Um estudo independente conduzido pela McKnight Consulting Group (MCG) mostra que a escolha do banco de dados para aplicações de inteligência artificial pode multiplicar os custos operacionais em até cinco vezes. A causa não está no preço do banco em si, mas na ineficiência com que ele entrega contexto aos grandes modelos de linguagem (LLM).
O impacto é direto no orçamento de TI de empresas de qualquer porte. Quanto mais tokens um banco de dados desperdiça ao alimentar um agente de IA, maior a fatura cobrada pelo provedor de LLM, e maior a infraestrutura necessária para compensar a lentidão.
Metodologia e escopo do benchmark
O estudo comparou seis plataformas em hardware equivalente, com 64 a 72 núcleos virtuais de processamento (vCPU) e 512 GB de memória RAM; Amazon Aurora PostgreSQL, Crunchy Bridge, Databricks, MongoDB Atlas, PostgreSQL de código aberto e EDB Postgres AI. Os testes simularam uma aplicação clínica com 10 milhões e 50 milhões de registros, replicando o tipo de operação que hospitais, bancos, seguradoras e varejistas enfrentam ao implementar IA.
Para compreender os resultados, dois conceitos são centrais. A busca vetorial é a tecnologia que localiza informações por significado, não por palavras exatas. Um sistema assim encontra documentos sobre “controle glicêmico” ou “resistência à insulina” mesmo que a palavra “diabetes” não apareça no texto, porque cada documento é convertido em um vetor numérico que representa seu conteúdo. O sistema de geração aumentada por recuperação (RAG) usa essa busca para tornar os LLMs úteis a dados corporativos privados; o banco recupera documentos relevantes, os injeta no prompt junto com a pergunta e o modelo gera a resposta com base em informações reais.
Desperdício de tokens e diferença de custos
Em questões híbridas, o formato mais frequente em aplicações empresariais, o Databricks desperdiçou 41,8% dos tokens enviados ao LLM. O MongoDB Atlas registrou 27%. O EDB Postgres AI chegou a apenas 17%. Em busca semântica pura, a disparidade cresce; 24,3% de desperdício no Databricks contra 8,0% no EDB Postgres AI, uma vantagem de três vezes.
“O que descobrimos no benchmark da McKnight Consulting Group é que a ineficiência de tokens não é um detalhe técnico, é um problema de caixa. Uma empresa que roda milhares de loops de agentes por dia em Databricks pode estar queimando até 42% dos tokens em contexto que não contribui para a resposta. No EDB Postgres AI, esse desperdício cai para 17%. Em volume, isso se traduz em centenas de milhares de reais por mês em API de LLM que simplesmente não precisariam ser gastos”, diz Ronaldo Oliveira, diretor de vendas e parcerias para a América Latina da EDB Postgres AI.
Leia também: IA avança mais rápido entre líderes do que nas empresas, aponta pesquisa da Talenses
A diferença de latência reforça o problema. Em testes com 50 milhões de vetores, o EDB Postgres AI entregou latência mediana de 50 milissegundos. O MongoDB Atlas registrou 1.083 ms, 21 vezes mais lento. O Databricks chegou a 4.023 ms, o que, segundo o estudo, torna a plataforma impraticável para aplicações interativas.
Custo efetivo por hora
Quando o preço de tabela de cada plataforma é ajustado pela performance real entregue, a diferença se torna ainda mais expressiva. O MongoDB Atlas, com preço de tabela de US$ 26,66 por hora, chega a um custo efetivo de US$ 577 por hora para entregar performance equivalente à do EDB Postgres AI, 34 vezes mais caro. O Databricks atinge US$ 1.287 por hora, um múltiplo de 76 vezes. Mesmo entre concorrentes mais próximos, o Amazon Aurora é 28% mais caro e o Crunchy Bridge, 23%, em custo ajustado por performance.
“O executivo brasileiro de TI precisa fazer uma pergunta simples ao provedor de IA; ‘Quantos tokens você está desperdiçando por loop de agente?'”, afirma Oliveira. “O mercado criou uma narrativa de que a IA é cara por natureza. Não é. IA é cara quando a camada de dados é ineficiente. O Postgres, configurado corretamente, entrega a precisão e a velocidade que reduzem o custo total de propriedade de IA, sem a complexidade de manter bancos de dados vetoriais separados ou plataformas de lakehouse que adicionam latência e desperdício.”
Setores afetados no Brasil
O estudo tem aplicação direta em bancos e fintechs, que usam agentes de IA para atendimento, análise de crédito e prevenção a fraude; em saúde, com RAG clínico para prontuários, exames e protocolos; em varejo e comércio eletrônico, com busca semântica de produtos; em seguros, para análise de sinistros e consulta de apólices; em governo, com portais de atendimento e busca em bases legais; e em telecomunicações, com assistentes técnicos e análise de chamadas em alto volume.
O benchmark também aponta uma conclusão arquitetural; empresas não precisam de um banco de dados vetorial separado para IA. As variantes PostgreSQL superaram o MongoDB Atlas e o Databricks em latência, acurácia e eficiência de tokens. Entre os provedores PostgreSQL, o EDB Postgres AI liderou em todos os testes, com configurações otimizadas de memória, autovacuum e WAL (registro antecipado de escrita) que mantêm mais dados relevantes em memória sob carga concorrente. A plataforma entregou o dobro do rendimento de escrita e atualização de dados 2,2 vezes mais rápida que o PostgreSQL de código aberto em instâncias idênticas.
O mercado brasileiro de bancos de dados vetoriais cresce 21,4% ao ano, segundo o estudo. O mercado global de RAG deve saltar de US$ 2 bilhões em 2026 para US$ 11 bilhões em 2030. A pesquisa completa, intitulada Agentic Data Management at Scale; Benchmarking Vector and Hybrid Search Across Postgres and Specialized Databases, está disponível mediante solicitação à MCG.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!