Fim do almoço grátis dos tokens: cada tarefa exige o modelo certo

A mudança econômica

O lançamento do Claude Sonnet 5 pela Anthropic reacendeu o debate sobre a precificação da inteligência artificial. Alguns argumentam que as tarifas publicadas por token já não contam toda a história econômica, porque o consumo efetivo e o comportamento dos modelos - incluindo o uso de tokens de raciocínio - podem alterar significativamente o custo real. Alternativas como Fable 5, por sua vez, chegam a custar o dobro do modelo topo de linha anterior da Anthropic e deixaram de ser tratadas como recursos ilimitados em planos. O ponto comum é que tanto a economia quanto as estruturas de preço da IA estão mudando.

Muitas empresas que usam IA em ferramentas de marketing, porém, foram construídas sobre duas premissas: os tokens continuariam baratos para sempre e a quantidade necessária para atingir determinado resultado permaneceria estável. Durante anos, escolher o maior modelo disponível pareceu uma estratégia razoável, enquanto o custo do hardware permanecia dentro do orçamento. Mas, quando a inteligência passa a ter um preço relevante, o modelo mais poderoso deixa de ser automaticamente a opção mais econômica.

Por que os gastos continuam subindo

As decisões atribuídas à IA na publicidade variam bastante. Avaliar se um vídeo é adequado para uma campanha voltada a famílias, verificar se um criador combina com os valores de uma marca e identificar possíveis violações de políticas de plataforma são tarefas importantes, mas diferentes de resolver um problema jurídico complexo ou provar um resultado matemático de fronteira.

Dados da Ramp, que acompanha os gastos com IA em dezenas de milhares de empresas, mostram que o custo médio por milhão de tokens caiu acentuadamente no último ano, enquanto os gastos totais com IA continuaram crescendo. Isso ocorre por dois motivos. Em amplitude, as empresas passaram a usar IA para resolver muito mais problemas. Em profundidade, a maioria dos modelos modernos agora vem com raciocínio habilitado por padrão. Antes de produzir a resposta, esses modelos usam muitas vezes mais tokens para analisar o problema. Assim, tokens mais baratos não reduziram necessariamente os orçamentos: estimularam um consumo muito maior, em um exemplo do paradoxo de Jevons.

O modelo deve acompanhar a tarefa

A consequência é uma volta à economia por unidade: o que importa não é apenas o preço de cada token, mas quanto custa chegar à resposta correta. Pesquisadores propuseram o conceito de “cost-of-pass”, que estima o custo esperado para produzir um resultado correto. A conclusão é que diferentes tipos de modelo são economicamente adequados para diferentes trabalhos: modelos leves tendem a funcionar melhor em tarefas simples; modelos maiores, em problemas que exigem mais conhecimento; e modelos com raciocínio só compensam o custo adicional quando a complexidade do problema o justifica.

Essa lógica também aparece na segurança de marca, em que é necessário decidir quando confiar na saída de um modelo e quando encaminhar a decisão para uma revisão humana mais cara. Para a IA empresarial, resolver bilhões de decisões repetitivas com eficiência é um desafio de engenharia diferente de solucionar um único problema extraordinariamente difícil. A arquitetura precisa refletir essa diferença, mesmo que isso exija abandonar a preferência por novidades e pelo modelo mais sofisticado.

A pergunta para os fornecedores

O preço por token dos modelos de fronteira pode subir ou cair, mas o custo para resolver problemas complexos aumentará. A Anthropic não será o último laboratório a fazer esse movimento. Por isso, a pergunta central para os profissionais de marketing não é qual modelo um fornecedor usa, mas por que todas as tarefas recebem o mesmo modelo. Se a resposta for hábito, e não uma decisão arquitetural, essa falta de dimensionamento pode explicar a próxima surpresa na fatura.