Agentes de IA com visão custam várias vezes mais que uma API comum

Agentes de navegador de inteligência artificial, que veem a tela e imitam o comportamento humano, custam às empresas uma ordem de grandeza a mais que os modelos de IA de texto comuns. A empresa Reflex analisou os custos e concluiu que agentes com visão custam várias vezes mais que requisições comuns a uma API.

Por que visão custa mais que texto

Quando o agente processa apenas texto, a tarefa é relativamente simples e barata. A API fica com a sua parte, o modelo processa a requisição e pronto. Mas quando o mesmo agente vê uma captura de tela, um navegador, um formulário web, entra em ação um modelo de visão, que exige bem mais recursos computacionais e custa mais.

O preço de uma única captura pode ser maior que o de processar uma sessão inteira de texto com dezenas de frases. Um clique de um agente de navegador pode sair mais caro para a empresa que uma conversa completa com um chatbot de texto. Não é uma hipótese: é a observação de desenvolvedores que escalaram agentes de navegador para uso industrial.

O problema se agrava porque o agente não consegue "reaproveitar" uma captura. Toda vez que algo muda na tela (o que acontece após cada ação do agente), é preciso uma nova imagem, uma nova chamada à API de visão e novos custos. Com isso, os custos crescem exponencialmente com o número de ações.

Como calcular na prática

Quando um agente preenche um formulário em um site, o ciclo de trabalho é este:

• Fazer uma captura de tela (o modelo de visão é acionado)
• Entender o que o agente vê: botões, campos, erros, dicas
• Decidir qual ação executar (isso é mais barato, é lógica)
• Executar o clique, preencher o campo, apertar o botão
• Fazer outra captura e chamar a API de visão de novo

Cada ciclo com visão é uma cobrança separada. Ao pedir comida pelo DoorDash, o agente pode fazer de 5 a 10 capturas: buscar o restaurante, escolher, ver o cardápio, adicionar pratos ao carrinho, finalizar o pagamento. São de 5 a 10 chamadas a um modelo de visão caro para uma única tarefa.

Ao escalar para milhares dessas operações por dia, os custos se tornam inviáveis. A empresa logo descobre que gastou em um dia de trabalho dos agentes mais que em um mês de operação de modelos de texto. Os números falam por si: se uma requisição de visão custa 10 vezes mais que uma de texto e o agente faz 10 capturas por tarefa, os custos sobem 100 vezes.

O problema da escala

Empresas que experimentaram agentes de navegador costumam descobrir custos ocultos. O que parecia mais barato que contratar uma pessoa (um agente-bot por mês custa menos que um freelancer) acaba saindo mais caro na prática, se for preciso processar dezenas de milhares de telas por dia.

"A economia dos agentes de visão é completamente diferente da dos agentes de texto.

As empresas calculam o ROI de forma errada", dizem os desenvolvedores.

Isso não significa que agentes de navegador sejam deficitários. Significa que não devem ser lançados sem um cálculo claro. É preciso uma conta honesta: quanto custa um ciclo do agente, quantos ciclos por tarefa, quantas tarefas por dia e qual o resultado. Sem isso, dá para gastar todo o orçamento mais rápido que o esperado.

O que isso significa

O avanço dos agentes de navegador exige novas abordagens de precificação. As empresas precisam entender o custo dos modelos de visão antes de ir para produção, e não depois da fatura. Caso contrário, a economia com automação vira um gasto inesperado.

Isso vai frear temporariamente a adoção desses agentes, mas vai forçar escolhas conscientes.