Gastos com IA na Ramp Caíram entre as Principais Empresas, Desafiando a Aposta de Crescimento das Hyperscalers

Os gastos com IA na Ramp entre os usuários corporativos mais intensos caíram 9,7% em agosto, apesar de anos de expansão acelerada do consumo de IA empresarial. A queda reduziu o gasto mensal por funcionário no 1% das empresas que mais usam IA, de US$ 7.976 para US$ 7.205. Uma desaceleração no verão oferece uma explicação. A queda nos custos de tokens e a crescente preferência por modelos mais baratos sugerem outra, mais relevante.

Os mesmos dados mostraram que a adoção empresarial continuou avançando, mas apenas marginalmente. A Ramp constatou que 56% de seus clientes compraram produtos de IA em agosto, somente 0,4 ponto percentual acima de julho. Essa combinação — adoção mais lenta e menor gasto entre os maiores clientes — desafia as premissas por trás do boom de infraestrutura.

OpenAI, Anthropic e seus parceiros hyperscalers precisam de um uso crescente para superar a queda nos preços unitários. Compradores corporativos querem cada vez mais o modelo menos caro que conclua cada tarefa com confiabilidade. A diferença entre vender mais inteligência e entregar resultados mais baratos está agora no centro da economia da IA.

Os Gastos com IA na Ramp Perderam Ritmo em Agosto

A queda de agosto importa porque ocorreu entre os clientes dos quais se espera uma contribuição desproporcional para a futura receita de IA.

A Ramp baseou sua análise mais recente em dados anonimizados de transações de mais de 70.000 empresas. A plataforma financeira acompanha pagamentos por assinaturas de IA e uso de tokens, oferecendo uma visão direta das compras corporativas.

O Índice de IA de setembro constatou que a adoção continuou crescendo em agosto. No entanto, o ritmo desacelerou o suficiente para levantar dúvidas sobre a demanda após vários meses de forte expansão.

A Anthropic alcançou 43,8% de adoção entre as empresas medidas pela Ramp. Isso representou um ganho mensal de 0,34 ponto percentual. A OpenAI avançou apenas 0,09 ponto percentual, chegando a 39,8%.

Esses percentuais medem empresas que pagam cada fornecedor, não participação de mercado exclusiva. As empresas podem comprar produtos de vários fornecedores de IA simultaneamente. A Ramp havia constatado anteriormente que 52% dos clientes que usavam OpenAI ou Anthropic usavam ambos.

A mudança mais surpreendente apareceu na intensidade dos gastos. A despesa mensal com IA por funcionário entre o 1% superior dos adotantes caiu de uma cifra revisada de US$ 7.976 em julho para US$ 7.205.

A Ramp ressalta que esse grupo contém relativamente poucas empresas. Sua estimativa é, portanto, mais volátil do que os números da empresa mediana ou do grupo dos 10% superiores. Transações registradas tardiamente também levaram a Ramp a revisar para cima o resultado de julho.

Esse alerta metodológico impede que um movimento mensal se torne prova de uma retração duradoura. Ele não torna a queda irrelevante. O 1% superior contribui com uma parcela desproporcional da receita disponível para os fornecedores de modelos.

Esses grandes adotantes diferem muito da empresa típica. Os dados de gastos de verão da Ramp situaram o gasto mensal mediano com IA em US$ 11,95 por funcionário em julho. Os 10% superiores gastaram cerca de US$ 650, enquanto o 1% superior ultrapassou US$ 7.400.

A diferença mostra por que a adoção agregada pode enganar. Adicionar mais um cliente pouco engajado não compensa a redução de gastos de uma empresa que opera agentes, sistemas de programação e fluxos de trabalho automatizados em toda a sua operação.

Agosto também tem histórico de atividade fraca. A Ramp observou pouco crescimento na adoção entre agosto e outubro de 2025, seguido por nova expansão perto do fim do ano. Equipes de engenharia frequentemente tiram férias durante o verão, reduzindo o uso interativo e automatizado.

A sazonalidade, portanto, continua sendo uma explicação plausível. Ainda assim, a queda nos gastos ocorreu junto a mudanças estruturais que não desaparecem quando os funcionários retornam. Os tokens estão ficando mais baratos, as empresas estão definindo padrões de modelo e os compradores estão examinando os retornos.

A desaceleração deve ser tratada como um sinal inicial, não como um veredito definitivo. Ela mostra que a receita de IA empresarial não sobe mais automaticamente sempre que a adoção aumenta.

Tokens Mais Baratos Estão Mudando o Significado do Crescimento

Custos menores de tokens beneficiam os clientes, mas obrigam os fornecedores de modelos a gerar mais uso apenas para preservar a mesma receita.

O índice de preço efetivo da Ramp caiu para US$ 0,68 por milhão de tokens no início de setembro. Isso ficou 41% abaixo do pico de 2026, de US$ 1,15, registrado em março. A concorrência e reduções de preços pelos fornecedores ajudaram a impulsionar a mudança.

Um token é uma pequena unidade de texto processada ou gerada por um modelo de linguagem. Os fornecedores geralmente cobram clientes de API de acordo com o número de tokens de entrada e saída consumidos.

Custos unitários menores não indicam necessariamente menor atividade de IA. Uma empresa pode processar mais documentos, gerar mais código ou operar agentes adicionais pagando menos. Os gastos podem cair mesmo enquanto a produção útil cresce.

Essa distinção torna os gastos com IA na Ramp um indicador imperfeito da intensidade da adoção. Registros de transações mostram dinheiro sendo transferido para fornecedores. Eles não revelam diretamente tarefas concluídas, tokens gerados, tempo de funcionários economizado ou valor para o negócio.

Ainda assim, a receita importa em última instância para desenvolvedores de modelos e fornecedores de infraestrutura. Se os preços caírem mais rápido do que o volume aumenta, um maior uso técnico produzirá um crescimento comercial mais fraco.

Essa é a inversão central nos dados de agosto. Os serviços de IA estão se tornando mais acessíveis, como a concorrência deveria incentivar. Esse sucesso enfraquece a ligação entre adoção e receita.

A combinação de modelos intensifica a pressão. A Ramp afirmou que as empresas usam cada vez mais modelos padrão, como GPT-5.6 Terra e a família Sonnet da Anthropic. Empresas disseram à Ramp que esses sistemas continuavam capazes, mas custavam menos que as alternativas de fronteira.

Modelos de fronteira, incluindo Opus, Fable e Sol, representaram 45% do volume de tokens medido. Segundo o relato da Ramp, sua participação havia alcançado 53% durante agosto antes de recuar.

Os rótulos e as participações exatas dos modelos continuarão mudando. O comportamento dos clientes por trás deles é mais duradouro. As empresas estão aprendendo que redação de e-mails, classificação, extração e programação rotineira raramente exigem o modelo mais capaz.

O roteamento de modelos formaliza essa decisão. Um roteador avalia uma solicitação e a direciona a um sistema que oferece um equilíbrio aceitável entre capacidade, latência e custo.

A mudança no roteamento empresarial já era visível antes de a Ramp divulgar seus números de agosto. O consultor da Bain Jue Wang descreveu empresas reservando sistemas caros para tarefas que realmente os exigem.

Essa abordagem altera a unidade competitiva. Os fornecedores não competem mais apenas por um contrato corporativo abrangente ou pela posição de chatbot preferido. Eles competem por cada categoria de trabalho dentro da camada de roteamento do cliente.

Um laboratório de fronteira pode vencer solicitações difíceis de pesquisa e programação, enquanto perde resumos, classificações e consultas rotineiras para sistemas mais baratos. Esse cliente pode continuar sendo uma conta ativa, mas gerar menos receita.

Essa é uma eficiência bem-vinda para compradores empresariais. Ela se assemelha à otimização de nuvem, em que as equipes combinam cargas de trabalho com a capacidade computacional adequada, em vez de escolher a maior instância para todas as tarefas.

A transição também pode expor projetos de IA fracos. Inferência barata não consegue salvar um fluxo de trabalho que produz resultados pouco confiáveis, exige revisão extensa ou resolve um problema pouco importante.

As empresas precisam, portanto, medir resultados, não totais de tokens. Uma base de conhecimento de IA pesquisável cria valor quando funcionários recuperam informações úteis mais rapidamente. Seu consumo de tokens, por si só, diz pouco sobre esse resultado.

A queda nos preços pode ampliar a demanda ao longo do tempo. No entanto, a leitura da Ramp para agosto sugere que essa expansão ainda não havia compensado integralmente os fornecedores pelos preços efetivos mais baixos.

A Aposta das Hyperscalers Precisa de Volume para Superar a Eficiência

A expansão da infraestrutura pressupõe que inteligência mais barata criará trabalho adicional suficiente para compensar a queda na receita de cada unidade de computação.

OpenAI, Anthropic e outras empresas de modelos gastam pesadamente no treinamento e no fornecimento de sistemas cada vez mais capazes. Parceiros de nuvem constroem data centers, asseguram eletricidade e compram aceleradores com base em expectativas de demanda duradoura.

Essa tese de investimento não exige que todas as empresas gastem como o 1% superior da Ramp. Ela exige crescimento sustentado em clientes, fluxos de trabalho e agentes automatizados suficientes para suportar a capacidade instalada.

Os dados de agosto pressionam essa expectativa em ambas as direções. O crescimento da adoção desacelerou, enquanto os gastos por funcionário caíram entre os usuários mais comprometidos. Nenhuma das mudanças, isoladamente, invalida a tese.

Juntas, elas revelam uma vulnerabilidade. O mercado espera que os grandes adotantes continuem descobrindo cargas de trabalho valiosas mais rapidamente do que os fornecedores reduzem os preços.

A relação se parece com um negócio de volume com eficiência de produção melhorando rapidamente. Custos menores podem atrair clientes e estimular o consumo. Eles também podem comprimir a receita quando os clientes capturam a maior parte das economias.

As empresas de IA querem que o primeiro efeito prevaleça. As equipes financeiras empresariais querem o segundo. A concorrência decide como o benefício será dividido.

A OpenAI respondeu incentivando clientes a medir valor em vez de custos brutos de tokens. Seu conceito proposto, inteligência útil por dólar, pergunta se a IA conclui trabalho relevante de forma precisa e econômica.

Essa estrutura tem mérito. O modelo mais barato não é a melhor escolha quando falhas repetidas, correções humanas ou escalonamentos eliminam sua aparente economia.

Ainda assim, a estrutura também atende aos interesses comerciais dos fornecedores de fronteira. Eles precisam que os compradores considerem o sucesso da tarefa, não apenas comparem preços de tokens entre modelos.

Muitas empresas parecem aceitar o argumento baseado em resultados, enquanto rejeitam a ideia de que um único modelo premium deveria lidar com tudo. Elas direcionam trabalhos simples para opções baratas e reservam sistemas de fronteira para solicitações complexas.

Pesquisas sobre a economia de agentes sustentam essa cautela. Uma análise da economia de fluxos de trabalho constatou que a seleção de modelos, o design do fluxo de trabalho, as tentativas repetidas e a supervisão humana podem alterar radicalmente os custos totais.

Os agentes amplificam essas variáveis porque concluem tarefas em múltiplas etapas. Uma solicitação de usuário pode acionar planejamento, chamadas de ferramentas, buscas, validação e interações repetidas com modelos.

Isso cria um caminho plausível de volta ao crescimento. Mesmo que cada token se torne mais barato, fluxos de trabalho autônomos podem consumir muito mais tokens do que um prompt conversacional. Mais agentes poderiam, portanto, restaurar o crescimento de volume.

No entanto, o aumento do consumo não garante valor proporcional. Um agente mal projetado pode inspecionar repetidamente o mesmo material, chamar ferramentas desnecessárias ou repetir uma etapa que falha sem melhorar seu resultado.

As empresas estão começando a diferenciar automação produtiva de atividade de tokens. Essa mudança ameaça estratégias de negócio construídas em torno do uso como métrica de sucesso.

As implicações vão além dos laboratórios de modelos. Hyperscalers ganham dinheiro com a computação, o armazenamento, as redes e os serviços gerenciados por trás das aplicações de IA. Elas também investem diretamente em desenvolvedores de fronteira e reservam capacidade para a demanda esperada.

Se os clientes obtiverem o mesmo resultado com modelos menores, melhor cache e roteamento mais seletivo, a demanda por infraestrutura poderá permanecer elevada, mas crescer abaixo das previsões ambiciosas.

A distinção entre uso e gasto torna-se essencial aqui. Mais tokens nem sempre exigem proporcionalmente mais capacidade computacional. Quantização, inferência otimizada e hardware especializado podem reduzir os recursos necessários para cada resposta.

Os provedores podem responder lançando modelos mais robustos, aprimorando ferramentas para desenvolvedores ou criando aplicativos que alcancem trabalhadores não técnicos. Cada estratégia busca nova demanda além do uso inicial em engenharia.

Isso ajuda a explicar o foco crescente em espaços de trabalho com IA, assistentes de pesquisa e agentes colaborativos. Equipes técnicas adotaram a IA cedo. A próxima fonte de receita precisa incluir operações, finanças, marketing, trabalho jurídico e outras funções intensivas em conhecimento.

A aposta agora depende de uso recorrente e valioso nessas funções. Uma assinatura adquirida que os funcionários raramente abrem sustenta estatísticas de adoção, mas contribui pouco para a expansão da receita.

O que os números da Ramp não podem provar

Um único mês volátil não consegue distinguir uma pausa sazonal de uma mudança duradoura na demanda empresarial.

O conjunto de dados da Ramp oferece evidências incomumente diretas porque observa pagamentos reais. Ainda assim, ele representa clientes da Ramp, cuja composição setorial e preferências tecnológicas diferem da economia em geral.

Setores técnicos, como informação, finanças e serviços profissionais, lideram a adoção dentro da amostra. Essa orientação pode tornar o índice um indicador antecipado, mas também pode superestimar a adoção entre as empresas americanas.

A pesquisa de adoção empresarial do U.S. Census Bureau oferece um contraponto útil. A TechCrunch informou que uma atualização de agosto situou o uso relatado de IA perto de 22% das empresas, muito abaixo dos 56% da Ramp.

As pesquisas medem populações e comportamentos diferentes. A Ramp detecta compras classificadas como gastos com IA. O Census Bureau pergunta às empresas sobre o uso de IA na produção de bens e serviços.

Nenhuma das métricas captura o mercado inteiro. Funcionários podem usar ferramentas gratuitas ou assinaturas compradas pessoalmente fora dos sistemas corporativos. Empresas também podem pagar por produtos de IA que têm pouco uso significativo.

A estimativa da Ramp para o 1% superior merece cautela especial. Um pequeno número de empresas, datas de cobrança, contratos anuais ou transações atrasadas pode alterar a mediana mensal desse grupo.

A Ramp revisou os gastos de julho de aproximadamente US$ 7.400 para quase US$ 8.000 após receber transações adicionais. Os resultados de agosto continuam sujeitos a mudanças semelhantes.

Os padrões de férias introduzem outra fonte de ruído. Se os engenheiros geraram menos tokens durante agosto, os gastos poderão se recuperar quando os projetos forem retomados. Recuperações anteriores no fim do ano apoiam essa possibilidade.

Mesmo uma recuperação não eliminaria o desafio dos preços. Funcionários que retornarem das férias encontrarão modelos mais baratos e configurações padrão mais conscientes de custos do que as que tinham no início de 2026.

Os dados disponíveis também não conseguem estabelecer se a queda reflete uma produção mais fraca. Uma empresa que paga menos pode estar realizando o mesmo trabalho de forma mais eficiente. Esse resultado representa uma adoção bem-sucedida, não uma retração.

Por outro lado, uma empresa com gastos elevados pode gerar grandes volumes de produção de baixo valor. Totais de tokens não conseguem separar automação produtiva de desperdício.

Essa lacuna de medição importa para compradores. Equipes financeiras precisam de gastos por fluxo de trabalho, equipe, modelo e resultado concluído. Líderes de produto precisam de qualidade, tempo de ciclo, taxas de correção e retenção de usuários.

Desenvolvedores precisam de uma visão igualmente completa. Um modelo barato que falha repetidamente pode custar mais após novas tentativas e depuração. Um modelo caro pode ser econômico quando conclui corretamente uma tarefa difícil.

Para provedores de modelos, a ambiguidade traz conforto e risco. A queda nos gastos pode indicar uma economia mais saudável para os clientes, que mais tarde acelera a implantação. Também pode revelar um teto para a disposição de pagar.

Modelos de pesos abertos ainda não explicam a mudança ampla. A Ramp constatou que apenas 6,4% das empresas que gastam com IA usaram plataformas de hospedagem ou inferência de modelos durante agosto.

Esse número é uma estimativa superior para o uso de modelos abertos, porque plataformas de roteamento também podem oferecer modelos fechados. A Ramp situou a adoção entre todas as empresas em 3,6%.

Portanto, os modelos abertos permanecem como contexto de apoio, não como o principal adversário nesta história. A concorrência imediata vem de ofertas padrão mais baratas vendidas pelos mesmos grandes provedores.

Essa dinâmica pode reduzir a receita média sem exigir que os clientes mudem de fornecedor. Um cliente da Anthropic pode transferir trabalho do Opus para o Sonnet. Um cliente da OpenAI pode selecionar um modelo menos caro para tarefas rotineiras.

A adoção de fornecedores pode crescer enquanto a qualidade da receita enfraquece. É exatamente por isso que a combinação observada em agosto merece atenção, mesmo antes de alguém chamá-la de tendência.

Três sinais decidirão se este foi um alerta

O próximo teste é verificar se os gastos se recuperam enquanto os clientes continuam direcionando mais trabalho para modelos econômicos.

O primeiro sinal são os gastos de setembro e outubro entre o 1% superior da Ramp. Uma recuperação acentuada em direção ao nível de julho reforçaria a explicação sazonal.

Essa recuperação deve ser avaliada ao lado das revisões de transações. Um aumento ou queda preliminar pode mudar quando a Ramp recebe pagamentos adicionais. Vários meses fornecerão uma tendência mais sólida do que uma única observação.

Uma queda contínua reforçaria a interpretação estrutural. Ela sugeriria que tokens mais baratos e uma seleção mais rigorosa de modelos estão reduzindo a receita mais rapidamente do que novas cargas de trabalho a expandem.

O segundo sinal é a participação dos modelos de fronteira no volume de tokens. A Ramp situou essa participação em 45%, após um pico anterior de 53% em agosto.

Uma recuperação sustentada mostraria que as empresas ainda encontram tarefas difíceis suficientes para justificar sistemas premium. Isso apoiaria as alegações dos provedores de que maior capacidade gera melhor economia.

Outra queda mostraria modelos padrão capturando mais trabalho cotidiano. Isso pressionaria os laboratórios de fronteira a melhorar a diferenciação, reduzir preços ou incorporar capacidades avançadas a produtos mais amplos.

A participação bruta dos modelos ainda exige contexto. Um modelo de fronteira pode gerar receita substancial com menos tokens se seu preço continuar mais alto. Os provedores também podem alterar pacotes, descontos ou estruturas de assinatura.

O terceiro sinal é a adoção fora das equipes técnicas. Os laboratórios de IA estão mirando cada vez mais o trabalho colaborativo realizado por analistas, gestores, profissionais de marketing e outros trabalhadores do conhecimento.

Um forte uso recorrente nesses grupos ampliaria a base de clientes além dos primeiros adotantes da engenharia. Também criaria fluxos de trabalho menos vinculados a ciclos de lançamento de software e ao número de desenvolvedores.

As compras por si só não resolverão a questão. As empresas precisam mostrar que usuários não técnicos retornam, concluem tarefas significativas e ampliam seu uso após os testes iniciais.

Os leitores devem observar a retenção de produtos, o volume de fluxos de trabalho e os resultados relatados das tarefas. Esses indicadores revelam mais do que anúncios de lançamento ou contagens de contas.

Compradores empresariais também devem examinar de onde vêm suas próprias economias. Gastos menores causados por melhor roteamento são saudáveis. Gastos menores causados por projetos abandonados sinalizam uma implantação fracassada.

As equipes podem sustentar essa distinção conectando a atividade de IA a decisões registradas, registros de projetos e trabalho concluído. Um segundo cérebro bem mantido pode preservar o contexto necessário para avaliar esses resultados ao longo do tempo.

O mercado mais amplo não precisa que os gastos por funcionário cresçam para sempre. As empresas se beneficiam quando as capacidades melhoram e os custos caem. A adoção eficiente pode gerar mais valor com menos despesas.

Desenvolvedores de modelos e hyperscalers enfrentam uma equação diferente. Seus planos de investimento exigem receitas que eventualmente justifiquem enormes compromissos de infraestrutura.

Os gastos com IA observados pela Ramp expuseram o conflito entre esses resultados. O que ajuda os clientes pode pressionar os fornecedores, mesmo quando mais pessoas usam IA.

Agosto ainda pode se revelar uma pausa causada pelas férias. As próximas leituras mostrarão se os grandes usuários retomaram os gastos ou aprenderam permanentemente a fazer mais com modelos mais baratos.

Para desenvolvedores e líderes empresariais, a questão prática já está clara: os gastos com IA estão gerando trabalho concluído e valioso ou apenas acumulando tokens? Meça essa resposta antes do próximo ciclo orçamentário.