TOON ou JSON: quando o novo formato realmente economiza tokens em prompts de IA
Desenvolvimento de Software
Entrechaves
Inteligência Artificial

TOON ou JSON: quando o novo formato realmente economiza tokens em prompts de IA

TOON promete cortar tokens de prompts de IA em relação ao JSON. Veja como funciona, os números do benchmark oficial e quando a troca realmente compensa.
Por Entre Chaves•
24 set, 2026• Atualizado em
24 set, 2026

Afinal, a resposta não é simples. Na verdade, ela depende diretamente da estrutura dos dados que você está enviando para o modelo. Esse foi o tema central do episódio #286 do nosso podcast Entre Chaves.

Basicamente, TOON é a sigla para Token-Oriented Object Notation. Ou seja, é um formato de serialização criado para representar dados JSON usando menos tokens em prompts enviados a modelos de linguagem. Especificamente, ele combina indentação hierárquica com um estilo tabular parecido com CSV. Além disso, declara o tamanho de arrays e a lista de campos logo no cabeçalho. Assim, reduz a repetição de chaves e delimitadores ao longo do payload.

Naturalmente, faz sentido perguntar se vale a pena trocar um formato universalmente suportado por um formato novo e ainda pouco difundido. Em resumo, a resposta curta é: depende do formato dos dados que você manda para o modelo. Ou seja, não é uma preferência genérica por um formato sobre o outro. Além disso, o custo por token virou linha relevante na fatura de produtos que rodam IA em produção. Por isso, essa é uma pergunta que qualquer time de engenharia vai precisar responder mais cedo ou mais tarde.

O que é TOON e por que ele nasceu da corrida por menos tokens?

Toda chamada a uma API de modelo de linguagem cobra por token, tanto de entrada quanto de saída. Pense em aplicações que enviam listas grandes de registros: resultados de busca, dados de catálogo, históricos de eventos. Nesses casos, o JSON tradicional carrega bastante overhead estrutural. Chaves se repetem em cada objeto, com valores entre aspas, colchetes e vírgulas em profusão. Ou seja, esse overhead não ajuda o modelo a entender o dado. Ele apenas consome tokens.

De onde vem a proposta do formato

O TOON nasceu justamente para atacar esse overhead em cenários de dado tabular e uniforme, onde muitos objetos compartilham exatamente os mesmos campos. Em vez de repetir as chaves em cada item da lista, o formato declara os campos uma única vez no cabeçalho e depois lista os valores linha a linha, de forma parecida com uma tabela CSV embutida dentro de uma estrutura hierárquica.

TOON e a onda de formatos alternativos

Vale dizer que o formato não surgiu isolado. Na verdade, ele faz parte de uma leva recente de propostas de serialização pensadas para consumo por modelo de linguagem. Diferente do JSON, elas não priorizam leitura humana nem compatibilidade com sistemas legados. Especificamente, o diferencial do TOON dentro dessa leva é declarar, no cabeçalho, o tamanho esperado de cada array e a lista de campos. Ou seja, isso funciona como uma checagem estrutural. Assim, o modelo tem uma pista adicional de quantos itens esperar, o que ajuda a reduzir erro de leitura em listas longas.

TOON x JSON: o que mostra o benchmark oficial

Segundo os números publicados no repositório oficial do projeto, o ganho é concreto. Em conjuntos de dados mistos, a redução média foi de 32,7% no número de tokens em relação ao JSON. Já em conjuntos de dados só com estrutura tabular uniforme, a redução chegou a 58,7% (TOON, GitHub).

Acurácia não caiu para ganhar economia

Economizar token não vale muito se o modelo passa a entender pior o dado. O benchmark testou 244 perguntas de recuperação de dado em quatro modelos diferentes. TOON manteve 72,2% de acurácia usando 42,6% menos tokens que o JSON, que ficou em 71,4% de acurácia. Em eficiência, isso significa 29,2 pontos percentuais de acurácia a cada mil tokens consumidos, contra 16,6 do JSON. O resultado por modelo variou: Grok 4.5 chegou a 97,1% de acurácia com TOON, contra 96,3% com JSON. Já o Gemini Flash ficou em 69,3% contra 68,4%.

O que esses números significam na prática

Na prática, isso derruba o argumento de que economizar token custa precisão. Nos testes publicados, o modelo interpretou o formato mais compacto tão bem quanto o JSON, às vezes até melhor, provavelmente porque a estrutura tabular declarada no cabeçalho reduz ambiguidade sobre onde cada campo termina. Isso não significa que o resultado se repete em qualquer aplicação, mas indica que a economia de token não é, por padrão, uma troca direta com qualidade de resposta.

Em que cenários a troca realmente compensa?

O ganho de TOON depende diretamente do formato do dado. Ele é maior quando a estrutura é tabular e uniforme, como uma lista de produtos com os mesmos campos, um histórico de transações ou resultados de uma consulta a banco de dados.

Dados tabulares são o ponto forte

Nesses casos, declarar os campos uma única vez no cabeçalho e listar apenas os valores nas linhas seguintes elimina a repetição que domina o JSON tradicional. Quanto mais uniforme e maior a lista de registros, maior a economia proporcional de tokens.

Um exemplo de payload tabular

Pense em uma resposta de API com cem pedidos, cada um com id, cliente, valor e status. Em JSON, as quatro chaves se repetem cem vezes, uma para cada objeto do array. Em TOON, essas quatro chaves aparecem uma única vez no cabeçalho da tabela, seguidas de cem linhas só com os valores, separados como em um CSV. É exatamente esse tipo de payload, comum em integrações de e-commerce, ERPs e sistemas de logística, que produz os ganhos de 58,7% observados no benchmark para dados tabulares.

JSON minificado ainda vence em quê?

Nem todo cenário favorece TOON. Para estruturas profundamente aninhadas, heterogêneas ou com poucos registros, a vantagem encolhe, e o JSON minificado, sem espaços e quebras de linha desnecessárias, pode ficar tecnicamente equivalente ou até mais compacto.

Quando o custo de adoção supera o ganho

Isso importa porque adotar um formato novo tem custo de manutenção. As bibliotecas de parsing ainda são menos maduras, e o time precisa de uma curva de aprendizado. Em alguns fluxos, também é preciso converter de volta para JSON antes de persistir o dado em outro sistema. Por isso, trocar de formato só compensa quando o volume de dado tabular enviado ao modelo é grande. Só assim a economia de tokens supera o custo de adoção. Para um endpoint interno chamado algumas vezes por dia, o ganho de token dificilmente paga a conta. Para um pipeline que processa milhares de chamadas por hora com payload tabular grande, a diferença de custo mensal pode justificar a migração.

A corrida das empresas por menos tokens

TOON entra em um movimento maior. Empresas de infraestrutura de IA vêm lançando técnicas de compressão de contexto e formatos alternativos com o mesmo objetivo, do RTK ao Headroom, todos competindo para reduzir o custo de rodar aplicações que dependem de prompts grandes.

O limite de empilhar ferramenta atrás de ferramenta

Esse tipo de ganho não é gratuito além do ponto técnico. Empilhar formato novo, mais uma camada de compressão e mais uma ferramenta de otimização de contexto aumenta a complexidade do pipeline. Além disso, cada camada nova é mais um ponto de falha e mais um item na lista do que precisa ser mantido. Vale medir se a economia marginal de mais uma ferramenta ainda compensa o custo de operar mais uma peça no sistema. A mesma lógica de olhar além do preço por token aparece em outra discussão prática sobre como escolher o modelo de IA certo sem estourar o orçamento do time, quando o critério de decisão vai além da tabela de preço.

Como o TOON se encaixa nas ferramentas que o time já usa

Adotar um formato novo custa menos quando ele se integra ao que já existe no pipeline, em vez de exigir reescrever a camada de serialização do zero.

SDK, CLI e conversão incremental

O projeto disponibiliza SDK em TypeScript e uma CLI de linha de comando para converter dados entre JSON e TOON. Portanto, essa separação entre formato de armazenamento e formato de prompt reduz o risco de migração. Como a conversão entre os dois formatos é determinística, é possível manter o armazenamento interno em JSON, do jeito que a maioria dos bancos e sistemas legados espera. Depois, basta serializar para TOON só no momento de montar o prompt que vai para o modelo. Essa separação entre formato de armazenamento e formato de prompt reduz o risco de migração: se o ganho não se confirmar em produção, reverter significa apenas trocar uma função de serialização, não redesenhar o schema de dado da aplicação.

Como aplicar isso no fluxo real de desenvolvimento

Antes de trocar o formato de serialização de um sistema inteiro, vale medir.

Um teste rápido antes de decidir

Rode uma amostra representativa dos seus dados pelos dois formatos. Meça o número real de tokens gerado com o tokenizador do modelo que você usa em produção. Depois, compare a acurácia nas tarefas que o seu produto realmente executa, não com o benchmark genérico publicado pelo projeto. O TOON já tem SDK em TypeScript e CLI própria, o que reduz o atrito de rodar esse teste antes de decidir se vale integrar o formato ao pipeline principal.

Basicamente, para pipelines que já enviam grandes listas tabulares e uniformes para o modelo, como catálogos, relatórios ou resultados de consulta, TOON tende a valer o teste. Para payloads pequenos, aninhados ou muito heterogêneos, o ganho provavelmente não justifica a mudança, e o tempo do time rende mais resolvendo outro gargalo do pipeline de IA.

Quer ver mais conteúdos como esse?

Desbloqueie o futuro do seu negócio

Entre em contato e descubra como podemos atuar lado a lado com seu time para entregar mais valor, mais rápido.

Mais conteúdos como esse

Fale com especialistas