Hoje o radar trouxe de tudo: modelo mais barato pressionando preço, um incidente real de agente autônomo fora de controle e um jeito novo de olhar para o orçamento de IA. É desse último que eu quero falar primeiro.

Toda vez que a gente estrutura um produto de crédito, uma das primeiras perguntas é: para onde esse dinheiro está indo e que retorno ele está gerando. Parece óbvio, mas é surpreendente quantas empresas ainda não fazem essa mesma pergunta sobre o próprio gasto com IA.

Em resumo

  • A Rippling criou um painel interno para acompanhar gasto com tokens por funcionário e por time.
  • O painel cruza o custo com resultados concretos, como PRs entregues ou receita gerada.
  • Usando a própria ferramenta, a empresa reduziu o custo de IA de 40% para 15% do orçamento de P&D.
  • Para produto, o caso reforça que consumo de IA precisa de métrica de retorno, limite por time e decisão de portfólio.

Foi isso que me chamou atenção numa notícia dessa semana. A Rippling lançou um painel interno para rastrear gasto com tokens de IA por funcionário e por time, cruzando esse custo com resultados concretos, como PRs entregues ou receita gerada. Usando a própria ferramenta, eles conseguiram reduzir o custo de IA de 40% para 15% do orçamento de P&D.

Isso é basicamente gestão de portfólio aplicada a IA. Em crédito, a gente vive de olhar para onde o limite está sendo usado, qual a eficiência daquele uso e onde cortar ou expandir. Gasto com IA está virando a mesma coisa: uma linha de orçamento que precisa de visibilidade, não só de confiança de que “está funcionando”.

Do lado de produto, isso muda uma conversa importante. Não basta mais habilitar IA em uma feature e torcer para que o custo caiba. Cada vez mais vamos precisar desenhar métricas de retorno por uso, definir limites por time e tratar consumo de IA como qualquer outro recurso escasso da operação.

Essa é uma parte central da gestão de produtos com IA: colocar custo, valor e resultado na mesma conversa antes de ampliar o uso de uma capacidade de modelo. O guia de IA para Product Managers ajuda a avaliar oportunidades sem depender apenas do entusiasmo com a tecnologia. E a base de gestão de produto dá o contexto para decidir onde investir e onde colocar guardrails.

Gosto de ver esse tipo de movimento porque tira a IA do campo do “custo invisível” e coloca no campo da gestão de verdade. Isso é bom para quem constrói produto e para quem aprova orçamento, porque dá dado real para decidir onde vale investir mais e onde vale colocar guardrail.

Para quem ficou curioso e quer entender como funciona esse painel, deixo o link aqui: Introducing AI Spend Console.

O resto do radar

DeepSeek V4 Flash 0731 — modelo mais barato e rápido rivaliza com modelos premium em raciocínio, pressionando estratégias de custo por token. Ler mais

DeepMind WeatherNext e previsão de ciclones — caso concreto de IA preditiva criando valor de produto em domínio de alto risco. Ler mais

Mensagens entre sessões do Claude Code — padrão pronto de orquestração multi-agente, reduzindo esforço de construir infraestrutura própria. Ler mais

DOE lança Genesis Open Models Initiative — amplia opções de modelos abertos além das Big Tech, útil em produtos regulados. Ler mais

Cronologia do ataque acidental da OpenAI à Hugging Face — caso real de risco operacional de agentes autônomos em produção, com lições para governança. Ler mais

Gemini 3.6 Flash reduz custo de tokens para agentes — sinal direto de aceleração da guerra de preços entre modelos, com impacto em unit economics. Ler mais

Meta lança Muse Spark 1.2 e Muse Code — Meta acelera na corrida de coding agents, com modelo, dados e preço a avaliar. Ler mais

Adobe e Johns Hopkins apresentam o Wonder — abre caminho para produtos de simulação, treinamento e visualização gerados por IA. Ler mais

Guia: agentes de IA no trabalho de Product Management — referência prática para decidir onde inserir agentes no próprio fluxo de trabalho de PM. Ler mais

Foi um dia cheio de sinal para quem cuida de produto e de orçamento ao mesmo tempo. Até a próxima edição.