A IA chegou aos bancos prometendo produtividade. Agora, ela trouxe uma conta difícil de decifrar: o custo dos tokens. 💸🤖🧵 Grandes instituições de Wall Street estão descobrindo que expandir IA sem medir consumo pode virar um “cheque em branco” tecnológico.

Imagem indisponível

Primeiro, o básico: tokens são pequenos blocos de texto que os modelos de IA leem e geram. Perguntas, documentos, respostas e etapas de raciocínio consomem tokens — e, por trás deles, processamento em data centers.

O problema é que nem toda tarefa custa o mesmo. Uma IA que resume um e-mail pode usar poucos recursos. Já um agente autônomo, que pesquisa dados, consulta sistemas e executa várias etapas, pode consumir muito mais computação do que o previsto.

Imagem indisponível

Para os CFOs, isso complica o orçamento: sistemas legados, cibersegurança e exigências regulatórias já disputam verba. Somar IA sem saber o custo por operação torna difícil calcular retorno real sobre o investimento.

Há um contraste importante: CEOs destacam o potencial da IA em teleconferências de resultados, mas poucos bancos divulgam gastos detalhados ou ganhos financeiros mensuráveis. Segundo a Evident, só 12 dos 50 maiores bancos acompanhados reportaram retornos projetados ou realizados.

Imagem indisponível

É aí que entra a chamada “FinOps para IA”: acompanhar consumo, definir limites, escolher modelos adequados para cada tarefa e comparar custo com benefício. Nem todo processo precisa do modelo mais potente — ou mais caro.

A lição vai além de Wall Street: IA útil não é a que consome mais tokens, mas a que resolve um problema concreto com segurança, transparência e custo sustentável. A próxima vantagem competitiva pode ser saber quando NÃO usar a IA mais cara.

Imagem indisponível