O cenário que pegou empresas desprevenidas
Em 2024 e 2025, experimentar com IA generativa era barato. Assinaturas corporativas com limites generosos, créditos promocionais e APIs com preços baixos criaram a impressão de que escalar seria uma questão de integração, não de orçamento. Quando empresas começaram a mover agentes de IA — sistemas que planejam, chamam ferramentas, iteram e decidem autonomamente — para processos de missão crítica, a equação mudou.
A Pegasystems, uma das fornecedoras enterprise que mais vocalizou o tema em 2026, descreve o fenômeno como "tokenmaxxing": modelos que consomem tokens de raciocínio (reasoning tokens) de forma opaca, cobrados além dos tokens de entrada e saída visíveis. Um agente que parece executar uma tarefa simples pode disparar dezenas de chamadas internas ao LLM, cada uma gerando custo.
O alerta não vem só de vendors. O relatório Global AI Pulse Q2 2026 da KPMG mostra que 76% dos executivos veem valor comercial na IA, mas apenas 7% alcançaram ROI claro. Entre empresas com visibilidade completa dos custos operacionais de IA, 15% atingiram retorno mensurável — contra 3% das que não compreendem quanto gastam. Transparência de custo virou preditor de sucesso.
A "taxa de tokens" e por que agentes amplificam o problema
Chatbots e copilots consomem tokens de forma relativamente previsível: prompt do usuário, resposta do modelo, fim. Agentes operam em loop. Recebem um objetivo, decompõem em sub-tarefas, consultam APIs, relêem contexto acumulado, corrigem erros e tentam de novo. Cada iteração consome tokens — e quanto mais autonomia você dá ao agente, mais iterações ele pode fazer antes de concluir ou falhar.
O modelo de precificação por token transforma essa variabilidade em risco financeiro. Um workflow que custava centavos em demo pode custar dezenas de dólares em produção com volume real, especialmente quando:
- O agente mantém contexto longo entre etapas (janela de contexto grande = mais tokens por chamada).
- O raciocínio é delegado ao runtime em vez de ser codificado no fluxo.
- Falhas silenciosas geram retentativas automáticas sem limite de budget.
- Múltiplos agentes se comunicam entre si, multiplicando chamadas.
A diferença entre demo e produção: em prova de conceito, você testa cenários felizes com poucos usuários. Em produção, exceções, inputs malformados e edge cases disparam loops de raciocínio que nunca apareceram no piloto. É aí que a fatura explode — frequentemente no mesmo trimestre em que o CFO pede previsibilidade de budget.
O que os números do mercado mostram
Os dados convergem em uma narrativa incômoda para quem apostou em agentes como substituto imediato de automação tradicional:
| Indicador | Fonte | Implicação |
|---|---|---|
| 49% adiaram/reduziram planos de agentes de IA | KPMG Q2 2026 | Custo esperado superou valor previsto |
| 35% compreendem totalmente custos operacionais de IA | KPMG Q2 2026 | Maioria opera no escuro financeiro |
| 30%+ abandonam projetos GenAI pós-POC | Gartner | Pilotos não sobrevivem à escala |
| Economia de 20x com arquitetura alternativa | Pega (casos reportados) | Design time vs token-metered runtime |
A Pegasystems respondeu com o Pega Infinity 26 e a arquitetura "Predictable AI": cobrança por caso concluído, não por token consumido. A lógica é transferir o raciocínio pesado para o design time — quando o fluxo é modelado — e manter o runtime determinístico, acionando LLMs apenas em pontos específicos (processar documento, sintetizar, classificar). Não é marketing isolado: reflete uma tensão real do mercado entre flexibilidade dos agentes e previsibilidade que CFOs exigem.
Design time vs runtime: a virada arquitetural
O debate sobre custos de agentes esbarra numa escolha de engenharia que muitas equipes adiaram na fase de experimentação:
- Abordagem agent-first: o LLM decide o fluxo em runtime. Máxima flexibilidade, mínima previsibilidade. Ideal para exploração, arriscada para processos regulados ou de alto volume.
- Abordagem workflow-first: o fluxo é definido explicitamente; o LLM executa tarefas delimitadas dentro dele. Menos "mágica", mais controle de custo e auditoria.
- Abordagem híbrida: orquestrador determinístico com agentes invocados em pontos específicos, com limites de tokens, timeout e budget por execução.
O Model Context Protocol (MCP), adotado por Pega, Anthropic, Google e AWS em 2026, adiciona uma camada de interoperabilidade: agentes externos podem invocar workflows governados sem recriar toda a lógica de negócio dentro do prompt. Isso reduz duplicação de raciocínio — e, indiretamente, tokens desperdiçados re-explicando regras que já existem no ERP ou no BPM.
Para empresas brasileiras de médio porte, a lição prática é que agente autônomo genérico raramente é o primeiro passo certo. Automatizar primeiro o que é determinístico, usar LLM onde há ambiguidade real (texto não estruturado, classificação sem regra clara) e medir custo por transação desde o piloto evita a surpresa que derrubou quase metade dos roadmap de agentes no último trimestre.
O que fazer antes de escalar agentes
Antes de aprovar budget para agentes em produção, quatro controles separam projetos sustentáveis de experimentos caros:
- Defina teto de custo por execução: limite de tokens, timeout e alerta quando uma transação ultrapassar threshold. Sem isso, um loop infinito vira incidente financeiro.
- Separe piloto de produção no billing: use contas/projetos distintos na API para enxergar onde o dinheiro vai.
- Modele o workflow antes de "deixar a IA decidir": quanto mais raciocínio você codifica no design, menos tokens o runtime consome.
- Exija métrica de negócio, não só de tecnologia: custo por caso resolvido, tempo economizado, taxa de escalação para humano. ROI exige denominador financeiro.
Agentes de IA enterprise não falharam como conceito — falharam como item de linha de orçamento previsível na arquitetura predominante de 2025. Quem repensar design time, governança e modelo de custo antes de escalar terá vantagem sobre quem ainda trata token como detalhe técnico irrelevante.