TLDR;

Os custos aparentes subiram porque os modelos de ponta ficaram mais caros por token, mas o custo real depende também de quantos tokens são usados por tarefa e do valor de inteligência entregue por dólar, então medir só o preço por token engana. A promessa de Altman não é necessariamente falsa — a IA pode estar ficando mais barata em termos de "inteligência por dólar" porque existem modelos muito mais baratos e melhores em tarefas reais, mesmo que alguns modelos topo de linha tenham preços por token maiores. Para reduzir a conta, escolha modelos mais econômicos e eficientes por tarefa (por exemplo JLM 5.3 Flash), otimize prompts e fluxos para diminuir tokens usados e avalie custo por tarefa/nível de inteligência em vez de preço por token.

Resumo

Em 2026 muitos reclamam que a inteligência artificial está ficando mais cara: Sam Altman prometera reduções de custo de 10× ao ano, mas modelos recentes como Fable e Astra cobram muito por token e empresas veem contas subir. O vídeo argumenta que, na verdade, a IA ficou mais barata, mas estamos medindo errado, porque preço por token é só uma das três dimensões relevantes. Devemos considerar (1) custo por token, (2) quantos tokens são necessários para completar uma tarefa e (3) quanta “inteligência por dólar” o modelo entrega para diferentes tipos de trabalho. Enquanto modelos topo de linha aumentaram o preço por token, surgiram opções baratas e capazes — por exemplo JLM 5.3 Flash, muito mais barato por token e competitivo em tarefas agentivas. Além disso, modelos baratos por token podem desperdiçar muitos tokens, reduzindo a vantagem: Gemini 3.8 Flash parece barato, mas usa tantos tokens que o custo por tarefa aproxima-se do de alternativas mais caras; Sonnet chega a ser mais caro por que consome muitos tokens. Concluir: avaliar custos reais exige medir tokens por tarefa e custo por nível de inteligência, não apenas preço por token. Assim entenderemos melhor investimentos e decisões empresariais em IA no curto prazo.