O avanço da inteligência artificial (IA) nas empresas tem sido acompanhado por uma crença confortável: a de que o custo operacional é determinado apenas pelo preço do banco de dados ou da infraestrutura de nuvem. Um estudo divulgado pela McKnight Consulting Group (MCG) e reportado pelo IT Forum desafia frontalmente essa noção, ao demonstrar que a escolha da arquitetura de dados pode multiplicar o custo de IA em até 76 vezes, mesmo quando o hardware é equivalente. Para quem decide em TI, o alerta é claro: a ineficiência na entrega de contexto aos grandes modelos de linguagem (LLMs) não é detalhe técnico, mas fator central do orçamento.

Como a arquitetura de dados impacta o custo da IA

O estudo da MCG comparou seis plataformas de banco de dados em ambientes com 64 a 72 vCPUs e 512 GB de RAM, simulando aplicações clínicas com até 50 milhões de registros. Entre as plataformas analisadas estavam Amazon Aurora PostgreSQL, Crunchy Bridge, Databricks, MongoDB Atlas, PostgreSQL open source e EDB Postgres AI. O objetivo era medir não apenas o desempenho bruto, mas a eficiência na busca vetorial e no sistema RAG (geração aumentada por recuperação), tecnologias essenciais para IA corporativa.

O desperdício de tokens, unidades de informação processadas pelos LLMs, foi o principal vilão identificado. Segundo o estudo, plataformas como Databricks e MongoDB Atlas desperdiçaram, respectivamente, 41,8% e 27% dos tokens em tarefas híbridas, enquanto o EDB Postgres AI ficou em 17%. Em buscas semânticas puras, a diferença foi ainda maior: 24,3% de desperdício no Databricks contra 8% no EDB Postgres AI. O resultado prático é que empresas que rodam milhares de loops de agentes de IA por dia podem estar pagando centenas de milhares de reais por tokens que não contribuem para a resposta, apenas para compensar a ineficiência da camada de dados.

Latência e custo efetivo: o que muda na operação

A latência, tempo de resposta do sistema, é outro fator crítico. Em cenários com 50 milhões de vetores, o EDB Postgres AI entregou latência mediana de 50 milissegundos. O MongoDB Atlas ficou em 1.083 ms, e o Databricks, em 4.023 ms, tornando este último impraticável para aplicações interativas, de acordo com a análise da MCG. A diferença de desempenho se traduziu em custos efetivos muito distintos: para entregar a mesma performance do EDB Postgres AI, o MongoDB Atlas teria um custo ajustado de US$ 577 por hora (34 vezes mais caro), enquanto o Databricks atingiria US$ 1.287 por hora, um multiplicador de 76 vezes.

Mesmo entre concorrentes próximos, há variações relevantes: Amazon Aurora PostgreSQL apresentou custo 28% maior e Crunchy Bridge, 23%, ambos ajustados pela performance real. O estudo destaca que a narrativa de que IA é cara por natureza não se sustenta diante dos dados: “IA é cara quando a camada de dados é ineficiente”, afirmou Ronaldo Oliveira, diretor de vendas e parcerias para a América Latina da EDB Postgres AI, ao IT Forum.

Setores mais impactados e crescimento do mercado

A pesquisa aponta que bancos, fintechs, hospitais, varejistas, seguradoras, órgãos públicos e operadoras de telecomunicações estão entre os setores mais afetados. O uso de IA para atendimento, análise de crédito, prevenção a fraudes, busca semântica de produtos, análise de sinistros e consulta de apólices depende diretamente da eficiência da camada de dados. No setor público, aplicações como portais de atendimento e busca em bases legais também sentem o impacto da escolha do banco de dados.

O mercado brasileiro de bancos de dados vetoriais cresce a uma taxa anual de 21,4%, segundo o estudo. Globalmente, o segmento de RAG deve saltar de US$ 2 bilhões em 2026 para US$ 11 bilhões em 2030, refletindo a rápida adoção de IA em operações críticas.

Contra-argumentos e limitações do estudo

É importante ressaltar que os dados apresentados têm como base um único estudo independente, conduzido pela McKnight Consulting Group e divulgado pelo IT Forum. Não há, até o momento, benchmarks públicos de outras consultorias que contradigam ou complementem esses resultados. Críticos podem argumentar que a configuração dos bancos de dados, o perfil das cargas de trabalho e a expertise dos times de implementação influenciam fortemente os resultados. Além disso, o estudo foca em aplicações clínicas e pode não refletir integralmente cenários de outros setores com padrões de acesso e atualização distintos.

Outro ponto de atenção é que a liderança do EDB Postgres AI nos testes dependeu de configurações otimizadas de memória, autovacuum e WAL, o que pode não ser trivial para equipes sem experiência avançada em PostgreSQL. O estudo também não detalha o custo total de propriedade (TCO) considerando licenciamento, suporte e migração, fatores relevantes para decisões corporativas.

O que ainda não se sabe e riscos para a decisão de TI

Apesar dos números expressivos, há pontos em aberto. Não está claro como essas plataformas se comportam em workloads mistas, com alta concorrência de leitura e escrita, típicas de ambientes financeiros e de varejo. O impacto de integrações com sistemas legados, políticas de segurança e requisitos regulatórios também não foi abordado. Para empresas de médio porte e órgãos públicos, a capacidade de replicar as configurações de benchmark no mundo real pode ser limitada por restrições de orçamento e equipe.

Outro risco é a dependência de expertise específica para extrair o máximo das plataformas PostgreSQL, especialmente em regiões como Manaus, onde a oferta de profissionais especializados pode ser menor. A decisão de migrar ou otimizar a camada de dados precisa considerar não só o potencial de economia, mas o custo de transição e o suporte disponível localmente.

Implicações práticas para empresas e setor público

Para gestores de TI e responsáveis por orçamento, o estudo da MCG oferece uma provocação direta: a escolha do banco de dados pode ser o maior fator de custo ou de economia em projetos de IA, superando até mesmo o preço da nuvem ou do LLM. Em setores como saúde, finanças e governo, onde o volume de dados e a necessidade de resposta rápida são críticos, a ineficiência de tokens e a latência elevada podem inviabilizar aplicações interativas e aumentar o risco de sobrecarga na infraestrutura.

No contexto de Manaus e do Polo Industrial, onde a conectividade e o suporte técnico local são desafios adicionais, a adoção de bancos de dados eficientes e de fácil manutenção pode ser decisiva para a viabilidade de projetos de IA. Empresas que subestimam o impacto da arquitetura de dados tendem a enfrentar custos ocultos, atrasos e dificuldades de escala, especialmente em ambientes de missão crítica.

Em resumo, a narrativa de que IA é cara por definição perde força diante dos dados do benchmark. O verdadeiro diferencial está na eficiência da camada de dados e na capacidade de extrair valor dos tokens processados. Para quem opera em setores sensíveis e regiões com desafios de infraestrutura, a escolha do banco de dados deixa de ser detalhe técnico e passa a ser decisão estratégica, com impacto direto no caixa e na competitividade.