Tokens de raciocínio: o dial que ninguém regulou

Fechamento de mês. A linha de saída da fatura veio acima da do mês anterior, o número de usuários é o mesmo, o produto é o mesmo e a tabela de preço do fornecedor não mudou. O time responde que ninguém mexeu em nada, e tecnicamente está correto: ninguém mexeu.

O que mudou foi quanto o modelo decide pensar antes de responder. Existe um parâmetro que define isso, ele tem valor padrão, e na maioria das empresas ninguém sentou para escolher em que posição ele fica. É o item da fatura de IA que combina três propriedades incômodas: mexe no custo em ordem de grandeza, está a uma linha de configuração de distância e não aparece em ata de reunião nenhuma.

Chame de token de raciocínio esse rascunho: o texto que o modelo gera para si mesmo antes de escrever a resposta que você lê. Ele existe porque melhora o resultado em tarefa difícil, e cobra por isso em duas etapas.

Na geração, o rascunho é cobrado como saída, a tarifa mais cara da tabela. Depois, nos modelos que preservam os blocos de raciocínio no histórico, ele volta como entrada em todos os turnos seguintes e é cobrado de novo, agora a tarifa de entrada. É a mesma mecânica sem memória que aparece em "A API não tem memória: a conversa inteira é recobrada", com um agravante que vale registrar: aqui o texto reenviado não foi escrito por ninguém da sua empresa, e o volume dele varia de resposta para resposta.

A leitura executiva desse par de números incomoda quem trata raciocínio como interruptor de duas posições. Mais esforço não produziu resultado melhor por real gasto de forma constante: a geração nova entregou a mesma nota consumindo cerca de um quarto dos tokens de saída. Quem fixou tudo no máximo porque máximo soa como qualidade pagou a diferença sem receber nota melhor em troca.

O dial tem cinco posições

O parâmetro de esforço da Anthropic vai de baixo a máximo, em cinco níveis, e controla todos os tokens da resposta, inclusive quantas chamadas de ferramenta o modelo faz. Em esforço baixo o modelo aciona menos ferramentas. Isso transforma o dial num controle sobre o loop inteiro, com efeito de custo que vai bem além do tamanho do rascunho. A conta desse loop é o assunto de "A conta do agente não é a conta do chat", e ela começa exatamente aqui.

Duas medições acadêmicas fecham o raciocínio deste módulo, e a segunda muda como você lê qualquer comparativo que um fornecedor apresentar.

Uma caracterização de cargas agênticas publicada em maio de 2026 mediu que a variante com raciocínio alocou de 45,8% a 67,6% da saída em tokens de pensamento. Entre quase metade e dois terços do que se paga na tarifa mais cara da tabela é rascunho que ninguém da sua empresa vai ler.

Um estudo de julho de 2026, com doze modelos de fronteira em sete conjuntos de avaliação, mostrou que orçamentos de token maiores melhoram substancialmente o desempenho e que avaliações de orçamento fixo subestimam cada vez mais a capacidade dos modelos novos. A consequência prática é direta: a nota de benchmark passou a depender de quanto se decidiu gastar para produzi-la. Comparativo que publica nota sem publicar tokens consumidos deixou de ser comparável, e desmontar esse tipo de material é o assunto de "Benchmark sem custo declarado não é evidência de compra".