As organizações estão incentivando mais funcionários a desenvolver soluções com inteligência artificial, mas depender de uma única ferramenta de uso geral para todas as tarefas pode gerar resultados decepcionantes e enfraquecer a confiança na tecnologia. Quando isso acontece em grande escala, os trabalhadores podem refinar repetidamente os prompts até obter algo utilizável, um padrão descrito como “tokenmaxxing”.

A fonte argumenta que o tokenmaxxing é menos uma falha dos funcionários do que um sintoma de objetivos pouco claros, limites insuficientes e formas limitadas de medir os gastos e os resultados da IA. Culpar simplesmente os funcionários ou acrescentar treinamentos amplos sobre uso responsável não resolve esses problemas subjacentes.

Os processos tradicionais de aquisição também podem entrar em conflito com a velocidade do desenvolvimento da IA. Enquanto a aprovação de um software corporativo pode levar meses, um funcionário pode acessar um chatbot público e gerar uma página de destino em poucos segundos. Se as ferramentas aprovadas forem lentas demais ou restritivas, os trabalhadores poderão recorrer a serviços não avaliados, potencialmente inserindo informações proprietárias em modelos públicos e criando riscos de governança de dados.

Os protótipos resultantes podem introduzir problemas adicionais. Eles podem conter código de baixa qualidade, não seguir os sistemas de design corporativos ou requisitos de acessibilidade, como o WCAG 2.2, e omitir práticas básicas de autenticação. Restringir o acesso não necessariamente interrompe esse comportamento; os funcionários podem, em vez disso, pagar pelas assinaturas do próprio bolso, transferindo os custos para fora da visibilidade financeira imediata da organização.

O artigo também relaciona o uso não gerenciado de IA à pressão por retornos mais rápidos. Uma pesquisa da Teneo com mais de 350 CEOs de empresas públicas e 400 investidores institucionais constatou que 53% dos investidores esperavam retornos positivos de novas iniciativas de IA em seis meses ou menos, em comparação com 16% dos CEOs de empresas de grande capitalização que acreditavam poder cumprir esse prazo. Os CEOs também relataram que menos da metade de seus projetos atuais de IA estava gerando um retorno positivo sobre o investimento.

Ao mesmo tempo, espera-se que o uso de tokens cresça significativamente. A Goldman Sachs Research prevê um aumento de 24 vezes no consumo mensal de tokens, chegando a 120 quatrilhões de tokens entre 2026 e 2030, enquanto os fornecedores de semicondutores estão obtendo reduções anuais de 60% a 70% no custo por token. Preços mais baixos poderiam incentivar um uso maior, especialmente à medida que as organizações implementam agentes autônomos de IA.

Os agentes podem consumir substancialmente mais tokens do que uma pessoa trabalhando por meio de um prompt, pois repetem consultas em sequências. Um agente encarregado de uma tarefa pouco clara pode continuar operando muito depois de uma pessoa ter questionado se o trabalho valia a pena. Parte desses gastos é destinada a protótipos que nunca chegam à produção.

A Gartner constatou que pelo menos metade dos projetos de IA generativa havia sido abandonada após a etapa de prova de conceito até o final de 2025. Entre os motivos estavam a baixa qualidade dos dados, controles de risco inadequados, custos crescentes e valor empresarial pouco claro. Protótipos que exigem que os engenheiros os reconstruam desde o início também podem consumir tanto os orçamentos de tokens quanto um tempo de engenharia valioso.

Isso pode aprofundar a desconfiança entre as equipes técnicas. A pesquisa de 2025 com desenvolvedores do Stack Overflow constatou que 46% dos desenvolvedores desconfiavam da precisão dos resultados gerados por IA. Respostas “quase certas” eram a principal frustração para 66% dos desenvolvedores, enquanto 45% disseram que depurar código gerado por IA levava mais tempo.

A alternativa proposta não é limitar o acesso à IA, mas tornar seu uso mais específico e responsável. Dar às equipes não relacionadas à engenharia a capacidade de desenvolver soluções pode ajudar a criar softwares moldados por pessoas que entendem o requisito empresarial. No entanto, cada uso deve ter uma finalidade claramente definida, e os funcionários devem ser capazes de explicar o que determinado gasto de tokens pretendia alcançar.

Em vez de tratar uma caixa de chat de uso geral como a interface padrão, as organizações poderiam oferecer fluxos de trabalho e agentes adaptados a funções específicas. Esses ambientes poderiam incluir limites de execução, diretrizes de marca, fontes aprovadas, requisitos de segurança e componentes pré-construídos. Incorporar esses controles ajudaria os funcionários a produzir aplicações mais próximas da conformidade e prontas para a produção, sem exigir solicitações separadas para cada proteção.

A fonte descreve uma empresa de médio porte na qual uma equipe de análise de dados composta por três pessoas criou um agente para analisar informações em seus sistemas. A implementação economizou para cada membro da equipe entre 12 e 13 horas de trabalho manual por semana. O agente tinha uma tarefa definida e operava dentro de parâmetros predeterminados, em vez de funcionar como um chatbot sem restrições.

O argumento central é que a queda dos preços dos tokens não elimina a necessidade de supervisão financeira. As organizações devem primeiro definir, em termos simples, o que querem que a IA realize e, então, alinhar as ferramentas, os limites e os gastos a esse propósito. Sem essa clareza, uma cobrança inesperada é apenas um sintoma de uma falha mais ampla em estabelecer qual deve ser o papel da IA.

Fontes: TechRadar.