Gastos empresariais com IA atingem US$ 177 bilhões em 2026: 5 sinais de que os agentes estão transformando o mercado de consumo de APIs

Nota do autor: uma análise do relatório de IA empresarial de 2026 da Menlo Ventures, explicando como os agentes estão transformando o consumo de modelos: de “pessoas fazendo perguntas” para “máquinas executando tarefas continuamente”. Também veremos o impacto dessa mudança nas chamadas de API, na concorrência e na estrutura de compras.

Em 3 de novembro de 2026, a Menlo Ventures publicou o relatório The State of Enterprise AI. A estimativa é que as empresas tenham gasto cerca de US$ 177 bilhões com IA em 2026 (o valor exato no relatório é de US$ 176,8 bilhões), aproximadamente 5,4 vezes os US$ 33 bilhões de 2025. Outro dado que chama atenção: as empresas gastaram, em média, cerca de 2,5 vezes mais do que haviam planejado.

Não se trata apenas de mais uma declaração genérica de que “o mercado de IA é enorme”. O relatório se baseia em uma pesquisa com quase 400 tomadores de decisão de empresas americanas e cita dados de tokens do OpenRouter. As conclusões apontam para a mesma mudança: o crescimento dos gastos já não vem principalmente de “mais pessoas fazendo perguntas à IA”, mas de “agentes trabalhando continuamente em nome das pessoas”.

O que você vai encontrar aqui: os principais dados sobre gastos empresariais com IA e agentes, uma explicação de por que os agentes mudam o consumo de tokens e as chamadas de API, além do que desenvolvedores de API e compradores precisam fazer para se preparar.

Panorama dos gastos empresariais com IA em 2026

Começando pelos dados: todos os números da tabela vêm de estimativas de mercado da Menlo Ventures. Eles não representam o total auditado de pagamentos das empresas nem a receita de um único fornecedor de modelos.

O fato de “os gastos com uso de IA superarem os gastos com construção de modelos” sinaliza uma mudança. Antes, as discussões sobre a cadeia de valor da IA se concentravam em treinamento e capacidade computacional. Agora, os serviços que as empresas pagam para que os modelos realizem tarefas já representam uma parcela maior. Vale lembrar que, aqui, os “gastos com uso” incluem infraestrutura, assinaturas de aplicações, APIs e outras formas de despesa. Eles não podem ser tratados diretamente como receita do mercado de APIs.

No mesmo período, Greg Brockman, presidente da OpenAI, afirmou na conferência de tecnologia do WSJ, em 4 de novembro, que mais da metade da receita da OpenAI já vinha de negócios empresariais. Esse número diz respeito à composição da receita da própria OpenAI. É uma métrica diferente dos “31% dos gastos empresariais com APIs” atribuídos à OpenAI pela Menlo, e as duas não devem ser comparadas como se fossem equivalentes.

Por que os gastos das empresas com IA superam tanto o orçamento: a intensidade de uso importa mais que o número de usuários

A diferença entre o orçamento e os gastos reais com IA

O dado mais surpreendente do relatório é o desvio em relação ao orçamento. No início do ano, as empresas geralmente subestimaram a velocidade de crescimento dos gastos com IA:

A média é mais que o dobro da mediana, o que indica que um pequeno grupo de empresas que usa IA intensivamente elevou os gastos gerais. A taxa de adoção cresceu apenas 10 pontos percentuais, enquanto o gasto médio por empresa chegou a quase cinco vezes o valor anterior. Portanto, o principal motivo do crescimento não foi a entrada de mais empresas no uso de IA, mas o uso cada vez mais intenso por parte das que já a adotavam.

Os gastos com IA estão dando origem a novos orçamentos

Quanto à origem dos recursos, a Menlo estima que cerca de 55% dos novos gastos com IA vieram de novos orçamentos, enquanto aproximadamente 22% vieram dos orçamentos existentes de software. Em outras palavras, a IA não está apenas substituindo o SaaS tradicional: ela também está criando categorias de compra que antes não existiam. Para os responsáveis por compras, a IA deixou de ser apenas uma despesa com ferramentas de TI e passou a ser um custo operacional que precisa ser gerenciado separadamente.

Como os agentes mudam o consumo de API: da pergunta à execução

A diferença entre as chamadas de chatbots e de agentes

A causa direta dos gastos fora de controle é a mudança no padrão de chamadas. Um chatbot comum funciona basicamente na lógica de “pergunta e resposta”: o usuário envia uma mensagem, o modelo retorna uma resposta e o consumo de tokens é aproximadamente proporcional ao número de perguntas. Já um agente trabalha assim: “receber um objetivo, dividir tarefas, chamar ferramentas, verificar resultados e iterar”. Por trás de uma única tarefa, pode haver dezenas de invocações do modelo.

📊 Sobre o diagrama: no fluxo de agente multimodelo à direita, é possível usar modelos diferentes nas etapas de planejamento, execução e verificação. Para testar essa estrutura de chamadas, você pode usar a APIYI em apiyi.com e alternar entre modelos de vários provedores com uma única chave.

O consumo de tokens acompanha a execução de tarefas

Ao analisar dados do OpenRouter, a Menlo observou que os agentes já representam cerca de 80% do consumo total de tokens da plataforma, aproximadamente 130,9 trilhões por semana. Desde que o tráfego de agentes ultrapassou o tráfego gerado por pessoas, em fevereiro de 2026, o primeiro cresceu cerca de 37 vezes, enquanto o segundo cresceu apenas cerca de 5 vezes no mesmo período.

Os usuários do OpenRouter são principalmente desenvolvedores e startups, então esses dados não representam o setor inteiro, mas apontam na mesma direção que outros indicadores. Segundo o relatório empresarial da OpenAI de 2025, o consumo médio de tokens de raciocínio por organização na API empresarial cresceu cerca de 320 vezes em relação ao ano anterior. Uma reportagem da Axios sobre o Codex também menciona que mais de 60% dos usuários executam várias tarefas ao mesmo tempo em algum momento do dia. Esses dados mostram que o consumo de tokens está deixando de “acompanhar as pessoas” para “acompanhar as tarefas”.

Para onde vão os gastos das empresas com IA: por que programação e chatbots empresariais lideram

Distribuição dos investimentos no mercado de aplicações de IA

No mercado de aplicações de IA, estimado em cerca de US$ 77,3 bilhões, os investimentos estão bastante concentrados:

A concentração é ainda maior na programação. A Menlo estima que Claude Code e Codex somem cerca de US$ 24 bilhões no mercado de aplicações para programação, quase 70% do total. Há três condições que ajudam a explicar por que a programação foi a primeira área em que o modelo de agentes se mostrou viável.

Três condições para implementar agentes com sucesso

1. Um ambiente que permita executar ações: o agente precisa acessar GitHub, e-mail, calendário, Slack, documentos empresariais e bancos de dados. Apenas ter capacidade de raciocínio, sem ferramentas, não basta para realizar trabalho de verdade.
2. O contexto completo da tarefa: além da pergunta do usuário, o agente precisa conhecer as normas da empresa, os processos de negócio, o histórico do projeto, as restrições operacionais e os critérios de sucesso.
3. Resultados verificáveis: o compilador pode verificar se o código pode ser compilado, e os testes podem indicar se a funcionalidade está funcionando. Esse é um dos principais motivos para os agentes de programação estarem à frente. Em comparação, os resultados de tarefas de pesquisa e busca são mais difíceis de verificar objetivamente.

O terceiro ponto também explica o risco de custo dos agentes. Em áreas onde é difícil verificar os resultados, um agente pode consumir muitos tokens e ainda chegar a conclusões erradas. A Axios relatou um caso em que o professor de Stanford Andrew Hall usou o Claude Code para atualizar um artigo antigo. Uma revisão humana posterior encontrou erros tanto na coleta de dados quanto no processamento do código.

Análise do impacto dos agentes no mercado de consumo de APIs

Impacto para desenvolvedores de API

• É preciso recalcular os custos: estimar o orçamento de API com base em “número de usuários × preço unitário” já não é preciso. O cálculo deve considerar “número de tarefas × média de rodadas de chamadas × tamanho do contexto”.
• São necessários limites de orçamento: agentes que rodam continuamente em segundo plano precisam de um limite de tokens por tarefa, um número máximo de iterações e um mecanismo de interrupção em caso de falhas. Sem isso, o gasto pode passar de 1,9 para 4,7 vezes o orçamento empresarial.
• Combinar modelos se torna a norma: usar um modelo mais avançado para planejar, um modelo mais barato para executar tarefas em lote e um modelo de outro fornecedor para verificação cruzada pode reduzir significativamente o custo por tarefa.

Impacto para fornecedores de API

As mudanças na demanda causadas pelos agentes podem ser agrupadas em cinco categorias, cada uma exigindo capacidades específicas dos fornecedores:

💡 Dica de escolha: se o fluxo de trabalho do seu agente precisa combinar modelos de vários fornecedores, você pode começar criando um protótipo na APIYI apiyi.com com uma interface compatível com a OpenAI. A cobrança por uso facilita o cálculo do custo real de cada etapa.

Uma visão ponderada: gastos empresariais com IA não são o mesmo que receita de API

A conclusão de que “quanto mais agentes, maior será necessariamente a receita dos fornecedores de API” não se sustenta, por três motivos:

• Uma grande parte dos US$ 176,8 bilhões corresponde a infraestrutura e assinaturas de aplicativos, não a taxas por chamadas de API.
• Os preços continuam caindo. Os modelos de código aberto já representam 19% do uso de tokens, mas apenas cerca de 4% dos gastos. Isso mostra que um aumento no volume de tokens não necessariamente gera um crescimento proporcional da receita.
• Cache, processamento em lote e roteamento de modelos reduzem o custo unitário. No fim, a concorrência gira em torno da estabilidade e da taxa de sucesso das tarefas, não apenas do volume de tokens vendido.

Como criar um fluxo de trabalho de Agent multimodelo com uma API

Exemplo básico

O código abaixo demonstra as duas chamadas mais básicas de um Agent: “planejamento → execução”. Substitua os nomes dos modelos pelos disponíveis no console da plataforma:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",
)

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # Modelo com forte capacidade de raciocínio, responsável por dividir a tarefa
    "executor": "YOUR_EXECUTOR_MODEL",  # Modelo de baixo custo, responsável pela execução em lote
    "checker": "YOUR_CHECKER_MODEL",    # Modelo de outro fornecedor, para validação cruzada
}
TOKEN_BUDGET = 50_000   # Limite de tokens por tarefa
MAX_ROUNDS = 3          # Número máximo de iterações

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # Espera exponencial
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

Esse código mostra alguns pontos abordados anteriormente: uma tarefa exige pelo menos três chamadas, os três papéis usam modelos diferentes e o orçamento de tokens e o limite de iterações ajudam a manter os custos sob controle.

🚀 Comece rápido: experimente primeiro diferentes modelos para os três papéis usando os créditos gratuitos de teste da APIYI em apiyi.com. Registre os dados de usage antes de decidir a combinação de modelos para produção.

Perguntas frequentes FAQ

Principais pontos sobre gastos empresariais com IA e agentes

• Escala: a Menlo estima que os gastos das empresas com o uso de IA em 2026 cheguem a US$ 176,8 bilhões, cerca de 5,4 vezes o valor do ano anterior.
• Desvio do orçamento: em média, as empresas gastaram 4,7 vezes mais que no ano anterior, embora o planejamento previsse apenas 1,9 vez esse valor.
• Origem do crescimento: o aumento vem principalmente do uso mais intenso por empresas que já adotaram IA, e não de uma maior taxa de adoção.
• Mecanismo de invocação: os agentes vinculam o consumo de tokens ao volume de tarefas, ao paralelismo e ao tempo de execução.
• Condições para implementação: são necessários um ambiente de execução, contexto completo e resultados verificáveis. Por isso, a programação está na frente.
• Análise criteriosa: gastos empresariais com IA não equivalem à receita de APIs, assim como o crescimento no uso de tokens não equivale ao crescimento anual da receita.
• Como começar: com a APIYI, em apiyi.com, é possível combinar modelos de diferentes provedores usando uma única chave e calcular o custo de tarefas reais.

Resumo

Há três mudanças centrais nos gastos empresariais com IA em 2026:

1. De uso orientado por pessoas para uso orientado por tarefas: o consumo de modelos está deixando de ser baseado em “pessoas fazendo perguntas” e passando para “agentes executando tarefas continuamente”.
2. De custo de ferramentas para orçamento próprio: mais da metade dos gastos adicionais vem de novos recursos orçamentários. A IA está se tornando um custo operacional gerenciado separadamente.
3. Da venda de tokens para a venda de confiabilidade: a concorrência entre serviços de API passará a priorizar estabilidade, concorrência, alternância entre modelos e monitoramento de uso.

Para desenvolvedores e responsáveis por compras, o mais importante agora é calcular o “custo por tarefa” com base em tarefas reais, em vez de estimar o orçamento pelo número de pessoas. Uma opção é usar a APIYI, em apiyi.com, para criar rapidamente um protótipo de agente com múltiplos modelos e usar dados reais de usage como base para o orçamento de IA do próximo ano.

📚 Referências

1. Menlo Ventures – 2026 The State of Enterprise AI: principal fonte de dados deste artigo
2. Link: menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. Descrição: inclui gastos empresariais com IA, participação no mercado de APIs, dados de Agents do OpenRouter e metodologia da pesquisa

4. Reuters – Brockman fala sobre a receita empresarial da OpenAI: mais da metade da receita da OpenAI vem de empresas

5. Link: reuters.com/legal/transactional

6. Descrição: reportagem de 5 de novembro de 2026; observe que essa métrica é diferente da participação no mercado de APIs apresentada pela Menlo

7. OpenAI – The State of Enterprise AI 2025: dados de referência sobre o uso empresarial

8. Link: openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. Descrição: inclui dados históricos, como o consumo de tokens de inferência por organização, cerca de 320 vezes maior em relação ao ano anterior

10. Axios – Office workers drive OpenAI’s Codex growth: execução paralela de tarefas e supervisão de Agents

11. Link: axios.com/2026/06/02/openai-codex-knowledge-workers
12. Descrição: dados de junho de 2026, úteis para entender como profissionais do conhecimento usam Agents

Autor: Equipe técnica da APIYI
Troca de experiências: para conversar sobre questões práticas de fluxos de trabalho com Agents e invocação de múltiplos modelos, entre em contato pela página inicial da APIYI em apiyi.com