Ramp: gastos com IA estagnam enquanto Anthropic se aproxima do IPO

Dados da Ramp mostram que o uso de IA continua crescendo, mas os gastos pararam de subir. A informação chega em um momento em que a Anthropic se aproxima de uma oferta pública inicial, o que pode desafiar expectativas de investidores sobre crescimento acelerado de receita.

O que os dados da Ramp mostram

A TechCrunch publicou em 6 de novembro de 2026 um artigo sobre dados da Ramp. Segundo a reportagem, o gasto com IA estagnou no fim do verão, mesmo com o volume de tokens em alta. Isso significa que empresas estão usando mais IA, mas pagando menos por isso.

A Ramp acompanha gastos de milhares de empresas. A reportagem cita que empresas medianas gastam de 12 a 15 dólares por funcionário por mês com IA. As 10 por cento que mais gastam ficam entre 600 e 1.000 dólares por funcionário por mês. Essa diferença mostra que o mercado tem dois perfis: uso massivo em poucas empresas e uso moderado na maioria.

A reportagem também cita que os cortes de preço da Anthropic reduziram o crescimento de receita em cerca de 600 milhões de dólares, segundo um documento da própria empresa. Isso reforça a tese de que preços mais baixos aumentam o uso, mas não necessariamente a receita.

Por que o gasto pode ter estagnado

O economista chefe da Ramp, Ara Kharazian, disse à TechCrunch que tokens estão aumentando, mas custos estão caindo. A frase resumida na reportagem é direta: tokens disparam, custos caem. Isso resume bem o momento atual do mercado de IA.

Há dois fatores principais. O primeiro é a queda de preços. OpenAI e Anthropic reduziram preços de modelos, o que torna cada token mais barato. O segundo é o controle de custos. Empresas maiores passaram a monitorar melhor o uso de IA, evitando gastos desnecessários e otimizando chamadas.

A reportagem também menciona que a Anthropic fez cortes significativos de preço para Fable 5.1 e Opus 5.5. Essas decisões podem atrair mais usuários, mas pressionam a receita no curto prazo. Para um mercado acostumado a crescimento rápido, essa desaceleração chama atenção.

O que isso significa para OpenAI e Anthropic

OpenAI e Anthropic dependem de crescimento de receita para sustentar valuations elevados. Se o gasto total não acompanha o crescimento de uso, a equação fica mais difícil. A reportagem lembra que a Anthropic se aproxima de uma oferta pública inicial, o que torna essa discussão ainda mais relevante.

A esperança de investidores é que uma nova onda de uso de IA volte a acelerar os gastos. Sem isso, as empresas podem precisar de mais eficiência, mais volume ou novos produtos para manter o crescimento.

Isso não significa crise. Significa maturação. O mercado de IA está saindo da fase de experimentação cara para uma fase de otimização. Para empresas que usam IA, isso é bom: mais uso por menos dinheiro. Para quem vende IA, é um desafio de receita.

Como isso afeta quem desenvolve com IA

Para desenvolvedores e equipes técnicas, a estagnação de gastos pode ser uma oportunidade. Preços mais baixos permitem testar mais modelos, rodar mais experimentos e escalar aplicações com menos risco financeiro.

Também cresce a importância de medir custo por tarefa. Se o gasto total está estagnado, a vantagem competitiva pode vir de quem usa IA de forma mais eficiente. Isso inclui escolher modelos adequados, reduzir tokens desnecessários e automatizar apenas o que gera valor.

Para quem programa com agentes, vale acompanhar métricas de custo ao lado de métricas de qualidade. Um modelo mais barato pode permitir mais iterações, mas precisa manter a taxa de sucesso. A decisão não deve ser só por preço.

Para comparar com outros temas recentes, veja GPT-6 Cyber restringe acesso a testes de segurança e Merge usa GPT-6 Astra, ChatGPT e Codex em operações.

Como acompanhar esse cenário

Para quem trabalha com IA, vale acompanhar indicadores públicos de adoção e preço. A Ramp publica dados sobre gastos e adoção, enquanto Artificial Analysis e outros sites mostram preços por token. Cruzar essas informações ajuda a entender se uma redução de custo é tendência ou caso isolado.

Também vale medir o próprio uso. Registre quantos tokens cada funcionalidade consome, qual modelo é usado e qual o custo por resultado. Com esses dados, fica mais fácil decidir quando migrar para um modelo mais barato ou quando investir em um mais caro.