Todos estão assistindo aos preços das APIs de modelos caírem, presumindo que a redução de custos da IA é inteiramente uma guerra de preços entre fornecedores de modelos. O DeepSeek V4 é vinte vezes mais barato que o Claude Opus 4.7, o GPT-5.5 continua repricing, e o preço unitário de um token realmente despencou — queda de 99,7 por cento em três anos. E a conta de IA das empresas? A Uber queimou todo o seu orçamento de tokens de 2026 nos primeiros quatro meses do ano. A Salesforce paga cerca de US$ 300 milhões anuais à Anthropic. A Bain pesquisou 951 grandes empresas ao redor do mundo e descobriu que, depois que o gasto acumulado com IA ultrapassou um trilhão de dólares, as economias realizadas ficaram em geral muito aquém das previsões — e 44 por cento das empresas estão executando o que a Bain chama de aposta circular estruturalmente falha: justificar a próxima rodada de investimento em IA com economias de custo que a rodada anterior nunca entregou.
Preço unitário caiu 99,7 por cento, conta total triplicou. Isso não é uma contradição. É um sinal — e o sinal diz: o verdadeiro campo de batalha da redução de custos de tokens nunca foi a página de preços de uma API de modelo.
A Fronteira de Custos Não Está na Página de Preços
Ji Xinhua, CEO do provedor de nuvem chinês UCloud, colocou de forma direta em uma entrevista recente ao InfoQ: o destino final dos tokens é a eletricidade. Quando a energia é barata, os tokens são baratos. Parece simples, mas por trás disso se estende uma cadeia completa — atrás de cada dólar em tokens há eletricidade, terreno, racks, refrigeração, rede, armazenamento, agendamento de GPUs e, por fim, a maneira como uma empresa realmente usa os modelos.
A UCloud construiu seu datacenter em Ulanqab, na Mongólia Interior — não porque a estepa seja um polo de startups de IA, mas porque a energia é barata, o clima é frio (o que torna as metas de PUE alcançáveis), Pequim está perto o suficiente para uma latência controlável, e o local opera com 100 por cento de energia verde. A aritmética explica a escolha: um servidor topo de linha com oito GPUs consome cerca de 6,5 quilowatts, então só os servidores de um cluster de mil placas consomem uma quantidade impressionante de energia por ano — multiplique pelo coeficiente de PUE para obter o total que um datacenter realmente carrega. A escolha da localização de datacenters nunca foi uma decisão técnica. É uma decisão energética. A IA leva essa lógica ao extremo: a conversa tradicional do IDC sobre “quantos racks você tem” agora é uma conversa sobre se um único rack de alta potência pode chegar a 35 quilowatts, se a refrigeração líquida é viável, se os circuitos e o resfriamento sobrevivem à carga máxima sustentada. Datacenters de baixa potência ficam vazios; os de alta potência acumulam pedidos antes mesmo do início da construção.
E essa é apenas a primeira camada.
O Modelo de Custos de Tokens em Cinco Camadas
Abrindo toda a cadeia de custos de IA, aparecem cinco campos de batalha distintos. Nenhum deles é teórico — toda empresa que coloca IA em produção segura as cinco contas.
Camada um: eletricidade. A base da pilha e a mais fácil de ignorar. As empresas debatem dólares por milhão de tokens; o número que realmente determina o custo de longo prazo é quantos tokens úteis um único quilowatt-hora converte. Utilização de GPU, otimização do framework de inferência, estratégia de implantação, eficiência de comunicação, throughput de armazenamento — toda métrica técnica converge para um único número: rendimento de tokens por unidade de energia.
Camada dois: eficiência de computação. Uma GPU não emite tokens só porque está ligada. Seleção de framework, tamanho de implantação, quantização, destilação — isso decide quantos tokens efetivos uma placa produz. “Efetivo” é a palavra-chave: tokens que geram valor de negócio, não tokens queimados em computação redundante, inferência inválida e ciclos de depuração.
Camada três: seleção de modelo. Nem toda tarefa precisa do modelo mais caro e mais forte. Um modelo de 85 pontos é genuinamente melhor em algumas tarefas — mas um modelo de 80 pontos que conclui o trabalho por uma fração do custo costuma ser a resposta certa. Os modelos chineses têm uma enorme vantagem de preço sobre os flagships estrangeiros — o DeepSeek V4-Pro custa cerca de um décimo do Claude Opus 4.7 — e essa diferença já está fazendo empresas americanas votarem com os pés.
Camada quatro: composição de modelos. As empresas precisam parar de esperar que um único modelo resolva tudo. Em uma tarefa complexa, a parte que realmente precisa de um modelo topo de linha pode ser 20 por cento; o resto pertence a modelos mais baratos e rápidos. Código de frontend em um modelo, backend em outro, testes, análise de requisitos e escrita, cada um pareado com seu próprio nível. O destino final maduro: decompor tarefas e deixar a plataforma rotear de forma inteligente, otimizando dinamicamente entre qualidade e custo.
Camada cinco: governança de tokens. A camada mais negligenciada — e o maior buraco de custos das empresas hoje. Muitas empresas reclamam dos custos de IA sem ter nenhuma regra interna de uso: quem está chamando, qual modelo, quantas vezes, se requisições idênticas estão sendo repetidas, se perguntas triviais estão atingindo modelos premium. A era do SaaS cobrava por assento, então mais funcionários ativos significavam mais valor. A era da IA cobra por chamada, então mais uso significa uma fatura mais grossa. Sem um sistema de governança, quanto mais você empurra a adoção de IA, mais você perde. Essas cinco camadas fazem a mesma pergunta — como otimizar entre efeito e custo — mas as empresas ficam olhando para a camada três enquanto a margem combinada de otimização das outras quatro supera qualquer corte de preço de modelo.
Por Que Esse Framework Importa Agora
Meados de 2026 é quando a mudança-chave se concretiza: a IA está saindo do período de teste e entrando no período de prestação de contas. Na lista de tendências de software de junho de 2026 da Ramp, o DeepSeek liderou pela primeira vez o ranking de crescimento nas empresas americanas. O economista-chefe Ara Kharazian chamou isso de possivelmente o sinal mais claro até agora de que as empresas americanas estão caçando alternativas de baixo custo à OpenAI e à Anthropic. O detalhe notável: essas empresas não estão baixando pesos abertos para auto-hospedar. Estão pagando diretamente ao DeepSeek, com os dados fluindo direto para servidores hospedados. Essa migração — de rodar pesos abertos por conta própria para pagar por acesso hospedado — é a verdadeira notícia dessa lista.
Mas barato pode ser onde o problema começa. Quando a penetração de agentes alcançou 8 por cento, o consumo de tokens dos agentes já tinha alcançado o dos chatbots — com uma margem de cinco vezes ainda pela frente. O preço unitário cai para um quarto, o volume de chamadas cresce dez vezes, e a conta só engorda. O preço do DeepSeek faz mais empresas entrarem pela porta e as empurra para um ciclo de consumo mais profundo que não para sozinho. É exatamente por isso que o modelo de cinco camadas merece séria atenção.
O Gargalo Sempre se Move
O framework não é específico da China, e a história da infraestrutura comprova isso. Ji Xinhua descreve a migração: primeiro as GPUs eram insuficientes, então a capacidade cresceu; depois a memória virou o gargalo; quando a memória se expandiu, as redes de interconexão entre placas falharam; resolvida a rede, o agendamento de CPUs ficou para trás; então as conexões entre máquinas e entre datacenters viraram a nova fronteira. O trabalho do sistema como um todo é encontrar o gargalo, quebrá-lo e receber o próximo.
A mesma migração governa as cinco camadas. Enquanto toda empresa briga por cortes de preço de modelos (camada três), os pioneiros já estão otimizando a composição de modelos (camada quatro); quando todos compõem, a governança de tokens (camada cinco) é o que realmente diferencia; e quando a governança amadurece, a eletricidade (camada um) e a eficiência de computação (camada dois) reaparecem como o novo teto. Isso não é uma checklist estática de otimização. É uma escada competitiva dinâmica. A UCloud oferece um detalhe revelador: datacenters de baixa potência na China agora ficam parcialmente ociosos enquanto instalações de alta potência se esgotam antes do lançamento da pedra fundamental — o significado de um datacenter está mudando de “ter um prédio” para “poder carregar IA”. O silício doméstico enfrenta o gargalo espelhado: a restrição não são as especificações de uma única placa, mas o laço ecossistêmico ausente de modelos, frameworks, toolchains e aplicações. A redução de custos nunca foi um evento de etapa única.
Seu Próximo Passo, Por Estágio
- Se você roda toda tarefa no modelo mais caro — comece na camada três. Mova o trabalho rotineiro para modelos baratos; reserve os flagships para raciocínio profundo. Menor barreira, economia visível mais rápida.
- Se você já compõe modelos, mas a conta continua subindo — audite as camadas quatro e cinco. Existe roteamento inteligente entre seus modelos? Os funcionários seguem regras de uso? Quantas requisições duplicadas você está pagando duas vezes?
- Se você está planejando infraestrutura de IA — as camadas um e dois são seu verdadeiro horizonte. Decisões de localização de datacenter, provisionamento de energia e utilização de GPUs travam seus custos de tokens pelos próximos três a cinco anos.
- Se você já sente a armadilha de “quanto mais usamos IA, mais custa” — esta não é culpa dos fornecedores de modelos. É a deixa para mudar do pensamento de corte de preço para o pensamento de governança de tokens: toda despesa de IA deve ser rastreável até um resultado específico de negócio.
O desfecho: a redução de custos de tokens não vai parar nos cortes de preço dos modelos. É, em última análise, uma corrida de eficiência de conversão — de um quilowatt-hora a um lote de tokens — que vai durar de cinco a dez anos. Quem fizer a escolha ótima em cada camada — o modelo certo para a tarefa certa, roteamento inteligente, saída mensurável — detém a verdadeira vantagem competitiva nessa longa otimização estrutural. Redução de custos não é pressão de preço. Redução de custos é engenharia de sistemas.
Fontes: entrevista do InfoQ com o CEO da UCloud, Ji Xinhua; relatório de tendências de software de junho de 2026 da Ramp; pesquisa global da Bain sobre gastos empresariais com IA; NavyaAI Cost Report 2026.
