LLM FinOps: o custo da IA para quem assina o orçamento · Capítulo 5 de 24 · 9 min
A conta em português custa mais caro
A régua de quatro caracteres por token é anglófona, o mesmo texto em português consome bem mais tokens, e trocar de geração de modelo muda a conta sem mudar o preço da tabela.
Este capítulo faz parte do curso gratuito LLM FinOps: o custo da IA para quem assina o orçamento.
Duas propostas na mesa, mesma sala, mesma reunião de compras. A do fornecedor B chega vinte por cento mais barata por milhão de tokens, o time confirma que o desempenho serve, e a decisão parece resolvida em quinze minutos. Seis semanas depois a fatura do B vem acima da estimativa e acima do que o A cobraria pelo mesmo trabalho.
Ninguém mentiu na proposta. O preço por milhão de tokens era mesmo mais baixo. O que mudou foi a quantidade de tokens que o texto da sua empresa produz em cada fornecedor, porque a régua que corta texto em token tem versão, tem fornecedor e tem idioma. Todo o material de referência desse mercado foi escrito olhando texto em inglês. A sua operação atende cliente em português, redige contrato em português e anexa documento em português.
Ao final destes nove minutos você será capaz de: (1) exigir que toda comparação de fornecedor seja normalizada pela contagem medida de um texto real da empresa, em português, e não pelo preço de tabela; (2) reprovar estimativa de volume que use a régua de quatro caracteres por token sem declarar o idioma; (3) tratar troca de geração de modelo dentro do mesmo fornecedor como reprecificação, mesmo quando o preço por token não se move; (4) fazer ao time e ao fornecedor a pergunta que resolve o assunto em uma frase, com a data da medição ao lado.
A proposta vem em polegadas e a sua obra é medida em metros
Imagine receber duas cotações de piso. A primeira cobra oitenta reais por unidade, a segunda cobra sessenta e cinco. Você fecha com a segunda e descobre na entrega que a primeira cotou em metro quadrado e a segunda em pé quadrado, que é quase onze vezes menor. O preço unitário era mesmo mais baixo, e a obra saiu muito mais cara, porque a comparação foi feita em cima de duas unidades diferentes com o mesmo nome de "unidade". É exatamente o que acontece com token. O preço aparece por milhão de tokens nas duas propostas, e cada fornecedor conta token com uma régua própria. Quando o texto é português, as réguas se afastam bem mais do que se afastariam em inglês.
Preço por unidade só é comparável depois que as duas propostas usam a mesma unidade. Em token, quem faz essa conversão é a régua de cada fornecedor aplicada ao seu texto, no seu idioma.
A régua tem nacionalidade
A aproximação que circula em toda apresentação sobre custo de IA diz que um token vale cerca de quatro caracteres, ou três quartos de uma palavra. Ela é útil e tem letra miúda que quase nunca é lida em voz alta. A própria Anthropic define token como aproximadamente quatro caracteres ou 0,75 palavra em inglês, e declara na documentação de preços que a contagem exata varia conforme o idioma e o tipo de conteúdo.
Portanto a régua padrão do mercado descreve um caso que não é o seu. Aplicá-la a um volume mensal de texto em português produz uma estimativa baixa por construção, e ninguém nota o erro até a segunda fatura, porque o erro não está no preço: está na quantidade.
Quantos tokens uma palavra consome, por régua e por idioma
| Régua | Tokens por palavra em inglês | Tokens por palavra em português | Inflação do português |
|---|---|---|---|
| Tokenizador do GPT-5 (encoding o200k) | 1,17 | 1,34 | +25% |
| Tokenizador do Claude Sonnet 4.6 | 1,23 | 1,84 | +62% |
| Convenção de mercado citada pela FinOps Foundation (1.500 palavras equivalem a cerca de 2.048 tokens) | cerca de 1,37 (valor derivado da convenção) | não informada | a convenção não cobre outro idioma |
Confiança verificar nas duas primeiras linhas: é medição de terceiro com corpus pequeno. Use a ordem de grandeza para decidir e mande medir o texto real da sua empresa antes de assinar. Tokenizador muda de versão, então a data da medição pesa tanto quanto o valor medido, e a terceira linha existe para mostrar que até a convenção de referência do mercado é anglófona.
Fonte: Linhas 1 e 2: TextKit, jun/2026, corpus de 94 palavras em 7 traduções humanas, medido com tiktoken e com o endpoint oficial de contagem de tokens da Anthropic, dataset publicado em CC BY 4.0. Linha 3: FinOps Foundation, mai/2026.
Os três fatores que inflam a conta brasileira
+25% a +62%
Idioma: tokens a mais para o mesmo texto em português
Faixa conforme o tokenizador do fornecedor, medida em jun/2026
cerca de +30%
Geração: tokens a mais no tokenizador introduzido no Claude 4.7
Mesmo texto, mesmo preço por token, conta maior
2,5 contra 3,4
Densidade: caracteres por token no Opus 5 contra o Opus 4.6
Em um milhão de tokens cabem cerca de 2,5 milhões de caracteres no novo e cerca de 3,4 milhões no anterior
Fonte: Idioma: TextKit, jun/2026 (confiança verificar). Geração e densidade: Anthropic, documentação oficial de preços e de modelos, jul/2026 (confiança alta).
Duas armadilhas para quem leva esses três números para a reunião.
A primeira aparece quando o time propõe trocar de modelo dentro do mesmo fornecedor e apresenta a mudança como neutra em custo, porque o preço por milhão de tokens não mudou. A Anthropic avisa na página de preços que o tokenizador introduzido no Claude 4.7, usado por Opus 4.7, Opus 4.8, Opus 5 e Fable 5, produz cerca de trinta por cento mais tokens para o mesmo texto que o tokenizador anterior. O mesmo relatório, o mesmo contrato e o mesmo atendimento passam a gerar mais tokens. Sem uma única linha nova na tabela de preço, a conta sobe cerca de trinta por cento.
A segunda é multiplicar os três fatores. É tentador fazer 1,62 vezes 1,30 e anunciar que a conta brasileira dobra. Não faça. A medição de português foi feita em uma geração anterior de tokenizador, os dois efeitos se sobrepõem em parte, e nenhuma medição pública quantifica a combinação. O que os três números autorizam é exigir a contagem medida do seu texto. Estimar o efeito combinado por multiplicação produz exatamente o tipo de número que você aprendeu a recusar em "Antes de acreditar em qualquer número de IA".
Onde a comparação ingênua se inverte
Com as razões medidas em mãos, a cena da abertura deixa de ser azar e passa a ser aritmética previsível. A tabela abaixo isola só o efeito do idioma. Os preços por milhão são hipotéticos, escolhidos para que o fornecedor B chegue vinte por cento mais barato de tabela, que é a situação típica de uma proposta na mesa. As razões de tokens por palavra são as medidas de junho de 2026.
Um bilhão de palavras de entrada por mês, dois fornecedores, mesma tarefa
| Linha da conta | Fornecedor A, US$ 2,00 por milhão | Fornecedor B, US$ 1,60 por milhão |
|---|---|---|
| Preço de tabela por milhão de tokens de entrada | US$ 2,00 | US$ 1,60, ou seja 20% mais barato |
| Tokens por palavra em inglês | 1,17 | 1,23 |
| Custo mensal se a cotação for feita em inglês | US$ 2.340 | US$ 1.968, o B ganha por cerca de 16% |
| Tokens por palavra em português | 1,34 | 1,84 |
| Custo mensal com o texto real da operação, em português | US$ 2.680 | US$ 2.944, o B perde por cerca de 10% |
Um bilhão de palavras de entrada por mês é a ordem de grandeza de uma operação com meio milhão de atendimentos mensais, cada um consumindo cerca de duas mil palavras entre instrução fixa, pergunta do cliente e documento anexado. Nessa escala, escolher o fornecedor errado custa US$ 264 por mês, ou cerca de US$ 3.170 num compromisso de doze meses, só na entrada e antes de câmbio e tributo. A conta é proporcional: multiplique ou divida o volume e os dois lados andam na mesma escala, com a inversão intacta. Abaixo de cerca de cem milhões de palavras de entrada por mês a diferença cai para dezenas de dólares mensais, é ruído e não justifica suspender aprovação; acima disso ela é linha de contrato. Só a entrada está aqui: a saída custa cinco a seis vezes mais por token e passa pela mesma régua de idioma, como você viu em "Token, entrada e saída: a unidade da conta e a assimetria que decide onde cortar", o que amplia o efeito em vez de diluí-lo. Valores em dólar de cotação hipotética e sem tributo de remessa.
Fonte: Razões de tokens por palavra: TextKit, jun/2026 (confiança verificar). Preços por milhão: hipotéticos, escolhidos para isolar o efeito do idioma.
Como a comparação de fornecedores chega à sua mesa e como ela precisa chegar
Cotação em preço de tabela
Como chega hoje
- Compara dólares por milhão de tokens entre fornecedores e declara vencedor
- Converte volume de palavras em tokens com a régua de quatro caracteres, sem dizer de que idioma ela é
- Usa o mesmo fator de conversão para todos os fornecedores candidatos
- Trata troca de geração de modelo no mesmo fornecedor como decisão sem efeito na fatura
- Fecha compromisso de volume e orçamento anual em cima da estimativa
Cotação normalizada por idioma e por geração
O que exigir antes de aprovar
- Compara o custo do mesmo trabalho real, em português, já convertido em tokens pela régua de cada fornecedor
- Pede ao time a contagem medida de um documento real da empresa em cada fornecedor candidato
- Registra data e versão do tokenizador ao lado de cada número da comparação
- Trata troca de geração como reprecificação e exige contagem nova antes da aprovação
- Fecha compromisso de volume em faixa, com revisão prevista quando o tokenizador mudar
Sua exposição ao fator brasileiro
Pontue cada linha de 0 a 3 pensando na proposta ou no orçamento de IA que está na sua mesa hoje. Quanto mais alto o total, maior a parcela da sua conta que depende de uma régua que ninguém conferiu. O resultado mede o risco de estimativa que você carrega sem medição, e não serve como previsão de gasto.
0 se quase nada. 3 se praticamente tudo, contando pergunta do cliente, histórico de conversa, documento anexado e instrução fixa.
0 se o time mediu um texto real da empresa em cada fornecedor e registrou a data. 3 se a estimativa saiu de quatro caracteres por token.
0 se a comparação foi normalizada pela contagem de cada régua. 3 se o critério foi o dólar por milhão de tokens da proposta.
0 se não há troca prevista, ou se há e a recontagem já está combinada. 3 se a troca está no plano do time e ninguém falou de recontar tokens.
0 se nada foi comprometido. 3 se existe orçamento anual aprovado, compromisso de volume contratado ou preço de venda ao cliente definido com base nela.
Sua estimativa tem lastro de medição. Mantenha a rotina: a cada troca de modelo ou de fornecedor, exija a contagem nova com data, e guarde o documento de teste usado na medição para que a comparação futura seja com o mesmo texto.
Três perguntas resolvem o assunto, e nenhuma delas exige que você entenda tokenizador.
- 01Para quem montou a estimativa: essa conta foi feita com texto em português ou com a régua de quatro caracteres por token? Qual documento foi medido e em que data?
- 02Para o fornecedor: quanto o meu texto rende de token na régua de vocês? Peça a contagem do mesmo documento que você mandou ao concorrente, e compare os dois números antes de comparar preço.
- 03Para o time, sempre que houver troca de modelo: a contagem de token do mesmo texto muda nessa geração? Se muda, quanto? Sem essa resposta, a troca não é neutra em custo.
Pegue a proposta ou o orçamento de IA que está de fato na sua mesa e responda em três linhas, sem voltar ao texto. Primeira linha: a estimativa que sustenta esse número foi cotada em tokens de qual idioma, e como você sabe? Segunda linha: se a resposta for inglês ou se ninguém souber dizer, qual aprovação você suspende até ver a contagem medida de um documento real da sua operação em cada fornecedor candidato? Terceira linha: qual troca de modelo está prevista para os próximos noventa dias e quem vai apresentar a recontagem de token antes dela. Se a terceira linha não tiver um nome de pessoa e uma data, ela ainda não é uma decisão.
Perguntas frequentes deste capítulo
Isso muda alguma coisa na prática ou é curiosidade técnica?
Se o fornecedor A é mais barato por token, ele não é sempre mais barato?
Devemos pedir ao time que trabalhe em inglês para economizar?
Seu caderno neste capítulo
Abrir o caderno completoSelecione um trecho do capítulo para destacar ou anotar. Nos vídeos e áudios, use Anotar este momento. No teclado, selecione com Shift e as setas e use Alt+Shift+D para destacar ou Alt+Shift+N para anotar.
Salvo neste navegador. Entre na sua conta para levar o caderno a outros aparelhos.
Entre na sua conta para compartilhar o que aprendeu e convidar alguém para estudar com você.
Conexões deste capítulo
Veja o que estudar antes e para onde seguir depois, explore os conceitos e compare abordagens em outros cursos. Sugestões marcadas como “sugerido pelo grafo” vêm dos assuntos em comum, não do índice do curso.
Estude antes
- CursoVídeo com IA: Claude Code, Codex e ElevenLabssugerido pelo grafo4 capítulos de “LLM FinOps: o custo da IA para quem assina o orçamento” usam conceitos apresentados em “Vídeo com IA: Claude Code, Codex e ElevenLabs”.
- CursoPrompt Engineering para Executivossugerido pelo grafo5 capítulos de “LLM FinOps: o custo da IA para quem assina o orçamento” usam conceitos apresentados em “Prompt Engineering para Executivos”.
Conceitos deste capítulo
O mesmo assunto em outros cursos
- MCP para quem decideMedir a fatura invisível do contextoExaminar conexões de Medir a fatura invisível do contexto
- Software e IA para executivosLer a fatura de IA pelo que ela mede de verdadeExaminar conexões de Ler a fatura de IA pelo que ela mede de verdade
- Prompt Engineering para ExecutivosCalcular o custo de uma iniciativa de IA pela tabela de preçosExaminar conexões de Calcular o custo de uma iniciativa de IA pela tabela de preços
- Frontends com VibecodingCalcular custo por tarefa e definir governançaExaminar conexões de Calcular custo por tarefa e definir governança
Leve uma ideia para a prática
Escolha uma atividade no painel e volte a este curso quando quiser.
Atividades e evolução ficam reunidas no painel da sua conta.