Excesso no orçamento de IA da Uber expõe a lacuna entre adoção e retorno
A Uber teria esgotado seu orçamento de IA para 2026 em abril, expondo um conflito entre incentivar funcionários a usar IA e controlar o custo dessa adoção. A história do orçamento de IA da Uber agora está no centro de um debate empresarial mais amplo: quando o aumento do uso se torna evidência de produtividade, em vez de apenas mais gastos?
O Business Standard revisitou essa tensão em 8 de novembro, descrevendo empresas que recorrem a controles de gastos, modelos menores e uma alocação mais seletiva de tarefas. A Bloomberg já havia informado sobre os limites de uso da Uber em junho. Portanto, a questão imediata é uma correção de gastos em andamento, e não uma política corporativa recém-anunciada.
Para compradores empresariais, a disputa central está entre metas de adoção e retornos comerciais mensuráveis. O Claude Code, da Anthropic, está diretamente inserido nessa tensão. Um assistente de programação pode se tornar popular antes que seu comprador determine se o gasto adicional gera lançamentos mais rápidos, software melhor ou menos trabalho em outras áreas.
A história do orçamento de IA da Uber passou da adoção para a responsabilização
A Bloomberg informou em 2 de junho que a Uber introduziu limites de uso de IA após ultrapassar seu orçamento no início do ano. Sua reportagem identificou especificamente ferramentas que incluíam o Claude Code.
Isso estabelece um registro público anterior sobre a questão dos gastos. Também separa o desenvolvimento original da empresa da discussão mais ampla de novembro. Os leitores não devem interpretar a cobertura mais recente como evidência de que a Uber introduziu outra rodada de restrições nesta semana.
A cobertura do Business Standard em novembro coloca a Uber ao lado de outras empresas que reavaliam os custos de IA empresarial. Seu relato descreve um interesse crescente em modelos menores e sistemas que distribuem trabalho entre modelos.
A mudança documentada é uma transição para o controle do consumo depois que a adoção superou as premissas originais de gastos.
As reportagens públicas não fornecem um retrato completo da economia interna da Uber. Elas não estabelecem se o orçamento original era adequado, quais despesas estavam cobertas ou o valor de todo o trabalho concluído.
Essas omissões importam. Um orçamento esgotado pode refletir desperdício, software inesperadamente útil, uma previsão irrealista ou alguma combinação desses fatores. O excesso, por si só, não consegue distinguir entre essas explicações.
Um orçamento também representa uma decisão organizacional tomada antes que a demanda real se torne clara. Funcionários que descobrem aplicações valiosas podem ultrapassar uma previsão conservadora sem tomar decisões economicamente irracionais.
Por outro lado, o entusiasmo generalizado não pode estabelecer que gastos adicionais compensam. Usuários podem preferir uma ferramenta enquanto ignoram o tempo de revisão, o trabalho de integração ou os erros que colegas precisam resolver.
Isso deixa a gestão diante de uma pergunta mais difícil do que saber se os funcionários gostam do software. A questão relevante é se seus benefícios superam toda a carga operacional.
Essa carga vai além de gerar uma resposta. Uma alteração de código proposta ainda precisa de revisão, testes, integração e manutenção. A elaboração mais rápida só melhora a entrega quando essas etapas posteriores preservam o ganho.
Portanto, as reportagens justificam o escrutínio da governança de gastos, e não um veredito de que assistentes de programação fracassaram. Elas também desafiam a suposição de que a adoção fornece evidência suficiente de sucesso.
A distinção é especialmente relevante quando a liderança incentiva a experimentação antes que os departamentos recebam responsabilidade clara pelos gastos. Decisões individuais podem parecer razoáveis enquanto seu custo combinado excede as expectativas.
Considere uma equipe de engenharia ilustrativa investigando um defeito difícil. Vários desenvolvedores podem pedir independentemente a assistentes que inspecionem o mesmo repositório e proponham soluções. Cada solicitação atende a um propósito legítimo.
Ainda assim, a empresa precisa saber se essas investigações sobrepostas produzem valor distinto. Contar usuários ativos revelaria participação, mas deixaria de perceber o esforço duplicado.
Essa é a lacuna de responsabilização que o caso da Uber coloca em foco. A decisão de compra e o julgamento de produtividade não podem permanecer separados indefinidamente.
As equipes financeiras herdam um problema que os painéis de uso não conseguem responder
A pressão sobre os gastos vai além de uma única empresa de tecnologia. A pesquisa setorial de 2026 da FinOps Foundation afirma que 98% dos respondentes agora gerenciam gastos com IA, em comparação com 31% dois anos antes.
FinOps é a prática de conectar gastos com tecnologia à responsabilidade e ao valor para o negócio. Seu papel crescente em IA sugere que esses custos exigem cada vez mais coordenação entre finanças e engenharia.
A pesquisa abrange 1.192 respondentes da comunidade FinOps. Trata-se de uma amostra relevante de profissionais, mas ela não representa todas as empresas nem estabelece dificuldade financeira universal.
Suas conclusões também descrevem forte investimento em IA e organizações buscando economias de otimização para financiar uma adoção maior. Assim, o escrutínio financeiro pode apoiar a expansão, em vez de sinalizar retração.
A pressão imediata recai sobre líderes que precisam explicar tanto os gastos quanto o resultado comercial que eles compram.
Gestores de engenharia enfrentam instruções concorrentes. Eles precisam que os funcionários descubram aplicações úteis, mas devem evitar tratar a experimentação ilimitada como modelo operacional.
Líderes financeiros enfrentam um problema de informação diferente. Uma fatura mostra a despesa, mas raramente explica se um assistente eliminou trabalho, o transferiu ou criou obrigações adicionais.
As equipes de compras precisam avaliar compromissos comerciais diante de uma demanda incerta. Um contrato pode tornar o consumo mais fácil de comprar sem tornar o trabalho resultante mais fácil de medir.
Líderes de produto enfrentam as consequências quando restrições orçamentárias interrompem atividades úteis. Um limite de gastos que chega inesperadamente pode alterar as premissas de entrega no meio de um projeto.
Essas pressões convergem em torno do custo por resultado aceito, isto é, a despesa total associada a uma entrega que atende ao padrão pretendido. Esse padrão precisa incluir qualidade.
Para equipes de software, um resultado aceito pode ser uma alteração revisada que chega à produção sem criar defeitos adicionais. Código gerado é um artefato intermediário.
Para uma operação de atendimento ao cliente, um resultado aceito pode ser uma solicitação corretamente resolvida. Uma resposta fluente que gera outro contato não entrega o mesmo valor.
Para trabalhadores do conhecimento, um resultado útil pode ser um briefing preciso com evidências rastreáveis. Um rascunho rápido que exige ampla verificação oferece uma proposta econômica diferente.
Esses exemplos ilustram por que uma meta universal de uso cria problemas. Tarefas diferentes têm riscos, requisitos de revisão e oportunidades diferentes para corrigir erros.
Um departamento que reduz gastos enquanto aumenta a correção manual não necessariamente melhorou sua economia. Ele transferiu a despesa para uma categoria menos visível.
O inverso também é verdadeiro. Gastos maiores com modelos podem fazer sentido quando eliminam um gargalo que antes consumia a atenção escassa dos funcionários.
Isso torna a atribuição central para o debate empresarial. As empresas precisam conectar o consumo à equipe, ao fluxo de trabalho e ao resultado responsável por ele.
A atribuição não exige tratar cada solicitação de funcionário como uma exceção financeira. Excesso de atrito de aprovação pode consumir o mesmo tempo de trabalho que o software promete economizar.
A mudança maior está em onde a responsabilidade entra no processo. As premissas de gastos pertencem cada vez mais às decisões de produto e engenharia antes que o uso se torne uma surpresa contábil.
É por isso que a governança de IA empresarial não pode parar em um painel. A visibilidade identifica para onde o dinheiro foi; avaliar o trabalho determina se ele deveria ter ido para lá.
O roteamento de modelos altera a economia, mas adiciona outra camada de decisão
A cobertura de novembro aponta para a orquestração de modelos, isto é, um sistema de controle que coordena modelos e ferramentas em um fluxo de trabalho. O roteamento de modelos seleciona qual modelo lida com uma tarefa específica.
A distinção importa porque uma organização nem sempre precisa da mesma capacidade em cada etapa. Classificar um documento e resolver uma exceção complexa apresentam exigências diferentes.
Um modelo menor pode lidar adequadamente com uma tarefa restrita de classificação. Um modelo mais capaz pode continuar necessário quando a tarefa envolve ambiguidade ou raciocínio difícil.
O uso seletivo de modelos oferece uma resposta plausível à pressão orçamentária, mas seu valor depende do fluxo de trabalho completo.
Isso altera a comparação entre fornecedores como Anthropic, Microsoft e Google. Compradores empresariais precisam avaliar onde cada serviço se encaixa, em vez de selecionar um modelo para todas as atividades.
Isso não estabelece uma classificação universal entre essas empresas. A comparação relevante diz respeito à carga de trabalho real do comprador, aos requisitos de integração e à tolerância a erros.
Um modelo que apresenta bom desempenho em uma avaliação isolada ainda pode criar problemas dentro de um processo de negócios. Sua saída pode exigir mais revisão ou chegar lentamente demais.
O roteamento introduz seu próprio julgamento. O sistema precisa decidir quais solicitações são simples o suficiente para um caminho menos exigente e quais precisam de capacidade adicional.
Uma atribuição incorreta pode eliminar a economia esperada. Uma solicitação difícil enviada a um modelo inadequado pode exigir repetição, escalonamento ou correção manual.
Uma atribuição desnecessariamente cautelosa tem o problema oposto. Enviar trabalho rotineiro para a opção mais intensiva em recursos preserva capacidade, mas enfraquece o argumento financeiro para o roteamento.
Portanto, a questão econômica vai além do modelo escolhido para a solicitação inicial. Ela inclui o que acontece quando essa seleção falha.
Um fluxo de trabalho documental ilustrativo torna a troca mais concreta. Um sistema pode primeiro identificar um tipo de documento, depois extrair informações e então sinalizar trechos ambíguos para revisão.
Esse arranjo só ajuda se as etapas iniciais identificarem de forma confiável suas próprias limitações. Um erro de classificação não percebido pode contaminar tudo o que vem depois.
A organização também herda trabalho de manutenção. Prompts, exemplos de avaliação, regras de escalonamento e o comportamento do modelo podem mudar com o tempo.
Essas obrigações fazem parte da comparação com uma implantação mais simples. Um sistema elaborado não se torna econômico apenas porque solicitações individuais parecem menos caras.
É aqui que o contexto se torna relevante para o trabalho do conhecimento. Contexto é a informação que um modelo recebe para interpretar e concluir uma solicitação.
Enviar material irrelevante pode sobrecarregar um fluxo de trabalho sem melhorar seu resultado. Enviar informação insuficiente pode forçar funcionários a repetir explicações ou corrigir mal-entendidos.
A mesma questão prática aparece em uma base de conhecimento pesquisável. Encontrar o material-fonte correto e gerar uma resposta são partes separadas do trabalho.
Essa conexão não estabelece economias para nenhum produto específico. Ela explica por que compradores devem examinar a recuperação de informações juntamente com a seleção de modelos.
O debate sobre o orçamento de IA da Uber, portanto, vai além de um teto de gastos. Ele levanta uma questão de design: quais partes do trabalho merecem computação adicional e quais não?
Os agentes podem ampliar a capacidade e o consumo ao mesmo tempo
Um agente de IA é um sistema que usa repetidamente um modelo e ferramentas para realizar uma tarefa. Essa atividade repetida altera a relação entre solicitações e consumo.
Uma interação de chat pode terminar após uma resposta. Um agente pode inspecionar arquivos, executar verificações, reconsiderar sua abordagem e continuar trabalhando antes de apresentar um resultado.
A descrição da Anthropic, de junho de 2025, sobre seu sistema de pesquisa multiagente explicita essa troca. A empresa relatou maior consumo de tokens juntamente com melhor desempenho em suas próprias avaliações.
Tokens são as unidades de texto que um modelo processa ou gera. A Anthropic afirmou que seus agentes normalmente consumiam cerca de quatro vezes mais tokens do que interações de chat.
Seus sistemas multiagente, que coordenam vários agentes, consumiam cerca de 15 vezes mais tokens nos dados da empresa. Esses números descrevem seu sistema de pesquisa.
Eles não são uma medida universal para Claude Code, todos os produtos de agentes ou implantações empresariais atuais. Aplicá-los diretamente à Uber exageraria as evidências.
Uma automação mais capaz pode exigir mais computação; portanto, menor consumo não é automaticamente o objetivo correto.
O relato da Anthropic sustenta uma conclusão mais restrita: algumas arquiteturas deliberadamente consomem mais recursos para concluir trabalhos mais difíceis. Sua justificativa econômica depende do valor resultante.
Esse é um contrapeso útil à narrativa de estouro de orçamento. Uma empresa pode aumentar racionalmente o consumo quando o sistema realiza um trabalho que softwares mais simples não conseguem lidar.
A dificuldade está em distinguir persistência produtiva de repetição improdutiva. Ambas podem produzir um longo registro de atividade e uma conta substancial.
Um agente de programação ilustrativo pode executar testes após uma correção proposta, descobrir outra falha e revisar sua abordagem. Esse trabalho adicional pode evitar uma alteração incompleta.
Outro agente pode modificar código repetidamente sem identificar o problema subjacente. Atividades de aparência semelhante podem produzir resultados muito diferentes.
A distinção se torna mais difícil quando vários agentes operam simultaneamente. O trabalho paralelo pode reduzir o tempo decorrido ao mesmo tempo que aumenta o consumo combinado.
Por isso, gestores precisam distinguir a atenção dos funcionários da atividade das máquinas. Um sistema funcionando por mais tempo não necessariamente ocupa um desenvolvedor durante todo esse período.
Da mesma forma, a aparente economia de tempo de um funcionário não captura o trabalho de revisão transferido para outra equipe. Ambos os lados do fluxo de trabalho importam.
Isso complica comparações simples entre assistentes de chat, agentes de programação e sistemas coordenados de agentes. Eles podem realizar volumes diferentes de trabalho sob solicitações de usuários superficialmente semelhantes.
O caso de negócio precisa especificar o que mudou. O sistema concluiu uma análise antes impraticável, reduziu um gargalo dos funcionários ou apenas gerou material adicional?
A qualidade também faz parte dessa avaliação. Uma execução mais cara pode ser preferível quando evita um erro com consequências significativas posteriores.
Não há contradição entre reconhecer esses benefícios e examinar a conta. A contradição surge quando as organizações exigem automação ambiciosa enquanto fazem orçamento como se os funcionários apenas trocassem mensagens curtas.
As previsões orçamentárias devem refletir o trabalho que o produto realmente realiza. Caso contrário, a própria adoção bem-sucedida pode se tornar o gatilho para uma restrição emergencial.
As evidências sobre produtividade resistem a um veredito simples
A objeção mais forte aos tetos de gastos é direta: eles podem suprimir trabalho útil junto com desperdício. Uma restrição não consegue distinguir os dois sem evidências de apoio.
A objeção mais forte aos gastos irrestritos é igualmente direta: as impressões dos funcionários podem divergir dos resultados medidos. Satisfação e produtividade respondem a questões relacionadas, mas distintas.
A METR, uma organização independente de avaliação de IA, ilustrou essa distinção em um estudo usando ferramentas do início de 2025. Desenvolvedores experientes de código aberto participantes levaram 19% mais tempo quando a assistência de IA era permitida.
O estudo envolveu 16 desenvolvedores e 246 tarefas. Seu contexto restrito importa, incluindo a familiaridade dos participantes com projetos estabelecidos e as ferramentas disponíveis naquele momento.
Ele não estabelece que os assistentes de programação atuais tornam todos os desenvolvedores mais lentos. Tratar um resultado mais antigo como um veredito universal atual deturparia a pesquisa.
A atualização da METR, de 24 de fevereiro de 2026, sobre medição de produtividade acrescenta outra complicação. Os pesquisadores disseram que dados experimentais posteriores forneceram uma estimativa pouco confiável dos efeitos atuais sobre a produtividade.
Alguns desenvolvedores evitaram participar porque não queriam trabalhar sem IA. Os participantes também retiveram certas tarefas, criando problemas de seleção.
A METR acreditava que os desenvolvedores provavelmente estavam recebendo benefícios maiores do que antes, mas enfatizou a incerteza quanto à sua magnitude. Isso é evidência de um desafio de medição.
Nem o aumento do uso nem um estouro de orçamento resolvem se a IA cria valor líquido.
Essa incerteza afeta diretamente a interpretação da história do orçamento de IA da Uber. O registro público sustenta a existência de um problema de controle de gastos sem fornecer um balanço completo de produtividade.
Uma avaliação confiável precisaria examinar trabalhos comparáveis, incluindo os requisitos de tempo e qualidade associados à sua conclusão. Histórias de sucesso selecionadas não podem fornecer essa comparação.
Falhas selecionadas também não podem fornecê-la. Incidentes difíceis podem revelar fragilidades, ao mesmo tempo que dizem pouco sobre o efeito médio em uma empresa.
A seleção de tarefas apresenta outro obstáculo. Funcionários frequentemente escolhem a IA para trabalhos nos quais esperam que ela ajude, tornando mais difícil compará-los com trabalhos não tratados.
À medida que as ferramentas melhoram, o próprio trabalho pode mudar. As equipes podem tentar projetos mais ambiciosos em vez de concluir projetos idênticos mais rapidamente.
Isso pode criar valor sem produzir uma redução óbvia nas horas por tarefa. Também pode obscurecer se maior ambição entrega um resultado útil.
A distinção entre ganhos individuais e organizacionais cria mais incerteza. Um desenvolvedor pode avançar mais rápido enquanto a capacidade compartilhada de revisão se torna o novo gargalo.
Por exemplo, alterações propostas adicionais podem aumentar a fila diante de revisores seniores. A empresa então precisa avaliar a entrega geral, e não apenas a velocidade de elaboração.
Essas são possibilidades analíticas, não descobertas relatadas sobre a Uber. Elas explicam por que os dados de consumo não podem substituir uma avaliação da entrega de software.
A posição cética deve se aplicar a controles financeiros tanto quanto a alegações de fornecedores. Uma conta menor não prova que uma política melhorou a produtividade.
Restrições merecem avaliação com base nos resultados, assim como a expansão. Caso contrário, as empresas correm o risco de substituir uma meta de adoção por uma meta de gastos e repetir o mesmo erro de medição.
Três sinais mostrarão se a disciplina de gastos melhora o resultado
A próxima fase deve ser julgada por mudanças observáveis, e não por mais uma rodada de alegações amplas sobre transformação por IA. Três sinais merecem atenção especial.
O primeiro é se os empregadores conectam políticas de gastos a resultados de entrega. Explicações públicas sobre restrições se tornam mais úteis quando também abordam qualidade, trabalho concluído e capacidade dos funcionários.
Uma empresa que demonstrar entrega estável ou melhorada após reduzir o consumo desnecessário fortaleceria o argumento a favor de controles seletivos. Uma queda nos gastos por si só deixaria a questão da produtividade em aberto.
Por outro lado, evidências de que restrições atrasaram projetos valiosos enfraqueceriam o argumento a favor de tetos indiscriminados. O efeito da política importa mais do que sua aparente rigidez.
O segundo sinal é como os fornecedores empacotam e governam a atividade dos agentes. Compradores devem acompanhar atualizações de produtos que tornem o consumo atribuível a tarefas e fluxos de trabalho específicos.
Controles mais claros sobre ações repetidas, escalonamento e conclusão de tarefas ajudariam as empresas a entender o que estão comprando. Seu valor ainda exige testes no trabalho real.
As alegações dos fornecedores sobre eficiência devem distinguir menor uso de recursos de menor capacidade. Um sistema que faz menos trabalho não se tornou necessariamente mais eficiente.
O terceiro sinal é uma evidência mais forte sobre o trabalho concluído. Avaliações que incluam revisão, correção e qualidade posterior abordariam lacunas que os painéis de uso deixam sem resposta.
Observações repetidas em tarefas comparáveis reforçariam a confiança. Resultados limitados à produção gerada ou às impressões dos funcionários preservariam grande parte da incerteza atual.
O próximo desenvolvimento útil é uma conexão mais clara entre consumo e trabalho aceito, em vez de outro aumento apenas na adoção.
Nos próximos meses, esses sinais oferecem uma forma mais fundamentada de avaliar controles de orçamento de IA nas empresas. Eles também deixam espaço para resultados diferentes entre departamentos.
Uma equipe de programação, um grupo de pesquisa e uma operação de suporte não precisam chegar às mesmas conclusões. Suas tarefas, custos de erro e oportunidades de automação diferem.
Por isso, compradores empresariais devem resistir a tratar a decisão de gastos de outra empresa como uma resposta pronta. A experiência da Uber identifica uma questão que cada organização ainda precisa investigar.
O mesmo se aplica aos fornecedores. O escrutínio orçamentário pode recompensar produtos que tornam seus benefícios mais fáceis de demonstrar, mesmo quando esses produtos exigem computação substancial.
Ele também pode expor implantações cujo sucesso aparente depende de medir atividade, e não resultados. Essa distinção importará à medida que fluxos de trabalho baseados em agentes assumirem mais responsabilidade.
A próxima conversa útil dentro de uma empresa deve conectar o responsável pelo orçamento às pessoas responsáveis pelo trabalho concluído. Comece com um fluxo de trabalho cuja produção possa ser avaliada. Pergunte o que os funcionários concluíram, o que exigiu correção e o que mudou após a IA entrar no processo. Compare o esforço total necessário, incluindo revisão e acompanhamento. Mantenha a questão em aberto quando as evidências permanecerem incompletas. O episódio do orçamento de IA da Uber oferece um motivo para exigir essa prestação de contas, sem presumir que a resposta deve favorecer expansão ou restrição. Antes de tratar outro marco de adoção como um resultado de negócio, faça uma pergunta mais concreta: que trabalho útil atingiu um padrão aceitável e quanto a organização gastou para chegar lá?
