Como reduzir o custo da IA generativa sem piorar as respostas

Uma PME paga a IA generativa de duas formas: subscrições por utilizador (ChatGPT, Claude, Copilot) e consumo por API nas automações e nos agentes que falam com clientes. As subscrições têm um preço fixo e fácil de controlar. O consumo cresce com o volume e, sobretudo, com a forma como o sistema foi desenhado. É aí que a fatura costuma fugir, e é sobre isso este artigo.

Os preços citados foram vistos nas páginas oficiais de cada fornecedor a 7 de outubro de 2026, estão em dólares como lá aparecem e mudam com frequência.

De onde vem o custo

Os modelos cobram por tokens, os pedaços em que dividem o texto (uma palavra pode dar um ou vários). Há dois preços: o dos tokens de entrada, tudo o que se envia ao modelo em cada chamada, e o dos tokens de saída, o que ele escreve. A saída é várias vezes mais cara do que a entrada.

O que surpreende quem começa é o volume da entrada. Num agente de atendimento, cada resposta obriga a enviar de novo ao modelo as instruções do agente, a informação relevante da base de conhecimento e todo o histórico da conversa até ali. A décima mensagem de uma conversa custa muito mais do que a primeira, porque leva as nove anteriores atrás.

As conversas reais são longas. No caso da Pura Rituals, marca de cosmética de uma influencer, o agente atendeu mais de 16.000 mensagens em 1.366 conversas, com uma média a rondar as 12 mensagens por conversa e casos que chegaram às 229. Uma conversa destas, mal desenhada, pode custar dezenas de vezes uma conversa curta.

Quanto custam os modelos hoje

Entre o modelo mais barato e o mais caro desta tabela há uma diferença de cem vezes no preço por token. Mas o preço por token não chega para comparar fornecedores. A própria documentação da Anthropic avisa que o tokenizador dos seus modelos mais recentes gera cerca de 30% mais tokens para o mesmo texto do que o anterior, e alguns preços são promocionais, como o do Gemini 3.8 Flash, que duplica a 1 de janeiro de 2027. A comparação certa faz-se com textos reais do negócio, medindo o custo por conversa e não por token.

Um exemplo de custo por conversa

Para perceber o peso de cada decisão, uma conta com pressupostos declarados (não é um caso de cliente):

• instruções do agente: 3.000 tokens, enviadas em todas as chamadas;
• informação da base de conhecimento por resposta: 1.500 tokens;
• histórico: cresce 200 tokens por cada troca de mensagens;
• resposta do agente: 150 tokens;
• 12 mensagens do cliente por conversa, cada uma com uma chamada ao modelo.

Somando as 12 chamadas, uma conversa consome cerca de 67.200 tokens de entrada e 1.800 de saída. Com os preços da tabela, a conversa do exemplo custa perto de 0,008 USD no gpt-6-luna, 0,076 USD no Claude Haiku 4.5, 0,15 USD no Claude Sonnet 5.5 e 0,76 USD no gpt-6-astra. Para mil conversas por mês, a fatura do exemplo vai de menos de 8 USD a mais de 760 USD, só pela escolha do modelo.

Agora a mesma conta com o catálogo inteiro colado nas instruções, em vez de uma pesquisa que só traz os produtos relevantes. Pressuposto: um catálogo de 225 produtos a 150 tokens cada, cerca de 34.000 tokens em todas as chamadas. No Claude Sonnet 5.5, a conversa do exemplo passa de cerca de 0,15 USD para mais de 0,90 USD. Seis vezes mais, para responder à mesma pergunta.

Medidas que baixam a fatura

Escolher o modelo pela tarefa

Classificar uma mensagem, extrair uma morada ou decidir se a conversa tem de ir para uma pessoa são tarefas que um modelo pequeno faz bem. Responder a uma reclamação delicada ou aconselhar entre produtos parecidos pode pedir um modelo maior. Um sistema bem desenhado usa vários: o barato para a maior parte do trabalho e o caro só onde faz diferença. A escolha valida-se com conversas reais do histórico, comparando respostas, e não pela fama do modelo.

Mandar menos texto em cada chamada

A pesquisa na base de conhecimento (o que se chama RAG) envia ao modelo só os excertos relevantes para a pergunta. Na Pura Rituals, o agente responde com base numa pesquisa semântica sobre o catálogo de cerca de 225 produtos e as perguntas frequentes, o que lhe permite responder com precisão sem inventar e sem carregar o catálogo inteiro em cada mensagem.

O mesmo princípio vale para o histórico: em conversas longas, as mensagens antigas podem ser resumidas em vez de enviadas por inteiro. E as instruções do agente devem ser revistas com regularidade, porque crescem com cada correção e raramente alguém as encurta.

Aproveitar a cache

Quando o início de cada chamada é sempre igual (as instruções do agente, por exemplo), os fornecedores cobram muito menos por essa parte repetida. Na OpenAI, a entrada em cache do gpt-6-luna custa 0,01 USD por milhão de tokens, contra 0,10 USD da entrada normal, segundo a tabela de preços. Na Anthropic, ler da cache custa um décimo da entrada normal e escrever custa mais um quarto, segundo a documentação de preços. Para tirar partido disto, a parte fixa vai sempre no início da chamada e a parte variável no fim.

No exemplo acima, pôr as instruções em cache no Claude Sonnet 5.5 baixa a conversa de cerca de 0,15 USD para perto de 0,09 USD, com os mesmos pressupostos.

Deixar para lote o que não é urgente

Gerar descrições de produto, classificar o histórico de pedidos ou preparar relatórios noturnos não precisa de resposta em segundos. A Batch API da OpenAI custa metade, com resposta em até 24 horas, e a Anthropic e a Google têm descontos equivalentes no processamento em lote.

Tirar o modelo de onde uma regra chega

Saber o estado de uma encomenda, o horário da loja ou o valor dos portes é uma consulta a um sistema ou uma tabela, não um trabalho para um modelo de linguagem. Pôr essas respostas em ferramentas que o agente chama, ou responder-lhes diretamente sem passar pelo modelo, poupa tokens e evita erros. O mesmo vale para contas: preços, descontos e impostos calculam-se com regras.

Pôr limites e medir o custo por conversa

Um agente que entra num ciclo, a chamar a mesma ferramenta vezes sem conta, pode gastar num dia o orçamento de um mês. Os limites de gasto por chave travam isso: o OpenRouter, por exemplo, permite um limite de crédito por chave de API com reposição diária, semanal ou mensal. Uma chave por cliente ou por projeto também mostra onde está o consumo.

A métrica que interessa é o custo por conversa resolvida, acompanhada todas as semanas. Se sobe sem o volume subir, alguma coisa mudou no desenho.

Rever as subscrições por utilizador

Do lado das subscrições, a poupança é mais simples: ver quem usa de facto as licenças de ChatGPT, Claude ou Copilot e cortar as que estão paradas. E decidir se a equipa precisa de licenças individuais ou de um assistente interno ligado aos documentos da empresa, que se paga por consumo.

Modelos abertos em servidor próprio: quando compensa

Correr um modelo aberto (Llama, Mistral, Qwen) num servidor próprio elimina o custo por token, mas troca-o por outros: servidores com placas gráficas, manutenção, atualizações e alguém que saiba operá-los. Para uma PME com volume variável, os modelos pequenos por API, a frações de dólar por milhão de tokens, saem quase sempre mais baratos. O servidor próprio faz sentido com volumes muito altos e constantes, ou quando os dados não podem sair da empresa por obrigação contratual ou legal.

O que não convém cortar

Poupar no modelo e perder a venda é mau negócio. Os testes antes de ir para o ar, a manutenção da base de conhecimento e a revisão das conversas em que o agente falhou custam tempo, mas são o que faz as respostas serem boas. Um agente barato que inventa um prazo de entrega sai mais caro do que um agente bom.

Para pôr estes custos ao lado do que a automação traz, o guia sobre como calcular o ROI de um projeto de automação tem a fórmula e um exemplo. O artigo sobre agentes de IA e plataformas de workflow compara onde correm, e o das alternativas ao ChatGPT para empresas ajuda a escolher entre fornecedores.

Perguntas frequentes

Quanto custa por mês um agente de atendimento com IA?

O consumo do modelo pode ir de alguns dólares a centenas por cada mil conversas, como mostra o exemplo acima. A isso somam-se a plataforma onde o agente corre, as mensagens de WhatsApp na API oficial e a manutenção. Numa primeira conversa de diagnóstico, a AI Solutions estima estes custos com o volume real da empresa antes de propor qualquer coisa.

Os modelos mais baratos chegam para atender clientes?

Muitas vezes sim, para a maior parte das conversas, quando têm uma boa base de conhecimento e regras claras de passagem para uma pessoa. A forma de saber é testar com conversas reais do histórico e comparar as respostas de dois ou três modelos antes de decidir.

Compensa pagar a um intermediário como o OpenRouter?

O OpenRouter não acrescenta margem ao preço dos fornecedores e cobra uma comissão de 5,5% na compra de créditos por cartão, segundo a FAQ oficial. Em troca, dá uma só conta para vários fornecedores e limites por chave. Para quem usa um único fornecedor, ir direto pode ser mais simples.

Vale a pena ter um software próprio em vez de várias subscrições?

Quando a empresa paga licenças por utilizador a várias ferramentas que fazem parte do mesmo processo, pode compensar. A página de software à medida tem a comparação com os preços de lista dos sistemas mais usados.