Existe uma ideia sedutora no centro da atual revolução da Inteligência Artificial: a de que a inteligência está ficando barata. À medida que modelos mais capazes ficam mais baratos, os tokens custam menos, novas arquiteturas surgem e sistemas de Inteligência Artificial passam a executar uma quantidade crescente de tarefas, consolida-se uma percepção quase intuitiva: estamos diante da comoditização da inteligência. Mas o que exatamente estamos chamando de inteligência?
Talvez o problema esteja na própria pergunta. Estamos chamando de inteligência aquilo que, na maior parte das vezes, é apenas informação organizada em uma resposta. E informação organizada em uma resposta tem uma unidade de produção, com preço e nome: o token. Ele é a matéria-prima; a inteligência é o que se faz com ela. Essa diferença, que parece semântica, pode ser uma das questões mais estruturais, econômicas e até filosóficas de todo esse contexto da era atual.
É a partir dessa contradição que este artigo se desenvolve. Não para discutir se a Inteligência Artificial está ficando mais barata (os dados já mostram que partes importantes dessa afirmação são verdadeiras), mas para perguntar: o que exatamente está ficando barato, o que continua caro e onde está se concentrando o verdadeiro custo da inteligência quando a informação passa a estar disponível em escala?
Quando a eficiência expande o gasto: uma lição de 1865
Em 1865, o economista inglês William Stanley Jevons publicou The Coal Question, um estudo sobre um fenômeno que intrigava a Grã-Bretanha industrial. As máquinas a vapor de James Watt haviam se tornado radicalmente mais eficientes. Cada tonelada de carvão produzia muito mais trabalho mecânico do que décadas antes. A expectativa era óbvia: se a mesma quantidade de energia útil exigia menos carvão, o consumo total de carvão deveria cair. Aconteceu o oposto. A eficiência tornou o vapor tão mais barato e tão mais útil que passou a ser aplicado a um número crescente de fábricas, ferrovias e processos que antes não o justificavam economicamente. A Inglaterra queimou mais carvão depois de Watt, não menos.
Jevons percebeu algo que continua incômodo: eficiência e consumo agregado nem sempre andam em direções opostas. Em certas condições, tornar um recurso mais barato não reduz seu uso total; ao contrário, expande as fronteiras de onde ele passa a ser usado. O carvão do século XIX tem, nessa lógica, um equivalente contemporâneo: o token.
O token é a unidade básica de medida da Inteligência Artificial generativa: cada palavra, sílaba ou símbolo que um modelo processa ou gera corresponde a uma fração padronizada de computação, e é por isso que os provedores cobram “por token”. Nos últimos anos, o preço desse insumo caiu de forma dramática. Modelos que em 2020 custavam dezenas de dólares por milhão de tokens hoje podem ser acessados por poucos dólares e, em alguns casos, por centavos, dependendo da camada de capacidade escolhida. Essa queda não é marginal: trata-se de uma redução de ordem de grandeza, na faixa de 90% ou mais ao longo de menos de uma década.
Do ponto de vista econômico, essa trajetória é o ingrediente central do que se pode chamar de paradoxo do custo marginal da inteligência. Se o custo de “mais um token” cai continuamente, a tendência esperada seria que o gasto total com Inteligência Artificial também caísse ou, ao menos, se estabilizasse. O que se observa, porém, é o oposto: as contas de IA das empresas não param de subir, mesmo com o preço unitário do token em queda livre. A explicação está na forma como a tecnologia é usada. À medida que o token fica mais barato, ele deixa de ser um recurso escasso e passa a ser empregado em tarefas maiores, mais complexas e mais repetitivas.
Sistemas que antes liam apenas trechos curtos de texto agora digerem documentos inteiros, bases de conhecimento e históricos longos de conversa; modelos que antes eram acionados pontualmente passam a operar de forma contínua, em cadeias de raciocínio, em múltiplas tentativas e em fluxos de decisão automatizados. Se os modelos realmente caminharem para a condição de commodities, o recurso escasso deixará de ser o acesso à capacidade de processamento e passará a ser transformar essa abundância em inteligência contextualizada, confiável e capaz de produzir decisões melhores.
Talvez, portanto, o custo da inteligência não esteja desaparecendo. Talvez esteja apenas mudando de lugar. É essa migração que o paradoxo do custo marginal da inteligência tenta descrever: o barateamento do token não reduz a conta total; ele a desloca para novas camadas de uso, complexidade e dependência.
O custo oculto: da informação à inteligência
Como dito antes, o token é apenas informação. Informação é o que entra e sai do modelo: palavras, números, trechos de documento, respostas formatadas. Inteligência, por sua vez, é outra coisa. É a capacidade de transformar essa informação em decisão, contexto e ação confiável dentro de um ambiente real. A diferença parece pequena, mas muda completamente a equação.
Um modelo pode produzir uma resposta em poucos segundos, mas uma resposta não existe no vácuo. Para que ela se transforme em uma decisão útil, são necessários contexto, dados confiáveis, memória, objetivos claros, processos, limites, governança e, em muitos casos, alguém capaz de interpretar suas consequências. A Inteligência Artificial pode tornar extraordinariamente barata a produção de uma resposta sem tornar igualmente barata a construção de tudo aquilo que faz aquela resposta ter significado.
Ainda na década de 1980, o filósofo John Searle propôs um experimento mental que ajuda a nomear esse desconforto: imagine alguém trancado numa sala recebendo símbolos em chinês pela porta e devolvendo outros símbolos, seguindo à risca um manual de regras. De fora, a sala parece “entender” chinês. De dentro, não há entendimento algum; há apenas manipulação correta de símbolos. A pergunta que Searle deixou em aberto é a mesma que ronda cada resposta gerada por um modelo de linguagem hoje: seguir a regra perfeitamente é o suficiente para dizer que houve compreensão? Se a resposta for “não”, então boa parte do que chamamos de “Inteligência Artificial” é, na verdade, informação processada em escala, e é aí que o custo real começa.
Segundo a EY, um fluxo linear simples de 2023 custava cerca de US$ 0,04 por interação; um sistema orquestrado de 2026, com ferramentas, raciocínio e loops iterativos, chega a US$ 1,20 por interação, quase 30 vezes mais caro, mesmo com tokens mais baratos. Isso ajuda a explicar por que, segundo a Gartner, cerca de 40% dos projetos de agentes de IA deverão ser cancelados até 2027.
O preço da inteligência está espalhado em camadas de engenharia, governança, integração e operação que raramente entram na conta inicial. É nessas camadas que o custo da inteligência tem se concentrado, e é aí que o paradoxo ganha corpo. E se a Inteligência Artificial estiver tornando a informação mais barata exatamente no momento em que está tornando mais caro e mais complexo produzir inteligência de verdade?
A conta que ainda não sabemos ler
Toda tecnologia nova cria um vácuo de vocabulário antes de criar um vácuo de valor. Estamos medindo um fenômeno novo com os instrumentos de um fenômeno antigo, e a revolução atual da Inteligência Artificial talvez esteja acontecendo mais rápido do que a nossa capacidade de compreendê-la.
Há algo de irônico nisso. Se o paradoxo de Jevons ensinou algo à Inglaterra do século XIX, foi que tornar um recurso mais barato nunca é o fim de uma história econômica; é o começo de outra, mais difícil de enxergar, porque se desloca para onde ninguém está olhando. E essa cegueira não é acidental, é estrutural.
A pergunta que resta não é quanto a Inteligência Artificial vai custar, nem aonde ela pode chegar: é se já temos os conceitos necessários para saber para quê, como e onde iremos utilizá-la.
Fabio Bessa
