A economia de agentes de IA desafia o modelo de almoço grátis da internet

Em 29 de abril de 2026, Andrej Karpathy propôs, durante um bate-papo ao lado da lareira na AI Ascent da Sequoia, que uma nova economia voltada para agentes nativos está surgindo, e que todo o software, documentação e processos atualmente escritos para humanos precisarão ser reescritos “para agentes”. Ele discutiu a reestruturação de engenharia do lado da oferta, mas deixou sem resposta uma pergunta: se tudo precisar ser reescrito, quem pagará por essa reescrita e como o valor será distribuído?

O tópico da economia de agentes começa exatamente com essa questão. O primeiro artigo, "O Cruzamento da Comercialização da IA: Por Que Publicidade e Assinatura Dificilmente Funcionam Sozinhas?", discute como a IA pode gerar receita, concluindo que publicidade e assinatura dificilmente funcionam isoladamente, e o foco da comercialização está se deslocando de "vender acesso" para "vender resultados". Este artigo aprofunda ainda mais: por que o modelo de negócios precisa mudar? A resposta está na estrutura de custos — a experiência da internet de "atender um usuário adicional quase não gera custos adicionais" está se tornando obsoleta, e o modelo de distribuição de lucros construído em torno dessa experiência chegou à hora de ser recalculado. Nos últimos vinte anos, a crença comercial mais importante das empresas de internet foi: quanto mais usuários, menor o custo e maior o lucro.

Motores de busca, mídias sociais, vídeos curtos, plataformas de conteúdo e plataformas de comércio eletrônico são fundamentalmente baseadas na mesma premissa: após a infraestrutura ser construída, atender um usuário adicional, exibir uma página adicional ou distribuir um conteúdo adicional tem custo marginal quase zero. O verdadeiro gargalo das empresas de internet geralmente não é “se cada serviço está perdendo dinheiro”, mas sim se consegue obter tempo suficiente dos usuários, dados, anunciantes e cenários de transação.

A publicidade também se tornou, nesse contexto, um dos modelos de negócio mais importantes da internet.

Como o conteúdo e as páginas podem ser distribuídos quase sem custo, a plataforma pode decompor as etapas de busca, navegação, clique, permanência e caminho de compra do usuário em vários espaços publicitários vendáveis. Quanto mais longa for a jornada do usuário, mais pontos de contato comerciais a plataforma pode inserir; quanto mais tempo o usuário levar para comparar, maior será o valor dos anúncios, recomendações, conteúdo de marca e classificações de busca.

Mas o AI Agent está abalando essa crença.

O agente de IA não está apenas distribuindo informações já existentes, mas executando tarefas em nome do usuário. Cada conversa, cada raciocínio, cada leitura de arquivo, cada chamada de ferramenta e cada verificação de resultado envolvem custos reais de poder de processamento GPU, consumo de energia, depreciação de chips e alocação do sistema.

Mais importante ainda, a IA não apenas alterou a estrutura de custos das empresas de internet, mas também transformou a cadeia de usuários na qual a publicidade se baseia. No passado, os usuários precisavam pesquisar e comparar repetidamente entre várias páginas, plataformas e marcas; no futuro, os usuários podem simplesmente entregar suas necessidades a um Agente, que selecionará, avaliará, classificará, agendará e até concluirá a transação.

Isso significa que, na era dos Agentes de IA, os usuários gratuitos podem estar custando dinheiro a cada serviço prestado, e a publicidade tradicional também perderá parte do espaço de cadeia longa sobre o qual dependia para monetização.

Se a palavra-chave da economia da internet é "tráfego", então a palavra-chave da economia de AI Agent é "tarefa". O tráfego pode ser distribuído baratamente, mas as tarefas devem ser executadas de forma real. Anteriormente, a publicidade vendia a atenção dos usuários por onde passavam; na era da IA, a questão mais importante tornou-se: quem entende a tarefa, quem a organiza, quem a realiza e quais marcas podem entrar na lista de candidatos e nos critérios de decisão do Agent.

Portanto, a economia de Agentes de IA não é uma extensão natural dos modelos de negócio da internet, mas uma correção inversa ao mito do crescimento da internet e à lógica publicitária.

A lógica subjacente ao modelo de negócios da internet (incluindo software) pode ser compreendida usando a fórmula mais básica da economia:

TC = FC + MC × Q (Custo total = Custo fixo + Custo marginal × Quantidade)

Na era da internet tradicional, seja o desenvolvimento de um aplicativo, a escrita de um artigo ou a gravação de um vídeo, os principais custos estão concentrados nas fases iniciais de desenvolvimento e produção, ou seja, altos custos fixos (FC). No entanto, uma vez que o produto é lançado, os custos adicionais de servidores e largura de banda para atender o primeiro usuário ou o primeiro milhão de usuários são frequentemente mínimos, com MC aproximando-se de 0.

Esse custo marginal extremamente baixo torna os modelos de negócio relacionados naturalmente altamente escaláveis. A característica central dos produtos digitais é a capacidade de serem copiados infinitamente, com custo de cópia quase zero. Uma vez que o desenvolvimento do software esteja concluído e os servidores estejam implantados, o custo marginal de adicionar um novo usuário é quase insignificante, consistindo apenas em um pouco mais de espaço de armazenamento e largura de banda consumidos.

Essa característica torna mais fácil para a economia da plataforma alcançar vantagens de escala: quem atingir primeiro o ponto crítico de escala poderá converter uma proporção maior da receita adicional em lucro, criando assim um alavancagem operacional forte.

Com base nisso, a internet evoluiu para três modelos de negócios clássicos.

Modelo de assinatura: o custo de cópia do software é extremamente baixo, e o crescimento de usuários de assinatura corresponde diretamente ao crescimento da receita. É por isso que os mercados financeiros estão dispostos a atribuir valorações mais altas a empresas de SaaS a longo prazo: uma vez ultrapassado o ponto de equilíbrio, o crescimento do lucro frequentemente supera em muito o crescimento da receita.

Modelo de comissão: construir infraestrutura de negociação, pagamento e execução, cobrando uma comissão estável por cada transação adicional.

Modelo de publicidade: serviço gratuito para atrair um grande número de usuários, embalando a atenção para venda aos anunciantes. Como exemplo de publicidade de busca, uma vez implementados o algoritmo de busca e o sistema de anúncios, o custo adicional do servidor para cada nova requisição de busca é relativamente limitado, enquanto cada clique adicional em um anúncio representa receita adicional.

O modelo de publicidade é sustentável a longo prazo não apenas por causa do grande número de usuários, mas principalmente porque a jornada do usuário é suficientemente longa. Um usuário, desde que surge a necessidade até concluir a compra, geralmente passa por várias etapas, como busca, navegação, comparação, favoritos, consulta, redirecionamento e pedido. A plataforma pode vender anúncios na página de resultados de busca, promover produtos no feed de notícias, reforçar a conversão na página de detalhes e continuar influenciando a decisão do usuário em etapas de remarketing. O valor da publicidade deriva, essencialmente, da intervenção progressiva na jornada do usuário.

A plataforma não precisa arcar com o custo completo do serviço para cada decisão do usuário. Os motores de busca direcionam os usuários para determinadas páginas, as redes sociais direcionam os usuários para determinadas contas de marca, as plataformas de vídeos curtos direcionam os usuários para determinadas transmissões ao vivo e as plataformas de comércio eletrônico direcionam os usuários para determinadas páginas de detalhes do produto. A plataforma está mais envolvida em “casar informações com atenção”.

A internet distribui informações já existentes, enquanto a IA gera informações em tempo real. Essa transformação qualitativa da “cópia” para a “geração” traz estruturas de custo e lógicas comerciais completamente diferentes.

Primeiro, o custo de inferência de IA é explícito; o custo marginal do uso de IA é significativamente maior que zero (MC > 0).

Cada entrada/saída de um Token para o modelo de grande porte faz a GPU operar em alta velocidade, consumindo energia real e custos de depreciação de chip. Quanto maiores os parâmetros do modelo, mais longo o contexto e mais complexa a tarefa, maior será o custo de inferência por execução. O custo pode variar dezenas ou até centenas de vezes entre uma simples pergunta e resposta, uma Deep Research, um desenvolvimento de código ou uma operação cruzada entre softwares. A economia de AI Agent não apenas apresenta custos marginais não nulos, mas também esses custos marginais são altamente heterogêneos.

Embora o preço por token esteja caindo rapidamente, isso não significa que o custo marginal tenderá continuamente a zero: à medida que as capacidades dos agentes são aprimoradas, a quantidade de tokens consumida por tarefa está aumentando rapidamente de centenas para dezenas de milhares — planejamento, chamada de ferramentas, leitura de arquivos, autoverificação e tentativas falhas consomem grande quantidade de poder computacional. O token está deflacionando, mas a tarefa está inflacionando; a diferença entre essas duas curvas constitui o núcleo da economia da IA: quanto mais barato o token, mais as pessoas se sentem à vontade para fazer com que a IA realize tarefas mais pesadas, resultando em contas totais maiores — este é exatamente o “Paradoxo de Jevons” no campo da IA.

A redução de preço de um único token não é unidirecional. Dados do Morgan Stanley mostram que, no segundo trimestre de 2026, o preço médio de saída de API dos grandes modelos nacionais aumentou cerca de 80% em relação ao primeiro trimestre de 2025, indicando que o setor está passando de uma guerra de preços para uma precificação baseada em valor. Os próprios preços também estão se segmentando: modelos padronizados continuam a cair, enquanto os modelos de ponta aumentam seus preços. A inteligência de ponta é precificada com base no valor, e seus custos não diminuem同步mente com a padronização.

Embora seja possível reduzir o custo unitário por meio de técnicas como processamento em lote, aumento da utilização da GPU, cache KV, clusters de inferência próprios e chips desenvolvidos internamente, a redução no custo marginal é muito menor do que na economia da internet e será compensada pelo aumento no nível de uso. Essa é a razão principal pela qual o ChatGPT lançou rapidamente uma versão paga após o boom de usuários.

Ao mesmo tempo, os custos fixos passaram de “únicos” para “permanentes”. O custo de treinamento não é mais um investimento fixo único, mas sim um gasto de capital contínuo que precisa ser renovado a cada seis meses a um ano para iterar o próximo modelo. Modelos grandes tornaram-se “ativos descartáveis” com “vida útil” de 6 a 12 meses — se não forem retrainados e atualizados, são rapidamente obsoletos, e o custo de um único treinamento pode chegar a dezenas ou até centenas de milhões de dólares. Como exemplo, a OpenAI teve receita de US$ 13,07 bilhões em 2025, com margem bruta de cerca de 43% (esse cálculo considera apenas os custos de inferência, excluindo os custos mais elevados de treinamento, que são contabilizados separadamente como despesas de P&D); no entanto, suas despesas de P&D atingiram US$ 19,18 bilhões, das quais aproximadamente US$ 10,6 bilhões foram gastos com custos de treinamento pagos à Microsoft — sendo essa a principal causa de seu prejuízo.

Portanto, a economia de AI Agents apresenta as seguintes características: o custo de raciocínio (custo variável) aumenta linearmente com o uso e é altamente diferenciado; os custos de infraestrutura e talentos (custo semi-fixos) aumentam em saltos “degrau a degrau” à medida que a base de usuários cresce — quando o número de usuários ultrapassa um determinado limiar, é necessário adicionar um novo conjunto de servidores GPU; ao mesmo tempo, os custos de pesquisa e desenvolvimento (ou seja, custos de treinamento do modelo) são enormes. Esses custos se acumulam, fazendo com que as empresas de IA estejam sempre no caminho de reinvestir todo o lucro, sem o ponto ideal encontrado na internet, onde “após ultrapassar o ponto de equilíbrio, os lucros crescem exponencialmente”.

Essa lógica de custo também redefiniu as fontes de vantagem competitiva da indústria: a barreira central da internet é o efeito de rede, quanto mais usuários, melhor o produto se torna; já a barreira dos Agentes mudou, passando do efeito de rede de cadeias de relacionamento para a roda de dados e os custos de mudança. A nova barreira surge do contexto acumulado — memórias do usuário, preferências, arquivos, fluxos de trabalho e dados autorizados. Quanto mais tempo usado, mais o Agente se adapta ao usuário, e maior se torna o custo de migração para outro provedor. A internet prende as cadeias de relacionamento do usuário; os Agentes prendem o contexto de trabalho do usuário. Essa é a razão central pela qual a indústria está disputando avidamente a entrada: não se trata apenas de tráfego, mas da acumulação primária do contexto.

Claramente, precisamos adotar uma lógica diferente para entender a economia dos AI Agents: as plataformas da internet competem pelo "acesso ao usuário", enquanto as plataformas de AI Agents competem pelo "acesso à tarefa".

Se a unidade básica da economia da internet for "exposição/click", então a unidade básica da economia de AI Agents é "tarefa". Um click representa apenas o usuário entrando em uma página, enquanto uma tarefa representa o usuário delegando a um AI a conclusão de um objetivo — o Agent precisa compreender o objetivo, decompor a tarefa, chamar ferramentas, ler arquivos, operar softwares, verificar repetidamente os resultados e, quando necessário, solicitar autorização do usuário. Isso faz com que a estrutura de custos do AI Agent se aproxime mais da de um "funcionário digital" do que da de um "mídia digital".

Antes, os usuários abriam um mecanismo de busca para perguntar “Qual empresa de construção é boa?”, e o mecanismo retornava resultados de páginas web, anúncios e mapas; agora, os usuários podem dizer diretamente ao agente: “Ajude-me a selecionar três empresas de construção confiáveis, compare orçamentos, reputação e garantias de construção, e agende uma conversa para mim.” O valor comercial do primeiro caso vem de exposição e cliques; o valor comercial do segundo vem da conclusão da tarefa e da representação na tomada de decisão. Os anúncios não são mais apenas informações exibidas na página, mas tornam-se opções, fontes de dados, fontes confiáveis ou interfaces de transação no processo de decisão do agente, ajudando o usuário a concluir finalmente a tarefa.

As empresas de modelos não apenas fornecem capacidades subjacentes, mas se tornarão o novo sistema operacional de tarefas. Tanto fabricantes nativos de IA quanto grandes empresas integradas estão evoluindo de "grandes modelos" para "plataformas de Agentes", lançando uma série de produtos como Claude Cowork, Codex e Workbuddy — quem controlar a entrada de tarefas dos usuários poderá decidir a ordem de chamada das ferramentas, a prioridade das fontes de dados, a lógica de recomendação comercial e o ciclo de transação.

“Mesmo sabendo que a economia por unidade é negativa, continuar gastando dinheiro para conquistar a entrada” é exatamente o principal jogo estratégico da indústria atual e a fonte das controvérsias sobre avaliação. Pois, por trás da entrada, não estão apenas o número de usuários ou o volume de conversas, mas o controle sobre a distribuição de tarefas futuras, recomendações comerciais e o ciclo fechado de transações.

Essa mudança de lógica também trará inevitavelmente outra tendência: a camada.

Produtos de internet buscam padronização extrema, com um único código servindo todos os usuários, para maximizar a vantagem de custo marginal zero. Já os AI Agents são naturalmente adequados para uma oferta hierarquizada — o custo de tarefas de diferentes complexidades varia enormemente, podendo a diferença entre perguntas simples e raciocínio complexo ser de dezenas ou centenas de vezes. Por isso, as empresas de IA lançam produtos em diferentes níveis: a versão gratuita usa modelos menores e limita o volume de uso; a versão básica paga usa modelos médios; a versão avançada usa os modelos mais potentes; e a versão personalizada para empresas oferece implantação e otimização exclusivas.

Esse modelo de precificação por camadas é essencialmente baseado em custo por nível e cobrança por valor, onde o valor está diretamente relacionado ao custo. Quanto mais poderosa a capacidade que o usuário obtém, maior o custo incorrido. Assim, o ecossistema de AI Agents evoluirá para uma “economia de duas velocidades”: inteligência atrasada por uma geração terá preço extremamente baixo (open source + subsídios de grandes empresas, tornando-se infraestrutura como água, luz e gás), enquanto a inteligência de ponta sempre será cara (os modelos mais avançados permanecerão sempre na extremidade mais cara da curva de custo). A inteligência gratuita é a de “ontem”; a inteligência cobrada é a de “hoje”.

O impacto mais profundo da economia de agentes de IA sobre a economia tradicional não é a simples adição de uma nova categoria de produtos de IA ao mercado, mas sim o fato de que as entradas do usuário, anteriormente dispersas em sites, apps e softwares, estão sendo reivindicadas por uma nova camada de agentes de tarefas. Fabricantes de celulares, superapps e outros estão desenvolvendo seus próprios agentes, e as entradas ainda não estão unificadas — pelo contrário, estão se tornando mais fragmentadas. No passado, os poços de lucro da internet giravam em torno de “por onde o tráfego passava”; no futuro, provavelmente serão reatribuídos com base em “quem orquestra as tarefas e quem as executa”.

Primeiro, foram reescritos o acesso e os direitos de distribuição.

Na era da internet, motores de busca, lojas de aplicativos, plataformas de conteúdo e superapps controlam os pontos de entrada, e as empresas disputam classificações, posições de recomendação e tempo de uso dos usuários. Mas, com a chegada dos Agentes, os usuários talvez não precisem mais abrir aplicativos individualmente: reservar passagens aéreas, encontrar fornecedores, analisar dados e responder e-mails podem todos ser iniciados a partir de uma única entrada de tarefa. Sites e aplicativos não desaparecerão, mas provavelmente se tornarão cada vez mais fontes de dados, ferramentas e interfaces de execução por trás dos Agentes.

Isso significa que o novo poder da plataforma não é mais apenas “direcionar os usuários para onde”, mas sim decidir como as tarefas são concluídas: qual modelo, qual software, qual comerciante e qual conjunto de dados serão chamados. Parte do “imposto de distribuição” anteriormente controlado por motores de busca, lojas de aplicativos e plataformas de tráfego pode gradualmente ser transferido para plataformas de Agentes.

Há um impacto sutil, mas crucial: os agentes de IA estão reduzindo drasticamente a jornada do cliente, comprimindo assim o espaço para os negócios de publicidade.

No passado, os usuários precisavam pesquisar dez vezes, comparar várias páginas e plataformas antes de chegar à etapa de compra; já no cenário de IA, os usuários podem concluir a triagem de informações, a comparação de opções e a decisão de compra com apenas 3 a 5 perguntas consecutivas. Quanto mais intencional, decisivo e comparativo for o setor, mais facilmente a IA reescreverá sua lógica de distribuição. Os usuários já não precisam alternar repetidamente entre resultados de busca, páginas de conteúdo e páginas principais de vendedores, mas sim delegar diretamente a tarefa de decisão à IA. Nesse momento, os pontos onde a publicidade pode intervir diminuem, e a influência da publicidade tradicional é enfraquecida.

O verdadeiramente difícil é que os anúncios nas respostas da IA devem ser altamente explícitos. No passado, os anúncios podiam ser incorporados na jornada do usuário em diversos cenários, como classificação de busca, conteúdo nativo no feed, recomendações de influenciadores e conteúdo de marca; já nas respostas da IA, qualquer recomendação comercial sutil, oculta ou não claramente identificada afeta diretamente a confiança do usuário na objetividade da plataforma. Quanto mais a IA parecer um agente que toma decisões em nome do usuário, menos tolerante o usuário será em relação a influências comerciais não transparentes.

O segundo impacto ocorrerá em breve na plataforma e na economia de intermediários.

Plataformas de transação como compras, viagens, entrega de alimentos e vida local têm como função básica ajudar os usuários a pesquisar, comparar e efetuar negócios, e esses são exatamente os aspectos mais fáceis de automatizar por Agentes. A camada intermediária que simplesmente fornece “listas de informações” será comprimida; os elementos verdadeiramente difíceis de contornar tornar-se-ão oferta exclusiva, pagamento, crédito, logística, pós-venda e execução offline.

A vantagem competitiva das plataformas de negociação mudará de “quantos fluxos eu possuo” para “quantas ofertas reais e capacidades de execução que os Agentes não podem substituir eu dominio”.

Para grandes empresas com cadeias de transação fechadas, a IA certamente causará impacto nos negócios de publicidade e comércio atuais a curto prazo, mas, a longo prazo, a participação de Agentes de IA se tornará um novo multiplicador comercial. Ao dominar tanto a demanda dos usuários quanto a oferta dos comerciantes, transações, pagamentos, logística e pós-venda, a plataforma pode reorganizar o valor comercial de forma integrada: comerciantes investem em publicidade em plataformas de comércio eletrônico → geram maior GMV → a IA prioriza na recomendação marcas com alto GMV, boas avaliações e entrega estável → as marcas obtêm闭环 de transação em cenários de IA → a plataforma, ao mesmo tempo, aumenta o valor da publicidade, o valor das transações e o valor da distribuição por IA.

O limite crucial aqui é que a IA não pode cobrar taxas de publicidade excessivas como as plataformas publicitárias tradicionais. Se a IA cobrar muito, prejudicará seu ativo mais fundamental: objetividade e confiança do usuário. Uma abordagem mais razoável é cobrar uma taxa de serviço técnico proporcional, alinhada aos níveis do setor, geralmente entre 1% e 10%, destinada principalmente a cobrir custos de computação, chamadas e serviços.

A terceira camada, e a mudança ainda mais profunda, é que a fronteira entre a economia de software e a economia de serviços começa a se tornar nebulosa.

O SaaS tradicional (incluindo software) é, em essência, ainda uma ferramenta. A Salesforce fornece um sistema CRM, mas são os vendedores que realmente mantêm os relacionamentos com os clientes; a Adobe oferece software de design, mas são os designers que realmente concluem os projetos; o software financeiro é responsável por registrar dados, mas a análise e as decisões ainda são feitas por pessoas. Por isso, o modelo de negócios do SaaS tem historicamente girado em torno do “assento (Seat)” — empresas compram quantas contas forem necessárias conforme o número de funcionários que utilizam o software. Nos últimos anos, a cobrança por uso está em ascensão, e modelos híbridos tornaram-se dominantes, mas o modelo de assento ainda é amplamente utilizado em softwares colaborativos.

O Agente de IA altera essa premissa.

Quando o software começar a ser capaz de ler dados sozinho, decidir a próxima ação e executar tarefas, as empresas não estarão mais comprando apenas “um software usado por um funcionário”, mas sim uma capacidade direta de concluir tarefas. Um agente de IA pode operar simultaneamente sistemas de CRM, ERP, BI, e-mail e atendimento ao cliente, comprimindo processos que antes exigiam várias pessoas em diferentes softwares em uma única chamada de tarefa. Nesse momento, a lógica de crescimento “quanto mais funcionários, mais assentos, maior a receita SaaS” será desafiada.

Mais importante ainda, o SaaS pode sofrer camadas: na camada inferior, está o “Sistema de Registro” que armazena dados essenciais como clientes, pedidos, finanças e estoque; na camada superior, surgem as “Capacidades” responsáveis por compreender as necessidades, invocar o sistema e concluir tarefas.

No passado, ambos eram encapsulados na mesma interface de software; no futuro, podem se separar. O software que detém os dados centrais, permissões, conformidade e regras de negócio ainda possui barreiras significativas; já aqueles cujo valor principal vem da interface, processos e encapsulamento de funcionalidades enfrentam grandes riscos: caso agentes assumam a camada de interação, eles podem degenerar de software aberto diariamente pelos usuários para meras interfaces chamadas em segundo plano por agentes.

Por outro lado, isso também levará o mercado de software a invadir pela primeira vez em grande escala os serviços tradicionais. Enquanto as empresas de software anteriormente competiam pelo orçamento de TI corporativo, futuras empresas de agentes de IA buscarão orçamentos muito maiores relacionados a custos de mão de obra, orçamentos de terceirização e orçamentos de serviços profissionais. Serviços de atendimento ao cliente, pesquisa básica, operações de vendas, triagem de recrutamento, processamento financeiro e até parte do trabalho consultivo podem passar de “comprar tempo humano” para “comprar tarefas realizadas por máquinas”. Assim, o limite do mercado de software começa a avançar do antigo “orçamento de software (Software Spend)” em direção ao “orçamento de mão de obra (Labor Spend)”.

A economia da internet nas últimas duas décadas: mais usuários significam mais tráfego, mais tráfego significa mais receita com anúncios, transações e assinaturas, enquanto o custo de adquirir novos usuários não aumentou significativamente. “Primeiro, cresça a base de usuários; depois, encontre maneiras de monetizar” tornou-se a fórmula de crescimento mais clássica da era da internet.

O Agente de IA está encerrando esse simples relacionamento linear.

Como os agentes de IA não fornecem mais apenas informações, mas realmente consomem recursos de computação, chamam ferramentas externas e concluem tarefas, mais usuários não significam necessariamente maior lucro; tarefas mais complexas podem até significar que os custos aumentam ainda mais rapidamente. O que as empresas realmente precisam calcular já não é mais apenas DAU, taxa de retenção e tempo de uso do usuário, mas quanto custa concluir uma tarefa, quanto o usuário está disposto a pagar por esse resultado e quanto valor a plataforma pode reter.

O que realmente é escasso na era da IA está mudando.

Na era da internet, o recurso escasso é o tráfego, por isso as empresas competem pela atenção dos usuários; na era dos Agentes de IA, o verdadeiramente escasso pode ser tarefas de alto valor, bem como os dados, permissões, ferramentas e capacidades de execução necessárias para concluí-las.

O Agente de IA não é a próxima forma de produto da internet, mas sim uma mudança na unidade básica de transação da economia digital. O que o Agente vende é a capacidade de concluir tarefas.

Quando a unidade básica da economia passar de “cliques” para “tarefas”, e de “uso de ferramentas” para “entrega de resultados”, os modelos de negócios, o poder das plataformas e a distribuição de lucros construídos ao longo das últimas duas décadas em torno do tráfego inevitavelmente passarão por uma reestruturação.

Este artigo é do canal oficial do WeChat "Instituto de Pesquisa Tencent" (ID: cyberlawrc), autor: Grupo de Pesquisa da Economia da IA