How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks
Este artigo apresenta o primeiro estudo sistemático sobre o consumo de tokens em tarefas de codificação por agentes de IA, revelando que esses processos são extremamente caros, estocásticos, apresentam variações significativas de eficiência entre modelos e que os modelos atuais falham em prever seus próprios custos computacionais.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
🤖 Onde foi parar o meu dinheiro? O Mistério dos Gastos dos Agentes de IA
Imagine que você contratou um assistente pessoal muito inteligente para organizar sua biblioteca. Você combina um valor fixo por hora, mas o assistente diz: "Olha, eu cobro por cada página que eu ler e cada livro que eu mover".
Você envia o assistente para casa e, quando ele volta, a conta é dez vezes maior do que você imaginava. Você pergunta: "Por que custou tanto?". E ele responde: "Ah, eu tive que ler o mesmo livro cinco vezes para ter certeza, e depois li o índice de novo para conferir".
Esse é exatamente o problema que este estudo científico investigou. Ele analisou como os "Agentes de IA" (IAs que não apenas conversam, mas que "agem", usam ferramentas e resolvem problemas complexos de programação) gastam o seu dinheiro (em forma de "tokens", que são as unidades de processamento da IA).
Aqui estão as quatro grandes descobertas do estudo, explicadas de um jeito simples:
1. O "Efeito Acumulador" (O custo não está no que a IA diz, mas no que ela lê) 📚
Sabe quando você está estudando para uma prova e, para entender um conceito, precisa reler o capítulo inteiro várias vezes? A IA faz o mesmo.
O estudo descobriu que o maior gasto não é o que a IA escreve (a resposta), mas o que ela lê (o contexto). Como ela vai resolvendo o problema passo a passo, ela vai acumulando informações. É como se, a cada passo do trabalho, ela tivesse que carregar uma mochila cada vez mais pesada cheia de livros. Isso faz o custo explodir!
2. O "Caminho Sem Fim" (Mais esforço nem sempre significa melhor resultado) 🔄
Você já tentou consertar uma torneira, desistiu, tentou de novo do mesmo jeito e acabou perdendo mais tempo?
Os pesquisadores notaram que, às vezes, a IA entra em um "loop" de repetição. Ela lê o mesmo arquivo, tenta mudar o mesmo código, erra, e tenta de novo. O estudo mostrou que gastar mais tokens não garante que a IA vai acertar o problema. Na verdade, o ponto de maior eficiência é um "meio-termo"; se ela gastar demais, ela geralmente está apenas "andando em círculos" sem sair do lugar.
3. A "Eficiência de cada Motor" (Nem toda IA é igual) 🏎️
Imagine que você tem três carros para fazer uma viagem. Um é um caminhão gigante que gasta muito combustível para qualquer coisinha; outro é um carro econômico; e o terceiro é um carro de luxo que é rápido, mas gasta muito.
O estudo mostrou que as IAs são assim. Algumas (como o GPT-5) são muito "econômicas" e resolvem o problema direto ao ponto. Outras (como o Kimi-K2) são como aquele caminhão pesado: elas gastam milhões de tokens a mais para fazer a mesma tarefa que as outras, sendo muito menos eficientes.
4. O "Orçamento de Centavos" (A IA não sabe quanto vai custar) 💸
Este é o ponto mais crítico: se você perguntar para a IA: "Quanto você vai me cobrar para resolver este problema?", ela vai te dar um palpite, mas quase sempre vai errar para baixo.
É como se você perguntasse a um mestre de obras: "Quanto tempo leva para reformar minha cozinha?" e ele dissesse "Duas horas", mas na verdade leva dois dias porque ele descobriu um cano estourado no meio do caminho. As IAs ainda não conseguem prever a própria "bagunça" e o quanto de esforço extra elas vão precisar fazer.
💡 Resumo da Ópera
O estudo conclui que usar agentes de IA para tarefas complexas é como contratar um profissional que trabalha por "comissão de leitura". É uma ferramenta poderosa, mas imprevisível e cara.
Para o futuro, os cientistas precisam criar formas de:
- Fazer a IA ser mais direta (menos "leitura repetitiva").
- Criar "limitadores de gastos" (como um cartão de crédito com limite diário).
- Ensinar a IA a dizer: "Olha, esse problema é difícil, prepare o bolso!" antes de ela começar a trabalhar.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.