Cloud Intelligence™
Seus desenvolvedores querem um LLM self-hosted. Seu CFO quer as contas.
O break-even do self-hosting de um LLM não é um tamanho de equipe. É um nível de gasto — e, com dados reais de uso corporativo, ele chega antes do que as páginas de preços sugerem. Aqui estão as contas, da variação de 3,2x no aluguel de H100s até o mês em que sua fatura de API ultrapassa um nó de GPU
Esta página também está disponível em English, Deutsch, Español, Français, Italiano e 日本語.
Este post mostra quanto custa o seu stack de IA. O Attribute mostra a quais times e produtos esse custo pertence.
About Vadim Solovey
Founded DoiT in 2011 and have been here ever since — in every flavor of CTO, co-CEO, and now CEO. I started my career in 1999 building data centers before anyone called it "the cloud," and I've spent the two decades since trying to deliver on what the cloud was actually supposed to be. I still write code most weeks.
My personal pageOs preços de tabela parecem imbatíveis. O Claude Code sai por US$ 100 a US$ 200 por mês nos planos Max, ou US$ 100 por assento com cobrança anual no Team Premium; o Codex fica na mesma faixa. Cinquenta desenvolvedores custam de US$ 5.000 a US$ 10.000 por mês, uma fração de qualquer cluster de GPU capaz de atendê-los, e o argumento a favor do self-hosting terminaria aí mesmo.
Mas esses planos têm limites rígidos de uso, e o uso sério deixou de ter cara de uso humano. Um agente em background que revisa todo pull request, uma varredura noturna de codemods em 400 repositórios, um pipeline de CI que gera e conserta testes: tudo isso roda em preço medido (tabela de US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de saída no Sonnet 5; US$ 5 e US$ 25 no Opus 5), ninguém impõe um teto por você, e a conta escala com a ambição, não com o headcount.
Dá para colocar um número nessa mudança, porque ela aconteceu com a gente. No time de engenharia da própria DoiT, no plano Claude Code Enterprise baseado em uso, a média hoje é de cerca de US$ 2.200 por desenvolvedor por mês. Não o teto — a média — e ela não é estática: cresceu todo mês conforme os workflows agênticos se espalham, sem sinal de platô. Seu número será diferente — uma equipe de usuários leves em planos com teto realmente custa US$ 100 por cabeça, e se esse é o seu time, a assinatura vence e você pode parar de ler aqui — mas a direção da curva é a mesma em todo lugar que olhamos. Então a pergunta real não é "dez desenvolvedores deveriam alugar uma GPU" — é a partir de que nível de gasto sustentado um nó alugado supera uma API medida no trabalho que um modelo open-weight realmente dá conta.
Quanto um nó custa de verdade
Comparar preços de GPU é genuinamente difícil. No momento em que escrevemos, uma H100 é alugada sob demanda por US$ 3,85 a hora na Nebius, US$ 6,88 na AWS (a p5.4xlarge de GPU única em us-east-1 — a p5.48xlarge de 8 GPUs custa US$ 55,04, exatamente oito vezes isso), US$ 10,98 no GCP (a3-highgpu-8g, us-central1) e US$ 12,29 no Azure (ND96isr, East US). Uma variação de 3,2x sobre o mesmo silício.
E você não aluga exatamente uma GPU — você aluga uma caixa com oito. Praticamente toda instância séria de GPU vem como um nó de 8 GPUs, então a pergunta de dimensionamento é "quantos nós", não "quantas GPUs". Um nó, 24 horas por dia durante um mês:
| US$/GPU-h | Nó/mês (~730 h) | |
|---|---|---|
| Nebius spot | US$ 2,15 | ~US$ 12.600 |
| Nebius on-demand | US$ 3,85 | ~US$ 22.500 |
| AWS on-demand | US$ 6,88 | ~US$ 40.200 |
| GCP on-demand | US$ 10,98 | ~US$ 64.100 |
| Azure on-demand | US$ 12,29 | ~US$ 71.800 |
Mesmas GPUs, mesmo mês, US$ 59.000 de diferença entre os extremos da tabela. Dois ajustes antes de você se ancorar em qualquer um deles. Commitments estreitam a variação: uma reserva de 1 ano na AWS leva o nó a cerca de US$ 43 por hora (aproximadamente US$ 31.600 por mês), Capacity Blocks fecharam recentemente em torno de US$ 5,20 por GPU-hora, e commitments de 3 anos nos hyperscalers podem cortar o on-demand quase pela metade. E o extremo mais barato tem contrapartidas: instâncias spot podem ser recuperadas pelo provedor no meio de uma requisição — e, num mercado com capacidade escassa, podem simplesmente não estar disponíveis quando você precisar — enquanto os provedores de baixo custo não têm o ecossistema que seu time de plataforma já conhece. Se isso vale US$ 30.000 por mês é uma conversa legítima, mas deveria ser uma conversa, não uma escolha automática.
Onde está a linha
Agora as duas curvas podem se encontrar. Um nó 8xH100 saturado servindo um modelo open-weight da classe 120B com continuous batching produz vários bilhões de tokens de saída por mês — tokens que custariam na casa das dezenas de milhares de dólares nas tarifas do Sonnet 5, saindo de um nó que custa de US$ 12.600 a US$ 40.200. A regra prática sai direto daí: quando seu gasto de IA baseado em uso, no trabalho que um modelo open-weight realmente dá conta — alto volume, repetitivo, avaliável —, se mantém acima de aproximadamente o preço mensal de um nó, o self-hosting é mais barato, e a vantagem se acumula com o volume. A US$ 2.200 por desenvolvedor, essa linha fica em algum ponto entre sete e dezoito desenvolvedores.
Antes que alguém encaminhe isso para um CFO, duas adições honestas que sobem a régua. Se você precisa da disponibilidade que uma API te dá de graça, precifique dois nós, não um: uma única réplica significa que um restart derruba o assistente para todo mundo. E alguém precisa operá-lo — serving do modelo, quantização, failover, upgrades —, então coloque o custo total de um engenheiro dentro da comparação, não numa nota de rodapé. Com os dois ajustes, a linha honesta é um gasto sustentado confortavelmente acima do preço de dois nós e de parte de um engenheiro — o que, nas taxas reais de uso, ainda equivale a apenas algumas dezenas de desenvolvedores em workloads agênticos.
O caso-limite que dispensa a matemática por completo: se seu código ou seus dados não podem sair do seu perímetro, o self-hosting nunca foi uma decisão de custo, e o ponto de corte é onde o seu time de compliance disser que é.
A prova dos nove por tamanho de equipe
Tamanhos de equipe ainda tornam as contas concretas, desde que você dimensione pela simultaneidade e não pelo headcount: desenvolvedores geram em rajadas, e em qualquer instante talvez 10% a 20% de uma equipe tenha uma requisição em andamento.
Dez desenvolvedores são duas ou três sessões simultâneas — metade da capacidade de um nó, na melhor das hipóteses. A conta do assistente, no nosso nível de uso, fica em ~US$ 22.000 por mês contra US$ 12.600 a US$ 40.200 por um nó que o time não consegue manter ocupado: praticamente empate, e a assinatura está comprando um modelo de fronteira, então ela ainda vence. Não faça self-hosting nesse tamanho, a menos que a restrição de perímetro de dados se aplique.
Cinquenta desenvolvedores são de cinco a dez sessões simultâneas — um único nó 8xH100 atende o time inteiro para modelos até a classe 120B. A conta do assistente, em uso real, é de ~US$ 110.000 por mês contra o mesmo nó: de três a nove vezes o preço do ferro.
Cloud bill shouldn't be a mystery
One platform for AI and Cloud optimization.
Cem desenvolvedores são dois ou três nós, US$ 45.000 a US$ 80.000 por mês alugados on-demand, contra uma conta de assistente de ~US$ 220.000. É aqui também que ter o próprio hardware entra em cena. Um servidor 8xH100 custa cerca de US$ 280.000; depreciado linearmente em três anos, dá US$ 7.800 por mês — digamos US$ 10.000 a US$ 12.000 com energia, colocation e operação —, então, contra US$ 40.200 no on-demand da AWS, o hardware se paga em menos de um ano. Deixe claro para o seu time financeiro que isso é um cálculo puro de payback em caixa — a linha reta de três anos é o cronograma de depreciação, sem custo de capital nem estimativa de valor residual. O contra-argumento é a utilização: esse payback assume que o nó roda a plena carga 24 horas por dia, e um workload ocupado 50 horas por semana usa 30% das horas que você comprou — nesse ponto, sua taxa efetiva on-prem triplica, a nuvem permite não pagar por noites e fins de semana, e o preço reservado fecha a maior parte da diferença restante. Ter o hardware vence quando a utilização é alta e previsível; alugar vence quando não é. A planilha geralmente diz "compre"; os dados de utilização geralmente dizem "alugue". Confie nos dados de utilização.
O que o preço premium realmente compra
Com cinquenta desenvolvedores, a diferença entre a conta do assistente e o nó fica entre US$ 70.000 e US$ 100.000 por mês. Isso não é só um sobrepreço pela etiqueta do modelo — a API medida embute resiliência que você compraria na forma de um segundo nó, elasticidade que você compraria como capacidade ociosa, risco de capacidade assumido por terceiros, ferramentas de segurança e suporte, upgrades de modelo sem trocar hardware e zero risco de hardware encalhado quando o modelo do ano que vem quiser as GPUs do ano que vem. Mais dois créditos: o modelo de fronteira resolve mais problemas por tentativa — em custo por pull request mesclado, parte do múltiplo se fecha, e só a sua própria avaliação diz quanto — e os preços de tabela dos tokens continuam caindo à medida que provedores de fronteira mais baratos os pressionam, então o lado da API nessa comparação melhora sozinho de um jeito que um commitment de GPU assinado não melhora.
O contrapeso favorece o self-hosting exatamente onde ele se aplica: previsibilidade. O gasto por desenvolvedor é o lado volátil desse balanço — o nosso cresceu todo mês — enquanto um nó alugado é um número fixo e conhecido. Para o trabalho de alto volume e avaliável que já deveria estar em um modelo open-weight de qualquer forma, você troca uma conta em aberto por uma conta fixa. Depois de descontar tudo o que esse valor extra compra, a diferença a partir de cinquenta desenvolvedores ainda é larga o bastante para bancar o engenheiro que opera o nó.
O que fazer na prática
A conclusão é um portfólio, não um lado:
- Assentos com teto para usuários leves — a US$ 100 por cabeça, nada os supera.
- API de fronteira medida para os problemas que genuinamente exigem qualidade de fronteira — pague o preço premium onde a avaliação disser que ele se justifica.
- Um nó open-weight self-hosted para o trabalho de alto volume, repetitivo e avaliável — a partir do dia em que seu gasto sustentado baseado em uso nesse trabalho ultrapassar o preço do nó (ou de dois nós mais um engenheiro, se você estiver sendo honesto sobre disponibilidade e operação).
- Self-hosting independentemente do custo quando o código não pode sair do seu perímetro.
Com números reais de uso corporativo, a maioria dos times cruza a linha do self-hosting antes do que as páginas de preços — e os fornecedores — sugerem.
Rode seus próprios números
Seja qual for o seu cenário, quatro variáveis dominam o resultado: qual modelo (a contagem de parâmetros define o piso de GPU), quantização (FP8 corta pela metade a memória do FP16, INT4 corta pela metade de novo, cada um com um custo de qualidade), comprimento de contexto (o KV cache para contextos longos pode rivalizar com os pesos em consumo de memória) e a meta de simultaneidade (ela define as réplicas, que multiplicam tudo acima).
Cansamos de reconstruir essa planilha a cada conversa com cliente, então colocamos na web: a calculadora de hosting de IA dimensiona qualquer um de ~29 modelos open-weight contra os preços atuais de GPU, extraídos periodicamente das APIs de preços dos próprios provedores, ao lado de uma estimativa de montagem on-prem. Todo número acima vem dela, e todo número nela remete a uma fórmula ou a uma premissa declarada com a qual você pode discutir.
Os preços deste post são de um momento específico (agosto de 2026, regiões de referência citadas acima) e vão variar — os aluguéis de GPU numa direção, os preços de token muito provavelmente na outra. Se o seu time está em algum ponto entre "a thread que morreu" e "três nós e um contrato de colocation", rode seus próprios números antes que um dos lados vença por W.O.
