Sobre demanda induzida, demissões e o custo real de uma IA que não sabemos usar
Se você passou qualquer tempo no Twitter de transporte público, já viu o meme.
"Só mais uma faixa, irmão."
Um engenheiro de rodovias desenhado de giz de cera está ao lado de uma rodovia, apontando para as novas faixas que quer adicionar porque o trânsito está ruim. Seu rosto é sincero. Desta vez ele vai consertar. Mais uma faixa e o congestionamento vai sumir.
Raramente some por muito tempo.
Novas faixas criam novas viagens. Nova capacidade cria nova demanda. Economistas chamam isso de demanda induzida. A Katy Freeway, no Texas, foi ampliada até se tornar uma das rodovias mais largas do mundo. A 405, em Los Angeles, recebeu um alargamento de um bilhão de dólares. O padrão é familiar em décadas de expansão de rodovias: a capacidade aumenta, o uso cresce até ocupá‑la, e o congestionamento volta.
Mesmo assim, o engenheiro do meme continua pedindo só mais uma faixa.
Agora estamos no mesmo momento com datacenters de IA.
O pitch pela infraestrutura “certa”
A cada trimestre vem mais um anúncio de hyperscaler. Mais um projeto de dez dígitos. Mais um campus. Mais uma subestação. Mais um acordo de energia. Mais uma briga por água. Mais um condado rural ouvindo que esse é o preço do progresso.
A justificativa é sempre a mesma.
A demanda por IA está explodindo. Precisamos de mais computação. Se não construirmos, os Estados Unidos ficam atrás da China. As empresas não terão a capacidade de que precisam. Os desenvolvedores ficarão limitados. A inovação vai desacelerar.
Só mais um datacenter.
Só mais um campus de um gigawatt.
Só mais um terreno de 2.700 acres.
Só mais uma atualização da rede elétrica.
Aí teremos o suficiente.
É o mesmo engenheiro com um projeto diferente.
Este é um grande aposta de infraestrutura geracional, e uma parte substancial dela já está assinada.
Isso não é um argumento de que a IA não precisa de infraestrutura. Alguma nova capacidade é necessária.
A questão é se devemos continuar comprometendo nova capacidade nesse ritmo antes de forçar os compradores a provar que estão usando a capacidade existente de forma inteligente.
Hoje, parte dessa demanda explosiva é produtividade nova e genuína. Parte é consumo evitável criado por padrões ruins, tentativas automáticas em excesso, credenciais vencidas, modelos superdimensionados e workloads que ninguém jamais foi obrigado a justificar pelo custo.
A demanda induzida
Computação não tem uma curva de demanda fixa. Ela se curva para qualquer oferta disponível.
Dê aos desenvolvedores acesso barato a modelos de fronteira e muitos workloads passam a usar modelos de fronteira como padrão. Dê orçamentos grandes para agentes e muitos agentes os gastam. Dê chaves de API irrestritas para equipes e a conta cresce até alguém notar.
Quando isso acontece, o workload já foi para produção.
Um fundador roda um modelo caro em cada etapa de um pipeline de suporte ao cliente porque esse era o padrão quando o engenheiro fez um deploy rápido. O pipeline funciona. A conta fica dolorosa. Depois alguém descobre que grande parte do workload poderia ter rodado em um modelo mais barato com pouca ou nenhuma perda mensurável de qualidade.
Isso não é um caso bizarro de borda. É assim que o desenvolvimento em IA, feito em alta velocidade, costuma funcionar.
Os padrões estão errados. O desperdício é invisível. A fatura chega tarde.
A mesma coisa acontece em todo lugar.
Um sistema de busca com recuperação embute duplicatas. Um agente de suporte entra em loop de tentativas. Um agente de código queima o modelo mais caro em edições triviais. A chave de um contratado sobrevive ao contrato. A chave de um ex‑funcionário sobrevive ao offboarding. Uma chave de produção acaba no laptop de alguém.
Eles não são necessariamente maliciosos. O sistema simplesmente não é gerido.
Quando o setor de IA diz que a demanda está explodindo, parte dessa demanda é produtividade real. Parte são padrões ruins, credenciais vencidas, falta de orçamento definido e trabalho de máquina sem governança.
Adicionar computação não resolve isso. Alimenta isso. Até empresas como a Amazon estão relatando que esse é o caso.
Isso é demanda induzida. Essa é a rodovia.
A mentalidade “tira gente, põe IA”
Com o quadro de funcionários em queda e os orçamentos de IA em alta, as duas coisas muitas vezes são conectadas explicitamente. A Microsoft afirmou claramente que seus cortes não são simplesmente substituição por IA. Sam Altman admitiu que parte da atribuição é o que ele chama de AI washing: citar IA como motivo para cortes que a empresa faria de qualquer forma. Pesquisas com CEOs relatam que eles estão tendo de planejar mudanças com base em IA.
O que os dados mostram claramente é uma realocação de prioridades. A Challenger descreve empresas de tecnologia se reestruturando em torno de IA, automatizando algumas funções e realocando orçamentos para novas capacidades. O trabalhador específico e a GPU específica não precisam ser pareados um a um para que a mudança de capital seja real.
O que torna a pergunta incômoda ainda mais aguda, não mais suave.
Se a troca não é pessoas por produtividade com IA, e não é inteiramente pessoas por nada, então o que exatamente está do lado da máquina nesse balanço? Ninguém consegue oferecer uma resposta firme, porque o gasto com IA está virando folha de pagamento sem ser gerido com nada parecido com a disciplina de folha de pagamento.
Trabalhadores humanos têm gestores, orçamentos, permissões, cartões corporativos, crachás de acesso, offboarding, avaliações de desempenho e trilhas de auditoria.
Trabalhadores de máquina muitas vezes têm uma chave de API.
Estamos movendo nossos orçamentos de folha de pagamento humana para folha de pagamento de máquina, e depois gerindo a folha de pagamento de máquina como um monte de senhas. Sem dono. Sem gestor. Sem validade. Sem política de gasto. Sem recibo. Sem custo por resultado útil. Sem prova de que o trabalho da máquina valeu o custo da máquina.
A chave de API é o novo cartão corporativo
Uma empresa nunca diria: "um ex‑funcionário ficou com o cartão corporativo, ninguém sabe o que ele está cobrando, e descobrimos meses depois". Isso seria considerado uma falha operacional óbvia. Mas a versão com API acontece o tempo todo.
Uma chave de provedor de modelo pode gerar gasto. Uma chave de nuvem pode criar infraestrutura. Uma chave da Stripe pode mover dinheiro. Uma chave do GitHub pode fazer deploy de código. Uma chave de provedor de dados pode acessar bases pagas. Uma chave de plataforma de anúncios pode queimar orçamento de campanha. Uma chave de exchange pode negociar ativos.
Isso não são apenas segredos. São autoridade econômica.
Chaves de API demais ainda são tratadas como senhas. Elas precisam ser tratadas como cartões corporativos para máquinas.
Contratados, fábricas de software, agências de marketing, auditores, times fracionados, funcionários e agentes precisam de acesso a recursos que fluem e refluem. Hoje, as empresas ou concedem acesso demais ou deixam tudo lento. O projeto acaba, o acesso permanece e o gasto continua.
Isso não é apenas um problema de segurança. É um problema de contabilidade. Um problema de governança e um problema de infraestrutura.
Os moradores sabem
A reação pública contra datacenters não é só NIMBYismo. As pessoas sentem a contradição. Uma pesquisa Gallup (Gallup poll) constatou recentemente que sete em cada dez americanos se oporiam à construção de datacenters de IA em suas cidades.
Datacenters consomem enormes quantidades de eletricidade. Dependendo do sistema de resfriamento e da localização, podem consumir muita água e terra também. Criam calor real, ruído, disputas de transmissão e pressão política local. Os benefícios muitas vezes parecem distantes, privados ou especulativos. Os custos são locais.
O peso da infraestrutura se concentra em condados rurais. O benefício econômico é difuso e muitas vezes capturado em outro lugar. Os benefícios são prometidos para depois. Os custos chegam agora.
Isso é politicamente instável. Em 2026 isso deixou de ser previsão.
A indústria não deveria se surpreender que datacenters viraram uma briga política nacional. Se a infraestrutura de IA pede às comunidades terra, energia, água e paciência, o setor deveria ser capaz de provar que a computação está sendo bem usada.
Hoje, muitos compradores não conseguem.
A troca pessoas por máquina não medida está errada
Junte as camadas.
Um CFO lê a tese de investimento em IA, aprova a expansão, corta quadro de pessoal para financiá‑la e diz ao conselho que a matemática fecha. A computação é provisionada. Os workloads entram em produção. Os padrões estão errados. As chaves não são geridas. Os modelos caros são usados em excesso. Os agentes tentam de novo demais. As credenciais antigas continuam funcionando. A conta cresce mais rápido que o projetado.
O conselho pergunta por quê. A resposta volta: a demanda por IA está explodindo. Precisamos de mais capacidade. Então o CFO assina o próximo contrato. O ciclo se repete.
Enquanto isso, o funcionário demitido observa a empresa gastar agressivamente em sistemas de IA que podem ou não produzir a produtividade prometida. Um vereador de condado atende ligações furiosas sobre energia, água, terra e barulho. Um operador de rede tenta fazer os números fecharem. Um morador local ouve que isso é o futuro.
Muitas vezes, a troca não foi pessoas por produtividade. Foi pessoas por trabalho de máquina
não medido. Pessoas por padrões ruins. Pessoas por desleixo. E quando esse desleixo ficou caro, a resposta da indústria não foi disciplina. Foi mais um
datacenter. Só mais um, irmão.
A resposta de verdade
A resposta de verdade não é apenas construir mais datacenters.
A resposta de verdade é usar com inteligência os datacenters que já temos.
Isso é algo desconfortável para o setor dizer, porque os incentivos não estão perfeitamente alinhados. Provedores geralmente são pagos quando o consumo sobe. Compradores vencem quando os resultados úteis sobem. Essas duas curvas não são iguais.
O interesse do comprador é específico.
O comprador quer o menor modelo que resolva o problema. O menor número de chamadas que resolvam a questão. A chave que expira quando o projeto termina. A credencial que só funciona do dispositivo certo. O agente que é cortado quando foge da política. A exceção que só é aprovada quando o caso de negócio é real.
Nada disso exige um novo datacenter. Exige provisionar com inteligência a computação que já temos.
O caminho para a solução é chato
Dimensionar o workload ao modelo certo. Agrupar o que pode ser agrupado. Fazer cache do que pode ir para cache. Restringir o que deve ser restrito. Autorizar o que precisa exceder. Recusar o que está rodando no modelo errado. credenciais, no dispositivo errado, pelo titular errado, para o trabalho errado. Meça o custo por resultado útil. Faça o acesso expirar automaticamente. Interrompa loops fora de controle. Direcione trabalhos de baixo risco para modelos de baixo custo. Escale apenas quando a qualidade exigir. Emita comprovantes.
O mercado começou a perceber. Neste verão, diretores financeiros (CFOs) e conselhos de administração passaram a apertar o cerco às contas de IA que estouraram o orçamento. O “roteamento de modelos” passou de artigo de pesquisa a vocabulário de sala de conselho, enquanto as equipes buscavam formas de enviar o trabalho de rotina para modelos mais baratos sem sacrificar a qualidade. Os próprios provedores de modelos começaram a lançar limites de gastos administrativos porque os clientes exigiam uma forma de conter as contas.
Bom. Essa onda é real e veio tarde. Os provedores agora oferecem tetos rígidos de gastos que de fato fazem as chamadas falharem quando o limite é atingido, limites por usuário e fluxos de aprovação.
Mas repare no limite dessa onda atual. Esses controles regem o consumo dentro de um único provedor, de um único projeto ou de um único aplicativo. O roteamento escolhe um modelo mais barato. Um teto interrompe uma conta fora de controle. Nenhum dos dois responde à questão mais ampla de autoridade: qual máquina está agindo, a partir de qual runtime, em nome de quem, para qual finalidade, contra quais recursos externos, e que prova portátil existe depois. Controle de custo não é a mesma coisa que autoridade programável e verificável.
A IA precisa da disciplina completa, não apenas da metade voltada a custos. Não porque a IA seja ruim. Mas porque a IA está se tornando trabalho. E trabalho precisa de gestão.
A camada que os agentes de IA estão perdendo
Esta é a camada que achamos que falta à IA, e ela é deliberadamente mais estreita que toda a pilha de FinOps.
A autoridade econômica deve ser regida antes da execução: quem e o que podem gastar, a partir de qual dispositivo e runtime, para qual carga de trabalho e sob quais limites. Tudo com um comprovante ao final que uma pessoa de verdade possa verificar.
Parte da expansão de datacenters é necessária. A IA é real, e coisas reais precisam de infraestrutura. Mas demanda sem gestão torna a expansão necessária maior, mais rápida e mais difícil de justificar do que precisa ser. O caminho certo não é um painel mais bonito depois que a conta chega. A solução é a camada de controle na credencial, antes que o gasto aconteça.
Dirigindo na direção certa
Só mais um datacenter, cara.
A gente promete que agora vai funcionar. O poder de computação está quase entrando em operação. A taxa de desperdício está quase caindo. As margens estão quase aparecendo. As cargas de trabalho estão quase ficando eficientes. As comunidades locais estão quase se convencendo. A rede elétrica está quase aguentando. O trilhão de dólares em contratos de locação assinados está quase parecendo conservador. O conselho está quase enxergando o ganho de produtividade.
Só mais um.
Talvez parte dessa capacidade seja necessária. Mas, antes que o setor peça às comunidades mais terra, mais água, mais energia e mais paciência, os compradores deveriam conseguir responder a uma pergunta mais simples.
Estamos usando bem o poder de computação que já temos? Não em um slide ou em um memorando de política.
Em comprovantes. Qual modelo foi usado. Qual carga de trabalho precisou dele. Qual chave autorizou. Essa é a próxima disputa em infraestrutura de IA. Não computação versus não computação. Computação governada versus desperdício.
Construir com menos cegueira. Usar o que já temos.