Diretores financeiros estão soando o alarme: os custos incontroláveis ​​dos novos agentes de IA

A inteligência artificial generativa está em crise fundamental – não porque a tecnologia esteja falhando, mas porque sua arquitetura comercial está entrando em colapso.

Gigantes da tecnologia como Microsoft, Uber e GitHub já estão tomando medidas drásticas: os orçamentos anuais para ferramentas de IA estão diminuindo em poucos meses devido ao uso de agentes autônomos, enquanto os ganhos de produtividade esperados são frequentemente imensuráveis. O culpado é a mudança generalizada do setor para modelos de cobrança baseados em tokens. Sob o pretexto de "pague pelo que usar", os fornecedores estão transferindo todo o risco financeiro para seus clientes corporativos, cobrando apenas pelo poder computacional em si — independentemente de a IA resolver corretamente uma tarefa ou gerar valor econômico real. Este artigo analisa os riscos ocultos da atual transformação de preços da IA, explica a tensão fatal entre o controle orçamentário e a adoção da IA ​​e demonstra por que a precificação baseada em resultados é a única solução sustentável para o futuro da IA ​​empresarial.

Relacionado a isto:

• UNFRAME.AI: A precificação baseada em tokens está falhando. Modelos baseados em resultados resolvem o problema

Quem paga quando a IA não entrega nada? O acerto de contas de uma indústria que não compreendeu sua própria criação de valor

O modelo de negócios da IA ​​generativa está em crise fundamental. Não porque a tecnologia em si esteja falhando, mas porque a forma como é cobrada subverte a lógica econômica: as empresas arcam com todo o risco financeiro – o fornecedor recebe independentemente do resultado. Em maio de 2026, a Microsoft cancelou as licenças internas do Claude Code para milhares de funcionários em sua divisão de Experiências e Dispositivos. O Uber esgotou todo o seu orçamento de IA para 2026 em quatro meses porque 5.000 engenheiros estavam trabalhando intensamente com o Claude Code, gerando custos mensais de US$ 500 a US$ 2.000 por pessoa. O GitHub, a maior plataforma de desenvolvedores do mundo, pertencente à Microsoft, aboliu o modelo de preços fixos em 1º de junho de 2026 e adotou um sistema de créditos baseado em tokens. Esses três eventos em poucas semanas não são coincidência – são sintomas de uma falha estrutural profundamente enraizada na arquitetura de preços da indústria de IA.

O fim da era dos subsídios: quando o mercado descobre o preço

A primeira fase da IA ​​generativa foi amplamente subsidiada. Fornecedores como Anthropic, OpenAI e Microsoft ofereciam seus serviços a preços significativamente inferiores aos custos reais de infraestrutura, a fim de ganhar participação de mercado, compreender o comportamento do usuário e construir ecossistemas de desenvolvedores. Tarifas fixas para assistentes de codificação, sessões de bate-papo ilimitadas por valores mensais irrisórios e testes corporativos generosos, custeados pelo fornecedor — tudo isso foi possível porque o capital de risco financiou a diferença de preço e porque os custos reais do uso de fluxos de trabalho baseados em agentes ainda eram desconhecidos.

Esta fase chegou ao fim, sem dúvida. O GitHub justificou explicitamente a mudança para a cobrança baseada em tokens, afirmando que o uso baseado em agentes se tornou a norma e que os custos computacionais associados simplesmente não sustentam mais os modelos anteriores de tarifa fixa. A empresa foi direta: uma breve pergunta no chat e uma sessão de programação autônoma de várias horas custavam o mesmo — isso era insustentável. Os desenvolvedores que antes podiam trabalhar com agentes sem limites por US$ 10 a US$ 39 por mês viram seus custos aumentarem de apenas US$ 50 para mais de US$ 3.000 por mês após a mudança. A publicação na comunidade que anunciou a alteração recebeu quase 900 votos contrários.

A Gartner prevê gastos globais com IA de US$ 2,52 trilhões em 2026, um aumento de 44% em relação ao ano anterior. Com gastos globais dessa magnitude, a questão de quem arca com os custos e quem colhe os benefícios deixa de ser uma discussão acadêmica e se torna uma questão fundamental de governança corporativa. Apenas os gastos com infraestrutura de IA devem chegar a US$ 1,37 trilhão em 2026. Ao mesmo tempo, segundo um estudo do MIT de julho de 2025, aproximadamente 95% dos projetos-piloto de IA de ponta em empresas não conseguiram gerar um impacto mensurável nos resultados financeiros. Essa contradição — aumento de gastos e falta de retorno — é o cerne do problema.

Cinco classes de risco que os modelos de precificação de tokens transferem para a empresa

Por trás da frase aparentemente inofensiva "pague pelo que usar" esconde-se uma transferência sistemática de cinco classes de risco diferentes do fornecedor para o cliente corporativo. Qualquer pessoa que compreenda esse mecanismo reconhece por que a cobrança por token não é um método de cobrança neutro, mas sim uma desvantagem estrutural para o comprador.

Risco orçamentário: o fornecedor controla a unidade, não o comprador

Com um modelo de precificação baseado em tokens, a empresa compromete-se com um orçamento anual para uma unidade de custo cujo preço o fornecedor pode alterar a qualquer momento e cujo consumo se comporta de forma não linear com o aumento do uso. Por exemplo, em maio de 2026, a Anthropic anunciou que os assinantes de ferramentas para agentes e integrações de terceiros receberiam cotas mensais separadas, cobradas de acordo com as taxas padrão de API. Trata-se de um ajuste unilateral de preço que desvaloriza imediatamente um orçamento existente. A Uber vivenciou isso em primeira mão: um orçamento calculado para doze meses se esgotou em quatro. A adoção não foi o problema — na verdade, foi um sinal de sucesso. O problema era que a unidade de "token" escala exponencialmente assim que os fluxos de trabalho baseados em agentes são implementados, enquanto o orçamento foi planejado linearmente.

Risco de adoção: o uso e a criação de valor estão dissociados

Um sistema baseado em tokens cobra pelo poder computacional, não pelos resultados. Um modelo que usa 100.000 tokens e fornece uma resposta incorreta custa exatamente o mesmo que um modelo que usa 100.000 tokens e fornece uma resposta correta. Essa dissociação entre custos e benefícios é o problema econômico fundamental. Significa que uma empresa pode construir um fluxo de trabalho em torno de um sistema baseado em tokens, operar esse fluxo de trabalho e pagar por ele — sem jamais observar qualquer valor agregado mensurável. O fato de 42% das empresas terem abandonado a maioria de suas iniciativas de IA em 2025, um aumento drástico em relação aos 17% do ano anterior, é, sob essa perspectiva, menos um problema tecnológico do que um problema de precificação. A arquitetura de incentivos falha leva a investimentos equivocados que só se tornam aparentes após meses de operação.

Risco de previsão: Variabilidade incontrolável no planejamento de custos

Para os diretores financeiros (CFOs), a cobrança por tokens é uma categoria de despesa que se comporta como erros de hedge cambial: é fundamentalmente impossível de modelar, pois muitas variáveis ​​externas influenciam a cobrança. Cada novo caso de uso, cada novo usuário interno, cada mudança no comportamento do modelo, cada aumento no tamanho da janela de contexto — tudo isso impulsiona a fatura em uma direção imprevisível. Soma-se a isso a chamada proliferação de agentes: quando as empresas implementam fluxos de trabalho baseados em agentes em diferentes departamentos, a imprevisibilidade se multiplica. Cada novo agente adiciona uma nova entrada ao livro-razão de tokens, sem qualquer garantia de retorno. Com o Claude Opus 4.7, a Anthropic introduziu uma atualização de versão que, devido às cadeias de raciocínio estendidas, consome cerca de 30% mais tokens do que sua antecessora — um aumento de custo de 30% da noite para o dia, sem uma única nova transação ou pedido de cliente para justificá-lo.

Risco de governança: a proteção de dados e a conformidade são proporcionais ao consumo

Em setores regulamentados — como serviços financeiros, saúde e seguros — cada chamada de token possui uma dimensão de governança: os dados corporativos são roteados por meio de infraestrutura de inferência de terceiros a cada chamada de API. Isso significa que, quanto mais tokens são consumidos, mais dados saem do perímetro de segurança interno. Em um ambiente regulamentado por GDPR, SOC 2, HIPAA e pela Lei de IA da UE, isso gera custos de conformidade, exposição a auditorias e riscos de responsabilidade que aumentam com a intensidade de uso. A cobrança por token e a soberania dos dados, portanto, estão em tensão estrutural: aqueles que usam mais IA assumem automaticamente mais riscos regulatórios — um problema de incentivo que dificulta o uso seguro e escalável da IA.

Risco de resultado: O silêncio dos fornecedores de IA em relação ao impacto

O risco menos discutido é o mais consequente. Os modelos de precificação de tokens medem o consumo, não a criação de valor. O provedor recebe o pagamento independentemente de o programa de IA da empresa ter um impacto mensurável nos lucros e perdas ou de se juntar à longa lista de projetos-piloto corporativos de IA de ponta que não conseguiram gerar um retorno mensurável. Um estudo do MIT estima esse número em 95%. Em outras palavras, na grande maioria dos casos, a empresa paga sem receber nenhum valor econômico verificável – e o provedor não tem nenhum incentivo relacionado ao seu modelo de negócios para mudar isso.

A lógica de precificação do setor: um mercado que desconhecia seu próprio valor

A causa principal da atual crise de preços reside nas origens do mercado de IA de geração de dados. A indústria comercializou seus produtos antes de compreender seu verdadeiro custo de uso em ambientes empresariais produtivos. Tarifas fixas e modelos de precificação baseados em tokens foram concebidos como estratégias de entrada no mercado, não como estruturas comerciais sustentáveis. O próprio GitHub admitiu que os modelos de tarifa fixa existentes absorviam os custos reais de inferência e que esse mecanismo não é sustentável para os provedores a longo prazo.

Isso criou uma situação paradoxal: quanto mais bem-sucedida a adoção, maior o risco de prejuízo para o fornecedor e maior o risco orçamentário para a empresa. O Uber é o exemplo mais vívido: a adoção do Claude Code aumentou de 32% para 84% entre os desenvolvedores, 70% do código entregue foi gerado por IA e os ganhos de produtividade foram reais e mensuráveis. Mesmo assim, o CTO do Uber, Praveen Neppalli Naga, descreveu a situação da seguinte forma: "Estou de volta à prancheta porque o orçamento que eu achava necessário já foi gasto." A tecnologia funcionou. O modelo de preços, não.

Isso também explica por que a Microsoft decidiu cancelar as licenças do Claude Code para sua divisão de Experiências e Dispositivos e migrar os desenvolvedores para a CLI do GitHub Copilot. A justificativa oficial é a "unificação da cadeia de ferramentas" — internamente, foi uma decisão financeira. Milhares de engenheiros que desenvolvem Windows, Microsoft 365, Teams, Outlook e Surface vinham utilizando o Claude Code intensivamente desde seu lançamento piloto em dezembro de 2025, e os custos simbólicos esgotaram o orçamento anual bem antes do final do ano. A Microsoft, empresa que investiu US$ 13 bilhões na OpenAI e opera a nuvem na qual a maioria dos laboratórios de IA front-end são executados, analisou os números e decidiu com base no custo, não no valor percebido.

Modelos de precificação orientados a resultados: uma arquitetura comercial diferente, sem descontos

O termo "precificação baseada em resultados" é frequentemente mal compreendido no mercado. Não se trata de preços mais baixos para tokens, pacotes com desconto ou pagamento diferido. Trata-se de uma arquitetura comercial fundamentalmente diferente: o provedor é pago por tarefa concluída – somente se um resultado de negócio definido for verificado em um fluxo de trabalho definido. Não pelo esforço computacional incorrido ao longo do processo.

Durante décadas, o software empresarial operou com base no princípio de sistema e SLA: o fornecedor é responsável pela rentabilidade por unidade e garante que a solução entregue os resultados prometidos. Sistemas ERP, plataformas CRM, softwares de contabilidade – nenhuma dessas categorias jamais teve sua cobrança baseada em acessos a bancos de dados, chamadas de API ou ciclos de computação. A cobrança é feita com base em usuários, módulos ou resultados de desempenho. A precificação da IA ​​deve seguir o mesmo padrão.

No entanto, o modelo de precificação baseado em resultados só é economicamente viável se o provedor puder absorver a variância por conta própria – ou seja, se tiver construído uma plataforma eficiente que lhe permita internalizar o risco. A maioria dos provedores não consegue fazer isso. Seus custos de produção são o mesmo valor simbólico que a empresa carrega – e eles simplesmente repassam esse valor. A precificação baseada em resultados exige que o provedor vincule sua própria receita ao resultado. Isso representa um perfil de risco substancialmente diferente – e explica por que esse modelo de precificação ainda é raro no mercado.

Plataforma de IA gerenciada - Imagem: Xpert.Digital

Aqui você aprenderá como sua empresa pode implementar soluções de IA personalizadas de forma rápida, segura e sem grandes barreiras de entrada.

Uma plataforma de IA gerenciada é a sua solução completa e descomplicada para inteligência artificial. Em vez de lidar com tecnologia complexa, infraestrutura cara e processos de desenvolvimento demorados, você recebe uma solução pronta, personalizada para suas necessidades, de um parceiro especializado – geralmente em poucos dias.

Principais vantagens em resumo:

⚡ Implementação rápida: Da ideia à aplicação pronta para uso em dias, não em meses. Oferecemos soluções práticas que geram valor agregado imediato.

🔒 Máxima segurança de dados: Seus dados sensíveis permanecem com você. Garantimos o processamento seguro e em conformidade com as normas, sem compartilhar dados com terceiros.

💸 Sem risco financeiro: você só paga pelos resultados. Os altos investimentos iniciais em hardware, software ou pessoal são completamente eliminados.

🎯 Concentre-se no seu negócio principal: Foque no que você faz de melhor. Nós cuidamos de toda a implementação técnica, operação e manutenção da sua solução de IA.

📈 Preparada para o futuro e escalável: Sua IA cresce com você. Garantimos otimização e escalabilidade contínuas, adaptando os modelos de forma flexível a novas necessidades.

Mais informações aqui:

• Plataforma de IA gerenciada

Modelo prático: Como funciona a entrega de IA orientada a resultados

As plataformas que implementam consistentemente o princípio baseado em resultados seguem uma lógica de engajamento diferente. Em vez de alugar infraestrutura e simplesmente cobrar pelo uso, elas primeiro identificam o fluxo de trabalho que gera maior valor para o caso de uso da empresa — ou seja, o processo que pode entregar impacto mensurável mais rapidamente. Uma solução pronta para produção é então implantada na infraestrutura da empresa: na nuvem corporativa, localmente, em uma nuvem privada ou como uma oferta SaaS totalmente gerenciada, sem que os dados saiam do perímetro da empresa. O pagamento só começa quando o resultado está disponível e o cliente está satisfeito.

Este modelo tem implicações de longo alcance para a partilha de riscos. Obriga o fornecedor a concentrar os seus recursos em casos de utilização que realmente criem valor, em vez daqueles que consomem muitos tokens. Cria um alinhamento direto de interesses entre fornecedor e cliente: ambos lucram quando a IA funciona de facto; nenhum lucra à custa do outro quando não funciona. Para setores regulamentados, a premissa de que os dados não saem do perímetro da empresa também proporciona uma arquitetura de conformidade compatível com o RGPD, SOC 2, HIPAA e a Lei de IA da UE.

Uma das principais vantagens de plataformas bem implementadas e orientadas a resultados é sua estrutura de conhecimento cumulativo: cada fluxo de trabalho concluído com sucesso se baseia em uma base de conhecimento interna compartilhada, que se torna mais valiosa a cada tarefa subsequente. Isso contrasta diretamente com implantações baseadas em tokens que, embora acumulem custos, não consolidam o conhecimento institucional dentro da empresa.

A perspectiva do diretor financeiro: a cobrança por token como um problema orçamentário específico

Para os profissionais de finanças, a cobrança por token representa um tipo de despesa operacional categoricamente novo, para o qual não existem estruturas de governança estabelecidas. Os custos em nuvem — computação, armazenamento, rede — foram profissionalizados nos últimos quinze anos. A FinOps, como disciplina, gerou métodos, ferramentas e unidades organizacionais que tornam os gastos com nuvem previsíveis e controláveis. Um equivalente completo para os custos de tempo de execução de agentes de IA ainda não existe.

O consumo de tokens não escala com o número de usuários, mas sim com a ambição das solicitações, a duração das janelas de contexto, o número de agentes em execução simultânea e a complexidade das cadeias de raciocínio. Isso significa que uma empresa que esteja migrando 100 engenheiros de um sistema de autocompletar simples para fluxos de trabalho baseados em agentes pode multiplicar seu esforço mensal em IA por um fator de cinco a vinte — sem adicionar um único novo usuário. As suposições de planejamento padrão baseadas no número de usuários ou no volume de sessões são estruturalmente falhas nesse contexto.

Isso tem consequências concretas para o planejamento orçamentário. A estrutura de gastos exige mecanismos de controle semelhantes aos de energia: medição em tempo real, alertas de limite, cotas por equipe e limites rígidos no nível do agente. Empresas que não implementarem esses mecanismos antes do início da adoção enfrentarão as consequências quando o orçamento já estiver esgotado — como aconteceu com o Uber. A empresa não tinha limites por equipe, nenhum rastreamento centralizado e nenhuma visibilidade em tempo real do consumo até que o diretor de tecnologia (CTO) relatou prematuramente que o orçamento anual estava esgotado.

Dinâmica do mercado: quem detém o poder nesta transformação de preços?

A atual transformação de preços não é simétrica. Grandes empresas de hiperescala, como Microsoft, Google e Amazon, possuem uma vantagem estrutural que as diferencia de provedores menores: elas controlam canais de distribuição, contratos corporativos, infraestrutura em nuvem e ferramentas para desenvolvedores. A Microsoft não desativou o Claude Code porque o Copilot é melhor — pesquisas internas mostraram que os desenvolvedores preferiam o Claude Code. A empresa o desativou porque controla a distribuição e não pode controlar ou usar estrategicamente os custos dos tokens para um produto concorrente.

Essa dinâmica é significativa para interpretar a transformação de preços como um todo. Para os hiperescaladores, a mudança de tarifas fixas para a cobrança por token não é uma reforma de preços, mas sim uma otimização de receita. Aqueles que controlam a infraestrutura na qual os modelos são executados, que operam os sistemas de cobrança e que detêm os contratos corporativos se beneficiam estruturalmente da cobrança baseada no consumo. O modelo oposto — precificação orientada a resultados — coloca em risco essas posições de receita, pois força o provedor a arcar com o risco em vez de repassá-lo.

Para empresas de médio porte e grandes corporações que não fazem parte dos hiperescaladores, isso representa um problema significativo de poder na próxima renovação de contrato. De acordo com uma análise do JP Morgan, a sobrecarga na infraestrutura de IA pode gerar atritos econômicos antes que os retornos prometidos sejam alcançados. Aqueles que não negociarem ativamente a distribuição de riscos no próximo contrato de IA aceitarão uma posição padrão que lhes é estruturalmente desfavorável.

A mensagem da economia de investimentos: se a eficiência não for um objetivo, ela se torna um problema

Existe um contra-argumento à crítica de custo da cobrança baseada em tokens que deve ser levado a sério. No Uber, a IA gerou 70% do código implementado e 11% de todas as atualizações de backend em produção. Um engenheiro em São Francisco custa a uma empresa significativamente mais por ano do que US$ 2.000 por mês em custos de tokens. Se a programação com IA aumentar a produtividade em uma porcentagem de um dígito do recurso mais caro da empresa, o retorno sobre o investimento poderá superar os custos.

O argumento não está errado — está incompleto. Primeiro, só é válido se os ganhos de produtividade forem de fato quantificáveis ​​e causalmente atribuíveis ao conjunto de ferramentas, o que raramente é medido sistematicamente na maioria das empresas. Segundo, pressupõe que o tempo de engenharia economizado se traduza em redução de custos efetiva ou em receita adicional diretamente atribuível — e não, como em muitas organizações, simplesmente leve a mais trabalho, que por sua vez consome mais recursos do sistema de IA. Terceiro, a comparabilidade só é válida se o resultado do trabalho da IA ​​for validado: código gerado, mas não utilizado produtivamente, não equivale ao valor do trabalho de um engenheiro sênior.

O argumento fundamental para a precificação orientada a resultados permanece, portanto, válido: se o retorno for real, o fornecedor pode comprová-lo contratualmente e vincular sua receita a ele. Se não puder ou não quiser fazê-lo, existem razões estruturais para isso, que prejudicam o comprador.

Consequências estratégicas para a gestão corporativa

Os eventos do primeiro semestre de 2026 fornecerão à administração da empresa conclusões operacionais claras.

Em primeiro lugar, o controle de gastos orientado por IA exige uma disciplina FinOps dedicada, que deve ser estruturada de forma semelhante ao FinOps em nuvem, mas requer metodologias próprias. O consumo de tokens não é linear, é específico para cada agente e depende da versão do modelo. Painéis de controle são insuficientes; o que se precisa são limites de orçamento em tempo real nos níveis de equipe e agente, mecanismos automáticos de encerramento ao ultrapassar os limites e registros de auditoria no nível de execução individual.

Em segundo lugar, projetos-piloto que utilizam cobrança por token não fornecem previsões confiáveis ​​para os custos de produção. Um projeto-piloto com custo de € 1.000 por mês pode escalar até 100 vezes o seu uso original em um ambiente de produção, excedendo assim os recursos orçados. O planejamento de gastos com IA deve ser baseado em premissas de produção, e não no uso em projetos-piloto.

Em terceiro lugar, toda renovação de contrato com fornecedores de IA possui uma dimensão de negociação estratégica que atualmente é subutilizada. A pergunta que toda empresa deve fazer ao seu fornecedor de IA na próxima reunião é simples e precisa: Quanto pagarei se não funcionar? Um fornecedor que se recusa a compartilhar o risco de insucesso apresenta um conflito de interesses com o comprador que não pode ser ignorado em um processo de aquisição sério.

Em quarto lugar, a soberania dos dados é uma variável distinta de custo e risco, não apenas uma questão de conformidade. Empresas em setores regulamentados que utilizam serviços baseados em tokens na nuvem pública acumulam esforços de conformidade, exposição a auditorias e potenciais riscos de responsabilidade a cada unidade de uso. A IA soberana — ou seja, a infraestrutura de IA operada dentro do perímetro da própria empresa — terá alcançado a paridade tecnológica com os modelos front-end da nuvem até 2026: De acordo com o Índice de IA HAI 2026 de Stanford, a diferença de desempenho entre os melhores modelos abertos ponderados e os sistemas proprietários mais avançados terá diminuído para uma média de três meses.

Perspectivas: O que a transformação de preços significa para 2027

O mercado está em constante mudança. A transição de tarifas fixas para cobrança por token é uma vitória de curto prazo para os provedores – as receitas aumentam com o uso. No médio prazo, porém, essa mudança catalisa três desenvolvimentos paralelos que alterarão fundamentalmente a estrutura de preços.

Em primeiro lugar, a pressão competitiva aumentará devido aos modelos de código aberto. Se os custos de tokens proprietários para implantações de agentes em toda a empresa atingirem seis dígitos por ano, e os modelos de código aberto oferecerem desempenho comparável em hardware local, o cálculo do custo total de propriedade se inclinará a favor da infraestrutura local – especialmente para empresas europeias que priorizam a conformidade com o GDPR e a soberania dos dados.

Em segundo lugar, os modelos de precificação orientados a resultados ganharão espaço no mercado porque oferecem aos clientes corporativos um poder de negociação que a cobrança por token, por definição, não proporciona. Embora apenas alguns fornecedores atualmente possuam a eficiência de plataforma necessária para oferecer esse modelo de forma lucrativa, a concorrência impulsionará a imitação.

Em terceiro lugar, a governança da IA ​​— incluindo a mensuração do ROI da IA, o rastreamento das contribuições para a criação de valor e a definição contratual de métricas de sucesso — se tornará uma área de negócios distinta, comparável à proteção de dados ou à segurança cibernética. A Gartner prevê que os gastos globais com IA atingirão US$ 3,34 trilhões até 2027. Nessa escala, os executivos corporativos não aceitarão mais a IA como uma categoria orçamentária sem métricas de sucesso verificáveis.

A questão crucial não é se a cobrança baseada em tokens será substituída por modelos orientados a resultados – a lógica econômica sugere que isso acontecerá. A questão é se as empresas moldarão ativamente essa transição ou permitirão que ela lhes seja imposta passivamente por contas cada vez mais caras. Aqueles que adaptarem a arquitetura de contratos de seus investimentos em IA agora estão puxando a corda certa.

Konrad Wolfenstein

Terei o maior prazer em atuar como seu consultor pessoal.

Você pode entrar em contato comigo pelo endereço wolfenstein∂xpert.digital ou

Basta me ligar no número +49 7348 4088 965 .

LinkedIn