Agentes exigem outra infraestrutura: o custo por token vira decisão de ROI
No último dia 1º de setembro, em Las Vegas, Jensen Huang subiu ao palco do Fal.Con 2026 para uma plateia de 10 mil profissionais de segurança e disse algo que deveria ecoar em qualquer departamento de marketing que esteja automatizando processos com IA: “Os ataques agora são automatizados. A defesa também precisa ser.”
A frase, originalmente sobre cibersegurança, descreve com precisão cirúrgica o que está acontecendo em todas as áreas de negócio que adotaram agentes de IA. Não se trata mais de um chatbot que responde uma pergunta e encerra o assunto. Os agentes atuais operam em fluxos multi-etapa: raciocinam, chamam ferramentas, coordenam subagentes e acumulam contexto a cada turno. E é exatamente aí que mora a mudança que poucos empreendedores enxergaram ainda — o custo por token deixou de ser uma métrica técnica para se tornar uma decisão de ROI.
O salto do single-turn para o agente coordenado
Quando falamos de automação de marketing, atendimento ou vendas com IA, a maioria das empresas ainda pensa em termos de “uma pergunta, uma resposta”. Esse modelo single-turn esconde um custo previsível e baixo. Mas a realidade dos agentes modernos é outra.
Um agente de IA que precisa, digamos, qualificar um lead, verificar o histórico de compras no CRM, consultar uma política de preços em um documento interno e então redigir uma proposta personalizada — tudo isso em sequência e com contexto mantido entre cada etapa — consome múltiplos tokens de entrada e saída por ação. E cada etapa adiciona camadas de raciocínio que exigem mais capacidade computacional.
O anúncio da NVIDIA com a CrowdStrike ilustra esse ponto de forma exemplar. A nova solução SafeMind, construída sobre os modelos abertos Nemotron da NVIDIA, opera como um sistema agêntico completo: um modelo orquestra o harness defensivo, outro gera regras de detecção, e um loop contínuo de coevolução faz agentes ofensivos e defensivos se desafiarem mutuamente.
Traduzindo para linguagem de negócio: imagine que seu time de marketing tenha um agente que gerencia campanhas de performance. Esse agente não apenas “responde” — ele analisa dados de múltiplas plataformas, identifica padrões, toma decisões de realocação de orçamento, executa mudanças, mede resultados e ajusta a estratégia novamente. Cada uma dessas etapas consome tokens, energia computacional e — mais importante — infraestrutura.
O problema é que a maioria das empresas ainda precifica a automação como se ela fosse uma série de chamadas simples de API. Quando o agente passa a operar em loop contínuo, o custo real da operação muda completamente. E foi exatamente isso que Jensen Huang destacou no anúncio com a CrowdStrike: a infraestrutura que sustenta esses agentes precisa ser repensada.
O custo por token como métrica de negócio
O dado mais interessante do anúncio NVIDIA-CrowdStrike — e o que mais importa para quem usa IA para trabalhar — é o seguinte: a CrowdStrike post-treinou o modelo Nemotron 3 Super com seus dados proprietários de ameaças cibernéticas. Nos testes internos, o modelo resultante, chamado Blue Solano, superou a precisão dos principais modelos “frontier” do mercado, mas a um custo 99% menor.
99%. Não é uma margem de melhoria incremental. É uma mudança de ordem de grandeza no custo operacional.
O que isso significa na prática? Que a escolha entre usar um modelo genérico fechado ou uma infraestrutura aberta, otimizada e post-treinada para o seu domínio específico pode representar uma diferença de duas ordens de magnitude no que você paga por cada automação executada.
Para o profissional de marketing que opera com um orçamento finito, a conta é direta:
- Um agente de atendimento que processa 12 mil interações por mês com um modelo fechado genérico pode custar uma fortuna em tokens de raciocínio para cada interação.
- O mesmo agente, post-treinado com seu conhecimento de produto e operando em uma infraestrutura otimizada, pode entregar resposta mais precisa por uma fração do custo.
O ponto não é demonizar modelos fechados — eles têm seu lugar. Mas o anúncio da NVIDIA com a CrowdStrike estabelece um princípio que se aplica a qualquer vertical: agentes especializados, construídos sobre modelos abertos e post-treinados com dados proprietários, tendem a ser drasticamente mais baratos e mais precisos no seu domínio específico.
No caso da segurança, a CrowdStrike conseguiu fazer isso porque tinha uma vantagem assimétrica: anos de dados de telemetria de ameaças de milhares de organizações. No seu caso, a vantagem assimétrica pode ser seu histórico de conversões, seu conhecimento do funil de vendas ou seu inventário de conteúdo que gera engajamento.
A infraestrutura deixa de ser só “onde roda” a IA e passa a ser “quanto custa” cada decisão que a IA toma em seu nome.
Hardware, eficiência e a nova economia da automação
A equação, porém, não termina nos modelos. Existe uma camada física que determina — de forma absolutamente real — se sustentar automações de marketing, atendimento e vendas é economicamente viável ou não.
O anúncio da CrowdStrike menciona explicitamente o uso da plataforma de computação acelerada full-stack da NVIDIA. Isso não é detalhe técnico; é a parte da infraestrutura que decide se sua operação com agentes vai ser energeticamente eficiente, rápida e barata o suficiente para escalar.
Não estamos falando de grandes data centers corporativos. Mesmo operações de médio porte que rodam agentes de IA para marketing e vendas hoje dependem de infraestrutura que otimiza o consumo de energia por token gerado. E a eficiência energética não é um tema ambientalista — é um tema de margem.
Vamos deixar isso concreto:
Se você tem um agente de qualificação de leads que opera 24/7, o custo de energia e processamento por ciclo de raciocínio determina quantos leads você consegue qualificar por dia com o mesmo orçamento. Um hardware mais eficiente — como os chips aceleradores da NVIDIA — não faz seu agente apenas “rodar melhor”; faz seu custo por lead qualificado despencar.
Se você automatiza o primeiro atendimento de suporte com agentes, a velha métrica de “custo por interação resolvida” precisa incluir o custo computacional de cada interação. Sistemas otimizados para agir em vez de apenas responder — ou seja, que usam harnesses específicos para chamar ferramentas, acessar bases de conhecimento e executar ações — consomem mais recursos por ação, mas resolvem mais problemas sem intervenção humana.
O alerta de Jensen Huang no palco da CrowdStrike vai na direção oposta do que muitas empresas assumem: a automação não é uma economia automática. Ela é uma economia possível, condicionada à escolha certa da infraestrutura.
A questão estratégica para o empreendedor não é mais “devemos usar IA para automatizar vendas e marketing?”. Essa decisão já foi tomada em quase todos os mercados. A questão agora é: “qual é a arquitetura — modelos, dados e hardware — que vai nos permitir automatizar sem queimar o orçamento?”
Agentes que aprendem com o ambiente: a nova vantagem competitiva
O que a NVIDIA e a CrowdStrike apresentaram, no fundo, é um laboratório do futuro dos agentes empresariais. O SafeMind foi testado em um “digital twin” da rede da NVDIA — uma simulação fiel do ambiente real onde os agentes operam. Dentro desse ambiente, um agente ofensivo encontra brechas, um agente defensivo as fecha, e o ciclo se repete até a segurança se tornar robusta.
Para markting, o paralelo é imediato. Imagine um agente de performance que opera em um “digital twin” do seu funil de vendas. Ele testa variações de abodagem, mede resutados em um ambiente simulado que replica o comportamento real do seu público, e só então aplica as melhores táticas no ambiente real. Cada iteração reduz o custo total porque gera aprendizado aplicável sem desperdíciar verba em testes ciegos.
A infraestrutura dá suporte a esse ciclo contínuo de “coevolução” — e é isso que faz o custo por token virar decisão estratégica. Não se trata mais de pagar por respostas. Trata-se de pagar por um sistema que se melhora sozinho, contunuamente, e que exige mais processamento a cada ciclo de apredizado.
Para quem trabalha com IA aplicada a vendas e marketing, a lição é clara. A nova geração de ferramentas não será vendidade como “um chatbot que responde”. Será vendida como “um agente que raciocina, age, aprende e melhora o desempenho da sua operação”. E o custo dessa operação será determinado por três variáveis que você pode — e deve — controlar:
- Os dados proprietários com os quais você treina e post-treina seus modelos — são sua vantagem assimétrica.
- A escolha dos modelos — modelos abertos e especializados tendem a custar drasticamente menos no seu domínio.
- A infraestrutura de hardware que roda seus agentes — ela determina o custo energético e a velocidade de cada ciclo de raciocínio.
O mercado está entrando em uma fase em que a eficiência infraestrutural da automação definirá quais empresas conseguem sustenter operações agênticas escalavéis e quais vão ficar para trás. Para o profissional que usa IA para travailler, a pergunta não é mais “o que a IA pode fazer por mim?”. É “quanto custa cada automatção que ela faz — e quém tem a infraestrutura para fazê-la a um custo que faz sentido?”.
O anúncio da NVIDIA com a CrowdStrike responde parte dessa pergunta com uma direção clara: modelos abertos, post-treinados com dados propeetários e rodando em hardware acelerado podem entregar mais precisão por centésimo do custo de alternativas genéricas. A outra parte da resposta — que estruturas adotar, que dados usar, que fornecedores escolher — é uma decisão de negócio que cada empresário precisa tomar agora, antes que a concorrência transforme automação em commoditie.
E quando a automação se torna commoditie, quem controla a infraestrutura do agente controla a margem.
