Quando a conta de IA supera o salário do desenvolvedor

Em junho de 2026, a Gartner publicou uma previsão que mudou o tom das conversas sobre orçamento de tecnologia. Até 2028, o custo de codificação assistida por inteligência artificial deve superar o salário médio de um desenvolvedor. A causa apontada não é o preço dos modelos isoladamente, mas a combinação entre consumo crescente de tokens e a migração do licenciamento por assento para o licenciamento por consumo.

O presente já dá a dimensão. Na mesma pesquisa, quase um quarto dos líderes de tecnologia relata gastar entre 200 e 500 dólares por desenvolvedor a cada mês apenas em tokens de codificação, e cerca de 6% ultrapassam 2.000 dólares mensais por pessoa.

A leitura apressada desse número é que a inteligência artificial ficou cara. A leitura útil é outra: o preço deixou de ser fixo e virou função do desenho. Duas organizações que atendem o mesmo volume com a mesma qualidade podem ter faturas muito diferentes, e a diferença mora na arquitetura, não no fornecedor.

Produtividade e economia não são a mesma coisa

A previsão vem acompanhada de uma observação que merece atenção maior do que o número. Segundo a consultoria, a disciplina de consumo não surge da escolha individual de quem desenvolve, porque a tendência natural é otimizar por velocidade e conveniência, não por eficiência de custo. Sem um modelo operacional governado, o custo cresce mais rápido do que o ganho de produtividade que a ferramenta deveria entregar.

Isso não é uma crítica ao uso de inteligência artificial, e não deveria ser lido como tal. O ganho de produtividade é real e mensurável em muitas equipes. O ponto é que produtividade e redução de custo são resultados diferentes, e tratá-los como sinônimos produz um business case que não se sustenta na revisão orçamentária.

Há precedente para esse padrão. A adoção de nuvem reduziu a compra de servidores e criou uma conta mensal de consumo que passou a exigir gestão própria. A adoção de arquiteturas distribuídas facilitou a escala e trouxe complexidade operacional nova. Toda evolução de engenharia resolve um conjunto de problemas e inaugura outro. A inteligência artificial não seria exceção, e reconhecer isso cedo é o que separa quem ajusta a arquitetura de quem descobre o desvio pela fatura.

A pergunta não é quanta IA, é onde ela amplifica

A segunda proposição do Impulso Framework diz que inteligência artificial é amplificador, não camada isolada. Essa formulação tem uma consequência econômica que costuma passar despercebida: amplificador aplicado no ponto errado multiplica custo sem multiplicar resultado.

Em processos de hiperautomação, existe uma divisão que resolve boa parte da equação. Ela separa o que é determinístico do que é interpretativo.

A ação determinística é a execução de um fluxo com regras lógicas sobre características conhecidas da informação, integrando sistemas que já existem. Emitir um protocolo, classificar por faixa de valor, acionar a área responsável, atualizar o sistema de registro, notificar o solicitante. O passo a passo é conhecido de antemão. Uma vez escrito, ele roda em milissegundos, com custo marginal próximo de zero, sempre do mesmo jeito.

A ação interpretativa é aquela que lida com o que chega sem formato. Entender o que a pessoa está pedindo em uma mensagem escrita em linguagem corrente, extrair os campos relevantes de um documento anexado, conduzir uma conversa natural até reunir as informações que faltam, identificar a categoria de uma solicitação que não se encaixa em nenhuma lista prévia.

A inteligência artificial é excelente na segunda e desnecessária na primeira. Quando ela é usada para executar o que uma regra resolveria, o que se compra é variabilidade cara no lugar de previsibilidade gratuita.

Dois desenhos para o mesmo atendimento

A distinção fica concreta em um caso comum. Um cidadão abre uma solicitação de benefício por um canal de mensagem. Descreve a situação em texto corrido, anexa um comprovante e não conhece a nomenclatura interna do serviço. Para atender, a organização precisa entender o pedido, identificar a pessoa, verificar pendências, abrir o processo na plataforma de gestão, acionar a área responsável e devolver um protocolo.

Existem dois desenhos possíveis, e os dois funcionam.

Desenho A, agente ponta a ponta. Um agente recebe a mensagem e conduz o atendimento inteiro. A cada passo ele decide o que fazer e chama a ferramenta correspondente: consulta o cadastro por um servidor MCP, lê o anexo, aciona a interface do sistema de processos, redige a resposta. O fluxo não está escrito em lugar nenhum. Ele é decidido a cada volta do laço, pelo modelo. É o desenho mais rápido de montar e o mais flexível diante de um pedido fora do padrão.

Desenho B, híbrido. O modelo ocupa apenas a borda da interação. Ele interpreta a mensagem, lê o anexo, pergunta o que falta e encerra sua participação entregando uma estrutura preenchida: tipo de solicitação, identificação, campos validados, documento classificado. Dali em diante quem executa é a plataforma de processos, com fluxo desenhado, regras e integrações. Abrir, verificar, acionar, protocolar e notificar são passos conhecidos de antemão. O objetivo da conversa, nesse desenho, não é responder bonito. É produzir a entrada de uma ação determinística.

A diferença entre os dois aparece em três lugares.

Custo. No desenho A, cada passo é uma chamada ao modelo, e cada chamada carrega o contexto acumulado do atendimento. Um atendimento de oito passos não custa oito vezes um atendimento de um passo, custa mais, porque o contexto cresce a cada volta. No desenho B o modelo é acionado uma vez por solicitação e o restante roda com custo marginal próximo de zero. É essa razão, e não a tabela de preços do fornecedor, que separa duas faturas.

Assertividade. Abrir o processo com o tipo errado é um resultado possível enquanto a escolha do tipo for probabilística. Deixa de ser quando o tipo sai de uma regra aplicada sobre um campo já validado. A interpretação continua sendo do modelo, mas a execução para de depender dela.

Auditoria. Quando alguém perguntar por que o pedido foi negado, e no serviço ao cidadão alguém vai perguntar, o desenho B tem uma trilha de regras para exibir. O desenho A tem um histórico de decisões de um modelo, que é explicação de outra natureza e mais difícil de sustentar em uma instância de controle.

Quando o agente ponta a ponta é a escolha certa

O desenho A não é o desenho errado. Ele é o desenho certo quando o caminho não é conhecido de antemão, e aí nenhuma regra poderia ter sido escrita: triagem exploratória, investigação de caso atípico, pesquisa em fontes heterogêneas. Também é a escolha sensata quando o volume é baixo, porque escrever e manter o fluxo custa mais do que as chamadas economizariam.

E há um terceiro uso, o mais subestimado: usar o agente para descobrir qual é o fluxo. Rodar ponta a ponta por algumas semanas, observar quais caminhos se repetem e depois cristalizar em regra o que virou rotina é uma estratégia legítima, desde que a cristalização aconteça de fato.

O erro não é começar pelo agente. É mantê-lo no caminho de maior volume depois que esse caminho já ficou conhecido. Nesse momento a organização passa a pagar preço de descoberta por um trabalho que virou repetição.

Como começar sem refazer nada

O primeiro passo não é revisar contrato nem trocar de abordagem. É ganhar visibilidade, que é justamente a lacuna que a consultoria aponta como causa dos estouros de orçamento: sem enxergar o consumo por tarefa, a organização perde a capacidade de ligar custo a valor.

Escolha um fluxo que já usa inteligência artificial e faça três marcações. Liste cada ponto em que o modelo é chamado. Ao lado de cada um, escreva se aquela etapa tem passo a passo conhecido ou se depende de interpretação. E anote o custo mensal estimado de cada chamada, ainda que por aproximação.

O exercício costuma revelar que uma minoria das chamadas faz o trabalho interpretativo que justifica o modelo, e que a maioria executa passos que uma regra resolveria. Essa lista é, por si só, um plano de otimização, e ela cabe em uma tarde.

É a mesma lógica que a própria consultoria recomenda ao sugerir que a escolha de modelo seja alinhada à complexidade da tarefa, com decisão orientada por caso de uso. No Impulso, isso já é o princípio da camada de Inteligência, e a separação entre regra e inferência é o critério central da camada de Automação. A convergência é uma boa notícia: o caminho de correção não exige metodologia nova, exige aplicar a que já existe.

Para aprofundar

A distinção entre automação determinística e inferencial está detalhada na camada de Automação. A escolha de modelo por tarefa e a estratégia híbrida de custo estão na camada de Inteligência. E a diferença entre orquestrar processo e executar tarefa está na camada de Workflows. A visão geral da metodologia está em As três camadas do Impulso Framework.

Inteligência artificial é amplificador. Amplifique o que precisa de interpretação e deixe a regra fazer o que ela já faz melhor.

Começar o diagnóstico · Gratuito, sem cadastro, 15 a 30 minutos.

Take | Frente: Consulting | Proposição ancorada: IA como amplificador, não camada isolada | Fonte primária: previsão da Gartner publicada em 24 de junho de 2026 | 1.580 palavras | Leitura: 8 minutos