
| Crescimento de gastos com tokens (Ago-Set) | Estável (dados da Ramp) |
| Aumento total de gastos com IA (Out) | +1,65% (dados da Ramp) |
| Participação de modelos de ponta nos gastos | 69,5% (dados da Ramp) |
| Gastos com IA no Sucesso do Cliente | 13,3% do total (alegação do autor) |
| Eficiência do Google Orchestrator | 24% menos cota utilizada (alegação do Google) |
Para quem esta análise vai economizar uma hora?Enviamos o link com a conclusão “na real” — a pessoa não precisa assistir ao vídeo inteiro.
As empresas estão se tornando mais eficientes ao usar modelos menores e especializados, além de ferramentas de roteamento automático, evitando pagar por inteligência de ponta em tarefas simples.
O vídeo sugere um risco de excesso de oferta, caso a enorme capacidade produtiva da NVIDIA não acompanhe o crescimento, mais lento que o esperado, dos gastos reais dos clientes.
São os novos modelos especializados do Google: o Carbon é focado em raciocínio complexo, enquanto o Hydrogen é otimizado para velocidade e baixo custo.
Utilizando um orquestrador ou roteamento manual para garantir que apenas os problemas mais complexos utilizem modelos caros, como o GPT-4 ou Gemini Ultra.
O autor argumenta que a queda na cultura de engenharia, a perda de talentos seniores e a dependência excessiva de correções geradas por IA podem estar prejudicando a confiabilidade dos sistemas.
★ 6/10
★ 5
★ 9