A filosofia de poupança na era da IA: como gastar cada Token com eficiência

Título original: Filosofia de poupança na era da IA: como fazer cada Token valer a pena

Autor original: Dongcha Beating

Fonte original:

Republicação: Mars Finance

Naquela época dos Telegrams em que se cobrava ao carácter, tinta e papel eram dinheiro. As pessoas estavam habituadas a condensar milhares de palavras até ao limite; «voltar já» valia mais do que uma carta longa, e «está tudo bem» era o aviso mais pesado.

Mais tarde, o telefone chegou à porta de casa, mas as chamadas interurbanas eram cobradas por segundo. As chamadas interurbanas dos pais eram sempre curtas e objetivas: tratavam do assunto e desligavam de imediato; se a conversa ganhasse um pouco mais de fôlego, a ideia de «aí que dor na carteira» cortava a saudação logo no primeiro frio.

Mais tarde ainda, a banda larga entrou em casa e navegar na internet passava a ser cobrado por hora. As pessoas olhavam para o cronómetro no ecrã: abriam uma página e fechavam, os vídeos só se atrevem a descarregar, e o streaming era, na altura, um verbo de luxo. Cada fim de barra de progresso de download escondia o desejo das pessoas de «se ligarem ao mundo» e o receio de «saldo insuficiente».

A unidade de cobrança mudou, e mudou de novo, mas a sensibilidade inata para poupar ficou imutável desde sempre.

Hoje, os Tokens viraram moeda na era da IA. No entanto, a maioria ainda não aprendeu a afinar as contas nesta era, porque ainda não aprendeu a calcular ganhos e perdas em algoritmos invisíveis.

Quando o ChatGPT saiu em 2022, quase ninguém se importava com o que eram Tokens. Era a era de «grande panela» da IA: pagava-se 20 dólares por mês e podia-se conversar à vontade.

Mas desde que, recentemente, os agentes de IA começaram a estar em alta, a despesa em Tokens passou a ser uma coisa que cada pessoa que usa um agente de IA tem de ter em conta.

Ao contrário de uma conversa simples de pergunta e resposta, por trás de um fluxo de tarefas há centenas e milhares de chamadas a APIs; o raciocínio independente do agente tem um custo. Cada correção própria, cada chamada a uma ferramenta, corresponde ao salto dos números na fatura. E depois percebe-se que o dinheiro que carregou de repente já não chega, e ainda nem se sabe bem o que é que o agente fez.

Na vida real, toda a gente sabe como poupar. Num mercado de legumes, sabemos separar as folhas podres com terra antes de pôr no peso; ao apanhar um táxi para o aeroporto, o condutor experiente sabe evitar os viadutos do pico da hora de ponta.

A lógica de poupança no mundo digital é basicamente a mesma: só que a unidade de cobrança deixou de ser «quilo» e «quilómetros» e passou a ser Tokens.

No passado, poupar acontecia por causa da escassez; na era da IA, poupar é para ser preciso.

Queremos, com este artigo, ajudar-te a organizar uma metodologia de poupança na era da IA, para que passes cada cêntimo no sítio certo.

Antes de ir à balança, separa as folhas podres

Na era da IA, o valor da informação já não é determinado pela sua amplitude, mas pela sua pureza.

A lógica de cobrança da IA é baseada no número de caracteres que ela lê. Quer estejas a alimentar verdades essenciais, ou conversas de formato sem sentido, desde que leia, tens de pagar.

Assim, a primeira forma de pensar para poupar Tokens é «gravar o rácio sinal-ruído» no subconsciente.

Cada palavra que dás à IA, cada imagem, cada linha de código, custa dinheiro. Por isso, antes de entregar seja o que for à IA, lembra-te de te perguntar: quantas partes são realmente necessárias à IA? Quantas são folhas podres com terra?

Por exemplo, aquela abertura longa do tipo «Olá, pode ajudar-me…», apresentações de fundo repetidas, e comentários de código que não foram limpos — tudo isso são folhas podres com terra.

Além disso, o desperdício mais comum é atirar directamente para a IA um PDF ou capturas de ecrã. Sim, poupas trabalho para ti, mas na era da IA, «poupar trabalho» acaba muitas vezes por significar «ficar caro».

Um PDF com formatação completa, para além do conteúdo principal, inclui cabeçalhos, rodapés, legendas de tabelas e gráficos, marcas de água ocultas e uma quantidade enorme de códigos de formatação para o layout. Para a IA, nada disto ajuda a compreender o teu problema; mas tudo isso é cobrado.

Na próxima, lembra-te de converter primeiro o PDF em texto limpo em Markdown antes de o alimentar a uma IA. Quando transformas um PDF de 10MB num texto limpo de 10KB, não só poupas 99% do dinheiro, como também faz o «cérebro» da IA funcionar muito mais rápido do que antes.

As imagens são outro grande devorador de Tokens.

Na lógica dos modelos visuais, a IA não liga se as tuas fotos estão bem ou mal tiradas; só liga a quantas áreas de pixels ocupas.

Por exemplo, segundo a lógica oficial de cálculo do Claude:
Consumo de Tokens de imagem = largura em pixels × altura em pixels ÷ 750.

Uma imagem de 1000×1000 pixels consome cerca de 1334 Tokens; ao converter pelo preço do Claude Sonnet 4.6, cada imagem fica aproximadamente a 0,004 dólares;

mas se comprimires a mesma imagem para 200×200 pixels, consomes apenas 54 Tokens, e o custo desce para 0,00016 dólares — uma diferença de 25 vezes.

Muitas pessoas atiram para a IA fotos em alta definição tiradas com o telemóvel e screenshots em 4K, sem perceber que os Tokens que essas imagens consomem podem ser suficientes para a IA ler grande parte de um romance intermédio. Se a tarefa for apenas reconhecer o texto nas imagens ou fazer um julgamento visual simples — por exemplo, fazer a IA identificar o valor numa factura, ler texto num manual de instruções, ou verificar se há semáforos vermelhos e verdes — então a resolução 4K é um desperdício puro. Basta comprimir as imagens para a resolução mínima utilizável.

Mas a razão mais fácil de desperdiçar Tokens na entrada não é, na realidade, o formato do ficheiro — é o modo ineficiente de falar.

Muitas pessoas tratam a IA como vizinho humano e comunicam com conversas sociais em pequenos pedaços, como em tagarelice: primeiro mandam «escreve-me uma página Web», depois esperam enquanto a IA cospe um rascunho incompleto, e então vão adicionando detalhes, puxando e ajustando repetidamente. Esse tipo de conversa tipo «pasta de dentes» faz a IA gerar conteúdo repetidas vezes; e cada ronda de alteração soma o consumo de Tokens.

Os engenheiros da Tencent Cloud descobriram, na prática, que para o mesmo requisito, em conversas de várias rondas no estilo pasta de dentes, o consumo final de Tokens é frequentemente de 3 a 5 vezes o de uma explicação esclarecida numa única vez.

O verdadeiro caminho para poupar é abandonar este teste social de baixa eficiência e dizer logo tudo de uma vez: exigências, condições-limite e exemplos de referência. Poupa-se menos esforço ao explicar «não fazer isto», porque frases negativas tendem a custar mais compreensão do que frases afirmativas; diz directamente «como fazer» e oferece um exemplo claro e correcto.

Além disso, se souberes onde está o objectivo, diz isso à IA com clareza e não a deixes fingir que anda à procura como um detective.

Quando ordenas à IA «procura um código relacionado com o utilizador», ela tem de fazer varrimentos, análises e adivinhações em segundo plano. Mas quando lhe dizes directamente «vai ver o ficheiro src/services/user.ts», o consumo de Tokens muda drasticamente. No mundo digital, a equivalência de informação é a maior forma de poupança.

Não pagues a «gentileza» da IA

Existe uma regra tácita na cobrança de modelos grandes que muita gente não percebe: os Tokens de saída costumam ser 3 a 5 vezes mais caros do que os Tokens de entrada.

Ou seja, as palavras que a IA diz custam muito mais do que aquilo que tu lhe disseste. Por exemplo, no preço do Claude Sonnet 4.6: a entrada custa apenas 3 dólares por cada milhão de Tokens, mas a saída salta de forma acentuada para 15 dólares — uma diferença de 5 vezes.

Aquelas aberturas educadas do tipo «Muito bem, já entendi completamente a sua necessidade. Agora vou responder-lhe…» e aqueles fechamentos polidos como «Espero que o conteúdo acima lhe seja útil…». Na comunicação entre pessoas são apenas fórmulas sociais educadas; mas na facturação de uma API, essa conversa fiada sem ganho informacional adicional também é dinheiro que sai do teu bolso.

O meio mais eficaz para resolver o desperdício na saída é estabelecer regras para a IA. Diz-lhe com instruções do sistema, de forma clara: sem conversa fiada, sem explicações, sem repetir as exigências — dá directamente a resposta.

Estas regras só precisam de ser definidas uma vez; passam a valer em cada conversa, sendo um verdadeiro método de finanças «um investimento, benefícios permanentes». Mas ao criar regras, muitas pessoas caem noutro erro: empilhar instruções com linguagem natural longa.

Dados de testes reais de engenheiros mostram que a eficácia das instruções não está no número de palavras, mas na densidade. Ao comprimir um prompt do sistema de 500 palavras para 180 palavras — removendo linguagem de cortesia sem sentido, juntando instruções repetidas e reestruturando os parágrafos em listas simples e objetivas — a qualidade da saída da IA quase não muda, mas o consumo de Tokens por chamada desce cerca de 64%.

Existe ainda um controlo mais proactivo: limitar o comprimento da saída. Muitas pessoas nunca definem um limite máximo e deixam a IA «fazer o que quiser». Essa liberdade sobre o direito de expressão costuma levar a custos totalmente fora de controlo. Talvez só precises de uma frase curta «vai ao ponto», mas a IA, para demonstrar alguma «sinceridade intelectual», gera sem aviso um pequeno ensaio de 800 palavras.

Se o que procuras são apenas dados puros, então deves forçar a IA a devolver um formato estruturado e não uma descrição longa em linguagem natural. Mantendo o mesmo conteúdo informacional, o consumo de Tokens de um JSON é muito mais baixo do que em parágrafos «desencontrados». Isto acontece porque os dados estruturados eliminam todas as palavras de ligação redundantes, partículas de tom e modificadores explicativos, mantendo apenas o núcleo lógico em alta concentração. Na era da IA, tens de estar consciente de que aquilo que vale o teu pagamento é o valor do resultado, e não aquela auto-explicação sem sentido da IA.

Além disso, o «pensamento excessivo» da IA está também a corroer, em loucura, o saldo da tua conta.

Alguns modelos avançados têm o modo de «raciocínio expandido», que faz uma grande quantidade de inferência interna antes de responder. Esse processo também é cobrado, e é cobrado pelo preço da saída — ou seja, é muito caro.

Este modo foi, essencialmente, concebido para «tarefas complexas que precisam de suporte de lógica profunda». Mas a maioria das pessoas escolhe-o mesmo quando está a perguntar algo simples. Para tarefas que não exigem raciocínio profundo, diz claramente à IA «não precisa de explicar o raciocínio, dá a resposta directamente», ou desliga manualmente o raciocínio expandido — e vais poupar bastante dinheiro.

Não deixes a IA voltar a pôr o passado no forno

Os modelos grandes não têm memória real; apenas estão sempre a remexer o passado.

Esse é um mecanismo de base que muita gente não sabe. Sempre que envias uma nova mensagem numa janela de conversa, a IA não começa por compreender a partir dessa frase; em vez disso, lê de novo todo o conteúdo que vocês já trocaram antes — incluindo cada ronda de diálogo, cada pedaço de código, e cada documento citado — e só depois responde.

Na conta de Tokens, essa «revisão para aprender» não é gratuita. À medida que aumentam as rondas de conversa, mesmo que estejas apenas a pedir uma palavra simples, o custo de a IA reler todo o histórico antigo cresce em progressão geométrica. Este mecanismo determina que, quanto mais «pesado» o histórico da conversa for, mais caro fica cada pergunta tua.

Há quem tenha acompanhado 496 conversas reais que continham mais de 20 mensagens. Descobriu-se que a média de Tokens lidos na 1.ª mensagem era de 14.000, e o custo por mensagem era cerca de 3,6 cêntimos; na 50.ª mensagem, a média subia para 79.000 Tokens, e o custo por mensagem era cerca de 4,5 cêntimos — mais caro em 80%. E além disso, o contexto fica cada vez mais longo: na 50.ª mensagem, o contexto que a IA tem de voltar a processar já é 5,6 vezes o da 1.ª mensagem.

Para resolver este problema, o hábito mais simples é: uma tarefa, uma caixa de diálogo.

Quando um tema estiver concluído, abre imediatamente uma nova conversa. Não uses a IA como uma janela de chat que nunca desliga. Esse hábito parece fácil, mas muita gente não consegue: sente sempre que «e se eu precisar da informação anterior?». Na verdade, esses «e se» que preocupam quase nunca acontecem; mas para esse «e se», já estás a pagar várias vezes mais dinheiro em cada nova mensagem.

Quando a conversa realmente precisa de continuar, mas o contexto já se tornou demasiado longo, podemos usar algumas funcionalidades de compressão. O Claude Code tem um comando /compact, que consegue condensar um histórico de conversa longo numa breve síntese, ajudando-te a fazer um «desapego cibernético».

Outra lógica de poupança chama-se Prompt Caching (cache de prompts). Se voltares a usar repetidamente o mesmo prompt do sistema, ou se em cada conversa tiveres de citar sempre o mesmo documento de referência, a IA guarda essa parte em cache. Na próxima chamada, cobra-te apenas uma taxa muito pequena de leitura de cache, em vez de te cobrar sempre o preço total.

O preço oficial da Anthropic mostra que os Tokens que acertam em cache custam 1/10 do preço normal. O Prompt Caching da OpenAI também consegue reduzir o custo de entrada em cerca de 50%. Um artigo publicado em Janeiro de 2026 no arXiv testou tarefas longas em vários serviços de IA e descobriu que o cache de prompts reduz o custo da API em 45% a 80%.

Ou seja, com o mesmo conteúdo, na primeira vez que alimentas a IA pagas o preço total; depois, em cada chamada seguinte, pagas apenas 1/10. Para utilizadores que precisam de reutilizar todos os dias a mesma série de documentos normativos ou prompts do sistema, esta funcionalidade pode poupar muitos Tokens.

Mas o Prompt Caching tem um pré-requisito: o conteúdo e a ordem dos teus prompts do sistema e dos documentos de referência têm de manter-se exactamente iguais, e têm de estar colocados no início da conversa. Assim que houver qualquer alteração, a cache fica inválida e volta a cobrar-se o preço total. Por isso, se tens um conjunto fixo de normas de trabalho, escreve-o como está e não o modifiques à vontade.

A última técnica de gestão de contexto é carregar apenas quando necessário. Muitas pessoas gostam de enfiar todas as normas, documentos e notas de uma vez só no prompt do sistema, pelo mesmo motivo: «e se…».

Mas o custo disso é que, embora estejas apenas a fazer uma tarefa muito simples, és forçado a carregar milhares de palavras de regras, desperdiçando uma grande quantidade de Tokens. A documentação oficial do Claude Code recomenda manter o CLAUDE.md dentro de 200 linhas: dividir regras específicas para cenários diferentes em ficheiros de capacidades independentes, e carregar as regras apenas quando um cenário for utilizado. Manter o contexto absolutamente puro é o mais alto respeito pela capacidade de computação.

Não leves um Porsche para comprar legumes

Modelos de IA diferentes têm diferenças de preço enormes.

Claude Opus 4.6: 5 dólares de entrada por cada milhão de Tokens e 25 dólares de saída. Claude Haiku 3.5: 0,8 dólares de entrada e 4 dólares de saída. A diferença é de quase 6 vezes. Deixar o modelo de topo fazer trabalhos de recolha de informação e formatação de documentos não só é mais lento como também fica muito caro.

O uso inteligente é transportar para o mundo da IA a ideia, comum na sociedade humana, de «divisão por classes». Tarefas de diferentes níveis de dificuldade devem ser atribuídas a modelos de diferentes faixas de preço.

Tal como no mundo real: ninguém contrata um especialista com salário de um milhão por ano para ir para o estaleiro carregar tijolos. A mesma lógica vale aqui. A documentação oficial do Claude Code também recomenda claramente: Sonnet lida com a maioria das tarefas de programação; Opus fica para decisões complexas de arquitectura e raciocínio em múltiplos passos; e tarefas simples de subcomponentes são atribuídas ao Haiku.

Uma proposta mais prática e concreta é construir um «fluxo de trabalho em duas fases». Na primeira fase, usa-se um modelo base gratuito ou barato para fazer o trabalho sujo e pesado: recolha de materiais, limpeza de formatação, geração de rascunhos, e classificação e síntese simples. Na segunda fase, alimenta-se o modelo de topo apenas com os «essenciais» purificados daquilo que foi extraído — para fazer as decisões centrais e a afinação profunda.

Por exemplo, se precisares de analisar um relatório da indústria com 100 páginas, podes primeiro usar Gemini Flash para extrair os dados e conclusões-chave do relatório e organizá-los numa síntese de 10 páginas; depois, entregas essa síntese ao Claude Opus para análise e julgamento aprofundados. Este fluxo de duas fases reduz muito os custos mantendo a qualidade.

Um nível mais avançado do que apenas processar por etapas é uma divisão profunda de trabalho baseada na decomposição da tarefa. Uma tarefa de engenharia complexa pode ser completamente decomposta em vários subtrabalhos independentes e atribuída ao modelo mais adequado.

Por exemplo, numa tarefa que envolve escrever código, podes fazer com que um modelo barato escreva primeiro a estrutura e o código modelo, e depois entregar ao modelo caro apenas a parte da lógica central para implementar. Cada sub-tarefa tem um contexto limpo e focado; os resultados ficam mais precisos e os custos ficam mais baixos.

Tu nem precisas de gastar Tokens

Todas as discussões anteriores resolvem, em essência, problemas tácticos de «como poupar». Mas há uma questão de nível mais profundo que muitas pessoas ignoram: esta ação, precisa mesmo de gastar Tokens?

A poupança mais extrema não é optimizar algoritmos; é fazer «descarte de decisões» — decidir o que vale ou não a pena. Estamos habituados a procurar na IA respostas universais, mas esquecemo-nos que, em muitos cenários, chamar um modelo caro é como usar canhão antiaéreo para matar mosquitos.

Por exemplo, se deixares a IA tratar automaticamente dos e-mails, ela vai interpretar, classificar e responder a cada e-mail como uma tarefa independente — e o consumo de Tokens é enorme. Mas se antes gastares 30 segundos a olhar para a caixa de entrada, filtrar manualmente aqueles e-mails que claramente não precisam do tratamento da IA, e depois entregares o restante à IA, o custo desce imediatamente para uma pequena fração do original. A capacidade humana de julgamento aqui não é um obstáculo; é, na verdade, o melhor filtro.

As pessoas na era do Telegram sabiam quanto custava enviar mais uma palavra, por isso ponderavam. Era uma percepção intuitiva do valor dos recursos. A era da IA é igual: quando sabes realmente quanto custa a IA dizer mais uma frase, naturalmente ponderas se vale a pena pedir isso à IA, se esta tarefa precisa de um modelo topo, ou se um modelo barato chega, e se aquele contexto ainda é útil.

Essa ponderação é a capacidade que mais poupa. Numa era em que a capacidade de computação fica cada vez mais cara, o uso mais inteligente não é fazer a IA substituir pessoas, mas fazer a IA e as pessoas fazerem aquilo em que cada uma é melhor. Quando esta sensibilidade aos Tokens se torna reflexo condicionado, é aí que realmente voltas a ser dono da capacidade de computação — em vez de um dependente dela.