Custo por Tarefa, Não por Token: a Economia Unitária dos Workloads de LLMs de Fronteira

Resumo

Custo por token é a unidade errada para workloads agênticos e de produção. A unidade certa é o custo esperado por tarefa concluída, somado ao custo de corrigir saídas erradas que escapam das verificações automatizadas:

$$\mathbb{E}[\text{custo por tarefa resolvida}] = \frac{C_{\text{tentativa}}}{p_{\text{sucesso}}}$$

No custo bruto de tokens por tarefa em meados de 2026, o modelo de fronteira mais recente da OpenAI costuma ser a opção mais barata. A Artificial Analysis mediu US$ 1,04 por tarefa do Intelligence Index para o GPT-5.6 Sol, contra US$ 2,03 do Claude Opus 5 e US$ 2,75 do Claude Fable 5. A OpenAI zerou a diferença de eficiência de tokens.

A Anthropic vence no momento em que a confiabilidade entra no denominador. No tau-bench, o Claude Opus 4.8 manteve uma parcela muito maior da sua pontuação de tentativa única em execuções repetidas e violou políticas menos da metade das vezes que o GPT-5.5. Em loops não supervisionados de alto risco, essa consistência reduz novas tentativas e correções humanas — e é aí que está a maior parte do dinheiro de verdade.

Principais conclusões

Os preços de tabela dos modelos flagship convergiram. O Claude Opus 5 custa US$ 5 de entrada / US$ 25 de saída por milhão de tokens. O GPT-5.6 Sol custa US$ 5 / US$ 30. A Anthropic agora é mais barata no preço de tabela de saída, não mais cara. A velha narrativa de que "o Claude custa mais por token" está praticamente obsoleta na fronteira.

Contagens de tokens não são comparáveis entre fornecedores. O tokenizador da Anthropic, do Opus 4.7 em diante, produz cerca de 30% mais tokens para o mesmo texto, e o Opus 4.8 e o Opus 5 registram cerca de 1,88 token por palavra em inglês, contra cerca de 1,17 na codificação o200k do GPT-5. Uma mesma tarifa de dólares por milhão compra menos palavras de contexto no Claude. Isso distorce comparações ingênuas por token contra a Anthropic.

Tokens de raciocínio são cobrados como tokens de saída nas duas plataformas, e a OpenAI os oculta, enquanto a Anthropic pode retorná-los. Uma resposta visível de 500 tokens pode carregar milhares de tokens de raciocínio faturados.

O denominador da taxa de sucesso domina. Um modelo 10% mais caro por tentativa, mas que acerta com muito mais consistência, pode sair bem mais barato por tarefa correta e em conformidade com as políticas quando novas tentativas e correções humanas entram na conta.

O prompt caching muda a aritmética de sessões longas dos dois lados. Leituras de cache custam 10% do preço de entrada tanto na Anthropic quanto nos modelos atuais da OpenAI.

Detalhes

O problema: preço por token mede a coisa errada

As equipes escolhem modelos por capacidade, disponibilidade e afinidade com o fornecedor. Mas, na hora de comparar custos, olham uma tabela de preços: US$ 5 contra US$ 10 por milhão de tokens, e param por aí. Essa comparação é quase inútil para qualquer coisa agêntica.

Uma tarefa agêntica não é uma única chamada de API. É um loop.

Planejar, chamar uma ferramenta, ler o resultado, decidir, editar, verificar, repetir. A análise da Vantage sobre sessões de codificação agêntica modela uma sessão representativa de 50 turnos com cerca de 1 milhão de tokens de entrada e 40.000 de saída — uma razão entrada/saída próxima de 25 para 1, com a entrada respondendo por cerca de 85% do custo total, porque o modelo relê um contexto acumulado a cada turno. A análise da Gartner de março de 2026 constatou que fluxos agênticos consomem de 5 a 30 vezes mais tokens por tarefa do que uma consulta simples de chatbot, e seu senior director analyst Will Sommer resumiu o risco sem rodeios: chief product officers "não devem confundir a deflação de tokens commodity com a democratização do raciocínio de fronteira". Bai et al. (arXiv:2604.22750), um preprint que analisa trajetórias de oito LLMs de fronteira no SWE-bench Verified, com coautoria de pesquisadores como Erik Brynjolfsson (Stanford) e Alex Pentland (MIT), constatou que tarefas agênticas de codificação consomem até 1.000 vezes mais tokens do que raciocínio de código e chat de código, com variância de até 30x entre execuções e tokens de entrada dominando a fatura.

A maioria dos engenheiros nunca viu quanto uma trajetória de agente realmente custa. A equipe de Bai et al. publicou seus dados brutos em longjubai.github.io/agent_token_consumption, incluindo um jogo de adivinhação: você lê uma tarefa real de codificação, prevê a conta de tokens e depois vê quanto oito modelos de fronteira realmente gastaram. Jogue três rodadas antes de confiar em qualquer estimativa de custo, inclusive na sua. Os próprios modelos subestimam seu consumo — e você também vai subestimar. Essa distância entre gasto previsto e gasto real é todo o argumento a favor de medir o custo por tarefa em vez de prevê-lo.

Dois fatos decorrem daí. Primeiro, o número de tokens por tarefa varia enormemente de modelo para modelo, então o mesmo preço de tabela produz faturas muito diferentes. Segundo, uma fração das tarefas falha, e uma trajetória fracassada custa o preço cheio mesmo assim. A unidade que sobrevive a esses dois fatos é o custo por tarefa concluída.

Uma definição formal

Defina o custo de uma única tentativa como a soma, ao longo dos passos da trajetória, dos tokens faturados multiplicados por suas tarifas:

$$C_{\text{tentativa}} = \sum_{s=1}^{S} \left( \text{in}_s \cdot p_{\text{in}} + \text{cache}_s \cdot p_{\text{cache}} + \text{out}_s \cdot p_{\text{out}} \right)$$

Se cada tentativa tem sucesso de forma independente com probabilidade $p$ e você repete até acertar, o número esperado de tentativas é $1/p$, então:

$$\mathbb{E}[\text{custo por tarefa resolvida}] = \frac{C_{\text{tentativa}}}{p_{\text{sucesso}}}$$

Se você limitar as repetições a $N$ tentativas, a probabilidade de sucesso eventual é $1 - (1-p)^N$ e o custo esperado do modelo por tarefa resolvida sobe na mesma proporção. Esse é o custo do modelo. Não é o custo total.

O custo total inclui saídas erradas que passam pelas verificações automatizadas e chegam a um humano ou à produção:

$$\mathbb{E}[\text{custo total por tarefa correta}] = \frac{C_{\text{tentativa}}}{p_{\text{sucesso}}} + L \cdot K_{\text{limpeza}}$$

onde $L$ é a taxa de vazamento — a probabilidade de uma saída errada ou fora de conformidade escapar da detecção — e $K_{\text{limpeza}}$ é o custo de consertá-la. Esse termo costuma ser invisível na fatura da API e, com frequência, é maior do que a própria fatura.

Preços atuais (agosto de 2026)

Anthropic, API padrão, por milhão de tokens:

Modelo	Entrada	Saída	Leitura de cache	Batch (entrada/saída)
Claude Fable 5	US$ 10	US$ 50	US$ 1,00	US$ 5 / US$ 25
Claude Opus 5 (flagship padrão)	US$ 5	US$ 25	US$ 0,50	US$ 2,50 / US$ 12,50
Claude Opus 4.8	US$ 5	US$ 25	US$ 0,50	US$ 2,50 / US$ 12,50
Claude Sonnet 5	US$ 2 (promocional) / US$ 3	US$ 10 (promocional) / US$ 15	US$ 0,30	US$ 1,50 / US$ 7,50
Claude Haiku 4.5	US$ 1	US$ 5	US$ 0,10	US$ 0,50 / US$ 2,50

As gravações de cache da Anthropic custam 1,25x a entrada para o TTL de 5 minutos e 2x a entrada para o TTL de 1 hora. O preço promocional de US$ 2 / US$ 10 do Sonnet 5 vale até 31/08/2026.

OpenAI, API padrão, por milhão de tokens:

Modelo	Entrada	Saída	Leitura de cache	Batch (entrada/saída)
GPT-5.6 Sol (flagship)	US$ 5	US$ 30	US$ 0,50	US$ 2,50 / US$ 15
GPT-5.6 Terra	US$ 2	US$ 12	US$ 0,20	US$ 1 / US$ 6
GPT-5.6 Luna	US$ 0,20	US$ 1,20	US$ 0,02	US$ 0,10 / US$ 0,60
GPT-5.5	US$ 5	US$ 30	US$ 0,50	US$ 2,50 / US$ 15
GPT-5.4	US$ 2,50	US$ 15	US$ 0,25	US$ 1,25 / US$ 7,50

A Batch API da OpenAI dá 50% de desconto em entrada e saída com janela de 24 horas. O Flex oferece os mesmos 50% com latência variável. O Priority custa cerca de 2,5x por latência menor. O GPT-5.6 introduziu preço de gravação de cache a 1,25x a entrada com mínimo de 30 minutos, espelhando o modelo da Anthropic. Atenção à penalidade de contexto longo: no GPT-5.5 e no GPT-5.6, qualquer requisição acima de cerca de 272.000 tokens de entrada é faturada a 2x na entrada e 1,5x na saída para a sessão inteira. A Anthropic inclui o contexto completo de 1M a tarifas fixas no Opus 5, no Opus 4.8 e no Sonnet 5.

Custo por tarefa, medido

A Artificial Analysis publica um custo absoluto em dólares por tarefa no seu Intelligence Index. Com esforço máximo de raciocínio, em agosto de 2026: o GPT-5.6 Sol custa US$ 1,04, o Claude Opus 4.8 custa US$ 1,80, o Claude Opus 5 custa US$ 2,03, o Claude Sonnet 5 custa US$ 2,29 nas tarifas padrão (US$ 1,53 no preço promocional que expira em 31/08/2026) e o Claude Fable 5 custa US$ 2,75.

Nessa suíte, o modelo de fronteira da OpenAI entrega inteligência quase de topo por aproximadamente um terço do custo do modelo mais capaz da Anthropic. Essa é a leitura honesta dos dados, e ela contraria a tese ingênua.

O ranking também é instável exatamente da maneira que este post prevê. Quando a Artificial Analysis publicou a análise do seu Coding Agent Index em maio de 2026, o Claude Opus 4.7 (max) no Claude Code custava US$ 4,10 por tarefa contra US$ 4,82 do GPT-5.5 (xhigh) no Codex — vitória do Claude. O índice ao vivo agora mostra o mesmo par a aproximadamente US$ 5,63 e US$ 5,05 em 10 de agosto, com a ordem invertida, porque o custo por tarefa é recalculado a partir dos preços atuais de tokens e de execuções atualizadas. Mesmos modelos, mesmo benchmark, conclusão oposta dentro de um trimestre. Na geração atual, o GPT-5.6 Sol no Codex lidera o índice e sai cerca de 10% mais barato por tarefa do que o Opus 4.8 no Claude Code. O ranking é específico do workload, da geração e da data — e é exatamente essa a questão.

Exemplo prático 1: uma tarefa de codificação em que a OpenAI vence

Pegue uma correção de bug no estilo SWE-bench. Modele a sessão com cache no prompt de sistema e nas ferramentas.

Claude Opus 4.8 a US$ 5 / US$ 25, leitura de cache a US$ 0,50. Entrada efetiva de 1.000.000 de tokens, 80% de leituras de cache, saída de 40.000 tokens.

• Entrada: 200k novos a US$ 5/M = US$ 1,00, mais 800k de leituras de cache a US$ 0,50/M = US$ 0,40.
• Saída: 40k a US$ 25/M = US$ 1,00.
• Gravação de cache uma vez, 50k a US$ 6,25/M = US$ 0,31.
• $C_{\text{tentativa}} \approx \$2{,}71$.

GPT-5.6 Sol a US$ 5 / US$ 30, leitura de cache a US$ 0,50. O Sol é mais econômico na saída, então modele 700.000 tokens efetivos de entrada e 15.000 de saída.

• Entrada: 140k novos a US$ 5/M = US$ 0,70, mais 560k de leituras de cache a US$ 0,50/M = US$ 0,28.
• Saída: 15k a US$ 30/M = US$ 0,45.
• Gravação de cache uma vez, cerca de US$ 0,07.
• $C_{\text{tentativa}} \approx \$1{,}50$.

Agora divida pela taxa de sucesso independente no SWE-bench Verified no harness da Vals AI: GPT-5.6 Sol, 96,2%; Claude Opus 4.8, 88,6%. Usamos o Opus 4.8 aqui porque ele tem um número medido de forma independente pela Vals AI; os números publicados do Opus 5 misturam harnesses.

$$\text{Sol: } \frac{\$1{,}50}{0{,}962} \approx \$1{,}56 \text{ por issue resolvida}$$ $$\text{Opus 4.8: } \frac{\$2{,}71}{0{,}886} \approx \$3{,}06 \text{ por issue resolvida}$$

A OpenAI vence aqui tanto no custo por tentativa quanto na taxa de sucesso. Para codificação autônoma pura no SWE-bench Verified público em meados de 2026, o modelo de fronteira da OpenAI, mais eficiente em tokens, é a escolha mais barata por issue resolvida. Qualquer análise honesta de custo por tarefa precisa admitir isso.

Exemplo prático 2: uma tarefa de uso de ferramentas em que a Anthropic vence

Agora pegue um agente de suporte de companhia aérea, sem supervisão, que faz reembolsos e remarcações. Ações erradas saem caras porque mexem com dinheiro de verdade e com políticas.

Do teste tau-bench do Contra Collective, domínio aéreo: Claude Opus 4.8 pass@1 = 0,64, com 4 violações de política a cada 100 tarefas. GPT-5.5 pass@1 = 0,58, com 9 violações de política a cada 100 tarefas. São diálogos mais curtos, então assuma custos por tentativa de cerca de US$ 0,30 para o Opus e US$ 0,22 para o GPT-5.5, mais eficiente em tokens. Assuma que cada violação de política que escapa custa US$ 25 para corrigir, em linha com os benchmarks de resolução de service desk de 2026.

Esse teste é anterior ao GPT-5.6 Sol, então o lado da OpenAI está uma geração atrás; nenhuma execução comparável do Sol no tau-bench de domínio aéreo foi publicada, e essa comparação deve ser refeita quando houver uma.

Por 100 tarefas, repetindo até o sucesso e somando a limpeza:

$$\text{Opus 4.8: } 100 \cdot \frac{\$0{,}30}{0{,}64} + 4 \cdot \$25 = \$46{,}90 + \$100 = \$146{,}90 \;\Rightarrow\; \$1{,}47 \text{ por tarefa correta}$$ $$\text{GPT-5.5: } 100 \cdot \frac{\$0{,}22}{0{,}58} + 9 \cdot \$25 = \$37{,}90 + \$225 = \$262{,}90 \;\Rightarrow\; \$2{,}63 \text{ por tarefa correta}$$

O preço por token favorecia a OpenAI. O custo por tentativa favorecia a OpenAI. O custo por tarefa correta, ajustado por sucesso e confiabilidade, favoreceu a Anthropic por quase 2x, puxado inteiramente pelo termo de limpeza. A alavanca é o custo de uma saída errada. Quando esse custo é alto, a consistência do Claude se paga sozinha. O tau-bench deixa essa consistência concreta: o Opus 4.8 manteve 56% das tarefas em 8 execuções consecutivas no varejo, contra 41% do GPT-5.5, e 34% contra 22% no domínio aéreo. Consistência é o que você compra para operar sem supervisão.

Distorções de tokenizador e verbosidade

Dois efeitos puxam em direções opostas. Primeiro, o tokenizador da Anthropic infla as contagens de tokens, então preços por token iguais subestimam o custo efetivo por palavra do Claude. Segundo, a verbosidade da saída varia por modelo e workload — e aqui a história se inverteu em 2026. Testadores independentes constataram que o GPT-5.5 usou cerca de 72% menos tokens de saída do que o Claude Opus 4.7 em tarefas de codificação equivalentes, e a Artificial Analysis mediu o GPT-5.6 Sol usando menos tokens do que o Opus 4.8 e, ainda assim, pontuando mais alto em inteligência. A velha suposição de que o Claude é o modelo conciso não vale mais na fronteira.

Verbosidade não é o mesmo que capacidade. O artigo do Terminal-Bench 2.0 (arXiv:2601.11868, ICLR 2026) não encontrou relação estatisticamente significativa entre tokens de saída e sucesso (r = −0,170, p = 0,515) e observou que o Claude Sonnet 4.5 e o Claude Opus 4.1 alcançaram taxas de sucesso de primeira linha (43% e 38%) com uso relativamente moderado de tokens. Não há evidência de que gastar mais tokens compre mais correção. Mas mais tokens sempre compram uma fatura maior, então meça os tokens de saída por tarefa e por modelo em vez de supor.

Cobrança de tokens de raciocínio

Os dois fornecedores cobram tokens de pensamento ocultos ou semiocultos à tarifa de saída. Os tokens de raciocínio da OpenAI são invisíveis na resposta. A Anthropic pode retornar um resumo do pensamento. O Opus 5 agora roda pensamento adaptativo por padrão, e cada token de pensamento é faturado a US$ 25 por milhão — por isso testes com esforço equiparado relatam o Opus 5 emitindo cerca de duas vezes mais tokens de saída do que o Opus 4.8 na mesma tarefa. A consequência prática: a configuração de esforço, e não a escolha do modelo, é o que mais mexe na fatura em muitos casos. Instrumente os tokens de raciocínio separadamente da saída visível.

Cache

O prompt caching é a alavanca de maior impacto em sessões agênticas longas. As duas plataformas precificam leituras de cache a 10% da entrada. A Anthropic usa breakpoints explícitos de cache_control e cobra 1,25x por uma gravação de 5 minutos ou 2x por uma de 1 hora. A OpenAI faz cache automaticamente acima de cerca de 1.024 tokens de prefixo estável. Em um loop de agente, o prompt de sistema, os esquemas de ferramentas e um prefixo de conversa crescente se repetem a cada turno — exatamente o formato para o qual o cache foi criado. O acúmulo de tokens em um loop é quadrático. As leituras de cache o aproximam do linear.

A ProjectDiscovery elevou sua taxa de acerto de cache de 7% para 84% enquanto servia 9,8 bilhões de tokens a partir do cache, cortando o gasto real com LLMs em 59%, com execuções pós-otimização chegando a 66% e os últimos 10 dias a 70%. Um loop que dispara pelo menos a cada 5 minutos mantém o cache da Anthropic aquecido indefinidamente, pagando o custo extra de gravação uma única vez. Coloque o conteúdo estável primeiro. Qualquer coisa depois de um elemento variável não entra no cache.

Custos ocultos

A fatura da API é o custo visível. O custo oculto é o tempo humano gasto com saídas erradas. Um estudo de 2025 citado pela LogRocket constatou que engenheiros sêniores gastam em média 4,3 minutos revisando uma sugestão gerada por IA, contra 1,2 minuto para código escrito por humanos, e a análise da Faros AI com mais de 10.000 desenvolvedores encontrou um aumento de 98% no volume de pull requests junto com um aumento de 91% no tempo de revisão.

A Faros também constatou, em 211 tarefas reais de engenharia, que um modelo mais barato com o contexto certo do repositório e um loop de verificação pode superar um modelo mais forte trabalhando às cegas — o que significa que a engenharia de contexto e de harness desloca a própria fronteira qualidade-custo, às vezes mais do que a escolha do modelo. Esses custos recaem sobre as pessoas mais caras e mais disputadas do time.

Como instrumentar o custo por tarefa

Registre tokens por trajetória, não por chamada. Marque cada requisição com um ID de tarefa. Some tokens de entrada, leitura de cache, gravação de cache, raciocínio e saída visível ao longo de todo o loop.

Registre o resultado. Marque cada tarefa como resolvida ou falha por meio de uma verificação automatizada e registre as novas tentativas.

Calcule o custo ajustado pela taxa de sucesso: total de dólares da trajetória dividido pelas tarefas resolvidas. Essa é a sua unidade real.

Acompanhe a taxa de vazamento. Amostre tarefas concluídas que passaram nas verificações automatizadas e peça a um humano para avaliar a correção ou a conformidade com as políticas. Multiplique a taxa de vazamento pelo seu custo total de limpeza.

Reporte o custo por unidade. Por ticket resolvido, por PR mesclado ou por ação correta, por modelo e por configuração de esforço. Deixe esses números visíveis para o time que os gera.

Separe o trabalho interativo do trabalho em lote já na fase de design. Direcione a metade que pode rodar em lote para o Batch ou o Flex e ganhe 50% de desconto.