Um modelo só pra tudo é decisão de oito meses atrás
Num sprint de arquitetura, o time decide que todo texto do produto passa pelo modelo topo de linha do fornecedor. Faz sentido na hora. É o mais capaz, resolve qualquer caso de borda, e ninguém quer abrir chamado de qualidade três meses depois. Aí passam oito meses. A fatura de tokens virou a segunda maior linha de custo de infraestrutura e aquela decisão de sprint nunca mais voltou pra mesa. Classificação de e-mail, extração de campo de formulário e resposta de FAQ continuam rodando no mesmo modelo que resolve raciocínio complexo.
Há um ano isso doía menos, porque o preço de IA caía parelho e escolher errado custava pouco. Parou de cair parelho.
O corte que não foi igual pra todo mundo
Em 30 de julho de 2026, a OpenAI cortou o preço de dois dos três modelos da família GPT-5.6. O Luna, modelo de entrada, caiu 80%: de US$ 1 para US$ 0,20 por milhão de tokens de entrada, e de US$ 6 para US$ 1,20 por milhão de tokens de saída. O Terra, o intermediário, teve corte bem mais tímido, de US$ 2,50 para US$ 2 na entrada e de US$ 15 para US$ 12 na saída. E o Sol, o topo de linha, ficou exatamente onde estava: US$ 5 de entrada e US$ 30 de saída por milhão de tokens.
A empresa disse que o corte veio de ganho de eficiência no desenvolvimento do GPT-5.6, e não de pressão de margem. Pode ser. Na sua fatura o efeito é o mesmo de uma guerra de preço: ela aconteceu embaixo e não encostou em cima.
Esse desenho não é jeitão da OpenAI. É como a competição entre fornecedores de modelo funciona agora. Aperta forte onde a tarefa virou commodity, tipo classificação e extração de campo, e quase não se mexe onde o fornecedor ainda tem vantagem de capacidade pra defender. Quem manda tudo pro modelo de cima, com qualquer fornecedor, não sente o corte que está acontecendo na camada de baixo.
Duas formas de montar a stack, e o que cada uma custa
| Critério | Um modelo só (flagship) | Roteamento por tarefa |
|---|---|---|
| Custo em tarefa simples (classificação, extração) | Preço do modelo topo em 100% do volume | Preço do modelo de entrada, que caiu 80% em um ano |
| Complexidade de engenharia | Baixa: uma integração, um contrato de API | Média: precisa de lógica de seleção e de fallback |
| Exposição a mudança de preço de um fornecedor | Total. A fatura inteira sobe ou desce junto | Parcial. O volume maior fica na camada barata |
| Latência em tarefa simples | Mais alta que o necessário | Mais baixa, porque modelo de entrada costuma ser mais rápido |
| Manutenção | Uma versão pra testar e monitorar | Duas ou três versões, cada uma com sua regressão |
A escolha depende do seu volume. Produto com pouca chamada e time de três pessoas faz bem em ficar com um modelo só, porque o custo de engenharia do roteamento não se paga. Volume alto de tarefa repetitiva é outra conversa. É ali que a conta muda de faixa.
Como fica o roteamento na prática
Não precisa de camada sofisticada pra começar. O primeiro corte é por tipo de tarefa, com um modelo de fallback pra quando o resultado sai abaixo do esperado:
function escolherModelo(tarefa: Tarefa): string {
if (tarefa.tipo === "classificacao" || tarefa.tipo === "extracao_campo") {
return "gpt-5.6-luna"; // US$ 0,20 / US$ 1,20 por milhão de tokens
}
if (tarefa.tipo === "resumo" || tarefa.tipo === "resposta_padrao") {
return "gpt-5.6-terra"; // US$ 2 / US$ 12 por milhão de tokens
}
return "gpt-5.6-sol"; // raciocínio complexo, decisão de risco, exceção
}
Esse if é a parte fácil, e é onde quase todo mundo para. O que sustenta o roteamento é uma taxa de erro medida por tipo de tarefa, que avisa quando uma tarefa precisa subir pra camada de cima. Sem esse número você tem uma aposta com nome de engenharia.
Preço de IA não cai igual pra todo mundo. Cai onde tem fornecedor disputando o mesmo tipo de tarefa por baixo. É exatamente ali que a maioria dos produtos ainda manda tudo pro modelo mais caro.
O que fazer na segunda de manhã
Antes de mexer em código, puxe um número do log de uso da API: que fração das suas chamadas de IA é tarefa repetitiva rodando no mesmo modelo que resolve os casos difíceis? Classificação, extração, formatação de saída, aquele resumo de duas linhas que ninguém lembra que existe. A gente já viu esse número sair muito acima do que o time chutava antes de olhar o log. Chute não serve aqui.
Se a fração for baixa, sua decisão de simplicidade continua certa. Fale isso pro time e volte pro roadmap, que tem coisa mais cara esperando. Se for alta, separe por tipo de tarefa, meça erro por camada e refaça a conta com os preços de hoje. É assim que corte de preço de fornecedor vira corte de fatura, em vez de virar notícia que você leu na terça e esqueceu na quinta.
E marque isso pra revisitar a cada corte de preço relevante do setor, não uma vez só no começo do projeto. É o mesmo diagnóstico que a consultoria de arquitetura da Overflow faz antes da primeira linha de código.
