DeepSeek V4: a guerra pelo share de tokens nos agentes de IA

O mercado de agentes de IA está migrando de uma corrida por capacidade bruta para uma guerra por share de tokens. DeepSeek V4 não é apenas mais um modelo competitivo. É o primeiro movimento que torna a concentração de gastos em um único provider uma decisão economicamente indefensável para empresas que operam agentes em escala.

O que o DeepSeek V4 altera na equação de custo por token?

O DeepSeek V4 redefine o piso de preço para inferência de qualidade. A série chega em duas versões lançadas em 24 de abril de 2026: V4-Pro, com 1,6 trilhão de parâmetros totais (49 bilhões ativos), e V4-Flash, com 284 bilhões de parâmetros (13 bilhões ativos). Ambos operam com janela de contexto de 1 milhão de tokens sob uma arquitetura Mixture of Experts (MoE) e licença MIT.

O dado que reorganiza o mercado está nos números de precificação. O V4-Pro custa US$ 0,435 por milhão de tokens de entrada e US$ 0,87 por milhão de tokens de saída. O V4-Flash reduz isso para US$ 0,14 de entrada e US$ 0,28 de saída.

A comparação com os modelos fechados de fronteira expõe a magnitude do gap:

A diferença de preço de saída entre o V4-Pro e o GPT-5.5 é de 34,5 vezes. Para um agente que consome 100 milhões de tokens de saída por mês, isso representa US$ 87 mil via V4-Pro contra US$ 3 milhões via GPT-5.5. O delta anualizado ultrapassa US$ 34 milhões.

A DeepSeek reconhece que o V4-Pro fica de três a seis meses atrás dos modelos fechados mais avançados na fronteira de desempenho. Mas a pergunta que as empresas de infraestrutura de IA estão fazendo é outra: em quantos cenários de produção a diferença de desempenho justifica um multiplicador de 34,5x no custo?

A trajetória DeepSeek V3 → V4: o que mudou na arquitetura e na economia

O V4 não surgiu do vácuo. Ele é o terceiro salto de uma trajetória que começou com o V3 em dezembro de 2024 e que, a cada iteração, comprimiu o custo por unidade de capacidade.

O V3 original introduziu a arquitetura Mixture of Experts com 671 bilhões de parâmetros totais e 37 bilhões ativos por token. O feito não estava apenas na eficiência do MoE. Estava no custo de treinamento: US$ 6 milhões, uma fração do investimento dos modelos fechados equivalentes. O V3 entregava desempenho competitivo com GPT-4 a um custo de inferência já inferior, mas ainda operava com janela de contexto limitada e sem otimização para cargas agentic.

O V3.1 e o V3.2 refinaram a arquitetura. Melhorias incrementais em throughput de inferência, redução do cache KV e estabilidade em contextos mais longos. Mas a limitação estrutural permanecia: o mecanismo de atenção tradicional tornava o custo de contextos acima de 128 mil tokens proibitivo para a maioria das cargas de produção.

O V4 resolve esse gargalo com duas mudanças. A primeira é a arquitetura de atenção híbrida (CSA + HCA), que comprime o custo computacional de contextos longos. A segunda é o salto na escala do MoE: 1,6 trilhão de parâmetros totais com 49 bilhões ativos, mais que o dobro da capacidade do V3 em parâmetros totais e 32% mais parâmetros ativos por token.

O resultado econômico é a compressão do custo por unidade de qualidade. O V4-Pro custa menos por token do que o V3 custava, mesmo entregando benchmarks superiores em coding, matemática e orquestração de ferramentas. O V4-Flash leva essa compressão ao extremo: desempenho competitivo para tarefas de complexidade moderada a US$ 0,14 por milhão de tokens de entrada.

A trajetória importa porque ela sinaliza direção. Se o V3 comprimiu o custo em relação aos modelos fechados de 2024 e o V4 comprimiu novamente em 2026, a projeção para o próximo ciclo é de mais uma rodada de compressão. Empresas que estruturam seu gasto em IA com base no preço atual estão se preparando para o mercado de ontem.

Como o DeepSeek V4 impacta a economia de agentes em produção?

Agentes de IA são consumidores de tokens muito diferentes de chatbots. Um agente que executa dez ferramentas por tarefa, com múltiplas rodadas de reasoning e recuperação de contexto, gera um volume de tokens de saída que pode ser ordens de magnitude superior ao de uma interface conversacional. Para uma análise mais detalhada sobre como agentes operam em produção, o guia completo de agentes de IA no B2B detalha a arquitetura e os padrões de consumo de tokens em cargas agentic.

O V4-Pro entrega resultados agentic competitivos. No Terminal-Bench 2.0, que mede a capacidade de operar sistemas de terminal reais, atinge 67,9%, acima de modelos como GLM-5.1 Thinking (63,5%). No SWE-Bench Verified, referência para engenharia de software autônoma, alcança 80,6%, empatando com GPT-5.4 (80,6%).

Para tarefas de codificação pura, os números são ainda mais expressivos. O V4-Pro Max registra 93,5% no LiveCodeBench e rating 3206 no Codeforces, superando o GPT-5.4 xHigh em ambas as métricas.

A implicação prática para times de engenharia que operam agentes de código em produção: tarefas como revisão de pull requests, refatoração de bases de código e debugging autônomo, que antes exigiam modelos de US$ 25 a US$ 30 por milhão de tokens de saída, agora podem rodar a menos de 4% desse custo com perda marginal de qualidade. O delta de desempenho entre 80,6% e 86% no SWE-Bench Verified não é zero. Mas a decisão de pagar 34,5x mais por 5,4 pontos percentuais é uma decisão de arquitetura de gasto, não de engenharia.

Por que a arquitetura híbrida do V4 redefine o custo de contexto longo?

O custo de inferência em contextos longos não escala linearmente com o número de tokens. Ele escala com a complexidade do mecanismo de atenção, que em arquiteturas Transformer tradicionais cresce quadraticamente. Um contexto de 1 milhão de tokens em um modelo sem otimização de atenção longa pode consumir ordens de magnitude mais FLOPs do que um contexto de 100 mil tokens.

A DeepSeek introduziu no V4 uma arquitetura de atenção híbrida que combina Compressed Sparse Attention (CSA) e Heavily Compressed Attention (HCA). O resultado documentado no technical report: em cenários com 1 milhão de tokens em contexto, o V4-Pro exige apenas 27% dos FLOPs de inferência por token e 10% do cache KV em comparação com seu antecessor, o DeepSeek V3.2.

Isso não é uma otimização de software. É uma mudança estrutural que altera a viabilidade econômica de cargas de trabalho inteiras. Processar um corpus de 500 mil documentos jurídicos, rodar análise de uma codebase monolítica de 2 milhões de linhas, manter contexto contínuo em sessões de debugging que duram horas: tarefas que antes exigiam chunking, sumarização intermediária e re-engenharia de prompts agora podem ser executadas com o contexto completo carregado, sem a penalidade quadrática que inviabilizava o custo.

O benchmark MRCR 1M (MMR), que testa recuperação de informações em contexto de 1 milhão de tokens, coloca o V4-Pro Max em 83,5%, acima do Gemini 3.1 Pro High (76,3%). A eficiência arquitetural se traduz diretamente em capacidade de recall sem a contrapartida de custo proibitivo.

Por que o preço bruto por token não é a métrica certa para comparar modelos?

Empresas que consomem modelos via API pagam três camadas de custo, e o preço de tabela do provider é apenas a primeira. A segunda camada é o custo de integração: cada modelo tem contrato, chave de API, estrutura de billing e modalidade de pagamento diferentes. A terceira, específica do mercado brasileiro, é a carga tributária e cambial sobre a remessa internacional.

O custo efetivo de um token consumido por uma empresa brasileira inclui aproximadamente IRRF (15% a 25%), CIDE (10%), PIS (1,65%), COFINS (7,6%), ISS (2% a 5%), IOF (3,5%) e spread cambial (5% a 10%). Uma fatura de US$ 100 mil em tokens pode chegar a aproximadamente US$ 155 mil desembolsados. Essas alíquotas variam conforme o regime tributário da empresa e a estrutura de contratação; os valores citados são referenciais para operações de importação de software via remessa internacional.

Para dimensionar o impacto em escala de produção, considere três cenários de consumo para uma empresa brasileira que opera agentes com 100 milhões de tokens de saída por mês. O custo bruto da API é apenas o ponto de partida. Aplicando uma carga conservadora de 45% entre tributos, IOF e spread cambial (o piso para operações sem estrutura de billing local otimizada), o custo efetivo se multiplica:

O cenário híbrido distribui a carga entre o V4-Flash para tarefas de alta frequência e baixa complexidade e o V4-Pro para tarefas que exigem mais capacidade de reasoning. O custo efetivo anual de aproximadamente R$ 5,2 milhões (convertendo a R$ 5,80) contra aproximadamente R$ 302,8 milhões no cenário de single-provider fechado. O delta não é uma diferença marginal de otimização. É a diferença entre um centro de custo de IA viável e um que consome o orçamento de inovação inteiro da empresa.

A decisão de arquitetura de gasto não é binária: DeepSeek ou OpenAI, Anthropic ou Google. É distribucional: quais cargas de trabalho justificam o custo pleno de um modelo de fronteira e quais podem rodar em modelos de custo radicalmente menor com perda marginal de qualidade. O que determina o custo total não é a escolha do modelo mais barato nem do melhor modelo. É a inteligência de roteamento entre eles. O guia de orquestração de agentes de IA explora como essa lógica de roteamento se aplica a arquiteturas multi-agente em produção.

Um roteador de LLMs como o Nexforce Router resolve essa equação em três níveis: normalização de provedores (uma API, múltiplos modelos, swap sem reintegração), governança de gasto (budget por chave, por agente ou por projeto, com consumo em tempo real) e billing local em reais com nota fiscal e crédito tributário. A economia de token que o V4 entrega na camada de preço bruto se perde se a camada de integração e a camada fiscal não forem equalizadas. A plataforma de agentes da Nexforce aplica essa mesma lógica de abstração de infraestrutura à camada de execução: agentes que operam sobre múltiplos modelos, roteados por complexidade e custo, sem reescrever pipelines a cada novo lançamento.

Onde o DeepSeek V4 ganha e onde ele perde para cargas agentic?

O desempenho do V4 não é uniforme entre domínios. Os benchmarks contam uma história de pontos fortes concentrados e fraquezas específicas que definem a estratégia de roteamento.

Onde o V4-Pro compete de igual para igual:

• Codificação competitiva: 93,5% LiveCodeBench, 3206 Codeforces
• Matemática: 95,2% HMMT 2026, 89,8% IMOAnswerBench
• Orquestração de ferramentas: 73,6% MCPAtlas Public, acima de GPT-5.4 (67,2%)
• Contexto longo: 83,5% MRCR 1M, acima de Gemini 3.1 Pro (76,3%)
• Raciocínio científico: 90,1% GPQA Diamond

Onde o V4-Pro fica atrás dos modelos fechados de fronteira:

• Terminal-Bench 2.0: 67,9% vs GPT-5.4 xHigh (75,1%) e Claude Opus 4.6 (65,4%)
• SWE-Bench Pro (tarefas complexas de engenharia): 55,4% vs Claude Opus 4.6 (57,3%) e GLM-5.1 Thinking (58,4%)
• Apex (raciocínio de fronteira): 38,3% vs Gemini 3.1 Pro High (60,9%) e GPT-5.4 xHigh (54,1%)
• HLE (conhecimento especializado): 37,7% vs Gemini 3.1 Pro High (44,4%)

A leitura operacional desses números: o V4-Pro é a escolha econômica para coding, matemática e orquestração de ferramentas. Para tarefas que exigem raciocínio de fronteira ou engenharia de sistemas complexos, os modelos fechados ainda entregam vantagem material. A estratégia vencedora não é escolher um lado. É usar ambos, roteados por complexidade e criticidade da tarefa.

A disputa pelo share de tokens é uma guerra de infraestrutura, não de modelo

O lançamento do DeepSeek V4 cristaliza uma tendência que já estava em curso desde o V3: a comoditização da capacidade de inferência. Quando um modelo com licença MIT entrega 93,5% no LiveCodeBench a 13% do custo dos líderes fechados, a diferenciação deixa de estar no modelo e passa a estar na camada de infraestrutura que decide qual modelo atender cada request.

Três implicações estruturais para empresas que operam agentes em produção:

1. Single-model lock-in se torna um risco de custo. Contratos anuais com um provider fechado ignoram o fato de que o piso de preço da indústria caiu mais de trinta vezes em menos de um trimestre. A cada ciclo de lançamento de modelos abertos, a desvantagem de custo de estar preso a um ecossistema fechado aumenta.

2. O custo de swap entre modelos precisa ser zero. Se cada troca de modelo exige reescrever integrações, ajustar prompts e refatorar pipelines, a empresa não consegue capturar o spread de preço que modelos como o V4 abrem. A abstração de provedor via gateway de LLMs é um pré-requisito para participar da guerra de share de tokens, não uma otimização.

3. A geografia do gasto importa. O V4-Flash a US$ 0,14 por milhão de tokens de entrada torna economicamente viável rodar agentes em mercados onde o custo efetivo de um token de GPT-5.5, com a carga tributária brasileira, era proibitivo. Mas essa viabilidade só se materializa se a camada de billing também estiver otimizada para a geografia do consumo.

A DeepSeek não venceu a guerra de share de tokens. Ninguém venceu. O que o V4 fez foi tornar visível o custo de não ter uma estratégia de roteamento. Empresas que operam com um único provider estão pagando o preço de ontem com a tecnologia de ontem. A infraestrutura que captura o spread entre o V4-Flash a US$ 0,28 e o GPT-5.5 a US$ 30,00 é a infraestrutura que define o custo real de operar agentes em 2026.

Para aprofundar a análise sobre infraestrutura de IA e economia de modelos em produção, o blog da Nexforce publica análises semanais sobre roteamento de LLMs, agentes e o mercado de IA na América Latina. A Nexforce desenvolve infraestrutura de roteamento e agentes de IA para empresas que operam em escala na América Latina.

Perguntas frequentes sobre o impacto econômico do DeepSeek V4

O DeepSeek V4 substitui modelos como GPT-5.5 e Claude Opus 4.7 em produção?

Não completamente. O V4-Pro compete em coding, matemática e orquestração de ferramentas, mas fica atrás em raciocínio de fronteira (Apex, HLE) e engenharia de sistemas complexos (Terminal-Bench 2.0, SWE-Bench Pro). A estratégia eficiente não é substituição total: é roteamento, usando o V4 para cargas de alto volume e modelos de fronteira para tarefas de alta criticidade.

Qual é a economia real que o DeepSeek V4 pode gerar para uma empresa que roda agentes?

Uma empresa que consome 100 milhões de tokens de saída por mês pagaria aproximadamente US$ 87 mil via V4-Pro contra US$ 3 milhões via GPT-5.5. A economia bruta é de aproximadamente US$ 2,91 milhões mensais. O valor efetivo depende da proporção de tarefas que podem migrar para o V4 sem perda de qualidade e da eficiência da camada de roteamento e billing.

O DeepSeek V4 é open source?

Os pesos são abertos sob licença MIT, o que permite uso comercial, modificação e deploy local. O modelo V4-Flash, com download de 160 GB, é viável para experimentação em hardware de consumo avançado. O V4-Pro exige 865 GB de download e infraestrutura de GPU significativa para inferência local.

O que é a arquitetura de atenção híbrida do DeepSeek V4 e por que ela importa para custo?

É a combinação de Compressed Sparse Attention (CSA) e Heavily Compressed Attention (HCA) que comprime o mecanismo de atenção para contextos longos. Na prática, o V4-Pro consome apenas 27% dos FLOPs e 10% do cache KV que o V3.2 exigia em contextos de 1 milhão de tokens. Isso significa que tarefas com contexto massivo passam a ter viabilidade econômica.

Empresas brasileiras capturam a economia do DeepSeek V4 automaticamente?

Não. O custo efetivo de qualquer API internacional inclui IRRF, CIDE, PIS, COFINS, ISS, IOF e spread cambial, que podem adicionar até 55% ao preço de tabela. A economia bruta do V4 existe, mas a captura total depende de uma camada de billing que otimize a carga tributária e o câmbio. Um roteador de LLMs com billing local em reais e nota fiscal equaliza essa camada, permitindo capturar a economia do modelo sem perder o spread na remessa internacional.

Referências e Leitura Complementar

• DeepSeek V4: Towards Highly Efficient Million-Token Context Intelligence. Technical report oficial da DeepSeek.
• DeepSeek V4: recursos, benchmarks e comparações. DataCamp.
• DeepSeek V4 Pro on HuggingFace. Pesos, benchmarks e documentação técnica.
• DeepSeek V4 Flash on OpenRouter. Pricing e disponibilidade via gateway.
• DeepSeek V4 Pro on Together AI. Especificações e benchmarks de inferência.