Última atualização: julho de 2026
Resumo rápido
Se você já implementou um chatbot com IA e descobriu que os custos reais ficaram acima da estimativa, então já sabe algo importante: o uso de IA é mais dinâmico do que qualquer calculadora consegue captar totalmente de antemão. Essa variabilidade faz parte da natureza das conversas reais, e entendê-la é o primeiro passo para de fato controlá-la. Neste mês, fomos além da teoria: rodamos a mesma conversa de cliente com 8 mensagens, com agendamento ao vivo no calendário e transferência para um humano, em três modelos de IA em assistentes idênticos no restante, e anotamos cada centavo. Foi um teste prático rápido, não um benchmark formal, e esse é exatamente o ponto: é o tipo de verificação que qualquer dono de empresa pode fazer no próprio assistente em menos de uma hora, e este guia mostra como. E, chame você o seu de chatbot, assistente de IA ou agente de IA, a mecânica de tokens que determina o custo é a mesma.
"A coisa mais cara em IA não é o modelo. São os tokens que você nem percebeu que estava enviando."
G.H.
1. O que os estimadores acertam — e onde estão seus limites
As calculadoras de custo perguntam: mensagens por dia e modelo de IA. Elas multiplicam um custo típico por mensagem pelo volume.
Em plataformas com cobrança por uso, as mensagens são cobradas por utilização em frações de centavo, e o seletor de modelo geralmente mostra uma estimativa por mensagem antes de você se comprometer com um deles. Deliberadamente não vamos publicar tarifas atuais em um post de blog: os preços evoluem (historicamente, para baixo), e um artigo não é uma página de preços. Para os números reais de hoje, a fonte de verdade é a página de preços da sua plataforma (aqui está a nossa, com a documentação detalhada).
E a razão honesta pela qual nenhum artigo pode publicar "seu custo por mensagem" é que isso varia com quase tudo o que você configura:
- O modelo, e, quando você usa Auto, qual modelo ele escolhe para aquela mensagem específica
- Instruções: o tamanho delas e como são escritas. Elas acompanham toda e qualquer mensagem, e a eficiência da linguagem natural determina o peso delas: as mesmas regras escritas uma vez, em linhas curtas e declarativas, podem custar uma fração da versão cheia de enchimento (o Pilar 1 abaixo mostra como)
- Conhecimento recuperado para aquela pergunta em particular, e quantas buscas isso exigiu
- Tamanho da conversa, já que o histórico acompanha cada nova mensagem
- Estado do cache: uma thread aquecida custa menos do que a primeira mensagem ou a primeira mensagem após uma pausa longa
- Ações acionadas: consultas de calendário, atualizações no CRM e links de pagamento são cobrados quando invocados
- Mídias processadas: áudios, imagens e documentos têm seu próprio peso em tokens
- Recursos em segundo plano que você ativou: pontuação de CSAT, memória, acompanhamentos automáticos
- Tamanho da resposta que a pergunta exige: "qual é o horário de funcionamento?" e "compare estes três imóveis" pedem respostas diferentes
- Padrões de tráfego: um dia viral multiplica o volume mesmo quando todas as tarifas por mensagem permanecem idênticas
Cada um desses fatores é uma alavanca sob seu controle, e o restante deste guia percorre os que mais importam.
Estimativas como essas são honestas. Em nossos testes, a estimativa do seletor de modelos para um dos modelos ficou dentro de 3% do custo observado em uma pergunta típica baseada em conhecimento. O que as estimativas não conseguem prever é como suas conversas reais vão se comportar: quanto tempo vão durar, quais recursos estarão ativos, se o cache estará aquecido ou se haverá picos de tráfego. Essa é simplesmente a diferença entre uma estimativa e um ambiente ao vivo, e o restante deste guia trata das alavancas que controlam isso.
A regra por trás disso é simples: tudo o que você adiciona ao seu assistente vai junto na forma de tokens. Um bloco maior de instruções, mais um documento de conhecimento, um recurso extra: cada adição coloca peso em toda mensagem, e a estimativa do seletor para uma mensagem típica não tem como saber o que você vai construir por cima. Nosso assistente de teste carregava cerca de 9.000 a 10.000 tokens de instruções e conhecimento por mensagem, e o que cada modelo realmente cobrava por esse peso se reduzia a uma coisa: quanto disso o cache absorvia. No nosso teste, o cache de um modelo cobriu quase todo o contexto, outro cobrava tarifa cheia em inícios frios, mas ficava muito mais barato quando a conversa estava aquecida, e a tarifa em cache de um terceiro oferecia pouco desconto. A tabela comparativa mais adiante neste guia mostra os números observados. A estimativa é o mapa; sua configuração é o território.
2. Como o contexto determina os custos
Primeiro, a unidade em que tudo é medido: um token é o pequeno pedaço de texto que um modelo de IA lê e escreve, algo próximo de três quartos de uma palavra em inglês. Os modelos são cobrados por tokens da mesma forma que a eletricidade é cobrada por quilowatt-hora: o que importa não é o número em si, mas saber o que faz o medidor rodar.
O modelo relê todo o contexto da conversa a cada mensagem que responde.
Cada resposta inclui:
- Prompt de sistema (instruções)
- Conteúdo da base de conhecimento / FAQ
- Histórico completo da conversa
- Nova mensagem do usuário
Essa janela de contexto cresce rápido. Em nossos testes de julho, uma pergunta de cliente com quatro palavras foi acompanhada por cerca de 19.000 tokens de contexto. A pergunta nunca é o custo; o contexto é.
Exemplo real: uma resposta que analisamos tinha poucas frases curtas, mas produzi-la custou cerca de 45x o que a estimativa supunha. A resposta não era a despesa. Para escrevê-la, o assistente releu suas instruções, o conhecimento recuperado e toda a conversa até aquele ponto, e cada um desses tokens é cobrado como os visíveis.
Modelo mental: adicionar uma página a um documento, mas reimprimir o documento inteiro toda vez.
A boa notícia: as plataformas modernas já não reimprimem o documento inteiro pelo preço cheio. Essa é a próxima seção, e ela muda a matemática mais do que qualquer outro fator isolado.
3. Prompt caching: a metade moderna da história
Toda mensagem reenvia suas instruções, o contexto de conhecimento e o histórico. Prompt caching significa que o provedor do modelo armazena esse prefixo repetido: a primeira mensagem de uma conversa paga um pequeno adicional para gravar o cache, e as mensagens seguintes o leem de volta por uma fração do preço de entrada (a Anthropic documenta a mecânica, e os principais provedores funcionam de forma parecida). No Invent, isso é ativado automaticamente em todo modelo compatível; não há nada para configurar.
O que observamos ao medir isso:
- As conversas ficam mais baratas à medida que continuam. Em nossos testes, o custo por mensagem do mesmo assistente caiu 35% a 64% quando a conversa estava aquecida, em comparação com a primeira mensagem em início frio.
- O preço do cache varia enormemente entre modelos. As tarifas por token em cache que observamos variaram em cerca de 30x entre o modelo mais amigável e o menos amigável no nosso teste único (números completos na tabela abaixo). Dois modelos com preços de tabela semelhantes podem gerar cobranças muito diferentes apenas por causa do comportamento de cache.
- Os caches expiram durante pausas. Quando um cliente responde depois de um longo intervalo, a próxima mensagem volta a pagar tarifas de início frio. Em nosso teste, uma pausa durante a noite fez a mensagem seguinte de um dos modelos voltar a quase o preço cheio de entrada. Threads de longa duração são baratas enquanto estão ativas, mas toda conversa real tem pausas para o café; inclua no orçamento o reaquecimento.
As regras práticas: mantenha a conversa de um cliente em uma única thread em vez de espalhá-la por novos chats, mantenha seu bloco de instruções estável (cada edição regrava o cache) e espere que a primeira mensagem após qualquer pausa longa custe como uma primeira mensagem.
4. Rodamos a mesma conversa em três modelos. Eis o que vimos.
Como testamos, e o que isto não é. Em uma tarde, uma conversa, uma execução por modelo, no Invent Playground com tarifas de julho de 2026. Isso é uma observação de campo, não um estudo de benchmark: uma comparação rigorosa exigiria muitas execuções, conversas variadas e controles estatísticos. Compartilhamos os números porque a mecânica que eles ilustram (cache, peso do contexto, custos de ações) se generaliza mesmo onde os valores exatos não se generalizam. Seus modelos, seu conhecimento e seus clientes produzirão números diferentes, e a melhor parte é que você mesmo pode produzi-los: todo este teste leva cerca de uma hora para ser replicado no seu próprio assistente.
Para passar da mecânica ao dinheiro, criamos uma empresa de teste realista (uma pequena imobiliária de Miami), demos a três assistentes instruções de 200 palavras idênticas, os mesmos dois documentos de conhecimento, a mesma ação de agendamento em calendário ao vivo e os mesmos recursos avançados (CSAT automático, acompanhamento automático, transferência para humano), e rodamos a mesma conversa de cliente com 8 mensagens em cada um: perguntas sobre disponibilidade, um agendamento, uma mudança urgente, uma consulta de proprietário vendedor e uma escalada. Um dos modelos, o Muse Spark 1.1 da Meta, nós testamos no dia do lançamento.
Muse Spark 1.1, disponível no Invent, lidando com uma escalada com sua discriminação de uso em tempo real. Os valores em verde são preços apenas do Playground; o faturamento em produção não tem linha de desconto.
Para quem só passa os olhos e para os mecanismos de resposta, aqui estão os mesmos números observados em texto:
- Muse Spark 1.1 (Meta): primeira mensagem em início frio US$ 0,0097, thread aquecida US$ 0,0051 (queda de 48%), média de US$ 0,0090 por mensagem, US$ 0,072 na conversa inteira de 8 mensagens.
- Gemini Flash 3 (Google): primeira mensagem em início frio US$ 0,0184, thread aquecida US$ 0,0060 (queda de 64%), média de US$ 0,0118 por mensagem, US$ 0,095 no total.
- Grok 4.3 (xAI): primeira mensagem em início frio US$ 0,0520, thread aquecida US$ 0,0337 (queda de 35%), média de US$ 0,0332 por mensagem, US$ 0,266 no total.
Uma execução cada, assistentes idênticos, observações no Playground com tarifas de julho de 2026. A configuração Auto selecionou Gemini Flash 3 durante toda a nossa janela, então sua economia correspondeu àquela linha.
O que os números nos ensinaram:
- Todo modelo acertou toda resposta nesta execução. Oito de oito, os três, inclusive excluindo corretamente um imóvel pendente e executando uma transferência real para um humano. Em nossa única execução, qualidade não foi o diferencial; economia foi.
- A diferença total foi de 3,7x em nosso teste entre a execução mais barata e a mais cara da mesma conversa. O múltiplo exato vai variar; a razão disso não: comportamento de cache e tarifas por token interagindo com o peso do contexto, nada disso visível em uma página de preços.
- Uma observação sobre a configuração Auto. Auto escolhe um modelo para cada mensagem em vez de fixar você em um só; durante nossa janela de teste, ele selecionou consistentemente Gemini Flash 3, então não o avaliamos como um quarto concorrente. Seu caso de uso de design é justamente a economia desta seção: pagar tarifas premium apenas nas mensagens que exigem raciocínio premium, e deixar as perguntas rotineiras seguirem na faixa eficiente.
- Ações são os melhores tokens que você vai comprar. Em nosso teste, a mensagem de agendamento custou cerca de 2,4x uma mensagem simples de perguntas e respostas e, em troca, o assistente consultou um calendário real e apresentou horários disponíveis ao vivo para sábado. Uma única mensagem com ação substitui todo um ciclo de desencontro por telefone.
- A transferência funcionou como um colega, não como um ticket. Na mensagem de escalada, os assistentes transferiram para um humano com um resumo por escrito da situação, incluindo contexto de mensagens anteriores da conversa, e então saíram de cena. O humano assume já informado, na mesma thread.
E aqui vai uma história de alerta que ainda bem que pegamos nos testes. Em uma execução, um assistente afirmou algo falso no início de uma conversa. Toda resposta posterior naquela thread permaneceu consistente com o próprio erro, mesmo quando a informação correta era recuperável, e a mesma pergunta feita em uma conversa nova foi respondida perfeitamente. A thread contaminada também custou cerca de 2,5x a thread limpa. Daqui saem duas regras: quando um assistente disser algo errado, não discuta com ele naquela thread; corrija a fonte, depois reinicie a conversa ou transfira para um humano. E adicione uma linha de esclarecimento às suas instruções para que a ambiguidade nunca se acumule, por exemplo: "O conteúdo da base de conhecimento é informação pública; quando um cliente perguntar o que está disponível, liste os itens correspondentes."
Mais um pequeno detalhe que vale repassar: nosso calendário de teste ofereceu um horário no domingo, enquanto a política escrita dizia que as visitas acontecem de segunda a sábado. O assistente acreditou no calendário. O que a sua ferramenta de agendamento disser é o que o seu assistente vai oferecer, então mantenha calendários e políticas escritas em concordância.
5. Princípios de engenharia de contexto
Modelos mais baratos ajudam. Mas engenharia de contexto, ou seja, moldar deliberadamente o que entra na janela de contexto, traz os maiores ganhos. Os tokens de entrada dominam os custos, e a entrada está sob seu controle.
Pilar 1: Instruções enxutas, enviadas em toda chamada, para sempre
Seu bloco de instruções acompanha cada mensagem sem exceção, então cada palavra nele é um custo recorrente. Escrever de forma enxuta é uma habilidade:
- Diga cada regra uma vez. Repetição não faz o modelo obedecer mais; faz cada mensagem custar mais. "Seja sempre caloroso, seja sempre educado, nunca seja rude, mantenha um tom amigável" é uma palavra só: caloroso.
- Comportamento nas instruções, fatos no conhecimento. Preços, horários, políticas e catálogos pertencem à base de conhecimento, recuperados só quando uma pergunta precisa deles. As instruções carregam apenas como agir.
- Bullets curtos e declarativos vencem parágrafos. "Mencione a política de cancelamento de 24 horas ao fazer um agendamento" não precisa de explicação sobre por que a política importa.
- Corte preenchimento de personalidade e padrões do modelo. Modelos já são educados e já respondem perguntas; declare apenas os desvios que você realmente quer.
- Estruture sem inchar. Um esqueleto de Papel / Persona / Restrições / Diretrizes / Fluxo de comunicação custa poucos tokens em cabeçalhos e compensa isso toda vez que você precisa editar um comportamento sem caçar no meio da prosa.
- Prefira regras de gatilho planas a árvores de cenários. Uma linha por sinal ("urgência mencionada: ofereça os horários mais próximos e sinalize um agente") se generaliza para formulações que você nunca previu; ramificações de cenários com letras crescem de forma combinatória e ainda assim deixam passar entradas reais. Em nossos testes, um bloco de instruções de 200 palavras com cinco sinais de uma linha executou corretamente nos três modelos.
- O teste dos 30%. Corte um terço, rode novamente suas perguntas padrão de avaliação e continue cortando até a qualidade cair; então volte uma versão. Ser enxuto é uma questão empírica, não estética.
Meta: menos de 500 tokens para assistentes simples; menos de 1.500 para os complexos.
Pilar 2: Recuperação inteligente de conhecimento (RAG)
Jogar FAQs completas em toda chamada é a abordagem ingênua. A recuperação envia apenas as seções relevantes para cada pergunta específica e, no Invent, buscas idênticas ficam em cache gratuitamente por duas horas em toda a sua organização, então as perguntas mais comuns ficam mais baratas por conta própria.
Duas práticas dos nossos testes: divida os documentos pelo que muda (um documento de imóveis atualizado semanalmente ao lado de um documento estável de políticas faz com que as atualizações mexam em apenas um arquivo pequeno), e verifique com uma pergunta de controle antes de entrar no ar. Depois de qualquer envio de conhecimento, faça ao assistente uma pergunta cuja resposta esteja no novo documento. Trinta segundos de verificação protegem você de um assistente que responde com confiança usando só metade do cérebro.
Pilar 3: Gestão do histórico da conversa
- Janela deslizante: apenas as últimas 8 a 10 mensagens
- Resumo: comprimir o histórico antigo em fatos-chave
- Memória seletiva: manter apenas o contexto relevante
- Reinício da sessão: recomeço limpo após a resolução, e sempre depois de uma afirmação errada
Pilar 4: Coloque cada peça no lugar certo
A questão de arquitetura por trás da maioria dos prompts inchados: o comportamento vai em Instructions, os fatos vão em Knowledge, as ações vão em Actions, os dados pessoais vão em Contact properties.
- Instructions acompanham toda mensagem: a menor camada, só comportamento.
- Knowledge é recuperado sob demanda: os fatos ficam aqui, e uma mudança de preço significa trocar um documento, não editar o cérebro do assistente.
- Actions só custam quando são acionadas, e precisam ser conectadas, não descritas. Um texto como "você pode agendar compromissos" faz o modelo falar sobre agendamento; uma ação de calendário conectada faz com que ele agende. O mesmo vale para o escalonamento: nomeie a capacidade de forma imperativa nas suas instruções ("transfira a conversa para a equipe") em vez de descrever o resultado, para que o modelo associe suas palavras à ferramenta real.
- Contact properties guardam quem é o cliente: nome, segmento, preferências, atualizados pela IA ou pela sua equipe conforme as conversas acontecem.
Tudo no seu devido lugar, e toda mensagem roda enxuta: fatos enfiados nas instruções geram cobrança em cada "que horas vocês fecham?", enquanto os mesmos fatos em knowledge geram cobrança só quando alguém realmente pergunta.
Comportamento, fatos, ações e pessoas: os quatro lugares do conteúdo do assistente e o que cada um cobra.
6. Sua checklist de ação
- Revise seu bloco de instruções e corte um terço. Teste a qualidade. Você normalmente vai se surpreender.
- Tire todo fato das instruções e coloque em knowledge. Recupere, não injete.
- Conecte actions para as coisas que seu assistente deve fazer, e nomeie-as explicitamente nas instruções.
- Depois de cada envio de conhecimento, faça uma pergunta de controle antes de entrar no ar.
- Mantenha a conversa de cada cliente em uma única thread; espere que a primeira mensagem após uma pausa longa custe como uma primeira mensagem.
- Se o assistente afirmar algo falso: corrija a fonte, depois reinicie a conversa ou transfira o atendimento. Não discuta com ele dentro da thread.
- Mantenha seus calendários de agendamento e suas políticas por escrito em concordância; o assistente acredita no calendário.
- Direcione perguntas totalmente estáticas (horário, endereço) para botões em destaque com respostas prontas: custo quase zero, sem chamada ao modelo.
- Combine o modelo com a tarefa, ou deixe o Auto escolher por mensagem. Limite o histórico, desative recursos em segundo plano nos quais você não age e controle o processamento de mídia.
- Confira seu painel de uso semanalmente por tipo de evento; para os valores atuais, a calculadora em tempo real sempre mostra os números de hoje.
Os seis hábitos que nosso teste confirmou repetidamente, em um único cartão.
Perguntas frequentes
O que são tokens de IA e como eles funcionam?
Um token é a unidade que os modelos de IA usam para ler e escrever texto, algo como três quartos de uma palavra em inglês: 100 palavras são cerca de 130 tokens, 1.000 tokens equivalem aproximadamente a uma página e meia, e 10.000 tokens dão por volta de 15 páginas. O uso de IA é cobrado por token, tanto pelo que o modelo lê (sua mensagem mais todo o contexto) quanto pelo que ele escreve de volta. É por isso que uma pergunta curta ainda pode ter um custo real: o lado da leitura inclui instruções, knowledge e histórico da conversa, não apenas as palavras que o cliente digitou.
Como os custos de tokens de IA são calculados?
Por token, em três grupos: tokens de entrada (tudo o que o modelo lê: sua mensagem, instruções, knowledge, histórico), tokens de saída (o que ele escreve de volta) e tokens em cache (contexto repetido relido com uma taxa reduzida). Cada grupo tem seu próprio preço por milhão de tokens, que varia por modelo e provedor, e o custo da sua mensagem é a soma dos três. Na prática, a entrada domina para a maioria dos assistentes de negócios, por isso reduzir contexto economiza mais do que encurtar respostas.
Como reduzo o uso de tokens no meu chatbot de IA sem prejudicar a qualidade das respostas?
Escolher o modelo de IA certo para cada tarefa traz os maiores ganhos. Modelos premium se destacam em raciocínio complexo, análise em várias etapas ou conversas sensíveis, mas modelos mais rápidos e baratos lidam tão bem quanto com perguntas e respostas diretas. Em nossos testes de julho, todo modelo que experimentamos respondeu corretamente a uma pergunta de knowledge bem fundamentada; os custos variaram muito mais do que a qualidade.
O que é context engineering para chatbots de IA e por que isso importa?
Context engineering significa controlar intencionalmente o que entra na janela de contexto da IA em cada mensagem: system prompt + base de conhecimento + histórico da conversa. Esses elementos respondem pela grande maioria dos custos de tokens de entrada, e você controla tudo isso. Enxugar prompts, recuperar knowledge em vez de injetá-lo e limitar o histórico são escolhas de design que qualquer pessoa pode implementar hoje.
O que é prompt caching e como ele funciona?
Prompt caching armazena a parte repetida do seu contexto (instruções, knowledge, histórico) para que mensagens consecutivas em uma conversa a leiam de volta por uma fração do preço de entrada, em vez de pagar novamente por ela. Isso economiza dinheiro? Em nosso teste, mensagens aquecidas dentro da thread saíram de 35% a 64% mais baratas do que as frias, então sim, e você não precisa configurar nada no Invent: isso é ativado automaticamente em todos os modelos compatíveis. Duas coisas para saber: o caching funciona dentro de uma conversa ativa e enfraquece após pausas longas, e o preço de tokens em cache varia bastante entre modelos, por isso dois modelos com preços parecidos podem gerar cobranças reais diferentes.
Por que meu custo por mensagem é diferente da estimativa do seletor de modelos?
O seletor mostra uma estimativa típica por mensagem; sua mensagem real carrega o seu contexto específico: tamanho das instruções, knowledge recuperado, histórico da conversa, estado do cache e quaisquer actions disparadas. Em nossos testes, a estimativa ficou a poucos pontos percentuais da realidade em uma pergunta típica com cache, e desviou mais quando o cache estava frio ou a conversa era longa. A estimativa é o mapa; seu contexto é o território.
Devo desativar a pontuação de CSAT e recursos de memória para economizar custos de IA?
Desative apenas os processos de IA em segundo plano que você realmente não está usando.
Qual é a forma mais rápida de cortar os custos de tokens do meu chatbot de IA agora?
Revise e enxugue seu bloco de instruções. Esse texto único é enviado em toda chamada de IA, para sempre, em todas as conversas. Corte instruções verbosas, remova duplicatas, use bullets em vez de parágrafos, teste a versão mais curta. Você verá a diferença em poucas horas, muitas vezes com uma clareza melhor.
Os custos de chatbots de IA vão ficar mais baratos automaticamente à medida que os modelos melhorarem?
Sim, e entender a mecânica dos tokens dá a você uma vantagem duradoura. Os modelos ficam mais eficientes, as plataformas adicionam otimizações automáticas como prompt caching, e os preços caem de forma constante. Quem constrói e domina context engineering e seleção de modelos sempre vai superar quem depende apenas das melhorias dos fornecedores.
O novo modelo mental
As estimativas dão direção com base em médias, e isso é realmente útil. Conversas reais são mais longas, mais ricas, com recursos em segundo plano ativos e com um cache que recompensa a continuidade. Quando você entende os fatores, tamanho do contexto, caching, preços por modelo, processos em segundo plano, você ganha alavancas reais para agir e pode medir em uma hora o quanto elas movem o seu próprio assistente, como fizemos: mesma conversa, mesmas instruções, modelos diferentes, e observar a conta. Na nossa tarde, a diferença foi de 3,7x antes de qualquer otimização. A sua tarde vai mostrar onde está a sua.
Agências e builders que dominam isso operam uma IA conversacional mais enxuta, explicam custos com confiança aos clientes e escalam de forma previsível.
Comece a construir de forma mais inteligente, experimente o Invent grátis hoje.
Relacionados
- Template de System Prompt: Exemplos e Boas Práticas
- Preço por mensagem de chatbot de IA: um guia completo
- Como construir uma base de conhecimento que sua IA possa usar
- IA para agências: assistentes white-label, revenda e margens
- Context Engineering: o que a maioria das pessoas ainda está entendendo errado
