Tokenmaxxing: quando usar mais inteligência artificial não significa produzir mais

Durante os últimos anos, muitas empresas incentivaram seus funcionários a usar inteligência artificial em praticamente tudo.

A lógica parecia simples: quanto mais IA fosse utilizada, mais rápido as equipes aprenderiam, automatizariam tarefas e aumentariam sua produtividade.

Algumas empresas chegaram a acompanhar o consumo de tokens como um indicador de adoção. Em outras palavras, gastar mais tokens poderia ser interpretado como sinal de que o funcionário estava usando melhor as novas ferramentas.

Esse movimento ficou conhecido como tokenmaxxing.

Agora, empresas como Amazon, Walmart, Uber, Meta, Microsoft e Cisco estão começando a perceber um problema: consumir mais inteligência artificial não significa necessariamente produzir mais resultado.

Afinal, o que são tokens?

Tokens são pequenas unidades de texto processadas por modelos de inteligência artificial.

Quando uma pessoa envia uma pergunta, anexa um documento ou solicita que um agente execute uma tarefa, o sistema consome tokens para interpretar a entrada, analisar o contexto e gerar uma resposta.

Quanto maior o texto, o histórico e o raciocínio necessário, maior pode ser o consumo.

Individualmente, esse custo parece pequeno. Mas imagine milhares de funcionários usando agentes de IA durante o dia inteiro, executando tarefas longas, lendo grandes bases de dados e repetindo processos.

A conta cresce rapidamente.

O caso da Uber

A Uber foi uma das empresas que adotaram intensamente ferramentas de IA para desenvolvimento de software.

Segundo o Financial Times, a empresa consumiu todo o orçamento de IA previsto para 2026 já em abril. Ou seja, os gastos de um ano em apenas quatro meses. Depois disso, passou a limitar em US$ 1.500 por mês o gasto individual de funcionários em determinadas ferramentas.

O caso não significa que a IA tenha deixado de funcionar para a empresa.

Pelo contrário: a Uber afirma ter quadruplicado o uso de ferramentas avançadas de IA desde o começo do ano e dobrado a produção de código de seus engenheiros. Ao mesmo tempo, passou a reduzir o custo por token usando modelos mais baratos, cache de prompts e configurações mais eficientes.

A mudança está na pergunta feita pela empresa.

Amazon, Walmart e Meta também pisaram no freio

O Walmart limitou o uso do seu agente interno de programação depois que o consumo cresceu rapidamente. A empresa passou a orientar seus funcionários a escolher a ferramenta mais adequada para cada tarefa, em vez de simplesmente utilizar o modelo mais avançado disponível.

A Amazon também precisou rever sua abordagem depois que funcionários começaram a usar agentes para subir em rankings internos de adoção. A empresa orientou suas equipes a não usarem IA apenas para demonstrar que estavam usando IA.

A Meta tomou medidas semelhantes, reduzindo incentivos ligados ao volume e aumentando a atenção sobre custos e utilidade.

Em uma empresa de software chamada Workato, a mudança de um plano fixo para cobrança baseada em tokens fez o gasto com IA aumentar sete vezes em apenas um dia.

Esses exemplos mostram que o problema não está apenas nos modelos. Muitas vezes, ele está na forma como a empresa mede o sucesso.

Mais tokens não garantem uma resposta melhor

Uma pesquisa publicada pela Microsoft analisou o consumo de oito modelos avançados em tarefas de programação.

Os agentes chegaram a consumir mil vezes mais tokens do que interações comuns de análise e conversa sobre código.

Mais importante: ao repetir exatamente a mesma tarefa, o consumo podia variar em até 30 vezes. Mesmo assim, gastar mais tokens não produzia necessariamente uma resposta mais correta. Em muitos casos, a qualidade atingia um limite enquanto o custo continuava subindo.

Outro estudo encontrou um problema curioso: em 21,8% das comparações, o modelo com preço anunciado mais baixo acabou gerando um custo total maior.

Em um dos testes, um modelo anunciado como 78% mais barato terminou a tarefa custando 22% mais, porque usou uma quantidade muito maior de tokens de raciocínio.

Ou seja: olhar apenas para o preço por token também pode enganar.

O problema não é usar muita IA

Seria um erro concluir que as empresas devem restringir o uso de inteligência artificial ou voltar aos processos antigos.

A IA pode acelerar pesquisas, gerar códigos, analisar documentos, automatizar tarefas e melhorar o atendimento. O problema começa quando o uso vira um fim em si mesmo.

É parecido com medir a produtividade de um time de marketing pela quantidade de anúncios publicados.

Mais anúncios podem gerar mais vendas. Mas também podem gerar desperdício, mensagens repetidas e campanhas sem direção.

A quantidade só faz sentido quando está ligada a um resultado.

Como evitar o tokenmaxxing na sua empresa

A solução não é simplesmente estabelecer um limite de tokens. É criar uma estratégia de uso.

Nem toda atividade exige o modelo mais poderoso e caro.

Organizar informações, classificar mensagens ou revisar um pequeno texto pode ser feito com modelos mais simples. Os modelos avançados devem ficar para tarefas que realmente exigem mais capacidade.

Enviar documentos inteiros, históricos enormes e informações repetidas aumenta o consumo e pode até confundir o modelo.

Uma pesquisa da Microsoft mostrou que transformar longos históricos em informações estruturadas pode reduzir o uso de memória e melhorar a qualidade das respostas.

Prompts padronizados, bases bem organizadas, cache e automações reutilizáveis evitam que a IA precise interpretar as mesmas informações do zero em todas as solicitações.

Em vez de acompanhar apenas tokens consumidos, a empresa deve observar:

Um agente que gasta dez vezes mais tokens, mas não melhora nenhum desses indicadores, não está sendo mais produtivo. Está apenas sendo mais caro.

A nova fase da inteligência artificial

No início da adoção, fazia sentido incentivar as equipes a experimentar.

As empresas precisavam descobrir possibilidades, testar ferramentas e aprender rapidamente. Algum desperdício era praticamente inevitável.

Mas o mercado está entrando em uma nova fase.

A inteligência artificial começa a ser tratada como qualquer outro recurso empresarial: precisa de orçamento, planejamento, acompanhamento e retorno.

Porque, no fim, tokens são apenas consumo.

Valor é o que acontece depois deles.