A conta de API de IA raramente explode por causa do preço unitário do modelo. Ela explode por decisões de arquitetura: contexto que cresce sem limite, modelo grande para tarefa pequena, retrabalho silencioso. As táticas abaixo são as que mais aparecem quando ajudamos clientes a revisar o consumo.
1. Use o menor modelo que resolve a tarefa
Classificar um chamado, extrair campos de um texto, decidir uma rota: tarefas estruturadas raramente precisam do modelo topo de linha. A diferença de preço entre um modelo "flash" e um "pro" costuma ser de 3 a 5 vezes. O padrão que funciona: roteie por tarefa — modelo econômico por padrão, modelo forte apenas onde a qualidade extra é mensurável. Como a API é compatível com OpenAI, trocar de modelo é mudar uma string.
2. Aproveite o cache de prompt
Se toda chamada começa com as mesmas instruções de sistema (persona, regras, exemplos), esse prefixo repetido pode ser cobrado a preço de cache — tipicamente 10% a 25% do preço normal de entrada. Para aproveitar: mantenha a parte fixa do prompt idêntica byte a byte e no início da mensagem; deixe o que varia (pergunta do usuário, dados do dia) para o final.
3. Controle o crescimento do histórico
Em conversas, o histórico inteiro é reenviado a cada turno. Sem controle, o custo por turno cresce linearmente e o custo da conversa cresce de forma quadrática. Defina um orçamento de contexto: mantenha os últimos N turnos na íntegra e resuma o resto em um parágrafo. Poucas aplicações precisam de mais do que isso.
4. Limite a saída — ela é a parte cara
Tokens de saída custam múltiplos do preço de entrada. Duas alavancas simples: peça respostas no formato mínimo necessário (um JSON enxuto em vez de prosa explicativa) e use max_tokens como trava de segurança contra respostas desgovernadas. Se a resposta vai para outra máquina, não pague por cortesia verbal.
5. Envie só o contexto que muda a resposta
Anexar o documento inteiro "por garantia" é o erro mais caro em RAG. Recupere e envie apenas os trechos relevantes; meça se aumentar o contexto melhora de fato a resposta. Em muitos casos, 2 mil tokens bem selecionados superam 20 mil despejados.
6. Meça por chamada, não pela fatura no fim do mês
Custo que só aparece agregado não aponta culpado. Instrumente por rota e por feature: quanto custa um atendimento? Uma geração de relatório? Na TokenRecarga cada resposta traz x-mt-cost-brl (custo daquela chamada, em reais) e x-mt-balance-brl (saldo restante) — dá para logar isso junto com as métricas da aplicação e ver custo por feature em tempo real.
7. Trate falha e retry como item de custo
Retry sem critério paga a mesma chamada duas vezes; validação fraca paga uma chamada para gerar e outra para corrigir. Valide a saída (schema, formato) na primeira passada e faça retry apenas em erro de transporte, não em "não gostei da resposta".
Por onde começar
- Meça uma semana de uso por feature (os cabeçalhos de custo por chamada resolvem isso sem infraestrutura extra).
- Ataque primeiro o maior bloco: quase sempre é contexto/histórico, não preço unitário.
- Compare modelos com seus próprios dados — os preços em reais estão na tabela de preços, e trocar de modelo não exige mudar código.