Петер Штайнбергер потратил $1,3 млн на API за месяц экспериментов с OpenClaw

Peter Steinberger, um engenheiro da OpenAI e criador do projeto OpenClaw — um sistema para geração de código autônomo — publicou recentemente um relatório financeiro de seu experimento de um mês. Os números parecem ficção científica: em um único mês, a conta chegou a US$ 1,3 milhão. Isto não é um erro de digitação, não é uma hipótese — este é dinheiro real gasto na API OpenAI para que máquinas escrevessem código em escala industrial.

Como a conta ficou tão alta

Durante 30 dias, Steinberger executou aproximadamente 100 instâncias de modelos de linguagem simultaneamente. Cada uma funcionava em paralelo, resolvendo tarefas de codificação separadas. No mês, 603 bilhões de tokens foram processados através de 7,6 milhões de requisições de API. Este não é apenas um número grande — é uma demonstração ao vivo do que acontece quando um agente de IA começa a escrever código em escala industrial, sem intervenção humana. Cada requisição à API OpenAI custa dinheiro. Quando você executa 100 agentes ao mesmo tempo, e cada um pode gerar dezenas ou centenas de requisições por minuto, a conta cresce exponencialmente. Este não é um crescimento de custo linear — é uma lei de potência.

Por que é caro: a economia dos LLMs modernos

• O preço por token não é uniforme em todos os casos — contexto longo (muito texto no prompt inicial) custa mais
• 100 sessões paralelas multiplicam os custos exponencialmente, criando um efeito de escala na direção errada
• Cada requisição requer processamento completo do contexto pelo modelo — esta é a parte computacionalmente mais cara das redes transformadoras
• Agentes de longa duração enviam contexto antigo em novas requisições, repetindo o pagamento pelos mesmos tokens
• Sem descontos por volume em tempo real — OpenAI cobra por cada token aos tarifa atuais

Steinberger sugere em seu relatório que construir um produto comercial requer otimizações sérias. Por exemplo: usar cache de tokens (um novo recurso da API OpenAI que reduz o custo de requisições repetidas com o mesmo contexto), batching — agrupando múltiplas requisições juntas, ou usando modelos mais baratos para tarefas auxiliares como análise de código. Sem esses truques, escalar a geração de código autônomo se torna economicamente inviável.

O que isso revela sobre custos de computação

Despesas dessa magnitude revelam a economia real e oculta das ferramentas de IA. Quando um agente é inteligente o suficiente para trabalhar por horas sem supervisão humana, o custo fica visível e inevitável. Isto não é uma crítica à OpenAI — é a matemática dos custos computacionais. Transformers são caros para executar inferência, e nenhuma otimização mudará isso radicalmente.

"Se você executa um agente totalmente autônomo que funciona por longos períodos e frequentemente alterna entre modelos, sua conta simplesmente dispara," — é aproximadamente assim que

Steinberger resumiu o problema central.

O que mudará no mercado

Para desenvolvedores e startups, este é um sinal importante: geração de código com IA em escala requer não apenas conhecimento técnico, mas também uma compreensão profunda dos custos de computação. Provavelmente veremos uma onda de otimizações. As empresas começarão a procurar formas de reduzir o preço efetivo por token, usar modelos mais leves para rascunhos e análise contextual, armazenar em cache e reutilizar contextos ao máximo.

Para OpenAI, isso pode significar o surgimento de novos planos de preços para usuários de alto volume — algo como descontos em massa, taxas contratuais ou soluções especiais para empresas. A era em que a geração de código com IA era barata e acessível para todos está acabando. Estamos entrando em uma era de uso pensado e otimizado financeiramente de agentes autônomos.