Contexto, rota e resultado definem o custo real de uma execução.
Preço por milhão de tokens explica pouco quando o agente não sabe onde procurar, qual modelo usar e quando a tarefa terminou.
A economia aparece antes da chamada ao modelo, no desenho operacional que organiza contexto, distribui trabalho e mede o resultado.
Leitores do Radar
Nem todo mundo quer mais conteúdo sobre IA.
Algumas pessoas querem critério.
... leitores já acessaram esta edição do Radar FSTech para separar sinal de ruído no universo da inteligência artificial.
Se você é uma delas, assine o Radar ou compartilhe com alguém que também deveria estar aqui.
O sinal principal
A economia aparece antes da chamada ao modelo.
A Glean publicou um benchmark próprio com mais de 180 tarefas empresariais. Segundo a empresa, seu assistente teve custo médio de US$ 0,58 por tarefa, contra US$ 2,98 do Claude Cowork. A Glean atribui o resultado ao contexto corporativo e ao roteamento automático entre modelos.
É evidência de fornecedor, não uma comparação independente. Mesmo assim, o mecanismo merece atenção. O custo de um agente depende de quanto ele precisa procurar, repetir e raciocinar até concluir uma tarefa.
O mecanismo
A arquitetura elimina trabalho que o modelo faria no escuro.
Sem contexto organizado, o agente pesquisa várias fontes, carrega documentos demais e gasta tokens para descobrir relações que a empresa já conhece.
Depois vem o roteamento. Se toda solicitação entra no modelo mais caro com o mesmo nível de raciocínio, a operação paga capacidade máxima até para trabalho previsível.
A camada operacional reduz esse desperdício quando registra o tipo de tarefa, entrega o contexto necessário, escolhe o modelo adequado e mede o resultado. O modelo continua importante, mas deixa de decidir sozinho o custo da execução.
O que muda na prática
A métrica útil é custo por conclusão.
A empresa precisa saber qual tarefa entrou, qual contexto foi recuperado, qual modelo trabalhou, quanto custou e se o estado operacional mudou como esperado.
O mesmo movimento aparece na infraestrutura física. A KKR lançou a Helix com mais de US$ 10 bilhões comprometidos para coordenar data centers, energia e conectividade. O capital está tratando coordenação como parte do produto de infraestrutura.
Ação recomendada
- Escolha um fluxo recorrente que já tenha critério de conclusão.
- Meça custo, tempo, correções humanas e taxa de sucesso em vinte execuções.
- Separe tarefas previsíveis das que exigem raciocínio maior.
- Limite o contexto ao necessário e teste pelo menos dois modelos.
- Compare custo por conclusão, não apenas preço por token.
Economia sem qualidade é corte cego. Qualidade sem orçamento não escala.
Em observação
Capacidade e controle.
A OpenAI informou publicamente que avaliações preliminares do Astra não permitem descartar capacidade cibernética crítica. A empresa diz ter restringido rede e ferramentas, ampliado monitoramento e pausado parte dos trabalhos até elevar os controles.
Identidade e permissão.
Modelos mais capazes aumentam simultaneamente o valor da execução e o custo de observá-la. Identidade própria do agente, permissão limitada, sandbox e interrupção continuam sendo requisitos do sistema.
Fontes públicas
- Glean: benchmark de custo por tarefa
- Glean: identidade de agentes
- KKR: Helix Digital Infrastructure
- OpenAI: capacidades cibernéticas críticas
- OpenAI: controles e ritmo de desenvolvimento
Comece pela base
Desenhe o plano de controle antes de otimizar o modelo.
O Operational Ontology Starter Kit ajuda a mapear contexto, regras, estados e tarefas recorrentes antes de colocar agentes em produção.
