Como funciona o pagamento por resultados
No modelo tradicional de software, o cliente paga pelo acesso a uma ferramenta, geralmente por assinatura ou pelo volume de uso. Com os agentes de IA, a lógica pode ser diferente.
Um agente é um sistema capaz de executar tarefas com algum grau de autonomia, como atender clientes, consultar informações e concluir etapas de um processo.
Em vez de cobrar pela quantidade de processamento utilizada, a empresa pode estabelecer um preço para cada resultado concluído.
A Sierra, empresa cofundada por Taylor, já adota esse formato. Segundo o executivo, seus clientes pagam pelas tarefas efetivamente realizadas pelos agentes, e não por tokens.
Em atendimento ao cliente, por exemplo, a cobrança pode estar vinculada à resolução de um caso sem intervenção humana. Em outros setores, o resultado pode ser a originação de um empréstimo ou a pré-autorização de um procedimento.
A Sierra descreve seu modelo como outcome-based pricing, ou precificação baseada em resultados. Em uma entrevista de março de 2026, Taylor explicou que a cobrança ocorre quando o agente resolve autonomamente um problema. Se a situação precisa ser encaminhada para uma pessoa, não há cobrança pelo atendimento.
Por que os tokens podem perder importância
A mudança proposta por Taylor está relacionada a uma questão que já preocupa empresas que investem em inteligência artificial: quanto valor a tecnologia realmente gera.
Dois sistemas podem consumir quantidades diferentes de tokens para realizar uma mesma tarefa. Por isso, olhar apenas para o volume processado não mostra necessariamente qual solução foi mais eficiente.
Na entrevista à CNBC, Taylor afirmou que modelos mais avançados podem apresentar maior eficiência em tarefas complexas, mesmo quando seu custo por token é superior. Para ele, a comparação precisa considerar quantos recursos são necessários para concluir uma atividade.
Isso muda a pergunta feita por uma empresa. Em vez de perguntar apenas quanto custa utilizar determinado modelo, a organização pode passar a avaliar quanto custa obter determinado resultado.
Impacto para profissionais e empresas
A mudança pode alterar também a maneira como empresas avaliam projetos de IA.
Hoje, uma equipe pode contratar uma ferramenta para resumir documentos, responder e-mails ou analisar dados e acompanhar métricas como número de usuários, volume de processamento ou horas economizadas.
Em um modelo baseado em resultados, a avaliação tende a se aproximar da tarefa final. Um sistema de atendimento, por exemplo, poderia ser avaliado pela quantidade de casos solucionados, e não pelo número de interações realizadas.
Para os profissionais, isso significa que conhecer a ferramenta não será necessariamente suficiente. Será necessário entender qual processo ela executa, quais resultados podem ser medidos e em quais situações a intervenção humana continua necessária.
A lógica também pode afetar fornecedores de software. Se o pagamento estiver diretamente relacionado ao resultado, parte do risco passa do cliente para quem oferece a tecnologia.
O que muda nos negócios de IA
Taylor também defende que os dados próprios das empresas terão importância nesse cenário. Segundo ele, informações sobre clientes e relacionamentos comerciais podem formar um ativo que diferencia uma companhia mesmo quando modelos de IA se tornam mais acessíveis.
A discussão sobre precificação por resultados não é exclusiva da OpenAI. Em março de 2026, Taylor afirmou que esse é o modelo adotado pela Sierra e comparou a mudança à evolução da publicidade, que passou de métricas como impressões para modelos vinculados a cliques e ações.
Para as empresas, a questão passa a ser definir com precisão o que conta como resultado. Uma tarefa concluída pode ser mensurável, mas ainda precisa de critérios para verificar qualidade, satisfação do cliente e necessidade de correção.
A previsão de Taylor aponta para uma possível mudança na economia do software: o foco deixa de estar apenas no acesso à tecnologia e passa para o valor entregue por ela. Para profissionais e empresas, isso torna a capacidade de medir resultados uma parte cada vez mais relevante da adoção de inteligência artificial.
