Engenharia Antes da Inferência: A Pergunta Que a Zero Token Architecture Está Realmente Fazendo

Algumas semanas atrás, ouvi um desenvolvedor recusar uma tarefa por um motivo que teria sido absurdo três anos atrás: ele tinha ficado sem tokens.

Não era "o build quebrou". Não era "o staging caiu". Nem mesmo "estou bloqueado esperando um review". O bloqueio era um medidor de uso. O trabalho ficou esperando o reset de uma cota — não por falta de habilidade ou de vontade, mas porque uma dependência tarifada tinha sido instalada bem no meio do fluxo de trabalho.

Depois que comecei a reparar, o padrão estava em todo lugar. A thread no Hacker News sobre os limites semanais do Claude Code passou de 700 comentários, incluindo o resumo direto de um usuário: bateu no limite e acabou a semana. A Cursor passou julho de 2025 se desculpando por uma mudança de preços que seus usuários viveram como racionamento. Já existe um pequeno ecossistema de apps de barra de menu cuja única função é vigiar os tokens restantes do mesmo jeito que um marcador vigia o tanque de combustível. E quando a METR tentou recrutar desenvolvedores open-source experientes para o estudo de acompanhamento sobre produtividade — pagando US$ 50 por hora, contra US$ 150 no estudo original —, tanta gente recusou em vez de programar sem IA que a própria METR julgou os resultados pouco confiáveis e voltou para redesenhar o experimento; de 30% a 50% dos que participaram retiveram justamente as tarefas para as quais mais queriam IA. O TechCrunch resumiu o padrão numa manchete seca em maio de 2026: programadores estão se recusando a trabalhar sem IA. A mesma matéria relata a Amazon desligando o Kirorank, um ranking interno de consumo de tokens, depois que engenheiros passaram a burlá-lo queimando tokens, e a Uber esgotando seu orçamento anual de IA em quatro meses — com seu COO afirmando publicamente que o gasto não produziu aumento mensurável de projetos nem de produtividade.

Quero ser preciso sobre o que essa recusa revela, porque não se trata de um problema de cobrança. O pipeline não estava fora do ar. O editor funcionava. O compilador funcionava. O engenheiro parou. Em algum momento dos últimos dois anos, para um número relevante de desenvolvedores, o modelo passou silenciosamente de acelerador a peça estrutural — e ninguém aprovou essa mudança de arquitetura.

A piada que virou keynote

Em 20 de março de 2026, Kelsey Hightower publicou um anúncio: "Em vez de queimar tokens de IA, você aprende a pensar por conta própria" — apresentando o que chamou de arquitetura Zero Token. Era uma piada. Rendeu centenas de reposts, e a melhor resposta da thread fez o contra-argumento em uma linha: pensar e concluir tarefas é exatamente aquilo em que os tokens estão sendo gastos.

Só que a piada se recusou a continuar sendo piada. Em três semanas, Hightower estava fazendo o número no palco do Nutanix .NEXT, apontando que um cron job e um shell script já fazem, a custo zero de tokens, boa parte do que agentes autônomos são vendidos para fazer — o The Register cobriu o caso com a sobrancelha devidamente erguida. Em 25 de junho, virou palestra de palco principal na PlatformCon 2026, com um resumo de sessão que abandonava quase toda a ironia: "Os fundamentos continuam importando, e queimar tokens não é um requisito". Alguém registrou um domínio de paródia definindo a arquitetura como um shell script com marketing melhor, fundada em algum momento dos anos 1970.

Sátira normalmente não ganha slot em conferência. Ganhou porque deu nome a um desconforto que muitos engenheiros já sentiam e para o qual não tinham um termo. E o detalhe que acho mais revelador: o contexto declarado por Hightower não era preferência estética, e sim a chegada das cotas organizacionais de tokens. A piada funciona porque o medidor é real.

Por baixo do meme existe conteúdo de engenharia de verdade. Despido da entrega cômica, o argumento Zero Token diz: use IA onde o problema é incerto; assim que a inferência descobrir o formato de uma solução, exporte essa lógica para código ou configuração e execute-a dali em diante sem novas inferências; não use agentes para maquiar uma infraestrutura que você deveria ter consertado; e trate o caminho determinístico como padrão para qualquer coisa estável. Isso não é uma posição anti-IA. É uma posição sobre onde o conhecimento deve acabar morando.

Mas acho que "zero tokens" é a bandeira errada para isso, porque mira o argumento na coisa mais barata da fatura.

Toda chamada de inferência é uma decisão de arquitetura

Preciso deixar claro de onde eu falo, porque este ensaio não é uma renúncia. Uso IA intensamente — agentes rodam manutenção agendada nos meus próprios repositórios, rascunhos dos meus experimentos começam na janela de contexto de um modelo, e boa parte do que aprendi neste ano aprendi mais rápido porque pude interrogar um modelo a respeito. IA nunca teve como propósito substituir engenheiros; seu valor real é remover trabalho repetitivo para que mais tempo caia em problemas que merecem atenção humana. Sustento essa visão com mais força, não menos, depois desta pesquisa.

E é exatamente por isso que o enquadramento importa. A tendência que venho notando não é desenvolvedores usando IA demais. É desenvolvedores delegando uma coisa diferente daquela que pensam estar delegando — entregando não a digitação, mas o pensamento arquitetural, a compreensão do sistema, o julgamento sobre trade-offs — uma chamada conveniente por vez, sem jamais tomar essa decisão de forma explícita.

Então aqui está o princípio que eu colocaria na bandeira em vez do outro: toda chamada de IA é uma decisão de arquitetura.

Quando adiciono uma fila a um sistema, aceito consistência eventual e superfície operacional em troca de desacoplamento. Quando adiciono um cache, aceito um problema de invalidação em troca de latência. São trocas que engenheiros fazem de olhos abertos. Uma chamada de inferência é a mesma classe de decisão, com sua própria conta: aceito não determinismo (um estudo do Stanford Digital Economy Lab de maio de 2026 encontrou tarefas agênticas idênticas variando até 30x no consumo de tokens entre execuções — a mesma requisição não é a mesma computação duas vezes), ausência de replay, latência que não consigo limitar, uma dependência com seus próprios modos de falha e sua própria cota — e, o mais importante, conhecimento que evapora quando a chamada retorna. O raciocínio aconteceu fora do sistema. Nada no repositório ficou mais inteligente.

Nada disso torna a chamada errada. Torna a chamada uma decisão — que merece o mesmo escrutínio que a fila e o cache, e normalmente não recebe nenhum, porque a chamada marginal não tem atrito e os custos são diferidos.

O que me convence de que esse enquadramento é durável e não apenas contrarian é quem mais já o sustenta. A própria orientação da Anthropic sobre construir agentes — publicada em dezembro de 2024, bem antes do meme — diz para encontrar a solução mais simples possível e adicionar complexidade agêntica apenas quando a tarefa exigir, observando explicitamente que sistemas agênticos trocam custo e latência por capacidade. O playbook 12-Factor Agents, destilado da observação de sistemas em produção, descreve "agentes de IA" reais como majoritariamente código determinístico com chamadas de modelo posicionadas nos poucos pontos que precisam delas. Pesquisadores da NVIDIA argumentaram em meados de 2025 que a maior parte das invocações em sistemas agênticos não deveria sequer chegar a um modelo de fronteira. Os defensores mais fortes de chamadas de inferência mais raras e mais baratas são as pessoas que vendem a inferência. Elas estão descrevendo boa arquitetura, não austeridade.

Engenharia antes da inferência, dito sem rodeios: se software determinístico, uma ferramenta existente ou um design melhor resolvem o problema, essa solução vence por padrão — é previsível, testável, depurável por qualquer pessoa do time, e mantém o conhecimento de engenharia dentro do sistema, onde os juros compostos trabalham a seu favor. O modelo é para o resíduo: o genuinamente incerto, o inédito, a descoberta. E descoberta tem uma etapa de colheita — quando a inferência encontra um padrão repetível, você o exporta para código que é seu. A economia de tokens chega como consequência dessa disciplina. Ela nunca foi o ponto.

Tokens mais baratos não vão salvar a conta

A objeção padrão aparece pontualmente aqui: os preços dos tokens estão despencando, então qualquer disciplina voltada a reduzir chamadas é otimização prematura contra um custo que está se resolvendo sozinho.

Por token, o colapso é real e merece ser exposto com justiça. A análise LLMflation da a16z mediu o preço da capacidade equivalente ao GPT-3 caindo mil vezes em três anos — cerca de 10x por ano. Sam Altman já citou uma queda de 150x no preço por token entre o GPT-4 e o GPT-4o em aproximadamente dezoito meses. Se o gasto total acompanhasse os preços unitários, as linhas de IA no orçamento já seriam erro de arredondamento.

Não são. Os dados de cartão corporativo da Ramp — pagamentos reais de milhares de empresas, de janeiro de 2025 a abril de 2026 — mostram o consumo de tokens subindo 1.001% entre os maiores adotantes, enquanto o gasto com IA em toda a base da plataforma cresceu 497%. Os preços unitários caíram aproximadamente pela metade; a conta ainda assim sextuplicou. Satya Nadella recorreu ao economista do século XIX certo em janeiro de 2025: isto é o paradoxo de Jevons, em que a eficiência aumenta o consumo mais rápido do que reduz o custo. Minha própria leitura dos dados diz que é Jevons somado a dois aceleradores que o mercado de carvão nunca teve.

Primeiro, a armadilha da fronteira, que Ethan Ding descreveu em meados de 2025: a demanda não persegue o modelo barato, persegue o melhor modelo, e o preço da fronteira permaneceu praticamente estável enquanto apenas as camadas defasadas deflacionam. A Ramp dá nome ao mecanismo — migração de tier de modelo, uma mudança de estrutura de custo que acontece sem ninguém abrir um processo de compra. Modelos de raciocínio premium custam de 10 a 20x a tarifa dos modelos de entrada, e entre os maiores adotantes da Ramp a fatia mediana do gasto com OpenAI e Anthropic destinada a modelos premium chegou a 14% em maio de 2026 e continua subindo. As empresas embolsam a queda de preço e imediatamente trocam para cima de novo.

Segundo, o consumo por tarefa está explodindo. A estimativa do Gartner de março de 2026 coloca fluxos agênticos em 5 a 30x os tokens de uma troca de chatbot; o estudo de Stanford mediu tarefas agênticas de programação consumindo na ordem de 1000x mais do que chat sobre código, em grande parte porque agentes releem seu contexto acumulado antes de cada ação — só o contexto reenviado respondeu por cerca de 62% das contas de inferência dos agentes. O uso por desenvolvedor não cresce linearmente com a adoção; as próprias cargas de trabalho são mais famintas por tokens por construção.

E tokens são apenas a linha visível. A análise da Cockroach Labs sobre IA agêntica em escala coloca a inferência em cerca de 20% do custo total de propriedade quando se contabilizam harnesses de avaliação, monitoramento, guardrails, pipelines de recuperação e governança. Depurar não determinismo tem orçamento próprio: uma empresa de saúde viu sua conta de inferência ir de US$ 12.000 para US$ 68.000 em seis semanas porque falhas de recuperação faziam os agentes tentarem de novo — e cada nova tentativa reenvia tudo. Uma pesquisa da Deloitte descobriu que menos de um terço das organizações consegue atribuir seu gasto com IA a resultados mensuráveis. O Gartner agora prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, citando custos crescentes, valor de negócio pouco claro e controles de risco inadequados.

Leio essa previsão como um veredicto sobre arquitetura, não sobre tecnologia. Um projeto agêntico cancelado costuma ser um sistema em que chamadas de inferência foram adicionadas porque eram fáceis, não porque alguém decidiu que eram o componente certo — o resultado acumulado de pular a mesma pequena decisão mil vezes.

Os custos de tokens podem continuar caindo. O gasto total vai continuar subindo mesmo assim, porque o uso escala mais rápido do que os preços unitários caem. O que significa que "esperar tokens mais baratos" não é uma estratégia. A única alavanca que sempre esteve inteiramente nas mãos de um engenheiro é a decisão sobre quais chamadas precisam existir.

O balanço que ninguém fatura

Mesmo o argumento do custo total de propriedade subestima o problema, porque o maior custo nunca aparece em fatura nenhuma.

As evidências merecem tratamento cuidadoso, então deixe-me tomá-las no seu ponto mais forte e no mais fraco. Um estudo da CHI 2025, da Microsoft Research com a CMU, entrevistou 319 trabalhadores do conhecimento e encontrou que maior confiança na IA se correlacionava com engajamento mensuravelmente menor em pensamento crítico — o trabalho migra de raciocinar para supervisionar. O ensaio randomizado da METR em meados de 2025 encontrou desenvolvedores open-source experientes 19% mais lentos com assistência de IA enquanto acreditavam ter sido 20% mais rápidos; a percepção não era apenas otimista, era invertida. A análise da GitClear sobre 623 milhões de mudanças de código mostra blocos duplicados subindo 81% desde 2023 enquanto a refatoração — medida como código movido — despencou de 21% das mudanças para menos de 4%: o colar está deslocando o projetar. Um relatório da Octopus Deploy encontrou juniores entregando 55% mais rápido com IA e incapazes de explicar o código que entregaram; 73% das organizações pesquisadas cortaram a contratação de juniores nos últimos dois anos. E, segundo uma estimativa do setor relatada pelo TechCrunch, cerca de 44% dos tokens corporativos hoje são gastos consertando bugs que a IA escreveu.

Agora o contrapeso honesto. O acompanhamento da própria METR, de fevereiro de 2026, não apenas encolhe a lentidão: inverte o sinal. Os desenvolvedores que voltaram da coorte original medem agora 18% mais rápidos com IA, e os recém-recrutados, 4% mais rápidos — ambos com intervalos de confiança largos o bastante para cruzar o zero. A METR sinaliza que mesmo esses números subestimam o benefício da IA, porque os desenvolvedores e as tarefas com mais a ganhar se autoexcluíram — embora também reconheça que a remuneração bem menor fez parte dessa seleção. O ensaio original do Copilot encontrou 55,8% de ganho de velocidade numa tarefa greenfield delimitada. A pesquisa DORA de 2025 relata 90% de adoção e ganhos de produtividade reportados pela maioria, e chega ao enquadramento que considero mais preciso: IA é um amplificador — magnifica as forças de times disciplinados e as disfunções de times em dificuldade. A frase de Kent Beck — "O valor de 90% das minhas habilidades acabou de cair para US$ 0" — continua, em uma parte menos citada, com os 10% restantes multiplicando em alavancagem: o julgamento sobre o que construir e o que perguntar. A "vibe engineering" de Simon Willison descreve especialistas usando agentes agressivamente enquanto habilidades clássicas — testes, revisão, especificações, planejamento — se tornam mais valiosas, porque os agentes iteram contra elas.

As duas colunas desse balanço são reais, e não acho que se contradigam. O padrão que atravessa todos os estudos é uma distância crescente entre percebido e real: desenvolvedores que se sentiram mais rápidos e estavam mais lentos, trabalhadores cuja confiança no modelo deslocou o escrutínio sobre ele, juniores cujo código passa no review mas não na pergunta "por que isso funciona?". A erosão de habilidade não decorre de usar a ferramenta. Decorre de transferir a propriedade sem perceber — de deixar a verificação degenerar em admiração.

A ressalva de Martin Fowler sobre a analogia com o compilador é a ferramenta mais afiada que encontrei para pensar nisso. Sim, LLMs se parecem com a próxima camada de abstração, e engenheiros já subiram camadas de abstração antes sem arrependimento; quase ninguém sente falta de assembly. Mas toda camada anterior era determinística — você podia esquecer o que o compilador fazia justamente porque ele fazia a mesma coisa toda vez. Esta camada sobe e escorrega para o lado, entrando no não determinismo ao mesmo tempo. Você podia se dar ao luxo de esquecer assembly porque o compilador é uma garantia. Você não pode se dar ao luxo de esquecer arquitetura, porque o modelo é uma probabilidade. A analogia que justifica a delegação assume silenciosamente a única propriedade que a nova camada não tem.

Também vale lembrar o que o "vibe coding" originalmente autorizava. Karpathy cunhou o termo para projetos descartáveis de fim de semana — "esqueça que o código sequer existe" — e disse isso na época. O modo de falha de 2025 e 2026 não foi ele estar errado; foi uma indústria importando uma postura de fim de semana para sistemas feitos para durar uma década.

O que eu mantenho do meu lado da mesa

Então, como é engenharia antes da inferência na prática? Não um manifesto — um hábito, aplicado no momento em que uma chamada está prestes a se tornar parte de um sistema ou parte de um fluxo de trabalho. O meu tem formato de escada, e tento subi-la a partir do topo:

Já existe uma ferramenta determinística que faz isso? O refactor de rename, o grep, o job agendado — o número do shell script de Hightower é uma piada com um núcleo estrutural, e passar por cima de uma ferramenta em que já confio para alcançar um modelo é inércia, não julgamento. Se não existe ferramenta: consigo escrever um script pequeno uma vez e possuí-lo para sempre a custo marginal zero? Se o modelo já resolveu exatamente esse formato de problema para mim antes: por que estou pagando pelo raciocínio de novo em vez de reproduzir o resultado — cache, template, exportação da lógica? Só então começam os degraus do modelo, e começam pequenos: um modelo barato para a maioria mecânica das chamadas, o modelo de fronteira reservado — deliberadamente, de olhos abertos — para o resíduo de incerteza real, onde ele justifica a própria variância.

O degrau que mais pulo quando estou cansado é o da colheita. Quando um agente descobre algo para mim — uma receita de migração, o diagnóstico de um teste instável, a invocação mágica de um sistema de build que toco duas vezes por ano —, a resposta não é o entregável. O ativo é: o script, o teste, o parágrafo de documentação que torna a próxima ocorrência gratuita, rápida, determinística e minha. Inferência que não deixa artefato para trás é um serviço que aluguei. Inferência que deixa é engenharia. A distância que isso abre já aparece nos dados financeiros: em junho de 2026, a Ramp encontrou 60% das empresas que acompanha com taxa de acerto de prompt cache de 80% ou mais, contra 13% abaixo de 20% — mesmos preços de tabela, contas radicalmente diferentes, e a diferença é inteiramente se alguém se deu ao trabalho de parar de pagar duas vezes pelo mesmo contexto.

E algumas coisas nunca entram na escada, porque não são tarefas — são o trabalho. A arquitetura. Os trade-offs e o que eles custam. A visão de produto. A experiência do usuário. A decisão final, e a responsabilidade por ela. Vou discutir todas elas com um modelo, de forma útil e frequente. Não vou delegá-las, pela mesma razão pela qual a delegação não pode funcionar nem em princípio: um modelo não arca com consequências. Propriedade não é apego sentimental ao ofício; é o mecanismo que mantém um sistema explicável pelas pessoas responsáveis por ele.

Quatro perguntas agora ficam entre mim e a chamada, e levam cerca de cinco segundos:

• Se minha cota fosse zero hoje, esta tarefa pararia? Se sim, estou olhando para dívida de dependência, não para produtividade.
• Estou prestes a verificar esta saída, ou a admirá-la?
• Esta é a terceira vez que faço ao modelo o mesmo formato de pergunta? Então ela quer ser um script.
• Alguma coisa no sistema vai ficar mais inteligente depois desta chamada — ou só o transcript?

O desenvolvedor que ficou sem tokens não estava fazendo nada tolo; as ferramentas são extraordinárias, e a atração por elas é a atração de tudo aquilo que funciona. Meu próprio medidor já chegou a zero mais de uma vez. A diferença que estou defendendo é pequena e inteiramente interna: que o estado do medidor jamais decida se haverá engenharia hoje.

Essa é a pergunta por baixo da piada de Hightower, e é uma pergunta melhor do que seus críticos ou seus fãs costumam reconhecer. Não "você deveria queimar tokens" — queime; alguns problemas merecem um modelo de fronteira e uma janela de contexto inteira. A pergunta é o que resta quando eles acabam. Se a resposta for um sistema que você entende, ferramentas que você construiu, julgamento que você vem exercitando em vez de terceirizar, então a IA esteve fazendo exatamente aquilo para que sempre serviu: amplificar um engenheiro. Se a resposta for que o trabalho para — então, em algum ponto do caminho, otimização virou silenciosamente abdicação, uma chamada sem atrito por vez.

Um dia de zero tokens deveria ser, no máximo, um dia mais lento. No momento em que ele vira um dia de zero progresso, os tokens nunca foram a coisa que acabou.