Especialista em LLMs, AI Agents e Infraestrutura de IA
O COO da Uber, Andrew Macdonald, afirmou que os altos gastos com IA estão se tornando difíceis de justificar devido ao baixo retorno em produtividade. A empresa consumiu todo o orçamento anual de IA em apenas quatro meses, levantando questões sobre a viabilidade financeira da estratégia de *tokenmaxxing*.
Andrew Macdonald, COO da Uber, trouxe à tona um debate relevante para o setor de tecnologia: a sustentabilidade financeira dos investimentos em inteligência artificial (IA). Em entrevista ao Business Insider, Macdonald revelou que os crescentes gastos da empresa com IA não têm gerado os retornos esperados. Em particular, ele apontou para o uso intensivo de computação para treinamento de modelos, conhecido como tokenmaxxing, como uma prática que está pressionando os orçamentos corporativos sem entregar benefícios claros aos consumidores.
O termo tokenmaxxing refere-se ao uso massivo de recursos computacionais, como processamento em nuvem e GPUs, em modelos de IA. Embora essa estratégia possa melhorar o desempenho técnico, ela acarreta custos exponenciais. Segundo a Cybernews, algumas empresas estão gastando mais com tokens de IA do que com salários de funcionários humanos.
No caso da Uber, os números são alarmantes: o orçamento anual destinado à IA foi consumido em apenas quatro meses. Isso destaca um descompasso significativo entre o investimento financeiro e os benefícios práticos, especialmente em um setor que frequentemente busca justificar custos por meio de incrementos de produtividade e inovação.
Macdonald destacou que, apesar dos investimentos robustos, a Uber tem enfrentado dificuldades para traduzir esses gastos em ganhos reais. Ele mencionou que os avanços esperados em produtividade e funcionalidades para os usuários ainda não se concretizaram. Em uma declaração complementar, o CTO da Uber, Praveen Neppalli Naga, alertou que ferramentas como Claude Code e Cursor, amplamente utilizadas pela empresa, têm custos operacionais muito superiores ao inicialmente previsto. Este cenário sublinha a necessidade de uma análise mais crítica e detalhada das promessas de ROI na adoção de IA.
O caso da Uber não é isolado. Empresas como Amazon, Google e Meta também enfrentam desafios semelhantes ao lidar com os altos custos de infraestrutura para IA. A pressão para inovar rapidamente e manter a competitividade no mercado tem levado muitas organizações a adotar abordagens agressivas de desenvolvimento, mas sem uma análise robusta do custo-benefício.
Se essa tendência continuar, é provável que vejamos uma desaceleração nos investimentos em IA ou uma transição para estratégias mais eficientes e direcionadas. Isso pode incluir priorizar modelos menores, menos dependentes de recursos computacionais intensivos, ou até mesmo reconsiderar certos projetos de automação em larga escala.
A experiência da Uber ilustra os desafios de equilibrar inovação tecnológica com responsabilidade financeira. Empresas precisam não apenas investir em IA, mas também implementar estratégias claras para avaliar e otimizar o retorno sobre esses investimentos. A falta de planejamento pode resultar em orçamentos esgotados e promessas não cumpridas, impactando negativamente a confiança de investidores e consumidores.
A sinalização de Macdonald serve como um alerta para o setor de tecnologia: é hora de recalibrar as expectativas e focar em soluções que realmente agreguem valor, tanto para as empresas quanto para seus usuários finais.
É o uso intensivo de recursos computacionais para treinar modelos de IA. Embora possa aumentar o desempenho, também gera altos custos financeiros, como os enfrentados pela Uber.
Devido ao alto custo da infraestrutura necessária para práticas como tokenmaxxing, que consomem recursos computacionais em grande escala.
Apesar do alto investimento, os ganhos em produtividade e funcionalidades nem sempre correspondem às expectativas, o que pode tornar difícil justificar os gastos.
💡 Dica Pro: Empresas que utilizam IA devem abordar o conceito de tokenmaxxing com cautela. Avaliar o custo-benefício da escala dos modelos é essencial para evitar gastos excessivos e garantir um ROI positivo. Ferramentas como análises de custo por token e benchmarks de eficiência podem ajudar a corrigir o curso.
