Introdução
A recente decisão da DeepSeek de reduzir drasticamente os preços de seu modelo V4-Pro em 75% deveria ter sido uma notícia inequivocamente positiva para fornecedores e desenvolvedores de IA empresarial. No entanto, muitas empresas estão descobrindo que modelos mais baratos não se traduzem automaticamente em margens mais saudáveis. O motivo é simples: enquanto os custos de inferência despencam, os sistemas de agentes estão consumindo tokens mais rapidamente do que os preços estão caindo, criando um paradoxo econômico que desafia os modelos de negócio tradicionais de software.
Durante as últimas duas décadas, a economia de software foi ditada pela mesma regra: a infraestrutura ficava mais barata a cada ano, enquanto as aplicações se tornavam mais capazes. A IA foi inicialmente teorizada para seguir o mesmo padrão. À medida que os modelos de fronteira melhoravam e os preços dos tokens caíam, muitos assumiram que a inferência se tornaria uma despesa operacional negligível. Essa suposição começou a desmoronar exponencialmente, revelando um desafio fundamental para empresas que apostam em agentes de IA como diferencial competitivo.
O problema da amplificação de tokens
Um chatbot tradicional geralmente transforma uma pergunta do usuário em uma única chamada ao modelo. Um agente de IA, por outro lado, transforma essa mesma pergunta em uma cadeia complexa de planejamento, recuperação de informações, uso de ferramentas, verificação, sumarização e decisões de acompanhamento. O usuário vê apenas uma resposta, mas o fornecedor paga por todo o loop de processamento.
Esse é o problema 100x: a mesma solicitação visível ao usuário pode custar muito mais para servir como um fluxo de trabalho agêntico do que como uma resposta de chatbot ou geração aumentada por recuperação (RAG). Em fluxos de trabalho mais longos, o multiplicador é ainda maior. A queda nos preços dos modelos ajuda, mas não corrige uma arquitetura de produto que transforma um prompt em dezenas de operações faturáveis.
A escala do que está em jogo fica clara na forma como os próprios provedores de modelos estão precificando relacionamentos com desenvolvedores. O programa proposto pela OpenAI de oferecer a cada startup do Y Combinator US$ 2 milhões em créditos de API – um número que teria financiado uma rodada seed inteira em qualquer ciclo tecnológico anterior – é menos um benefício de recrutamento e mais uma admissão do que agora custa operar uma empresa nativa de IA durante seu primeiro ano de produto.
Anatomia de uma consulta agêntica
Uma consulta aparentemente simples como “O que nosso principal cliente perguntou na semana passada?” normalmente envolve sete operações precificadas antes de retornar uma resposta:
1. Prompt do usuário (~50 tokens)
2. Prompt do sistema e definições de ferramentas (~3.000 tokens, repetidos em cada chamada)
3. Recuperação (~5.000 tokens de contexto)
4. Chamada do modelo #1 – seleção de ferramenta (8.000 entrada / 200 saída)
5. Execução da ferramenta (~4.000 tokens retornados)
6. Chamada do modelo #2 – sumarização (12.000 entrada / 400 saída)
7. Chamada do modelo #3 – decisão de acompanhamento (12.400 entrada / 100 saída)
Uma frase de entrada resulta em aproximadamente 35.000 tokens de entrada faturados. Algo entre US$ 0,10 e US$ 0,40 por consulta em um modelo de fronteira. Multiplique isso por um milhão de consultas por mês – o volume básico para qualquer recurso B2B empresarial – e o item de linha chega a seis dígitos.
Por que isso quebra o modelo de negócios de IA existente
A história dominante de precificação para IA empresarial tem sido o SaaS baseado em assentos: pague por usuário por mês, entregue capacidade de agente, capture margem. Esse modelo assume um custo por usuário razoavelmente limitado.
A amplificação de tokens quebra essa suposição. Um usuário avançado executando 50 invocações de agente por dia em um plano de US$ 40 por assento pode custar mais em inferência do que o plano cobra. Quando a atividade diária de agente de um usuário avançado custa mais em inferência do que sua taxa de assinatura mensal, as margens brutas do fornecedor se tornam negativas – um paradoxo que se agrava à medida que os clientes aprofundam sua adoção de agentes, exatamente a curva de uso que os fornecedores estão vendendo para seus conselhos.
Vários fornecedores estão agora relatando privadamente margens brutas negativas em usuários pesados, espelhando relatórios recentes de gastos em nuvem da coorte ‘Supernova’ da Bessemer, onde a correlação entre adoção de agentes de IA e contração de margem bruta passou de um risco teórico para um vento contrário primário no P&L.
Os sintomas visíveis começaram a vazar para a cobertura pública. A Bloomberg documentou esta semana uma lacuna crescente entre as demonstrações de marketing do Agentforce da Salesforce e as capacidades realmente entregues aos clientes. Este é o tipo de lacuna que se abre previsivelmente quando a funcionalidade prometida é tecnicamente possível, mas antieconômica para servir ao preço que o plano de assentos implica. A Salesforce é o caso mais observado, não um caso único.
Orquestração de agentes: a nova vantagem competitiva
As respostas técnicas são conhecidas e convergentes. Elas não são novas, mas são críticas para a sobrevivência:
Roteamento consciente de custos: Esta técnica envolve um pequeno modelo classificador que decide qual nível (equivalentes Haiku, Sonnet, Opus) lida com cada consulta. Roteadores bem ajustados cortam as contas de inferência em cerca de 60% sem qualquer degradação na qualidade.
Cache de prompts: Anthropic, OpenAI e Google agora oferecem descontos de 75% a 90% em prefixos em cache, uma economia significativa para prompts de sistema repetitivos.
Disciplina de contexto: Você pode truncar saídas de ferramentas, podar rastros de raciocínio e limitar a profundidade de ferramentas para evitar que seu agente entre em um buraco sem fim.
Decodificação especulativa: Para implantações auto-hospedadas, esta técnica garante 2 a 3 vezes o throughput efetivo nas mesmas GPUs.
As empresas que estão construindo bem essa camada estão começando a parecer menos operadores de microsserviços e mais sistemas de negociação financeira: cada decisão de roteamento precificada, cada caminho com seu próprio P&L, cada inquilino em um orçamento medido.
O que líderes empresariais devem fazer
Quatro movimentos separam as empresas que ainda terão margem em 24 meses daquelas que não terão:
1. Tornar o custo de inferência uma métrica de primeira classe. Rastreie-o por recurso, por inquilino, por classe de consulta da mesma forma que o custo da nuvem foi rastreado a partir de meados dos anos 2010.
2. Orçar como um comprador de mídia. Defina tetos de custo por mil consultas por recurso. Limite-os. Alerte sobre excessos. A engenharia não aplicará isso por conta própria.
3. Tratar o roteador como infraestrutura central, não uma otimização. É o novo balanceador de carga.
4. Auditar prompts trimestralmente. Um prompt de sistema de 4.000 tokens que cresceu organicamente ao longo de seis meses é uma conta de seis dígitos em câmera lenta. A maioria das equipes nunca leu seus próprios prompts de produção de ponta a ponta.
5. Negociar compromissos de volume cedo. Os fornecedores de modelos de fronteira agora oferecem compromissos pré-pagos no estilo de instância reservada com descontos substanciais. O preço de lista é o pior preço que qualquer empresa pagará.
Implicações para o mercado brasileiro
Para empresas brasileiras que estão adotando ou desenvolvendo soluções baseadas em agentes de IA, o paradoxo da amplificação de tokens apresenta desafios e oportunidades únicos. Startups locais que competem com soluções globais podem encontrar vantagem competitiva ao implementar arquiteturas mais eficientes desde o início, enquanto grandes corporações precisarão repensar seus modelos de precificação e adoção.
O mercado brasileiro, tradicionalmente sensível a custos, pode se beneficiar dessa nova realidade ao desenvolver soluções que priorizem eficiência sobre funcionalidades excessivas. Empresas como Nubank, iFood e Magazine Luiza, que já investem pesadamente em IA, precisarão considerar cuidadosamente como escalar suas implementações de agentes sem comprometer margens.
Além disso, a expertise brasileira em otimização de recursos – desenvolvida em um ambiente de negócios historicamente desafiador – pode se tornar uma vantagem competitiva global. Empresas locais que dominarem a arte da orquestração eficiente de agentes podem exportar esse conhecimento para mercados internacionais.
Conclusão
A mudança estrutural subjacente à IA agêntica não é que ela seja cara. Como o corte de preços da DeepSeek hoje ressalta, os custos unitários de inferência de fronteira estão caindo aproximadamente 3 vezes por ano, e a curva não está desacelerando.
A mudança é que a amplificação está superando os cortes de preços. Cortar os custos por token em 75% não ajuda uma empresa cujos agentes estão fazendo 700 vezes mais tokens por consulta de usuário do que seu modelo de precificação assumiu. Pela primeira vez desde o início da era da nuvem, as decisões de arquitetura são novamente decisões financeiras em tempo real. Um redesenho de prompt é um evento de margem. Um loop de agente mal limitado é uma interrupção com um cartão de crédito anexado.
As empresas que sobreviverão aos próximos 24 meses de precificação de infraestrutura de IA não serão aquelas executando o modelo mais barato. Serão aquelas cujos agentes são inteligentes e sabem quanto custa pensar. Esse é o problema 100x. E está chegando mais rápido do que os cortes de preços podem escondê-lo.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em VentureBeat, disponível em https://venturebeat.com/orchestration/deepseek-cut-prices-75-the-100x-problem-remains.
