77% das Empresas Reavaliam Fornecedores de IA a Cada Seis Meses. Meça o Custo por Resultado

A Madrona entrevistou 150 profissionais de TI de grandes empresas. Segundo o relato do TechCrunch sobre o estudo, 74% planejam ampliar o orçamento de IA nos próximos 12 meses e o restante planeja manter o gasto estável. Menos da metade dos pilotos de IA chega à produção completa. E 77% das empresas reavaliam seus fornecedores de IA a cada seis meses ou de forma contínua.

O TechCrunch leu esses números como um alerta para startups: receita recorrente que se renova a cada seis meses vale menos do que receita recorrente em contrato plurianual. A própria Madrona, conforme citada, descreve “uma dinâmica de entra rápido, sai rápido, fundamentalmente diferente do SaaS corporativo tradicional, em que contratos plurianuais ofereciam um fosso de inércia”. Em IA corporativa, “os custos de troca são menores e a cadência de reavaliação é implacável”.

Lidos da cadeira do comprador, os mesmos dados descrevem outra coisa. A governança de IA do lado de quem compra chegou como um compromisso na agenda. Três quartos das empresas pesquisadas já sentam duas vezes por ano, ou continuamente, para perguntar se cada fornecedor de IA ainda merece o lugar. O mecanismo existe. O que eu acrescentaria a essa reunião é um par de métricas que a tornaria decisiva.

A governança chegou como cadência

Programas de governança costumam nascer como política: documentos de uso aceitável, inventários de modelos, fluxos de aprovação. Na minha experiência, levam trimestres para redigir e mais tempo ainda para fazer valer. Uma cadência de reavaliação faz parte do mesmo trabalho sem redigir nada. A cada seis meses alguém precisa responder, com consequência orçamentária, se o fornecedor entregou.

Os dois números da Madrona se reforçam. O orçamento cresce em 74% dos respondentes, e 77% deles reabrem a decisão de fornecedor pelo menos a cada seis meses. Mais gasto, revisado com mais frequência. O fornecedor que sobrevive à revisão mantém uma conta em crescimento. O que falha não tem contrato plurianual para se apoiar.

Tratamos o lado do investidor em o ARR quebrou na era da IA, a partir das entrevistas de Simon Wu. A Madrona é outro conjunto de dados: 150 profissionais de TI corporativa descrevendo o próprio comportamento. Confirma o padrão pelo lado da demanda, que é o lado que decide.

Pelo que os compradores dizem querer pagar

O TechCrunch cita também uma segunda pesquisa, da Andreessen Horowitz, atribuída a Tugce Erten e Sarah Wang. Cinquenta compradores responderam como preferem pagar. Mais da metade quer tarifas de IA atreladas ao trabalho produzido ou a outros resultados, em vez de atreladas ao uso, como a quantidade de tokens consumidos.

Cinquenta respondentes é uma amostra pequena, e a pesquisa não tem link público no artigo. Trate a direção como o achado e a proporção exata como indicativa. A direção combina com a cadência da Madrona. Quem revisa fornecedores a cada seis meses quer um número que se conecte a resultado de negócio, e volume de tokens não se conecta a nada que um CFO reconheça.

O texto de ontem, quando o LLM julga a fatura, tratou da precificação por resultado do lado do fornecedor e do problema mais difícil por baixo dela: quem decide que um resultado foi concluído. Não vou refazer esse argumento aqui. O que importa para o modelo do comprador é que a questão do julgamento precisa estar resolvida antes que custo por resultado sirva como métrica de revisão.

Antes disso, acompanhamos o fim da tarifa fixa e a migração para cobrança por token. Custo por resultado é o passo seguinte no mesmo caminho. A cobrança por token tornou o custo visível por requisição. A contabilidade por resultado o torna visível por entrega, e as duas medidas nem sempre andam juntas.

A IDC, citada no mesmo artigo do TechCrunch, projeta gasto corporativo em tecnologia de US$ 4,25 trilhões em 2026. A fatia de IA desse total é o que as revisões semestrais estão redistribuindo.

O par de métricas que um fornecedor propôs

A formulação mais clara da métrica veio de um fornecedor. Steve Sweetman, VP de Gestão de Produto para Foundry Models na Microsoft, publicou no blog do Azure (datado de 26 de agosto, com o ano de 2026 nos metadados da página) um texto em que defende que o número a gerenciar é “o custo de um resultado bem-sucedido”. O preço do token, no argumento dele, deixa de ser a métrica principal.

O raciocínio dele é mecânico. “Um único resultado concluído pode exigir uma dúzia de requisições ao modelo.” Em cargas agênticas, o prefixo do prompt é reenviado a cada turno, então “um agente que leva 10 turnos paga por esse prefixo 10 vezes”. Um time que otimiza custo por requisição consegue baixá-lo e ainda assim perder dinheiro: “Uma otimização que reduz o primeiro enquanto aumenta o número de turnos piorou as coisas, e só o segundo vai mostrar isso.”

Esse é o par. Custo por requisição e custo por resultado concluído, acompanhados juntos, no mesmo período, a partir da sua própria telemetria. Qualquer um dos dois sozinho engana. O custo por requisição cai quando o fornecedor troca por um modelo mais barato. Se o modelo mais barato precisa de mais turnos para terminar, o custo por resultado sobe e a primeira métrica esconde isso. A frase de Sweetman vale para o comprador tanto quanto para o fornecedor: “Você não consegue ajustar o que não consegue ver, e não pode reivindicar uma economia que não mediu.”

Um fornecedor propondo a métrica que disciplinaria a própria precificação merece ser levado ao pé da letra nesse ponto. É também a métrica que, uma vez no seu modelo de revisão, permite comparar fornecedores que precificam de formas diferentes.

Alavancas do fornecedor, rotuladas como tal

O artigo de Sweetman lista as alavancas que o Azure oferece para reduzir custo, e cada número ali é afirmação de fornecedor, sem dado de cliente. Implantações em lote trazem “até 50% menos custo”. Leituras de cache têm “desconto de até 100% em implantações provisionadas”. Ambos são tetos, marcados com “até”. Subconjuntos de modelos “agora se alinham ao Azure Policy” e “restringem o roteamento a uma lista aprovada onde há uma fronteira de conformidade”.

Para o modelo de revisão, os números importam menos do que as perguntas que geram. Um fornecedor que promete economia em lote deve conseguir mostrar a sua fatia de lote e o desconto que você de fato obteve. Um fornecedor que oferece cache deve conseguir mostrar a sua taxa de acerto. E o item da lista de modelos aprovados é um controle de governança independentemente da economia: para quais modelos este produto pode rotear as suas requisições, quem aprovou essa lista e se ela mudou desde a última revisão. Roteamento que migra em silêncio para um modelo mais barato é uma melhoria de custo por requisição e um evento de conformidade ao mesmo tempo.

Um modelo de reavaliação

Nem o texto do TechCrunch nem o de Sweetman propõem um modelo de revisão. O que segue é proposta minha, montada a partir dos dados delas. Seis itens, na ordem em que a reunião deveria tratá-los.

Custo por requisição e custo por resultado concluído, os dois, no período da revisão, a partir dos seus próprios logs. Se o fornecedor entrega só o primeiro, registre isso como achado.
A definição de resultado concluído, por escrito, e o nome de quem julga. Se o sistema do fornecedor decide, diga isso. O problema do julgamento é o argumento inteiro numa linha.
Turnos por resultado, em tendência. A dúzia de requisições de Sweetman é ilustração de fornecedor, então meça a sua. Tendência subindo com custo por requisição caindo é o modo de falha que ele descreve.
A lista de modelos aprovados. Quais modelos, aprovados por quem, alterados quando.
Situação dos pilotos. Menos da metade chega à produção, segundo a Madrona. A revisão é onde cada um é promovido, estendido com justificativa escrita ou encerrado.
Custo de saída, verificado. A Madrona relata custos de troca menores em IA corporativa. Teste a afirmação contra a sua própria integração antes de contar com ela. Um fornecedor do qual você não consegue sair é um fornecedor que você não consegue revisar.

Os itens 1 e 3 são o par que Sweetman propôs. Os itens 2 e 4 são governança. Os itens 5 e 6 são a parte dos dados da Madrona que vira decisão.

Faça isso agora

Encontre a próxima revisão de fornecedor de IA na sua agenda. Se ela não existe, a sua organização está fora dos 77%, e a primeira ação é criar uma, com no máximo seis meses de prazo.

Antes da reunião, extraia dois números da sua própria telemetria para cada produto de IA em escopo: custo por requisição e custo por resultado concluído, com a sua definição de “concluído” escrita ao lado do segundo. Depois peça a cada fornecedor os mesmos dois números pelo lado deles. O fornecedor que responde aos dois deu a você uma base para os próximos seis meses. O fornecedor que responde só ao primeiro contou o que a precificação dele foi desenhada para esconder.

Fontes

TechCrunch (Julie Bort, citando pesquisas da Madrona e da Andreessen Horowitz). “Startup ARR Is Less Secure Than Ever, New Research Shows.” Setembro de 2026. O relatório da Madrona é nomeado, mas não linkado no texto do TechCrunch; os números aparecem aqui como o TechCrunch os reportou.
Microsoft (Steve Sweetman, Foundry Models). “The Economics of Agent Optimization: Four Ways to Lower the Cost.” Agosto de 2026.

A Victorino ajuda líderes de engenharia e de finanças a montar a revisão de fornecedores de IA que mede custo por resultado concluído ao lado do custo por requisição: contato@victorino.com.br | www.victorino.com.br