O custo da IA caiu 280 vezes em 2 anos: o que isso significa pra você

Entre novembro de 2022 e outubro de 2024, o custo de rodar uma inteligência artificial no nível do GPT-3.5 caiu de US$20 para US$0,07 por milhão de tokens — uma queda de mais de 280 vezes em menos de dois anos. O dado é do Stanford AI Index, o relatório anual mais citado sobre a indústria de IA, e a curva só acelerou desde então. Isso muda completamente o que é viável fazer com IA hoje — e por que você provavelmente ainda está subestimando o que dá pra automatizar.

O número em contexto: o que mais caiu de preço assim?

Pra dimensionar o tamanho dessa queda, compare com outros setores da economia no mesmo período: passagens aéreas praticamente não baixaram de preço. Smartphones ficaram cerca de 15% mais baratos. Já a inferência de IA caiu 280 vezes. Não é uma melhoria incremental — é um colapso de preço em qualidade comparável, impulsionado por concorrência entre provedores, otimização de infraestrutura e chips mais baratos.

Por que isso aconteceu

• Concorrência entre provedores: a chegada de modelos abertos competitivos (como Llama, DeepSeek, GLM) forçou os laboratórios fechados a baixar preços continuamente para não perder mercado.
• Chips especializados para inferência: empresas como Groq, Cerebras e a própria Google (com TPUs) criaram hardware feito especificamente para rodar modelos, não treiná-los — e inferência é o que você paga toda vez que usa uma IA.
• Eficiência de arquitetura: técnicas como Mixture-of-Experts (usada no GLM-5.2 e outros modelos de 2026) fazem o modelo ativar só uma fração dos seus parâmetros por tarefa, cortando custo computacional sem perder qualidade.
• Escala de datacenters: mais capacidade de processamento dividida entre mais usuários reduz o custo marginal por consulta.

O que isso significa na prática, em números

Em outras palavras: em 2022, uma empresa poderia dizer "não temos orçamento pra IA de ponta" com credibilidade. Em 2026, essa desculpa soa parecido com "não temos orçamento pra e-mail".

O paradoxo: preço cai, gasto total sobe

Aqui está o dado que a maioria das manchetes não menciona: mesmo com o preço por token caindo 280 vezes, o gasto total das empresas com IA subiu cerca de 320% no mesmo período. Isso não é contradição — é volume. Fluxos de trabalho agênticos (onde a IA executa várias etapas sozinha) disparam de 5 a 30 vezes mais tokens por tarefa do que um chatbot simples. Empresas que testaram IA com perguntas simples e depois escalaram para agentes autônomos descobriram que o consumo de tokens era uma ordem de grandeza maior do que o piloto sugeria.

A lição prática: meça custo em tokens, não em "sensação de barato". Só porque o preço por token é baixo não significa que uma automação complexa sai de graça — o volume que ela consome pode surpreender.

O que isso significa pra quem tem um negócio pequeno

Para quem opera com orçamento limitado — freelancers, pequenas empresas, MEIs — essa queda de preço abre portas que há dois anos exigiriam investimento pesado:

• Modelos econômicos entregam 85–90% da qualidade dos modelos de ponta por uma fração do custo. Para escrever um e-mail, resumir um documento ou preparar uma pauta de reunião, a diferença entre um modelo de US$0,0002 e um de US$0,016 por consulta é imperceptível no resultado final.
• Automação que antes exigia equipe de TI agora cabe no orçamento de uma pessoa só — atendimento ao cliente via chatbot, triagem de e-mails, geração de conteúdo, análise de planilhas.
• A pergunta mudou de "posso pagar por IA?" para "qual tarefa vale a pena automatizar primeiro?"

O ganho de produtividade real (não o hype)

Uma análise da Goldman Sachs de março de 2026 trouxe um dado importante para calibrar expectativas: em nível de economia geral, não há relação clara entre uso de IA e produtividade. Mas em dois domínios específicos — atendimento ao cliente e desenvolvimento de software — empresas que implementaram IA relataram ganho de produtividade mediano de 30%.

A conclusão prática: a IA não funciona como acelerador universal — funciona como ferramenta focada para tarefas específicas, de alto volume e repetitivas. Escolher a tarefa certa pra automatizar importa mais do que qual modelo você usa.

Como aproveitar essa queda de preço de forma inteligente

1. Comece com um processo de alto volume — atendimento, triagem de e-mail, geração de descrições de produto — e meça o resultado antes de expandir.
2. Use modelos baratos para 80% das tarefas e reserve modelos caros de fronteira (como Fable 5 ou Sol) apenas para o que realmente exige raciocínio profundo.
3. Meça custo em tokens, não em impressão. Pipelines agênticos consomem muito mais do que parecem à primeira vista.
4. Teste antes de escalar. O que funciona bem numa consulta isolada pode multiplicar de custo quando vira um fluxo automatizado rodando o dia inteiro.

O outro lado da moeda: o custo que não aparece na fatura

Vale registrar um contraponto que poucas análises de negócio mencionam: o Stanford AI Index também estima que a capacidade de datacenters de IA já chega a quase 30 gigawatts — comparável à carga elétrica de pico de um estado inteiro dos EUA — e que a inferência de modelos populares consome quantidades significativas de água para resfriamento. O "grátis para o usuário" não significa "grátis" — o custo migrou do seu bolso para a infraestrutura energética do planeta. Não muda a conta que você paga, mas vale a consciência de que a economia da IA tem um lado que não aparece na fatura.

Resumo em uma linha