Para estimar o custo de API de LLM antes do lançamento, coloque preço numa ação do usuário, e não numa chamada de API. Conte as chamadas por trás dela, meça em 20 a 50 amostras reais os tokens de entrada nova, de entrada em cache e de saída, multiplique pelas ações mensais e depois some raciocínio e novas tentativas. Nosso exemplo de rascunho de resposta de suporte com o DeepSeek V4.1 Flash chega a $42.67 por mês.
É uma previsão pré-lançamento para uma funcionalidade; quando você tiver usuários pagantes, custo de LLM por usuário em SaaS trata de margens e faixas de preço.
Qual é a fórmula do custo de API de LLM?
monthly cost = actions per month × calls per action
× ( new input tokens × input price
+ cached input tokens × cached price
+ output tokens × output price ) / 1,000,000
Os tokens de saída incluem o raciocínio. Tokens em cache são entrada que o provedor reaproveita a um preço menor. Todo o resto é medição. A calculadora de custo de API de LLM, gratuita, aplica essa fórmula ao preço de tabela de qualquer modelo.
Como montar o modelo de custo, passo a passo?
- Dê nome à unidade de trabalho. “Rascunhar uma resposta de suporte”, “resumir uma ligação”, “corrigir um teste que falha”. Coloque preço nisso, não em “uma requisição”.
- Conte as chamadas por ação. Uma resposta com recuperação pode ser uma chamada. Um agente que planeja, edita e confere pode fazer dez. Some sua taxa de novas tentativas: um timeout que você tenta de novo é cobrado de novo.
- Meça os tokens por chamada em amostras reais. Pegue de 20 a 50 entradas realistas, não demos limpas. Para uma primeira contagem aproximada antes de chamar qualquer API, cole-as no contador de tokens. Leia
usage.prompt_tokens,usage.prompt_tokens_details.cached_tokenseusage.completion_tokensem cada resposta. Com streaming, definastream_options: {"include_usage": true}; o guia de streaming mostra onde isso aparece. - Separe a entrada nova da entrada em cache. O prompt de sistema, a lista de ferramentas e documentos compartilhados podem ir para o cache se vierem primeiro e ficarem idênticos. O texto do usuário não.
- Inclua o raciocínio na saída. DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B pensam antes de responder. Esses tokens de raciocínio são cobrados como saída e muitas vezes são maiores que a resposta visível. Por que o raciocínio custa mais do que você vê.
- Estime o volume. Usuários ativos × ações por usuário por dia × 30.
- Multiplique e some. Converta os totais de tokens em milhões e aplique o preço por 1M.
- Calcule três cenários. Baixo, esperado e alto. O tráfego do lançamento é incerto, e os prompts crescem com o tempo.
- Confira os limites, não só o dinheiro. As requisições por minuto no pico e as requisições em andamento precisam caber nos rate limits da sua chave.
- Escolha o modelo de cobrança. Por token para tráfego irregular puxado pelos usuários; um plano de preço fixo para agentes sempre ligados.
Como fica uma estimativa completa? Um assistente de rascunho de respostas de suporte
Um app de help desk adiciona o botão “Rascunhar resposta”. Os números abaixo são suposições para ilustrar. Troque cada um pelas suas medições.
| Entrada | Valor | De onde vem |
|---|---|---|
| Agentes de suporte (equipe) que usam o recurso | 500 | Plano do produto |
| Rascunhos por atendente por dia | 4 | Uso no piloto |
| Dias por mês | 30 | |
| Ações por mês | 60.000 | 500 × 4 × 30 |
| Chamadas por ação | 1 | Uma chamada com artigos recuperados |
| Tokens de entrada por chamada | 5.000 | Prompt de sistema, conversa do chamado, três artigos de ajuda |
| Fração da entrada em cache | 50% | Prompt de sistema e prefixo de artigos estáveis |
| Tokens de saída por chamada | 500 | Cerca de 200 visíveis, 300 de raciocínio |
| Modelo | DeepSeek V4.1 Flash | $0.175 / $0.0055 / $0.52 por 1M |
Agora os totais:
| Linha | Tokens por mês | Preço por 1M |
|---|---|---|
| Entrada nova | 150M | $0.175 |
| Entrada em cache | 150M | $0.0055 |
| Saída, incluindo raciocínio | 30M | $0.52 |
| Custo mensal esperado | $42.67 |
São 300M de tokens de entrada e 30M de saída: 60.000 × 5.000 e 60.000 × 500.
Qual deve ser a distância entre os cenários baixo e alto?
| Cenário | Ações por mês | Tokens de entrada / saída | Custo mensal |
|---|---|---|---|
| Baixo: adoção lenta | 20.000 | 100M / 10M | $14.23 |
| Esperado | 60.000 | 300M / 30M | $42.67 |
| Alto: adoção 3× | 180.000 | 900M / 90M | 3 × $42.67 |
Os três mantêm a mesma fração de cache de 50%. Se a fração de cache cair, a conta sobe: neste modelo, a entrada nova custa $0.175 por 1M contra $0.0055 em cache. Como manter alta a fração de cache.
O que mais mexe na estimativa?
- Tamanho do contexto. Uma recuperação que traz dez artigos em vez de três pode dobrar a entrada. Meça os tokens depois de cada mudança no prompt.
- Raciocínio. Definir
reasoning_effortcomolowem rascunhos simples reduz a saída oculta. Raciocínio e max_tokens. - Novas tentativas e loops. Uma taxa de 5% de novas tentativas soma 5% a cada linha. Um loop de agente sem limite de etapas não tem teto nenhum. Controle de gastos com APIs de LLM.
- Escolha do modelo. O Gemma 4 VL 26B custa $0.10 de entrada e $0.22 de saída por 1M, mas o contexto dele é de 32.768 tokens e a BroadNet não lista raciocínio para ele. Teste a qualidade antes de trocar para economizar.
- Idioma. O mesmo conteúdo pode precisar de muito mais tokens em árabe ou hindi do que em inglês, e a diferença depende do tokenizador. Nosso dataset de custo real por idioma mostra o preço por 1M de caracteres de cada idioma em cada modelo e provedor.
- Crescimento dos prompts. Os prompts tendem a crescer depois do lançamento, conforme casos extremos são tratados. Refaça a medição a cada versão.
- Mudanças de preço. Preços de tabela raramente mudam, mas podem subir. Nas páginas de preços arquivadas de 11 provedores, registramos 52 aumentos de preço de tabela entre 2024 e novembro de 2026, cada um comparando o preço de um modelo com o seu próprio preço anterior (contra 100 cortes); o aumento mediano foi de 40% sobre um preço combinado. Veja como incluir aumentos de preço de API de LLM no orçamento.
Se a estimativa ficar alta demais, siga o checklist de 10 passos para reduzir o custo de API de LLM antes de mudar a funcionalidade.
O volume cabe nos rate limits?
60.000 ações por mês são cerca de 2.000 por dia. Se um décimo dos rascunhos do dia cair na hora mais movimentada, são 200 por hora, ou cerca de 3 por minuto. Uma chave de pagamento por uso da BroadNet permite 30 requisições por minuto e 4 em andamento, então isso cabe numa chave. Confira também o cenário alto, ou coloque seu próprio pico na calculadora de rate limit. Para a relação entre taxa e requisições em andamento, veja concorrência. Se receber 429, faça backoff e tente de novo.
Essa funcionalidade deveria rodar num plano de preço fixo?
Provavelmente não. Uma sessão Full Moon custa $60 por mês, mas uma sessão roda uma requisição por vez, e muitos usuários clicando em “Rascunhar” ao mesmo tempo precisam de requisições em paralelo. Planos de preço fixo servem para agentes que trabalham continuamente, como um agente de código. A conta do ponto de equilíbrio mostra um agente de código em tempo integral a $65.40 por mês por token, acima do preço do plano.
Como transformar a estimativa num orçamento?
- Coloque o valor esperado no seu planejamento e o valor alto no seu limite de alerta.
- Registre os tokens por ação em produção e compare com o modelo toda semana.
- Defina limites rígidos no código:
max_tokens, limites de etapas e limites de novas tentativas. - Refaça a estimativa sempre que mudar o modelo, o prompt ou as configurações de recuperação.
Você pode refazer a conta por token com seus próprios números na calculadora de custo de API de LLM, ou comparar plano e pagamento por token na página de preços.
Onde a BroadNet Inference se encaixa
A BroadNet Inference publica os preços por token de todos os modelos de chat e transcrição que serve num único arquivo de preços, então a estimativa acima pode ficar no código. Contas novas recebem $5 de crédito inicial, válido no Gemma 4 VL 26B e nos dois modelos de transcrição, então você pode medir suas amostras no Gemma; DeepSeek, GLM e Qwen exigem uma recarga. Se a sua funcionalidade precisa de um modelo de fronteira fechado, a BroadNet não é o provedor certo para essa parte.
