O erro mais comum na economia de implantação de IA é tratar o preço da inferência como o custo. Quando um model card diz dez centavos por resposta, a decisão parece fácil: uma tarefa de suporte ao cliente que paga a um humano cinco dólares em custo de mão de obra totalmente carregado parece cinquenta vezes mais barata de automatizar. Faça as contas com honestidade e a diferença fica mais perto de três para um, às vezes um para um, e numa parcela nada desprezível de tarefas a IA perde no custo sozinho antes mesmo de você começar a medir qualidade.
Este post apresenta o framework que a Wagecore usa para calcular o custo operacional real de substituir uma tarefa por IA. Nada disso é novo individualmente — cada item aparece nas análises post-mortem de implantações de IA que fracassaram. A contribuição está em reuni-los num só lugar e em assumir o compromisso com estimativas numéricas, para que a resposta não seja apenas "é mais do que você imagina".
A linha de tokens é os 10% visíveis
Tome um caso concreto. Um agente de suporte sênior numa empresa de SaaS atende cerca de 30 tickets por dia, a uma média de 600 tokens de entrada + 300 de saída cada, ao longo de uma ou duas trocas de acompanhamento. Aos preços atuais dos modelos de fronteira, isso dá algo na ordem de US$ 0,04 por ticket em gasto bruto de modelo. Ao longo de 30 tickets por dia, 22 dias úteis por mês — cerca de US$ 26 por agente ao mês em tokens. Contra um salário mensal totalmente carregado de US$ 7.500, a economia parece absurda.
Esse número também está errado, porque o modelo é uma das nove coisas que custam dinheiro quando você de fato o implanta. Eis o que fica de fora.
Supervisão
Todo ticket tratado por IA ou (a) se autorresolve com alta confiança, (b) é encaminhado a um humano para revisão, ou (c) escala direto para um humano. No primeiro dia de uma implantação, a maioria das equipes precisa de 100% de revisão humana até a calibração ficar sólida; implantações maduras mantêm revisão na faixa dos 20–40% de menor confiança, mais uma auditoria aleatória de 5%. Se um revisor humano leva 45 segundos por resposta auditada e sua equipe de revisão custa US$ 30/h carregado, isso dá US$ 0,38 por ticket auditado. Audite 30% dos tickets e você já adicionou mais custo do que o próprio modelo.
Retentativas
Implantações em produção não fazem uma chamada de modelo por tarefa — fazem de uma a cinco. Há a conclusão inicial, muitas vezes uma passagem de autoverificação, às vezes um laço de crítica e reescrita, e em agentes que usam ferramentas um passo de planejamento, mais as chamadas de ferramenta, mais uma sumarização. Um agente de suporte bem instrumentado que usamos como benchmark faz em média 3,4 chamadas de modelo por ticket resolvido e 8,7 por ticket escalado. Multiplique o custo de tokens na mesma proporção.
Custo de erro
Esta é a linha que quebra mais implantações do que qualquer outra. Uma resposta de IA confiantemente errada não equivale a uma resposta humana errada; é pior, porque o cliente acredita nela e age com base nela. Disputas de reembolso que se resolvem sem atrito com um pedido de desculpas viram chargebacks quando a IA disse ao cliente que seu reembolso já havia sido processado. Casos de recuperação de conta em que a IA alucina uma etapa de verificação geram tickets de suporte duas vezes — o caso original e a limpeza. A reversão pela Klarna, em maio de 2025, de sua implantação de suporte ao cliente por IA de 2024 é o caso público mais notório até hoje: o CEO reconheceu que os resultados de qualidade haviam caído e voltou a contratar humanos. A Klarna não divulgou o delta subjacente da taxa de reincidência, mas o padrão qualitativo — trabalho de limpeza em tickets complexos impulsionando a reversão, e não a economia em tickets simples — é consistente com o que vemos em post-mortems adjacentes.
Modelamos o custo de erro como um multiplicador sobre o tempo que um humano sênior leva para triar o rastro da resposta errada e ou escalar ou reparar a relação. Para uma tarefa voltada ao cliente, o multiplicador costuma ser de 2–5× o tempo-base de resolução do mesmo caso; para uma tarefa de back-office sem cliente no circuito, fica mais perto de 1–2×.
Overhead de integração
A IA não lê tickets de um documento do Word. Ela os lê de um CRM via API, com autenticação, limites de taxa, versionamento de esquema e uma camada de recuperação sobre a base de conhecimento da empresa. Essa camada precisa de engenheiros para construir e manter. Amortizado pelo volume de tickets de uma única equipe, um esforço sério de integração custa de US$ 20–60 mil na construção inicial, mais 10–30% do tempo contínuo de um engenheiro. Numa equipe de 50 agentes, isso dá cerca de US$ 1,50 por ticket em regime estacionário, na nossa calibração.
Orquestração e dependência de fornecedor
Configurações multimodelo, cadeias de fallback, registros de templates de prompt, infraestrutura de avaliação. Nada disso é gratuito. Colocamos esse item conservadoramente em US$ 0,20–0,80 por ticket resolvido, dependendo do estágio da empresa. Uma infraestrutura de avaliação forte se paga, mas a linha de custo da IA ainda aparece.
Compondo os itens
Com essas cinco adições concretas e premissas razoáveis de ponto médio — 30% de taxa de auditoria, 3,4 chamadas de modelo por ticket resolvido, 8,7 por escalado, 20% de taxa de escalação, multiplicador de custo de erro de 3× nos 12% de casos que dão errado — o exemplo de suporte passa de US$ 26/agente ao mês em tokens para cerca de US$ 1.800/agente ao mês, tudo incluído. Ainda é mais barato do que o humano de US$ 7.500, mas a razão é de 4 para 1, não de 290 para 1. E as contas pioram à medida que você sobe na cadeia de valor. Para funções em que respostas erradas causam dano real — aconselhamento financeiro, triagem médica, revisão jurídica — a linha de custo de erro domina, e a implantação perde no custo antes mesmo de você contar o salário.
O padrão é geral: à medida que a complexidade da tarefa aumenta, a linha de custo de inferência permanece praticamente constante (prompts mais longos, mais contexto, mas não 10× mais), enquanto todos os demais itens escalam de forma superlinear. A auditoria demora mais porque os revisores precisam de fato ler o caso. As retentativas se multiplicam porque o modelo precisa de mais passos para lidar com o caso. O custo de erro explode porque os casos que dão errado são os que têm mais em jogo. Quando você chega ao trabalho de conhecimento sênior, o custo operacional é quase inteiramente tempo-humano-em-torno-da-IA, e o modelo se tornou o componente mais barato da própria implantação.
Onde a IA de fato vence no custo
Três perfis de tarefa saem consistentemente à frente sob esse tipo de contabilidade:
- Delimitado, repetitivo, de baixo risco. Tarefas de categorização em que errar é barato (por exemplo, encaminhar um e-mail interno). As taxas de auditoria podem ser baixas, o custo de erro é mínimo, a integração é rasa.
- Rascunho sob revisão humana. A IA produz a primeira versão, o humano leva nos últimos 30%. Ambas as linhas de custo (modelo + revisão humana) ficam contidas porque o humano ia olhar de qualquer jeito.
- Agregação e busca. Trazer à tona os documentos relevantes, resumir os tickets de ontem, recuperar a política certa. A IA substitui uma interface de busca, não um trabalhador, e a substitui bem porque erros de recuperação costumam aparecer rápido.
Cada um desses mapeia limpo para uma classe de substituição na taxonomia da Wagecore: ai-augmented (rascunho), human-led + ai-assisted (agregação) e uma faixa estreita de trabalho verdadeiramente replaceable (o caso delimitado e de baixo risco). Fora disso, as contas dizem para segurar.
O que muda a resposta ao longo do tempo
Três coisas movem a linha de custo operacional:
Preço de inferência. O custo de tokens caiu cerca de 10× a cada 18–24 meses para capacidade comparável. Isso desloca a linha do modelo, mas não toca em supervisão, retentativas ou custo de erro — então, para tarefas de alto risco, mal muda o veredito.
Ferramental de avaliação e orquestração. Avaliações melhores reduzem de forma significativa o componente da taxa de auditoria; hoje esta é a linha de maior alavancagem a otimizar. Passar de 30% para 10% de taxa de auditoria numa implantação madura é uma mudança de custo real.
Regime de responsabilidade e regulação. Quando a IA é a guardiã legal do registro, o multiplicador de custo de erro sobe. Quando a IA é usada como apoio à decisão com um humano claro no circuito, ele cai. Esta é a linha que se move por política, não por tecnologia.
A conclusão
Precificar implantações de IA a partir do model card é o equivalente a precificar um carro pela etiqueta e ignorar combustível, seguro, depreciação e a pessoa que você tem de pagar para dirigi-lo. O custo operacional importa porque é o que determina se uma implantação sobrevive aos primeiros seis meses. As funções em que a IA é "3–10× mais barata que o humano" na prática são as funções em que a demo foi honesta quanto ao seu escopo. A maioria das funções, sobretudo aquelas que o debate insiste em mirar, parece bem mais com 4 para 1 — economia real, valor real, mas não uma substituição, e não uma substituição gratuita.
A Wagecore calcula a versão dessa conta para funções individuais, usando as mesmas categorias operacionais expostas aqui. Se você quiser ver como ficam as contas para o seu trabalho especificamente, o assistente roda em dois minutos e a metodologia está publicada. Você também pode ler a metodologia e discordar das nossas estimativas por item — nós as atualizamos trimestralmente com base no que os dados dizem.