o uso também pode produzir impacto significativo. Incentivar a concisão dos prompts e das respostas (no estilo “homem das cavernas”), por exemplo, pode reduzir em 30% a 40% o consumo de tokens em certos fluxos de trabalho, sem prejuízo perceptível da qualidade.
Existem custos significativos que vão além do modelo em si. Alguns dos componentes de custo da IA que mais crescem não estão relacionados aos LLMs. Gateways de segurança, plataformas de orquestração, ferramentas de monitoramento e até fornecedores de software vêm adotando, cada vez mais, a precificação baseada no consumo de tokens. Como um mesmo token pode ser analisado ou processado diversas vezes ao percorrer a arquitetura corporativa, as implicações financeiras podem ser substanciais

Para que as empresas consigam gerenciar de modo eficaz esta fase da revolução da IA, precisam compreender claramente as forças de oferta e demanda que moldam a curva de custos da IA, bem como suas implicações para a dinâmica competitiva. Nossa experiência com empresas e em nosso próprio programa de IA mostra que os líderes precisam gerenciar o trabalho realizado por máquinas de maneira diferente – alocando inteligência como se fosse capital e reequilibrando o trabalho de IA entre atividades internas e externas (veja Box, “O que a McKinsey aprendeu gerenciando a dinâmica econômica da IA em escala”). Essa disciplina de gestão ainda não existe na maioria das empresas.

Por que os gastos operacionais continuam aumentando: os seis fatores da dinâmica econômica agêntica

Seis padrões explicam por que o trabalho agêntico neutraliza a deflação dos preços dos tokens:

Persistência do contexto. Os LLMs não retêm “estados”. Isso significa que os agentes frequentemente reenviam o contexto anterior à medida que o trabalho avança, aumentando o custo total. Tarefas executadas por agentes podem consumir cerca de mil vezes mais tokens do que tarefas de raciocínio sobre código (resolução de problemas em uma única interação, sem uso de ferramentas) ou tarefas de chat (diálogo em múltiplas interações sobre um problema de programação). O contexto torna-se um ativo operacional e representa uma parcela significativa dos custos associados aos agentes. Um contexto mal gerenciado transforma cada etapa do fluxo de trabalho em um custo recorrente.
O maior custo está no aprimoramento. Nos fluxos de trabalho agêntico, o mais caro não é a primeira resposta gerada, mas a verificação, correção e reverificação subsequentes. Na verdade, cerca de 60% dos custos de uma tarefa agêntica estão ligados ao aprimoramento das respostas. Os líderes precisam considerar e incorporar o controle de qualidade, o tratamento de exceções e o retrabalho aos custos do processo em todos os fluxos de trabalho.
Autonomia gera variação. Sistemas agênticos podem produzir custos substancialmente diferentes para uma mesma tarefa, pois podem seguir caminhos distintos, acionar ferramentas diferentes ou realizar novas tentativas de maneiras diversas. Em programação, por exemplo, uma mesma tarefa pode apresentar uma variação de até 30 vezes entre execuções completadas. O custo comporta-se como uma distribuição, não como um preço unitário fixo. Orçamentos baseados em custos médios não serão suficientes.
Raciocínio caro para tarefas básicas. O modo “extended thinking” [raciocínio estendido] vale muitas vezes o seu custo no caso de tarefas complexas; para as mais simples, porém, representa apenas um custo adicional elevado. O roteamento de modelos é fundamental para garantir que o raciocínio mais caro seja reservado às tarefas em que pode efetivamente alterar o resultado, enquanto modelos mais baratos sejam utilizados em tarefas básicas.
A orquestração das decisões dos agentes pode elevar os custos. A maneira como um agente aciona uma ferramenta é tão importante quanto a própria ferramenta. O modo como o trabalho é decomposto, coordenado e repassado entre agentes, ferramentas e modelos pode alterar drasticamente os custos sem modificar, na prática, o resultado final.
A estrutura da informação pode gerar ineficiências. A forma como a informação é apresentada a um modelo – ou gerada por ele – afeta o consumo de tokens. Essa eficiência depende do desenho dos prompts, da amplitude do contexto, do idioma, da formatação e da estrutura dos dados. Por exemplo: para transmitir o mesmo significado, textos em outros idiomas que não o inglês tendem a ser fragmentados em um número maior de tokens, de modo que uma mesma conversa pode custar mais em alguns idiomas do que em outros.

Esses seis fatores ajudam a explicar por que apenas utilizar os modelos mais baratos não reduz automaticamente os custos da IA.

As implicações para a dinâmica competitiva

Ao mesmo tempo que aumenta a complexidade da gestão de custos, a IA também vem promovendo uma profunda recalibragem da dinâmica competitiva. Ao determinar onde a IA poderá gerar valor e como desenvolver as vantagens estratégicas da empresa, os CEOs precisam estar atentos, em particular, a quatro implicações.

A primeira delas é que uma vantagem competitiva baseada em processos está se tornando mais difícil de sustentar. Durante décadas, a excelência na execução foi a principal fonte de vantagem competitiva para muitas empresas – subscrição de riscos otimizada, processamento mais rápido de sinistros, operações mais eficientes, melhor atendimento ao cliente. Hoje, porém, os sistemas agênticos comprimem essas vantagens, pois uma mesma capacidade pode ser escalada para milhares de fluxos de trabalho por meio de plataformas de software. Cada vez mais, o que antes exigia anos de redesenho e implementação de processos pode ser realizado em meses ou semanas.

A segunda implicação é que dados e contexto estão se tornando mais valiosos do que os próprios modelos. À medida que os modelos de fundação convergem, o diferencial competitivo desloca-se cada vez mais para fontes proprietárias de vantagem. Um mesmo agente comercial produzirá resultados radicalmente diferentes, dependendo dos sinais do cliente, dos dados operacionais, do histórico de decisões e do contexto do fluxo de trabalho que recebe. Em um mundo agêntico, os dados contextuais que a empresa captura sistematicamente – como transcrições de chamadas, precedentes decisórios e telemetria de processos – estão se tornando a camada que, de fato, gera vantagem competitiva.

A terceira é que a governança da IA passa a constituir a nova base da competição. Os elementos econômicos do trabalho realizado por máquinas variam enormemente. Uma mesma tarefa pode custar 30 vezes mais, dependendo de como é executada. Da mesma forma, os níveis de produtividade obtidos com uma mesma infraestrutura podem variar drasticamente, conforme a inteligência seja alocada e roteada. As organizações que aprenderem a governar o trabalho das máquinas – medindo-o, alocando-o, aprimorando-o e integrando-o às operações – criarão mais valor do que seus concorrentes a partir do mesmo dispêndio em inteligência.

A quarta implicação é que a configuração econômica dos sistemas agênticos está redefinindo as fronteiras da empresa, em termos do que deve ser mantido internamente ou terceirizado. Durante muitos anos, as decisões de sourcing foram determinadas principalmente por custos de mão de obra, economias de escala e despesas gerais de coordenação. No entanto, como vimos, a eficácia dos sistemas agênticos depende menos do modelo e mais do acesso ao contexto. As empresas precisam tratar a capacidade de gerir o contexto como uma joia rara e preservá-la internamente, enquanto tarefas menos essenciais para sua posição competitiva podem ser terceirizadas.

O que o CEO deve fazer para construir o modelo operacional agêntico

Cabe ao CEO desenhar o modelo operacional agêntico da empresa para maximizar o valor e não para otimizar o uso de tokens. Isso exige uma disciplina de gestão voltada ao trabalho das máquinas: quais resultados servirão de métrica, que tipo de inteligência deve ser alocado – e onde – com base nos resultados, quanta autonomia será concedida aos agentes e quais tipos de trabalho justificam diferentes modelos de implementação. Os imperativos a seguir indicam o que o CEO precisa assegurar antes de escalar o sistema agêntico:

Alocar inteligência como se fosse capital. Um dos erros mais custosos que uma organização pode cometer é presumir que todo problema exige inteligência artificial de ponta. Na realidade, muitos de seus fluxos de trabalho podem ser executados, com igual eficácia, por modelos menores, modelos de pesos abertos [cujos parâmetros internos são públicos], sistemas determinísticos ou software tradicional. O CEO deve assegurar que fique claro por que cada tipo de trabalho é executado da forma como é, em que condições essa decisão deve ser revista e quem é responsável por reavaliá-la quando variarem os preços, as regulamentações, o volume de uso ou a qualidade dos modelos.
Definir a estratégia competitiva antes da estratégia tecnológica. A IA deve levar toda empresa a se perguntar: “Qual é a essência do nosso negócio?” e “Onde estão nossas fontes de vantagem?”. Os investimentos em IA com maior retorno raramente são distribuídos de modo uniforme por toda a organização; tendem a se concentrar em um número reduzido de capacidades economicamente críticas. No setor de seguros, o processamento de sinistros e a subscrição de riscos podem ser predominantes; no setor farmacêutico, os maiores retornos podem vir de P&D e do desenvolvimento clínico; nas empresas de software, talvez estejam em engenharia. Portanto, a primeira tarefa do executivo é identificar o número relativamente pequeno de domínios nos quais o trabalho das máquinas é capaz de alterar de forma mais significativa os elementos econômicos do negócio.

Ao desenvolver a estratégia para construir essa vantagem competitiva, é importante que o CEO estabeleça uma trajetória gradual de transição que combine aspirações ousadas com metas intermediárias viáveis. Marcos claros e vinculados a resultados, requisitos bem definidos para elaboração e alocação orçamentária e flexibilidade suficiente para que as equipes alcancem as metas são elementos centrais de um plano eficaz.
Estruturar as operações agênticas como uma disciplina de gestão corporativa. As empresas dedicaram décadas à construção de disciplinas para controle financeiro, operações enxutas, produtividade da cadeia de suprimentos, controle de riscos cibernéticos e gestão de custos na nuvem. Agora, precisam desenvolver uma disciplina equivalente para o trabalho agêntico. Isso significa reger a arquitetura de ferramentas, o roteamento de modelos, os níveis de autonomia e os processos de avaliações como decisões de gestão, não meramente técnicas. Nenhum sistema autônomo deve operar sem um mandato, um orçamento e um protocolo de interrupção bem definidos. Essa iniciativa deve ser financiada como um projeto plurianual de capacitação, não como uma linha a mais no orçamento. E, por padrão, não deve ser terceirizada para fornecedores.
Responder à pergunta: “Quem é responsável por essa capacidade?”. As alavancas técnicas e operacionais necessárias para gerir o trabalho das máquinas – como gestão de contexto, roteamento de modelos, avaliação, autonomia e alocação de carga de trabalho – não se encaixam perfeitamente nas atribuições dos atuais líderes de tecnologia, finanças, operações ou recursos humanos. Essa falta de clareza tende a produzir erros, atividades redundantes e desperdício. O CEO precisará definir quem irá liderar as operações de IA (veja Box, “O que os elementos econômicos do trabalho realizado por máquinas significam para os líderes”).

A resposta – um diretor de operações de IA, ou um novo comitê de operações, ou algum outro modelo organizacional – importa menos do que esclarecer onde residem a responsabilidade e a prestação de contas. Essa nova liderança precisa não apenas assumir responsabilidade explícita por KPIs críticos – como custo por resultado, desempenho dos fornecedores, cadência de aprendizado e eficácia operacional – mas também acompanhar atentamente a dinâmica do mercado para antever mudanças e incorporar ao modelo operacional a flexibilidade necessária para ajustá-lo quando preciso.
Avaliar o trabalho das máquinas com métricas que importam para a empresa. A unidade de governança é o resultado obtido pela empresa, não o token, nem o modelo acionado, nem o item tecnológico do orçamento. O CEO deve exigir que todo fluxo de trabalho agêntico relevante seja mensurado com base nos resultados gerados para a empresa e não apenas em métricas técnicas. A métrica específica importa menos do que o princípio. Os líderes precisam ir além dos custos diretos de execução e tornar visíveis os custos extremos [tail costs], os limiares para escalonamento de decisões na hierarquia e o nível geral de dispêndio considerado aceitável. O objetivo é criar uma unidade econômica comum que permita aos gestores comparar o trabalho humano, o trabalho das máquinas e o trabalho híbrido.

O que os elementos econômicos do trabalho realizado por máquinas significam para os líderes

Diretor de informação (CIO): construir o sistema que gerenciará a inteligência. O papel do CIO vai muito além do gerenciamento da infraestrutura de IA. Envolve conectar sistemas de registro, dados operacionais, conteúdo não estruturado e semântica corporativa em uma camada de informação coerente, garantindo que cada agente tenha acesso ao contexto empresarial certo no momento certo. Isso exige modernizar a governança de dados, gerenciar informações estruturadas e não estruturadas, e desenvolver a ontologia, os metadados e os serviços contextuais da empresa para que os agentes possam raciocinar de forma confiável em toda a organização.

Diretor de tecnologia (CTO): aprimorar os elementos econômicos do trabalho das máquinas. Cada vez mais, o CTO torna-se responsável pela produtividade da própria inteligência. Decisões sobre arquitetura, seleção de modelos, gestão de contexto, roteamento, cache, avaliação e autonomia afetam diretamente o custo e o desempenho do trabalho das máquinas. A questão fundamental é como obter os mesmos resultados para a empresa utilizando tecnologias que consumam menos inteligência, apresentem menor latência ou ofereçam maior qualidade ou confiabilidade.

Diretor financeiro (CFO): transformar a IA em uma classe de ativos econômicos. Para o CFO, a IA está se tornando uma nova categoria de gastos da empresa e exige estruturas próprias de mensuração, previsão e alocação de capital. O foco deve deixar de ser o orçamento de tecnologia e passar a ser os seus elementos econômicos – por exemplo, custo por resultado, retorno sobre a inteligência e produtividade do trabalho das máquinas em comparação com o trabalho humano e a automação tradicional. O objetivo é assegurar que os recursos sejam direcionados para as oportunidades de maior valor.

Repensar as fronteiras do sourcing. Compreender a dinâmica de valor da IA deve levar a uma recalibragem profunda do esquema vigente de terceirização versus execução interna. É possível que algumas atividades para as quais a terceirização antes fazia sentido econômico passem a gerar mais valor quando realizadas pela própria empresa, pois o trabalho das máquinas produz melhores resultados quando estreitamente integrado a um contexto proprietário. Por outro lado, atividades que antes exigiam significativa capacidade interna (como pesquisa jurídica, análise financeira ou geração de conteúdo) poderão ser realizadas cada vez mais por serviços agênticos, com relativamente pouca supervisão interna.

É importante analisar cada atividade para determinar, com base nas fontes de valor, quais devem ser executadas interna ou externamente. A diretriz padrão deixou de ser “terceirizar mais”. Ao mesmo tempo, é preciso revisar contratos e renegociar seus termos para privilegiar as fontes de vantagem competitiva e conferir mais benefícios ao cliente com base na dinâmica econômica. A empresa deve preservar a capacidade de internalizar novamente certas atividades quando as circunstâncias assim o exigirem.
Reformular a estratégia “comprar versus construir versus fazer parcerias” do portfólio. A alocação dos trabalhos deve ser definida a partir de uma revisão dessa estratégia, não como uma decisão pontual entre construir e comprar. A escolha correta, para cada tipo de trabalho, depende de fatores como volume, previsibilidade, sensibilidade, limiar de qualidade e maturidade operacional (Tabela). Com o tempo, é provável que a maior parte dos recursos de IA seja adquirida por meio de softwares, modelos e serviços comerciais. O desenvolvimento interno tenderá a ser restringido a três áreas: camadas de integração proprietárias que conectam dados e fluxos de trabalho específicos da empresa; capacidades diferenciadas nas quais o próprio agente constitui uma fonte de vantagem competitiva; e investimentos estratégicos em aprendizado que ajudem a organização a desenvolver expertise e a orientar decisões futuras.

Em muitas categorias, é provável que softwares comerciais verdadeiramente agênticos ainda levem de dois a quatro anos para amadurecer. As empresas que desenvolverem soluções seletivas durante esse período adquirirão conhecimentos que poderão ser aplicados ao restante de seu portfólio – conhecimentos que concorrentes que apenas adquirem soluções comerciais dificilmente conseguirão reproduzir.

Tabela

Investir na captura de dados contextuais como um ativo estratégico. A captura sistemática do contexto operacional, das interações com clientes e dos dados de telemetria dos processos deve começar imediatamente. A camada de contexto deve ser gerenciada como um ativo estratégico, distinto dos sistemas tradicionais de registro. A aquisição de dados, por sua vez, deve ser tratada como uma categoria de compras, incorporando práticas disciplinadas de consentimento e de retenção de dados. Deve-se adotar um horizonte de três anos, ao longo do qual o “contexto cumulativo” fará com que softwares comerciais aparentemente idênticos apresentem desempenhos distintos.

A próxima onda de vantagem competitiva estará na capacidade de gerenciar o trabalho das máquinas com a mesma disciplina que as empresas aprenderam a aplicar à mão de obra, ao capital, ao risco e às operações. Os líderes que desenvolverem essa capacidade desde já poderão transformar a IA agêntica em um sistema operacional para a empresa; os que não o fizerem correm o risco de ver essa nova categoria de custos crescer mais rapidamente do que sua capacidade de administrá-la.