A Uber conseguiu algo que muitas organizações ainda perseguem: disseminar o uso de inteligência artificial em larga escala. Em julho de 2026, o CTO da empresa informou que 99% de seus engenheiros utilizavam ferramentas de IA. O problema, portanto, não era baixa adoção.

A origem do caso são duas declarações distintas. Em abril, o CTO Praveen Neppalli Naga disse ao The Information que o orçamento anual reservado ao Claude Code já estava esgotado: “voltei à prancheta, porque o orçamento que eu achava que precisaria já foi embora”. Em maio, o presidente e COO Andrew Macdonald reconheceu a outra metade do problema — a empresa ainda não conseguia traçar uma relação clara entre o aumento do consumo de tokens e a entrega de funcionalidades úteis para os clientes.

O caso não é isolado: o custo da IA passou a exigir justificativa explícita em empresas de grande porte, e a discussão sobre retorno virou pauta de conselho.

O episódio não prova que o investimento foi errado. Ele mostra algo mais importante: a adoção pode escalar antes que políticas, métricas, responsabilidades e controles tenham amadurecido na mesma velocidade.

O que segue não é um diagnóstico dos controles internos da Uber — a empresa não os divulgou. É a pergunta que o caso obriga qualquer liderança a fazer sobre a própria operação.

Adoção não é resultado

Na primeira fase de adoção, muitas empresas acompanham número de usuários, licenças, frequência de acesso, volume de prompts, tokens consumidos e agentes criados. Esses indicadores são úteis, mas medem principalmente disseminação e atividade.

Uma organização pode multiplicar o uso de IA sem reduzir o tempo de um processo, melhorar a experiência de um cliente, eliminar retrabalho ou ampliar sua capacidade operacional.

Circula no mercado a expressão tokenmaxxing para descrever o consumo intensivo de capacidade de IA tratado quase como objetivo em si. O risco é criar incentivos para utilizar modelos mais caros sem necessidade, repetir execuções, manter prompts excessivamente longos ou criar agentes sem objetivo econômico definido.

O resultado pode ser uma empresa aparentemente avançada em IA, mas incapaz de explicar onde o investimento está gerando retorno.

É por isso que o problema não começa na fatura. Ele começa quando ninguém consegue ligar consumo, processo, resultado e responsabilidade.

Orçamento, alerta e bloqueio cumprem funções diferentes

Muitas organizações acreditam que controlam gastos porque definiram um orçamento ou configuraram alertas. Mas esses mecanismos não são equivalentes.

Uma empresa pode ter orçamento e alertas sem possuir controle efetivo sobre a continuidade do consumo. Por isso, é preciso definir antes do desvio acontecer:

• quando um alerta deve ser emitido e quem deve recebê-lo;
• quais desvios exigem aprovação;
• quando o uso deve ser reduzido ou interrompido;
• quem pode autorizar uma exceção;
• qual evidência precisa existir para ampliar o orçamento.

Sem essas regras, o dashboard apenas informa que o problema já aconteceu.

Foi o caminho que a própria Uber acabou seguindo: em junho de 2026, cerca de dois meses depois do estouro, a empresa passou a limitar o uso interno das ferramentas de codificação por IA. O bloqueio existiu — só chegou depois da fatura, não antes dela.

Com agentes, o risco deixa de ser apenas financeiro

Se controlar custo já é difícil quando pessoas utilizam ferramentas diretamente, o desafio aumenta quando agentes passam a executar tarefas com autonomia. Um trabalho publicado em 2026 catalogou 63 incidentes confirmados de estouro de orçamento em 21 frameworks de orquestração, incluindo problemas associados a retries, delegação e corrida de orçamento.

Isso muda a natureza do controle: o limite de custo deixa de ser apenas uma decisão contratual e passa a fazer parte da arquitetura do agente.

Antes da tecnologia, a empresa precisa de políticas

Ferramentas de controle são necessárias, mas não definem sozinhas o comportamento esperado. A organização precisa estabelecer critérios objetivos para autorizar consumo, responsabilizar decisões e interromper iniciativas que não entregam o mínimo esperado.

Políticas não deveriam existir para bloquear a IA. Elas devem permitir ampliar rapidamente os usos que geram valor e corrigir os que produzem apenas consumo.

O ponto central é atribuir responsabilidade integral. Em muitas empresas, TI paga a conta, a área de negócio utiliza a ferramenta, compras negocia o contrato e ninguém possui ownership sobre custo + resultado.

A governança econômica da IA exige quatro dimensões

Medir apenas custo resolve metade do problema. A liderança precisa conectar adoção, gasto, transformação operacional e valor empresarial em uma mesma lógica de decisão.

Adoção mostra alcance. Custo mostra esforço. Resultado operacional mostra se o processo mudou. Valor empresarial mostra se a iniciativa merece mais investimento.

Essa conexão permite distinguir dois cenários que parecem iguais na fatura: uma área pode gastar mais porque encontrou um caso de uso altamente valioso; outra pode gastar mais apenas porque o consumo cresceu sem controle.

Política, metodologia e tecnologia precisam operar juntas

Na visão da SuperClient, governança econômica de IA funciona melhor como um ciclo contínuo, e não como uma revisão de orçamento realizada depois que a fatura chegou.