Guia
Como funciona o preço por token de LLMs
Toda grande API de LLM cobra por token, um pedaço de texto de cerca de quatro caracteres ou três quartos de uma palavra em inglês. Os preços são cotados por milhão de tokens, e os tokens de input (seu system prompt, o histórico da conversa, os documentos recuperados e os resultados de ferramentas) são cobrados separadamente dos tokens de output (o texto que o modelo gera). O output é quase sempre o lado caro: na maioria dos modelos atuais, cada token de output custa de quatro a cinco vezes mais que um de input, porque gerar tokens um de cada vez consome muito mais tempo de GPU do que ler um prompt em paralelo.
Isso resulta em uma fórmula simples para qualquer requisição: tokens de input × preço de input ÷ 1M + tokens de output × preço de output ÷ 1M. Uma requisição de chatbot com 2.000 tokens de input e 500 tokens de output no Claude Sonnet 5.5 ($2.00 de input / $10.00 de output por 1M) custa cerca de $0.009. Com 10.000 requisições por dia, isso dá aproximadamente $2,738 por mês. A calculadora acima faz exatamente esse cálculo para todos os modelos de uma vez, para você ver quanto a mesma carga de trabalho custa em cada provedor.
Comparando os preços das APIs da OpenAI, do Claude e do Gemini
O preço de tabela é um ponto de partida, não a resposta. Dois modelos com o mesmo preço por token podem gerar faturas bem diferentes se um deles escreve respostas mais longas, precisa de um prompt maior para se comportar bem ou gasta mais tokens de raciocínio ocultos. Modelos intermediários como Claude Sonnet 5.5, GPT-6.2 Sol e Gemini 4 Carbon têm hoje preços quase idênticos, então uma comparação justa de custo de LLM passa as suas próprias contagens de tokens por cada um deles. Para ver rapidamente todas as tarifas de input, input em cache e output, use a tabela de preços de API de LLM.
Por que agentes de IA multi-turn custam mais que chatbots
APIs de LLM não guardam estado. Para continuar uma conversa, seu código reenvia o histórico inteiro a cada chamada, e um agente acrescenta a esse histórico definições de ferramentas, chamadas de ferramentas e os outputs delas a cada passo. Por isso, os tokens de input crescem a cada turno, e o input total de uma sessão cresce aproximadamente com o quadrado do número de turnos.
Pense em um agente de código ou de pesquisa que começa com 12.000 tokens de contexto, acrescenta 2.500 tokens de output de ferramentas e 500 tokens do próprio output a cada turno, e roda por 25 turnos. Uma estimativa ingênua diria 25 × 12.000 = 0,3M tokens de input. O número real é de cerca de 1,2M, 4× mais, porque o turno 25 relê tudo o que os 24 turnos anteriores produziram. Sem cache, essa única sessão custa cerca de $2.52 no Claude Sonnet 5.5. Uma calculadora de custo de agentes de IA precisa modelar esse crescimento de contexto, e é isso que o modo Pro / Agente acima faz. Agentes de voz seguem o mesmo padrão a cada fala; a calculadora de custo de agente de voz com IA modela isso junto com speech-to-text, text-to-speech e telefonia.
Como o prompt caching e os descontos da Batch API reduzem sua fatura
Prompt caching
Como os agentes reenviam o mesmo prefixo várias vezes, os provedores permitem colocá-lo em cache. Tokens de input em cache no Claude Sonnet 5.5 custam $0.10 por 1M em vez de $2.00, um desconto de 95%. A Anthropic cobra um adicional para gravar o cache ($2.50 por 1M); a OpenAI e o Google fazem cache automaticamente para prompts acima de um tamanho mínimo. Com uma taxa de acerto de cache de 85%, a sessão de agente acima cai de $2.52 para cerca de $0.677, uma economia de 73%. Para conseguir taxas de acerto altas, mantenha tudo o que é estável (system prompt, schemas de ferramentas, documentos de referência) no início do prompt e acrescente o conteúdo novo no final. Um timestamp ou ID de usuário perto do topo do prompt quebra o cache em toda requisição.
Batch API
Se você não precisa da resposta em tempo real, a Batch API da OpenAI, da Anthropic e do Google dá 50% de desconto nos tokens de input e de output em troca de resultados em até 24 horas. Evals, classificação de documentos, extração de dados, reprocessamento de embeddings e resumos noturnos são bons casos de uso. Os descontos de batch e de cache podem ser combinados, e é por isso que pipelines offline costumam ser as cargas de LLM mais baratas de rodar.
Como os tokens de raciocínio ocultos são cobrados
Modelos de raciocínio pensam antes de responder. Esses tokens de raciocínio são gerados como qualquer outro output e cobrados pela tarifa de output, mas a maioria das APIs nunca os mostra para você. Uma resposta visível de 500 tokens que precisou de 1.000 tokens de raciocínio é cobrada como 1.500 tokens de output: $0.015 em vez de $0.005 no Claude Sonnet 5.5. O uso de raciocínio varia com a dificuldade da tarefa e com as configurações de esforço, então meça-o pelo campo usage de respostas reais e ajuste o multiplicador de raciocínio na calculadora de acordo. Os tokens de raciocínio não são levados para o contexto do turno seguinte, então aumentam o custo de output sem inflar o lado do input em um loop de agente.
Dicas práticas para reduzir o gasto mensal com API de LLM
- Roteie por dificuldade. Mande chamadas simples de classificação, extração e roteamento para um modelo econômico e reserve os modelos topo de linha para os casos difíceis. Muitas equipes cortam de 60% a 80% do gasto assim.
- Limite o tamanho do output. Os tokens de output são o lado caro. Defina max_tokens, peça formatos concisos como JSON e evite fazer o modelo repetir o input.
- Projete os prompts para o cache. Coloque o conteúdo estável primeiro e o variável por último, e confira a contagem de tokens em cache nas respostas da API para confirmar os acertos.
- Enxugue o contexto do agente. Resuma ou descarte outputs antigos de ferramentas em vez de carregar conteúdos completos de arquivos e logs por todos os turnos.
- Use batch para tudo o que pode esperar. Metade do preço pelo mesmo modelo é a economia mais fácil que existe.
- Ajuste o esforço de raciocínio. Use esforço baixo ou médio, ou um modelo sem raciocínio, quando o raciocínio profundo não melhora os resultados.
- Reavalie o self-hosting em escala. Com bilhões de tokens por mês, um modelo open-weight em uma GPU dedicada pode sair mais barato. Use a calculadora de ponto de equilíbrio entre API e self-hosting para encontrar o seu ponto de virada e a calculadora de VRAM para LLM para dimensionar o hardware.
Todos os números desta calculadora ficam na URL da página, então, quando tiver uma estimativa, você pode copiar o link e compartilhar com sua equipe ou com o responsável financeiro.