Colocar IA para trabalhar custa, na prática, entre alguns centavos de dólar por interação de chat e alguns dólares por tarefa longa de agente, e a diferença entre esses dois extremos é quase toda explicada por três variáveis que você controla: quanto texto entra, quanto texto sai e quanto desse texto é reaproveitado. Este texto explica a mecânica da cobrança, mostra os preços oficiais por milhão de tokens consultados em 8 de setembro de 2026 nas páginas dos próprios fornecedores e fecha com um método de estimativa que você pode rodar antes de aprovar qualquer projeto. Aviso necessário: preços de API mudam com frequência, inclusive dentro do mesmo trimestre, e várias das tabelas abaixo trazem datas de validade explícitas. Refaça a consulta antes de fechar um orçamento.
Por que a cobrança é feita por token
Token é o pedaço de texto que o modelo realmente processa. Não é uma palavra nem um caractere: é um fragmento estatístico definido no treinamento. Em português, uma palavra comum costuma virar um ou dois tokens, e palavras longas ou termos técnicos se quebram em três ou mais. Um parágrafo de 100 palavras fica, tipicamente, na casa de 130 a 180 tokens.
A cobrança segue essa unidade porque o custo do fornecedor é proporcional a ela: cada token gerado significa mais uma passada completa pelo modelo. Cobrar por requisição seria injusto nas duas pontas, já que uma pergunta de dez palavras custaria o mesmo que um contrato de 40 páginas.
Entrada e saída não custam a mesma coisa
Em praticamente todos os fornecedores, o token de saída custa de quatro a seis vezes o token de entrada. Nas tabelas oficiais consultadas em 8 de setembro de 2026, o Claude Sonnet 5 cobra 2 dólares por milhão de tokens de entrada e 10 de saída, o Gemini 3.8 Flash cobra 0,75 e 3,75, e o GPT-5.6 Sol cobra 4 e 20 na faixa de contexto curto.
A razão é técnica. A entrada é processada em paralelo, num único passe. A saída é sequencial, um token de cada vez, e cada novo token exige reler todo o estado anterior. Gerar é caro, ler é barato. Na prática, enfiar contexto no prompt pesa menos na conta do que pedir resposta longa, e limitar o tamanho da resposta é quase sempre a alavanca de economia mais imediata.
Cache de prompt e raciocínio estendido: os dois botões que mais mexem na conta
O cache de prompt guarda o estado já calculado de um prefixo fixo do pedido, como as instruções do sistema ou a base que se repete em toda chamada. Na documentação da OpenAI, a leitura custa 0,1 vez a tarifa de entrada nos modelos GPT-5.6 e posteriores, com prefixo mínimo de 1.024 tokens e validade de 30 minutos desde o último uso. Na Anthropic, a leitura sai por 10% do preço de entrada e a gravação custa 1,25 vez o normal, o que faz o cache valer a pena a partir da segunda leitura.
O raciocínio estendido puxa para o lado oposto. A documentação da Anthropic registra os tokens de pensamento dentro do uso de saída, ou seja, na tarifa mais cara da tabela. Um orçamento de 16 mil tokens de raciocínio num modelo de 25 dólares por milhão de saída adiciona 0,40 dólar a uma única chamada, mesmo que a resposta visível tenha três linhas. A própria documentação sugere começar perto do mínimo de 1.024 tokens em tarefas simples.
Preços oficiais por milhão de tokens, consultados em 8 de setembro de 2026
Todos os valores abaixo em dólares por milhão de tokens, retirados das páginas oficiais de preços dos fornecedores na data de 8 de setembro de 2026. Os modelos da OpenAI aparecem na faixa de contexto curto. Os da Google referem-se ao nível pago. Reforçando: essas tabelas mudam com frequência, e a Google já sinaliza reajuste a partir de 1 de janeiro de 2027.
| Modelo | Fornecedor | Entrada | Saída | Leitura de cache |
|---|---|---|---|---|
| GPT-6 Astra | OpenAI | 10,00 | 50,00 | 1,00 |
| GPT-5.6 Sol | OpenAI | 4,00 | 20,00 | 0,40 |
| GPT-5.6 Luna | OpenAI | 0,20 | 1,20 | 0,02 |
| Claude Opus 5 | Anthropic | 5,00 | 25,00 | 0,50 |
| Claude Sonnet 5 | Anthropic | 2,00 | 10,00 | 0,20 |
| Claude Haiku 4.5 | Anthropic | 1,00 | 5,00 | 0,10 |
| Gemini 3.8 Flash | 0,75 | 3,75 | 0,075 | |
| Gemini 3.5 Flash-Lite | 0,30 | 2,50 | não oferecido | |
| gpt-oss-120b (peso aberto, servido pela Together AI) | Together AI | 0,15 | 0,60 | não informado |
A última linha merece destaque. O gpt-oss-120b é um modelo de pesos abertos sob licença Apache 2.0 que a própria OpenAI descreve como capaz de rodar em uma única GPU de 80 GB, e a versão menor, gpt-oss-20b, cabe em 16 GB. Com infraestrutura própria, o custo deixa de ser por token e passa a ser por hora de máquina ligada.
Por que uma tarefa de agente custa centenas de vezes mais que um chat
Num chat, você paga uma vez pelo que escreveu e uma vez pelo que foi respondido. Num agente, cada passo reenvia o histórico acumulado, o contexto cresce a cada ferramenta chamada e o custo de entrada vira uma soma próxima de uma progressão quadrática.
Um exemplo com Claude Opus 5 (5 dólares de entrada, 25 de saída). Uma pergunta de chat com 1.000 tokens de entrada e 500 de saída custa 0,005 mais 0,0125, ou seja, cerca de 0,018 dólar. Uma tarefa de agente com 40 passos, média de 25 mil tokens de entrada por passo e 1.500 de saída incluindo raciocínio, soma 1 milhão de tokens de entrada (5,00 dólares) e 60 mil de saída (1,50), totalizando 6,50 dólares. É uma ordem de grandeza próxima de 350 a 400 vezes o custo do chat, para a mesma tecnologia.
Como estimar o custo antes de começar
O método tem cinco passos e cabe numa planilha. Vamos aplicar a um assistente interno de suporte com 20 mil chamadas por mês.
- Passo 1, medir o pedido típico: 6.000 tokens de entrada (instruções fixas mais trechos da base) e 700 de saída.
- Passo 2, multiplicar pelo volume: 20.000 vezes 6.000 dá 120 milhões de tokens de entrada; 20.000 vezes 700 dá 14 milhões de saída.
- Passo 3, aplicar a tarifa. Com Claude Sonnet 5: 120 vezes 2 dólares dá 240; 14 vezes 10 dá 140. Total de 380 dólares por mês.
- Passo 4, simular o cache. Se 4.500 dos 6.000 tokens forem prefixo fixo, 90 milhões passam a ser lidos a 0,20 (18 dólares), 30 milhões seguem a 2,00 (60 dólares) e as gravações de cache somam poucos dólares. A entrada cai de 240 para algo em torno de 80, e o total mensal fica perto de 220 dólares.
- Passo 5, comparar com um modelo menor. O mesmo volume no Gemini 3.8 Flash daria 90 dólares de entrada e 52,50 de saída, cerca de 142 dólares por mês, antes de qualquer cache.
Nenhuma dessas contas é promessa de resultado: são ordens de grandeza. O ponto é que a escolha entre 380, 220 e 142 dólares mensais foi feita antes da primeira linha de código.
Erros que inflam a conta e quando trocar de estratégia
Reportagem do Wall Street Journal republicada pelo InvestNews traz o alerta de Chris Reed, diretor sênior de finanças de TI da Priceline, sobre o que acontece quando o consumo fica solto: “se o usuário não estiver suficientemente treinado, ele vai acumular uma conta enorme”. Os padrões que mais causam isso são conhecidos.
- Usar o modelo mais caro para tarefas de classificação, extração e roteamento, que um modelo pequeno resolve.
- Deixar o raciocínio estendido ligado por padrão, pagando tokens de pensamento em pedidos triviais.
- Reenviar a base de conhecimento inteira em vez de recuperar apenas os trechos relevantes.
- Montar o prompt com o conteúdo variável no início, o que quebra o prefixo e anula o cache.
- Não impor limite máximo de tokens de saída, deixando o modelo escrever muito além do necessário.
- Loops de agente sem teto de passos, que transformam uma falha silenciosa em conta de três dígitos.
Sobre quando mudar de rota, a régua é de método, não de fórmula. Modelo menor compensa quando a tarefa é fechada e verificável, com resposta curta e critério objetivo de acerto: vale medir a qualidade num conjunto de casos reais antes de trocar. Cache compensa quando existe prefixo estável de pelo menos mil tokens repetido várias vezes na mesma janela de meia hora, situação típica de atendimento e de agentes. Infraestrutura própria com modelo aberto entra na conta quando o volume é alto e previsível o bastante para manter a GPU ocupada boa parte do dia, porque ali você troca custo variável por custo fixo e assume, junto, o trabalho de operação, atualização e disponibilidade. Abaixo desse patamar de uso, a API costuma sair mais simples.
Fontes
- OpenAI, página oficial de preços da API
- Anthropic, página oficial de preços dos modelos Claude
- Google, página oficial de preços da API Gemini
- Together AI, preços de modelos de pesos abertos
- OpenAI, documentação de cache de prompt
- Anthropic, documentação de raciocínio estendido
- OpenAI, apresentação dos modelos de pesos abertos gpt-oss
- InvestNews e The Wall Street Journal, como as empresas administram gastos com tokens