Uma moda corporativa de “tokenmaxxing” na tecnologia de inteligência artificial está atingindo seus limites, à medida que os locais de trabalho que usam IA em tudo estão vendo os custos aumentarem sem um aumento semelhante na produtividade, de acordo com um relatório da Associated Press.
O que começou como um hype alimentado pela indústria de tecnologia na primavera de 2026 sobre extrair o máximo possível de trabalho gerado por IA de produtos como ChatGPT da OpenAI e Claude da Anthropic mudou para uma reação negativa no verão. Executivos, analistas e desenvolvedores estão agora questionando abertamente se maximizar o consumo de tokens de IA alguma vez foi uma estratégia sólida. Para obter cobertura contínua do cenário de negócios de IA, visite nossos últimos relatórios do setor de IA.
A ascensão e queda de uma moda passageira
“Tokenmaxxing” refere-se à maximização do uso de tokens – os blocos de construção da IA generativa que correspondem a pequenos pedaços de texto que um sistema de IA lê ou escreve. Cada token representa aproximadamente três quartos de uma palavra, e os provedores de IA normalmente impõem limites de uso, com assinaturas mais caras oferecendo limites mais elevados.
A tendência foi ativamente promovida por alguns dos líderes mais proeminentes da tecnologia. O CEO da OpenAI, Sam Altman, disse em maio de 2026 que estava "animado para ver o que acontecerá com as startups de tokenmaxxing, tanto pela forma como elas trabalham internamente quanto pelos produtos que podem construir". O CEO da Nvidia, Jensen Huang, declarou que “se o seu engenheiro de US$ 500 mil não está queimando US$ 250 mil em tokens, algo está errado”. A Meta, controladora do Facebook, realizou uma competição interna recompensando o alto uso de tokens.
Mas à medida que os custos se acumulavam, o entusiasmo diminuía. “À medida que as contas começaram a acumular-se, as pessoas perceberam que essas novas ferramentas são bastante caras e que é necessário utilizá-las com sabedoria”, disse Vincent Gusdorf, chefe de análise de IA da Moody's Ratings e autor de um novo relatório que recomenda uma abordagem mais disciplinada.
“É muito fácil criar algo que você não precisa com IA”, acrescentou Gusdorf.
Reação executiva
A reação foi liderada por algumas das vozes mais influentes da indústria tecnológica. O CEO da Microsoft, Satya Nadella, admitiu que o tokenmaxxing pode ser viciante, mas alertou que os clientes estão efetivamente pagando duas vezes pela IA – primeiro em gastos com tokens e, em segundo lugar, fornecendo seus dados proprietários aos fornecedores de IA. Os comentários de Nadella foram incomuns na forma como ele levantou dúvidas sobre as garantias de proteção de dados das principais empresas de IA, mesmo quando promoveu a estratégia de IA da própria Microsoft.
O CEO da Palantir, Alex Karp, foi mais longe, dizendo à CNBC que algo deu “completamente errado”. Ele disse que estava canalizando a voz das empresas americanas “furiosas” em particular sobre o pagamento de enormes somas por tokens que não criam valor.
“A visão básica entre as empresas deste país é: ‘Vou relaxar e perder meu tempo com tokens. Não receberei nenhum valor e eles obterão minha propriedade intelectual'”, disse Karp.
O diretor de tecnologia da Mozilla, Raffi Krikorian, comparou o tokenmaxxing à prática desacreditada de medir a produtividade do programador por linhas de código. “Acho que o tokenmaxxing está seguindo exatamente o mesmo padrão”, disse ele. “Acho que será um momento interessante do qual todos vamos olhar para trás e rir em um ano.”
O problema do custo em escala
O impacto financeiro torna-se acentuado à escala empresarial. A consultora de gestão da Bain & Company, Jue Wang, disse que muitas das grandes empresas que sua empresa assessora estão analisando mais de perto os retornos de seus investimentos em IA.
“O custo simbólico para eles tem dobrado quase a cada dois meses”, disse Wang. "Digamos US$ 200 por desenvolvedor por mês. Multiplique isso por 20.000 desenvolvedores, que geralmente é o que estamos lidando nessas empresas, e isso leva rapidamente a um número que não é um item de linha planejado por qualquer gerente geral."
Wang apontou um padrão comum de uso indevido: usar como padrão os modelos de IA mais poderosos – e mais caros – para tarefas que não os exigem. “Nem tudo precisa de um Claude Opus 4.6”, disse ela sobre um dos modelos mais capazes da Anthropic, adequado para engenharia de software ou pesquisa profunda. “E ainda assim você vê tantas empresas, tantos usuários, usando o Opus como padrão para tudo, inclusive para gerar e-mails.”
A ascensão do roteamento de modelo e dos pesos abertos
A pressão dos custos alimentou a procura por ferramentas de “roteamento de modelos” de IA que enviam automaticamente consultas mais simples para sistemas de IA mais baratos e eficientes, ao mesmo tempo que reservam modelos poderosos para tarefas complexas. O desenvolvedor de software Hassan El Mghari, que lidera a experiência de desenvolvedor na startup Together AI, disse que o choque das empresas com a “quantidade ridícula de dinheiro” gasta em assinaturas de produtos de IA de empresas líderes dos EUA levou muitas a repensar a abordagem de maximizar o uso.
“É melhor apenas capacitar os funcionários sobre como usar essas coisas e deixá-los usar a IA quando e quanto precisarem”, disse El Mghari.
Enquanto isso, os defensores do alto consumo de tokens estão encontrando novas munições em modelos abertos de startups chinesas como Kimi, da Moonshot, e GLM, da Zhipu, que quase igualam as capacidades dos principais modelos dos EUA por uma fração do custo. Krikorian reconheceu que há “alguma validade na teoria de que isso poderia levar o tokenmaxx um pouco mais longe”, mas afirmou que a tendência mais ampla da indústria é em direção a um uso mais disciplinado.
Lições para a empresa
O episódio do tokenmaxxing oferece um alerta para as empresas que navegam no cenário da IA. Embora os principais desenvolvedores de modelos de IA, como OpenAI e Anthropic, tenham se beneficiado do aumento no consumo, a experiência levou muitas organizações a adotar abordagens mais ponderadas – concentrando-se em casos de uso específicos em que a IA oferece retornos mensuráveis, em vez de maximizar as métricas de uso bruto.
À medida que o ciclo inicial de entusiasmo pela IA dá lugar à implementação pragmática, as empresas bem-sucedidas podem ser aquelas que tratam a IA como uma ferramenta de precisão e não como um instrumento contundente, combinando o modelo certo com a tarefa certa e mantendo um olhar atento sobre a fatura.
