Apollo: IA gerou zero retorno fora das big techs

O token virou custo, não crescimento

IA entrou no balanço como promessa de produtividade, mas no extrato ainda aparece como despesa. É esse desconforto que a Apollo Global Management colocou na mesa ao dizer que, fora do setor de tecnologia, a IA entregou zero retorno financeiro até agora. Para quem está operando produto, engenharia ou financeiro, a frase dói porque bate exatamente onde o piloto mora. A gente paga token, paga vetor, paga reprocessamento, paga gente para revisar saída do modelo, e no fim o ticket médio não sobe e a margem não folga. O discurso da abundância continua bonito no keynote, mas na planilha o que sobra é custo variável novo em cima de processo antigo.

A Apollo não está falando de futuro, está falando de margem presente. Segundo a gestora, só as Magnificent Seven, com nomes como Nvidia e Meta, estão capturando o valor da onda. Elas vendem a pá e a picareta, o chip, a nuvem, o modelo, a atenção. O resto do S&P 500 assiste de fora, gasta para testar e não vê receita por funcionário andar. Se você lidera um time que está colocando copiloto em tudo, essa é a hora de trocar a pergunta de quando a IA vai escalar por onde ela está vazando dinheiro hoje.

O fato sem maquiagem

A análise econômica publicada pela Apollo no sábado, assinada pelo economista-chefe Torsten Slok, é direta e incômoda. A tese central é que o mainstream corporativo americano já começou a tratar gasto com tokens não como motor de crescimento, mas como centro de custo que pressiona margem. Em outras palavras, a conta da experimentação chegou e o CFO assumiu a conversa que antes era do time de inovação. Não é corte de hype por birra, é reação a trimestres seguidos sem contrapartida em receita.

Para sustentar o argumento, Slok compara três métricas que dispararam para tech e ficaram paradas para o resto. A receita por funcionário nas big techs saltou de cerca de 550 mil dólares em 2022 para quase 800 mil dólares hoje, enquanto nas demais empresas do S&P 500 segue travada perto dos 550 mil dólares há sete anos. As margens de lucro seguiram o mesmo roteiro, com alta forte em tecnologia e estagnação em torno de 10% fora dela. E a produtividade agregada da economia, aquela que deveria explodir com automação inteligente, ainda não mostrou o salto que os otimistas prometeram. É gráfico chapado contra gráfico inclinado, sem muito espaço para interpretação generosa.

Como isso funciona na operação real

Na visão de operador, esse zero retorno não é mistério, é arquitetura. A maioria das empresas não está vendendo IA, está consumindo IA via API. Cada chamada tem custo, latência e variabilidade. Você coloca um resumo automático no atendimento, um classificador no backoffice, um gerador de descrição no e-commerce. No papel parece automação. Na prática vira um pipeline com pré-processamento, chunking, recuperação em base vetorial, prompt grande para dar contexto, pós-validação e fallback humano quando o modelo alucina. O custo por tarefa resolvida fica maior do que o previsto porque o teste inicial mede só o token do caso feliz, não o retrabalho, o cache que não pega e o suporte que precisa intervir.

Tem ainda o efeito da comoditização incompleta. Os modelos estão ficando mais baratos por token, isso é verdade, mas o uso está ficando mais pesado. Saímos de completar texto para agentes que fazem dez, vinte chamadas para resolver um ticket, consultam ferramentas, navegam, replanejam. A inferência técnica plausível aqui é que a queda de preço unitário está sendo engolida pelo aumento de volume e complexidade por tarefa. Some a isso o custo escondido de dados sujos, integração legada e observabilidade fraca. Sem instrumentação decente, ninguém sabe qual caso de uso dá ROI e qual só queima orçamento de nuvem com sorriso no dashboard de adoção.

O que isso muda na prática

Quem ganha hoje é quem está na camada de infraestrutura e distribuição. Quem vende GPU, nuvem, modelo fundacional ou tem audiência gigante para monetizar com recomendação e ads turbinados. Quem perde, por enquanto, é a empresa média que comprou a ideia de transformação e espalhou pilotos sem dono de P&L. Ela ganha complexidade operacional, risco jurídico e uma fila nova de exceções para tratar. Isso não significa abandonar IA, significa operar com disciplina de custo variável. Toda feature com modelo precisa ter dono, meta de margem e kill switch.

• Audite um fluxo que já está em produção e calcule custo total por tarefa concluída. Inclua tokens de entrada e saída, chamadas de agente, rerank, embedding, armazenamento vetorial e minutos humanos de revisão. Se passar de 30 dias sem dono e sem meta, pause e redesenhe.
• Troque amplitude por profundidade. Em vez de dez copilotos rasos, escolha um gargalo com volume alto e erro caro, como triagem de tickets, conciliação ou qualificação, e otimize até a margem melhorar de verdade.
• Trave guardrails de gasto por caso de uso. Limite de tokens por sessão, cache agressivo de respostas repetidas, modelo pequeno para o simples e modelo grande só para exceção. Sem isso, escala vira vazamento.

O ajuste imediato é cultural e técnico ao mesmo tempo. Pare de medir sucesso por adoção, como número de prompts ou usuários ativos, e passe a medir por margem por atendimento, tempo humano economizado com qualidade mantida e retrabalho evitado. Se o time não consegue dizer quanto custa resolver mil chamados com e sem IA, ele não está pronto para escalar. Está pronto para torrar verba.

Isso escala ou só move o gargalo?

A pergunta que a Apollo deixa no ar é a que mais importa para quem constrói. Mesmo com inteligência cada vez mais barata, o resto das empresas vai conseguir transformar isso em receita maior e margem maior. Slok sugere que pode ser mais difícil do que parece, e ele tem um ponto. Baratear o token não resolve dado bagunçado, processo mal desenhado e incentivo desalinhado. A IA acelera o que já funciona, mas também acelera a confusão quando o fluxo de base é frágil. Muita automação atual só move o gargalo do digitador para o revisor, do analista júnior para o sênior que agora audita máquina em vez de fazer.

Há também a dúvida real sobre captura de valor. Se todo concorrente usa o mesmo modelo, pelo mesmo preço, para fazer a mesma triagem e o mesmo texto, onde está a vantagem. Vira custo base para continuar no jogo, não diferencial para subir preço. Para sair do zero retorno, a empresa precisa de algo proprietário em cima do modelo comoditizado. Workflow específico, dado exclusivo, integração profunda, distribuição própria. Sem essa camada, o ganho de eficiência vaza para o cliente em forma de preço menor ou fica com o fornecedor em forma de mensalidade maior. Escalar uso sem ativo próprio pode só escalar despesa com mais elegância.

Conclusão

No fim, a Apollo está dizendo algo simples e duro. IA já dá lucro para quem vende IA, ainda não dá lucro para quase todo mundo que compra IA. A saída não é esperar o modelo milagroso, é operar melhor o que já existe com conta na ponta do lápis. Qual fluxo seu hoje sobrevive se o custo de token dobrar amanhã.