Custo de IA nas empresas: 3 perguntas para escolher o modelo certo em cada tarefa

Atualizado em outubro/2026.

O que você vai aprender aqui

• O custo de IA chega por duas contas, a assinatura das ferramentas que as áreas usam e o consumo de modelo dentro do software da empresa, e em cada uma o que o fornecedor cobra é só metade: a outra é corrigir quando o resultado sai errado.
• A lacuna de mensurabilidade: verificar o que a IA produziu ficou mais caro que produzir, e é a agenda de quem revisa que limita o quanto de IA a empresa usa.
• O preço por token sobe e desce ao mesmo tempo, puxado por forças opostas, e um orçamento montado sobre o preço de hoje envelhece em poucos meses.
• Um processo de três perguntas para decidir qual modelo usar em cada tarefa, levando a tarefa simples para o modelo mais barato antes de o limite de gasto chegar.
• O padrão de controle de gasto que segura a conta sem cortar o acesso do time, em quatro degraus de fricção, e as três primeiras ações que dão para rodar sem comprar nada.

Este artigo complementa o e-book gratuito O Mapa do Explorador, que mapeia mais de 200 tendências de tecnologia em 17 setores para quem decide sem estar no time técnico. Baixe no link e use como referência nas decisões de investimento em tecnologia da sua empresa.

---

O custo de IA chega ao financeiro em forma de fatura, e ninguém na sala consegue dizer, olhando o número, se aquilo é o preço normal de uma empresa que escalou o uso ou dinheiro saindo pelo ralo.

Nos encontros de liderança de que tenho participado, a conversa sobre custo de IA ainda está um passo atrás: como medir esse custo, antes de quanto ele deveria ser.

O gasto de IA chega por duas contas, a assinatura das ferramentas que as pessoas usam e o consumo de modelo dentro do software que a empresa desenvolve. Misturar as duas é o que mais atrapalha a conversa sobre custo.

A conversa costuma começar por “quanto custa”, e essa pergunta sozinha não leva a lugar nenhum. O número que resolve a dúvida é quanto a empresa gasta até cada tarefa sair certa, e se existe caminho mais barato para chegar no mesmo resultado. Quase toda empresa responde isso olhando o preço por token, e é aí que o número começa a mentir.

Por que o preço por token mede só metade do custo de IA

Preço por token, o valor cobrado por pedaço de texto que entra e sai do modelo, é fácil de comparar, e foi por isso que virou padrão: está na página de preços de qualquer fornecedor, lado a lado, pronto para colar numa planilha.

A metade que falta aparece quando a IA erra. Tarefa que sai errada não é de graça: alguém revisa, encontra o problema, refaz o pedido ou corrige à mão. Esse tempo custa dinheiro, mesmo quando ninguém soma ele à fatura do fornecedor.

O que a PitchBook mediu quando somou o erro à conta

Um levantamento da PitchBook, publicado em julho de 2026, calculou o que chamou de custo até a tarefa sair certa: o preço da tentativa somado ao custo de cada falha corrigida por um humano, dividido pela taxa de acerto do modelo.

Rodando a mesma bateria de tarefas nos dois, o modelo mais caro por token saiu a US$ 2,56 por tarefa concluída, com 90% de acerto. O concorrente com preço nominal bem mais baixo saiu a US$ 5,83, porque acertava 75% das vezes e cada erro carregava um custo de correção embutido.

O modelo mais caro da comparação foi o mais barato no fim do mês.

Sarah Friar, CFO da OpenAI, propôs em julho de 2026, num artigo publicado pela própria OpenAI, trocar o preço por token por uma métrica que ela chamou de inteligência útil por dólar: quanto custa cada tarefa bem-sucedida, já com a revisão humana dentro.

Métrica proposta por quem vende o produto carrega viés óbvio. Minha leitura é que o princípio se sustenta assim mesmo, porque a PitchBook chegou no mesmo lugar por conta própria, sem citar a proposta da OpenAI: o custo que importa é o custo por resultado, e não o custo por insumo.

Por que verificar ficou mais caro que produzir

O preço por token engana por uma razão que está abaixo da conta. Um estudo preliminar, ainda sem revisão por pares, de Christian Catalini (MIT), Xiang Hui (Universidade Washington em St. Louis) e Jane Wu (UCLA) nomeou essa razão de lacuna de mensurabilidade. A IA torna barato produzir trabalho e não torna barato julgar se aquele trabalho é bom, na formulação dos próprios autores.

O custo de verificar continua preso ao tempo e à experiência de quem revisa, enquanto o de produzir despencou. Para mim, isso desloca o teto da adoção de IA numa empresa para a agenda de quem precisa conferir o que o modelo entregou.

Um levantamento do IBM Institute for Business Value com a Oxford Economics mede esse teto pelo lado do retorno da IA: 37% das iniciativas entregaram o valor de negócio esperado até o fim de 2025. Chris Wright, CTO da Red Hat, resume o achado na abertura do relatório: “a IA não elimina gargalo, ela expõe gargalo”.

Quando as iniciativas não entregam, minha aposta é que o modelo raramente foi o problema, e o que travou veio depois dele responder.

O levantamento também mostra onde o retorno se concentra: elevar em 1% a receita dos processos que tocam o cliente rende cerca de sete vezes mais do que cortar 1% do custo administrativo. É justamente aí que a verificação pesa mais, porque errar diante do cliente custa caro. O lado administrativo recebe a maior parte do investimento por um motivo legítimo, o risco é menor e a aprovação é mais rápida, e o efeito colateral é que o retorno maior fica esperando.

Para a decisão de custo de IA, isso tem consequência direta: o custo de verificar entra na escolha do modelo, e não só o preço dele.

O preço por token está subindo e caindo ao mesmo tempo

O preço por token que entra nesse cálculo também não fica parado. Qualquer orçamento de IA montado sobre o custo por token de hoje carrega um risco embutido: esse preço está sendo puxado nos dois sentidos ao mesmo tempo, e nenhuma das duas forças venceu. Isso muda o que dá para fazer a respeito. Acertar a previsão do preço está fora do alcance de qualquer empresa que apenas compra IA. Decidir bem onde cada tarefa roda, não.

O que empurra o preço para baixo

Fornecedores de modelo competem entre si com atualização de preço e de capacidade saindo em intervalos de semanas. Modelos abertos chegaram perto da capacidade dos modelos fechados mais caros por uma fração do preço, e isso pressiona a tabela inteira do mercado. Some a isso os chips desenhados só para rodar modelo de IA, em vez de servir a qualquer tipo de cálculo: cada avanço nessa frente derruba o piso de preço que os fornecedores conseguem praticar.

O que empurra o preço para cima

O preço que a maioria das empresas paga hoje ainda carrega subsídio. Em junho de 2026, a SemiAnalysis mediu o que uma assinatura de fato entrega: o mercado supunha que um plano de US$ 200 por mês desse cerca de US$ 2.000 em token pelo preço cobrado por uso direto do modelo, a chamada API, e a medição encontrou plano entregando ainda mais que isso. Quem assina hoje recebe muito mais do que paga, pela régua do próprio preço de API, e é capital de investidor que sustenta essa folga.

Esse subsídio está acabando. Com os grandes laboratórios sob pressão por rentabilidade nos próprios balanços, minha aposta é preço subindo no médio prazo.

O hardware por trás de qualquer modelo também ficou mais caro, e isso chega até a mensalidade que a sua empresa paga. Todo pedido feito a uma IA é processado num servidor, e esse servidor depende de memória da mesma família da que existe em qualquer computador.

A fábrica é a mesma e a fila para comprar é a mesma, com a demanda dos data centers de IA disputando o estoque: o preço dessa memória deve acumular alta de mais de 400% entre 2024 e o fim de 2026, na projeção do J.P. Morgan Global Research. Fornecedor que paga mais caro para rodar o modelo repassa isso no preço por token.

Para quem monta orçamento, a consequência de as duas forças seguirem empatadas é de método: o custo de IA entra como linha variável com revisão trimestral, e não como linha fixa aprovada uma vez por ano. Orçamento anual fechado sobre o preço de um trimestre erra nos dois sentidos, sobra quando o preço cai e falta quando sobe.

As duas contas de IA de uma empresa, e por que elas não se parecem

Essa linha variável não é uma linha só. A escolha de onde cada tarefa roda muda conforme a conta em que ela cai, e as duas chegam por caminhos diferentes, aparecem em painéis diferentes e se controlam com alavancas diferentes.

A conta da assinatura

É a mais visível. A empresa paga um valor por pessoa por mês para dar acesso a uma ferramenta de IA, e quem usa trabalha dentro dela pelo navegador.

As versões agênticas dessas ferramentas, que executam tarefas inteiras em nome de quem usa, fizeram essa conta ficar mais parecida com a outra: dentro do plano existe um limite de consumo, e tarefa grande demais o estoura antes de terminar.

O número mora no painel de administração da própria ferramenta, e é ele que mostra quantas licenças existem e quantas andam paradas. Duas alavancas são exclusivas desta conta: quantas pessoas precisam mesmo de acesso e qual plano cada uma precisa.

O erro típico é comprar plano acima para todo mundo. Boa parte de uma equipe faz tarefa de risco baixo e volume baixo, que o plano de entrada resolve, enquanto a minoria que faz trabalho pesado é a que justifica o plano superior.

A conta do consumo

É a que cresce sem avisar. Aqui o modelo é acessado por dentro do software que a empresa desenvolve, e a cobrança é pelos tokens de cada chamada, sem teto natural: quanto mais gente usa o sistema, mais alto fica, e ninguém precisa aprovar nada para isso acontecer.

O número mora no painel de faturamento do fornecedor de modelo. A alavanca exclusiva desta conta é quanto contexto viaja em cada chamada, porque aqui não existe um plano que segure o consumo.

O erro típico é usar o modelo mais capaz para tudo, porque foi o que funcionou no piloto e ninguém voltou para revisar depois que o volume cresceu.

Quem decide o quê em cada conta

As alavancas mudam, a pergunta de fundo é a mesma: essa tarefa está rodando no lugar mais barato que ainda entrega o que ela exige? As três perguntas da próxima seção respondem isso nas duas contas.

O que muda é quem executa. Na conta da assinatura, a própria área decide: são as tarefas dela, no modelo que ela escolhe dentro da ferramenta, com o resultado aparecendo na hora. Na conta do consumo, a área entra com o piso de acerto aceitável, o mínimo de tarefas certas que aquela atividade exige para valer a pena, e o time técnico, interno ou o próprio fornecedor, entra com o teste de acerto por modelo.

Em nenhuma das duas esse piso é decisão de quem programa. Quem responde pela área é quem sabe o que custa um erro naquela tarefa.

As duas contas param onde começa outra decisão. O que a IA está autorizada a fazer sozinha, quando um humano precisa aprovar e onde fica o registro de cada ação é governança de agente, o que o mercado chama de harness engineering, uma camada separada desta e com dono diferente dentro da empresa.

Como decidir qual modelo de IA usar em cada tarefa

Medir por tarefa concluída, como fez a PitchBook, muda o alvo da escolha de modelo: o que você procura é o modelo mais barato que já entrega o que a tarefa exige.

O termo que circula no mercado para esse alvo é fronteira de eficiência, em contraste com a fronteira de inteligência, que é o modelo mais capaz existente a qualquer preço. A fronteira de eficiência anda mais rápido, porque disputar custo por resultado está ao alcance de muito mais fornecedores do que disputar capacidade máxima.

Três perguntas, nesta ordem, dão conta da maior parte das decisões de custo de IA no dia a dia.

Pergunta 1: qual é o risco desta tarefa?

Um erro que se corrige num clique, sem consequência, pede um piso de acerto bem mais baixo que um erro que vira problema jurídico, financeiro ou reputacional. Esse mínimo é o piso de acerto da tarefa, e é ele que a primeira pergunta define. Quando ninguém na equipe tem tempo ou repertório para checar o resultado direito, o risco é maior do que parece no papel e o piso sobe junto.

Pergunta 2: qual o modelo mais barato que atende esse risco?

A resposta que vale vem de um teste seu, rodado com as suas tarefas. Dentro de uma ferramenta de assinatura, esse teste custa uma tarde: pegue uma tarefa que a sua área repete, rode a mesma instrução no modelo de entrada, depois no intermediário, depois no do topo, e compare os três resultados lado a lado. Em boa parte da rotina administrativa o modelo de entrada passa, e a diferença que sobra some na revisão. Quando a tarefa roda dentro de um agente, o mesmo teste vira um conjunto de avaliação montado com casos reais da área.

O reflexo mais comum é abrir sempre no modelo do topo, porque é o que dá menos trabalho decidir. Ele é também o que esgota o limite do plano mais rápido, e o limite chega no meio da tarefa, não no fim do mês. A escolha do modelo entra no começo da tarefa, junto com a instrução, e não depois que a conta chegou.

Depois do modelo, a ferramenta. Uma comparação da Composio publicada em julho de 2026 rodou o mesmo modelo em três ferramentas diferentes de desenvolvimento assistido por IA, nas mesmas tarefas. A taxa de acerto ficou parecida nas três. O consumo de token de uma mesma tarefa chegou a variar 30 vezes, só por causa da ferramenta escolhida ao redor do modelo, e na tarefa típica a diferença ficou perto de 6 vezes.

A comparação usou ferramenta de programação, e o mecanismo vale para qualquer produto de IA que a empresa usa: o chatbot de atendimento que o Marketing testa, o assistente que o Jurídico usa para minuta de contrato, a ferramenta de triagem de currículo do RH. Na conta do consumo, a diferença aparece na fatura; na da assinatura, no limite do plano.

Trocar de fornecedor de modelo resolve metade da decisão de custo de IA. A outra metade é a ferramenta, a instrução que ela monta e o contexto que ela carrega junto em cada chamada ao modelo, ou seja, todo o texto que viaja com o pedido sem ser o pedido. Escrevi em detalhe sobre como curar esse contexto sem perder qualidade, que é a mesma decisão de custo olhada pelo lado do que entra no pedido.

A ferramenta que envolve o modelo decide custo e velocidade, e não só a capacidade bruta dele.

Isso inverte a ordem do que fazer primeiro. Antes de trocar de modelo ou subir de plano, arrume a instrução e o contexto que você manda. Pedido vago devolve resposta que precisa de três rodadas de correção, e cada rodada cobra duas vezes: o token de gerar e o tempo de quem revisa.

Pergunta 3: a tarefa se repete o bastante para automatizar a escolha?

Tarefa pontual não justifica infraestrutura de roteamento. Tarefa que se repete centenas de vezes por semana, sim.

O roteador de modelo virou categoria de produto porque essa matemática fecha em escala. São serviços que recebem o pedido, olham a tarefa e escolhem sozinhos o modelo mais barato capaz de resolvê-la, dentro de um catálogo de centenas de modelos que ninguém na empresa precisa acompanhar.

A mesma lógica levou a Stripe a comprar a OpenRouter em agosto de 2026, um ponto único de acesso a centenas de modelos, num negócio que a imprensa estimou em mais de US$ 7 bilhões. A leitura fica mais fácil quando se olha quem comprou: a Stripe é um gateway de pagamento, aquele intermediário por onde passa toda transação de cartão de uma loja, e o que ela levou foi um gateway de token, por onde passa toda chamada de IA de uma empresa. O mesmo lugar na cadeia, com outra mercadoria correndo por dentro.

Existe uma terceira resposta possível, e costuma ser a mais barata: a tarefa não roda ali. Triar mil currículos dentro do modo agêntico de uma ferramenta de assinatura estoura o limite de token antes de terminar, e cobra caro por um trabalho que um sistema de recrutamento já faz por uma fração do preço.

Volume alto com regra estável é sinal de que o lugar da tarefa é um software especializado, comprado pronto ou construído pela TI, com o modelo entrando só onde a decisão exige julgamento.

A Databricks publicou o resultado do próprio roteamento automático: mais de 30% de redução no custo médio por tarefa, com qualidade equivalente à do modelo mais caro do conjunto. Na minha avaliação, é a faixa em que a economia paga sozinha o esforço de montar o roteamento. Com volume, esta é a mais fácil das três decisões.

Como controlar o gasto de IA sem cortar o acesso do time

Escolher bem tarefa por tarefa reduz o custo de IA e não impede que o total do mês suba assim mesmo. Quando isso acontece, a reação mais comum é a mais simples: cortar acesso, reduzir licença, travar quem gastou demais. É também a reação que destrói o motivo pelo qual a empresa adotou IA em primeiro lugar. Nessa hora, a gestão de IA nas empresas pede controle em etapas, e não um corte de uma vez.

A mesma Databricks do roteamento automático publicou também como ela e outras empresas de tecnologia controlam esse gasto, e o desenho vai na direção contrária: o controle aperta em etapas, para preservar uma coisa. O time continua usando IA enquanto o gasto desce.

Os quatro degraus de fricção

Comece pela visibilidade. Antes de qualquer controle, quem usa IA precisa enxergar o próprio gasto quase em tempo real, comparado com uma referência: a média da equipe, o gasto da semana anterior. Boa parte do gasto que assusta no fim do mês é acidental, de quem não fazia ideia do próprio consumo, e esse pedaço encolhe assim que o número fica visível.

Avise antes de exigir aprovação. O primeiro nível de controle é um alerta que se resolve sozinho, disparado quando o ritmo de gasto passa de um limite, sem exigir nada além de reconhecer o aviso. Só o nível seguinte pede aprovação explícita de alguém na cadeia de gestão.

Leve a tarefa simples para um modelo mais barato antes de o limite chegar. Nem toda tarefa precisa do modelo mais avançado, e o teste da segunda pergunta mostra quais saem certas no modelo de entrada. Saber o que sai certo com os modelos mais simples é gestão de custo. Na conta do consumo, o gasto cai na fatura, porque o modelo mais barato de qualquer catálogo custa uma fração do mais caro; na da assinatura, o mesmo plano rende mais antes de bater no limite. Ninguém para de trabalhar, e o modelo do topo fica para o trabalho que precisa dele.

É aqui que discordo do desenho da Databricks, que faz a troca só quando o limite chega: o sistema move a pessoa para um modelo mais barato e o trabalho continua. Prefiro a escolha antes, na linha da recomendação da FinOps Foundation de não usar o modelo mais caro em toda tarefa, e o rebaixamento automático como rede de proteção para o que escapou dela. Em qualquer caso, tarefa de risco alto fica fora da troca e vai para aprovação.

Deixe a suspensão para o caso extremo. Cortar acesso por completo continua no repertório, e funciona melhor como início de uma conversa sobre como aquela pessoa deveria estar usando IA.

Esses quatro degraus são a mesma ideia que se usa para decidir até onde um agente de IA age sozinho: um teto, e um ponto em que ele para e chama uma pessoa. Lá o teto é de ação, aqui é de dinheiro.

Onde entra o gateway de IA

O mesmo gateway de token que a Stripe comprou existe em versão para uso interno, e o mercado chama de gateway de IA: um ponto único por onde passa cada chamada que o software da empresa faz a um modelo, com orçamento, configuração e registro de uso no mesmo lugar. Várias empresas publicaram a própria versão como código aberto.

O que ele resolve é financeiro antes de ser técnico. Com todas as chamadas passando por um lugar só, o gasto de IA passa a ter rateio por área, e o teto de orçamento vira um botão em vez de uma negociação com cada fornecedor. Sem ele, cada sistema que chama modelo tem a própria fatura, o próprio painel e o próprio limite, e ninguém consegue responder quanto o Jurídico gastou no trimestre.

Esse ponto único administra o gasto, e para por aí. Quando a pergunta muda de “quanto estamos gastando” para “que risco regulatório e de auditoria esse mesmo uso cria”, entra um assunto diferente, que é governança de IA no sentido de risco, auditoria e compliance.

O que o ponto único muda é a escala do controle: dá para dobrar o número de sistemas da empresa que usam IA sem dobrar o número de painéis que alguém precisa abrir.

Onde começar amanhã

Nada disso precisa começar por uma compra. As três ações abaixo são a primeira pergunta e dois dos quatro degraus aplicados ao que já está na sua mesa.

Peça o relatório de uso de IA da sua área e ordene por gasto. Esse número costuma estar em três lugares: o painel de administração da ferramenta que a empresa assina, a fatura do cartão corporativo e o painel de faturamento do fornecedor de modelo.

Com a lista na mão, olhe o topo e pergunte se um erro naquela tarefa custa trinta segundos de correção ou um problema sério. Anote também quantas saem certas e quanto tempo leva corrigir as outras: é o custo por tarefa concluída da sua área, e é ele que decide se vale trocar por um modelo mais barato ou se aquele gasto já está no lugar certo.

Descubra quem enxerga hoje o gasto de IA da sua área. Se a resposta for “só o financeiro, uma vez por mês”, devolver o número para quem gasta é o primeiro degrau, e o mais barato de montar.

Escolha uma tarefa simples que hoje roda no modelo do topo e teste no modelo de entrada. É o terceiro degrau, na versão que defendo, e a mudança mais rápida de aprovar, porque não tira nada de ninguém.

Os três juntos já cobrem a primeira rodada de gestão de custo de IA numa área: medir por tarefa e levar cada uma ao modelo mais barato que a entrega. Organizado o gasto, a decisão seguinte é definir o que cada agente de IA pode fazer sozinho e até onde o seu time pode delegar.

---

Comunidade no WhatsApp: as novidades de ferramentas, modelos e uso de dados no trabalho saem todo dia no grupo IA e Dados, sempre com a fonte. Veja como entrar no grupo.

Perguntas frequentes sobre custo de IA nas empresas

Quanto custa IA para uma empresa?

Não existe um valor de referência que sirva para qualquer empresa, porque a conta chega por duas linhas: a assinatura por pessoa das ferramentas que as áreas usam e o consumo de modelo dentro do software da empresa, cobrado pelos tokens de cada chamada. O número que orienta a decisão é o custo por tarefa concluída, que soma o preço da tentativa ao tempo gasto corrigindo o que saiu errado. Para começar, ordene o uso da área por gasto e confira se as tarefas do topo precisam mesmo do modelo mais caro.

O que entra no custo de IA de uma empresa, além do que o fornecedor cobra?

Entra o custo de revisar e corrigir as tarefas em que a IA errou. Cada tarefa que sai errada custa o preço da tentativa mais o tempo de um humano encontrando o erro e refazendo o trabalho. Esse segundo custo raramente aparece na fatura do fornecedor e pode passar dela em áreas onde o erro tem consequência.

Como escolher qual modelo de IA usar em cada tarefa, pensando em custo?

Três perguntas em sequência. Primeira: qual o risco da tarefa e quanto custa verificar o resultado, o que define o piso de acerto aceitável nela. Segunda: qual o modelo mais barato que já bateu esse piso num teste feito com as tarefas reais da empresa, rodando a mesma instrução no modelo de entrada, no intermediário e no do topo para comparar os três resultados. Terceira: se a tarefa se repete o suficiente para valer automatizar a escolha por roteamento, em vez de decidir manualmente toda vez.

Quando usar um modelo de IA mais barato?

Sempre que a tarefa tiver risco baixo e o modelo de entrada já tiver passado num teste com casos reais da área, como resumo, triagem, classificação e rascunho que alguém revisa. A escolha vale mais quando é feita antes de o limite de gasto chegar, e não como rebaixamento de emergência: o modelo do topo fica reservado para o que exige julgamento ou envolve risco jurídico, financeiro ou reputacional.

O preço da IA por token está subindo ou caindo?

O preço é puxado nos dois sentidos ao mesmo tempo, por forças opostas. Concorrência entre fornecedores, modelos abertos e chips dedicados a IA empurram o preço para baixo. O fim do preço subsidiado por capital de risco e a escassez de memória usada em hardware de IA empurram para cima. Como nenhuma das duas venceu, orçamento montado sobre o preço de hoje envelhece rápido.

Por que cortar acesso à IA quando o gasto sobe é uma solução ruim?

Porque corte duro reduz custo e reduz junto o ganho que justificou adotar IA. A Databricks publicou um desenho alternativo, em quatro degraus: dar visibilidade do gasto a quem usa; avisar quando o ritmo passa de um limite, e só no nível seguinte exigir aprovação; mover a pessoa para um modelo mais barato quando o limite chega; e deixar a suspensão do acesso para o caso extremo. No terceiro degrau, discordo do momento: a tarefa simples rende mais no modelo barato desde o começo, e a troca no limite fica como rede de proteção.

Por que uma empresa gastaria mais tempo verificando o resultado da IA do que produzindo?

Um estudo preliminar de pesquisadores do MIT, da Universidade Washington em St. Louis e da UCLA chama de lacuna de mensurabilidade a distância entre produzir e verificar. Produzir com IA ficou barato depressa, e julgar se aquele resultado está correto continua dependendo do tempo e da experiência de quem revisa. Enquanto essa distância existir, a agenda de quem confere é o que limita o quanto de IA a empresa consegue usar de verdade.

Gestão de custo de IA é decisão de TI ou de negócio?

É decisão de negócio com execução técnica, e são duas contas distintas. A assinatura das ferramentas de IA fica com quem usa: quantas licenças, qual plano, qual modelo escolher dentro da ferramenta e o que deveria rodar em outro lugar. O consumo de modelo dentro do software da empresa fica com a área técnica: quanto contexto vai em cada chamada e se a escolha de modelo está automatizada. Nas duas, definir o piso de acerto aceitável de cada tarefa é pergunta de quem responde pela área, não de quem programa.

Preço por token mais barato significa IA mais barata para a empresa?

Não necessariamente. Um levantamento da PitchBook mediu o custo até a tarefa sair certa, somando o preço da tentativa ao custo de cada falha corrigida por um humano e dividindo pela taxa de acerto. Na comparação, o modelo mais caro por token custou US$ 2,56 por tarefa concluída e o concorrente mais barato na tabela custou US$ 5,83, porque acertava menos e cada erro carregava correção embutida.

---

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e Conselheiro Consultivo em Tecnologia, IA, Dados e Inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.