O que os números mostram
Puxamos as tabelas oficiais de sete fornecedores em setembro de 2026 e alinhamos tudo em uma única unidade: dólar por 1 milhão de tokens de saída. No topo está o Claude Fable 5.1, a US$ 50. O GPT-6 Astra, da OpenAI, empata no mesmo valor. Descendo a lista: Claude Opus 5 a US$ 25, GPT-5.6 Sol a US$ 20, Gemini 3.1 Pro a US$ 12, Mistral Medium 3.5 a US$ 7,50, GLM-5.3 a US$ 4,40, Gemini 3.8 Flash a US$ 3,75, Mistral Large 3 a US$ 1,50, GPT-5.6 Luna a US$ 1,20 e Qwen3.8-Flash a US$ 0,47.
A ponta de baixo não é feita de modelos de brinquedo. O Qwen3.8-Flash marca 42 no Intelligence Index da Artificial Analysis; o teto da tabela marca 53. Onze pontos de diferença de capacidade, 106 vezes de diferença de preço.
A curva também não é suave. Entre US$ 50 e US$ 4,40 existem seis degraus. Entre US$ 4,40 e US$ 0,47 existem outros quatro. A pergunta que importa não é qual é o melhor modelo. É qual degrau esta tarefa precisa.
Input, output e cache são três contas diferentes
Quase toda conversa sobre custo de LLM começa e para na tabela de output. É o número errado para começar. Em carga real de PME — RAG, extração, triagem — o volume de tokens de entrada costuma ser de 5 a 10 vezes o de saída. O preço do input pesa mais do que parece.
O cache muda essa conta de novo. Na Anthropic, ler um prefixo que já está em cache custa 0,1× o input normal, e 0,025× no Fable 5.1. Escrever no cache custa 1,25× na janela de 5 minutos ou 2× na de uma hora. Se o seu prompt de sistema, o schema e os exemplos são estáveis, você paga 10% ou 2,5% do input em cada chamada seguinte. Google e OpenAI oferecem desconto de cache na mesma ordem de grandeza.
Batch é o terceiro desconto e o mais ignorado: 50% em OpenAI, Anthropic e Google para qualquer coisa que possa esperar algumas horas. Relatório mensal, reprocessamento de base, classificação retroativa, enriquecimento de CRM — nada disso precisa de resposta em dois segundos.
E existe preço que muda com a hora do relógio. A DeepSeek cobra o dobro entre 01:00 e 04:00 e entre 06:00 e 10:00 UTC, de segunda a sexta. Isso é 08:00–12:00 em Berlim, ou seja, o pico do expediente alemão. É 03:00–07:00 em Brasília, ou seja, madrugada. O mesmo modelo rende economias diferentes dependendo do fuso em que o seu time trabalha.
| Multiplicador | Quando vale | |
|---|---|---|
| Leitura de prefixo em cache (Anthropic) | 0,1× · 0,025× no Fable 5.1 | Prompt de sistema, schema e exemplos estáveis |
| Escrita no cache | 1,25× (5 min) · 2× (1 h) | Uma vez por janela; paga-se na primeira chamada |
| Batch (OpenAI, Anthropic, Google) | −50% | Relatórios, reprocessamento, classificação retroativa |
| Horário fora de pico (DeepSeek) | 2× no pico UTC | Madrugada em Brasília; expediente em Berlim paga o dobro |
| Volume de input vs output em PME | 5–10× mais tokens de entrada | RAG, extração e triagem: o input pesa mais que o output |
Uma conta real para uma PME de 40 pessoas
Premissas explícitas, para você refazer a conta com os seus números. 120 mil requisições por mês, em três usos: triagem de chamados, extração de documentos e perguntas sobre a base interna. 70% leves (3.000 tokens de entrada, 400 de saída), 22% médias (6.000 e 900), 8% pesadas (12.000 e 2.500). Isso dá 525,6 milhões de tokens de entrada e 81,4 milhões de saída no mês.
Cenário A, tudo no topo. Rodando as 120 mil requisições em Fable 5.1 (US$ 10 de entrada, US$ 50 de saída): US$ 5.256 de input mais US$ 4.068 de output. US$ 9.324 por mês.
Cenário B, roteado por tarefa. Leves no Qwen3.8-Flash: US$ 56. Médias no Sonnet 5: US$ 554. Pesadas continuam no Fable 5.1: US$ 2.352. Total de US$ 2.963 — 68% a menos, com o modelo de fronteira ainda respondendo tudo que é difícil.
Cenário C, roteado mais cache. Supondo que 60% dos tokens de entrada das trilhas média e pesada sejam prefixo estável servido do cache, a conta cai para US$ 2.118. São 77% a menos que o cenário A, ou US$ 86 mil por ano que ficam na empresa.
Nada nesse cálculo depende de renegociar contrato, trocar de stack ou aceitar resposta pior no caso difícil. Depende de decidir tarefa por tarefa em vez de fornecedor por empresa.
Onde o modelo barato falha
Em três lugares, de forma consistente.
Primeiro, raciocínio de muitos passos com estado. Modelos baratos perdem o fio em cadeias longas de chamada de ferramenta, e o erro costuma aparecer no passo sete, não no primeiro. É o lugar mais caro para descobrir.
Segundo, verbosidade. A Artificial Analysis mediu o DeepSeek V4 Flash gerando 240 milhões de tokens de saída na bateria de testes, contra uma mediana de 130 milhões. Um modelo três vezes mais barato por token que fala 1,8 vez mais é, na prática, só 1,7 vez mais barato. Preço de tabela não é custo por tarefa.
Terceiro, idioma e domínio. Alemão jurídico e português com jargão fiscal não se comportam como inglês genérico. E a degradação é silenciosa: a resposta continua fluente enquanto passa a estar errada. Só um conjunto de casos com gabarito mostra isso.
Some-se um risco de calendário. O preço promocional do Gemini 3.8 Flash (US$ 0,75 de entrada, US$ 3,75 de saída) vale até 31 de dezembro de 2026 e dobra depois. Orçamento anual construído sobre esse número quebra em janeiro.
As condições para a economia existir
Roteamento sem quatro coisas é aposta, não otimização.
Fallback automático. Se o provedor barato cai, a requisição vai para o segundo da fila sem intervenção humana. Sem isso, a primeira indisponibilidade custa mais do que meses de economia.
Portão de avaliação. De 50 a 500 casos representativos que rodam antes de qualquer mudança de rota. Se a qualidade cai abaixo do limite, a mudança não entra em produção.
Observabilidade por tarefa. Custo, latência e taxa de acerto por rota, não um total mensal. Sem isso você não sabe qual rota economizou e qual só piorou a resposta.
Auditoria. Qual modelo respondeu qual requisição, com qual prompt, em qual data, sob qual política de dados. É o que a área de compliance vai pedir e o que o EU AI Act espera de quem opera sistema de IA — e é também o que amarra a sua política de dados à do fornecedor quando você roda em um só.
O que fazer nas próximas duas semanas
Um: exporte a fatura do último mês e quebre o gasto por tipo de tarefa, não por modelo. A maioria descobre que cerca de 70% do volume é trabalho leve pagando preço de fronteira.
Dois: pegue a tarefa mais volumosa e mais simples. Monte 100 casos com resposta esperada. Rode no modelo atual e em dois candidatos baratos. Compare acerto medido, não impressão.
Três: decida a política de dados antes do preço. Inferência restrita aos EUA custa 1,1× na Anthropic. Um fornecedor europeu como a Mistral entrega output a US$ 1,50 no Large 3. Residência de dado tem preço — e ele é menor do que a diferença entre dois degraus da tabela.
Quatro: coloque o gateway antes de trocar qualquer modelo. Sem uma camada que roteia, faz fallback e registra, cada troca vira projeto de migração. Com ela, vira uma linha de configuração.
- 01Quebre a fatura por tipo de tarefa
Exporte o último mês e some por triagem, extração, perguntas. Em geral ~70% do volume é trabalho leve pagando preço de fronteira.
- 02Meça 100 casos com gabarito
Pegue a tarefa mais volumosa e simples. Rode no modelo atual e em dois candidatos baratos. Compare acerto medido, não impressão.
- 03Decida a política de dados antes do preço
Inferência restrita aos EUA custa 1,1× na Anthropic; a Mistral entrega output a US$ 1,50 no Large 3. Residência tem preço, menor que um degrau da tabela.
- 04Gateway antes de trocar qualquer modelo
Sem uma camada que roteia, faz fallback e registra, cada troca vira projeto de migração. Com ela, vira uma linha de configuração.