Token é a unidade em que os modelos de linguagem quebram o texto para processá-lo — algo entre uma sílaba e uma palavra. É também a unidade de cobrança de praticamente toda API de IA: você paga por token de entrada e por token de saída. E há um dado que muda o orçamento de qualquer projeto brasileiro: um estudo que mediu 10 modelos de fundação em cerca de 25 idiomas europeus, sobre texto paralelo — o mesmo conteúdo traduzido —, encontrou que o inglês consome 1,2 token por palavra, enquanto as línguas românicas, onde está o português, consomem de 1,5 a 1,7. Traduzindo para a fatura: dizer a mesma coisa em português custa entre 25% e 40% mais que em inglês. O mesmo texto, o mesmo modelo, a mesma tarefa — preço diferente.
A conta que quase todo orçamento erra
O estudo chama esse fenômeno de tokenizer tax — imposto do tokenizador. A medição é sobre texto paralelo, o que torna a comparação válida: não é que um idioma seja mais prolixo, é que o modelo o fragmenta em mais pedaços.
| Grupo de idiomas | Tokens por palavra |
|---|---|
| Inglês | 1,2 |
| Românicas (português, espanhol, italiano) | 1,5 a 1,7 |
| Germânicas | 1,7 a 1,9 |
| Eslavas | 2,2 a 2,5 |
| Urálicas e bálticas | 2,7 a 3,0 |
| Grego e maltês | ≈ 3,1 — o topo, 2,5× o inglês |
Uma ressalva honesta: o português não é discriminado individualmente no estudo — está dentro da faixa românica. Por isso o intervalo de 1,5 a 1,7, e não um número cravado.
Há ainda um achado revelador sobre a causa. O ucraniano consome de 15% a 18% mais tokens que línguas eslavas parentes — diferença que os autores atribuem à sub-representação nos dados de pré-treino. Idioma que o modelo viu pouco é idioma que ele fragmenta mais. E os rankings se mantêm estáveis em três registros textuais diferentes, o que indica que não é efeito de um tipo de texto.
⚠️ “1 token = 4 caracteres” é regra de inglês
As duas regras de bolso mais repetidas — “1 token é mais ou menos uma palavra” e “1 token são 4 caracteres” — foram derivadas do inglês e não se transferem. Pela medição acima, a razão real varia 2,5 vezes entre idiomas.
Em português a regra é especialmente traiçoeira: acentuação e morfologia mais rica fragmentam palavras que o tokenizador não viu o suficiente durante o treino. Palavras como “implementação” ou “não” podem custar mais tokens do que a intuição sugere.
O efeito prático é duplo, e o segundo costuma pegar as equipes de surpresa:
- Custa mais. A fatura sobe proporcionalmente.
- Cabe menos. Um prompt de sistema que ocupa 8 mil tokens em inglês pode estourar a janela em português — e o mesmo vale para o histórico de conversa e para os documentos recuperados por RAG.
O que isso muda na prática
Três aplicações diretas:
- Aplique um multiplicador de 1,3 a 1,4× em qualquer estimativa feita com benchmark em inglês. Praticamente todo material de fornecedor calcula custo com exemplos em inglês. O seu caso não é aquele.
- Meça, não estime. Rode 20 prompts reais da sua operação pelo contador de tokens do fornecedor e obtenha a sua razão. Leva minutos e substitui qualquer regra de bolso.
- Considere onde o idioma importa. Em tarefas internas — classificação, roteamento, extração —, processar em inglês e apresentar em português pode reduzir custo sem afetar o resultado percebido. Em conteúdo voltado ao cliente, não vale o risco de qualidade.
Vale também como argumento comercial, e é um ponto pouco explorado: a “mesma” ferramenta de IA custa mais para operar no Brasil do que custa nos Estados Unidos. Quem monta precificação de produto com IA embutida precisa dessa linha na planilha.
Os preços por token de cada modelo estão em modelos de IA em 2026, e o custo por chamada em inferência. O conceito de LLM explica por que a fragmentação existe.
Fontes
- The Tokenizer Tax Across 25 European Languages — 10 modelos, texto paralelo, maio de 2026
- Custo de tokenização para comunidades linguísticas sub-atendidas
Leitura das fontes em 17/08/2026.