Como cortar a conta de IA pela metade sem trocar de modelo

Existe um botão nos modelos de 2026 que decide quanto a inteligência artificial pensa antes de responder. Quase ninguém mexe nele, e ele responde por metade da fatura.

Quando a conta de inteligência artificial de uma empresa começa a incomodar, a primeira reação é sempre a mesma: trocar por um modelo mais barato. É a saída óbvia, e ela custa capacidade. O modelo menor erra mais, precisa de mais tentativas, e a economia por token vira prejuízo por tarefa concluída.

Este artigo é sobre um terceiro caminho, que não aparece na conversa porque não tem nome comercial. Os modelos atuais deixam você escolher quanto eles pensam antes de responder, sem trocar o modelo e sem mudar o preço por token. O mesmo motor, a mesma capacidade máxima disponível, uma fatura diferente.

O que a maioria faz para baixar a conta, e por que isso para na metade do caminho

Existem três alavancas para reduzir gasto com IA, e a maioria das empresas conhece só uma. A primeira é trocar de modelo, que é a conhecida. A segunda é tirar o processamento da nuvem e jogar na máquina de quem usa, que só serve para um conjunto restrito de tarefas. A terceira é a que este artigo trata: manter o modelo e ajustar quanto ele raciocina.

As três não competem entre si. Elas atacam partes diferentes da conta e a diferença prática é o que cada uma cobra de volta. Trocar de modelo cobra teto de capacidade. Mover para o dispositivo cobra previsibilidade, porque nem toda máquina de cliente dá conta. Ajustar o raciocínio cobra profundidade de análise, e só nas tarefas que realmente precisam dela.

A alavanca do raciocínio é a menos usada das três porque é a única que não tem apelo comercial. Ninguém vende um plano chamado "pense menos". Ela mora dentro de um parâmetro da requisição, e por isso costuma ficar no valor padrão de fábrica durante toda a vida de um produto.

O padrão de fábrica, vale registrar, não é o mais barato. É o terceiro de cinco degraus.

O terceiro botão: quanto o modelo pensa antes de responder

Nos modelos atuais, boa parte do que você paga não é a resposta, é o rascunho. O modelo produz um raciocínio interno antes de escrever, e esse raciocínio é cobrado como token de saída, na mesma tarifa do texto que o usuário lê. Token é a unidade que a fatura conta, algo em torno de três quartos de uma palavra pela referência da própria Anthropic. No Claude Opus 5, saída custa cinco vezes o preço da entrada.

O parâmetro que controla isso se chama esforço, e no Claude Opus 5 ele tem cinco degraus: baixo, médio, alto, muito alto e máximo. O padrão da API é o alto, o terceiro. Nenhum degrau muda o preço por token: todos custam os mesmos US$ 5 por milhão de tokens de entrada e US$ 25 por milhão de saída. O que muda é quantos tokens o modelo gasta para chegar na resposta.

O degrau médio entrega 97% da pontuação por 56% do custo

A Artificial Analysis publica uma página separada para cada nível de esforço do Claude Opus 5, rodando a mesma suíte de avaliação no mesmo modelo. É a comparação que interessa, porque isola a variável: não é um modelo contra outro, é o mesmo modelo contra ele mesmo.

Fonte: Artificial Analysis, páginas por variante de esforço do Claude Opus 5, leitura de 31/08/2026.

Duas leituras saltam da tabela. A primeira é que o degrau médio custa 56% do padrão e entrega 97% da pontuação, com o tempo de resposta caindo para um quinto. A segunda é mais dura: o degrau máximo custa 94% a mais que o padrão e empata com o degrau anterior, os mesmos 63 pontos, por quase mil dólares a mais na mesma suíte.

Isso não é um caso isolado de uma casa de benchmark. A própria Anthropic publica medições no mesmo sentido em trabalho de programação de longo prazo com o Opus 5: o nível médio abriu mão de cerca de 2 pontos por metade do custo, e o nível baixo de cerca de 8 pontos por um quarto do custo.

O topo da escala é onde o dinheiro desaparece

O custo por ponto adicional de qualidade não é linear, é uma rampa que vira parede. Subindo do baixo para o médio, cada ponto do índice sai por cerca de US$ 80. Do médio para o alto, o mesmo ponto custa US$ 429. Do alto para o muito alto, US$ 467. E do muito alto para o máximo não há ponto nenhum para comprar.

O joelho da curva está entre o médio e o alto. É ali que o preço de cada ponto adicional multiplica por cinco. Acima disso, você está comprando profundidade para um problema que talvez não seja profundo.

E há o efeito contrário, que a documentação oficial reconhece sem rodeio: nos níveis mais altos o modelo pode elaborar além do que a tarefa pedia, com custo relevante e ganho pequeno, e em tarefas de saída estruturada isso chega a piorar o resultado. Relatos de desenvolvedores em fóruns técnicos apontam a mesma coisa em revisão de código, onde o modelo em esforço alto mexe em mais do que foi pedido e o avaliador penaliza o trabalho fora de escopo. Esses relatos são sinal, não medição, mas apontam na mesma direção do que o fornecedor documenta.

A economia depende da forma da tarefa, não do botão

Aqui está a parte que a maioria dos artigos sobre o assunto erra, e é a que decide se vale a pena mexer nisso na sua empresa.

Os benchmarks acima medem tarefas agênticas: o modelo chama ferramentas, lê o resultado, decide o próximo passo, itera. Nesse formato, o nível de esforço multiplica duas coisas ao mesmo tempo. Multiplica o raciocínio, que é o esperado, e multiplica o número de idas e voltas, porque a documentação é explícita ao dizer que esforço menor faz o modelo usar menos ferramentas. Cada ida e volta reprocessa o histórico como entrada. Por isso o degrau baixo chega a custar 28% do padrão: a economia vem de dois lugares somados.

Agora pegue a forma oposta de tarefa: uma passagem única, um documento entra, uma saída estruturada sai, sem ferramenta e sem iteração. Um contrato para revisar, uma transcrição para virar ata, um relatório para extrair indicadores. Nessa forma, dois fatos oficiais mudam a conta. O primeiro é que a entrada domina o gasto, e a entrada não muda com o esforço. O segundo é que, no Opus 5, mudar o esforço não encurta a resposta visível de forma confiável, só o raciocínio interno.

O segundo número é cálculo nosso, com premissas declaradas no artigo sobre processamento de reuniões. O ponto não é a casa decimal, é a ordem de grandeza: a mesma configuração economiza cerca de três vezes e meia menos numa extração de documento do que no benchmark que todo mundo cita. Quem planeja orçamento a partir do número do benchmark vai errar a projeção para cima.

A pergunta certa antes de mexer no botão, então, não é "qual nível usar". É: a minha tarefa é um laço ou uma passagem?

O que isso vale na sua operação

Para uma operação que processa mil documentos por mês em passagem única, descer do padrão para o médio economiza na casa de dezenas de dólares por mês. Para uma operação agêntica com o mesmo volume, o mesmo movimento economiza centenas. A diferença entre os dois cenários é maior do que a diferença entre dois níveis de esforço.

Isso tem uma consequência prática desconfortável para quem gosta de arquitetura: em passagem única, as estratégias sofisticadas rendem menos do que ligar duas opções que já existem. Processar em duas etapas, com uma passagem barata e outra cara só nos casos duvidosos, esbarra no fato de que o documento é cobrado de novo na segunda passagem. Usar um modelo barato para extrair e um caro para auditar esbarra no fato de que o cache é escopado por modelo, então a arquitetura de dois modelos perde o reuso de cache.

Três coisas economizam mais e não cobram qualidade

Antes de qualquer ajuste que troque capacidade por preço, existem alavancas que não cobram nada em troca. Elas vêm primeiro, e em muitos casos resolvem o problema sozinhas.

• Cache de prompt no conteúdo que se repete entre chamadas, com leitura a 10% do preço da entrada
• Processamento em lote quando ninguém está esperando a resposta, com 50% de desconto em entrada e saída
• Revisão do prompt para tirar instrução escrita para modelo antigo, que hoje só gasta token
• Formato de saída enxuto, definido por exemplo, em vez de resposta longa por inércia

Os números medidos pela Anthropic para essas alavancas são maiores que os do botão de esforço. O cache de prompt cortou o custo de 2,5 a 3,7 vezes em cargas com contexto repetido, e em produção a mediana das requisições já lê 84,2% dos tokens de entrada do cache. O lote tem 50% de desconto fixo e cobra apenas latência de até 24 horas. E limpar do prompt uma instrução do tipo "verifique duas vezes", escrita para uma geração anterior de modelos, cortou 33% do custo sozinha, porque o modelo atual já verifica o próprio trabalho sem que ninguém peça.

Como decidir sem chutar

O nível certo para a sua carga de trabalho não sai deste artigo nem de nenhum benchmark, porque a curva é uma propriedade da tarefa. Sai de uma varredura, e ela é mais barata do que parece.

Junte de 20 a 30 pedidos reais do seu sistema e congele esse conjunto. Rode o conjunto inteiro em cada nível de esforço, com tudo idêntico exceto o parâmetro, uma configuração de cada vez até o fim antes de começar a próxima. Registre, para cada saída, o resultado e o consumo de tokens que a resposta reporta. Leia pontuação e custo por tarefa juntos, nunca separados.

Três detalhes decidem se a varredura mede alguma coisa. Inclua um caso difícil de verdade, porque a curva é sempre plana nos casos fáceis e é na cauda difícil que o esforço alto justifica o preço. Não troque de nível no meio de uma conversa, porque o valor resolvido entra no prompt e invalida o cache, o que distorce a comparação. E se a tarefa executa ações reais, aponte a repetição para um ambiente de teste antes de rodar.

O que você procura é o formato da curva. Plana significa que o nível de baixo já faz o trabalho. Íngreme significa que o nível de cima está ganhando o próprio custo, e agora isso é um número em vez de um medo.

Fontes e método

Apuração de 31 de agosto de 2026. As regras de funcionamento, os preços e as medições próprias da Anthropic vêm da documentação oficial da plataforma Claude, nas páginas de esforço, de cobrança de raciocínio, de preços e do guia de otimização de custo. Os números por nível de esforço do Claude Opus 5 vêm das páginas por variante da Artificial Analysis, que roda a mesma suíte no mesmo modelo trocando apenas o parâmetro.

A normalização, o custo marginal por ponto e a comparação entre laço agêntico e passagem única são cálculo nosso sobre esses dados, com a aritmética descrita no artigo detalhado. Os relatos de fóruns técnicos aparecem identificados como relato e não sustentam nenhuma conclusão sozinhos. A X-Apps não mediu esses valores em laboratório próprio: esta é uma apuração documental, e a varredura descrita na seção anterior é o que produz o número da sua operação.

Preço de tabela e comportamento de modelo mudam. Confira a página de preços do fornecedor antes de fechar um orçamento com base nestes valores.