Otimização de custos de IA (2026): 9 formas de reduzir gastos com APIs de LLM sem perder qualidade
Otimizar custos de IA significa reduzir o valor pago por tarefa de IA concluída com sucesso (não apenas por token), enviando cada requisição ao modelo mais barato que atenda aos seus critérios de qualidade, reutilizando contextos repetidos com cache de prompts, transferindo tarefas sem urgência para processamento em lote, limitando a saída e aplicando orçamentos por chave ou equipe. Para a maioria dos produtos baseados em APIs, os maiores ganhos vêm do roteamento e do cache, que juntos podem reduzir a conta pela metade ou mais em cargas de trabalho adequadas; o restante vem da visibilidade e da governança. Todos os preços abaixo são das páginas oficiais de preços, consultadas em 26 de outubro de 2026.
Este guia é para desenvolvedores independentes e equipes de produtos de IA que pagam por APIs de LLM (OpenAI, Anthropic, Google, DeepSeek, Qwen e outras) e precisam de uma conta menor e previsível. Se você opera suas próprias GPUs, consulte nosso guia de LLMs em infraestrutura própria para entender a parte de infraestrutura.
O que determina o custo das APIs de IA
Sua conta mensal de IA é aproximadamente:
monthly cost = sum over requests of
(uncached input tokens x input price)
+ (cached input tokens x cache price)
+ (output tokens x output price)
+ retries, failed calls, tool calls, and fees
Portanto, o custo depende de cinco fatores que você controla: qual modelo usa, quantos tokens de entrada envia (prompts de sistema, histórico de conversa, contexto de RAG), quantos tokens de saída permite, quanto contexto repetido consegue armazenar em cache e quantas requisições são repetidas ou desperdiçadas.
Preços de referência atuais (por 1M de tokens, 26 de outubro de 2026)
| Modelo | Entrada | Entrada em cache | Saída | Fonte |
|---|---|---|---|---|
| GPT-6 Astra | $10.00 | $1.00 | $50.00 | Preços da OpenAI |
| GPT-6.1 Sol | $2.00 | $0.10 | $10.00 | Preços da OpenAI |
| GPT-6 Luna | $0.10 | $0.01 | $0.50 | Preços da OpenAI |
| Claude Opus 5.5 | $4.00 | $0.20 (acerto de cache) | $20.00 | Preços da Anthropic |
| Claude Sonnet 5.5 | $2.00 | $0.10 (acerto de cache) | $10.00 | Preços da Anthropic |
| Claude Haiku 5.5 (prompts de até 100K) | $0.10 | $0.01 (acerto de cache) | $0.50 | Preços da Anthropic |
| Gemini 3.8 Flash (promoção até 31 de dezembro de 2026) | $0.75 | $0.075 | $3.75 | Preços da API Gemini |
| Gemini 3.5 Flash-Lite | $0.30 | $0.03 | $2.50 | Preços da API Gemini |
A diferença entre as primeiras e as últimas linhas é de 100x. Por isso, a escolha do modelo é o primeiro fator a ajustar. Para uma tabela mais ampla, consulte nosso comparativo de preços de APIs de IA.
As 9 estratégias de otimização de custos de IA
| # | Estratégia | Economia típica no tráfego afetado | Esforço | Risco para a qualidade |
|---|---|---|---|---|
| 1 | Medir o custo por tarefa concluída com sucesso | Viabiliza todas as demais ações | Baixo | Nenhum |
| 2 | Rotear conforme a dificuldade da tarefa | Alta (o modelo econômico custa 20-100x menos por token) | Médio | Médio, exige avaliações |
| 3 | Cache de prompts | Até 90-95% de desconto nos tokens de entrada em cache | Baixo | Nenhum |
| 4 | Processar tarefas sem urgência em lote | 50% de desconto | Baixo | Nenhum (mais lento) |
| 5 | Reduzir prompts e contexto | Proporcional aos tokens removidos | Médio | Baixo a médio |
| 6 | Limitar e definir o formato da saída | Proporcional à saída removida | Baixo | Baixo |
| 7 | Corrigir novas tentativas e loops | Elimina desperdícios | Médio | Nenhum |
| 8 | Orçamentos, cotas e limites de gastos | Evita estouros de orçamento | Baixo | Nenhum |
| 9 | Revisar preços e provedores mensalmente | Varia | Baixo | Baixo |
1. Meça o custo por tarefa concluída com sucesso
O preço por token, isoladamente, esconde novas tentativas, respostas inválidas e conversas longas. Acompanhe o custo por tarefa concluída (um chamado resolvido, uma alteração de código aceita, um resumo finalizado):
def cost_per_successful_task(rows):
"""rows: dicts with cost_usd and success (bool), e.g. from a usage export"""
total = sum(r["cost_usd"] for r in rows)
ok = sum(1 for r in rows if r["success"])
return total / ok if ok else float("inf")
Atribua os gastos por funcionalidade, equipe e chave para saber por onde começar. Consulte atribuição de custos de APIs de IA por equipe. O trabalho da FinOps Foundation sobre FinOps para IA usa a mesma ideia de economia por unidade.
2. Encaminhe cada tarefa ao modelo mais barato que atenda aos critérios
A maioria dos aplicativos envia todas as requisições a um único modelo de alta capacidade. Na prática, classificação, extração, pequenas reescritas e decisões de roteamento costumam atender aos critérios com um modelo pequeno, enquanto raciocínio complexo e alterações extensas de código exigem um modelo maior.
Exemplo de cálculo, com uma carga hipotética de 10M de tokens de entrada e 2M de saída por dia, toda no GPT-6.1 Sol ao preço de tabela da OpenAI:
All GPT-6.1 Sol: 10 x $2.00 + 2 x $10.00 = $40.00/day
60% to GPT-6 Luna: 6 x $0.10 + 1.2 x $0.50 = $1.20
40% stay on Sol: 4 x $2.00 + 0.8 x $10.00 = $16.00 -> $17.20/day (-57%)
A economia só vale se as tarefas roteadas continuarem passando nas suas verificações de qualidade. Por isso, monte primeiro um pequeno conjunto de avaliação. Defina as regras com nosso guia de políticas de roteamento de modelos e mantenha os fallbacks separados do roteamento (guia prático de roteamento de fallback para APIs de LLM).
3. Use cache de prompts para contextos repetidos
Se muitas requisições compartilham um prefixo longo (prompt de sistema, definições de ferramentas, um documento de políticas, um resumo da base de código), o cache torna a entrada repetida muito mais barata. A entrada em cache do GPT-6.1 Sol custa $0.10, contra $2.00 sem cache, por 1M de tokens, e os acertos de cache do Claude Sonnet 5.5 custam $0.10, contra $2.00 (preços de tabela de outubro de 2026). A Anthropic cobra um valor adicional para gravar o cache (1.25x o preço de entrada para um cache de 5 minutos, 2x para 1 hora), conforme sua documentação de cache de prompts; o cache da OpenAI é automático para prompts longos (cache de prompts da OpenAI).
No exemplo acima, se 70% dos tokens de entrada forem um prefixo em cache no GPT-6.1 Sol:
input: 3M x $2.00 + 7M x $0.10 = $6.70 (was $20.00)
total: $6.70 + $20.00 output = $26.70/day (-33%)
Coloque o conteúdo estável no início e o variável no final para que o prefixo coincida. Mais detalhes: fluxo de trabalho e ROI do cache de prompts.
4. Transfira tarefas sem urgência para processamento em lote
A Batch API da OpenAI, o Message Batches da Anthropic e o modo em lote do Gemini cobram cerca de 50% menos em troca da conclusão assíncrona (resultados em horas, não em segundos). Bons candidatos: classificação noturna, avaliações, preenchimento retroativo de embeddings, marcação de conteúdo e geração de relatórios.
# OpenAI Batch: upload a JSONL of requests, then create the batch
curl https://api.openai.com/v1/files -H "Authorization: Bearer $OPENAI_API_KEY" \
-F purpose="batch" -F file="@requests.jsonl"
curl https://api.openai.com/v1/batches -H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{"input_file_id":"file-abc123","endpoint":"/v1/chat/completions","completion_window":"24h"}'
5. Reduza os prompts e o contexto
- Remova instruções não utilizadas e exemplos duplicados dos prompts de sistema.
- Resuma as interações antigas da conversa em vez de reenviar todo o histórico.
- Em RAG, envie menos trechos, com maior relevância (reordene por relevância primeiro), em vez dos 20 primeiros.
- Não envie arquivos inteiros a um agente de programação quando um diff ou uma função bastar.
Meça os tokens antes e depois com o contador de tokens ou os campos de uso do seu provedor.
6. Limite e defina o formato da saída
Os tokens de saída custam 5x o valor dos de entrada na maioria dos modelos da tabela acima. Defina max_tokens (ou max_output_tokens) por rota, peça JSON estruturado em vez de texto corrido quando um programa for ler o resultado e solicite “apenas a resposta” quando não precisar de explicações.
7. Pare de pagar por novas tentativas e loops
Um excesso de novas tentativas e loops de agentes são causas comuns de aumentos repentinos na conta. Use espera exponencial entre tentativas, com um limite de repetições; não repita requisições que falharam na validação; defina um número máximo de etapas por execução do agente; e registre separadamente o custo das requisições que falharam.
8. Aplique orçamentos, cotas e limites de gastos
Coloque os limites no ponto em que as requisições são feitas, não em uma planilha mensal: cotas por chave, orçamentos por equipe, alertas em 50/80/100% e um teto de gastos obrigatório. Consulte gestão de cotas de APIs de IA e gestão de gastos com APIs de IA.
9. Revise os preços e os provedores todos os meses
Os preços mudam com frequência: o preço promocional do Gemini 3.8 Flash do Google termina em 31 de dezembro de 2026, passando de $0.75/$3.75 para $1.50/$7.50 por 1M de tokens (preços do Gemini), e o alias deepseek-flash da DeepSeek agora aponta para um modelo mais novo (preços da DeepSeek). Agende uma revisão mensal de preços e execute novamente suas avaliações ao trocar de modelo ou provedor.
Como usar um gateway de API para otimizar os custos de IA
Um gateway reúne vários desses recursos em um só lugar: um endpoint compatível com a OpenAI para vários provedores (facilitando o roteamento e a troca), registros de uso por chave e cotas. A Flatkey é uma opção: uma única chave em https://router.flatkey.ai/v1 dá acesso a GPT, Claude, Gemini, Qwen, DeepSeek e outros modelos, e seu painel de uso mostra modelo, tokens, custo e chave por requisição, com exportação em CSV/JSON e um limite mensal de gastos.
Os preços anunciados pela Flatkey para alguns modelos são inferiores aos preços de tabela dos provedores. Exemplos das páginas de modelos da Flatkey em 26 de outubro de 2026:
| Modelo | Tabela do provedor (entrada / saída por 1M) | Flatkey (entrada / saída por 1M) |
|---|---|---|
| GPT-6.1 Sol | $2.00 / $10.00 | $1.20 / $6.00 |
| Claude Sonnet 5.5 | $2.00 / $10.00 | $1.60 / $8.00 |
| Gemini 3.8 Flash | $0.75 / $3.75 (promoção do Google) | $1.20 / $6.00 |
Observe a última linha: durante a promoção do Google, o Gemini 3.8 Flash sai mais barato diretamente pelo Google. Compare por modelo, não por plataforma. As recargas incluem créditos de bônus ($100 viram $115, $300 viram $360), e os créditos não expiram, conforme a página de preços da Flatkey.
Como alterar a URL base com o SDK da OpenAI em Node.js:
import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://router.flatkey.ai/v1", apiKey: process.env.FLATKEY_API_KEY });
const r = await client.chat.completions.create({
model: "gpt-6.1-sol",
messages: [{ role: "user", content: "Classify this ticket: 'refund not received'" }],
max_tokens: 20,
});
console.log(r.usage); // log tokens per call for cost tracking
Um plano de 30 dias para otimizar os custos de IA
| Semana | O que fazer | Resultado |
|---|---|---|
| 1 | Exportar o uso, identificar por funcionalidade/equipe/chave e calcular o custo por tarefa concluída com sucesso | Relatório de referência inicial |
| 2 | Limitar a saída, corrigir novas tentativas e ativar o cache para prefixos longos compartilhados | Primeiras economias, sem risco para a qualidade |
| 3 | Montar um conjunto de avaliação com 100-200 casos; testar modelos mais baratos por tarefa; rotear as que passarem | Tabela de roteamento |
| 4 | Transferir tarefas assíncronas para lotes; definir cotas, alertas e um limite de gastos | Orçamento aplicado |
Erros comuns
- Otimizar o preço por token em vez do custo por tarefa concluída com sucesso. Um modelo barato que falha duas vezes sai mais caro.
- Rotear sem avaliações. As quedas de qualidade aparecem depois na forma de chamados de suporte.
- Quebrar o cache colocando carimbos de data e hora ou IDs de usuário no início dos prompts.
- Ignorar o comprimento da saída, cujos tokens geralmente são os mais caros.
- Não ter um teto de gastos obrigatório, permitindo que um único loop consuma o orçamento de um mês em um dia.
Perguntas frequentes
O que é otimização de custos de IA?
Otimização de custos de IA é a prática de reduzir os gastos com modelos e infraestrutura de IA por resultado útil, por meio de roteamento de modelos, cache de prompts, processamento em lote, redução de prompts e saídas e orçamentos, mantendo a qualidade no nível acordado.
Como reduzir rapidamente os custos das APIs de LLM?
As medidas mais rápidas são limitar max_tokens, ativar o cache de prompts para prefixos longos e repetidos, transferir tarefas sem urgência para processamento em lote (cerca de 50% de desconto na OpenAI, na Anthropic e no Gemini) e enviar tarefas simples a um modelo pequeno, como o GPT-6 Luna, a $0.10/$0.50 por 1M de tokens (outubro de 2026).
Quanto o cache de prompts economiza?
Nos tokens de entrada em cache, bastante: a entrada em cache do GPT-6.1 Sol custa $0.10, contra $2.00 por 1M de tokens, uma redução de 95% (outubro de 2026). A economia total depende de quanto da sua entrada é um prefixo repetido.
O modelo de IA mais barato é sempre o de melhor custo-benefício?
Não. Se um modelo barato falha com mais frequência, as novas tentativas e as correções humanas podem custar mais do que um modelo de maior capacidade. Compare o custo por tarefa concluída com sucesso usando seu próprio conjunto de avaliação.
O que é FinOps para IA?
FinOps para IA aplica práticas de gestão financeira da nuvem (visibilidade, alocação, economia por unidade e orçamentos) aos gastos com IA. A FinOps Foundation publica o framework.
Um gateway de IA reduz os custos?
Um gateway, por si só, não torna os tokens mais baratos, mas facilita o roteamento, a troca de provedor, o acompanhamento do uso e a aplicação de cotas. Alguns gateways também anunciam preços por token mais baixos para modelos específicos; confira o preço de cada modelo.
Fontes
Preços consultados em 26 de outubro de 2026: preços da API da OpenAI, preços da Anthropic, preços da API Gemini, preços da DeepSeek, preços da Flatkey. Métodos: Batch da OpenAI, cache de prompts da Anthropic, FinOps para IA.
