Os Gastos da Amazon e do Google com IA Revelam a Crise Oculta de Custos em CX Empresarial

A Amazon elevou seu plano de gastos de capital para 2026 para US$ 220 bilhões, apesar de registrar o crescimento mais rápido da AWS em 18 trimestres. A corrida de infraestrutura entre Amazon e Google agora expõe uma verdade difícil para as equipes de experiência do cliente empresariais. A demanda por IA está em alta, mas os sistemas que atendem essa demanda exigem mais capital, hardware escasso e compromissos mais longos.

Isso não é evidência de que a IA empresarial tenha fracassado. O negócio de nuvem da Amazon cresceu 37% durante o segundo trimestre, enquanto seus negócios de IA e chips ultrapassaram, cada um, uma taxa anualizada de US$ 25 bilhões. Ainda assim, a Amazon espera que sua capacidade de infraestrutura fique abaixo da demanda durante 2026.

O Google enfrenta a mesma tensão em outra escala. A receita do Google Cloud cresceu 82%, enquanto a Alphabet elevou seus gastos de capital esperados para 2026 para entre US$ 195 bilhões e US$ 205 bilhões. Ambas as empresas mostram que uma maior adoção de IA não produz automaticamente experiências do cliente mais baratas e simples.

Para as empresas, a questão vai além da conta de nuvem. Sistemas de experiência do cliente baseados em IA precisam de inferência de modelos, recuperação de dados, controles de segurança, avaliação, revisão humana e integrações com plataformas existentes. Cada camada acrescenta custo antes que uma organização possa comprovar que a experiência é melhor.

Os Números da Amazon no 2º Trimestre Mudaram o Debate Sobre Custos de IA

Os resultados da Amazon mostram que uma forte demanda por IA e uma severa pressão de custos podem coexistir.

A Amazon divulgou seus resultados do segundo trimestre em 30 de julho de 2026. As vendas da AWS cresceram 37% durante o período de abril a junho, acelerando em relação aos 28% do trimestre anterior. A empresa descreveu esse desempenho como o crescimento mais rápido da AWS em 18 trimestres.

A Amazon também afirmou que seu negócio de IA e seu negócio de chips ultrapassaram, cada um, uma taxa anualizada de US$ 25 bilhões. Esses números sugerem que os clientes estão comprando infraestrutura, em vez de apenas testá-la.

Os gastos necessários para sustentar esse crescimento subiram com a mesma intensidade. O diretor-executivo Andy Jassy aumentou os gastos de capital esperados da Amazon para 2026 de aproximadamente US$ 200 bilhões para US$ 220 bilhões. O total inclui investimentos em infraestrutura de IA, semicondutores, robótica e satélites.

Custos mais altos de memória foram um dos principais motivos para os gastos adicionais, segundo Jassy. A memória é essencial para treinar modelos e executar inferência, ou seja, atender usuários com um modelo treinado. Portanto, o aumento dos custos dos componentes afeta tanto sistemas experimentais quanto cargas de trabalho de produção já estabelecidas.

Os materiais de resultados do 2º trimestre da Amazon estabelecem o momento do anúncio. Reportagens posteriores mostraram por que o aumento importava. A empresa havia gasto cerca de US$ 128 bilhões no ano anterior, tornando o novo plano um avanço significativo.

O aumento dos gastos não refletiu apenas construções ociosas. Jassy afirmou que a Amazon ainda não teria capacidade suficiente para atender toda a demanda esperada para 2026. Ele também descreveu como impressionante a demanda já visível para 2028.

Esse detalhe muda a interpretação do trimestre. A Amazon não está construindo infraestrutura porque a demanda por IA permanece hipotética. Ela está gastando pesadamente enquanto informa aos investidores que a demanda dos clientes ainda supera a oferta disponível.

A restrição também complica uma suposição comum das empresas. Compradores frequentemente esperam que uma maior escala de nuvem torne cada geração de automação mais barata. A escala ajuda, mas não pode compensar integralmente a escassez, as exigências de eletricidade, a construção de data centers e a substituição frequente de hardware.

Para uma equipe de experiência do cliente, isso importa no momento da implantação. Um piloto pode lidar com vários milhares de conversas com velocidade e precisão aceitáveis. Um serviço de produção precisa suportar picos sazonais, interrupções, mudanças de modelo e comportamentos imprevisíveis dos clientes.

Sistemas de produção também precisam de capacidade de reserva. Um contact center não pode simplesmente deixar de responder quando a demanda por inferência aumenta em outro lugar. O provedor precisa manter hardware e capacidade de rede suficientes para cumprir os compromissos de serviço durante os períodos de pico.

Essa confiabilidade tem um custo real. Ela aparece em cobranças por uso, capacidade reservada, taxas de plataforma, trabalho de implementação ou limites impostos à qualidade do modelo e ao tamanho das respostas. Uma empresa pode evitar possuir servidores e ainda assim pagar pela infraestrutura por trás de cada interação.

O trimestre da Amazon, portanto, expôs o conflito central. A demanda valida a oportunidade da IA, mas o custo de atender essa demanda continua aumentando. Os compradores de CX empresarial estão na ponta receptora desse conflito.

A Corrida entre Amazon e Google Leva Custos aos Compradores Empresariais

A competição entre Amazon e Google amplia a capacidade de IA, mas também pressiona os clientes a assumirem compromissos maiores e mais cedo.

O Google divulgou seus resultados do segundo trimestre uma semana antes da Amazon. A receita do Google Cloud cresceu 82%, e sua carteira de pedidos em nuvem atingiu US$ 514 bilhões. A Alphabet também informou que quase 90% das empresas da Fortune 100 utilizavam Gemini Enterprise.

O crescimento do Google oferece uma comparação importante porque enfraquece a crítica mais simples aos gastos da Amazon. A Amazon não está agindo sozinha nem respondendo apenas a ineficiência específica da empresa. Vários provedores de nuvem estão ampliando investimentos enquanto reportam forte demanda.

A Alphabet espera gastos de capital para 2026 entre US$ 195 bilhões e US$ 205 bilhões. Sua previsão anterior variava de US$ 180 bilhões a US$ 190 bilhões. A maior parte desses gastos apoia infraestrutura técnica, incluindo servidores e data centers usados para cargas de trabalho de IA.

As declarações de resultados do Google também enfatizam gestão de custos e governança dentro do Gemini Enterprise. Esse posicionamento reconhece uma preocupação que já está saindo dos departamentos financeiros e chegando às decisões operacionais de compra.

A rivalidade entre Amazon e Google oferece aos compradores empresariais mais opções de infraestrutura. A AWS oferece Amazon Bedrock, seus modelos Nova, modelos Anthropic e chips Trainium personalizados. O Google combina modelos Gemini, sua plataforma de nuvem e unidades proprietárias de processamento tensorial.

Chips personalizados podem reduzir a dependência de aceleradores externos e melhorar o desempenho para cargas de trabalho selecionadas. No entanto, eles também incentivam os clientes a projetar sistemas em torno da arquitetura de um provedor. Mudar posteriormente pode exigir novos testes, trabalho com dados e alterações nas aplicações.

A escolha de modelos cria uma troca semelhante. Uma empresa pode direcionar solicitações simples para modelos menores e solicitações difíceis para modelos maiores. Essa abordagem pode reduzir o uso de inferência, mas adiciona trabalho de orquestração, monitoramento e avaliação.

A concorrência, portanto, reduz alguns custos unitários enquanto aumenta a complexidade dos sistemas. As empresas ganham mais opções, mas precisam desenvolver a expertise necessária para usar essas opções com responsabilidade. Uma tarifa menor por token oferece pouco valor quando erros de roteamento aumentam as escaladas ou produzem respostas incorretas.

As apostas são especialmente altas na experiência do cliente. Um assistente de programação pode pedir a um desenvolvedor que revise uma saída. Um agente voltado ao cliente frequentemente responde diretamente a alguém que espera uma resposta correta, uma política clara e resolução imediata.

Uma explicação incorreta sobre cobrança pode gerar contatos repetidos. Um reembolso sem respaldo pode causar perda financeira. Uma declaração de conta confiante, mas falsa, pode desencadear problemas legais, regulatórios e reputacionais.

Esses riscos obrigam as empresas a cercar modelos generativos de controles. A geração aumentada por recuperação conecta um modelo a informações aprovadas da empresa antes de ele responder. Barreiras de proteção restringem a saída, enquanto sistemas de avaliação testam se as respostas atendem a padrões definidos.

Cada controle consome tempo de engenharia e recursos computacionais. Sistemas de recuperação exigem dados indexados. Avaliações exigem conversas de teste, chamadas de modelo, revisores e medição repetida sempre que um modelo ou prompt muda.

Amazon e Google podem distribuir o investimento em infraestrutura entre milhares de clientes. Empresas individuais não conseguem distribuir os custos de integração e governança de forma tão ampla. Sua justificativa de negócio depende de um conjunto mais restrito de fluxos de trabalho e resultados mensuráveis.

É aqui que o ônus dos custos se desloca. Os hyperscalers financiam os data centers, mas os clientes financiam a etapa final entre um modelo capaz e uma experiência confiável. Essa etapa final frequentemente determina se um programa de IA cria valor.

O resultado não é uma simples inflação de preços. É um problema de compromisso. As empresas precisam escolher provedores, arquiteturas e modelos operacionais antes que o custo e a qualidade de longo prazo se tornem plenamente visíveis.

A Economia de CX Empresarial Quebra Após o Piloto

A crise oculta começa quando uma demonstração controlada se torna uma operação de atendimento ao cliente com responsabilidade.

Um piloto geralmente testa se um modelo consegue responder a perguntas selecionadas. Ele pode usar documentos organizados, funcionários colaborativos e um conjunto limitado de conversas. A produção introduz dados incompletos, solicitações incomuns, clientes emocionais e políticas conflitantes.

O modelo é apenas uma parte do custo de produção. Um sistema completo precisa identificar o cliente, recuperar informações da conta, aplicar permissões, registrar decisões e transferir casos difíceis. Ele também precisa proteger dados confidenciais em cada etapa.

A latência cria outra camada de custos. Os clientes esperam que sistemas conversacionais respondam rapidamente, mesmo quando uma solicitação exige várias chamadas de modelo. Um raciocínio mais longo pode melhorar algumas respostas, mas também consome mais processamento e atrasa a conversa.

As organizações podem reduzir a latência com modelos menores ou respostas em cache. Essas escolhas podem reduzir a qualidade em casos complexos. As equipes precisam decidir onde uma saída mais rápida e barata continua aceitável e, então, comprovar essa escolha por meio de testes.

Os volumes de contato também podem mudar após a implantação. Um canal digital mais fácil às vezes atrai perguntas que os clientes antes abandonavam. A automação pode reduzir o atendimento por agentes enquanto aumenta o total de interações.

Portanto, uma empresa pode reportar uma alta taxa de contenção sem melhorar a economia geral. A contenção mede a frequência com que uma conversa termina sem um agente humano. Ela não revela se o cliente recebeu uma resolução correta ou duradoura.

Os contatos repetidos importam mais. Se um sistema de IA fornece uma resposta incompleta, o cliente pode retornar por chat, telefone e e-mail. A primeira interação parece automatizada, enquanto toda a jornada se torna mais cara.

As empresas precisam de métricas de resultado que conectem o comportamento da IA aos resultados do negócio. Elas incluem taxas de contato repetido, conclusão bem-sucedida de tarefas, frequência de correções, qualidade das escaladas e esforço do cliente. O tempo médio de atendimento, por si só, não consegue capturar esses efeitos.

A preparação de dados cria outra grande despesa. As políticas de atendimento ao cliente frequentemente estão distribuídas entre sites, plataformas de suporte, documentos internos e mensagens de funcionários. Algumas fontes estão atualizadas, enquanto outras contêm instruções obsoletas ou conflitantes.

Um modelo não consegue resolver esses conflitos de forma confiável por conta própria. As equipes precisam de regras de propriedade, controle de versão, permissões e processos de revisão. Uma base de conhecimento de IA pesquisável pode apoiar a recuperação, mas a governança de conteúdo continua sendo uma responsabilidade humana.

Agentes de IA tornam o problema maior. Um agente pode selecionar ferramentas e executar etapas em direção a um objetivo, em vez de apenas gerar texto. Essa capacidade ajuda com alterações de pedidos, agendamentos, solução de problemas e atualizações de contas.

A ação também aumenta o custo da falha. Uma resposta fraca pode frustrar um cliente, enquanto uma ação incorreta pode alterar uma conta ou criar uma obrigação financeira. As empresas precisam adicionar regras de autorização, trilhas de auditoria e procedimentos de reversão.

A supervisão humana não desaparece nesse modelo. Ela muda de lugar. Os funcionários deixam de lidar com cada solicitação para revisar exceções, manter o conhecimento, investigar falhas e melhorar o sistema.

Esse trabalho é difícil de estimar durante a contratação. Os fornecedores podem demonstrar o desempenho do modelo, mas não conseguem prever plenamente o estado dos dados de uma empresa. Também não conseguem determinar quanto risco a organização aceitará.

A corrida de infraestrutura entre Amazon e Google intensifica esse desafio ao acelerar os lançamentos de modelos e plataformas. Lançamentos mais rápidos criam novas capacidades, mas cada mudança pode afetar a qualidade das respostas, a latência e o custo. As equipes de produção precisam decidir quando retestar vale a interrupção.

Uma plataforma de experiência do cliente também pode depender de vários fornecedores. Um fornecedor disponibiliza o contact center, outro hospeda os dados e um terceiro fornece o modelo. A observabilidade e a responsabilidade passam a ser divididas entre contratos.

Quando uma resposta fica lenta ou falha, a empresa precisa identificar qual camada causou o problema. Essa investigação demanda tempo e equipe especializada. Os clientes vivenciam o sistema combinado, não as fronteiras entre seus fornecedores.

A questão econômica, portanto, é mais ampla do que saber se a IA custa menos do que um minuto de atendimento humano. Os líderes devem comparar jornadas completas, incluindo automação malsucedida, contatos repetidos, governança, integrações e uso de infraestrutura.

Uma implantação bem-sucedida ainda pode gerar economias significativas. Solicitações rotineiras com políticas claras continuam sendo fortes candidatas. O risco está em supor que o sucesso em um fluxo de trabalho restrito define a economia de toda interação com o cliente.

O Crescimento Mais Rápido da Nuvem Não Prova uma Melhor Experiência do Cliente

Amazon e Google comprovaram a demanda por infraestrutura de IA, mas não comprovaram que toda implantação empresarial produz uma CX melhor.

O crescimento da AWS da Amazon e a aceleração do Google Cloud evidenciam os gastos dos clientes. Eles não revelam quanto desse gasto sustenta experimentos, treinamento, migração ou sistemas de produção lucrativos.

A receita de nuvem também mede o resultado do fornecedor, não o retorno do comprador. Um fornecedor se beneficia sempre que um cliente consome mais computação. O cliente se beneficia apenas quando esse consumo gera custos menores, receita maior, risco reduzido ou uma experiência melhor.

Essa diferença cria uma lacuna de incentivos. Os fornecedores querem que as cargas de trabalho se expandam. Os líderes empresariais precisam decidir quais cargas merecem expansão e quais devem permanecer determinísticas, conduzidas por humanos ou sem suporte.

Os resultados da Alphabet ilustram os dois lados. O crescimento da nuvem chegou a 82%, mas a empresa também elevou sua previsão de gastos de capital. A cobertura do trimestre observou que investidores questionaram se o aumento do investimento em infraestrutura pressionaria a geração de caixa.

A rápida expansão do Google não invalida sua estratégia. A forte demanda por nuvem e uma grande carteira de pedidos oferecem evidências de que os clientes valorizam sua capacidade. A incerteza diz respeito ao momento e à durabilidade dos retornos.

A Amazon enfrenta o mesmo teste. Segundo a cobertura dos resultados, o fluxo de caixa livre anual ficou negativo à medida que os gastos aceleraram. A empresa argumenta que a construção atual atende à futura demanda contratada.

Essa explicação é plausível porque data centers levam anos para ser planejados e construídos. Os servidores chegam mais perto da ativação, enquanto os edifícios podem suportar várias gerações de hardware. A Amazon pode ajustar alguns pedidos de equipamentos se a demanda enfraquecer.

No entanto, nem todo custo permanece flexível. Terrenos, contratos de energia, capacidade de rede e construção representam compromissos de longo prazo. A escassez de memória e aceleradores também pode elevar os custos depois que os planos de capacidade já estão em andamento.

As empresas enfrentam uma versão menor desse descompasso de tempo. Elas pagam por integração e governança antes que a adoção se torne previsível. Os benefícios chegam apenas depois que os clientes usam o sistema com sucesso e as equipes operacionais redesenham seu trabalho.

Isso torna os cálculos de retorno sensíveis às premissas. Uma pequena mudança nas taxas de escalonamento pode alterar as necessidades de equipe. Uma pequena queda de qualidade pode gerar mais contatos repetidos do que a automação elimina.

Os benchmarks dos fornecedores raramente resolvem essa questão. Testes padronizados medem as capacidades dos modelos sob condições definidas. A CX empresarial depende de dados privados, políticas locais, comportamento dos clientes e qualidade dos sistemas conectados.

A visão cética também questiona a expressão “crise de custos da IA”. O gasto com infraestrutura por si só não prova que a CX empresarial está se tornando inacessível. O crescimento da nuvem sugere que muitos clientes enxergam valor suficiente para continuar comprando.

A eficiência pode melhorar rapidamente à medida que modelos, chips e software amadurecem. Modelos menores já lidam com tarefas que antes exigiam sistemas maiores. O silício personalizado da Amazon e do Google pode reduzir custos para cargas de trabalho adequadas a esses chips.

A conclusão correta é mais restrita. As empresas não podem tratar a queda nos custos dos modelos como garantia de queda nos custos totais. Melhorias na camada do modelo podem ser compensadas por maior uso, escopo mais amplo, controles mais rígidos e maior complexidade de integração.

A Microsoft oferece uma comparação útil. Seus gastos trimestrais de capital subiram 70%, para US$ 41 bilhões, enquanto cerca de dois terços sustentavam ativos de vida mais curta, como processadores e chips gráficos. O ciclo de substituição de ativos mostra com que rapidez a infraestrutura pode envelhecer.

Esse ciclo afeta os contratos com clientes mesmo quando os fornecedores absorvem a compra inicial. Os fornecedores precisam recuperar o capital por meio de utilização, preços ou serviços de maior valor. A concorrência limita sua liberdade, mas não elimina o custo subjacente.

Os líderes de CX devem testar tanto as alegações otimistas quanto as pessimistas. Não devem presumir que toda conversa automatizada gera economia. Também não devem supor que os pesados gastos dos hyperscalers significam que a adoção de IA não tem um retorno viável.

A evidência decisiva vem de resultados estáveis em produção. Um sistema precisa manter a qualidade durante picos, atualizações de modelo, mudanças de política e solicitações incomuns. Também precisa gerar benefícios depois que todo o trabalho de suporte for contabilizado.

O Que os Compradores Empresariais de IA Devem Observar a Seguir

Três sinais mostrarão se o atual ciclo de gastos reduz os custos de CX empresarial ou apenas os transfere para novas categorias.

O primeiro sinal é a conversão, pela Amazon, de capacidade em crescimento sustentado da AWS e geração positiva de caixa. Seu argumento atual depende de a infraestrutura entrar em operação e atender à demanda contratada. O forte crescimento precisa, em algum momento, superar o peso sobre o caixa criado pela construção e pelo hardware.

O crescimento da AWS chegou a 37% no segundo trimestre. A empresa também elevou os gastos porque a memória ficou mais cara. Os próximos trimestres devem mostrar se esse investimento adicional sustenta uma receita duradoura sem enfraquecer permanentemente a geração de caixa.

Um retorno ao fluxo de caixa livre positivo, acompanhado de contínua aceleração da AWS, fortaleceria o argumento da Amazon. Um crescimento mais lento da nuvem com outro aumento de gastos o enfraqueceria. Os compradores de CX devem acompanhar ambos os números, em vez de tratar o crescimento da receita como evidência suficiente.

O segundo sinal é a capacidade do Google Cloud de manter um crescimento excepcional enquanto administra seu plano de capital ampliado. O Google reportou crescimento de 82% na nuvem e uma carteira de pedidos de US$ 514 bilhões. Esses números criam uma comparação exigente para os próximos trimestres.

O Google também afirma que quase 90% das empresas da Fortune 100 usam o Gemini Enterprise. A próxima questão é a profundidade, não a quantidade de logotipos. Os compradores precisam de evidências de que as empresas estão passando de acesso e pilotos para cargas de trabalho recorrentes em produção.

O Google destacou quase 70 milhões de downloads de seu Agent Development Kit, uma estrutura para criar agentes de IA empresariais. Downloads indicam interesse de desenvolvedores, mas não medem implantações ativas nem resultados para clientes. O uso em produção fornecerá um sinal mais forte de adoção.

Se o Google sustentar o crescimento da nuvem enquanto a intensidade de capital se estabiliza, a corrida entre Amazon e Google poderá reduzir os custos unitários por meio de escala e silício personalizado. Se os gastos continuarem crescendo mais rápido do que a monetização, os clientes devem esperar uma gestão de uso mais rígida e maior pressão para assumir compromissos.

O terceiro sinal é o desempenho mensurável de CX dentro das empresas. Os compradores devem pedir aos fornecedores e às equipes internas métricas completas de jornada, não precisão de demonstração. Essas medições devem incluir conclusão de tarefas, contatos repetidos, escalonamentos, correções e esforço do cliente.

O custo por interação automatizada continua útil, mas apenas dentro desse conjunto mais amplo. Uma resposta barata que gera outro contato não é barata. Uma resposta mais cara que conclui uma tarefa difícil pode produzir uma economia melhor.

As empresas também devem acompanhar a frequência com que os sistemas exigem intervenção humana após a implantação. Esse número inclui escalonamentos visíveis e trabalho de manutenção invisível. Atualizações de conhecimento, mudanças de prompt, revisões de incidentes e verificações de conformidade consomem mão de obra.

As equipes de contratação podem melhorar as decisões separando três categorias de custo. A infraestrutura cobre chamadas ao modelo, armazenamento, rede e capacidade reservada. A implementação cobre integrações, preparação de dados, testes e desenho de fluxos de trabalho.

As operações cobrem monitoramento, avaliação, propriedade de conteúdo, revisões de segurança e tratamento de exceções. Uma proposta de fornecedor que combina essas categorias pode ocultar onde aparecerão futuros aumentos.

Os compradores também devem exigir portabilidade quando ela cria valor prático. O roteamento de modelos e interfaces comuns podem reduzir a dependência de um único fornecedor. A portabilidade completa continua difícil porque as nuvens diferem em identidade, dados, monitoramento e ferramentas para agentes.

O objetivo não deve ser independência teórica. Deve ser flexibilidade suficiente para mover cargas de trabalho selecionadas quando custo, qualidade ou risco mudarem. Essa posição dá às empresas poder de negociação sem obrigá-las a manter sistemas idênticos em todos os lugares.

As equipes devem começar com fluxos de trabalho em que o resultado desejado seja observável. Status de pedidos, mudanças de agendamento e caminhos aprovados de solução de problemas têm sinais de conclusão mais claros. Orientações abertas e decisões sensíveis sobre contas exigem maior cautela.

Em seguida, devem medir toda a jornada antes de expandir. Um piloto bem-sucedido só se torna significativo depois de sobreviver ao tráfego real e às mudanças de política. A expansão deve seguir as evidências, não a disponibilidade de um modelo mais novo.

A concorrência entre Amazon e Google continuará produzindo modelos mais rápidos e mais capacidade de nuvem. Ela não resolverá a qualidade dos dados, a responsabilização ou o desenho dos fluxos de trabalho de cada empresa. Esses continuam sendo problemas operacionais locais.

Os líderes de experiência do cliente agora enfrentam uma escolha direta. Podem tratar a IA como um crescente reservatório de inteligência barata ou gerenciá-la como um sistema de produção caro. A segunda visão gera melhores perguntas sobre qualidade, propriedade e retorno.

Antes de aprovar a próxima expansão de IA, identifique o resultado de negócio que precisa melhorar e todos os custos necessários para alcançá-lo. Depois, meça o desempenho depois que escalonamentos, contatos repetidos e supervisão humana forem incluídos. Se o sistema ainda gerar valor, amplie-o com confiança. Se o caso de negócio depender de ignorar esses custos, um modelo maior ou um compromisso com a nuvem não o corrigirá. A corrida de gastos entre Amazon e Google torna mais capacidade disponível, mas as empresas precisam decidir onde essa capacidade justifica seu lugar.