O custo da inteligência dos agentes é medido em ar e código

A infraestrutura que torna os agentes autônomos possíveis começou a gerar contas que não aparecem em fatura alguma de cloud. Uma conta chega na forma de material particulado. Outra chega como uma vulnerabilidade crítica em código compartilhado por milhões de sites. Nenhuma delas estava precificada na proposta original da IA agêntica, e ambas agora recaem sobre quem constrói com esses sistemas.

A demanda de eletricidade dos data centers pode, em cinco anos, apagar décadas de ganhos em qualidade do ar [1]. Isso não é uma preocupação regulatória distante. É uma restrição que vai alcançar a seleção de modelos, o roteamento de inferência e a decisão sobre se uma tarefa sequer justifica um agente. A premissa de que mais compute é sempre a resposta já estava enfraquecendo sob a pressão dos custos. Os dados de qualidade do ar a transformam em algo próximo a um princípio de design: a inferência mais barata é aquela que você não executa.

O problema da descoberta de dois lados

Sistemas agênticos agora são bons o suficiente para encontrar falhas que a revisão humana deixou passar por anos. Uma vulnerabilidade crítica em PHP que afeta milhões de websites foi descoberta pelo GPT-5.6 Sol da OpenAI como parte da iniciativa Patch the Planet, e de forma independente pela empresa de segurança Wiz usando o Gemini 4 Argon do Google [3]. Isso é um ganho real de capacidade. Também é um alerta. A própria nota da OpenAI afirma que as mesmas capacidades que encontram vulnerabilidades podem ajudar atacantes a explorá-las [3].

Para quem constrói, isso colapsa a distância entre ataque e defesa. Um agente que audita suas dependências também é um agente que pode mapear sua superfície de ataque. O ferramental é simétrico. A única assimetria está em quem se move primeiro. Times que tratam a revisão de segurança assistida por IA como um processo contínuo vão corrigir antes da exploração. Times que a tratam como uma auditoria periódica vão estar correndo contra os mesmos modelos que usam.

O choque de realidade do fluxo de caixa

O trimestre da Tesla oferece um contraponto útil ao pessimismo. A empresa reportou US$ 1,53 bilhão em fluxo de caixa livre, saindo de um número negativo no trimestre anterior, enquanto citava explicitamente os investimentos em IA e robótica como parte do seu posicionamento nesses setores [2]. A lição não é que investir em IA é seguro. É que disciplina de fluxo de caixa e gastos com IA não são mutuamente excludentes, mesmo para uma empresa despejando dinheiro em modelos e hardware.

Para quem constrói agentes, a conclusão prática é mais específica. Você pode investir em capacidade agêntica sem tratar compute como se fosse grátis. Você pode rodar agentes focados em segurança sem presumir que eles só serão usados pelo seu time. E você pode medir o custo de uma tarefa em mais do que tokens e latência. Os dados de qualidade do ar e a vulnerabilidade em PHP são a mesma história vinda de duas direções: as externalidades da inteligência dos agentes estão se tornando visíveis, e estão se tornando problema seu.

O que permanece prático é isto: audite seu volume de inferência como você audita suas dependências. Trate cada deploy de agente como uma superfície de segurança, não apenas como uma ferramenta de produtividade. E quando um modelo encontrar uma vulnerabilidade no seu stack, assuma que o modelo de outro alguém já está procurando por ela também.