Os investimentos em inteligência artificial nos setores de energia, recursos naturais e toda a cadeia industrial cresceram de forma consistente nos últimos anos, mas o principal desafio já não é tecnológico. A questão central passou a ser como escalar iniciativas de IA mantendo governança, previsibilidade de custos e retorno financeiro mensurável. Na prática, a vantagem competitiva não estará com as empresas que consumirem mais inteligência artificial, mas com aquelas capazes de orquestrar agentes, infraestrutura e consumo de recursos de forma eficiente.
Essa transição também traz um risco pouco discutido, ligado ao crescimento descontrolado dos custos associados ao uso intensivo de inteligência artificial. Empresas globais já precisaram restringir o acesso a determinadas ferramentas depois de observar um crescimento expressivo e difícil de prever nas despesas relacionadas ao tema. Episódios como esses reforçam a percepção de que a escala operacional, quando avança sem parâmetros claros de governança, pode comprometer o retorno financeiro esperado. No setor de energia, essa equação passa por três frentes que vêm ganhando espaço entre os líderes da indústria.
A primeira está relacionada à adoção de agentes autônomos de inteligência artificial em processos críticos. Até pouco tempo, o uso mais comum de IA no ambiente corporativo era assistido, com a tecnologia funcionando como apoio a uma decisão tomada por uma pessoa. Os agentes autônomos mudam essa lógica: recebem um objetivo, tomam decisões intermediárias e executam tarefas com pouca intervenção humana direta. Em operações sensíveis, como manutenção de ativos ou processos de segurança, isso passa a exigir mecanismos específicos de governança e gestão de risco, capazes de acompanhar o que o agente está decidindo e de intervir quando necessário.
A segunda frente envolve o sensoriamento de ativos industriais e a criação de gêmeos digitais — réplicas virtuais de equipamentos e plantas que permitem simular cenários e antecipar falhas antes que elas aconteçam. Muitas empresas do setor já operam redes extensas de sensores, acumuladas ao longo de anos de automação industrial, mas nem sempre extraem valor proporcional desses dados. O ganho está em conectar a camada de tecnologia operacional, responsável por controlar equipamentos em campo, à camada de tecnologia da informação, onde ficam os sistemas de análise e os modelos de IA. Essa convergência entre TI e TO permite transformar dado bruto de sensor em decisão sobre consumo de energia, direcionando o monitoramento para os ativos que realmente influenciam o resultado operacional.
A terceira frente trata da governança e soberania digital. Parte da infraestrutura usada para treinar e operar modelos de inteligência artificial hoje depende de um número reduzido de provedores globais de nuvem, o que expõe empresas de setores estratégicos, como energia e mineração, a riscos regulatórios e operacionais fora do seu controle direto. Investir em nuvem soberana significa manter dados e cargas de processamento críticas sob jurisdição e infraestrutura local, algo que ganha peso conforme cresce a preocupação com a resiliência de ativos considerados essenciais para a segurança energética do país.
Essa tensão entre acelerar a adoção e manter o controle ajuda a explicar por que o consumo de tecnologia hoje exige acompanhamento orçamentário contínuo, muito mais próximo do comportamento de uma variável do que de um custo fixo. A inteligência artificial inaugura uma nova economia dentro das organizações. Diferentemente dos ciclos anteriores de transformação digital, em que os custos eram relativamente previsíveis, a IA introduz um modelo de consumo variável e diretamente relacionado ao uso. Nesse contexto, eficiência operacional e eficiência financeira passam a caminhar juntas. É esse comportamento que dá origem à lógica de tokenomics, tema que vem ganhando espaço nas discussões sobre orçamento de tecnologia nas empresas.
Por muitos anos, o licenciamento de software seguiu uma lógica relativamente previsível, baseada no número de usuários ou assentos contratados. Com a inteligência artificial generativa e agêntica, esse modelo divide espaço com um consumo dinâmico baseado em tokens, no qual o custo varia conforme a profundidade do processamento exigido por cada tarefa executada pelos agentes. Para o C-level, acompanhar essa métrica se tornou tão relevante quanto monitorar indicadores financeiros tradicionais, já que pequenas mudanças na forma como uma tarefa é executada podem gerar variações relevantes na fatura de tecnologia.
Prever essa nova economia não é trivial, porque o custo de um agente não se comporta como o de um software tradicional. Três variáveis pesam mais. A primeira é a profundidade do contexto: quanto mais dados cada interação carrega, maior o consumo. A segunda é a complexidade de raciocínio, ou o esforço computacional exigido por tarefas mais elaboradas. A terceira, e mais sensível, é a orquestração entre agentes autônomos. Como eles interagem continuamente, uma única solicitação pode desencadear dezenas de chamadas em cascata. Com isso, decisões de arquitetura, como o volume de processamento contratado e o desenho dos fluxos entre agentes, deixam de ser escolhas apenas técnicas e passam a definir o orçamento de tecnologia. A pergunta deixa de ser só onde aplicar IA e passa a ser qual é a nova economia de cada processo.
IA agêntica tratam o tema como transformação do negócio, e não como uma sequência de pilotos. É essa a lógica do Agentic AI Blueprint, framework da Deloitte que parte de uma distinção simples, mas decisiva: identificar onde um agente pode ser criado é diferente de identificar onde ele deve ser criado. A abordagem começa pela ambição de negócio e pelo valor em jogo, e não pela tecnologia. É esse critério que define quais processos transformar e em que ordem. O ponto central é repensar o trabalho antes de automatizá-lo, porque automatizar um processo ineficiente apenas amplia os problemas existentes. O Gartner estima que mais de 40% dos projetos de IA agêntica serão cancelados até 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados. Em energia, onde segurança operacional, confiabilidade e margens caminham juntas, esse redesenho também inclui outros elementos:
• governança sobre a entrada de cada novo agente;
• preparo das equipes para trabalhar ao lado deles;
• controles de risco desde a concepção.
Só então a validação técnica ganha sentido, e a escala deixa de ser uma aposta para se tornar consequência de valor comprovado. Essa validação técnica costuma acontecer em ambientes controlados, criados para testar soluções antes de expô-las a dados críticos. O Smart Solutions Center, sediado no Rio de Janeiro a partir de uma parceria entre Deloitte e Nvidia, é um exemplo desse tipo de estrutura, com infraestrutura de processamento avançada e especialização nos desafios de energia, recursos naturais e indústria. Entre os pilares dessa validação está uma instância dedicada a controlar o uso de capital. Nenhuma solução avança para a fase de escala sem antes comprovar retorno financeiro mensurável, um mecanismo de governança que busca equilibrar o apetite por inovação com a disciplina orçamentária, evitando que o entusiasmo em torno da tecnologia se traduza em investimentos sem retorno claro.
Esses movimentos sugerem que a competitividade no setor de energia vai depender cada vez mais da capacidade de orquestrar agentes com eficiência, manter governança, controlar o consumo de tokens e comprovar retorno financeiro sobre os investimentos em IA. Resta acompanhar como cada empresa equilibrará esses fatores conforme a adoção avança para uma escala mais ampla.




