Analistas preveem: em 2029, os gastos corporativos com tokens de IA podem ser mais caros que o salário de engenheiros.

Anthropic tem apenas 5.000 funcionários, mas seus gastos computacionais são 2,3 vezes maiores que os salários; a empresa mediana do setor gasta apenas US$ 137 por engenheiro por ano. Essa diferença de 680 vezes é o mistério que esta análise pretende desvendar, e ainda é incerto qual desfecho ocorrerá em 2029.
(Notícia Anterior: Desde forçar funcionários a usar IA até temer queimar muitos Tokens: cada vez mais empresas estão apertando as cotas internas de uso de IA)
(Complemento de Contexto: Oracle raramente admite que seus data centers "podem não gerar retorno", e as ações da Oracle despencaram 40% em junho)

Índice deste artigo

Toggle

• O poder computacional come devorando os salários
• Forças de impulso e tração
• Cada empresa está fazendo suas apostas

Imagine que, em 2029, uma empresa comum terá que pagar uma conta de IA por engenheiro que pode ser mais cara que o próprio salário desse engenheiro. Essa é a conclusão do famoso analista de venture capital Tomasz Tunguz, usando três modelos de cenário.

Quando os custos computacionais começam a se aproximar ou até superar os custos com pessoal, os gastos com IA deixam de ser um orçamento de ferramenta opcional e se tornam uma despesa estrutural que deve ser comparada com os salários na mesma demonstração de resultados.

O poder computacional come devorando os salários

Essa história começa com os próprios livros contábeis da Anthropic. De acordo com estatísticas do SaaStr, a empresa tem atualmente apenas cerca de 5.000 funcionários, mas gastou aproximadamente US$ 10 bilhões em inferência e treinamento em 2026. Convertendo, cada funcionário carrega em média cerca de US$ 2 milhões em gastos computacionais por ano. Comparado com a remuneração total estimada pela Levels.fyi de mais de US$ 500 mil, os gastos computacionais são 2,3 vezes maiores que os salários.

Isso é uma proporção totalmente sem precedentes em toda a indústria de software; a maioria das empresas vive em um mundo completamente diferente. De acordo com o Ramp AI Index de junho de 2026, as 1% das empresas mais bem classificadas gastam cerca de US$ 89 mil por engenheiro por ano em IA, o que equivale a 40% do salário de um engenheiro sênior com salário anual de US$ 224 mil; para a empresa mediana, cada engenheiro gasta apenas US$ 137 por ano, praticamente zero.

Entre o topo e a mediana, há uma diferença de quase 680 vezes, e é esse o mistério que esta análise mais quer explicar: essa diferença vai aumentar ou diminuir?

As 99% restantes das empresas vão ou não alcançar o ritmo da Anthropic, e com que rapidez? Tunguz enquadra a resposta com três cenários: o cenário pessimista assume que o preço dos tokens continuará caindo até neutralizar o crescimento da demanda; o cenário base assume que a curva de crescimento do 1% mais alto diminui gradualmente; o cenário otimista assume que todo o mercado alcançará a proporção atual da Anthropic em 2029. Cada um converte a conta de IA em porcentagem do salário base de um engenheiro sênior de US$ 224 mil, e assume que os salários crescem cerca de 5% ao ano:

• 2026: Cenários pessimista, base e otimista todos em US$ 90 mil (40%)
• 2027: Pessimista US$ 106 mil (45%), Base US$ 164 mil (70%), Otimista US$ 258 mil (110%)
• 2028: Pessimista US$ 118 mil (48%), Base US$ 259 mil (105%), Otimista US$ 444 mil (180%)
• 2029: Pessimista US$ 106 mil (41%), Base US$ 363 mil (140%), Otimista US$ 596 mil (230%)

O valor no cenário pessimista cai após 2028 porque a taxa de queda é mais rápida que a inflação salarial.

Forças de impulso e tração

O motivo pelo qual o cenário otimista se sustenta está nos fluxos de trabalho de IA cada vez mais complexos (agentic workflow).

Quando você faz a IA executar tarefas de forma autônoma e contínua, decidindo sozinha qual próximo passo tomar, em vez de apenas uma pergunta e resposta simples, a quantidade de tokens consumidos é várias ordens de magnitude maior que no modo de conversa. O Goldman Sachs prevê que, até 2030, o consumo de tokens crescerá 24 vezes.

Por outro lado, de acordo com a Epoch AI, a Anthropic e a OpenAI geram, respectivamente, US$ 14 milhões e US$ 6,5 milhões de receita por funcionário, sendo as duas empresas com maior receita por funcionário na lista Forbes Global 2000. A estrutura de custos, no final, segue a estrutura de receitas; empresas que podem gastar normalmente também são as que conseguem gerar retorno.

Mas a força que puxa para o cenário pessimista é igualmente real e já ocorre há três anos. O preço de entrada do modelo GPT-4 da OpenAI caiu de US$ 30 por milhão de tokens no lançamento em março de 2023 para menos de US$ 3 por milhão de tokens em 2026, uma queda de dez vezes ao ano durante três anos.

Além disso, os modelos de código aberto estão se aproximando do nível de fronteira. O DeepSeek-V3 e versões posteriores, com um custo de API de um décimo a um trigésimo, já entregam resultados comparáveis aos melhores modelos fechados, o que ecoa por que a disputa entre código aberto e fechado é uma das questões políticas mais importantes na era da IA: modelos de código aberto baratos decidem diretamente se o cenário pessimista tem chance de se tornar realidade.

Empresas dispostas a limitar ativamente o uso com base na função ou na carga de trabalho também podem reduzir essa curva por conta própria, sem precisar esperar passivamente pela queda dos preços.

Cada empresa está fazendo suas apostas

O que realmente merece atenção nesta análise não é a conclusão superficial de que "a IA é cara", mas sim que os gastos com IA estão deixando de ser um orçamento de ferramenta opcional e se tornando uma despesa estrutural capaz de rivalizar com os custos de pessoal. No cenário otimista, a conta de IA de um único engenheiro já é suficiente para rivalizar com a receita mediana gerada por funcionário de uma empresa SaaS de capital aberto (cerca de US$ 250 mil). Isso já não é mais uma questão de custo de ferramenta, mas sim de outra faixa salarial.

Quando os custos computacionais começam a competir com os salários na mesma demonstração de resultados, as empresas precisam decidir antecipadamente para qual futuro estão dispostas a alocar orçamento.