Vercel revela os modelos de IA mais usados em produção: Anthropic lidera em gastos

A Vercel analisou sete meses de tráfego do seu AI Gateway, que processa trilhões de tokens em centenas de modelos, em aplicações e agentes reais. Os resultados mostram como é de fato o mercado de IA em produção, ao contrário dos benchmarks sintéticos, que mudam toda semana.

Quem gasta mais, quem processa mais

Em gastos, em abril de 2026, lidera a Anthropic: 61% de todo o gasto vai para o Claude. Isso apesar do preço mais alto por token: os desenvolvedores pagam mais porque o resultado vale mais. O Google fica com 21%, a OpenAI com 12%, e o restante se divide entre xAI e modelos abertos.

Em volume de tokens processados, o quadro é o oposto. O Google é o primeiro: 38% de todo o tráfego passa pelo Gemini (principalmente o Flash, a versão rápida e barata). A Anthropic processa 26%, a OpenAI 13% e a xAI e os demais 23%.

Essa diferença parece estranha, mas a lógica é simples. Os modelos competem em camadas diferentes:

• O Claude Opus vai para tarefas complexas e caras, quando um erro custa dinheiro
• O Gemini Flash absorve o volume, em tarefas em que a velocidade importa mais que a precisão
• O GPT-5.5 se distribui de forma uniforme entre as duas camadas

É como dois mercados diferentes dentro de um só. Ao escolher um modelo, o desenvolvedor não pensa em reputação, e sim na relação entre preço e risco.

O custo do erro define a escolha do modelo

Por trás desse padrão há um princípio simples: o modelo é caro se o erro é caro.

Assistentes pessoais respondem por 20% dos gastos e 40% dos tokens. Podem rodar em modelos baratos porque, se o assistente errar, o usuário percebe e corrige rápido. O erro é local.

Agentes de programação respondem por 22% dos gastos e 20% dos tokens. Um erro no código custa tempo do desenvolvedor e de depuração. É mais caro que um erro em um chat, mas não é crítico.

Sistemas de back-office respondem por 6% dos gastos e 15% dos tokens. Aqui se economiza porque os volumes são enormes, mas mesmo assim não se escolhe a opção mais barata. Um erro pode afetar as finanças ou as operações.

Geração de aplicativos responde por 7% dos gastos e 11% dos tokens. O código gerado passa por revisão antes do uso, então há uma rede de proteção.

Há ainda um padrão maior: aplicações B2B gastam com tokens cerca de duas vezes mais que as B2C. No B2B, um erro pode causar prejuízos financeiros, processos judiciais ou paralisações. No B2C, o erro sai mais barato.

Quem vence em cada tipo de tarefa

Ao separar os dados por tipo de trabalho, o mercado aparece fragmentado.

A Anthropic está bem à frente em desenvolvimento de software: os desenvolvedores escolhem o Claude para programação complexa e análise de código. Isso reflete a reputação do modelo em ML e design de sistemas.

O Google domina os aplicativos de consumo. O Gemini Flash conquistou a camada de massa graças ao preço baixo e à qualidade aceitável. É a estratégia do barato, bom o bastante e em grande quantidade.

A OpenAI é a mais uniformemente distribuída entre todas as categorias, o que significa que o GPT-5.5 é usado em todo lugar, de aplicativos móveis a sistemas corporativos.

xAI e modelos abertos reúnem casos em nichos específicos, por exemplo empresas que querem trabalhar sem nuvem ou precisam de personalização total.

Em seis meses, esse quadro mudou rápido. O lançamento de uma nova versão do GPT em abril aumentou visivelmente a fatia da OpenAI nos gastos. O Gemini Flash era bem mais modesto em março, mas ganhou volume rapidamente. Isso mostra que o mercado reage com sensibilidade a qualidade e preço, e não à inércia.

O que isso significa

O mercado de IA em 2026 não é uma busca por uma única melhor escolha. Os desenvolvedores escolhem modelos por tarefa, não por prestígio. Modelos caros vão para cenários de high-stakes (quando o erro é caro) e os baratos para os de low-stakes (quando velocidade e volume importam). Novas versões ganham espaço rápido se resolverem problemas reais melhor e mais barato que os concorrentes. E todos os modelos vencem ao mesmo tempo em seu próprio segmento.