Os desafios dos custos de IA com Rafael Escrich

Quais métricas realmente fazem sentido ao trabalhar com IA

Existe uma tendência perigosa nas empresas: criar métricas apenas porque “é preciso ter métricas”. Isso leva a indicadores pouco úteis — como medir simplesmente o uso de IA (tokens, chamadas, etc.), sem conexão com o resultado real do negócio.

O ponto central é simples: métricas precisam estar conectadas ao produto, à experiência do usuário e ao revenue. Focar apenas em uso ou eficiência técnica ignora questões mais importantes:

• O produto está resolvendo melhor o problema do cliente?
• Está gerando mais receita?
• Está melhorando a experiência?

Além disso, IA não resolve problemas estruturais da organização. Pelo contrário: ela expõe falhas existentes, especialmente no alinhamento entre áreas como produto, engenharia e liderança.

IA realmente facilita a entrega de produtos?

Não tanto quanto parece. A IA acelera a escrita de código — mas código é a última etapa do processo. Antes disso, existem etapas críticas:

• Entendimento do problema
• Definição de produto
• Alinhamento entre stakeholders
• Decisões arquiteturais

Se essas etapas não estiverem bem resolvidas, a IA apenas acelera a criação de código ruim. Em outras palavras:

Fazer código mais rápido não significa entregar valor mais rápido.

Governança vs liberdade: até onde controlar o uso de IA

Ferramentas de IA têm custo, e, muitas vezes, alto. Isso naturalmente leva à necessidade de controle. Mas controle excessivo pode sufocar inovação. O equilíbrio passa por alguns princípios:

• Dar autonomia com responsabilidade
• Criar espaços seguros para experimentação
• Incentivar propostas vindas do time
• Evitar ambientes rígidos e engessados

Ambientes que não permitem questionamento ou experimentação tendem a:

• Reduzir engajamento
• Diminuir inovação
• Transformar pessoas em executoras passivas

E isso é um problema que nenhuma IA resolve.

Como equilibrar custo e qualidade no uso de modelos

Nem todo problema precisa do modelo mais caro. Uma estratégia eficiente é separar o processo em duas etapas:

1. Planejamento (modelo mais avançado)

• Usar modelos mais caros para gerar planos e decisões
• Investir tempo em estruturar bem o problema

2. Execução (modelo mais barato)

• Usar modelos mais simples para implementar
• Reduzir custo sem perder qualidade

Esse approach funciona porque:

• Um bom plano reduz erros
• Modelos mais baratos funcionam bem com instruções claras

Além disso, reforça uma ideia importante:

O gargalo deixou de ser escrever código, agora é pensar corretamente antes de escrever.

Como incentivar inovação sem perder controle de custos?

Um caminho prático é criar espaços controlados de experimentação, como:

• Hackathons internos
• Períodos dedicados a testes
• Ambientes com limites definidos

Mas o ideal vai além disso. Empresas realmente inovadoras:

• Têm processos claros para testar ideias
• Incentivam contribuição ativa dos times
• Não punem experimentação

E, principalmente:

Inovação não vem de ferramentas, vem de ambiente e cultura.

Como decidir quando vale pagar mais caro por IA?

Ainda não existe uma fórmula perfeita. Mas algumas práticas ajudam:

• Medir impacto real no negócio (não só eficiência)
• Comparar custo vs ganho em velocidade ou qualidade
• Avaliar caso a caso

Uma heurística útil:

• Use modelos caros para decisões críticas
• Use modelos baratos para tarefas repetitivas

E sempre com um cuidado:

Otimizar custo sem entender impacto pode sair mais caro no longo prazo.

As empresas vão começar a limitar o uso de IA?

Sim, e isso já está acontecendo. Algumas formas comuns:

• Rate limits
• Budgets por time ou ferramenta
• Planos com limites de uso
• Auditoria de consumo

Isso tende a se intensificar, principalmente porque:

• Muitos custos ainda estão subsidiados
• O uso está crescendo rapidamente

Ao mesmo tempo, a IA está se expandindo para áreas além da engenharia, como:

• Financeiro
• Jurídico
• Operações

E isso aumenta ainda mais a necessidade de governança.

Como tomar decisões sem saber o ROI da IA

Aqui entra um ponto fundamental: Existem apenas duas formas de aumentar lucro:

1. Aumentar receita
2. Reduzir custos

Muitas empresas estão focando apenas na segunda. Mas a IA também permite:

• Criar novos produtos
• Explorar novas fontes de receita
• Testar ideias mais rapidamente

Ou seja:

IA não deve ser vista apenas como ferramenta de redução de custo, mas como motor de criação de valor.

Quem é responsável pelo custo da IA

Hoje, isso ainda está em definição. Mas tende a ser uma responsabilidade compartilhada:

• Engenharia → uso consciente
• Liderança → definição de orçamento e diretrizes

Esse problema já existia com cloud, e agora se repete com IA:

• Times usam sem visibilidade de custo
• Conta chega depois

A solução passa por:

• Transparência
• Alinhamento entre áreas
• Definição clara de limites

IA sozinha melhora resultados?

Não. Se os processos da empresa forem ruins, a IA apenas acelera esses problemas. Para extrair valor real, é necessário:

• Melhorar planejamento
• Alinhar times
• Definir bem o produto

Caso contrário:

A IA só vai ajudar você a errar mais rápido.

Engenheiros vão precisar pensar mais em produto

Em empresas altamente técnicas (ex: infraestrutura, deep tech), o foco técnico continua essencial. Mas na maioria dos produtos digitais o valor está em resolver problemas do cliente e não na complexidade tecnológica.

Isso exige um shift: menos foco em tecnologia pela tecnologia e mais foco em impacto no usuário.

O que muda daqui pra frente?

A forma de trabalhar com tecnologia vai mudar, e bastante. Alguns pontos que tendem a ganhar importância:

• Pensamento abstrato
• Fundamentos (estrutura de dados, lógica, arquitetura)
• Capacidade de definir problemas

Enquanto isso, coisas que perdem importância:

• Linguagens específicas
• Implementação manual repetitiva

A IA reforça uma verdade que sempre existiu:

Saber programar não é saber escrever código, é saber resolver problemas.

Conclusão

A IA não é uma solução mágica. Ela amplifica:

• Boas práticas → melhores resultados
• Más práticas → problemas maiores

Empresas que vão se destacar são aquelas que:

• Focam no produto
• Investem em planejamento
• Criam ambientes de inovação
• Usam IA com estratégia, não por hype

No fim, a pergunta não é: “Como usar IA?”

Mas sim: “Como gerar valor real com IA?”