Agentes de AI com visão se mostraram várias vezes mais caros do que uma API comum

Agentes de inteligência artificial baseados em navegador, que veem a tela e imitam o comportamento humano, custam às empresas ordens de magnitude mais do que modelos de IA baseados em texto comum. A empresa Reflex realizou uma análise de custos e descobriu que o preço dos agentes com visão ultrapassa em muito os custos das solicitações de API padrão.

Por Que Visão é Mais Cara que Texto

Quando um agente processa apenas texto, a tarefa é relativamente simples e barata. A API leva sua parte, o modelo processa a solicitação — e pronto. Mas quando esse mesmo agente vê uma captura de tela da tela, navegador, formulário web, um modelo de visão é ativado, que requer significativamente mais recursos computacionais e custa mais.

O preço de uma única captura de tela pode ser maior do que o custo de processar uma sessão de texto inteira de dezenas de sentenças. Um único clique do agente do navegador pode custar à empresa mais do que um diálogo completo com um chatbot de texto. Isso não é uma hipótese — é uma observação de desenvolvedores que escalaram agentes de navegador para uso industrial.

O problema é agravado pelo fato de que o agente não pode "reutilizar" uma única captura de tela. Toda vez que algo muda na tela (o que acontece após cada ação do agente), é necessária uma nova imagem, uma nova chamada vision-API, novos custos. Isso cria uma situação em que os preços crescem exponencialmente com o aumento do número de ações.

Como Calcular Isso na Prática

Quando um agente preenche um formulário em um site, o fluxo de trabalho se parece com isto:

• Fazer uma captura de tela da tela (modelo de visão é ativado)
• Entender o que o agente vê: botões, campos, erros, dicas
• Decidir que ação realizar (isso é mais barato, lógica)
• Executar um clique, preencher um campo, pressionar um botão
• Fazer outra captura de tela — e outra chamada vision-API

Cada ciclo com visão — uma cobrança separada. Ao pedir comida via DoorDash, um agente pode fazer 5–10 capturas de tela: procurando um restaurante, selecionando um restaurante, visualizando o cardápio, adicionando pratos ao carrinho, processando pagamento. São 5–10 chamadas para um modelo de visão caro para uma única tarefa.

Ao escalar para milhares dessas operações por dia, os custos se tornam insustentáveis. Uma empresa rapidamente descobre que gastou em um dia de trabalho do agente mais do que em um mês de manutenção de modelos de texto. Os números falam por si: se uma solicitação de visão custa 10 vezes mais do que uma de texto, e o agente faz 10 capturas de tela por tarefa, então os custos aumentam 100 vezes.

O Problema de Escala

Empresas que experimentaram com agentes de navegador frequentemente descobrem custos ocultos. O que parecia mais econômico do que contratar uma pessoa (um agente-bot por um mês é mais barato que um freelancer), na prática custa mais se você precisa processar dezenas de milhares de telas por dia.

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

As empresas calculam mal o ROI," — dizem os desenvolvedores.

Isso não significa que agentes de navegador sejam não-lucrativos. Significa que não podem ser lançados sem cálculo cuidadoso. É necessário um cálculo honesto: quanto custa um ciclo de agente, quantos ciclos por tarefa, quantas tarefas por dia, qual resultado. Sem isso, você pode gastar todo o orçamento mais rápido do que o esperado.

O Que Isso Significa

O desenvolvimento de agentes de navegador requer novas abordagens de precificação. As empresas precisam entender o custo dos modelos de visão antes de implantar em produção, não depois da conta chegar. Caso contrário, economias em automação se transformarão em despesas inesperadas. Isso vai temporariamente desacelerar a adoção desses agentes, mas vai forçar decisões a serem tomadas conscientemente.