Uma fatura de US$ 10 mil custa R$ 50 mil com o dólar a R$ 5,00 e R$ 62 mil a R$ 6,20. Nenhuma linha de código mudou. Esse é o problema de margem de quem cobra assinatura em reais e paga inferência em dólar. E o aviso raramente vem do financeiro: vem de um engenheiro que abre a fatura num mês de crescimento.
Cada cadastro consome computação: a margem se decide na arquitetura
Poucas startups tratam a economia do modelo como restrição de design desde o primeiro sprint.
No SaaS clássico, um usuário a mais quase não custa nada. Aqui cada cadastro consome computação real. Por isso uma margem negativa não se dilui com o crescimento: ela cresce junto com a base.
Custo de inferência alto tem conserto. Caro mesmo é descobri-lo quando o tráfego já chegou. As decisões que fixam o custo são tomadas na arquitetura: qual modelo responde, quanto contexto se recupera, qual o tamanho da resposta e em que região o processamento acontece. Uma revisão de preços posterior só redistribui o prejuízo.
A inferência manda. Cada interação custa conforme o tamanho do prompt e da resposta, a família do modelo, as chamadas de recuperação de documentos, a janela de contexto e o raciocínio em várias etapas. A IA não opera com custo marginal quase zero. Modelar o custo por solicitação, por usuário e por tarefa, com um cenário otimista e outro pessimista, separa uma projeção de um palpite.
Embaixo, a infraestrutura. Bancos vetoriais, embeddings e indexação, limpeza de dados, GPUs, logs e observabilidade. Esses custos crescem com o volume de dados, o paralelismo e as exigências de latência.
Manter o modelo vivo. É preciso perceber quando o modelo começa a responder pior com o tempo (o drift), retreiná-lo, avaliar a qualidade sem parar, manter sistemas de reserva para quedas e vigiar a segurança. Quase ninguém orça isso no começo. Quem olha só para o desenvolvimento subestima o custo total de propriedade, feito sobretudo desses gastos recorrentes.
Suporte e operação. Crescem justamente quando as respostas saem erradas ou o modelo muda de comportamento depois de uma atualização do fornecedor. Essa carga sobe com o mercado, então entra no unit economics desde cedo.
A planilha herdada do SaaS engana: num produto de IA cada chamada entra no custo da receita do mês, e a margem de partida fica mais baixa.
Dólar alto e região local: dois acréscimos que o painel não mostra
Os grandes fornecedores de modelos cobram em dólar. Para quem fatura em reais, isso cria três camadas de custo fora do painel de consumo da API.
A primeira é o câmbio, como no exemplo do início. A segunda é o IOF sobre a operação de câmbio ou sobre o cartão internacional usado para pagar. A terceira é a tributação da importação de serviços: IRRF, CIDE, PIS e Cofins-Importação, ISS. A incidência e as alíquotas dependem do tipo de serviço, do contrato e do regime tributário, e a contabilidade precisa calcular caso a caso.
Somadas, essas camadas deixam cada dólar de API bem acima da cotação do dia. A regra prática: o painel de custo do produto mostra a inferência já convertida e carregada com tributos. Uma margem calculada sobre o número bruto em dólar é otimista por construção.
A segunda pergunta chega cedo: onde os dados são processados? Bancos, seguradoras, saúde e órgãos públicos querem saber já na primeira reunião. Há infraestrutura local: a AWS opera a região de São Paulo desde dezembro de 2011, e os outros grandes provedores também têm regiões no país.
Mas a LGPD não obriga, por si só, a manter os dados no Brasil. A transferência internacional é permitida nas hipóteses da lei. A Autoridade Nacional de Proteção de Dados regulamentou o tema na Resolução CD/ANPD nº 19, de 23 de agosto de 2024, que aprovou cláusulas-padrão contratuais. O prazo para incorporá-las aos contratos terminou em 23 de agosto de 2025.
Isso pesa no custo. As versões regionais dos modelos costumam ter catálogo menor e preço diferente. A Anthropic, por exemplo, documenta para seus modelos recentes no Amazon Bedrock e no Google Cloud um acréscimo de 10% nos endpoints regionais e multirregionais em relação aos globais.
A conta. Dólar 10% mais caro e endpoint regional 10% mais caro se multiplicam: 1,10 vezes 1,10 dá 21% a mais sobre a maior linha do custo variável. A regra: se um cliente exige processamento regional, ofereça isso como opção do plano corporativo, com preço próprio. Não absorva o acréscimo para toda a base.
Cinco alavancas derrubam o custo por chamada, e o cache vem primeiro
A otimização de inferência é o caminho mais rápido para a escalabilidade financeira. Quase toda a economia vem de cinco movimentos.
1. Roteamento. Cada solicitação vai para o modelo mais barato que ainda entrega a qualidade necessária. A pergunta passa primeiro por um modelo pequeno e só sobe para um médio ou grande se for preciso, ou a escolha depende de quão seguro o modelo está da própria resposta. Quando a maioria das perguntas é simples, a fatura cai bastante. O ganho real depende da mistura de consultas e precisa ser medido no seu tráfego.
Há um porém. O roteamento mexe na qualidade da resposta. Sem um conjunto de avaliação mostrando que o modelo barato segura o padrão, você troca um problema de custo por um de qualidade, que sai mais caro. Por isso ele abre esta lista, mas não abre a fila de execução.
2. Prompts menores e cache de prefixo. Tirar contexto redundante, usar saída estruturada e ajustar as instruções do sistema. Com as tabelas habituais, a leitura do cache custa cerca de um décimo do preço de entrada e a gravação, um pouco mais que uma entrada normal. Ele se paga a partir da primeira reutilização.
O exemplo em reais. Um prefixo fixo de 5.000 tokens em 150.000 chamadas por mês soma 750 milhões de tokens. A US$ 3 por milhão, são US$ 2.250, cerca de R$ 12.600 com o dólar a R$ 5,60. Se 85% das chamadas lerem do cache, a conta cai para uns US$ 529: US$ 191 das leituras e US$ 338 das chamadas sem acerto. Perto de R$ 2.960, antes das gravações.
O ganho some quando o prefixo muda a cada chamada. Acontece, por exemplo, quando os trechos recuperados entram antes das instruções fixas.
3. Teto para a resposta. O token de resposta costuma custar várias vezes mais que o de entrada. Com as mesmas 150.000 chamadas, cortar a resposta média de 700 para 350 tokens economiza 52,5 milhões de tokens de saída por mês. A US$ 15 por milhão, são cerca de US$ 790, ou R$ 4.400. Produto define a extensão; engenharia garante o limite.
4. Recuperação mais barata. Um sistema RAG consulta os seus documentos antes de responder. Isso gera custos: transformar textos em vetores (embeddings), buscar esses vetores e ordenar os resultados. Dá para conter o custo guardando em cache os vetores já calculados, usando índices mais leves e comprimindo os textos de acordo com o setor.
5. Lotes e processamento assíncrono. Os fornecedores dão desconto forte em chamadas por lote, em troca de não responder em tempo real. Serve para análises em massa, geração de conteúdo, avaliação de modelos e classificações noturnas. A condição é que ninguém espere a resposta na tela.
Quanto custa, de fato, o seu usuário mais intensivo?
Se a resposta vier em dólar e sem tributos, você ainda não sabe. E é esse usuário que quebra a assinatura pura.
A assinatura pressupõe custo estável por usuário e uso previsível. A IA viola as duas coisas. Bastam poucos usuários intensivos para consumir toda a margem.
A cobrança por uso alinha receita e custo e protege a margem. Em troca, pode frear a adoção e complicar a comunicação do preço, principalmente com pequenas empresas que querem saber quanto vão pagar no mês. Por isso o modelo híbrido costuma ser o ideal: uma mensalidade que cobre o uso básico mais créditos para o excedente.
Os números. Imagine um plano de R$ 99 que inclui 1.000 tarefas, cada uma com custo de R$ 0,06 em computação. O usuário médio faz 380 tarefas: custa R$ 22,80. Um usuário intensivo faz 5.000 tarefas e custa R$ 300. Na assinatura pura, você perde R$ 201 com ele por mês. No híbrido, as 4.000 tarefas extras a R$ 0,10 somam R$ 400. Ele paga R$ 499 e deixa R$ 199 de margem.
O plano gratuito merece a sua própria conta. Com limite de 30 tarefas, cada usuário gratuito custa no máximo R$ 1,80. Mil deles custam R$ 1.800 por mês. Se 3% viram pagantes, 30 assinantes de R$ 99 cobrem a conta com folga. Se a conversão cai para 1%, os 10 assinantes não pagam nem os gratuitos. O limite gratuito, portanto, sai da conversão real; o que a concorrência oferece é detalhe.
O meio de pagamento também mexe na margem. A tarifa do cartão de crédito, que varia por adquirente e por plano, sai de cada mensalidade. O Pix costuma custar menos para quem recebe, e desde junho de 2025 o Pix Automático permite cobranças recorrentes. Num plano de ticket baixo, essa diferença pode valer alguns pontos de margem de contribuição.
Acima de tudo está a pergunta do que exatamente você cobra. Cobrar pelo valor entregue (tarefas concluídas, documentos processados, horas economizadas) mantém o preço colado ao que o cliente percebe. E evita discutir tokens com um diretor financeiro que não sabe nem quer saber o que é um token.
Do LTV ao payback: uma coorte de R$ 99, em reais
A lucratividade nasce da interação entre uso, retenção e controle de custos. O LTV (quanto um cliente deixa durante todo o tempo em que fica com você) só serve em IA se descontar o que custa atendê-lo: computação, suporte e infraestrutura. Também entram a chance de ele cancelar e a chance de ele ampliar o plano.
LTV_net = LTV_receita menos custo variável total
O CAC carrega riscos próprios da IA, porque cada novo usuário gera custo desde o primeiro minuto. Há onboarding mais difícil, picos de suporte no início e um plano gratuito que alguns usam ao limite. O payback define a velocidade segura de crescimento. Como referência indicativa, muitas equipes trabalham com estes prazos:
- IA B2C: < 6 meses
- IA prosumer: 6-9 meses
- SaaS B2B de IA: 12-18 meses
Os números abaixo são ilustrativos; troque pelos seus. Um usuário self-serve paga R$ 99 por mês. Os custos variáveis mensais somam R$ 44,50: R$ 23 de inferência (US$ 4,10 com o dólar a R$ 5,60), R$ 4 de IOF e tributos sobre a remessa, R$ 6 de recuperação e armazenamento, R$ 3,50 de tarifa de cartão e R$ 8 de suporte rateado. A margem de contribuição fica em R$ 54,50, cerca de 55%.
Estenda pela retenção. Com 14 meses de vida média, o LTV_receita é de R$ 1.386 e o custo variável total, de R$ 623. O LTV_net fica em R$ 763. Com CAC de R$ 450, o payback é de cerca de 8,3 meses e a razão LTV_net/CAC fica perto de 1,7, dentro da janela prosumer.
A média engana justamente aqui. Se o dólar for a R$ 6,20, só a inferência sobe cerca de R$ 2,50 por usuário. Se o CAC subir para R$ 700 numa campanha de Black Friday, o payback passa de 12 meses. Nenhum desses cenários, sozinho, prova prejuízo. Os dois juntos tiram a folga do mesmo produto, e uma média que inclua clientes corporativos esconderia exatamente isso.
Ensaiar os trimestres ruins antes que eles cheguem
A análise de cenários existe para que os riscos não peguem a equipe em escala. Simule alta do custo computacional, crescimento inesperado de usuários, abuso de contexto longo, abuso do plano gratuito e uma disparada do dólar. Rodar dois deles ao mesmo tempo, digamos dólar alto e abuso do plano gratuito, mostra quanta folga a margem realmente tem.
A conta combinada. Na coorte de R$ 99, o dólar a R$ 6,20 leva a inferência de R$ 23 para R$ 25,50, e a margem de contribuição cai de 55% para cerca de 52%. Some R$ 5 por pagante de abuso do plano gratuito, e ela vai a uns 47%. Cada choque parece pequeno. Juntos, tiram oito pontos de margem sem que ninguém tenha mudado o produto.
A análise de sensibilidade refina a foto: você muda uma variável de cada vez e vê quanto a margem se mexe. Variar o tamanho do modelo, o contexto, o comprimento da resposta, o número de documentos recuperados ou as novas tentativas por alucinação mostra onde está o impacto econômico. Um aviso: esses modelos não preveem demanda. Dizem só qual alavanca mexe mais na margem se a demanda vier.
Acima disso ficam as previsões para vários trimestres: preço dos modelos, crescimento de usuários, custo por usuário e LTV por coorte. Com preços de modelo caindo ano a ano, a tentação é já orçar a queda. É mais prudente planejar com o preço atual e tratar cada redução do fornecedor como folga.
Seis dúvidas que decidem a margem
Qual é a métrica central de escalabilidade financeira na IA?
O custo por tarefa bem-sucedida, em reais e por coorte. Ele junta num só número o valor entregue, o comportamento do modelo e a viabilidade econômica.
Como escolher o modelo de precificação?
Compare assinatura, cobrança por uso e híbrido com os seus padrões reais de consumo. Na maioria dos casos o híbrido equilibra melhor previsibilidade e margem.
Preciso processar os dados no Brasil?
Nem sempre. A LGPD permite transferência internacional nas hipóteses previstas, como as cláusulas-padrão da ANPD. Se o cliente exigir, ofereça como opção com preço próprio.
Quando aumentar o investimento em aquisição e vendas?
Quando o LTV_net está estável, o payback é previsível e o custo por tarefa cai trimestre a trimestre.
Cache ou roteamento: por onde começar?
Pelo cache. Ele não muda a resposta, e o risco fica só na consistência. O roteamento muda, e sem avaliação vira aposta. A exceção é o produto cujo prefixo varia a cada chamada: ali o primeiro trabalho é reorganizar o prompt para que a parte fixa venha antes.
Qual é o maior risco econômico da IA em escala?
Uso descontrolado, especialmente prompts longos e raciocínio em várias etapas. Logo atrás vem o câmbio, quando ninguém acompanha a margem em reais.
Medir, cachear, rotear e só então mexer no preço
Para isso sair do papel, o PM precisa de repertório financeiro: modelagem de custos, desenho de preços, experimentação e previsão. A responsabilidade, porém, não é de uma pessoa só. Produto, engenharia, finanças, ciência de dados, jurídico e comercial a dividem. É a governança transversal que caracteriza o PM em empresas grandes: coordenar várias equipes que decidem juntas.
Essa responsabilidade vira limites concretos: um custo máximo por solicitação, regras claras para o plano gratuito, o ponto em que a chamada passa para o modelo maior, regras de roteamento e prazos de payback aceitáveis. Sem esses tetos, qualquer otimização se desfaz quando o uso cresce.
A ordem de ataque é esta:
- Meça o custo por tarefa bem-sucedida, coorte a coorte e em reais. Sem esse número, o resto é suposição.
- Ligue o cache de prefixo e limite contexto e resposta. O cache não altera a resposta, e um teto bem calibrado quase não mexe na qualidade. Ali costuma estar a economia mais rápida.
- Roteie entre modelos só depois de montar um conjunto de avaliação que comprove que o barato dá conta.
- Redesenhe o preço para um híbrido que transfira o uso extremo para quem o gera.
O preço fica por último de propósito, para você não empacotar uma margem que ainda não entende.
Cuidado também com o atalho oposto, comum em times de engenharia: trocar tudo pelo modelo mais barato antes de saber quais chamadas justificam o mais caro. No fim, o modelo caro fica só nas chamadas em que o cliente percebe a diferença na resposta.