Postgres reduz em até 76 vezes custo de IA em empresas, aponta estudo

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.