Amortizando uma alucinação

Estamos ajustando nosso EBITDA para dar conta de um papagaio sofisticado que leu a internet.

E não é só a minha empresa. Somos nós, o setor inteiro. Em toda empresa do planeta, o item que mais cresce no orçamento é uma coisa que não existia três anos atrás, não tem mesa e se recusa terminantemente a explicar o próprio preço.

Sua empresa está tentando amortizar uma alucinação. Em algum lugar no fim do corredor, o financeiro está trancado numa sala sem janelas, suando em cima de planilhas, tentando descobrir como capitalizar uma vibe.

O Gartner diz que o gasto global com IA este ano é de $2,52 trilhões.¹ Uma alta de 44% em relação ao ano passado. Só que apenas 14% dos CFOs relatam um ROI claro e mensurável.² Noventa e cinco por cento dos pilotos de IA generativa não entregam impacto concreto no resultado.³

Estamos gastando numa escala inédita com algo que não conseguimos rastrear direito. E isso está prestes a ficar seis vezes pior.

Para cada dólar em ferramentas, seis no trabalho

A Sequoia publicou semana passada um texto chamado “Services: The New Software”. É um mapa do tesouro brilhante que mostra exatamente onde a corrida do ouro da IA está acontecendo. O que ele deixa de fora é que os CFOs das empresas são os obrigados a financiar as pás no escuro.

A tese deles é simples: para cada dólar que uma empresa gasta com ferramentas de software, ela gasta seis dólares com os serviços que essas ferramentas apoiam. Uma licença de $10 mil do QuickBooks não é nada perto dos $120 mil do contador que de fato fecha os livros. Então a oportunidade real da IA não é fazer um QuickBooks melhor. É fazer a coisa que fecha os livros.

Para ficar claro, você não está só substituindo o Jim da Contabilidade. Você está trocando o Jim por um algoritmo que processa um milhão de notas por segundo, bebe gim virtual, não faz ideia do que é dinheiro e se recusa agressivamente a mostrar o raciocínio. O salário de $120 mil do Jim acabou. Agora você paga $400 mil em chamadas de API a uma entidade que não dá para colocar num plano de melhoria de desempenho.

A Sequoia chama isso de “autopilots”. Não são copilotos que ajudam um profissional a fazer o trabalho, são pilotos automáticos que entregam o resultado direto. Redigir o NDA. Processar o sinistro. Triar o chamado de TI. O comprador já não é o escritório de advocacia nem o corretor. É a empresa que precisa do serviço feito.

Eles mapearam o mercado total, e é enorme. Corretagem de seguros: $140–200B. Serviços gerenciados de TI: $100B+. Contabilidade e auditoria: $50–80B. Recrutamento: $200B+. Consultoria de gestão: $300–400B.

Vá ler, o arcabouço é fenomenal. Mas quero falar da parte que fica de fora: como exatamente você consegue uma nota fiscal detalhada de uma ave?

3.600 fotocopiadoras

Ontem à noite, fiquei meio descontrolado no LinkedIn por causa de fotocopiadoras. A metáfora: as empresas estão encomendando 600 fotocopiadoras sem saber o que querem imprimir. O gasto com IA está explodindo, e ninguém liga isso à receita.

Eu estava pensando pequeno. A proporção de 6:1 da Sequoia muda a conta.

Digamos que você tenha 600 engenheiros. Você dá a cada um um assistente de código de $20 por mês. São $144 mil por ano. É bastante, mas dá para rastrear. Você sabe quem tem licença. Sabe o que cada um entregou. Seu CFO consegue traçar uma linha reta do gasto até o plano de contratação.

Agora aplique o 6:1.

Esses $144 mil em ferramentas implicam $864 mil em serviços de IA: a contabilidade terceirizada em piloto automático, o suporte de TI agêntico, o tratamento automatizado de sinistros. Esse dinheiro não fica numa linha de headcount. Ele chega como nota de fornecedor, fatura de API e contrato de consultoria sem nenhuma ligação com um projeto, um produto ou um resultado financeiro.

Você não comprou 600 fotocopiadoras. Comprou 3.600. E 3.000 delas estão num campo qualquer, emperradas, imprimindo páginas em branco ao vento, cobrando $140 por hora de “vazão estratégica” e mandando notas para o seu contas a pagar com o assunto “Transformação com IA, NÃO RESPONDA”.

79% do gasto total com IA. 0% atribuído.

A lacuna de visibilidade

Existem duas linhas de tendência na IA corporativa que, por lei, não deveriam poder aparecer no mesmo gráfico.

Uma linha dispara na vertical. A outra mal se mexe. O espaço entre elas, uns $2 trilhões, é dinheiro que foi para algum lugar, e ninguém no financeiro sabe explicar onde. São as despesas do papagaio. São os honorários de consultoria do liquidificador. São $2 trilhões de “olha, os resultados estão ótimos, a gente pode falar disso no próximo trimestre?”.

O mapa da Sequoia tem um eixo faltando

O mapa de oportunidades da Sequoia se apoia em duas dimensões: quanto do trabalho é “inteligência” (baseado em regras) em comparação com “julgamento” (instinto), e quanto já é terceirizado. Os autopilots ganham onde a inteligência é alta e o trabalho já é terceirizado. Troca de fornecedor sem atrito.

Ótimo arcabouço. Mas falta uma dimensão.

O terceiro eixo é a dificuldade de atribuir custo. E ele se correlaciona exatamente com a coisa errada.

Eixo X: facilidade de automatizar com IA. Eixo Y: dificuldade de atribuir custo. Quanto mais fácil automatizar, mais difícil contabilizar.

Os setores que a Sequoia apontou como as maiores minas de ouro dos autopilots são exatamente os mesmos em que atribuir custo é um pesadelo completo. Corretagem de seguros? O custo de computação de IA por apólice é invisível. Serviços gerenciados de TI? O consumo de tokens por chamado é impossível de saber sem uma ferramenta que não existe. E a contabilidade, cuja ironia deveria doer fisicamente, tem a pior atribuição de todas, porque várias ferramentas de IA tocam em cada trabalho e ninguém registra qual papagaio de fato conciliou o razão.

A Sequoia mapeou para onde o dinheiro vai fluir. Este gráfico mapeia onde ele vai sumir.

Autopilots pioram o problema, não melhoram

É a parte a que eu sempre volto.

Com um copiloto, digamos a Harvey vendendo para um escritório de advocacia, você tem rastro de papel. Uma licença por usuário. Um profissional que usou a ferramenta. Um número de processo. Três linhas de custo, um resultado. Chato de conciliar, mas totalmente possível.

Com um autopilot, uma IA vendendo o NDA pronto direto para a empresa, você compra o resultado às cegas. Uma fatura. Sem detalhamento. Você paga tarifa de McKinsey por um liquidificador que engoliu um dicionário de sinônimos e não tem ideia de quanto foi computação, quanto foi revisão humana e quanto foi o próprio liquidificador.

Por padrão, esse custo cai em despesa operacional.

Se o seu financeiro não consegue provar que ele se qualifica como P&D ou como desenvolvimento de software capitalizado pela IAS 38 ou pela ASC 350-40, é pancada direta no resultado. Sua margem cai. Você perde créditos fiscais de P&D que valem de 6 a 10% do gasto elegível. O dinheiro escorre pelo vão entre “compramos um resultado” e “não conseguimos provar quanto custou produzi-lo”.

Mesmo gasto. $250 mil de diferença no impacto sobre a margem.

Imagine a reunião do conselho. Seu CFO está suando numa camisa que custou mais que o aluguel da maioria das pessoas, tentando explicar por que o EBITDA caiu 8% apesar da produção recorde. A resposta de verdade, “um leitor de PDF senciente decidiu que merecia um bônus do Q3 e a gente é obrigado por lei a classificar as vibes dele como despesa operacional”, não vai cair bem com investidores institucionais. Então ele diz “estamos investindo numa transformação nativa de IA”. Todo mundo concorda com a cabeça, e ninguém faz pergunta nenhuma porque ninguém sabe qual pergunta fazer.

Já passamos por isso (mais ou menos)

Em 2014, as empresas adotaram a nuvem sem governança de custo. As faturas da AWS dobravam todo ano. Os CFOs recebiam notas que não conseguiam alocar a um time, quanto mais a um produto.

Mas olha só: a nuvem era só alugar o computador de outra pessoa. Quando uma instância EC2 esquecida ficava rodando por seis meses, ela só… ficava ali. Custando dinheiro, mas inerte. Em 2014, o pior cenário era deixar um servidor ligado no fim de semana e desperdiçar $5.000.

A IA não é inerte. Em 2026, o pior cenário é você ter esquecido de demitir um consultor virtual da McKinsey que há seis meses alucina 40.000 tíquetes inúteis no Jira e cobra por token. Ele não fica ocioso. Ele toma decisões. Você emprega um fantasma que trabalha 24/7, gera besteira com toda a confiança em escala e não pode ser demitido porque ninguém lembra quem o contratou.

Em 2018, FinOps já era uma disciplina. Em 2020, ninguém colocava uma carga na nuvem sem uma tag de alocação de custo. O setor construiu uma camada inteira de governança porque o gasto sem rastreio na nuvem estava matando as margens.

A IA precisa da mesma coisa. Só que a curva é mais íngreme.

A nuvem chegou ao seu momento de governança com cerca de 3,4 vezes o gasto inicial. A IA já passou de 5 vezes e não existe nada equivalente.

E é fundamentalmente mais difícil que a nuvem por um motivo: os custos de IA não são custos de infraestrutura. São custos de mão de obra usando outro chapéu.

O piloto automático que fecha os livros antes era uma pessoa. Uma pessoa no seu plano de headcount, no seu modelo de capitalização de P&D, na sua declaração de crédito fiscal. Uma pessoa que seu time de planejamento de força de trabalho conseguia prever. Uma pessoa que, e isso é crucial, aparecia numa 1:1, explicava no que vinha trabalhando e aceitava feedback.

Agora essa pessoa é o seu contratado mais caro: uma nuvem de matemática que nunca dorme, se recusa a preencher timesheet, de vez em quando faz gaslighting com os juniores e não pode ser colocada num PIP. O trabalho continua sendo feito. A estrutura de custo mudou de “salário + benefícios” para “tokens + chamadas de API”. Mas ninguém atualizou o modelo de força de trabalho porque, sendo honesto, o que você coloca no campo “cargo”? Trabalhador do conhecimento incorpóreo (propenso a alucinar)?

Como você faz planejamento de headcount quando metade do seu “headcount” é uma chamada de API? Como você prevê capacidade quando quem faz o trabalho cobra por milissegundo, escala de forma imprevisível e às vezes simplesmente inventa coisas?

Isso não é um problema de finanças, e não é um problema de engenharia. É um problema de Workforce Engineering. E é o que quase ninguém está resolvendo.

A piada final

A Sequoia tem razão. O mercado de serviços faz o de software parecer pequeno. Os autopilots vão capturar orçamentos de trabalho que valem seis vezes os orçamentos de ferramentas pelos quais todo mundo vem brigando.

Mas alguém precisa dar conta dos livros. Não dos livros gerados por IA, dos livros de verdade. Aqueles em que você explica ao conselho em que gastou $864 mil, a qual projeto isso se ligou, se qualifica como CapEx e quanto dá para recuperar em créditos de P&D.

Porque, hoje, estamos todos mandando milhões para uma nuvem de matemática cheia de opiniões. Não vemos os timesheets dela. Não conseguimos auditar a metodologia. E, se pedirmos que explique o preço, ela vai gerar um poema muito confiante sobre sinergia.

As fotocopiadoras continuam imprimindo. Agora são 3.600. E o papagaio acabou de mandar outra nota.

Will Hackett é CTO e cofundador da Flowstate, uma plataforma de Workforce Engineering para times de engenharia modernos.

Gartner, “Worldwide AI Spending Will Total $2.5 Trillion in 2026,” January 2026. ↩
RGP, “The AI Foundational Divide: From Ambition to Readiness,” December 2025. Pesquisa com 200 CFOs dos EUA em tecnologia, saúde, serviços financeiros e varejo/bens de consumo ($500M–$10B+ de receita). ↩
MIT 2025 AI Report, as cited in Stanford HAI research. ↩