Calculadora de custos das APIs OpenAI, Claude & Gemini

Ative a cache de prompts como primeira otimização, antes de qualquer outra. Na Anthropic, marque o seu prompt de sistema estável com cabeçalhos cache_control e os tokens em cache caem para cerca de 10% do preço standard de input. Na OpenAI, a cache acontece automaticamente em certos endpoints quando o prefixo do prompt é idêntico entre pedidos. O ganho é maior em workloads com contexto longo e estável e muitos pedidos: chatbots com personas detalhadas, sistemas RAG com contexto de recuperação repetido, e qualquer loop de agente que reenvia um conjunto longo de instruções. A maioria das equipas esquece-se de ativar a cache e paga 5 a 10 vezes mais.

Passe todos os workloads que não sejam em tempo real para a Batch API. Tanto a Anthropic como a OpenAI oferecem endpoints batch a exatamente 50% do preço standard, em troca de um SLA de resposta de 24 horas. Trabalhos de classificação, moderação de conteúdo, geração de embeddings, pipelines de sumarização e execuções de avaliação são todos bons candidatos. O trabalho de integração é trivial porque o prompt e o modelo não mudam. Há equipas que rotineiramente correm o pipeline inteiro de tagging de conteúdo a preço standard quando o batch cortaria a fatura a meio sem qualquer diferença de qualidade.

Encaminhe os pedidos por dificuldade. Consultas simples (saudações, formatação, pesquisas básicas) pertencem ao GPT-4o mini, Claude Haiku ou Gemini Flash, a $0,15 a $0,80 por milhão de tokens de input. Raciocínio difícil pertence ao Claude Opus, GPT-4.5 ou Gemini Pro, a $1,25 a $75 por milhão. Um pequeno classificador à frente do router de modelos corta tipicamente os custos em 60 a 80% em workloads mistos. Enviar tudo para um modelo de fronteira é o erro de custos de IA mais comum que vemos em produção.

Limite o max_tokens de forma agressiva. Os tokens de output custam 3 a 5 vezes mais do que os tokens de input, e o buffer de output padrão de 4K é bem maior do que a maioria das respostas precisa. Limite as respostas de sim-ou-não a 10 tokens, resumos curtos a 200, JSON estruturado ao que o seu schema exigir mais um pequeno buffer. Por vezes o modelo quer elaborar mesmo quando não pediu, e paga por essas elaborações. Apertar o max_tokens é uma redução de 30 a 50% nos custos de output na maioria dos casos.

Reduza o contexto recuperado apenas ao que é necessário por consulta. Os sistemas RAG recuperam frequentemente 10 a 20 chunks e enchem-nos todos no prompt por segurança. O resultado é pagar por milhares de tokens irrelevantes por pedido. Adicionar um reranker que filtre para os 3 a 5 chunks mais relevantes corta tipicamente o uso de tokens de input em 50 a 70% sem perda de qualidade, muitas vezes com melhoria de qualidade porque o modelo não é distraído por contexto irrelevante.

Registe todos os pedidos com contagens de tokens, modelo e estado de cache versus sem cache. Não se pode otimizar o que não se vê, e os custos de IA podem mudar de forma da noite para o dia quando uma nova funcionalidade é lançada ou um prompt é ajustado. Defina alertas de gasto diários. Construa um dashboard que decomponha o gasto por funcionalidade, modelo e endpoint. A maioria dos excessos de custos em produção que encontramos acontecem porque um padrão de uso mudou duas semanas antes de alguém olhar para a fatura.