Um diretor financeiro recebe um relatório de due diligence. Quarenta páginas, projeções calibradas, análise setorial com fontes rastreáveis. Tempo de produção: noventa segundos. Uma equipe de consultoria levaria duas semanas e cobraria seis dígitos pelo mesmo entregável. O CFO lê o documento, aprova a estrutura, ajusta duas premissas. Pergunta que não faz, mas deveria: quanto isso vale?
A pergunta parece simples. Não é. Dois séculos de teoria econômica tropeçam nela.
Karl Marx construiu sua crítica do capitalismo sobre a teoria do valor-trabalho: o valor de uma mercadoria deriva do tempo de trabalho socialmente necessário para produzi-la. Richard Fulmer, em artigo recente para o Mises Institute, expôs as falhas formais dessa construção, entre elas a regressão infinita no cálculo do trabalho incorporado. Calcular o “conteúdo de trabalho” de um equipamento exige calcular o de suas ferramentas, e o das ferramentas que fabricaram essas ferramentas, até chegar “ao primeiro martelo de pedra”. O argumento é válido. Mas ganha uma dimensão que Fulmer não antecipou quando o “equipamento” é um modelo de linguagem treinado com centenas de bilhões de tokens, processados em GPUs fabricadas em Taiwan com minerais extraídos no Congo, otimizados por centenas de milhares de horas de feedback humano. A regressão infinita da TVT, aplicada a iA generativa, não é apenas impraticável. É computacionalmente intratável.
Quem “trabalhou” na produção daquele relatório de noventa segundos? O engenheiro de machine learning que ajustou os hiperparâmetros? Os autores dos milhões de textos que compõem o corpus de treinamento? O operador que redigiu o prompt? A TVT exige que identifiquemos a fonte do valor no trabalho. Mas o trabalho, aqui, está disperso numa cadeia causal tão ramificada que atribuí-lo a qualquer agente individual é ficção contábil.
A alternativa marginalista, inaugurada por Carl Menger em 1871, parece mais robusta à primeira vista. Valor é subjetivo: depende da utilidade que o comprador atribui ao bem, dada sua escassez relativa. Mercados funcionam por oferta e demanda, não por conteúdo de trabalho. Essa teoria explica bem a formação de preços em mercados convencionais. Explica mal o que está acontecendo com iA.
O problema é a escassez, ou melhor, a ausência dela. O custo de uma inferência adicional em um modelo já treinado é negligível. A Andreessen Horowitz documentou o fenômeno sob o nome de “LLMflation” (a16z, agosto de 2024): para desempenho equivalente, o custo cai por um fator de dez a cada ano. O Epoch AI confirmou a tendência com dados de benchmarks cruzados (março de 2025), registrando quedas de 9x a 900x ao ano. Em novembro de 2021, desempenho equivalente ao GPT-3 custava sessenta dólares por milhão de tokens; em 2024, seis centavos. Mil vezes menos em três anos. Quando o custo marginal colapsa dessa forma, o preço de equilíbrio marginalista deveria tender a zero. No entanto, organizações pagam milhões por implementações de iA. O que estão comprando, se não é o output?
Estão comprando algo que nenhuma das duas teorias modela bem: a capacidade de formular a pergunta certa e validar a resposta. O prompt que transforma um modelo genérico em ferramenta de decisão. A responsabilidade institucional por agir com base no resultado. O valor migrou do esforço para o julgamento, da produção para a orquestração.
Um economista neoclássico objetaria, com razão, que nada disso é novidade. Software sempre teve custo marginal próximo de zero; a Microsoft capturou valor por décadas via propriedade intelectual e efeitos de rede. O marginalismo modela isso bem como teoria de preços. A objeção procede no nível transacional. Onde falha é no nível institucional, exatamente onde conselhos de administração e reguladores operam. Três problemas permanecem sem solução teórica. Atribuição: se um modelo gera uma análise que evita uma aquisição desastrosa, quem captura o valor? Tributação: o output de iA é renda do trabalho ou renda do capital, quando o “trabalhador” é um processo estocástico? Produtividade: como medir output por input quando o input humano tende a zero? O marginalismo responde “o mercado decide”. Boards não podem esperar pelo equilíbrio de longo prazo quando precisam alocar orçamento na próxima reunião.
Garry Kasparov, após perder para Deep Blue em 1997, cunhou o conceito de “centauro” para descrever a combinação humano-máquina que, em torneios de xadrez avançado, vencia tanto humanos puros quanto máquinas puras. A analogia importa, mas sua atualização importa mais: desde meados da década passada, centauros já não vencem engines puras no xadrez. A janela em que o julgamento humano agregava valor ao cálculo da máquina se fechou. Se o paralelo com iA se confirmar, a fase em que orquestração humana é o diferencial competitivo pode ser mais curta do que os boards gostariam de acreditar. Isso não invalida a tese; torna-a urgente.
O conselho de administração que precifica iA em 2026 opera sem mapa. A teoria do valor-trabalho não sabe quem trabalhou. O marginalismo não sabe o que é escasso. Mas a ausência de preço não significa ausência de valor; significa que iA deve ser tratada como opcionalidade, com exposição calibrada para não comprometer a operação e prêmio calibrado para não perder a corrida. A lacuna entre essas duas insuficiências teóricas é exatamente o espaço onde se decide, agora, quem captura a riqueza gerada por máquinas que pensam sem suar.
ousadia criativa. precisão estratégica. – por kim.
Renato Kim Panelli é fundador da MBi, consultoria de estratégia em iA. O autor tem interesse comercial no mercado que analisa.