Como estimar o custo de um agente de IA

Um agente de IA não faz uma única requisição — ele faz dezenas, e cada etapa reenvia a conversa que cresce. É por isso que as faturas de agentes são dominadas por tokens de entrada, e por isso a intuição de "preço por resposta" dos apps de chat não funciona. Veja como estimar o custo antes de o agente rodar, e para onde o dinheiro realmente vai.

A fórmula#

O custo de uma requisição é tokens de entrada vezes o preço de entrada mais tokens de saída vezes o preço de saída. Os preços são cotados por milhão de tokens:

request_cost = input_tokens / 1,000,000 × input_price
             + output_tokens / 1,000,000 × output_price

O custo de uma tarefa é a soma de todas as requisições que o agente faz enquanto a resolve.

Por que agentes são pesados em entrada#

A cada etapa o agente envia ao modelo:

• o prompt de sistema e as definições de ferramentas;
• todo o histórico até o momento — mensagens anteriores, respostas anteriores do modelo e resultados de ferramentas (conteúdo de arquivos, saída de comandos, resultados de busca);
• a nova instrução.

O modelo geralmente responde com uma mensagem curta ou uma chamada de ferramenta. Então o resultado da ferramenta é anexado ao histórico e a próxima etapa envia tudo de novo. Assim, a entrada de cada etapa cresce, enquanto a saída permanece pequena.

Um exemplo prático#

Condições (suposições — substitua pelos números do seu agente):

• prompt de sistema e definições de ferramentas: 6.000 tokens;
• cada etapa adiciona 1.500 tokens de resultados de ferramentas e 500 tokens de saída do modelo ao histórico;
• a tarefa leva 30 etapas;
• modelo: DeepSeek-V4-Flash a $0.0221 por 1M tokens de entrada e $0.10 por 1M tokens de saída (preços atuais).

A entrada da etapa n é 6.000 + (n − 1) × 2.000 tokens. Ao longo de 30 etapas:

• entrada total: 30 × 6.000 + 2.000 × (0 + 1 + … + 29) = 180.000 + 870.000 = 1.050.000 tokens;
• saída total: 30 × 500 = 15.000 tokens;
• custo: 1,05 × $0.0221 + 0,015 × $0.10 ≈ $0.0247 por tarefa.

A entrada é 98,6% dos tokens e quase todo o custo. Quanto a entrada domina depende do cenário: respostas longas, arquivos gerados e modelos de raciocínio aumentam a parcela de saída, enquanto um histórico enxuto e saída curta de ferramentas reduzem a parcela de entrada.

A mesma tarefa em todos os modelos aos preços atuais, com os preços de referência do OpenRouter para comparação:

Estime em código#

O mesmo cálculo como função — mude as suposições e os preços:

def estimate(steps, base_tokens, tool_tokens, out_tokens, price_in, price_out):
    """Token totals and cost of one agent task. Prices: $ per 1M tokens."""
    grow = tool_tokens + out_tokens            # what each step adds to the history
    total_in = steps * base_tokens + grow * steps * (steps - 1) // 2
    total_out = steps * out_tokens
    cost = (total_in * price_in + total_out * price_out) / 1_000_000
    return total_in, total_out, round(cost, 5)

# example rates, $ per 1M tokens — put in the current ones from the pricing table below
print(estimate(30, 6_000, 1_500, 500, price_in=0.10, price_out=0.40))
# (1050000, 15000, 0.111)

Observe o termo quadrático: dobrar o número de etapas aproximadamente quadruplica a entrada. Sessões longas ficam caras não por causa de uma única etapa, mas porque cada etapa carrega o histórico inteiro.

Meça em vez de adivinhar#

Toda resposta inclui usage.prompt_tokens (entrada) e usage.completion_tokens (saída). Registre-os para cada etapa de uma tarefa real, multiplique pelas tarifas atuais, e você tem o custo real. O painel também mostra o uso por modelo e por dia.

Tarifas atuais — os mesmos dados da página de preços:

Sete maneiras de cortar o custo#

1. Comece uma nova tarefa para trabalho não relacionado. Uma sessão nova não carrega o histórico da anterior.
2. Dê fragmentos ao agente, não arquivos inteiros. Uma função e seus chamadores em vez de um módulo de 3.000 linhas.
3. Enxugue a saída de ferramentas. Logs longos e saída de comandos permanecem no histórico pelo resto da sessão — limite-os, por exemplo com | tail -n 50.
4. Resuma sessões longas. Muitos agentes conseguem compactar o histórico; use isso antes que o contexto fique longo.
5. Limite o comprimento da resposta com max_tokens onde respostas longas não são necessárias.
6. Use o modelo certo para a etapa. Etapas rotineiras não precisam de um modelo de raciocínio.
7. Mantenha um orçamento pré-pago. O saldo é pré-pago: quando acaba, as requisições param com HTTP 402 em vez de acumular uma fatura sem limite.

Para ver como a mesma carga de trabalho se compara entre modelos e com o OpenRouter, use a comparação de custos na página inicial.