O desperdício de tokens é um sintoma

Dar IA aos funcionários sem treinamento custou tempo, dinheiro e pessoas à sua empresa. Estudos do GitHub sugerem que entre 40% e 60% de todo o dinheiro gasto com tokens de IA é desperdiçado. Queimado em etapas repetitivas, instruções pouco claras e resultados malfeitos para refazer. E as respostas oferecidas para reduzir o desperdício de tokens não convencem:

• Falar como um “homem das cavernas”
• Horários de acesso limitados
• Cortar o contexto a cada 2 etapas

Do simples desperdício de tokens às crescentes tensões internas e estruturais, a falta de honestidade e conhecimento sobre IA está corroendo a estabilidade financeira e cultural. Se isso continuar, as empresas se verão sob pressões financeiras e operacionais cada vez piores, forçando mais delas a encerrar as operações. A solução é simples, mesmo que não seja bonita ou popular: as empresas devem educar seriamente a si mesmas e a seus funcionários sobre IA.

Regras escritas com sangue vs. dinheiro

“As regras de segurança são escritas com sangue”, meu chefe na Quiznos me repreendeu depois que cortei os dedos limpando um fatiador de frios do jeito errado. Acredite, esse erro nunca mais foi cometido.

Mas as empresas ainda se veem sangrando aos poucos, usando IA de formas incrivelmente ineficientes. Em vez de sangue, as empresas estão sangrando dinheiro e, por isso, os erros e as contas que continuam a se acumular são deduzidos como custos operacionais.

Métrica	April 2026	Desperdício estimado
Custo mensal mediano	$ 2.246	$ 898 a $ 1.348
Custo mensal médio	$ 140.842	$ 56.337 a $ 84.505
Percentil 75 (top 25%)	$ 14.843	$ 5.937 a $ 8.906
Percentil 90 (top 10%)	$ 73.030	$ 29.212 a $ 43.818
Percentil 95 (top 5%)	$ 211.409	$ 84.564 a $ 126.845
Percentil 99 (top 1%)	$ 831.338	$ 332.535 a $ 498.803

Mas não precisa ser assim. Ao investir no operador da máquina, podemos reduzir os custos humanos e financeiros da transformação com IA.

Treine, bebê, treine!!!

Existem muitos outros blogs que focam nas etapas e táticas individuais para reduzir as despesas com tokens. Vamos falar sobre algumas mentalidades filosóficas e estratégicas que reduzem os custos com tokens:

• O treinamento deve focar na competência, não na familiaridade.
• Operadores que entendem sua máquina a usam melhor, de forma mais criativa e eficiente.
• A capacitação é multiplicadora de força; o mistério é divisor de força.

Essas mentalidades não são propaganda anti-IA. Elas vêm de aceitar que a IA é uma tecnologia comoditizada a ser usada por pessoas, então é a qualidade das pessoas que afeta os resultados, não os modelos. Dar aos seus funcionários treinamento contínuo, aprofundado e específico para a função é a maneira mais eficaz de reduzir o desperdício de tokens a curto e longo prazo.

“Se você precisava que eu dissesse isso, fico feliz em ter dito”

Ensinar e treinar pessoas é difícil, em parte porque todos fazem suposições sobre o que é conhecimento comum. Então, por que presumimos que os funcionários realmente entendem uma tecnologia que se tornou comum apenas recentemente? Se você não soubesse que motores usam gasolina, pensaria em olhar o medidor de combustível? O seu propósito seria claro?

A suposição de conhecimento comum está no centro do desperdício de tokens. As empresas e os funcionários não aprenderam como os modelos funcionam, quanto custam ou seus pontos fortes e fracos. Em vez disso, o hype em torno da velocidade e das capacidades da IA levou à abordagem de “mova-se rápido e quebre coisas”. Isso levou agentes descontrolados a repetir tarefas fadadas ao fracasso na escuridão da web, funcionários atropelando cada conversa e investimentos em projetos infrutíferos de IA. Quando as pessoas são mais bem ensinadas, elas tendem a agir melhor. Em lançamentos em escala industrial, a capacitação pode ser uma questão de vida ou morte.

Capacite ou morra: o fiasco do M-14 e a IA

O fuzil M-14 representou um desastre de fabricação que custou bilhões de dólares e vidas incalculáveis, e levou diretamente ao fim da US Springfield Armory. Embora houvesse muitos fatores contribuintes, o mais importante foi a pressa do Documento de Requisitos de Materiais, ou MRD. Um MRD deve conter tudo o que um fabricante precisa saber para começar a produzir um item em massa. Em outras palavras, era um pacote de capacitação. O MRD apressado para o M-14 levou a falhas profundas e fatais no processo de fabricação do cano. Em vez de apenas atrasar a entrega, a falta de capacitação levou à execução de trabalho incorreto em escala, transformando 1 único problema em um mistério e crise em grande escala.

A lição é que o trabalho lento pode ser consertado, mas o trabalho incorreto é mais difícil de detectar, causa mais problemas e introduz incerteza. Cada vez que uma equipe não capacitada usa IA, esse trabalho incorreto aparece na conta como desperdício de tokens, e nos outros custos: tempo gasto corrigindo erros, analisando respostas alucinadas ou executando ciclos de revisão adicionais. Isso muda a matemática. Não se trata apenas do gasto computacional vs. ganho de produtividade, mas do gasto computacional vs. o custo do trabalho incorreto entregue na velocidade da máquina.

As pessoas certas com as ferramentas certas

O objetivo do treinamento baseado em funções e específico de ferramentas não é melhorar a engenharia de prompts. É ter um engenheiro que sabe o que está otimizando. É ter um analista no fluxo de trabalho que consiga apontar respostas incorretas. É ter um gerente de marketing que saiba quais modelos usar para análises e quais para tarefas gerativas. É ter funcionários capacitados o suficiente para saber quando ignorar a escolha de um modelo. Essas capacidades não são desenvolvidas em cursos gerais de alfabetização em IA. Elas vêm da prontidão estruturada construída em torno das ferramentas que sua empresa realmente aprovou e implantou.

O desperdício de tokens é um sintoma. O custo que você não vê é o que uma força de trabalho não capacitada produz com esses tokens: resultados confiantes, rápidos e, às vezes, errados.

Se a sua conta de tokens está crescendo, o sintoma é visível. A Clairet trata a causa. Veja como.

Fontes: GitHub, “Improving token efficiency in GitHub Agentic Workflows”, May 7, 2026; Ramp, “How Much Do AI Tokens Cost Businesses? 2026 Spending Benchmarks”, June 8, 2026 (dados de April 2026).