Modelo caro para tudo é desperdício aprovado

A pergunta chega sempre na mesma reunião, quase sempre depois do intervalo. O financeiro projeta a linha de gasto com IA, o número está acima do orçado pelo terceiro mês seguido, e o time técnico explica que o volume cresceu. Então alguém pergunta qual modelo a empresa está usando, e a resposta costuma ser um nome só.

Um nome só quer dizer que ninguém decidiu nada. Quer dizer que a classificação de um e-mail de dez linhas e o parecer que sai assinado para o cliente passam pelo mesmo motor, ao mesmo preço por milhão de tokens. Em julho de 2026, dois modelos da mesma linha de um único fornecedor podem diferir 25 vezes no preço de entrada, e do teto ao piso da tabela pública o intervalo chega a 214 vezes.

Pagar o teto para a tarefa do piso costuma entrar no orçamento com aparência de decisão técnica. Chega à fatura como despesa aprovada por omissão: ninguém escolheu, e por isso ninguém precisa justificar.

A régua existe e é pública. Ao contrário de quase tudo que se discute em reunião de orçamento de tecnologia, o preço por milhão de tokens de cada modelo está na página oficial de cada fornecedor, aberta, sem login e sem intermediário. A tabela abaixo traz a cotação de julho de 2026, ordenada do teto ao piso, com a coluna que a maioria das apresentações omite: quantas vezes cada linha custa acima do modelo mais barato da própria tabela.

Dois recortes dela sustentam a conversa inteira e vale memorizá-los. Dentro da linha da OpenAI, o gpt-5.6-sol custa US$ 5 por milhão de tokens de entrada e o gpt-5.4-nano custa US$ 0,20, uma diferença de vinte e cinco vezes no mesmo fornecedor e na mesma fatura. Entre fornecedores, o Claude Opus 5 custa US$ 5 de entrada e o DeepSeek v4-pro custa US$ 0,435, cerca de onze vezes. O piso de triagem do mercado está no DeepSeek v4-flash, a US$ 0,14 de entrada e US$ 0,28 de saída, e no Mistral Small 4, a US$ 0,15 e US$ 0,60.

Onde a sua carga cai em relação ao mercado. Um rastreador de preços de terceiros, o BenchLM, calculou em julho de 2026 uma mediana de US$ 1,00 por milhão de tokens de entrada e US$ 4,00 de saída entre cerca de cento e trinta modelos acompanhados. Trate esse par como referência de ordem de grandeza e nada além disso: é fonte secundária, mistura modelos de portes muito diferentes e se move de mês a mês. A utilidade é uma só. Se a sua operação inteira roda a US$ 5 de entrada, ela está cinco vezes acima da mediana do conjunto que essa ferramenta acompanha, e um múltiplo desses precisa de justificativa escrita em algum lugar da casa.

A tese de que o modelo pequeno dá conta tem endereço acadêmico. A NVIDIA Research publicou em junho de 2025 um artigo (arXiv 2506.02153) sustentando que modelos pequenos são suficientemente capazes, mais adequados e necessariamente mais econômicos para boa parte das invocações em sistemas agênticos, e propondo desenhos heterogêneos em que o modelo grande aparece por exceção. Vindo de quem vende o hardware que treina os modelos grandes, o argumento carrega um peso próprio.

Quatro faixas de compra, conforme o quanto a carga tolera esperar. A FinOps Foundation organiza a compra de inferência em quatro faixas, e vale aprender os nomes porque são eles que a documentação do fornecedor usa quando cobra tarifa diferente pelo mesmo modelo. A primeira faixa é a que você já conhece pelo nome de lote (bulk, nos documentos em inglês), tratada em "Metade da conta por esperar: o desconto de lote". As outras três vêm logo abaixo, ao lado do termo que a Foundation usa para dizer se o token pago entregou o que havia sido prometido. Um aviso de vocabulário antes de seguir: a Foundation chama esse conjunto de quatro faixas de fronteira de Pareto da inferência, e essa palavra aqui não tem relação com "modelo de fronteira", que na tabela acima significa topo de linha de preço.