TLDR;

A Microsoft cancelou a maior parte das licenças internas do Claude Code não porque o produto fosse ruim, mas porque o uso intenso gerou consumo de tokens e custos de compute insustentáveis e era estrategicamente preferível padronizar no Copilot para reaproveitar ativos que controla. O episódio evidencia um problema setorial: IA em larga escala é extremamente consumidora de infraestrutura (GPUs, energia, tokens), de modo que os custos operacionais podem superar os ganhos de produtividade. Como consequência, empresas e startups precisarão focar em eficiência de custo, modelos que reduzam consumo de tokens e controles rigorosos de gasto para tornar a automação por IA realmente lucrativa.

Resumo

Recentemente a Microsoft deu acesso a milhares de engenheiros ao Claude Code, um dos melhores assistentes de programação, mas cancelou a maior parte das licenças seis meses depois, empurrando times para o GitHub Copilot CLI. Embora desenvolvedores tenham amado o Claude e a produtividade tenha subido, o uso intenso aumentou o consumo de tokens e os custos de computação, forçando a companhia a priorizar ferramentas próprias e controlar despesas — decisão alinhada ao fim do ano fiscal e à estratégia de reforçar seu ecossistema (Copilot, Azure, participação na OpenAI). O caso ilustra um problema mais amplo na indústria: a promessa de reduzir custos com IA esbarra em contas elevadas de GPU, energia e inferência; empresas como Uber e Nvidia já relataram gastos pesados com usuários intensivos, e o foco começou a migrar de “inteligência” para “economia” do AI. Em resposta, provedores ajustam modelos por eficiência, como o Gemini 3.5 flash low do Google, que reduz tokens em ~45%. A lição é clara: escalar IA exige objetivos definidos, controles de custo e loops de revisão, e talvez a maior oportunidade esteja em infraestrutura (chips e cloud) mais do que em aplicações pontuais. Isso também pode gerar vantagem competitiva sustentável amanhã.