Várias análises comprovam que, nos últimos anos, os investimentos corporativos em inteligência artificial (IA) cresceram rapidamente, muitas vezes sem o devido alinhamento financeiro. No mundo todo, nota-se um aumento expressivo nos orçamentos de tecnologia em comparação com o ano anterior. Contudo, o custo de executar modelos de machine learning (ML), treinar modelos de linguagem em larga escala (LLMs) e operar pipelines de inferência em produção é elevado e volátil. Se mal administrado, esse gasto compromete margens e sufoca a inovação.

Para isso, uma nova fase da disciplina FinOps, tema de um dos meus artigos anteriores, está começando. Mais do que o controle de custos na nuvem, o FinOps 2.0 busca governança, previsibilidade e eficiência nos investimentos em IA. E, o mais importante, sem paralisar as equipes de dados.

Tradicionalmente, o FinOps, ou finanças e operações, baseava-se em três pilares: visibilidade, otimização e responsabilidade. Essa abordagem exigia colaboração entre os setores financeiro, de engenharia e de negócios. Com a adoção da IA, surgem novas camadas de complexidade. Os gastos, antes concentrados, agora se distribuem em várias etapas, como armazenamento de dados, preparação, treinamento e uso dos modelos. Além disso, picos inesperados de processamento elevam o consumo de recursos, enquanto o uso de GPUs e outros aceleradores especializados torna os gastos mais difíceis de prever e controlar. Agora, o FinOps 2.0 incorpora mecanismos proativos de governança, como políticas de uso, controle automatizado e previsões dinâmicas, para garantir escalabilidade sem surpresas.

Um dos alicerces dessa nova abordagem é o conceito de FinOps como código (“FinOps as Code” ou FaC). Em vez de depender de relatórios financeiros reativos, as políticas passam a ser implementadas como código, integrado aos pipelines de infraestrutura. Ao submeter um experimento de IA, a plataforma pode bloquear execuções fora do orçamento, sugerir alternativas mais econômicas ou redirecionar cargas para horários de menor custo. Isso reduz o atrito entre engenharia e finanças e empodera as equipes de dados e produto a inovar com segurança.

Outro fator-chave para o FinOps 2.0 é a aplicação da própria IA à governança financeira. Soluções baseadas em aprendizado de máquina e agentes autônomos viabilizam a antecipação de anomalias de custo, a geração de recomendações de otimização e até a remediação automática. Já existem plataformas que operam como sistemas operacionais de FinOps, redistribuindo recursos em tempo real com apoio da IA. Iniciativas que definem limites de custo por experimento, por meio de orquestração inteligente, também evitam o chamado “runaway compute”, quando cargas escalam sem controle.

O FinOps 2.0, no entanto, vai além da técnica. Trata-se de cultura e maturidade. Para funcionar, engenheiros, cientistas de dados e profissionais de finanças precisam compartilhar uma linguagem comum, a do valor. O modelo tradicional de FinOps era reativo. Agora, deve antecipar riscos, protegendo a saúde financeira dos modelos. Um risco recorrente é o excesso de automação sem calibragem, que pode desligar cargas

críticas se os limites não forem bem ajustados. O equilíbrio entre controle e adaptabilidade é essencial.

Para avançar, três ações são recomendadas: mapear detalhadamente os gastos com IA por etapa do modelo, projeto, instância e padrão de carga; implementar uma camada de governança codificada (via FaC), com limites, alertas e ajustes automáticos; e evoluir as ferramentas de IA financeira para monitoramento contínuo e atuação preventiva. O objetivo não é restringir a inovação, mas garantir sua sustentabilidade.

Vale o reforço: o FinOps 2.0 deixou de ser opcional. Empresas que pretendem escalar IA com responsabilidade financeira precisam adotá-lo. A vantagem competitiva virá não de quem treina os modelos mais complexos, mas de quem o faz com eficiência. A próxima fronteira está posta. Sua organização está preparada?