Quando a IA custa mais do que o engenheiro
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.