Custo real das APIs de IA em 2026: cache e roteamento de modelos

Índice

• Preços de API por milhão de tokens (novembro de 2026)
• A fórmula do custo real por tarefa

  • Exemplo: uma tarefa de 2 milhões de tokens de entrada
• Como aproveitar o cache
• Roteamento de modelos: não mande tudo para o mais caro

  • Exemplo ilustrativo
  • Antes de montar uma cascata, teste o simples
• Como escolher o modelo sem depender de benchmarks
• Plano de ação

Comparar modelos pelo preço de entrada por milhão de tokens é enganoso. Numa aplicação real, e sobretudo num agente que lê o seu código ou os seus documentos várias e várias vezes, o que define a conta é outra coisa: quanto do prompt é lido do cache e qual modelo resolve cada tarefa.

Este guia não é um ranking de quem ganha nos benchmarks. É um método para calcular quanto cada tarefa custa de verdade e para baixar esse custo sem perder qualidade. Se você procura qual modelo do Claude escolher para programar, explicamos isso em Opus 5.5 vs Sonnet 5.5. Se o que lhe interessa são as assinaturas para uso pessoal, veja os preços reais da IA em 2026.

Preços de API por milhão de tokens (novembro de 2026)

Modelo	Entrada	Leitura de cache	Saída	Observação
Claude Opus 5.5	4,00 USD	0,20 USD	20,00 USD	Contexto de 1M
Claude Sonnet 5.5	2,00 USD	0,20 USD	10,00 USD	Contexto de 1M
Claude Haiku 5.5	0,10 USD	—	0,50 USD	Até 100K tokens por prompt; mais caro acima disso
GPT-5.5 (OpenAI)	5,00 USD	0,50 USD	30,00 USD	Adicional acima de ~272K tokens de entrada
Gemini 3.1 Pro (Google)	2,00 USD	0,20 USD	12,00 USD	Mais caro acima de 200K; o cache cobra armazenamento por hora
DeepSeek V4.1 Flash	0,30 USD	0,006 USD	1,20 USD	Tarifa no horário de pico; metade do preço fora do pico

Fontes: páginas de preços da Anthropic, OpenAI, Google e DeepSeek, e comparadores que as replicam. Os preços mudam com frequência; trate-os como uma foto do momento e confirme antes de fazer o orçamento.

Duas leituras rápidas da tabela:

• A leitura de cache custa entre 10 e 50 vezes menos que a entrada normal. É esse o número que mais pesa num agente.
• A saída é cara em todos. Pedir respostas curtas e estruturadas também reduz a conta.

A fórmula do custo real por tarefa

Uma tarefa de agente (por exemplo, «corrija este bug») são muitas chamadas ao modelo. Em cada uma delas é reenviado quase o mesmo contexto: instruções, arquivos, histórico. A fórmula para somá-las é:

Custo por tarefa = (tokens novos × preço de entrada + tokens de cache × preço de cache + tokens de saída × preço de saída) ÷ 1.000.000

Onde:

• Tokens novos: entrada que não estava em cache (o que é novo em cada chamada).
• Tokens de cache: entrada lida do cache. Em laços de agentes bem montados, costuma ser a grande maioria.
• Tokens de saída: o que o modelo gera.

Exemplo: uma tarefa de 2 milhões de tokens de entrada

Premissas: 2.000.000 de tokens de entrada somando todas as chamadas, 90% lidos do cache (1,8M) e 200K novos, mais 20.000 tokens de saída. Não inclui o custo de gravar o cache nem os adicionais de contexto longo.

Modelo	Novos	Cache	Saída	Total por tarefa
Claude Opus 5.5	0,80	0,36	0,40	≈1,56 USD
Claude Sonnet 5.5	0,40	0,36	0,20	≈0,96 USD
Gemini 3.1 Pro	0,40	0,36	0,24	≈1,00 USD
GPT-5.5	1,00	0,90	0,60	≈2,50 USD
DeepSeek V4.1 Flash (pico)	0,06	0,01	0,02	≈0,10 USD

Sem cache, a mesma tarefa no Opus 5.5 custaria cerca de 8,40 USD (2M × 4 USD + saída). Só o cache reduz o custo mais de cinco vezes. Por isso, antes de trocar de modelo para economizar, vale revisar se o seu cache está funcionando.

Como aproveitar o cache

O cache funciona por prefixo: o provedor guarda o início do prompt e o reutiliza enquanto ele for idêntico byte a byte. Qualquer mudança no início invalida tudo o que vem depois.

• O fixo, primeiro. Instruções do sistema, descrição das ferramentas e documentos de referência, no começo e sempre na mesma ordem.
• O variável, por último. A pergunta do usuário, a data e os identificadores da solicitação vêm depois da parte em cache.
• Cuidado com os invalidadores silenciosos. Uma marca de horário no prompt do sistema, um JSON com as chaves em outra ordem ou uma lista de ferramentas que muda entre chamadas quebram o cache sem gerar erro.
• Meça. As APIs informam quantos tokens foram lidos do cache. Se esse número for zero em chamadas repetidas, algo está mudando o prefixo.

Roteamento de modelos: não mande tudo para o mais caro

Nem todas as tarefas precisam de um modelo de fronteira. Classificar um ticket, resumir um log ou extrair campos de um e-mail é bem feito por um modelo barato. Refatorar um módulo de autenticação ou depurar um problema de concorrência, não.

Um roteador decide para qual modelo vai cada solicitação:

Solicitação
   │
   ▼
Classificador (regras ou um modelo barato)
   │
   ├── Tarefa complexa (refatoração, depuração, raciocínio) ──► Modelo de fronteira
   │                                                           (Opus 5.5, GPT-5.5, Gemini Pro)
   │
   └── Tarefa rotineira (classificar, resumir, extrair) ─────► Modelo econômico
                                                              (Haiku 5.5, DeepSeek Flash)

Pode ser implementado com um classificador próprio ou com camadas como OpenRouter ou LiteLLM, que oferecem uma única API para vários provedores.

Exemplo ilustrativo

Uma equipe processa 1.000 tarefas por mês, todas no Opus 5.5, a 1,56 USD cada uma: 1.560 USD por mês.

Depois de analisar as chamadas, ela descobre que 65% são rotineiras. Envia essas ao Haiku 5.5 (cerca de 0,21 USD por tarefa, mesmo sem cache) e mantém os 35% complexos no Opus 5.5:

• 350 tarefas × 1,56 USD = 546 USD
• 650 tarefas × 0,21 USD ≈ 137 USD
• Total ≈ 683 USD por mês, 56% a menos.

O número exato depende da sua mistura de tarefas; o princípio se repete. A condição é medir que a qualidade das tarefas rotineiras não caia.

Antes de montar uma cascata, teste o simples

Um roteador acrescenta complexidade e, além disso, cada modelo tem o seu próprio cache, então ele divide o benefício do cache. Às vezes é melhor usar um único modelo de fronteira com um nível de esforço ou raciocínio menor nas tarefas fáceis. Compare com os seus próprios testes antes de construir o roteador.

Também ajuda não depender de um único provedor por razões de disponibilidade e preço; explicamos isso em por que diversificar provedores de IA.

Como escolher o modelo sem depender de benchmarks

As pontuações de benchmark mudam a cada versão, em geral são publicadas pelos próprios provedores e nem sempre refletem as suas tarefas. Um método mais confiável:

1. Monte um conjunto de 20 a 50 tarefas reais do seu produto, com a resposta esperada.
2. Rode-as em dois ou três modelos e pontue a qualidade (manualmente ou com um modelo juiz e uma rubrica).
3. Calcule o custo por tarefa concluída, não por chamada: um modelo barato que precisa de três novas tentativas não é barato.
4. Decida por tipo de tarefa, não um modelo para tudo.

Plano de ação

1. Audite 7 dias de chamadas. Registre o tipo de tarefa, os tokens novos, de cache e de saída, e o modelo usado.
2. Calcule o seu custo por tarefa com a fórmula acima e encontre as tarefas mais caras.
3. Corrija o cache primeiro. É a maior economia e não muda a qualidade.
4. Roteie o trabalho rotineiro para um modelo econômico e meça se a qualidade se mantém.
5. Revise a sua margem. Se você cobra uma assinatura, confira se o consumo projetado de API por cliente cabe no preço, com a calculadora de margem de lucro.