Depois de cinco anos de queda, o desperdício estimado de gastos com infraestrutura e plataformas em nuvem voltou a crescer. Segundo o relatório State of the Cloud 2026, da Flexera, 29% dos gastos com IaaS e PaaS são estimados desperdício pelas organizações pesquisadas. A expansão dos workloads de Inteligência Artificial e a complexidade dos novos modelos de consumo estão entre os fatores associados a essa reversão.
O dado revela um desafio importante para as empresas: à medida que a tecnologia se torna mais sofisticada, controlar os investimentos exige muito mais do que acompanhar a fatura mensal dos provedores de nuvem.
Com a expansão das aplicações de IA generativa, agentes inteligentes e modelos de machine learning, o consumo de infraestrutura tornou-se mais complexo. Treinamento de modelos, processamento de dados, inferência e chamadas de API criam padrões de utilização que podem variar de uma operação para outra.
O resultado é que uma empresa pode investir em soluções avançadas de IA e, ainda assim, enfrentar custos elevados sem alcançar os resultados esperados. Para Rafael Capua, COO da Jump, essa é uma das principais dores identificadas no mercado.
“Muitas soluções chegam à produção sem uma arquitetura preparada para garantir eficiência financeira. Isso gera consumo elevado de cloud, compromete o orçamento e pode colocar em risco a continuidade dos projetos”, afirma Rafael.
O desafio, portanto, não é simplesmente gastar menos com Inteligência Artificial. É garantir que os recursos consumidos estejam associados ao valor que a tecnologia efetivamente entrega ao negócio.
Por que a Inteligência Artificial está tornando os custos de cloud mais complexos?
Um modelo de machine learning pode exigir GPUs de alto desempenho durante o treinamento. Uma aplicação generativa pode consumir volumes diferentes de tokens conforme a complexidade das solicitações. Já um agente inteligente pode executar diversas chamadas e operações antes de concluir uma única tarefa.
Sem monitoramento adequado, essas variações dificultam a previsão dos gastos e podem provocar desvios significativos no orçamento. Nesse contexto, reduzir desperdício exige compreender o comportamento dos workloads e relacionar consumo, desempenho e valor entregue.
FinOps para IA: da gestão de infraestrutura à inteligência de consumo
O FinOps surgiu para aproximar as áreas de tecnologia, finanças e negócios, estabelecendo práticas de responsabilidade compartilhada sobre os investimentos em cloud. Seus princípios continuam fundamentais, mas os mecanismos convencionais de gestão precisam acompanhar as particularidades dos ambientes de IA.
O relatório State of FinOps 2026, da FinOps Foundation, aponta a gestão de custos de IA como uma das prioridades da comunidade FinOps, refletindo a necessidade de ampliar a visibilidade financeira para além da infraestrutura tradicional.
Assim, a gestão precisa considerar duas dimensões complementares: a infraestrutura que sustenta as aplicações e o consumo gerado pelos próprios modelos e processos inteligentes.
“O OPT-3 nasceu com a proposta do FinOps tradicional, acompanhando o consumo em plataformas multicloud. Agora, com a evolução para a frente de tokenização, a estratégia passa a considerar essas duas camadas de forma integrada”, explica Rafael Capua.
Databricks: os desafios financeiros dos workloads dinâmicos
A evolução das plataformas de dados e IA também exige uma visão mais detalhada sobre o consumo de recursos.
O Databricks, por exemplo, utiliza recursos computacionais que podem ser provisionados para executar cargas de processamento, análises e machine learning e posteriormente desligados ou redimensionados. Esse comportamento, conhecido como compute efêmero, oferece flexibilidade operacional, mas cria desafios específicos para o acompanhamento dos custos.
Clusters, jobs, notebooks e SQL warehouses podem apresentar diferentes padrões de utilização, tornando mais complexa a identificação de recursos ociosos e oportunidades de otimização.
Uma visão tradicional de FinOps pode não oferecer, sozinha, a granularidade necessária para explicar quais workloads estão produzindo determinado consumo. Para responder a essa necessidade, a Jump aprofundou sua parceria com o Databricks e disponibilizou um módulo dedicado à plataforma dentro do OPT-3.
“O Databricks é a plataforma onde nossos clientes estão construindo seus ambientes de dados e IA. Fazia sentido que o OPT-3 tivesse um módulo que entendesse as especificidades de cobrança e consumo dessa plataforma, não apenas que a listasse como mais um provedor numa visão consolidada genérica”, afirma Anderson Argentoni, CEO da Jump.
OPT-3: inteligência FinOps para controlar custos e melhorar a eficiência
A necessidade de ampliar a visibilidade financeira sobre ambientes de cloud e Inteligência Artificial está no centro da evolução do OPT-3.
Desenvolvida pela Jump, a solução permite analisar o consumo em ambientes multicloud, identificar oportunidades de otimização e apoiar decisões sobre a utilização dos recursos tecnológicos.
A plataforma evolui no ritmo da empresa, seguindo a lógica evolutiva da FinOps Foundation, e passa por três etapas. O objetivo é, primeiro, consolidar a visibilidade multicloud em uma única camada de dados confiável; depois, transformar essa visibilidade em governança ativa de custos, com alertas definidos por centro de custo e, por fim, automatizar a otimização contínua de custos em nuvem, incluindo workloads de IA, sem depender de intervenção manual recorrente.
Na prática, essa evolução transforma a gestão de custos de uma atividade reativa em um processo contínuo, no qual a empresa consegue identificar oportunidades, priorizar ações e acompanhar os resultados ao longo do tempo.
A ferramenta já está em operação, com clientes reais, ROI documentado de até 61% e onboarding em menos de dez dias. Fale com nossos especialistas para uma PoC gratuita.
