A 27 de setembro, a publicação PYMNTS divulgou uma análise sobre como as empresas norte-americanas estão a rever a escolha dos seus modelos de IA por causa do aumento dos custos — e no centro do artigo está uma confissão franca do CTO da Tinder, Vinay Kuruvila: "Em janeiro gastávamos ao ritmo de um milhão de dólares por ano, e em julho isso já tinha subido para dez milhões… Não quero outro aumento de dez vezes." O artigo cruza-se com o relatório de setembro da Vercel sobre o seu AI Gateway: em agosto, os modelos de pesos abertos (open-weight) ultrapassaram pela primeira vez os modelos proprietários fechados em volume de tokens processados — 56% contra 44%, quando em dezembro de 2025 a sua quota era de apenas 7%.

Há um pormenor importante que é fácil de deixar passar: apesar disso, os modelos abertos captaram apenas 14% do total gasto pelas empresas em IA — a maior parte do dinheiro (86%) continua a ir para os modelos proprietários de topo, como o Claude ou o GPT. Ou seja, não se trata de uma fuga aos modelos de qualidade, mas sim de uma divisão de tarefas: o modelo de topo, mais caro, mantém-se para as tarefas que exigem precisão máxima, enquanto as operações rotineiras e volumosas — classificação de pedidos, extração de dados de documentos, geração de rascunhos de texto — migram em massa para modelos abertos mais baratos. O preço médio por token caiu 23,2% em agosto — a queda mais acentuada desde abril.

O que isto significa em termos concretos para o orçamento de automação

Imaginemos uma empresa de logística de dimensão média (o artigo da PYMNTS menciona a CH Robinson numa situação semelhante) que processa pedidos de transporte recebidos através de IA: analisa emails e PDFs com os detalhes da carga, verifica a rota, elabora uma proposta preliminar. Se, há um ano, toda esta cadeia assentava num único modelo caro "para tudo", hoje uma arquitetura sensata passa por um pipeline com vários modelos: um modelo aberto e barato extrai os dados do email e do PDF, e um modelo mais caro verifica a proposta final antes de ser enviada ao cliente. Por estimativas aproximadas, esta combinação pode reduzir a fatura mensal de IA em 40-60% sem perder qualidade no passo final, o mais crítico — é exatamente este tipo de efeito que os clientes com grandes volumes de pedidos descrevem no artigo da PYMNTS.

Onde termina a poupança e começa uma nova dor de cabeça

Há também um lado menos entusiasmante, que os resumos mais eufóricos do relatório costumam omitir. Os modelos abertos quase sempre significam que a empresa assume ela própria a responsabilidade pela infraestrutura: onde alojar o modelo, quem acompanha as atualizações de segurança, quem garante o funcionamento contínuo em picos de carga — em vez de simplesmente pagar por uma API e livrar-se dessas questões. Para uma empresa sem equipa de engenharia própria, isto pode traduzir-se em custos ocultos que não aparecem numa simples comparação "preço por token contra preço por token". O artigo é direto: o CTO da Tinder admite que os modelos de topo atuais já são excessivos para as capacidades exigidas pela maioria das tarefas da empresa — mas acrescenta a condição "se os modelos abertos continuarem a progredir", ou seja, a decisão continua a ser uma aposta no futuro, e não uma poupança garantida aqui e agora.

Para o dono de uma pequena ou média empresa em Portugal, a conclusão prática não é migrar já, por conta própria, para modelos abertos — mas sim perceber que o custo de uma automação bem concebida continua a descer, e que as decisões de há um ano, do tipo "isto é demasiado caro para o nosso volume", merecem ser recalculadas. A diferença de arquitetura — um único modelo para tudo ou um pipeline de vários modelos — determina muitas vezes a fatura final mais do que a escolha de um fornecedor específico.

É também reveladora a dinâmica dentro do próprio mercado de modelos proprietários, apontada pela Vercel: depois do lançamento do Claude Opus 5, o seu antecessor Fable 5 caiu de 13,2% para 4,9% de quota de despesa num único mês, e nove em cada dez equipas que antes usavam o Fable reduziram a sua utilização quase de imediato após o aparecimento de uma alternativa mais barata do mesmo nível. Isto mostra que, mesmo dentro do segmento "caro", a concorrência pelo preço é tão intensa como do lado dos modelos abertos — e as empresas que revêm a sua stack de IA uma vez por trimestre, em vez de uma vez por ano, ficam numa posição visivelmente melhor no que toca à fatura final.

Na Dayava, desenhamos exatamente este tipo de pipelines em várias etapas à medida do orçamento concreto de cada cliente, em vez de vender uma solução única e universal. Se lhe interessa uma solução semelhante para o seu negócio, deixe o seu pedido em dayava.pt/contactos/.

Fonte: PYMNTS, "Businesses Embrace Open-Weight AI Amid Heavy Tech Costs"