João Miguel Mesquita
O investimento em Inteligência Artificial (IA) está a afastar-se rapidamente do modelo de software convencional, baseado em licenças fixas por utilizador. À medida que as organizações evoluem da utilização de copilotos básicos para a implementação de fluxos de trabalho integrados e agentes autónomos, a estrutura de custos altera-se de forma profunda e estrutural. Nestes novos ambientes, uma única instrução de um utilizador pode desencadear múltiplas chamadas a modelos de linguagem, processos de recuperação de informação, tentativas de correção de erros e eventos de infraestrutura. Por este motivo, ferramentas que aparentam ser acessíveis em fase de teste piloto podem revelar-se insustentáveis quando ligadas a sistemas de produção ou quando operam com menor supervisão humana.
Do ponto de vista da gestão de sistemas de informação, a tecnologia de IA introduz um modelo financeiro não linear e diretamente associado à atividade do negócio. O sucesso nesta nova era exige a transição do planeamento orçamental tradicional de TI para uma disciplina ativa de FinOps, onde o consumo, o valor e a governação são monitorizados em tempo real.
Dentro do panorama empresarial, a utilização de IA divide-se tipicamente em três grandes categorias: ferramentas genéricas como copilotos, IA integrada em plataformas de software como serviço (SaaS) e soluções personalizadas para fluxos de trabalho específicos. Esta última categoria é a que regista o maior crescimento, sendo também aquela onde o modelo de faturação se transformou de forma mais evidente, passando do custo fixo por licença para o consumo de frações de dados ou pacotes de processamento, conhecidos no setor como tokens.
A previsibilidade oferecida pelo modelo de licenças desaparece com a faturação por consumo, que varia consoante a complexidade das instruções, a extensão das respostas, o modelo selecionado e o desenho do próprio fluxo de trabalho. Os decisores tecnológicos devem focar-se na mecânica dos fluxos de trabalho e no número de decisões tomadas pelos agentes por tarefa, em vez de se guiarem apenas pelo número de utilizadores.
Os projetos-piloto tendem a apresentar resultados financeiros ilusórios porque habitualmente testam apenas os cenários ideais e controlados. Em ambiente de produção real, os agentes de IA frequentemente cometem erros, sofrem alucinações de dados ou interpretam incorretamente as instruções, o que os obriga a rever o trabalho e a repetir processos.
Enquanto a interação com um copiloto comum se resume a uma pergunta e a uma resposta, um fluxo de trabalho autónomo pode envolver árvores de decisão complexas, execução de tarefas em sequência ou paralelo e chamadas a subagentes. Um único objetivo final confiado a um agente autónomo pode resultar em dezenas ou centenas de chamadas a modelos de IA, multiplicando exponencialmente os custos em comparação com uma consulta simples de copiloto. Torna-se, por isso, indispensável que as equipas de engenharia modelem os caminhos de falha antes da implementação definitiva, definindo limites de tentativas e regras de intervenção humana.
Para lá da análise histórica de despesas, a eficácia do controlo financeiro em IA depende de decisões de engenharia. Os painéis de controlo retroativos e a imputação de custos tradicionais são insuficientes para a IA, sendo obrigatório integrar limites de consumo diretamente na arquitetura técnica. Isto inclui a configuração de limites máximos de processamento de dados, restrições ao número de repetições automáticas e a suspensão de processos em segundo plano.
Na componente de infraestrutura, as unidades de processamento gráfico (GPU), altamente dispendiosas, mantêm-se muitas vezes ativas e a consumir energia sem necessidade, apenas para garantir capacidade de resposta imediata. Para mitigar esta ineficiência, recomenda-se o uso de ferramentas de escalamento automático que reduzam o consumo destes recursos para zero no momento em que a procura cessa. Adicionalmente, o controlo passa por evitar a utilização sistemática do modelo mais avançado e dispendioso para tarefas simples que poderiam ser resolvidas por opções mais económicas. Utilizar sistematicamente o modelo mais potente para todas as tarefas equivale a alocar o engenheiro sénior mais caro do mercado apenas para alterar cores simples de estilo visual num sítio Web.
A questão central para as organizações reside em evitar o desperdício de recursos computacionais em casos de uso que não geram retorno real. Rastrear o consumo de dados por departamento indica quem utilizou a tecnologia, mas não revela a relevância desse consumo para o negócio.
Para contrariar esta falta de visibilidade, as organizações necessitam de manter um inventário atualizado de IA que associe cada fluxo de trabalho, modelo e fornecedor ao respetivo valor e impacto financeiro nas operações. Novos projetos de IA devem ser submetidos a um processo rigoroso de avaliação conjunta entre as áreas técnica, financeira e de operações, garantindo uma monitorização contínua desde a fase de teste até à produção. O escrutínio financeiro deixa de focar-se apenas na redução da fatura tecnológica e passa a centrar-se na identificação clara de qual o consumo que efetivamente gera valor económico para a organização.
