A Uber revelou que seu orçamento anual de IA foi consumido em apenas quatro meses após a adoção massiva do Claude Code, mostrando como ferramentas geniais podem estourar custos sem controles; este artigo explica o que aconteceu, os números por trás do problema e cinco diretrizes práticas para CTOs e tech leads brasileiros evitarem o mesmo erro.
A Uber se tornou um caso emblemático sobre os riscos financeiros da adoção em massa de IA generativa no desenvolvimento de software.
Em abril de 2026 o CTO admitiu que o orçamento anual de IA foi consumido em apenas quatro meses.
O responsável não foi um projeto mal-executado, mas o uso em larga escala do Claude Code, que se espalhou rapidamente entre os times de engenharia.
Os dados relatados pela própria empresa mostram uma adoção impressionante e uma escalada de custos que fugiu às previsões financeiras.
Segundo o relato, cerca de 95% dos engenheiros da Uber usam ferramentas de IA mensalmente e 70% do código commitado foi gerado por IA.
Também foi informado que 84% dos desenvolvedores foram classificados como usuários de “agentic coding” e que agentes produziram 1.800 mudanças de código por semana sem revisão humana direta.
Os custos por engenheiro variavam entre US$ 500 e US$ 2.000 por mês, e o gasto total com IA cresceu seis vezes desde 2024.
O ponto técnico-chave é a precificação por token: quanto mais eficiente a ferramenta, mais tokens são consumidos e maior a fatura.
US$ 200 por mês pode parecer administrável num plano individual, mas multiplicado por milhares de desenvolvedores rapidamente se transforma em milhões por ano.
Para times e líderes no Brasil, a adoção de IA para codificação já é inevitável, mas a lição central é que ela precisa vir acompanhada de governança financeira e operacional.
Da experiência da Uber surgem cinco diretrizes práticas que ajudam a orçar e controlar o uso de IA sem cortar sua produtividade.
1) Comece com pilotos limitados antes de liberar para toda a engenharia.
Escolha um squad, defina um período de prova (por exemplo, 90 dias) e meça o custo por engenheiro por mês antes de escalar para o restante da empresa.
2) Defina tetos de consumo por equipe ou projeto.
Configure alertas, limites rígidos e dashboards de consumo visíveis para que os próprios engenheiros acompanhem o impacto financeiro em tempo real.
3) Meça ROI real, não apenas sensação de produtividade.
Foque em quantas horas de engenharia foram economizadas e em métricas concretas como aumento de deploys por semana; compare esses ganhos com o custo da IA.
4) Diversifique fornecedores desde o dia zero para reduzir risco de lock-in.
Negocie contratos com cláusulas de saída e mantenha alternativas viáveis, incluindo opções self-hosted ou modelos open source, para mitigar volatilidade de preço.
5) Invista pesado em revisão de código automatizada e humana.
Combine linters rigorosos, testes de mutação, scanners de segurança e revisão humana obrigatória em PRs sensíveis para evitar que dívida técnica gerada por IA vire passivo silencioso.
O caso da Uber não é isolado: muitas empresas planejam aumentar gastos com IA, e essa experiência serve como aviso público sobre a importância de FinOps específico para IA.
O Brasil tem a vantagem de aprender com esse tropeço alheio e pode estruturar governança preventiva antes que a fatura surpreenda o board.
Adotar IA com pilotos, limites, métricas de ROI e diversificação de fornecedores é a diferença entre obter ganhos reais e transformar produtividade em despesa descontrolada.
