Quando a IA custa mais do que o engenheiro
A alegação de que os gastos com IA em breve rivalizarão ou ultrapassarão os salários de engenheiros de software está sendo contestada como baseada em comparações enganosas entre laboratórios de IA que treinam grandes modelos e empresas comuns que apenas os consomem. Os comentaristas argumentam que incluir enormes custos de treinamento de modelos ao falar de gasto com ferramentas por engenheiro é como comparar o orçamento total de uma fábrica de montadoras com a caixa de ferramentas de um mecânico, e que os custos de IA deveriam ser ligados aos ganhos reais de produtividade e aos padrões de uso. Muitos esperam que os preços de tokens caiam e que os modelos de pesos abertos melhorem, mas observam que as restrições reais serão quão bem as equipes gerenciam o uso de IA, evitam “doom loops” desperdiçadores e integram essas ferramentas em fluxos de trabalho em que elas realmente ampliem o trabalho humano.
Falhas na comparação de custos
- Muitos argumentam que o artigo é “lixo” porque mistura custos de treinamento de IA em laboratórios de modelos com inferência e uso de ferramentas em empresas comuns.
- Usar o gasto computacional da Anthropic por funcionário como referência para “gasto com IA por engenheiro” é visto como incoerente: o compute deles é matéria-prima para o produto, não ferramenta para funcionários.
- Críticos dizem que isso é como contar a extração de petróleo como “gasto com combustível” para a Shell, ou concreto como “ferramentas elétricas” para uma construtora.
Quem paga pelo treinamento e pelo compute
- Alguns dizem que todos os custos de treinamento acabam, em última instância, sendo repassados aos clientes, então eles importam, sim.
- Outros observam a incerteza: os cronogramas de amortização são desconhecidos; laboratórios podem quebrar; investidores ou adquirentes podem arcar com grande parte do custo.
- Vários enfatizam que laboratórios de IA são negócios industriais intensivos em capex, não empresas de software típicas dominadas por folha de pagamento.
Analogias e enquadramento econômico
- Múltiplas analogias (martelos vs. punhos, água engarrafada, peças vs. mão de obra de montadoras) são usadas para mostrar por que comparar o gasto com compute em um laboratório de IA com o gasto com ferramentas de IA em empresas normais é enganoso.
- Alguns discordam, dizendo que uma análise real de custo-benefício deveria incluir o custo total da cadeia de ferramentas, não apenas o uso marginal.
Gasto com IA vs. produtividade de engenheiros
- O valor máximo citado no artigo (IA em cerca de 40% do custo de um engenheiro sênior) é visto como notável, mas longe de “mais do que um engenheiro”.
- Alguns argumentam que até gastar 2× o salário de um engenheiro em IA seria racional se isso realmente gerasse 10× de produtividade.
- Outros duvidam desses ganhos e esperam que as empresas introduzam “orçamentos de tokens” e gestão de desempenho ligados ao custo de IA.
Experiências reais de desenvolvedores
- Muitos tratam LLMs como devs juniores muito capazes, porém propensos a erros: ótimos para boilerplate, mapeamentos, correções de bugs, explicações e POCs, mas exigindo revisão cuidadosa.
- Os ganhos de produtividade relatados se concentram em “talvez 2×, não 3,3×”, com muito tempo agora gasto em especificações e revisões.
- Alguns relatam um “problema da última milha”, em que a IA chega a 90% e o 10% final fica caro; outros dizem que prompts melhores e escopo mais bem definido resolvem isso em grande parte.
Modelos mais baratos / abertos e controle de custos
- Alguns esperam que modelos de pesos abertos entreguem valor semelhante por cerca de 1/10 do custo, especialmente para tarefas comuns.
- Outros retrucam que modelos de fronteira ainda importam para casos extremos de alto impacto, em que até pequenos ganhos de desempenho valem milhões.
- Há discordância sobre a trajetória: um lado afirma que as melhorias dos modelos estão desacelerando; outros contestam isso fortemente.
Ângulos organizacionais e estratégicos
- Vários veem o gasto atual com IA como impulsionado por hype e pela busca do próximo “objeto brilhante”, muitas vezes subsidiado por créditos ou dinheiro de VC.
- Há ceticismo de que fluxos de trabalho agentivos caros (por exemplo, auto-corrigir tickets) sobrevivam quando os créditos grátis acabarem e os verdadeiros custos de cloud + tokens ficarem visíveis.
- Surge alguma crítica geral à tomada de decisão executiva, a demissões justificadas por IA e a promessas excessivas sobre automação.