Quanto custa um agente de IA na empresa

O preço anunciado não é o preço pago

Quando se pergunta quanto custa um agente de IA, a primeira resposta que vem à mente é quase sempre uma assinatura mensal. É incompleto. Um agente de IA autônomo em produção soma vários itens de custo que nunca aparecem na mesma fatura: a inferência do modelo, a assinatura da plataforma, o tempo de integração, a supervisão humana e a manutenção ao longo do tempo. A EY, em uma análise sobre o custo de tokens nas empresas, resume bem o problema: esses custos totais permanecem estruturalmente invisíveis, porque se espalham por vários orçamentos que nunca são consolidados em um único lugar (fonte: EY, "Agentic AI enterprise token costs", https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs, acessado em 2026-09-04).

Item 1: a inferência do LLM, o preço dos tokens

É o item mais visível, e o mais mal compreendido. Cada raciocínio de um agente (planejamento, decisão, chamada de ferramenta) consome tokens, cobrados pelos provedores de modelos por milhão de tokens, com um preço diferente para entrada (o que se envia ao modelo) e saída (o que ele produz). Veja as tarifas públicas divulgadas em 4 de setembro de 2026.

Na API da Anthropic (fonte: Claude, página de preços, https://claude.com/pricing, acessado em 2026-09-04): o Claude Haiku 4.5 é cobrado a 1 dólar por milhão de tokens de entrada e 5 dólares de saída. O Claude Sonnet 5 fica em 2 dólares de entrada e 10 dólares de saída. O Claude Opus 5, o modelo mais capaz, fica em 5 dólares de entrada e 25 dólares de saída.

Na API da OpenAI (fonte: OpenAI, documentação de preços, https://developers.openai.com/api/docs/pricing, acessado em 2026-09-04): o GPT-5 fica em 1,25 dólar de entrada e 10 dólares de saída. O GPT-5.4 fica em 2,50 dólares de entrada e 15 dólares de saída. O GPT-5.5 fica em 5 dólares de entrada e 30 dólares de saída.

Esses números dão uma ordem de grandeza, não um orçamento final: um agente que planeja, chama várias ferramentas e relê seus próprios resultados pode consumir dezenas de milhares de tokens em uma única tarefa. A EY ilustra essa derrapagem com um exemplo que ela mesma apresenta como ilustrativo, não como uma média de mercado comprovada: uma conversa com cliente que custava 0,04 dólar em 2023 passou para cerca de 1,20 dólar em 2026, uma multiplicação por 30 causada pela complexidade crescente das orquestrações de agentes (mesma fonte acima). É justamente isso que torna a opção BYOK interessante para empresas que querem manter o controle desse item: ela permite conectar diretamente a própria chave de API de um provedor de inferência, a opção BYOK, com uma cobrança que passa a seguir a tarifa do provedor escolhido, em vez de um pacote de créditos.

Um ponto muitas vezes esquecido nesse cálculo: o preço por milhão de tokens não diz nada sobre o volume real consumido por um agente. Um agente de suporte que responde de uma vez a uma pergunta simples consome pouco. Um agente que planeja uma tarefa, chama três ferramentas, relê seus resultados e corrige seu próprio rascunho pode multiplicar esse volume por dez ou vinte em uma única requisição. É essa mecânica, mais do que a tarifa anunciada pelo provedor, que explica por que a fatura de inferência de um agente em produção costuma surpreender para cima quem orçou o projeto só a partir do preço de tabela.

Item 2: a plataforma e os slots

À inferência se soma o custo da própria plataforma: o ambiente que hospeda o agente, gerencia suas permissões, suas conexões com ferramentas, seu histórico e sua observabilidade. Não é a mesma coisa que o preço dos tokens, é o preço da infraestrutura que torna o agente utilizável e controlável no dia a dia, em vez de um simples script que chama uma API de modelo. Na Atako, esse item é cobrado por agente ativo, com um volume de créditos de inferência incluído a cada mês. O detalhamento exato das faixas está na página de preços. É um modelo comum entre plataformas de agentes: paga-se pela capacidade, quantos agentes podem rodar ao mesmo tempo, não pelo número de funcionários que os utilizam.

Item 3: a integração com as ferramentas existentes

Um agente que só fala consigo mesmo não tem valor nenhum. Ele precisa ler um CRM, escrever em uma ferramenta de tickets, postar em um canal de mensagens. Cada conexão exige uma configuração: criar os acessos de API ou OAuth, definir precisamente o que o agente tem permissão para fazer, não só a que ele tem acesso, e depois testar se funciona em casos reais. Esse trabalho costuma ser subestimado no orçamento inicial de um projeto, embora condicione diretamente se o agente é de fato útil ou se permanece um gadget que se sai bem em demonstração, mas nunca toca nos sistemas reais da empresa.

Esse item varia enormemente conforme o número de ferramentas a conectar e sua complexidade. Conectar um agente a um único sistema bem documentado, com autenticação simples por chave de API, leva algumas horas. Multiplicar as conexões, com sistemas que exigem cada um sua própria configuração (subdomínio, região, permissões específicas por objeto), faz esse item crescer muito mais rápido do que o número de ferramentas sugere. É um dos argumentos a favor de uma plataforma que já industrializou um amplo catálogo de conectores prontos para uso, em vez de redesenvolver cada integração internamente.

Item 4: a supervisão humana

Um agente autônomo não é um agente sem controle. As ações mais sensíveis, enviar um e-mail frio a um cliente, publicar conteúdo público, alterar um dado de faturamento, merecem um ponto de validação humana antes da execução, pelo menos no início. Esse tempo de supervisão tem um custo real, geralmente em horas de colaboradores que revisam, validam ou corrigem o trabalho do agente. Ele normalmente diminui com a confiança conquistada, mas nunca desaparece por completo: a governança e as salvaguardas fazem parte do custo total, não são um extra opcional. É também um dos fatores citados pela Gartner para explicar por que mais de 40% dos projetos de IA agêntica devem ser abandonados até o fim de 2027: custos de governança e controle de risco subestimados no início (fonte: Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, acessado em 2026-09-04).

Item 5: a manutenção ao longo do tempo

Um agente implantado nunca está pronto. As instruções que você dá a ele precisam ser ajustadas quando um processo muda. Os conectores quebram quando um provedor terceiro altera sua API. Os registros de atividade precisam ser monitorados para detectar desvios antes que virem incidentes. Esse item de manutenção é o que os responsáveis por projetos mais sistematicamente esquecem ao calcular um orçamento, porque não aparece no lançamento: ele se paga mês após mês, em forma de tempo de engenheiro ou administrador que fica de olho no que está rodando.

Construir por conta própria ou contratar uma plataforma

Diante dessa lista, existem dois caminhos. Construir internamente: montar você mesmo a chamada ao modelo, a gestão de permissões, a observabilidade, os conectores, com uma equipe técnica dedicada. Ou contratar uma plataforma que já industrializou essas peças, e cobra uma assinatura por agente em vez de um projeto de engenharia sob medida. A escolha depende sobretudo do número de agentes desejados e da raridade dos casos de uso: quanto mais padronizadas as necessidades (suporte, RH, monitoramento), menos a construção sob medida se justifica. Esse comparativo é desenvolvido com mais detalhe em um artigo dedicado. Em qualquer caso, antes de decidir, vale mais ter um orçamento realista dos cinco itens acima do que apenas um preço de assinatura anunciado em destaque em uma página de marketing.