TLDR;

Refere-se à nova comparação econômica entre gastar com tokens (compute/inferência) para IA e gastar com salários de pessoas, forçando escolhas sobre qual recurso priorizar. Os orçamentos estão mudando porque os custos por token e por inferência subiram muito, levando empresas a queimarem suas verbas de IA em semanas e a rever planos de crescimento de headcount. Empresas estão controlando custos com camadas de orquestração que roteiam tarefas para modelos mais baratos, adotando modelos open-source mais econômicos e restringindo rollouts internos de IA.

Resumo

A conta da IA chegou: empresas enfrentam pela primeira vez a comparação direta entre tokens e pessoas, decidindo se investem em tecnologia ou em contratações, porque o custo por usuário de modelos de IA aproxima-se do custo de um empregado. Orçamentos anuais de tokens são consumidos em semanas e diretores financeiros repensam contratos, enquanto analistas questionam se o gasto está correndo à frente da prova de valor — não é somente medo de bolha, mas se estamos subsidiando demanda antes de confirmar a economia por unidade. Fornecedores corporativos como a Glean celebram marcos (US$300 milhões ARR) e afirmam usar ~30% menos tokens que soluções prontas, graças a uma arquitetura multi‑modelo e a um roteador (Waldo) que dirige consultas simples para modelos baratos e tarefas complexas para modelos de fronteira. Isso reduz custos e evita esgotamento do orçamento, mas o problema se agrava porque versões recentes de modelos frontier custam até o dobro por token. Assim, empresas estão migrando para modelos de domínio aberto e camadas de orquestração para equilibrar preço, desempenho e crescimento de headcount, enquanto o mercado procura entender os reais unit economics da corrida pela IA. Executivos buscam métricas claras para decisões estratégicas e alocação eficiente no prazo.