Custo de modelos de IA em 2026: o argumento do roteamento

O Artificial Analysis publicou um número que deveria tirar o sono de qualquer CTO rodando IA em produção: US$1.23 por tarefa para o GPT-5.6 Sol, US$0.05 para o GPT-5.6 Luna. Mesma arquitetura. Mesma família. Catorze por cento de diferença no Intelligence Index. Vinte e quatro vezes de diferença no preço.

Isso não é uma anomalia. É um sinal de que a economia de modelos de IA entrou em uma fase que o mercado ainda não precificou.

O custo real de um modelo de IA em 2026 não se mede em preço por token. Mede-se em custo por tarefa resolvida na qualidade que a tarefa exige. E a diferença entre pagar pelo modelo errado e pagar pelo modelo certo, dentro da mesma família, é grande o suficiente para mudar a margem de uma linha de produto inteira.

O que define o custo real de um modelo de IA?

O custo real de um modelo de IA é o valor pago por tarefa concluída com sucesso, não o preço de tabela por milhão de tokens. Três fatores compõem esse número: o preço unitário de inferência, a taxa de acerto na primeira chamada e o custo de reprocessamento quando o modelo falha. Ignorar os dois últimos é o equivalente contábil de olhar só o preço do combustível e esquecer que o carro quebra a cada oitocentos quilômetros.

A indústria de IA passou os últimos dois anos debatendo preço por token como se fosse a única variável relevante. As tabelas comparativas que circulam entre times de engenharia listam valores como US$15 por milhão de tokens de entrada para o modelo A e US$3.50 para o modelo B. O problema é que um milhão de tokens não é uma unidade de trabalho. Ninguém compra tokens. Compram-se tarefas resolvidas: uma classificação de documento, uma resposta de suporte, uma extração de dados estruturados de um PDF ilegível. A pergunta certa não é quanto custa o token. A pergunta certa é quanto custa a tarefa, incluindo as tentativas que falharam.

Some-se a isso a latência e o custo de oportunidade. Um modelo que demora quatro segundos para responder e acerta em 80% dos casos pode custar menos por token do que um que responde em meio segundo com 95% de acerto. Mas se a tarefa está em um fluxo de atendimento ao cliente, os quatro segundos viram abandono de sessão. O custo real inclui o que acontece enquanto o modelo pensa.

Para empresas brasileiras, há uma camada adicional que transforma o cálculo. O preço nominal em dólar da API sofre a incidência de IRRF, CIDE, PIS-COFINS, IOF e spread cambial. Um custo de inferência de US$100 mil pode chegar ao caixa da empresa como um desembolso de até US$155 mil, uma diferença de 55% que não aparece em nenhum benchmark internacional. Esse multiplicador será detalhado mais adiante; por ora, a conta que importa é que o custo real de um modelo de IA é sempre maior do que a linha da tabela de preços, e para empresas operando a partir do Brasil, substancialmente maior.

Como comparar o custo de modelos de IA em 2026

Comparar modelos de IA exige duas métricas que quase nunca aparecem juntas na mesma planilha: o Intelligence Index, que mede a capacidade do modelo em benchmarks padronizados de raciocínio, e o custo por tarefa concluída, que converte o preço de API em valor de produção. O Artificial Analysis mantém a referência mais citada do mercado para ambos os números, atualizada continuamente conforme novos modelos entram no leaderboard e provedores ajustam preços.

Quem compara apenas o preço por token está respondendo à pergunta errada. Quem compara apenas o Intelligence Index também. A decisão economicamente racional está no spread entre os dois: quanta capacidade adicional cada dólar compra, e se essa capacidade adicional é relevante para a tarefa em questão.

A tabela abaixo reúne cinco modelos de três famílias com seus dados mais recentes de Intelligence Index e custo por tarefa, compilados a partir do leaderboard do Artificial Analysis em agosto de 2026. A dispersão entre o modelo mais barato e o mais caro dentro da mesma família é o dado que estrutura todo o argumento deste guia.

Fonte: Artificial Analysis Leaderboard, agosto de 2026. Dados dos modelos GPT-5.6 em reasoning mode (max); todos os valores são extraídos diretamente do leaderboard.

O que essa tabela revela é menos sobre qual modelo é o melhor e mais sobre qual pergunta ninguém está fazendo. Claude Opus 5 lidera o ranking de capacidade com Intelligence Index 61. O GPT-5.6 Sol entrega 59 a US$1.23. Mas o GPT-5.6 Luna, da mesma família do Sol, entrega Intelligence Index de 51 a US$0.05. A diferença de oito pontos no índice, que se traduz em aproximadamente 14% de capacidade relativa, custa 24 vezes mais.

Nenhum CFO aprovaria um orçamento onde 14% de capacidade adicional multiplica a conta por 24. Mas é exatamente isso que acontece quando uma empresa decide usar o melhor modelo disponível para todas as tarefas, sem distinguir quais tarefas realmente exigem esse nível de capacidade.

O spread de 24x dentro da mesma família: o caso GPT-5.6

O GPT-5.6 Luna entrou no leaderboard do Artificial Analysis com Intelligence Index 51 e custo de US$0.05 por tarefa. O GPT-5.6 Sol, lançado semanas antes, registra Intelligence Index 59 e custo de US$1.23. A diferença de oito pontos no índice, equivalente a cerca de 14% de capacidade relativa, multiplica o preço por 24.

Esse spread não é um acidente de precificação. É o que acontece quando uma mesma arquitetura de modelo é oferecida em dois tamanhos diferentes, e o mercado ainda não ajustou sua demanda entre eles. A versão maior é vendida como a resposta para tarefas complexas. A versão menor é vendida como a opção econômica. O que ninguém diz explicitamente é que a maior parte das tarefas que as empresas mandam para o modelo maior podem ser resolvidas pelo modelo menor com qualidade indistinguível.

Para uma empresa que processa cem mil tarefas por mês, a diferença entre usar sempre o Sol e usar sempre o Luna é de US$123 mil contra US$5 mil. Cento e dezoito mil dólares por mês. Um milhão e quatrocentos mil dólares por ano. Esse número sozinho deveria encerrar qualquer debate sobre a conveniência de rotear. Mas o mercado ainda opera como se a escolha fosse binária: ou se usa o modelo mais capaz para tudo, e se paga por isso, ou se usa o modelo mais barato para tudo, e se perde capacidade onde ela importa.

A terceira opção, a que os dados sustentam, é rotear.

Um post anterior neste blog documentou como o GPT-5.6 Luna reconfigurou o mapa de preços do mercado de LLMs com um corte que pegou os concorrentes desprevenidos. O que aquele artigo não desenvolveu, e este desenvolve, é a implicação estrutural: quando o spread dentro de uma família atinge 24x, a decisão de rotear deixa de ser uma otimização de engenharia e passa a ser uma condição de viabilidade econômica.

A pergunta que fica não é se uma empresa deve continuar usando o modelo mais caro para tudo. A pergunta é qual percentual das tarefas realmente exige o modelo mais caro. E a resposta, em quase todos os casos, é uma fração surpreendentemente pequena.

Por que o roteamento inteligente deixou de ser opcional

Roteamento inteligente de LLMs é a prática de classificar cada tarefa que chega à API e decidir, em tempo real, qual modelo deve processá-la com base na complexidade estimada da tarefa e no custo de cada modelo disponível. Durante anos foi tratado como uma otimização avançada, coisa de time que já tinha resolvido todos os outros problemas e estava polindo os custos marginais. Os números de agosto de 2026 transformam essa leitura em erro de gestão.

Considere três estratégias de alocação para uma empresa que processa cem mil tarefas por mês, usando os dados reais do GPT-5.6 Sol (US$1.23/tarefa) e GPT-5.6 Luna (US$0.05/tarefa):

A estratégia de roteamento assume que 20% das tarefas exigem a capacidade do Sol: raciocínio jurídico complexo, geração de contratos com restrições precisas, debugging de código com múltiplas dependências. Os outros 80%, tarefas como sumarização de documentos, classificação de tickets de suporte, extração de campos de notas fiscais e respostas a perguntas frequentes, o Luna resolve com qualidade equivalente por uma fração do custo.

A economia é de US$94.400 por mês contra a opção de sempre usar o melhor modelo. Em um ano, US$1.13 milhão. Esse número não depende de melhorias futuras de hardware, de uma nova geração de modelos mais eficientes ou de qualquer avanço tecnológico que ainda não aconteceu. Depende apenas de uma decisão de arquitetura que pode ser implementada hoje.

Em volumes menores, a mesma lógica se sustenta. Para mil tarefas por mês, o roteamento custa US$286 contra US$1.230 da opção de sempre usar o Sol. Para dez mil tarefas, US$2.860 contra US$12.300. A proporção de economia é constante em 77% porque a premissa de distribuição das tarefas não muda com o volume. O que muda é a magnitude absoluta do valor economizado, e é ela que transforma o argumento em decisão de orçamento.

Como um router de LLM implementa essa economia

Um router de LLM é uma camada de middleware que intercepta cada chamada de API, classifica a intenção e a complexidade da tarefa, seleciona o modelo adequado entre os disponíveis e normaliza a resposta para o formato que a aplicação espera. O código da aplicação não muda. A chave de API também não. A decisão de qual modelo processa cada request é tomada no router, em milissegundos, com base em regras configuráveis de custo, latência e capacidade.

A classificação de intenção é o coração do sistema. Um router bem configurado não decide com base em heurísticas simples como o número de tokens do prompt ou a presença de palavras-chave. Ele avalia a estrutura da tarefa: se é uma pergunta factual com resposta conhecida, se exige raciocínio em múltiplas etapas, se o contexto inclui restrições formais que um modelo menor tende a ignorar. Essa classificação determina se a tarefa vai para o modelo de alta capacidade ou para o modelo econômico.

Além da seleção de modelo, um router de LLM entrega três outras economias que se acumulam sobre a economia principal do roteamento. A primeira é o failover automático: quando um provedor está indisponível, o router redireciona o tráfego para o próximo modelo da fila em milissegundos, eliminando o custo de downtime que uma aplicação sem router absorveria em requisições perdidas e retentativas manuais. A segunda é o cache de respostas: tarefas idênticas ou semanticamente equivalentes não são reenviadas ao modelo, são servidas do cache, com redução de latência e custo zero de inferência na segunda ocorrência. A terceira é o controle de gasto por chave ou por agente: um teto de orçamento que impede que um loop de prompt ou um pico de uso inesperado gere uma fatura fora de controle.

O Nexforce Router opera como essa camada única, expondo mais de 300 modelos através de uma API compatível com OpenAI. A migração consiste em trocar uma variável de endpoint. O roteamento, o failover e o cache rodam na camada do Router sem que a aplicação precise saber qual modelo está processando cada request. O resultado contábil aparece no fim do mês: a mesma carga de trabalho, processada com a mesma qualidade percebida, por uma fração do custo.

Para um detalhamento mais extenso de como a arquitetura de roteamento funciona na prática e quais decisões de implementação importam, o guia de middleware de IA neste blog cobre o assunto em profundidade.

O custo Brasil: por que o spread de 24x é ainda maior para empresas brasileiras

Toda empresa brasileira que consome APIs de IA paga um imposto invisível que nenhum benchmark internacional inclui. A fatura em dólar sofre a incidência de IRRF, CIDE, PIS-COFINS e IOF, mais o spread cambial da conversão. O resultado líquido é que US$1.23 por tarefa enviados a um provedor americano podem custar até US$1.91 para a empresa brasileira. Um acréscimo de 55% que transforma o spread de 24x dentro da família de modelos em um spread efetivo próximo de 37x.

A composição é conhecida e raramente calculada: IRRF de 15% a 25% sobre a remessa ao exterior, dependendo da natureza da operação e da existência de tratado. CIDE de 10% sobre a contratação de serviços técnicos, classificação em que a maior parte das APIs de IA se enquadra por decisão da SC Cosit 191/2017. PIS-COFINS: 9.25% sobre a importação. IOF de 3.5% sobre o câmbio da remessa. Spread cambial de 2% a 5% embutido na conversão do real para o dólar feita pelo banco ou pela fintech da operação.

O que muda com o roteamento não é a incidência dos tributos. É a base sobre a qual eles incidem. Uma empresa que gasta US$123 mil por mês em inferência com o modelo mais caro está pagando tributos sobre US$123 mil. Uma empresa que roteia e reduz esse custo para US$28.600 está pagando tributos sobre US$28.600. A economia de US$94.400 no custo de inferência gera uma economia adicional de aproximadamente US$51.900 em tributos e spread cambial. A economia total, somando inferência e carga tributária, é de cerca de US$146 mil por mês.

A conta exata depende do regime tributário da empresa, da classificação fiscal da operação e da existência de créditos de PIS-COFINS para empresas no Lucro Real. O que não depende de nada disso é a direção do número: o roteamento reduz a base de cálculo dos tributos, e quanto maior o spread entre o modelo caro e o modelo barato, maior a economia fiscal proporcional.

Erros comuns ao comparar custos de modelos de IA

1. Olhar só o preço por token. O token é a unidade de cobrança do provedor, não a unidade de valor para a empresa. Um modelo que cobra US$15 por milhão de tokens de entrada e resolve a tarefa em mil tokens custa US$0.015 por tarefa. Um modelo que cobra US$3.50 por milhão de tokens e precisa de dez mil tokens para a mesma tarefa custa US$0.035. O modelo mais barato por token custou mais que o dobro por tarefa.

2. Comparar modelos de classes diferentes como se fossem intercambiáveis. Colocar Claude Opus 5 e Mistral Large 3 lado a lado em uma tabela de custo sem controlar pela diferença de capacidade é comparar um caminhão com uma motocicleta pelo preço do combustível. A pergunta relevante é em quais tarefas a motocicleta resolve e em quais o caminhão é necessário.

3. Ignorar a latência como componente de custo. Um modelo mais barato que demora o triplo para responder pode estar gerando abandono de sessão, retrabalho do usuário ou timeout em pipelines automatizados. O custo da latência não aparece na fatura da API. Aparece na taxa de conversão e no SLA.

4. Assumir que o modelo mais caro é o melhor para todas as tarefas. O dado do GPT-5.6 desmente isso de forma definitiva. Para 80% das tarefas de uma operação típica, o modelo mais barato entrega qualidade indistinguível. A empresa que não mede essa distribuição está pagando capacidade ociosa.

5. Não incluir o custo Brasil na conta. Isso não é um detalhe. A diferença de 55% entre o preço nominal em dólar e o desembolso efetivo em reais é o fator que decide se o orçamento de IA fecha ou estoura. Uma comparação que ignora IRRF, CIDE, PIS-COFINS, IOF e spread cambial está subestimando o custo real em mais da metade.

6. Tratar o roteamento como uma otimização para o futuro. A diferença de 24x dentro da mesma família de modelos existe hoje. O router que implementa a economia existe hoje. A decisão de adiar a implementação do roteamento é uma decisão de continuar pagando o preço cheio por capacidade que a empresa não está usando.

FAQ: custo de modelos de IA e roteamento

Qual é a diferença entre preço por token e custo por tarefa?

Preço por token é a unidade de cobrança do provedor da API. Custo por tarefa é o valor efetivo que a empresa paga para resolver uma unidade de trabalho completa, incluindo tokens de entrada e saída, chamadas que falharam e precisaram ser refeitas, e o overhead de latência que afeta o fluxo de produção. A diferença entre os dois pode chegar a múltiplas vezes o preço nominal.

O que é roteamento inteligente de LLMs?

Roteamento inteligente é uma camada de middleware que classifica cada tarefa enviada à API e decide qual modelo deve processá-la com base na complexidade estimada da tarefa e no custo de cada modelo disponível. Tarefas simples vão para modelos econômicos; tarefas complexas vão para modelos de alta capacidade. A aplicação não precisa saber qual modelo foi usado.

Quanto uma empresa pode economizar com roteamento?

Usando os dados do GPT-5.6 Sol (US$1.23/tarefa) e GPT-5.6 Luna (US$0.05/tarefa), com uma distribuição de 20% de tarefas complexas e 80% de tarefas simples, a economia de roteamento é de 77% sobre o custo de usar sempre o modelo mais caro. Para cem mil tarefas por mês, isso representa US$94.400 por mês. Para empresas brasileiras, a economia total com tributos pode ultrapassar US$146 mil por mês.

O roteamento afeta a qualidade das respostas?

A resposta é não. Quando bem configurado, a premissa do roteamento é que a maior parte das tarefas de uma operação típica, sumarização, classificação, extração de dados estruturados, respostas a perguntas frequentes, não exige a capacidade de um modelo premium. As tarefas que exigem são identificadas e roteadas corretamente. O resultado é a mesma qualidade percebida com custo radicalmente menor.

O que é o custo Brasil para APIs de IA?

É o acréscimo de carga tributária e cambial sobre o preço nominal em dólar das APIs internacionais. IRRF (15-25%), CIDE (10% sobre serviços técnicos), PIS-COFINS (9.25%), IOF (3.5%) e spread cambial (2-5%) somam um acréscimo de até 55%. Uma fatura de US$100 mil em APIs pode custar US$155 mil em desembolso efetivo para a empresa brasileira.

Como implementar roteamento de LLMs sem reescrever a aplicação?

Usando um router compatível com a API que a aplicação já consome. No caso do Nexforce Router, a migração consiste em trocar uma variável de endpoint no código. O roteamento, o failover e o cache rodam na camada do Router. A aplicação continua enviando requisições como antes, sem mudança de formato ou de SDK.

Referências e Leitura Complementar

• Artificial Analysis, Leaderboard de Modelos: https://artificialanalysis.ai/leaderboards/models
• Artigo relacionado: Comparação de Custos de LLMs em 2026: Roteamento Inteligente com Nexforce Router
• Artigo relacionado: Benchmark de LLMs para CFOs: Custo, Não Score Técnico
• Artigo relacionado: GPT-5.6 80% Mais Barato: O Que Muda no Roteamento de LLMs
• Artigo relacionado: Model Router: A Camada de Middleware que Reduz o Custo da sua Stack de IA

O argumento final

A diferença de 24x dentro de uma mesma família de modelos não é uma janela de oportunidade, é uma fratura no modelo de precificação que o mercado ainda está absorvendo. Enquanto os provedores competem em benchmarks de capacidade, a decisão que determina o custo real da operação de IA já não está mais em qual modelo contratar. Está em qual camada de infraestrutura decide qual modelo atende cada tarefa.

O roteamento inteligente de LLMs começou como uma técnica de otimização recomendada. Em agosto de 2026, com os dados que o Artificial Analysis publicou, ele se tornou um requisito econômico: nenhuma empresa que consome mais de um modelo de IA pode justificar financeiramente não rotear. A implementação dessa decisão passa por uma camada de middleware que classifica, seleciona e normaliza, e o resultado aparece integralmente no balanço.

Conheça o Nexforce Router. Uma API, mais de 300 modelos, roteamento inteligente, failover automático e cache de respostas. Faturamento local em real com nota fiscal.