Inferência é o ato de usar um modelo de IA já treinado para produzir uma resposta — cada pergunta feita ao ChatGPT, cada e-mail gerado, cada lead classificado. É a fase que se opõe ao treino, em que o modelo é construído. A distinção importa porque quase toda empresa de marketing só paga inferência: você não treina modelo, você consome. E o gasto do setor migrou para esse lado — a demonstração mais sólida disso é o resultado financeiro auditado da Nvidia, que no trimestre encerrado em 26 de abril de 2026 registrou US$ 75,2 bilhões vindos de data center, sobre receita total de US$ 81,6 bilhões — 92% de tudo o que a empresa fatura, com alta de 92% em um ano nesse segmento. O dinheiro do mercado está indo para operação contínua, não para construir modelos novos. Para quem contrata IA, a consequência é que o custo relevante do projeto não é o de construir nada: é o de responder, multiplicado por quantas vezes você responde.
⚠️ “O custo de inferência cai X% ao ano” mede o fator errado
É verdade que o preço por token vem caindo. E é enganoso concluir daí que a conta diminui, porque o gasto total é:
custo total = preço por token × tokens consumidos
E o segundo fator vem crescendo mais rápido que o primeiro cai. O motivo é estrutural: a IA agêntica multiplica o consumo, porque um agente executa vários passos autônomos onde antes havia uma única chamada.
A conta que ilustra: um agente que faz 8 chamadas encadeadas por interação custa 8 vezes um assistente de turno único com exatamente o mesmo preço por token. Quem cita a queda do preço unitário como economia está medindo o fator que encolheu e ignorando o que cresceu.
Dois números que não conseguimos verificar e por isso não publicamos como fato: a alegação de que “inferência representa 80% a 90% do custo de vida útil de um sistema de IA” — sem estudo, amostra ou definição do que seria “custo de vida útil” — e a série que afirma que a inferência saiu de 33% da computação em 2023 para 66% em 2026, que conflita com outras estimativas do próprio setor. Há levantamentos de consultoria apontando que a inferência já passou de metade do gasto em infraestrutura de IA em 2026, mas a fonte primária bloqueia verificação automatizada, e preferimos sinalizar isso a apresentar o número como confirmado.
O que determina o seu custo de inferência
Três variáveis, em ordem de impacto para uma operação de marketing:
- Número de chamadas por interação. É o multiplicador mais violento, e o mais fácil de esquecer no orçamento. Modele isso antes de olhar preço de token.
- Volume de tokens por chamada. Prompt de sistema longo, histórico completo e muitos documentos recuperados entram em toda chamada. E em português o consumo é de 25% a 40% maior — ver token.
- Escolha do modelo. A diferença de preço entre o topo de linha e um modelo intermediário é grande, e para classificação ou roteamento o intermediário costuma bastar.
O que isso muda na prática
Ao orçar uma funcionalidade de IA, o custo relevante não é o do treino nem o do ajuste — é o da inferência multiplicada pelo volume em regime. O erro clássico é dimensionar pelo piloto: 200 interações de teste não revelam o que 200 mil por mês custam.
Um roteiro que funciona:
- Meça uma interação real completa — todas as chamadas, entrada e saída somadas, em português.
- Multiplique pelo volume mensal projetado, não pelo do piloto.
- Some uma margem para reprocessamento: erro, nova tentativa e refinamento pelo usuário são parte do uso real.
E vale a comparação com infraestrutura própria: contratar API costuma sair mais barato que manter GPU ligada, porque máquina ociosa custa igual a máquina em uso. A conta completa está em modelos de IA em 2026.
Fontes
- Resultado financeiro da Nvidia — trimestre encerrado em 26/04/2026, dado auditado
- Benchmarks de hardware — custo por milhão de tokens por cenário
Leitura das fontes em 17/08/2026.