Em 1865, Jevons percebeu uma tendência fascinante: motores a vapor altamente eficientes acabavam consumindo mais carvão, em vez de economizá-lo. Hoje, estamos testemunhando exatamente esse mesmo padrão com a inteligência artificial: cada avanço em eficiência resulta num maior uso geral, em vez de reduzi-lo. Por exemplo, quando os preços dos tokens caíram, os orçamentos de inferência não diminuíram de fato. Os custos mais baixos simplesmente incentivaram as equipes de desenvolvimento a assumir projetos mais ambiciosos. Elas começaram a usar contextos significativamente mais longos e a fazer mais tentativas. Hoje, é comum vermos agentes automatizados consultando um modelo trinta vezes para realizar algo que uma pessoa teria perguntado apenas uma vez. Em última análise, se você está planejando os requisitos de capacidade partindo do princípio de que uma eficiência maior levará a uma queda na demanda, está entendendo essa relação fundamental exatamente ao contrário.