Como controlar o gasto de tokens do Claude na empresa

O gasto de tokens do Claude é controlado por quatro mecanismos combinados: limites de consumo por organização, grupo e usuário; restrição de acesso às superfícies de alto consumo; definição do modelo padrão e do nível de esforço permitido por papel; e acompanhamento de custo por área no painel de analytics. Nenhum deles é ativado por padrão.

Por que o consumo de tokens virou o principal problema de governança?

Porque o modelo de cobrança mudou e o padrão de uso também. Ao longo de 2025 e 2026, a Anthropic separou tokens de assentos: o valor por usuário passou a cobrir acesso e aparato administrativo, enquanto todo o processamento passou a ser medido e cobrado pelas tarifas padrão de API. O custo deixou de ser previsível por natureza.

Ao mesmo tempo, fluxos agênticos substituíram a conversa de turno único. Análise da Gartner publicada em março de 2026 estima que agentes geram entre cinco e trinta chamadas ao modelo por tarefa iniciada pelo usuário. Pesquisa do GitHub divulgada em maio de 2026 aponta que esses fluxos podem consumir até mil vezes mais tokens do que uma consulta simples.

A combinação produz um problema específico: o custo é gerado por decisões individuais de pessoas que não veem o preço. Quem executa uma tarefa no Claude Code ou no Claude Cowork não recebe sinal de consumo em tempo real. A conta chega ao final do ciclo, agregada, para uma área que não participou da decisão.

Quanto uma empresa deve esperar gastar por usuário?

Depende inteiramente da superfície utilizada, e a variação entre perfis chega a duas ordens de grandeza. A própria Anthropic publica estimativas de planejamento no guia de consumo do Claude Enterprise, apresentadas como aproximações para orçamento inicial:

Relatórios de mercado publicados ao longo de 2026 apontam gasto total entre US$ 60 e US$ 250 por usuário ao mês em organizações reais. O assento, listado em torno de US$ 20 mensais no plano Enterprise, responde por uma fração pequena desse total.

O caso mais documentado é o da Uber. Reportagem da Forbes de maio de 2026 registra que a empresa consumiu o orçamento anual de ferramentas de IA em quatro meses. A adoção do Claude Code entre cerca de cinco mil pessoas de engenharia saltou de 32% em fevereiro para 84% em março. O custo médio por pessoa ficou entre US$ 150 e US$ 250 ao mês, com usuários intensivos entre US$ 500 e US$ 2.000. Cerca de 70% do código enviado passou a vir de ferramentas de IA — ou seja, o gasto correspondia a produção real, e ainda assim estourou o planejamento.

Quais limites de gasto o Claude Enterprise permite configurar?

Três níveis, com regras de precedência definidas. O limite organizacional funciona como teto absoluto para todos os usuários e superfícies. O limite por grupo atribui um teto mensal por usuário a todos os membros de um conjunto. O limite individual sobrepõe os anteriores para casos específicos.

A recomendação da Anthropic é começar pelos limites de grupo e de usuário, não pelo organizacional. O motivo é operacional: quando o teto da organização é atingido, todos param ao mesmo tempo, o que gera interrupção ampla e difícil de administrar. Tetos por grupo isolam o efeito na equipe que gerou o consumo.

As regras de precedência importam na configuração. Limites individuais sempre prevalecem sobre limites de grupo, independentemente de qual seja maior. Quando um usuário pertence a vários grupos com tetos diferentes, uma configuração de organização define se vale o maior ou o menor. E a ausência de limite em todos os níveis significa consumo sem teto. Alertas são disparados aos administradores quando o gasto atinge 75% e 90% do limite organizacional.

Como a escolha do modelo afeta o custo?

De forma direta e significativa. Modelos de maior capacidade consomem várias vezes mais tokens que modelos intermediários para a mesma tarefa. O nível de esforço aplicado a cada resposta é uma segunda alavanca, independente da primeira: respostas com raciocínio mais extenso custam mais que respostas diretas.

O Claude Enterprise permite definir o modelo padrão da organização, restringir quais modelos ficam disponíveis por papel e limitar o nível de esforço máximo que cada papel pode selecionar. Segundo a documentação da Anthropic, essa é uma das alavancas mais diretas de controle, porque o padrão molda o comportamento da maioria dos usuários sem exigir treinamento adicional.

Há um sinal de diagnóstico simples. Se a maior parte do consumo da organização está concentrada no modelo mais caro, a orientação de uso não está funcionando — e a resposta correta costuma ser restringir acesso por papel, não aumentar o orçamento.

Como atribuir custo por área e acompanhar o consumo?

Pelo painel de analytics, com atribuição espelhada na estrutura de grupos já configurada. O painel mostra usuários ativos semanais, utilização de assentos, gasto acumulado no mês, no trimestre e no ano, distribuição por modelo e ranking dos maiores consumidores. Visões específicas separam chat, Claude Code e Cowork.

Três recursos ampliam a análise. A exportação em CSV entrega gasto por usuário e por modelo, com contagem de requisições e de tokens de entrada e saída, para períodos de até 90 dias. A consulta em linguagem natural responde a perguntas sobre o próprio consumo sem navegação no painel. E a API de analytics permite extrair os mesmos dados de forma programática, com atualização a cada quatro horas.

O recurso mais útil para justificar orçamento é a visão por skill. Como cada skill representa um fluxo de trabalho repetível, o custo por execução pode ser comparado ao valor da tarefa que ela substitui. A Anthropic descreve o cálculo: exporta-se a tabela, atribui-se um valor estimado por execução e multiplica-se a diferença pelo número de usos. Isso converte a conversa de “quanto a IA custa” em “quanto cada processo rende”.

Quais controles de segurança acompanham a governança de custo?

Os mesmos mecanismos que controlam consumo controlam exposição. O acesso por superfície define quem pode operar fluxos agênticos com acesso a arquivos e sistemas. O provisionamento via diretório corporativo garante que o desligamento de um colaborador encerre o acesso. Os conectores definem quais fontes de dados ficam disponíveis e para quem.

A orientação da Anthropic é tratar o acesso à superfície como o primeiro portão, antes de qualquer limite de token. Liberar Claude Code e Cowork para toda a organização no primeiro dia é descrito no guia oficial como a forma mais rápida de gerar consumo inesperado — e a mesma decisão amplia a superfície de exposição de dados.

Na prática brasileira, a política de retenção e o registro de auditoria são igualmente relevantes, porque respondem à pergunta que a área jurídica fará: quais dados pessoais foram processados, por quem, com qual base legal e por quanto tempo ficaram armazenados. Essa resposta precisa existir antes do incidente, não depois.

O que é shadow AI e por que ela custa mais que o consumo descontrolado?

Shadow AI é o uso de ferramentas de inteligência artificial por colaboradores fora de qualquer aprovação ou controle corporativo. Diferentemente do consumo excessivo, que aparece na fatura, a shadow AI não aparece em lugar nenhum — e é justamente por isso que representa o risco maior.

O cenário brasileiro é desfavorável. Enquanto cerca de 40% das empresas brasileiras mantêm assinaturas corporativas de modelos de linguagem, mais de 90% dos colaboradores admitem usar ferramentas pessoais de IA em suas rotinas de trabalho. A diferença entre os dois números descreve dados corporativos processados em contas pessoais, sem contrato, sem registro e sem base legal definida.

Estudo da SAP em parceria com a Oxford Economics, com 1,6 mil executivos em oito países e 200 lideranças brasileiras, aponta que oito em cada dez empresas se preocupam com o uso de ferramentas de IA não autorizadas. Projeção da Gartner estima que, até 2027, mais de 40% dos incidentes de vazamento de dados relacionados a IA serão provocados por uso inadequado de IA generativa em operações que cruzam jurisdições.

O ponto contraintuitivo: restringir acesso sem oferecer alternativa aprovada aumenta a shadow AI. A ferramenta corporativa precisa ser boa e disponível o suficiente para que a pessoa não recorra à conta pessoal.

Governança de IA se resume a controle de custo?

Não. Controle de custo é a camada mais visível e a mais simples de configurar. A governança completa cobre quatro perguntas adicionais: quais dados podem ser processados por qual sistema, quem responde pela qualidade do resultado, como decisões assistidas por IA são registradas e revisadas, e como a organização demonstra conformidade quando questionada.

Essas perguntas atravessam produtos e fornecedores. A maioria das organizações não opera um único modelo: usa Claude para algumas tarefas, outros modelos para outras, e sistemas próprios para casos específicos. Uma política de governança limitada a um fornecedor deixa descoberto exatamente o espaço onde a shadow AI se instala.

É esse o problema que o Classplay endereça: um ambiente corporativo único de acesso a IA, com biblioteca de agentes, guardrails, registro de uso e relatórios de adoção — independente de qual modelo esteja por trás de cada tarefa. Para organizações que precisam de visão consolidada e não apenas do painel de um fornecedor, essa é a camada que falta.

Perguntas frequentes

Quem deve ser responsável pelo orçamento de tokens na empresa? A prática que funciona distribui a responsabilidade: um administrador central configura tetos e políticas, e cada área indica um responsável que revisa o consumo do próprio grupo. A Anthropic sugere designar donos de grupo com contexto de negócio, ressalvando que isso implica conceder direitos administrativos.

Com que frequência revisar o consumo? Semanalmente durante o período inicial de adoção, mensalmente depois. Quando um grupo se aproxima do teto de forma recorrente, a primeira investigação deve ser sobre escolha de modelo e desenho do fluxo, não sobre aumento de orçamento.

O que acontece quando o usuário atinge o limite? O trabalho em andamento é concluído antes de qualquer restrição, sem perda do que estava sendo produzido. O usuário solicita revisão ao responsável do grupo ou à administração.

Controlar consumo prejudica a adoção? Prejudica quando os tetos são definidos sem base em uso real e sem processo claro de revisão. Tetos conservadores com caminho rápido de aumento funcionam melhor que tetos altos sem acompanhamento, porque produzem conversa sobre valor a cada solicitação.

Governança de IA é responsabilidade de TI ou do jurídico? De ambos, com papéis distintos. TI responde pela configuração técnica e pelo registro. Jurídico e privacidade respondem pelas bases legais, pelas políticas de retenção e pela resposta a incidentes. Sem articulação entre os dois, a organização tem controles configurados e nenhuma política escrita.

Controlar consumo não é uma tarefa de contenção, é uma tarefa de atribuição: saber qual processo gera qual custo e qual retorno. Organizações que resolvem essa atribuição conseguem defender o orçamento de IA. As que não resolvem passam a discutir corte de licenças no lugar de discutir valor. O Classplay reúne acesso, governança e métricas de uso em um único ambiente corporativo.

Fontes: Claude Enterprise consumption guide, Anthropic Help Center, 2026; Plans & Pricing, claude.com, agosto de 2026; Forbes, “Uber Burns Its 2026 AI Budget In Four Months On Claude Code”, maio de 2026; análise Gartner, março de 2026; pesquisa GitHub, maio de 2026; estudo SAP / Oxford Economics (n=1.600 executivos, 8 países); projeção Gartner sobre incidentes de vazamento relacionados a IA até 2027.