AWS mostra: modelo com token duas vezes mais caro sai 65% mais barato por tarefa
O preço do token na tabela do Bedrock não é o preço do trabalho. No exemplo da AWS, um modelo com preço por token duas vezes maior processou o e-mail de um cliente por US$ 0,00145, enquanto o modelo "barato" custou US$ 0,0042: a conta sai 65% menor. O "barato" fragmenta o texto em 50% mais tokens, infla a resposta em três vezes e faz três turnos em vez de um. Por isso, compare os modelos pelo custo da tarefa com os seus próprios dados, não pela tabela de preços.
Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Imagine que você está escolhendo um modelo para um agente que lê e-mails de clientes, extrai dados deles e responde em JSON estrito. Na tabela de preços do Amazon Bedrock, um modelo custa US$ 0,50 por milhão de tokens de entrada e o outro, US$ 1,00. A escolha óbvia é o primeiro.
Mas, na segunda parte da série sobre custos no Bedrock, engenheiros da AWS mostram com um exemplo que acontece o contrário: o modelo com preço por token duas vezes maior executou a tarefa por US$ 0,00145, e o "barato" por US$ 0,0042. Ou seja, 65% mais barato. A razão é que a cobrança não é por token, e sim pelo trabalho entregue: o e-mail processado, os campos extraídos de uma nota fiscal, a resposta ao usuário.
A primeira parte da série respondeu a quem gastou o dinheiro e como limitar os gastos. A segunda fecha as duas perguntas que restam: por que um cenário específico sai caro e se o agente se paga em comparação com pessoas.
Quatro custos ocultos
A AWS destaca quatro fatores que não aparecem na página de preços.
O primeiro é o tokenizador. Cada família de modelos tem seu próprio vocabulário, e o mesmo texto ou JSON vira um número diferente de tokens. Se o modelo A tem preço 15% menor, mas seus dados ocupam 40% mais tokens nele, o modelo B sai mais barato. Com alfabetos não latinos, a diferença é ainda maior: o texto pode ser fragmentado de duas a três vezes mais do que o inglês.
O segundo é a verbosidade. Os tokens de saída costumam custar de 3 a 5 vezes mais que os de entrada. Se o modelo ignora a instrução "retorne apenas JSON" e acrescenta explicações educadas, você paga a mais por palavras vazias.
O terceiro são os ciclos do agente. Ao chamar ferramentas, o modelo faz vários turnos, e cada um recebe de novo todo o histórico da conversa e os resultados das ferramentas. Quatro turnos com contexto crescente custam incomparavelmente mais que uma única passada.
O quarto é o raciocínio. Os tokens de "pensamento" são cobrados como tokens de saída: 2000 tokens de raciocínio e 200 de resposta geram uma cobrança de 2200. Alguns modelos escondem o raciocínio, mas cobram por ele. A recomendação da AWS é mantê-lo desligado até que os testes mostrem uma diferença de qualidade que justifique o preço.
Como chegar aos 65%
No exemplo, o agente lê um e-mail de 750 palavras, extrai entidades, verifica o status da conta por uma API e devolve um JSON estrito. O modelo A (o "barato") gasta 1500 tokens no primeiro turno contra 1000 do modelo B, responde com 450 tokens contra 150 e faz três turnos em vez de um: ele se confunde com o esquema da ferramenta e corrige os erros. No total, são 6150 tokens de entrada contra 1000. Resultado: US$ 0,0042 para o A e US$ 0,00145 para o B. Os preços do exemplo são hipotéticos, por isso é preciso validar com os seus próprios dados.
Para o trabalho real, também é preciso calcular o custo da tarefa bem-sucedida. Se a tarefa é repetida até dar certo, é o custo da tentativa dividido pela taxa de sucesso. Se, em caso de falha, a tarefa vai para uma pessoa, soma-se ao custo da tentativa a taxa de falhas multiplicada pelo custo da escalação.
Para as medições, a AWS recomenda a avaliação de modelos do Bedrock para qualidade, o CountTokens para comparar tokenizadores sem executar a geração e o bloco usage na resposta do modelo. Um detalhe: com o cache ativado, o campo inputTokens conta apenas os tokens não armazenados em cache. O volume total de entrada é a soma de inputTokens, cacheReadInputTokens e cacheWriteInputTokens, mas cada um é cobrado a uma tarifa diferente. Os pontos de cache "derivam" com o tempo: as ferramentas ficam desatualizadas e, em três meses, você vai gravar no cache com mais frequência, por isso vale revisar as configurações.
São quatro as alavancas de redução. O cache de prompts elimina o reenvio repetido do contexto e rende mais nos caminhos de agentes. O roteamento manda as requisições simples para um modelo mais barato da mesma família. O esquema da ferramenta e o limite maxTokens contêm a verbosidade com mais confiança do que pedidos no texto do prompt. O processamento em lote reduz a tarifa pela metade em tarefas em massa de um só passo, mas não suporta chamada de ferramentas.
Como provar que o agente se paga
Aqui a AWS insiste em disciplina. Primeiro, descreva o processo humano: o que dispara o trabalho, quem participa, onde ocorre a passagem entre papéis, o que conta como conclusão. Depois, meça a linha de base antes de lançar o agente: tempo de execução, fila, taxa de reaberturas, custo da tarefa. Não vale usar uma linha de base reconstruída de memória: ela favorece o agente de forma sistemática.
Em seguida, cada execução do agente é registrada como um experimento: identificador, grupo (agente ou controle), versão do prompt, número de repetições e chamadas de ferramentas, tokens, resultado. Os mais importantes são os minutos de uma pessoa na revisão e o identificador do evento de receita: sem os primeiros, o agente parece gratuito; sem o segundo, depois não é possível vincular o dinheiro.
Com esses dados, uma única consulta SQL no Athena entrega três números: custo do resultado bem-sucedido, número de repetições por sucesso e minutos humanos por sucesso. O custo por chamada favorece agentes que ficam presos em ciclos; o custo por sucesso, não.
Para a avaliação final, a AWS propõe a comparação com um grupo de controle e um boletim de cinco dimensões: adoção (zona verde: mais de 70% de usuários ativos), qualidade (mais de 90% das tarefas sem retrabalho), eficiência, custo por sucesso e impacto no negócio. Verde significa escalar, amarelo, aprimorar, vermelho, encerrar. Os limiares são um ponto de partida, não uma norma. Os próprios autores admitem: o boletim só funciona se a equipe realmente desligar os agentes vermelhos.
O que fazer na prática
Para desenvolvedores: compare os modelos com o seu próprio tráfego e conte os tokens de todos os turnos da tarefa, não de uma só requisição. Para produto e FinOps: monte o grupo de controle com antecedência e registre o tempo das pessoas. A limitação do material é que os preços e limiares são ilustrativos e parte das alavancas depende dos recursos do Bedrock. A lógica em si, calcular o custo do sucesso e não da chamada, vale também para outras plataformas.
- 21 de nov. de 2026AG-UI 1.0 dá aos agentes de IA uma linguagem única para falar com o aplicativo: 31 tipos de eventos
- 21 de nov. de 2026OpenAI lança o ChatGPT Wallet: agentes compram sem nunca ver o número do cartão
- 21 de nov. de 2026Anunciantes dos EUA gastaram US$ 70,7 milhões em anúncios no ChatGPT em outubro, 127% a mais que em abril
- 21 de nov. de 2026ONNX Runtime some do GitHub: Microsoft oculta repositórios após comprometimento de pacote
Perguntas frequentes sobre a notícia
O que se sabe sobre Quatro custos ocultos?
A AWS destaca quatro fatores que não aparecem na página de preços. O primeiro é o tokenizador. Cada família de modelos tem seu próprio vocabulário, e o mesmo texto ou JSON vira um número diferente de tokens. Se o modelo A tem preço 15% menor, mas seus dados ocupam 40% mais tokens nele, o modelo B sai mais barato. Com alfabetos não latinos, a diferença é ainda maior: o texto pode ser fragmentado de duas a três vezes mais do que o inglês. O segundo é a verbosidade.
Como chegar aos 65%?
No exemplo, o agente lê um e-mail de 750 palavras, extrai entidades, verifica o status da conta por uma API e devolve um JSON estrito. O modelo A (o "barato") gasta 1500 tokens no primeiro turno contra 1000 do modelo B, responde com 450 tokens contra 150 e faz três turnos em vez de um: ele se confunde com o esquema da ferramenta e corrige os erros. No total, são 6150 tokens de entrada contra 1000. Resultado: US$ 0,0042 para o A e US$ 0,00145 para o B.
Como provar que o agente se paga?
Aqui a AWS insiste em disciplina. Primeiro, descreva o processo humano: o que dispara o trabalho, quem participa, onde ocorre a passagem entre papéis, o que conta como conclusão. Depois, meça a linha de base antes de lançar o agente: tempo de execução, fila, taxa de reaberturas, custo da tarefa. Não vale usar uma linha de base reconstruída de memória: ela favorece o agente de forma sistemática.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.