Mito da IA barata: por que faturas de startups estão disparando mesmo com tokens em queda

O than não é um modelo, framework ou ferramenta aberta, é um projeto de pesquisa operacional em IA aplicada a finanças, liderado por Luke Spill e mencionado no artigo-fonte como parte do ecossistema que está redefinindo como empresas medem custo real de IA. Ele funciona como um observatório prático: coleta dados de faturas reais (Uber, JPMorgan, startups), cruzando preços por token com padrões de consumo agente, e traduz isso em métricas operacionais úteis, como custo por tarefa concluída, não por milhão de tokens. Serve principalmente a founders e finance leads que precisam justificar gastos com IA para conselhos ou investidores, especialmente em fintechs e infraestrutura de mercado.

Sua limitação é clara: não é uma solução de controle ou otimização em tempo real. Não faz routing entre modelos, não tem SDK nem API pública. É um *diagnóstico*, não um remédio. Por isso, o CEVIU já vinha alertando desde março que ‘faturar por contexto’ é uma armadilha, e o than só confirma: o problema não está no preço do token, mas na forma como arquiteturas baseadas em agentes multiplicam o uso de contexto sem que o time de engenharia tenha visibilidade real do impacto.

A cobertura anterior do CEVIU já apontava o estouro orçamentário da Uber em abril artigo-fonte e a disparidade de 360x nos preços por contexto entre provedores. O que mudou agora é a confirmação estrutural: o than não é rumor, é prática consolidada, e seu foco em ‘custo por tarefa’ já virou critério de avaliação em rodadas de fundraising. Startups que antes mostravam apenas número de usuários ativos agora têm de apresentar relatórios de eficiência de inferência, com benchmarks contra humanos em tarefas específicas (ex: análise de risco de crédito, revisão de contrato). Isso transforma o que era um alerta técnico em um requisito de governança.

Para empreendedores, o mito da IA barata é perigoso porque esconde um custo oculto mais caro que o salário de um engenheiro sênior: o custo de inércia arquitetural. Manter um único modelo frontal em todas as camadas, mesmo com tokens baratos, equivale a manter um data center inteiro ligado 24/7 para rodar uma planilha. A lição não é ‘use menos IA’, mas ‘desenhe tarefas como produtos com KPIs de custo’. Se sua startup resolve consultas jurídicas via agente, o KPI não é ‘número de requisições’, mas ‘custo por parecer válido entregue’. E isso exige que você possa trocar modelos como se troca um fornecedor de nuvem, sem refatorar toda a stack.