Sua demo do agente de IA funcionou perfeitamente. Ele respondeu perguntas, chamou tools — pequenos programas que a IA aciona por conta própria para buscar dados ou executar ações — e lidou com casos extremos. A conta da API deu $47. Seu chefe ficou empolgado. Seu PM começou a escrever o roadmap. O CEO mencionou na reunião do conselho.

Agora coloque esse mesmo agente em produção para 10.000 usuários e veja $47 virar um número que faz seu CFO pedir uma caipirinha dupla. 💰

O orçamento que ninguém mostra no dia da demo

O Q1 de 2026 trouxe uma enxurrada de lançamentos de agentes — a Anthropic lançou integrações de agentes Claude para enterprise, a OpenAI disponibilizou o Operator para equipes pagantes, o Google empurrou agentes Gemini para o Workspace. Todo vendor vendeu a mesma história: conecte a API, veja funcionar. Ninguém começou pela fatura.

Vamos fazer engenharia reversa de onde o dinheiro realmente vai quando você tira um agente de IA — um programa autônomo movido por um LLM (large language model, o cérebro por trás do Claude e do ChatGPT) — de uma demo bonita e transforma num produto real.

Segundo uma pesquisa do Q3 2025 da Mavvrik e Benchmarkit, 85% das organizações erram suas estimativas de custos de IA em mais de 10%. Quase um quarto erra por mais de 50%. Isso não é erro de arredondamento — é a diferença entre um produto viável e um incêndio no orçamento.

Aqui está o breakdown que eu sempre vejo quando analiso deploys em produção: 🔍

Custos de API do LLM (40-60% do gasto total). API — o canal que seu app usa para enviar prompts ao Claude ou GPT e receber respostas — cobra por token (um pedaço de palavra que a IA lê, aproximadamente ¾ de uma palavra em inglês). Uma única chamada ao Claude Opus 4.6 com context window completa — quanto texto a IA consegue "ver" de uma vez — custa $5 por milhão de tokens de entrada segundo a página de pricing da Anthropic. Multiplique isso por milhares de usuários rodando workflows de múltiplas etapas com retries, e você está olhando para $10.000–50.000/mês num app de tráfego moderado. Antes de qualquer um começar a otimizar prompts.

Preparação de dados (40-60% dos custos iniciais). Seu agente precisa de conhecimento. Esse conhecimento vive em documentos, bancos de dados e APIs que precisam de limpeza, chunking, embedding — converter texto em números que um sistema de busca consiga comparar — e indexação. Isso não é um trabalho que você faz uma vez e esquece. Dados mudam, schemas evoluem, e seu pipeline de RAG (retrieval-augmented generation — um sistema que alimenta documentos relevantes para a IA antes dela responder) precisa de babá constante. Orce $25.000–100.000 para qualquer sistema não-trivial.

Integração (20-35% a mais). Seu agente conversa com seu CRM, seu banco de dados, seu sistema de tickets, sua camada de autenticação. Cada integração é uma superfície para bugs, uma dependência que pode quebrar às 3 da manhã, e uma fronteira de segurança que precisa de auditoria.

A surpresa da governança (20-30% de aumento no orçamento). O item mais traiçoeiro da planilha. Seu agente vai pro ar, aí o jurídico pergunta sobre privacidade de dados. Segurança pergunta sobre prompt injection — quando alguém engana a IA para ignorar suas instruções. Compliance quer trilhas de auditoria. Retrofitar tudo isso num sistema que ninguém projetou para isso sempre custa mais do que construir desde o início. E sempre acontece no meio do projeto porque ninguém convida o jurídico para a demo do protótipo.

Só a manutenção supera o custo de desenvolvimento dentro do primeiro ano. Migrações de versão de modelo, patches de segurança, ajustes de escala, e o tuning constante necessário quando seu agente começa a alucinar — produzir respostas erradas com toda a confiança do mundo — de formas criativamente novas.

A pesquisa da Deloitte de novembro de 2025 descobriu que apenas 11% das organizações realmente rodam agentes de IA em produção. O resto ficou preso em pilotos — equipes abandonaram depois de estourar o orçamento ou discretamente engavetaram o projeto.

O outro lado da planilha

Esses custos são reais, mas precisam de contexto. Um time de suporte ao cliente com 20 pessoas custa $800K–1.2M por ano só em salários. Se um agente de IA resolve 60% dos tickets por $200K/ano no total, isso ainda é uma vitória gigante.

A tendência de preços está caindo agressivamente. O Haiku 4.5 da Anthropic custa $1 por milhão de tokens de entrada — 80% mais barato que o Opus (mesma página de pricing linkada acima). Arquitetura inteligente — rotear queries simples para modelos mais baratos, cachear respostas comuns, comprimir contexto — pode cortar custos de LLM em 70-90%. Os times que estouram o orçamento usam Opus pra tudo porque a engenharia de prompt deles é preguiçosa.

E aquele número de 11% em produção? Um ano atrás eram 4%. A taxa de falha é alta porque essa é uma categoria nova. Taxas de falha no início pareciam similares para migração para cloud, apps mobile, e toda outra mudança tecnológica que eventualmente se tornou normal.

O que eu digo pra todo mundo que pergunta 🦝

Triplique sua estimativa de custo de API. Qualquer coisa que você calculou no seu protótipo, multiplique por três. Usuários vão usar o agente de formas que você nunca testou. Casos extremos demandam mais contexto. Uso de tokens sobe, nunca desce.

Comece com o modelo mais barato que funcione. Haiku para roteamento simples. Sonnet para a maioria das tarefas. Opus só para os problemas difíceis. Model routing — escolher automaticamente qual modelo de IA lida com cada requisição — é a diferença entre $5K/mês e $50K/mês pro mesmo tráfego. ⚡

Orce o trabalho chato. Monitoramento, logging, rate limiting, tratamento de fallback, alertas de custo. Um agente sem controle de gastos é um cartão de crédito plugado num gerador de números aleatórios.

Planeje governança desde o dia um. Não no dia 90, não "depois do lançamento", não "quando o jurídico mandar aquele email". Dia um.

Agentes de IA em produção são caros. Só que são menos caros que as alternativas — se você orçar pra realidade em vez da demo. As empresas que falham constroem seu business case em cima daquela rodada de $47 do protótipo. As empresas que vencem olham os números reais e dizem "sim, custa $30K/mês, e ainda vale a pena".

Saiba a diferença antes de fazer o deploy. 🚀