O I/O 2026 matou $60 da minha conta de enriquecimento de $180. Não $180.

O resumo do I/O 2026 do Google vendeu WebMCP, IA embutida e Skills no Chrome como a tríade que substituiria seus fornecedores de enriquecimento. Eu conectei os três em um motor de saída ao vivo fazendo 800 consultas de prospecção por semana durante duas semanas. Apenas um deles ganhou uma vaga permanente, e a matemática das economias está longe do que a palestra principal implicou.

A configuração: 800 consultas/semana, $180/mês, dois fornecedores

O motor de saída que executamos para clientes de geração de leads realiza aproximadamente 800 consultas de prospecção por semana em três tipos de dados: firmográficos da empresa, enriquecimento de contatos e detecção de stack tecnológico. Essa camada custa $180/mês divididos entre dois fornecedores — um para firmográficos + contato, um especializado em stack tecnológico. Não é catastrófico, mas é o tipo de item recorrente que você elimina por princípio quando um fornecedor de navegador lhe diz que seus novos recursos o substituem gratuitamente.

O fluxo de trabalho roda em um servidor doméstico, WSL Ubuntu, nove trabalhadores Chrome paralelos impulsionados pelo Playwright. Cada trabalhador pega uma fila de domínios e produz um registro JSON normalizado. O custo por consulta antes do teste era de cerca de $0.056 misturado entre os dois fornecedores. O plano era simples: trocar cada chamada de fornecedor pelo recurso correspondente do I/O 2026, medir qualidade e custo, manter o que sobreviver a dois ciclos de cobrança completos.

Aqui está como o gráfico de chamadas pré-teste realmente parecia por lead:

domain_in
  → firmographics_api        ($0.03)
  → contact_enrichment_api   ($0.02)
  → tech_stack_api           ($0.006)
  → normalize + dedupe
  → CRM

Três itens de linha. Três substituições teóricas do Google. Vamos analisá-los um a um.

Teste 1: WebMCP não substituiu nada da conta

WebMCP é o mais conceitualmente limpo dos três. Os sites dos fornecedores expõem endpoints MCP estruturados, seu agente os acessa diretamente, sem scraping, sem seletores CSS que quebram quando alguém redesenha a página de preços. Quando funciona, é a melhor superfície de enriquecimento possível: respostas em sub-segundos, JSON tipado, zero imposto de análise.

O problema é a cobertura. Dos domínios que passam pela nossa fila de prospecção em uma semana normal, aproximadamente 12% possuem uma superfície MCP funcional hoje. Quase toda essa porcentagem é de empresas de ferramentas de desenvolvimento, um punhado de fornecedores SaaS focados em API e algumas consultorias que lançaram um endpoint MCP na semana seguinte à palestra principal como um movimento de marketing. Os 88% restantes — fabricantes de médio porte, agências, empresas de serviços profissionais, distribuidores regionais, o ICP real para a maioria das saídas B2B — não têm nada para se comunicar.

O que o log de cobertura realmente mostrou

• 800 domínios consultados na semana 1
• 94 responderam a uma sondagem MCP (11,75%)
• 71 retornaram um registro estruturado utilizável (8,9%)
• 0 dólares economizados, porque ainda tivemos que acessar a API paga para os outros 91%

WebMCP assume uma web que ainda não existe. Em 18 a 24 meses, pode ser o padrão para SaaS empresarial, e nesse ponto a categoria de fornecedores de enriquecimento será genuinamente perturbada. Hoje, se você está prospectando em qualquer coisa que não seja uma ferramenta de desenvolvimento da Série B, não substitui nenhum dólar da sua conta. Eu configurei um lembrete no calendário para o Q3 para reexecutar a sondagem de cobertura e segui em frente.

Teste 2: IA embutida atingiu o limite de cota no terceiro dia

A IA embutida é o Gemini Nano rodando no dispositivo dentro do Chrome. A proposta é real: sem item de linha de API, sem latência de rede, sem cobrança por token. Eu a conectei ao pipeline como a etapa de sumarização — scrape a página de destino e a página sobre, entregue o texto bruto ao Nano, receba de volta um perfil de empresa estruturado com setor, heurística de tamanho, posicionamento e sinais de compra.

No primeiro dia, foi genuinamente impressionante. A latência ficou entre 400 a 600ms por chamada. A qualidade em relação ao meu conjunto de verdade de campo rotulado por humanos (200 registros que eu classifiquei manualmente) saiu em 78% de precisão em nível de campo — bom o suficiente para a pontuação de topo de funil que usamos. Se esses números se mantivessem em 800 consultas por semana, eu teria eliminado imediatamente o fornecedor de enriquecimento de contatos e economizado $60/mês ali mesmo.

Mas não se mantiveram. No terceiro dia, os trabalhadores começaram a relatar latências de 3 a 5 segundos e, em seguida, falhas totais. A API da IA embutida limita por origem por dia, e o teto ficou em algum lugar em torno de 200 chamadas bem-sucedidas por trabalhador por dia em nossas medições. O comportamento de limitação não está documentado em nenhuma das coberturas de resumo que vi, e os próprios documentos do Google são vagos sobre o número exato. O que está claro é que não é dimensionado para cargas de trabalho de trabalhadores paralelos.

A matemática que a matou

• 9 trabalhadores paralelos × 200 chamadas diárias = teto de 1.800 chamadas/dia
• 800 consultas/semana ÷ 5 dias úteis = 160 consultas/dia de base
• Mas tentativas, enriquecimento de várias páginas (página de destino + sobre + preços) e reexecuções empurram chamadas reais para ~4x a contagem de consultas
• Demanda efetiva: ~640 chamadas/dia → bom no papel, mas a limitação se aplica por origem e os trabalhadores compartilham origens durante execuções em lote, então o teto efetivo colapsa

Mantivemos a IA embutida para um sub-conjunto de pesquisa de baixo volume — mergulhos profundos em ~40 contas empresariais por mês onde a latência não importa. Isso economizou cerca de $15/mês em relação ao fornecedor de enriquecimento de contatos. Real, mas não a vitória que a palestra principal implicou.

Aqui está o logger de 30 linhas que pegou o limite no terceiro dia em vez do trigésimo:

import time, json, pathlib
from datetime import datetime

LOG = pathlib.Path("browser_feature_log.jsonl")

def log_call(feature, domain, worker_id, fn):
    start = time.perf_counter()
    quota_hit = False
    error = None
    result = None
    try:
        result = fn()
    except Exception as e:
        msg = str(e).lower()
        if "quota" in msg or "throttle" in msg or "429" in msg :