Toda proposta de IA que chega à mesa do CFO tem a mesma promessa e o mesmo buraco. A promessa é clara: automatizar atendimento, resumir documento, classificar lead, gerar rascunho. O buraco é o número. Alguém abre a calculadora de tokens do fornecedor, multiplica por um volume otimista e apresenta um custo mensal que parece barato demais. E é. Porque a conta de token é a ponta visível de um custo que tem pelo menos cinco camadas.
Este texto é um modelo de custo em reais para quem assina o cheque. Sem hype, sem “depende de cada caso” como resposta final. Vamos separar o que compõe a fatura, dar faixas realistas por estágio (do PoC à escala) e listar as alavancas que de fato controlam o gasto. A ideia é que você saia daqui capaz de olhar um orçamento de IA e perguntar as três ou quatro coisas que expõem se o número está honesto ou é fantasia de slide.
O que é “custo de IA em produção” (definição)
Custo de IA em produção é a soma de tudo que sua empresa paga para manter um recurso de modelo de linguagem funcionando com usuários reais: chamadas de API, tentativas repetidas, infraestrutura ao redor, monitoramento e o tempo de engenharia que sustenta tudo isso.
Guarde essa definição, porque quase toda estimativa ruim ignora quatro dos cinco itens. A API é a única linha que o fornecedor mostra de graça. O resto aparece na fatura da nuvem, na folha do time e no incidente do próximo trimestre.
A conta de token: real, mas não é o total
Vamos aos números que dá para ancorar. Os preços de API são cobrados por milhão de tokens (MTok), separando entrada (o que você manda) de saída (o que o modelo responde). Segundo a tabela oficial de preços da Anthropic, um modelo de trabalho como o Sonnet fica na casa de US$ 3 por MTok de entrada e US$ 15 por MTok de saída, enquanto a família Haiku sai por bem menos e a Opus custa mais. A OpenAI publica faixa parecida para os modelos equivalentes. Um dado de mercado que vale registrar: o preço por token dos modelos de ponta caiu de forma acentuada entre 2025 e 2026, o que muda o cálculo — mas nunca zera as outras camadas.
Traduzindo para um caso concreto, ao câmbio ilustrativo de R$ 5,40 por dólar:
| Item | Valor |
|---|---|
| Entrada por chamada | 2.000 tokens |
| Saída por chamada | 500 tokens |
| Custo entrada (US$ 3/MTok) | US$ 0,006 |
| Custo saída (US$ 15/MTok) | US$ 0,0075 |
| Custo por chamada | ~US$ 0,0135 → R$ 0,073 |
| 100 mil chamadas/mês | ~R$ 7.300 |
Parece administrável — e é, se esse fosse o custo real. Mas note: o número acima assume uma chamada, sem repetição, sem contexto inflado, sem erro. Nenhuma dessas premissas sobrevive ao contato com produção.
As camadas que ninguém coloca no slide
Retries e falhas
Modelos falham, dão timeout, retornam formato inválido. Um sistema sério tenta de novo. Se você configurou até 3 tentativas e 15% das chamadas precisam de pelo menos uma repetição, seu custo de token não é a base — é a base multiplicada. Pior: retry sem teto vira loop, e loop vira fatura de terror. Esse é exatamente o tipo de armadilha operacional que também aparece nos riscos de publicar apps em produção.
Contexto inflado
O jeito mais silencioso de dobrar a conta é mandar contexto grande em toda chamada. Prompt de sistema gigante, histórico inteiro da conversa, dez documentos “por garantia”. Cada token de entrada é pago em toda requisição. Um assistente que carrega 8 mil tokens de contexto fixo por mensagem custa 4x o exemplo acima antes de o usuário digitar qualquer coisa. Em arquiteturas RAG, isso é decisivo: recuperar trecho demais é caro e ainda piora a resposta.
Infraestrutura ao redor
O modelo não roda sozinho. Tem banco de dados, fila de mensagens, cache, às vezes um banco vetorial, gateway de API, armazenamento de logs. Um RAG modesto já implica indexação, reindexação e um vetor que cobra por volume e por consulta. Essa camada raramente cabe em “alguns dólares” e cresce com o uso.
Observabilidade
Você precisa saber quanto gastou, por feature, por cliente, e por quê. Isso é ferramenta de tracing de LLM, dashboards, alertas. É a diferença entre descobrir um vazamento de custo no mesmo dia ou no fechamento do mês. Custa — e economiza muito mais do que custa.
Engenharia e operação
A linha mais cara e a mais esquecida. Alguém desenha o prompt, testa, monitora, ajusta quando o modelo muda de versão e responde ao chamado quando o assistente começa a alucinar. Em produto de verdade, o custo humano de manter a IA supera a fatura da API com folga. Se o orçamento não tem essa linha, ele não é um orçamento — é uma esperança.
Faixas realistas por estágio
Não existe número universal, mas existem ordens de grandeza. As faixas abaixo são para produtos típicos de PME brasileira, considerando o custo mensal total (API + infra + observabilidade), fora o tempo de engenharia:
| Estágio | O que é | Faixa mensal (BRL) | Onde o dinheiro vai |
|---|---|---|---|
| PoC | Prova de conceito interna, poucos usuários | Centenas de reais | Quase só token |
| Piloto | Usuários reais, volume controlado | Alguns milhares | Token + infra + observabilidade |
| Escala | Milhões de chamadas, SLA, multiusuário | Dezenas de milhares+ | Infra e retries dominam |
A curva não é linear. Do PoC ao piloto, a fatura de token pode 10x enquanto a de infra 30x, porque você passou a precisar de coisas que o PoC ignorava: cache, fila, monitoramento, redundância. Quem prometeu “escala é só multiplicar o PoC” vai errar por uma ordem de grandeza. É o mesmo tipo de otimismo perigoso que discutimos em vibe coding: não suba projeto de fim de semana e no caminho realista de MVP do zero à produção.
Latência é custo (mesmo sem aparecer na fatura)
Latência não vira uma linha na conta da API, mas é custo. Resposta lenta derruba conversão, cansa o usuário e, em fluxos síncronos, prende recursos de servidor que você paga por segundo. Modelos maiores e respostas longas são mais lentos e mais caros ao mesmo tempo — a otimização de latência e a de custo costumam andar juntas. Streaming, respostas mais curtas e roteamento para modelos rápidos melhoram as duas coisas de uma vez.
As alavancas que controlam o gasto
Aqui está o que efetivamente move o ponteiro, em ordem de impacto:
- Roteamento de modelo. Use o modelo pequeno e barato para o caso comum e escale para o grande só quando necessário. Rodar o topo de linha em toda chamada é o erro de custo número um. A maioria das tarefas de classificação, extração e resumo simples não precisa do modelo mais caro.
- Cache de prompt. Quando o mesmo contexto se repete (prompt de sistema, documentos fixos), a leitura de cache custa uma fração do preço de input. Em RAG e agentes, é uma das maiores economias disponíveis.
- Cortar contexto. Menos tokens de entrada, sempre que der. Recupere só os trechos relevantes, resuma histórico antigo, não mande “por garantia”.
- Tetos e limites. Teto de gasto por usuário e por operação, limite de retries, timeout. Sem teto, um abuso ou um bug consome o orçamento inteiro.
- Saída curta. Token de saída custa mais que o de entrada. Peça respostas concisas e estruturadas em vez de textões.
- Assíncrono onde couber. Processar em fila e lote, fora do caminho crítico do usuário, permite usar janelas mais baratas e evita prender recursos.
Checklist de FinOps de IA antes do go-live
- Dashboard de custo por feature e por cliente
- Alerta de gasto diário e mensal com limite claro
- Teto por usuário e por operação implementado
- Limite de retries e timeout configurados
- Estratégia de cache definida onde há repetição
- Roteamento: modelo barato como padrão, caro por exceção
- Estimativa que inclui infra, observabilidade e engenharia — não só token
Se metade disso está em vermelho, você não tem um orçamento de IA. Tem uma aposta.
E hospedar o próprio modelo?
A tentação aparece quando a fatura de API assusta: “e se a gente rodar nosso próprio modelo?”. Na maioria dos casos, no começo, a resposta é não. GPU dedicada tem custo fixo alto que você paga mesmo ociosa, mais a operação de manter tudo de pé. Só compensa com volume muito alto e previsível, ou com exigência de dados que proíba mandar informação para uma API externa — cenário em que arquitetura segura para dados sensíveis e as regras da LGPD no software entram na conta antes do custo. Para a PME típica, API gerenciada com as alavancas acima sai mais barata e mais simples de operar.
Como a Pixelize orça IA
Na prática, tratamos custo de IA como uma rubrica de engenharia, não como um item de licença. Antes de subir, definimos as faixas por estágio, instrumentamos custo por feature, colocamos teto e alerta, e escolhemos a arquitetura de roteamento e cache que cabe no volume real — não no volume do pitch. O resultado é um número que sobrevive ao fechamento do mês. Se você quer isso desenhado para o seu caso, é assim que trabalhamos em desenvolvimento web e produtos digitais.
Perguntas frequentes
Só a conta de tokens define o custo de IA em produção?
Não. Token costuma ser a menor parte. Retries, contexto inflado, infra, observabilidade e engenharia somam mais que a API na maioria dos produtos.
Qual é uma faixa realista de custo por estágio?
PoC em centenas de reais, piloto em alguns milhares, escala em dezenas de milhares ou mais. A curva não é linear: infra e retries crescem mais rápido que o token.
Cache realmente reduz a conta?
Sim, quando o mesmo contexto se repete. Leitura de cache custa uma fração do input padrão e é uma das maiores economias em RAG e agentes.
Modelo mais caro sempre entrega mais valor?
Não. A maior parte das tarefas roda bem em modelos menores. Rotear — barato por padrão, caro por exceção — é a alavanca de custo mais eficaz.
Como evito uma fatura surpresa no fim do mês?
Teto por usuário e por operação, alertas de gasto, timeout, limite de retries e dashboard de custo por feature. Sem isso, um loop derruba o orçamento.
Vale a pena hospedar o próprio modelo para economizar?
Raramente no começo. GPU dedicada tem custo fixo alto e ocioso. Só compensa com volume muito alto e previsível, ou exigência de dados que proíba a API.