Peter Steinberger gastou US$ 1,3 milhão em API em um mês de experimentos com o OpenClaw

Peter Steinberger, engenheiro da OpenAI e criador do OpenClaw, um sistema de programação autônoma, publicou recentemente o 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. Não é erro de digitação nem hipótese. É dinheiro real gasto na API da OpenAI para que máquinas escrevam código em escala industrial.

Como a conta chegou a esse valor

Durante 30 dias, Steinberger rodou simultaneamente cerca de 100 instâncias de modelos de linguagem. Cada uma trabalhava em paralelo, resolvendo tarefas de programação separadas. No mês, foram processados 603 bilhões de tokens em 7,6 milhões de requisições à API. Não é só 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.

Toda requisição à API da OpenAI custa dinheiro. Quando se rodam 100 agentes ao mesmo tempo, e cada um pode gerar dezenas ou centenas de requisições por minuto, a conta cresce de forma exponencial. Não é um aumento linear de gastos, e sim uma lei de potência.

Por que é caro: a economia dos LLMs atuais

• O preço por token não é igual em todos os casos: contexto longo (muito texto no prompt inicial) custa mais
• 100 sessões paralelas multiplicam os custos entre si, criando um efeito de escala no pior sentido
• Cada requisição exige que o modelo processe o contexto completo, a parte computacionalmente mais cara das redes transformer
• Agentes de longa duração reenviam o contexto antigo em novas requisições, pagando repetidamente pelos mesmos tokens
• Não há desconto por volume em tempo real: a OpenAI cobra cada token pela tarifa vigente

Em seu relatório, Steinberger sugere que construir um produto comercial exige otimizações sérias. Por exemplo: uso de cache de tokens (um novo recurso da API da OpenAI que barateia chamadas repetidas com o mesmo contexto), batching (agrupar várias requisições) e uso de modelos mais baratos em tarefas auxiliares, como a análise de código. Sem esses artifícios, escalar a programação autônoma torna-se economicamente inviável.

O que isso revela sobre o custo de computação

Gastos nessa escala expõem a economia real e oculta das ferramentas de IA. Quando um agente é inteligente o bastante para trabalhar por horas sem supervisão humana, o preço fica visível e inevitável. Não é uma crítica à OpenAI, é a matemática do custo computacional. Transformers são caros na inferência, e nenhuma otimização vai mudar isso de forma radical.

"Se você roda um agente totalmente autônomo que trabalha por muito tempo e troca de modelo com frequência, sua conta simplesmente vai disparar", foi mais ou menos assim que

Steinberger descreveu a essência do problema.

O que vai mudar no mercado

Para desenvolvedores e startups, é um sinal importante: programar com IA em escala exige não só conhecimento técnico, mas também uma compreensão profunda do custo de computação. Muito provavelmente veremos uma onda de otimizações. As empresas vão buscar formas de reduzir o preço efetivo por token, usar modelos mais leves para rascunhos e análise de contexto, e fazer cache e reaproveitar contextos ao máximo. Para a OpenAI, isso pode significar novos planos de preços para usuários de alto volume: algo como descontos de atacado, tarifas contratuais ou soluções específicas para empresas.

O tempo em que programar com IA era barato e acessível a todos está acabando. Começa a era do uso consciente e financeiramente otimizado de agentes autônomos.