The Smart Factory Signal: It's Not Token Burn, It's Where the Tokens Burn

Por Wim Dijkgraaf, founder & CEO da Quotation Factory

Nos últimos meses, caí da cadeira mais de uma vez. Literalmente.

Não por causa de um novo dashboard. Não por causa de uma demo bem acabada. Não porque algum fornecedor de software adicionou mais uma feature de AI ao produto existente.

Mas porque algo muito mais fundamental aconteceu: o salto de qualidade dos modelos mais recentes de AI, combinado com a forma como eles conseguem usar tools, systems e codebases, deixou uma coisa cristalina para mim. Entramos em uma nova fase. Não é apenas o próximo passo da digitalização, mas uma nova realidade operacional.

Eu realmente acredito que estamos no início de uma intelligence explosion.

E, para as empresas de manufacturing, isso significa que precisamos reaprender a olhar para o trabalho, para software, para innovation e até para financial steering.

Por que estou escrevendo sobre isso agora

Recentemente fiz uma livestream sobre um artigo que publiquei no nosso website. Esse artigo era sobre token consumption: um tema que, à primeira vista, parece técnico e financeiro, mas que na verdade é muito maior do que isso.

Porque token consumption não é apenas uma linha de custo. Pode se tornar um signal. Um indicator. Talvez até um dos novos parâmetros mais interessantes para avaliar o quão intelligent um negócio realmente opera.

Não porque um uso alto de tokens seja automaticamente algo bom.

Mas porque onde os tokens são consumidos começa a dizer muito sobre a maturidade da empresa.

Esse é, para mim, o ponto central.

Primeiro isto: openness não é opcional

Antes de entrar em AI, quero registrar outro ponto.

Recentemente fui crítico em relação a vários initiatives na indústria de manufacturing que geram muita linguagem, muita colaboração e muito positioning, mas em que a substância real é difícil de encontrar ou insuficientemente concreta.

Minha posição é simples: se nós, como setor, dizemos que queremos aprender juntos e acelerar juntos, então openness precisa fazer parte disso. Não apenas marketing. Não apenas manifestos com princípios abstratos. Precisamos mostrar o que estamos fazendo, o que funciona, o que não funciona, quais escolhas fazemos e onde estão as lições reais.

É exatamente por isso que eu procuro ser deliberadamente transparente sobre como construímos, como pensamos e como aplicamos AI dentro da Quotation Factory.

Se em 2026 ainda agimos como se operational innovation devesse permanecer misteriosa, então estamos desacelerando a nós mesmos como setor.

O que realmente mudou nos últimos dois meses

Muita gente ainda pensa em generative AI como algo útil principalmente para análise de texto, summaries, marketing content ou um primeiro draft de documento. Essa imagem já está desatualizada.

O que aconteceu no início de 2026 é que novos modelos de empresas como OpenAI e Anthropic chegaram a um nível em que ficaram muito melhores em reasoning ao longo de horizontes maiores, mantendo context, usando tools e executando trabalho de forma independente dentro de um objetivo bem definido.

Isso por si só já é importante.

Mas a aceleração real aparece quando combinamos isso com outros dois developments:

1. cada vez mais software systems agora suportam protocols que permitem que AI models chamem tools com segurança e recuperem data;
2. mesmo quando os systems ainda não suportam esse protocol, os modelos mais recentes muitas vezes conseguem ler public API documentation e construir sozinhos a integration logic necessária.

Na prática, isso significa que AI não apenas "pensa junto". Ela age.

E quando AI consegue agir, toda a sua visão sobre automation começa a mudar.

A diferença entre a change organization e a going concern

Para entender por que isso é tão relevante, eu sempre faço uma distinção entre dois mundos dentro de uma empresa.

O primeiro é a change organization. Aí entram innovation, projects, novas propositions, process improvements e system changes.

O segundo é a going concern. Essa é a operação do dia a dia: marketing, sales, support, customer success, integration management, cumprimento de SLAs, customer contact, follow-up actions e monitoring.

Esses dois mundos são conectados. O que você desenvolve na change organization precisa, no fim, aterrissar na going concern. É aí que precisa gerar valor.

É exatamente nesse ponto que AI se torna interessante.

O que estamos vendo na Quotation Factory na operação do dia a dia

A Quotation Factory sempre foi uma empresa digital e data-first. Há anos trabalhamos de forma totalmente online. Quase toda a nossa comunicação passa por systems que deixam rastros: CRM, support software, meeting transcripts, platform events, usage data e online interactions.

Isso significa que temos um fluxo de dados extraordinariamente rico.

E é justamente por isso que AI agents agora conseguem entregar valor real dentro da operação diária.

Um exemplo concreto: imagine que alguém do time de customer success precise se afastar inesperadamente duas semanas antes do previsto. Isso cria imediatamente um problema operacional. Meetings precisam ser redistribuídas, customers precisam cair com as pessoas certas, context não pode se perder, e os colegas precisam entender rapidamente o que está acontecendo.

No passado, isso seria resolvido com muito trabalho manual, muito alinhamento e muito risco de perda de informação.

Agora, systems conectados e AI agents conseguem assumir grande parte desse trabalho. Com base em calendars, meeting transcripts anteriores, customer history e conhecimento sobre as especialidades de cada pessoa do time, um agent pode sugerir quem deve assumir quais meetings, por que isso faz sentido, qual é o background daquela conta e quais informações adicionais importam.

O business simplesmente continua.

Isso não é apenas mais eficiente. Também é melhor em qualidade.

Outro exemplo é a maneira como processamos prospect conversations. As meetings geram automaticamente transcripts e summaries. Em cima disso, rodamos analyses que conectam o conteúdo a perfis, impact hypotheses e next steps. A partir daí, tasks são geradas, risks são identificados e follow-up actions são automaticamente atribuídas às pessoas certas.

O keyboard deixou de ser o instrumento principal.

Não porque as pessoas desaparecem, mas porque documentation, structuring, classification e follow-up estão sendo cada vez mais executados por processos especializados de AI.

O que está acontecendo na change organization é pelo menos tão profundo

O impacto na change organization é pelo menos tão grande, talvez até maior.

Neste momento, estamos transformando ativamente a Quotation Factory em uma empresa AI-first. Isso inclui reorganizar nossa codebase para que ela fique mais gerenciável para AI-driven development.

E aqui também está acontecendo algo fascinante.

Como nossa plataforma é event-driven, capturamos context sempre que algo dá errado. Pense em um erro no processamento de um CAD model ou em uma drawing variant específica que ainda não está devidamente suportada. No momento em que isso acontece, um event é gerado. Esse event contém context: qual customer estava envolvido, qual file estava envolvido, o que exatamente deu errado e em quais condições técnicas isso ocorreu.

Um agent pode então subscribe nesse event.

Esse agent pode criar automaticamente um ticket, analisar o problema, buscar os arquivos relevantes, determinar onde procurar na codebase, primeiro escrever um failing test, depois encontrar uma solução, rodar novamente todos os tests e, por fim, criar um pull request que ainda precisa ser aprovado por um humano.

A partir daí, o deployment flow normal pode assumir.

O que surge aqui é um closed loop em que software issues são resolvidos com mais velocidade, mais consistência e mais escala, enquanto o sistema aprende simultaneamente com novas variantes do mundo real.

Para os nossos customers, isso importa muito. Eles são constantemente confrontados com inputs que nunca podem ser totalmente padronizados ou previstos. A realidade da manufacturing é messy, diverse e sempre em movimento. É exatamente por isso que isso é tão poderoso.

A mudança real não está na tecnologia, mas no comportamento

O que talvez mais me chama a atenção é que a maior mudança não é técnica, mas humana.

Você pode entender racionalmente que AI é poderosa. Pode assistir apresentações, ver vídeos, ler benchmarks e estudar use cases. Mas a ficha só cai de verdade quando você começa a organizar o seu próprio trabalho de outra forma.

É aí que está a disciplina.

Em praticamente tudo o que fazemos agora, precisamos nos perguntar ativamente: ainda estamos fazendo isso do jeito antigo porque parece familiar, ou estamos redesenhando a partir da pergunta de como AI pode apoiar, acelerar ou assumir esse trabalho?

Essa não é uma pequena mudança. É behavioral change.

E, na minha experiência, esse é o verdadeiro limiar para as empresas que dizem estar trabalhando com AI, mas que, na prática, ainda operam majoritariamente segundo o modelo antigo.

Agora a questão financeira: por que token burn importa

E isso me leva ao coração do meu artigo original.

AI custa tokens. No momento em que você passa a usar AI de forma séria dentro da empresa, surge um novo componente variável de custo. Onde antes o trabalho era organizado principalmente com pessoas, licenses e fixed contracts, agora você adiciona um fluxo dinâmico de token consumption.

Isso afeta imediatamente a forma como você olha para cash flow, cost structure e operational steering.

Mas, para mim, isso nem é a parte mais interessante.

O realmente interessante é que token consumption também revela onde intelligence está efetivamente trabalhando dentro da empresa.

Se a maior parte dos seus tokens está sendo consumida na change organization — experiments, innovation, analyses, prototypes, development work — isso diz sobretudo algo sobre a sua atividade de inovação.

Isso é valioso. Pode ser um sinal de que você está ganhando velocidade, aprendendo e construindo.

Mas a pergunta mais interessante é o que acontece na going concern.

Quando token consumption passa a aparecer em planning, support, engineering, customer follow-up, quality assurance e processos operacionais do dia a dia, AI deixa de apenas aumentar sua capacidade de innovation. Ela começa a mudar o seu operational metabolism.

E é exatamente aí que eu vejo surgir o smart factory signal.

Não na pergunta se você usa AI.

Não na quantidade de pilots que você roda.

Não na quantidade de marketing que você organiza em torno de AI.

Mas nesta pergunta: em que lugar do seu negócio intelligence está realmente sendo consumida?

De hype indicator para performance indicator

Eu acredito que token consumption vai se tornar um novo indicator para muitas empresas no futuro próximo. Não como um número isolado, mas como um padrão.

Para onde os tokens estão indo? Para experiments? Para support tasks? Para o núcleo da operação? Para self-improving closed loops? Para processos que contribuem diretamente para customer value, speed, quality e scalability?

Se você aprende a ler bem esse padrão, obtém uma imagem muito mais interessante da maturidade da empresa do que a maioria dos rótulos tradicionais de digitalização consegue oferecer.

Isso não significa que mais token consumption seja sempre melhor. Assim como maior energy consumption não significa automaticamente um processo produtivo melhor.

Mas a distribuição desse consumo, a qualidade da aplicação e a relação com business output tangível vão nos dizer muita coisa.

Para mim, essa é uma forma muito mais séria de pensar sobre a smart factory do que as discussões superficiais de sempre.

Minha convicção

Minha convicção é que estamos apenas no começo.

As empresas que vencerem na era da AI não serão necessariamente as que gritam mais alto que estão "fazendo algo com AI". Serão aquelas que conseguirem embed intelligence mais profundamente em execution.

Sim, isso exige tecnologia.

Mas, ainda mais do que isso, exige openness, discipline, operational design capability e disposição para mudar profundamente o próprio comportamento.

É isso que nós mesmos estamos vivendo agora na Quotation Factory.

E é exatamente por isso que vou continuar escrevendo sobre isso, compartilhando o que estamos aprendendo e tornando isso visível.

Não porque já sabemos tudo.

Mas porque acredito que esta é a conversa que a manufacturing precisa ter agora.