Custos escondidos de IA em produção: como PME controla o budget

No mês passado você pagou R$ 800 de token Anthropic. Esse mês veio R$ 4.200. Você não mudou nada na operação. Onde tá vazando?

A resposta está nos custos escondidos — os que nenhum vídeo de “como integrar ChatGPT na sua empresa” mostra, porque aparecem só depois que você colocou IA pra funcionar de verdade.

Esse post é pra dono ou gestor de PME que já tem IA rodando em produção — atendimento WhatsApp, cobrança automatizada, busca semântica, triagem de documentos — e que recebeu pelo menos uma fatura que não fazia sentido. Vou detalhar cinco custos escondidos e cinco controles que cabem em menos de 8 horas de desenvolvimento cada. Sem trocar de provedor. Sem migrar pra open-source. Sem esperar preço cair.

Custo de IA em produção não é assinatura — é função do uso, e o uso explode silencioso quando ninguém mede. A diferença entre PME que paga R$ 600/mês previsível e PME que paga R$ 5 mil/mês explosivo não é o tamanho da empresa. São cinco controles operacionais: rate limit por sessão, cache de prompt-resposta, model routing por complexidade, system prompt enxuto e alarme de budget diário. Cada controle leva de 1 a 8 horas de desenvolvimento. Juntos, reduzem a variação de gasto em 60 a 80%.

O caso de US$ 500 milhões por mês — e por que isso importa pra PME

Em junho de 2026, virou manchete que um único cliente da Anthropic gastaria cerca de US$ 500 milhões por mês em tokens de IA, segundo a imprensa especializada do setor. O número impressiona. Mas a lição escondida é outra: até as maiores empresas do mundo passaram anos tratando custo de IA como “item de TI que a gente ajusta depois”. Em 2026, “depois” chegou.

Para PME, o impacto é proporcional, mas o timing é o mesmo. Empresas que colocaram IA pra funcionar em 2024 e 2025 estão agora recebendo faturas que crescem mês a mês sem que o número de clientes ou de tarefas tenha crescido na mesma proporção. Custo de IA descontrolado não é problema de empresa grande — é problema de qualquer implementação sem controle de uso.

A Adrion usa Claude Code há mais de 12 meses e integra IA em projetos de cliente como ferramenta de produção. Eu vi essa conta chegando em PME que tentou implementar sozinha. O padrão é sempre o mesmo: implementação certa do ponto de vista técnico, zero controle de custo. Funciona. Cobra. Explode.

Os 5 custos escondidos comuns em PME implementando IA

Antes de falar em controle, precisa entender onde o dinheiro some. Cinco padrões aparecem em quase toda implementação de PME sem controle de budget.

Custo escondido 1 — Loop não detectado

O que é: agente de IA que entra em ciclo de pergunta-resposta-pergunta sem resolver a tarefa. Um job que deveria durar 3 chamadas faz 50.

Como acontece: agente de atendimento WhatsApp recebe mensagem ambígua, não consegue classificar, tenta de novo com reformulação, ainda não consegue, tenta mais uma vez. Sem teto de iterações, repete até timeout ou até custo explodir.

Custo real: 50 chamadas num job que deveria ter 3 = 16 vezes mais custo por interação. Com 200 interações por dia, esse erro multiplica fatura por 4 a 5 na mesma semana.

Custo escondido 2 — Cache zero

O que é: mesma consulta refeita dezenas de vezes por dia sem aproveitar resposta anterior.

Como acontece: cliente de academia pergunta “qual o horário de funcionamento” às 9h. Segunda cliente pergunta exatamente o mesmo às 10h. Terceiro às 11h. Sem cache, o modelo responde 30 vezes ao dia a mesma pergunta — pagando por 30 chamadas completas onde 1 com cache resolveria.

Custo real: em atendimento com volume médio, perguntas frequentes respondem por 40 a 60% do total de chamadas. Cache com TTL de 24h elimina esse volume direto.

Custo escondido 3 — Model overkill

O que é: usar modelo pesado (Claude Opus, GPT-4o) pra tarefa que modelo leve (Claude Haiku, GPT-4o-mini) resolvia com a mesma qualidade.

Como acontece: desenvolvedor configura o projeto com o modelo que testou no protótipo — geralmente o mais capaz, porque queria ver o melhor resultado. Coloca em produção sem rever. Modelo fica respondendo “olá, vi seu site” e “qual o preço do produto X” com capacidade de redigir dissertação de doutorado.

Custo real: diferença de preço entre Claude Opus e Claude Haiku é de 15 a 20 vezes por token (em junho 2026). Usar Opus pra tarefa de Haiku é pagar 15 a 20 vezes mais sem ganho de qualidade percebível pelo usuário.

Custo escondido 4 — Prompt obeso

O que é: system prompt com 8 mil tokens repetido em cada chamada, quando 800 tokens resolveriam.

Como acontece: desenvolvedor escreve system prompt completo com tom, exemplos, contra-exemplos, casos especiais, FAQ interno, histórico da empresa, lista de produtos, política de devolução. Tudo num prompt que vai em toda chamada.

Custo real: token é cobrado de entrada E saída. System prompt de 8 mil tokens numa chamada com histórico de conversa de 3 rodadas = 10 a 15 mil tokens de contexto só pra chegar na mensagem do usuário. Prompt enxuto de 800 tokens corta 85% do custo de entrada.

Custo escondido 5 — RAG sem filtro

O que é: busca semântica (RAG — Retrieval-Augmented Generation) que retorna 50 chunks de texto quando 3 resolveriam.

O que é RAG: RAG é a técnica de buscar trechos relevantes de documentos internos (manuais, FAQs, contratos) e enviá-los junto com a pergunta pro modelo. O modelo usa esses trechos pra responder com base nos seus dados específicos, não só no treinamento geral.

Como acontece: chunk de 500 tokens × 50 resultados = 25 mil tokens de contexto por chamada. Configuração padrão de muitas bibliotecas RAG retorna top-50 por padrão. Ninguém ajustou pra top-3 porque funcionava.

Custo real: 25 mil tokens de contexto vs 1.500 tokens (3 chunks) = 16 vezes mais custo por consulta RAG. Em base de conhecimento com acesso frequente, esse custo escondido sozinho pode triplicar a fatura.

Os 5 controles que cabem em qualquer PME

Agora os controles. Cada um tem estimativa honesta de quanto tempo leva pra implementar — não promessa, não range genérico, mas o que vejo na prática em projetos da Adrion.

Controle 1 — Rate limit por usuário ou sessão

O que faz: limita o número de chamadas de IA por usuário por hora. Se o cliente faz 50 perguntas em 60 minutos, a 51ª recebe resposta de espera, não chama o modelo.

Implementação: Redis com chave rate_limit:{user_id}:{hora} ou Postgres com tabela de contador simples. Threshold inicial: 50 chamadas/hora/cliente (ajustar conforme comportamento real). Inclui lógica de abort em job de agente se passar de 20 iterações sem resolução.

Tempo de desenvolvimento: 2 a 4 horas.

Custo escondido que elimina: loop não detectado (Custo 1) e pico de uso por sessão única abusando sem perceber.

Por que precisa de casa de software: rate limit parece simples — mas implementar sem afetar experiência do usuário legítimo exige lógica de janela deslizante, mensagem de erro clara e distinção entre limite por sessão e limite por conta. Leigo implementa teto absoluto e derruba cliente legítimo que fez 51 perguntas em 59 minutos. Profissional implementa janela que reseta por hora sem interromper sessão em andamento.

Controle 2 — Cache de prompt-resposta

O que faz: se a mesma consulta (ou consulta semanticamente similar) foi feita nas últimas 24 horas, retorna a resposta cacheada sem chamar o modelo.

Implementação: hash da consulta normalizada como chave. Para similaridade semântica, embedding da consulta comparado contra embeddings cacheados com threshold de similaridade de 0,92. Armazenamento em Redis com TTL configurável (24h pra FAQ, 1h pra preço, 7 dias pra conteúdo estático).

Tempo de desenvolvimento: 3 a 6 horas (cache simples por hash: 1-2h; cache semântico com embedding: 4-6h).

Custo escondido que elimina: cache zero (Custo 2) — 40 a 60% do volume de chamadas em atendimento com perguntas frequentes.

Atenção: cache de resposta de IA exige invalidação cuidadosa quando dado muda. Se preço de produto mudou, resposta cacheada de “qual o preço do X” vira dado errado. Implementar invalidação por evento (mudança no cadastro → limpa cache relacionado) é o que separa cache que ajuda de cache que desinforma.

Controle 3 — Model routing

O que é: classificar a consulta como simples ou complexa antes de enviar pro modelo, e rotear pra modelo adequado.

Como funciona na prática: primeiro passo leve (Haiku ou GPT-4o-mini) classifica a consulta em categoria: simples (saudação, FAQ, informação objetiva) ou complexa (raciocínio, análise, síntese de múltiplas fontes). Segundo passo chama modelo adequado: Haiku pra simples, Sonnet ou Opus pra complexo.

Implementação: classificador pode ser regra heurística simples (comprimento da consulta + keywords de complexidade) ou própria chamada Haiku de classificação. Custo do classificador (Haiku) é tão baixo que compensa mesmo se usar em 100% das consultas.

Tempo de desenvolvimento: 3 a 5 horas.

Custo escondido que elimina: model overkill (Custo 3) — redução de 60 a 80% do custo por token em consultas simples, que são 70 a 80% do volume em atendimento típico.

Por que precisa de casa de software: roteamento errado — mandar consulta complexa pro modelo leve — gera resposta ruim que o usuário vai reclamar. Calibrar o threshold de classificação exige teste com amostra real de consultas, não experimento de 20 prompts no notebook.

Controle 4 — Prompt economy

O que faz: system prompt enxuto, instructions only-when-needed, histórico de conversa truncado após N rodadas.

Implementação em 3 partes:

• Auditoria do system prompt atual: contar tokens (API de tokenização é gratuita), identificar instruções duplicadas ou desnecessárias. Meta: manter abaixo de 1.000 tokens.
• Histórico de conversa: não enviar histórico completo. Enviar últimas 5 rodadas + resumo comprimido das anteriores (chamada de compressão a cada 10 rodadas).
• Instructions sob demanda: em vez de incluir todas as capacidades no system prompt, incluir só as relevantes pro contexto da sessão.

Tempo de desenvolvimento: 2 a 4 horas (auditoria + refactor do prompt existente).

Custo escondido que elimina: prompt obeso (Custo 4) — redução de 50 a 85% no custo de entrada dependendo do estado atual do prompt.

Controle 5 — Budget alarm

O que faz: alerta em tempo real quando gasto diário por projeto passa de threshold definido.

Implementação: webhook que chama a API de billing da OpenAI ou Anthropic a cada hora, compara contra teto diário por projeto (US$ 100 como ponto de partida), dispara SMS ou mensagem Telegram se ultrapassar. Não email — email não cria urgência no momento certo.

Tempo de desenvolvimento: 1 a 3 horas.

Por que não confiar só no alerta nativo do painel: alertas nativos da OpenAI e Anthropic funcionam, mas notificam por email com atraso de minutos a horas. No tempo que o email chega, job em loop pode ter feito US$ 200 em chamadas. Webhook próprio que consulta a API e dispara Telegram em 5 minutos é a diferença entre perceber o problema em tempo real e perceber na fatura do mês.

Decomposição honesta: quanto custa implementar os 5 controles?

Isso é entre 1,5 e 3 dias de trabalho focado de um desenvolvedor que conhece a stack da sua implementação. Não é sprint de 2 semanas. Não é refactor completo.

O motivo de precisar de profissional não é o tempo — é o conhecimento do contexto. Cada controle tem nuances que dependem de como a sua implementação específica funciona: qual modelo, qual framework de agente, qual banco, qual infraestrutura de cache. Implementar rate limit sem entender o padrão de uso real é definir threshold errado e derrubar usuário legítimo. Implementar cache sem entender o padrão de atualização de dados é retornar resposta desatualizada.

O que NÃO controla custo (mas vendem como se controlasse)

Três respostas aparecem muito em fórum e LinkedIn quando o assunto é custo de IA. As três são parcialmente verdadeiras, mas raramente são a resposta certa pra PME.

“Troca de provedor (OpenAI pra Anthropic ou vice-versa).” A diferença de preço por token entre os dois é de 10 a 30% dependendo do modelo e da data de consulta. Se sua fatura variou de R$ 800 pra R$ 4.200 num mês, 30% de desconto traz o problema de R$ 4.200 pra R$ 2.940 — ainda caótico. A variação vem de comportamento de uso, não de preço de provedor.

“Usa IA open-source local (Llama, Mistral).” Funciona bem pra casos específicos — especialmente quando o dado não pode sair da rede local por razão de compliance. Para PME sem infra de GPU e sem time de MLOps, o custo de setup, manutenção e latência costuma superar a economia em token em volumes abaixo de 500 mil tokens por dia. É a resposta certa para alguns casos — não é a resposta default.

“Espera o preço cair.” Preço de LLM cai historicamente, sim. Mas fatura que chegou R$ 4.200 esse mês não resolve em 6 meses esperando. Controle de custo implementado agora reduz gasto na fatura do próximo mês.

Passo seguinte: diagnóstico de 15 minutos

Se você tem IA rodando em produção e quer saber quais dos 5 custos escondidos estão na sua implementação, o caminho mais direto é um diagnóstico rápido.

Manda “custo IA” no WhatsApp. A equipe Adrion analisa o seu caso: qual provedor, qual volume, qual padrão de uso, e quais dos 5 controles têm o maior impacto pra reduzir a variação na sua fatura. Em uns 20% dos casos a resposta é “tá bem implementado, o custo alto é proporcional ao uso — não tem vazamento”. Na maioria, dá pra identificar 1 ou 2 controles que resolvem 70% do problema.

Posts relacionados que aprofundam o tema:

• n8n vs Zapier vs Make pra PME em 2026 — orquestração de automações com IA sem explodir custo por chamada desnecessária (D31)
• Lovable, Bolt, Cursor, Replit: qual cabe em qual caso — onde cada ferramenta de IA-coding faz sentido e onde não faz (D38)
• IA pra cobrança e boleto: inadimplência PME — IA aplicada a fluxo de caixa real, com custo controlado (D17)
• Não te vendo sistema, te vendo o fim da Joana — por que controle de custo de IA precisa de infra real, não só de ferramenta (D04)

Lucas Américo dos Reis é fundador do Grupo Adrion. Atua em telecom corporativo e arquitetura de sistemas desde 2008 (GVT, Brasil Telecom, Oi, Claro, Embratel, Vivo). Usa Claude Code e Cursor em produção há mais de 12 meses nos projetos da Adrion Sistemas. LinkedIn