A inteligência artificial está chegando a mais produtos, fluxos de trabalho e áreas de negócio. Com essa expansão, as empresas precisam administrar uma combinação cada vez mais complexa de modelos, provedores, workloads e padrões de consumo.

Isso traz um desafio para as lideranças de Finanças e Tecnologia: como compreender a economia da IA para tomar decisões melhores sobre investimento, uso e valor?

O relatório State of Tokenomics 2026, da Tokenomics Foundation, oferece um retrato de como as organizações estão lidando com essa questão. A pesquisa reuniu 472 respostas de 11 setores e aponta uma lacuna: embora a adoção de IA avance, muitas empresas ainda têm dificuldade para relacionar seus custos a resultados de negócio que consigam demonstrar.

Para quem atua em FinOps, os achados ampliam a conversa para além do preço dos tokens ou da fatura mensal. Eles levantam questões sobre alocação, responsabilidades, governança e como tornar os investimentos em tecnologia compreensíveis para quem toma decisões de negócio.

A seguir, cinco sinais que merecem atenção.

1. A gestão de custos de IA começa pela medição de valor

O relatório aponta que comprovar valor ou ROI foi o desafio de tokenomics mais citado: 43% dos respondentes mencionaram esse tema. Separadamente, 39% disseram não estar confiantes de que conseguiriam relacionar os gastos com IA a um resultado de negócio mensurável e aceitável para o CFO.

Esses dados destacam uma distinção importante para FinOps: visibilidade de gastos não é o mesmo que medição de valor.

Saber quanto um workload consumiu, qual provedor foi usado ou qual equipe gerou a despesa ajuda a explicar o investimento. Mas isso, por si só, não mostra se ele melhorou um processo, apoiou um produto ou contribuiu para um resultado mensurável.

O desafio fica mais evidente quando as organizações dependem apenas de métricas técnicas de consumo. Volume de tokens, número de solicitações ou uso de modelos ajudam a entender a atividade, mas talvez não respondam às perguntas que importam para o negócio:

  • Que trabalho o workload de IA apoiou?
  • Quem o utilizou e com qual objetivo?
  • O que mudou como resultado?
  • Qual resultado deve ser medido neste caso de uso?
  • O valor gerado justifica o investimento?

Não existe uma única métrica de resultado adequada para todo workload de IA. Um caso de atendimento ao cliente, por exemplo, pode exigir indicadores diferentes dos usados em um fluxo de desenvolvimento de software ou em uma ferramenta interna de conhecimento.

O essencial é definir o resultado relevante para cada caso de uso e interpretar o consumo nesse contexto. Para FinOps, isso significa ampliar a pergunta de “Quanto gastamos?” para “O que esse investimento viabilizou e como vamos avaliar se valeu a pena?”

2. As empresas pedem transparência, não apenas preços menores

Quando perguntados sobre o que gostariam de receber dos provedores de modelos e tokens, 23% dos participantes pediram mais transparência e dados granulares. Apenas 4% solicitaram preços menores. O relatório também informa que 19% mencionaram padrões como o FOCUS.

Esse é um sinal relevante. Gerenciar a economia da IA não é apenas uma questão de compras. As organizações precisam de informações suficientes para entender o que impulsiona o uso e para tornar esses dados úteis entre equipes e provedores.

Sem dados detalhados o bastante, fica mais difícil:

  • Atribuir o consumo aos usuários, equipes, projetos ou workloads corretos.
  • Explicar as variações de gastos ao longo do tempo.
  • Comparar padrões de uso de forma significativa.
  • Prever a demanda e planejar orçamentos.
  • Definir responsabilidades pelo consumo e pelos resultados.

Dados mais granulares não comprovam automaticamente o valor de negócio. Ainda assim, podem oferecer uma base melhor para alocação, previsão e decisões informadas.

Isso também aproxima a economia da IA de práticas já conhecidas de FinOps. Alocação e consistência dos dados são importantes porque as equipes precisam de uma visão compartilhada e confiável antes de decidir como agir. À medida que as organizações consomem IA por diferentes canais, dados consistentes tornam-se ainda mais importantes para compreender o cenário como um todo.

A implicação não é que todas as empresas precisem do mesmo nível de detalhe ou do mesmo modelo de dados. É que as lideranças devem identificar quais informações são necessárias para explicar o uso e apoiar decisões, e então avaliar se os dados atuais permitem fazer isso.

3. A responsabilidade pela economia da IA é uma questão multifuncional

O relatório afirma que 88% dos respondentes já definiram responsáveis por tokenomics. Lideranças ou áreas de Tecnologia foram citadas com mais frequência, por 35%, seguidas pela responsabilidade compartilhada entre áreas, com 26%. Finanças foi apontada como responsável por 5%.

que são os responsáveis por tokenomics.

A economia da IA envolve decisões técnicas, controles financeiros e resultados de negócio. Por isso, definir responsabilidades vai além de decidir qual área aparece no organograma.

As equipes de Tecnologia podem entender a arquitetura e os padrões de uso. Finanças contribui com planejamento, previsões e accountability. Produto e áreas de negócio podem definir quais resultados são importantes. Cada perspectiva oferece uma parte diferente do contexto.

O relatório também afirma que as organizações com responsabilidade definida tinham 3,7 vezes mais probabilidade de dizer que conseguiam demonstrar valor ao CFO. Essa é uma associação reportada pela pesquisa, não uma prova de que designar um responsável cause melhores resultados. Ainda assim, reforça a importância de deixar as atribuições claras.

Um modelo de responsabilidades funcional deve esclarecer:

  • Quem acompanha o consumo?
  • Quem define como o uso será alocado?
  • Quem estabelece ou revisa os controles de governança?
  • Quem define o resultado esperado para cada caso de uso?
  • Quem reúne as informações de consumo e resultado?

A responsabilidade não precisa ficar concentrada em uma única área. Um modelo compartilhado pode funcionar quando as atribuições e os direitos de decisão estão claros. Sem essa clareza, tarefas importantes podem ficar sem dono: Tecnologia acompanha o uso, Finanças recebe a fatura e a área de negócio precisa explicar o valor sem ter acesso a nenhuma das duas perspectivas.

FinOps pode ajudar a criar uma forma comum de trabalho entre essas áreas. O objetivo não é transformar toda decisão em uma decisão financeira, mas incorporar accountability financeira e contexto de negócio às decisões sobre tecnologia.

4. O roteamento de modelos desperta interesse, mas a adoção, por si só, não comprova valor

De acordo com o relatório, 86% dos participantes estão avaliando ou usando um roteador de modelos. O documento também informa que os respondentes que usam roteadores tinham quatro vezes mais probabilidade de dizer que conseguiam demonstrar valor ao CFO.

Essa relação merece atenção, mas não deve ser interpretada como prova de que o roteamento, por si só, gera valor de negócio.

O roteamento pode fazer parte do processo de seleção de modelos para diferentes tarefas. Sua utilidade depende do caso de uso, dos critérios adotados e dos requisitos do resultado. As decisões podem envolver um equilíbrio adequado entre custo, qualidade, desempenho e outras necessidades técnicas ou de negócio.

A pergunta de FinOps, portanto, não é apenas se uma empresa usa roteamento. É se as escolhas sobre modelos e workloads são governadas de acordo com os requisitos de negócio e podem ser revisadas ao longo do tempo.

Uma equipe pode, por exemplo, avaliar se um workload tem critérios claros para selecionar modelos, se esses critérios são adequados à tarefa e se o uso e os resultados são revistos depois da implantação. São perguntas operacionais, não conclusões que possam ser tiradas apenas dos índices de adoção.

O roteamento pode apoiar a tomada de decisão, mas não substitui a necessidade de responsabilidade definida, alocação e medição de resultados. A lição mais ampla é avaliar as escolhas tecnológicas em contexto, sem tratar uma capacidade isolada como atalho para gerar valor.

5. A IA pode afetar preços e margens, não apenas orçamentos de Tecnologia

O relatório informa que 52% dos respondentes já mudaram ou estão considerando mudar seus preços por causa da IA. Outros 30% não relataram mudanças, enquanto 18% disseram que ainda era cedo para saber.

Esse resultado amplia a conversa sobre economia da IA para além dos custos de infraestrutura e de modelos. Se a IA altera a forma como um produto é desenvolvido, entregue ou consumido, as organizações talvez precisem reavaliar a relação entre custos, preços e margens.

Isso não significa que todas as empresas precisem mudar seu modelo de preços. As implicações variam de acordo com o produto, as expectativas dos clientes e a forma como a IA é usada. Mas Finanças, Produto e Tecnologia podem precisar de uma visão compartilhada sobre como o consumo de IA se relaciona com a economia do negócio.

Uma empresa, por exemplo, pode precisar entender se o uso de IA está associado a um recurso específico do produto, se o consumo varia muito de acordo com o cliente ou a atividade, e como esses padrões afetam o planejamento interno. São questões sobre a relação entre uso de tecnologia e modelo de negócio, não apenas sobre o custo de um serviço específico.

FinOps pode ajudar a incluir essas perguntas nas conversas sobre previsão, alocação e governança. Isso se torna importante quando decisões sobre tecnologia podem afetar não apenas despesas operacionais, mas também a economia dos produtos e as prioridades de investimento.

O que esses sinais significam para FinOps

Em conjunto, os achados sugerem que a economia da IA não se resume a contar tokens. Ela traz questões conhecidas de FinOps para um novo contexto:

As organizações não precisam resolver todas essas questões de uma vez. Um ponto de partida prático é selecionar um caso de uso de IA e construir uma visão operacional mais clara sobre ele.

Isso pode começar com cinco passos:

  1. Definir responsabilidades. Esclareça quem responde pelos dados de uso, pelos controles financeiros e pela medição dos resultados.
  2. Melhorar a alocação. Torne o consumo de IA compreensível nos recortes relevantes para a tomada de decisão, como usuários, equipes, workloads e provedores.
  3. Escolher métricas relevantes. Identifique o resultado adequado a cada caso de uso, em vez de depender apenas de métricas de consumo.
  4. Contextualizar a governança. Estabeleça controles que apoiem o uso adequado e as necessidades do negócio, sem tratar limites de orçamento como único mecanismo.
  5. Revisar as decisões ao longo do tempo. Use informações de consumo e resultados para orientar escolhas sobre workloads, modelos e investimentos.

Esses passos não garantem ROI. Eles ajudam a criar uma base mais disciplinada para avaliar o uso de IA, fazer escolhas e se adaptar à evolução das necessidades do negócio.

De explicar os gastos a tomar decisões melhores

Os achados do relatório apontam uma lacuna entre usar IA e conseguir explicar com confiança seu valor de negócio. Mais visibilidade pode ajudar a reduzir parte dessa lacuna, mas não é o ponto final. As organizações também precisam de responsabilidades claras, alocação significativa, governança adequada e métricas que conectem o investimento ao propósito de cada caso de uso.

O objetivo não é reduzir os gastos com IA a qualquer custo. É tornar os investimentos em tecnologia compreensíveis e governáveis, para que as lideranças possam tomar decisões melhores sobre o valor que eles geram.

Essa é uma oportunidade mais ampla para FinOps: avançar da visibilidade e da análise para ações com responsabilidade definida. À medida que o uso de IA cresce, as organizações precisarão de práticas operacionais que conectem dados, governança e decisões, não apenas de uma fatura mais clara.

Fonte: Os percentuais apresentados são resultados reportados no State of Tokenomics 2026, da Tokenomics Foundation. Eles descrevem respostas à pesquisa e não devem ser tratados como referências universais.