Custo por tarefa é a métrica que mede o valor total gasto para completar um trabalho específico com IA. Ela inclui tentativas repetidas, correções e o tempo do desenvolvedor revisando o resultado antes de aceitar a resposta. Por isso, costuma contar uma história bem diferente da tabela de preço por token de cada fornecedor.
Esse foi o tema central do episódio #285 do nosso podcast Entre Chaves. O episódio comparou três modelos de fornecedores diferentes: Kimi K3, da Moonshot AI, GPT-5.6, da OpenAI, e Claude Fable 5, da Anthropic. Cada um resolve o problema de um jeito. Ainda assim, nenhum dos três vence sozinho em todas as frentes.
Três modelos, três estratégias de preço diferentes
Kimi K3 aposta em preço plano: 3 dólares por milhão de tokens de entrada, 15 por milhão de saída. O preço não muda mesmo com uma janela de contexto de até 1 milhão de tokens. Isso já é diferente da maioria dos concorrentes, que cobram mais quando o contexto cresce.
GPT-5.6 foi lançado em três camadas de preço e desempenho. Sol é o topo de linha, a 5 dólares de entrada e 30 de saída por milhão de tokens. Terra fica no meio, competitivo com a geração anterior, por 2,50 e 15 dólares. Luna é a opção mais barata, a 1 dólar de entrada e 6 de saída. Já Claude Fable 5 não tem camadas: custa 10 dólares de entrada e 50 de saída por milhão de tokens, valor fixo.
Por que o preço por token não mostra o custo real de uma tarefa?
Esses três preços, sozinhos, não dizem qual modelo é mais barato de verdade. Um modelo mais barato por token pode precisar de mais tentativas. Além disso, pode exigir prompts mais longos ou revisão manual adicional. No fim, gasta mais para chegar ao mesmo resultado que um modelo mais caro entrega de primeira.
O caso do Kimi K3 ilustra bem esse risco. A Moonshot AI divulga benchmarks próprios que colocam o K3 tecnicamente próximo do GPT-5.6 Sol e do Claude Fable 5. Testes independentes da Arena, porém, mostram outra realidade: o K3 fica cerca de um degrau abaixo dos dois em tarefas de código. Ou seja, o preço por token mais baixo não compra o mesmo desempenho por tarefa.
Custo por tarefa é a métrica que importa
A alternativa é medir custo por tarefa em vez de custo por token. Essa métrica considera o valor total gasto para completar um trabalho específico. Isso inclui tentativas repetidas, correções e o tempo do desenvolvedor revisando o resultado antes de aceitar a resposta da IA.
O Claude Fable 5 mostra o outro lado dessa moeda. Seu preço por token é o mais alto dos três. Ainda assim, a Anthropic documenta um caso real de migração de código: uma migração de Ruby que normalmente levaria dois meses foi concluída em um dia. Para uma tarefa desse tamanho, um modelo mais caro por token pode sair mais barato por tarefa, porque evita semanas de trabalho manual.
Como medir isso na prática
Medir custo por tarefa exige instrumentar o fluxo de trabalho. É preciso registrar quantos tokens cada tarefa consumiu, do prompt inicial até a resposta final aceita. Depois, é preciso cruzar esse dado com o tempo gasto pelo desenvolvedor em ajustes manuais. Sem esse tipo de registro, a comparação entre modelos continua sendo feita de forma intuitiva. Isso raramente reflete o custo real da operação.
O mito do open source em modelos gigantes
O Kimi K3 tem 2,8 trilhões de parâmetros no total, mas usa só uma fração disso, algo entre 40 e 60 bilhões, em cada resposta. A Moonshot AI libera os pesos do modelo para download, o que faz muita gente chamar o K3 de open source. Essa classificação é imprecisa.
Ter os pesos do modelo disponíveis não é o mesmo que ter acesso ao código de treinamento, aos dados usados ou ao processo completo por trás do modelo. Isso vale para o K3. Vale também para o GPT-5.6 e o Claude Fable 5, mesmo com filosofias de acesso bem diferentes entre si.
O que muda ao rodar um modelo fora da nuvem do fornecedor
Rodar um modelo de bilhões de parâmetros em infraestrutura própria exige capacidade computacional significativa, e nem sempre compensa. Para times menores, esse custo pode superar o valor pago diretamente ao fornecedor pelo uso via API.
Ainda assim, self-hosting pode fazer sentido para empresas com volume alto de uso e requisitos específicos de governança de dados. A decisão depende do volume de uso, da sensibilidade dos dados processados e da capacidade da equipe de infraestrutura de sustentar essa operação.
Quando um modelo troca de versão sem avisar
Um risco pouco discutido é o fallback silencioso. Fornecedores de IA às vezes trocam a versão de um modelo em produção sem aviso claro. Isso pode alterar o comportamento das respostas sem que o time perceba a causa de imediato.
A documentação oficial de deprecação de modelos da OpenAI ilustra bem o problema, mesmo tratando do lado mais transparente da questão. Modelos de uso geral recebem no mínimo seis meses de aviso antes de serem desativados. Variantes especializadas recebem pelo menos três meses. Já modelos em preview podem ser retirados com apenas duas semanas de aviso. Além disso, quando um alias apontado para uma versão específica é desativado, ele simplesmente para de funcionar. Não há redirecionamento automático para o substituto.
Esse tipo de mudança é especialmente perigoso em fluxos automatizados, onde ninguém revisa manualmente cada resposta gerada pela IA. Por isso, duas práticas viram parte necessária da operação, não um cuidado opcional. A primeira é fixar a versão exata do modelo em produção, em vez de depender de um alias genérico. A segunda é monitorar a qualidade das respostas ao longo do tempo.
Usar mais de uma IA no mesmo ciclo de desenvolvimento
O próprio GPT-5.6 já mostra essa lógica dentro de um único fornecedor. Sol serve tarefas que exigem o máximo de raciocínio. Terra cobre o dia a dia. Luna atende volume alto a baixo custo. Times de engenharia fazem o mesmo movimento entre fornecedores diferentes. Usam Kimi K3, GPT-5.6 e Claude Fable 5 conforme a tarefa, em vez de depender de um único modelo para tudo.
Ferramentas como Claude Code e Codex já mostram como essa multiplicidade faz parte da rotina de muitos desenvolvedores. O objetivo é o melhor equilíbrio entre velocidade, qualidade e custo em cada etapa do trabalho, não a lealdade a um fornecedor só.
Dividindo tarefas por especialidade
Na prática, isso significa que um mesmo desenvolvedor pode usar um modelo mais barato, como Luna ou Kimi K3, para gerar código inicial. Pode usar um modelo como o Fable 5 para revisar uma migração complexa. Essa divisão de tarefas por especialidade tende a produzir melhores resultados do que forçar um único modelo a fazer tudo igualmente bem.
Como montar uma estratégia multi-modelo sem perder controle
O maior risco de usar múltiplos modelos é perder visibilidade sobre custo total e qualidade consolidada. Sem um processo claro, cada desenvolvedor escolhe a ferramenta que prefere. A empresa perde a visão real de quanto está gastando e qual combinação de modelos entrega o melhor resultado.
Por isso, faz sentido definir critérios explícitos de quando usar cada modelo. Também vale medir custo por tarefa de forma consistente entre eles, e revisar essa configuração periodicamente. Modelos de IA evoluem rápido. Apostar no preço plano do Kimi K3 para tarefas simples e no Fable 5 para migrações complexas pode fazer sentido hoje e deixar de ser a melhor escolha em poucos meses.
O que times de plataforma podem fazer já esta semana
Empresas que ainda decidem qual IA usar só pela tabela de preços podem começar com um passo simples. Escolham três ou quatro tarefas recorrentes, como geração de testes, revisão de código ou documentação. Depois, testem essas tarefas em pelo menos dois dos três modelos discutidos aqui, durante duas semanas, medindo custo real por tarefa.
Um modelo pode se destacar em tarefas simples e repetitivas. No outro pode compensar o preço mais alto em migrações complexas ou revisão de segurança. Com esses dados em mãos, fica mais fácil justificar por que vale manter mais de um contrato ativo.
Também vale registrar, desde já, a versão exata de cada modelo em uso. Esse registro funciona como linha de base para detectar fallback silencioso mais rápido.
Governança mínima para não depender de sorte
Nenhuma dessas práticas exige um processo pesado de governança. O mínimo necessário são três coisas: um responsável definido por acompanhar custo e qualidade de cada modelo em uso, e um canal simples para reportar quando alguma resposta parecer diferente do esperado. Além disso, vale uma revisão periódica, mesmo que trimestral, da combinação de modelos escolhida.
Empresas maiores, com times de plataforma dedicados, podem automatizar parte dessa checagem. Testes que rodam periodicamente contra os modelos em produção já comparam a qualidade das respostas ao longo do tempo. Em times menores conseguem manter esse controle de forma manual, desde que exista disciplina para revisar os números com regularidade.
Portanto, no fim, escolher entre Kimi K3, GPT-5.6, Claude Fable 5 ou qualquer outro modelo deixa de ser uma decisão única e permanente. Vira um processo contínuo de medição, comparação e ajuste. O que guia esse processo é custo por tarefa e qualidade real de entrega, não o preço listado na página do fornecedor.

