O custo do hardware, da nuvem e do token como pedágio já foi tratado em junho, no episódio O peso do hardware (série Horizonte do Essencial). Esta série não repete aquele mapa: entra no que mudou quando a IA agêntica virou o centro da retórica — VRAM, latência de orquestração e a conta de quem tenta plugar LLM no PDV ou no legado.

O triângulo que importa aqui é outro: VRAM, latência e custo por chamada — não “nuvem boa ou má” em abstracto, mas o preço de cada rodada de agente sobre o seu sistema real.

O imposto do token na prática agêntica

Quando você faz um SELECT no SQL, o custo de energia é desprezível. Quando pede a uma LLM que analise mil linhas de vendas — e pior, quando um orquestrador encadeia várias chamadas — cada palavra gerada custa fração de centavo de dólar, multiplicada a cada “passo” do agente. Para um PDV com milhares de interações por dia, transformar cada operação em IA pode fazer o lucro da venda perder para o processamento.

VRAM: a memória de elite

Diferente da RAM comum — que você compra em pentes de 32 GB por preço razoável —, a VRAM das GPUs de inferência é cara e limitada. Um modelo de IA "médio" precisa estar inteiramente carregado nessa memória para responder em tempo aceitável. Se o modelo não cabe, o sistema patina: a latência sobe, a experiência morre.

Fato técnico: os pesos de um LLM de 7 bilhões de parâmetros em 16 bits ocupam cerca de 14 GB de VRAM, independentemente de o código que o chama estar em Java, Rust ou Python. Não é lixo de Garbage Collector; é massa bruta de matriz matemática. A VRAM não é consumida por "código morto", mas pelos pesos do modelo — blocos imutáveis que ficam estáticos na GPU para responder rápido.

Em 2026, uma GPU de consumo (RTX 4060 Ti) roda modelos pequenos; uma estação com RTX 5090 ou equivalente profissional é necessária para vários agentes simultâneos analisando legado e gerando dashboards. Estamos falando de US$ 600 a US$ 15.000+ só de placa — antes de RAM, energia e refrigeração.

O gargalo da transferência

O maior custo nem sempre é processar o dado; muitas vezes é movê-lo. Dados legados vivem em disco e SQL; cada consulta agêntica exige serializar e enviar blocos à GPU — caminho estreito quando o ERP só exporta TXT bruto a cada pedido.

A escassez de silício para inferência

Enquanto empresas planejam agentes para tudo, a produção de chips de alta performance (H100, Blackwell e sucessores) está esgotada com anos de antecedência. TSMC reserva capacidade para quem pode pagar adiantado — não para o lojista que quer um assistente no ERP.

Comparativo frio: SQL versus agente

Em sistemas agênticos reais (LangChain4j, Spring AI), o fluxo não é mágico: é um loop Java com condicionais que chama a LLM várias vezes. O orquestrador envia o objetivo; a LLM responde com passos; o código executa uma função (abrir planilha, consultar API); o resultado volta à LLM. Cada "troca de figurinha" demora de 2 a 10 segundos de latência de API. Uma apresentação completa pode levar minutos — não segundos.

Isso não invalida agentes; contextualiza expectativas. O gestor que imagina dashboard "vivo" com agentes conversando em tempo real precisa entender que está pagando por minutos de GPU alheia, não por milissegundos de CPU local.

O que isso significa para o seu PDV

Seu PDV em JavaFX não precisa — e não deve — rodar a IA na mesma máquina do caixa. Ele será terminal de exibição: envia comando, servidor (nuvem ou máquina parruda na rede) processa, JavaFX desenha o resultado. Tentar montar infraestrutura própria de IA hoje é como construir refinaria de petróleo para abastecer um carro.

O caminho para a média das empresas é consumo de APIs ou modelos quantizados (versões comprimidas que cabem em hardware barato). A estratégia vencedora não é "quem tem a IA mais inteligente", mas quem faz a IA rodar no hardware que já existe — ou quem paga só pelo uso que gera retorno.

Conclusão

O limite desta série começa no silício da inferência, não na RAM genérica do servidor. O próximo artigo entra na camada lógica: por que, mesmo pagando pelo hardware alheio, a IA ainda patina no código legado que sustenta a economia real.

---

Nota: Primeiro artigo da série O Mito da Eficiência; continuidade com o artigo 2 em 29/12/2026.