# Custo de automação com IA: a conta é por execução

> Automação por regra cobra uma vez para construir. Com um modelo no fluxo, a conta passa a ser por execução e cresce junto com o volume da operação.

- Autor: Marlon Trettin
- Publicado: 2026-10-15 · Atualizado: 2026-10-15
- Idioma: pt-BR
- Canonical: https://yowpi.com/blog/custo-de-automacao-com-ia-por-execucao

---

Automação tradicional tem custo fixo. Você paga para construir uma vez e cada execução seguinte sai praticamente de graça. Quando um modelo de linguagem entra no fluxo, isso inverte: o custo passa a ser cobrado por execução e cresce junto com o volume. A conta não muda de tamanho, muda de unidade.

## TL;DR

- Automação por regra cobra uma vez para construir. Automação com modelo cobra a cada execução, proporcional ao que o modelo lê e ao que escreve.
- O preço da inferência caiu por ordens de grandeza. Para um modelo com 64,8 pontos no MMLU, o AI Index de 2025 registrou US$ 20 por milhão de tokens em novembro de 2022 e US$ 0,07 em outubro de 2024.
- Preço menor por token não produz conta menor por tarefa. No OckBench, preprint ainda sem revisão por pares, dois modelos com acurácia praticamente igual diferiram mais de 26 vezes no tamanho médio da saída.
- No Brasil, 80% das empresas que usam IA compraram solução pronta, segundo o Cetic.br. Quando a inferência vem embutida no preço do fornecedor, o custo por execução só aparece quando o volume sobe.

## Por que a conta muda quando um modelo entra no fluxo?

Porque o trabalho deixa de ser executado por uma instrução escrita uma vez e passa a ser produzido de novo a cada chamada. Um script que classifica pedidos por regra roda dez mil vezes pelo custo de manter o servidor ligado. Um modelo que classifica pedidos lendo o texto cobra dez mil vezes.

Essa diferença não aparece no piloto. Com trinta casos por semana, qualquer desenho parece barato. Ela aparece quando a automação encosta no volume real da operação, que é exatamente o momento em que o ganho deveria aparecer.

O efeito colateral é que o risco financeiro do projeto inverte de sinal. Numa automação por regra, o cenário ruim é o baixo uso: você paga para construir e ninguém usa. Numa automação com modelo, o cenário caro é a adoção. Quanto mais a operação usa, maior a fatura do mês seguinte.

## O preço por token caiu. Por que a conta não cai junto?

Preço e consumo são coisas diferentes, e só o preço caiu.

O [AI Index 2025, de Stanford](https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter1_final.pdf), mediu a queda: para um modelo com 64,8 pontos no MMLU, o nível do GPT-3.5, a inferência custava US$ 20 por milhão de tokens em novembro de 2022 e US$ 0,07 por milhão em outubro de 2024. Numa prova mais difícil, o GPQA, o mesmo relatório registra US$ 15 por milhão em maio de 2024 e US$ 0,12 em dezembro do mesmo ano. A Epoch AI, citada ali, estima quedas entre 9 e 900 vezes por ano conforme a tarefa.

O consumo foi na direção oposta. Modelos que raciocinam antes de responder produzem tokens intermediários, e você paga por eles. O [OckBench](https://arxiv.org/abs/2511.05722), preprint de novembro de 2025 revisado em junho de 2026 e ainda sem revisão por pares, avaliou 37 combinações de modelo e nível de esforço em 200 problemas de matemática, engenharia de software e ciência. O resultado que importa aqui: dois modelos com acurácia praticamente igual, 82,5% contra 82,0%, gastaram em média 83,6 mil e 3,2 mil tokens.

Noutra linha da mesma tabela, uma configuração com preço por token bem mais baixo ficou um pouco abaixo em acurácia e ainda assim saiu mais cara na rodada inteira, US$ 12,60 contra US$ 9,50, porque escreveu muito mais.

Os autores chamam o efeito de imposto do excesso de raciocínio: um modelo pode parecer eficiente pela contagem de parâmetros ou pelo preço por token e ainda assim sair caro, por gerar rastros de raciocínio longos e de baixo rendimento.

Quem compara modelos profissionalmente já trocou de unidade. A [Artificial Analysis](https://artificialanalysis.ai/methodology) publica custo por tarefa e explica o motivo na própria metodologia: como o custo reflete o uso real de tokens, modelos que produzem respostas mais longas ou mais tokens de raciocínio têm custo por tarefa maior, mesmo com preço por token idêntico.

Para quem decide orçamento, a leitura prática é curta. O preço da tabela não é o custo do seu processo, e a escolha do modelo é uma decisão de engenharia com consequência financeira mensal.

## Quantas vezes por mês esse processo roda?

Essa é a pergunta que decide o projeto, e ela quase nunca está no orçamento.

Automação por regra melhora com volume, porque o custo de construir se dilui a cada execução. Automação com modelo não dilui nada, já que o custo é linear. As duas podem ter o mesmo valor de contrato e comportamentos financeiros opostos no mês seguinte.

Isso muda a conta do [retorno da automação](/blog/roi-automacao-de-processos). Payback em meses descreve bem um investimento que acontece uma vez. Aqui a unidade útil é outra: custo por caso processado contra custo humano por caso, com um teto escrito para o primeiro. Sem teto, o sucesso do projeto é o que estoura o orçamento.

E existe o custo que não é de inferência. Alguém confere a saída, alguém trata o caso que o modelo recusou, alguém percebe quando a qualidade cai. Esse trabalho entra no [custo de manter o sistema depois de pronto](/blog/custo-de-manter-um-sistema-depois-de-pronto) e quase nunca aparece na planilha de aprovação.

## Como isso fica numa distribuidora

Um cenário, para deixar a aritmética visível. Os números abaixo são hipótese de trabalho, não medição de cliente.

Uma distribuidora recebe pedidos por e-mail e WhatsApp em texto livre. Duas pessoas transcrevem para o ERP. São 300 pedidos por dia, cerca de 6.600 por mês.

No primeiro desenho, o modelo recebe o e-mail inteiro, o histórico do cliente, a tabela de preços completa e as regras comerciais, e devolve o pedido pronto para lançar. Funciona na demonstração.

No segundo, o sistema já sabe quem é o cliente pelo remetente, qual tabela se aplica a ele e o que ele comprou nas últimas doze vezes. O modelo recebe o texto do pedido e resolve apenas o que está ambíguo nele.

Os dois entregam o mesmo resultado, e a diferença de custo por pedido não está no modelo. Está em quanto contexto precisa ser reenviado a cada execução porque o sistema não guardou nada. A aritmética você roda com os seus próprios preços: multiplique o tamanho do contexto de cada desenho pelo preço por token do seu fornecedor e depois pelo volume do mês, que aqui é 6.600. No primeiro desenho, a distribuidora paga 6.600 vezes por mês para o modelo redescobrir o que o cadastro dela deveria saber.

## Como as empresas brasileiras estão colocando o modelo no fluxo

Fora do cenário, a medição existe. A pesquisa [TIC Empresas 2025, do Cetic.br](https://cetic.br/pt/noticia/uso-de-inteligencia-artificial-por-empresas-brasileiras-avanca-e-atinge-17-aponta-pesquisa-do-cetic-br/) entrevistou 4.174 empresas e encontrou IA em 17% delas, contra 13% em 2024. Entre as pequenas, de 10 a 49 pessoas, a adoção passou de 10% para 15%.

O caminho de entrada diz mais que o percentual. Entre as empresas que usam IA, 80% adquiriram software pronto e 60% contrataram fornecedor externo para desenvolver ou adaptar, caminhos que se sobrepõem. O coordenador do estudo, Leonardo Melo Lins, descreve o movimento como adaptação dos processos das empresas, e não mudança estrutural na forma como operam.

O estudo não trata de custo por execução. Ele descreve a condição que produz esse custo: o modelo entra por cima do processo que já existe, e o processo que já existe não guarda contexto.

## Quatro decisões antes de colocar o modelo no fluxo

1. Separe regra de julgamento. Tabela de preço, alçada por valor, prazo por região e política de desconto são regras, e regra escrita não cobra por execução. [Quanta autonomia dar ao modelo](/blog/ia-na-operacao-quanta-autonomia-dar) é uma decisão posterior a essa.
2. Defina a unidade de cobrança do processo: por pedido, por documento, por atendimento. Escreva o teto de custo aceitável por unidade antes de aprovar e trate o estouro como defeito, não como sucesso comercial.
3. Liste o que precisa ir junto em cada chamada e pergunte por que aquilo não está guardado. Contexto reenviado é cadastro que falta.
4. Escreva o que acontece quando o volume dobra. Quem é avisado, qual o limite por dia, o que degrada primeiro.

## Perguntas frequentes

**Como calcular o retorno de uma automação que cobra por execução?**

Meça o custo humano por caso hoje, com o tempo real de quem executa, e compare com o custo por caso da automação, somando inferência, conferência e tratamento de exceção. Rode o cálculo no volume do mês mais cheio do ano, nunca na média. Se o retorno só existe enquanto o volume fica baixo, não existe retorno.

**Se o preço dos modelos cai todo ano, vale a pena esperar?**

Esperar o preço não resolve o que pesa na sua conta. A diferença entre uma automação cara e uma barata, na mesma tarefa, vem do desenho do fluxo e do que o sistema guarda, e o preço por token cai para todo mundo ao mesmo tempo. Separar regra de julgamento e organizar o cadastro leva meses de trabalho e não fica obsoleto.

**Não tenho equipe qualificada para implementar. Isso muda a conta?**

Muda, no ponto que costuma ser subestimado: decidir onde o modelo entra no fluxo vale mais que escolher o modelo. Comprar pronto resolve a operação básica e mantém o custo unitário invisível, o que funciona enquanto o volume é pequeno. Se o processo é o seu diferencial e roda milhares de vezes por mês, alguém precisa responder pela arquitetura, interno ou contratado.

## O próximo passo

Se você está prestes a colocar um modelo dentro de um processo que roda milhares de vezes por mês, vale olhar o fluxo antes do orçamento: o [Diagnóstico de Arquitetura Operacional](/contato) é uma conversa de 30 minutos sobre isso.