Preço por token baixo não garante IA mais barata para programação intensa

Uma IA pode ser barata por token e cara por desenvolvedor ao mesmo tempo. Não há contradição: trata-se de comparar produtos diferentes — uma API cobrada por uso, em que cada token acrescenta custo, e uma assinatura de programação, em que o gasto do usuário fica limitado enquanto ele permanece dentro das regras do plano.

Para um agente autônomo que vasculha repositórios, mantém contextos longos e gera bastante conteúdo, a pergunta não é só “qual modelo tem o menor preço por token?”. A pergunta central é: em que ponto o custo marginal para o usuário para — e o plano aguenta esse ritmo de trabalho?

Uma tarifa baixa continua crescendo sem limite

O GLM-5.2 é listado a US$ 1,40 por milhão de tokens de entrada, US$ 0,26 por milhão de tokens de entrada em cache e US$ 4,40 por milhão de tokens de saída. 1 As tarifas podem ser atraentes em uso normal de API, mas a matemática muda rapidamente em volumes muito grandes:

• 1 bilhão de tokens de entrada sem cache: US$ 1.400
• 1 bilhão de tokens de entrada com cache: US$ 260
• 1 bilhão de tokens de saída: US$ 4.400

O último número é especialmente importante para agentes de programação. Eles não apenas leem código e documentação: também produzem planos, alterações, testes, explicações, chamadas de ferramentas e novas iterações. Em fluxos com bastante saída, a conta pode superar em muito o que sugere a manchete sobre preço de entrada.

O cache pode mudar bastante o resultado. Contexto reutilizado é cobrado por uma tarifa bem menor, mas o custo final ainda depende da mistura efetiva entre entrada sem cache, entrada em cache e saída. 1

Por que a comparação de custo diário precisa de mais contexto

Uma comparação divulgada estimou o uso da API do GLM-5.2 em cerca de ¥ 7.800 por dia, diante de um custo semanal fixo bem menor em uma assinatura do Codex. Ela ilustra uma diferença real entre uso medido e franquia de assinatura, mas o volume de tokens alegado precisa ser qualificado.

Pelas tarifas publicadas do GLM-5.2, dezenas de bilhões de tokens de entrada sem cache, por si só, custariam dezenas de milhares de dólares ao dia; tokens de saída nessa escala custariam ainda mais. 1 Uma fatura diária de ¥ 7.800 pode refletir um volume faturável menor, grande participação de entrada em cache, uma combinação específica de entrada e saída, preços com desconto ou outra base de precificação.

A lição prática é simples: o total de tokens, sozinho, não basta. Para comparar um fluxo de programação, é preciso medir:

1. tokens de entrada sem cache;
2. tokens de entrada com cache;
3. tokens de saída;
4. janelas de reinício e limites do plano; e
5. se o excedente passa a ser cobrado à parte.

Assinaturas limitam o gasto do usuário — não necessariamente o uso

Uma assinatura não torna a inferência gratuita. Ela muda quem absorve a variação de custo.

Em um plano mensal fixo de programação, um usuário pesado que esteja dentro das regras pode receber um volume equivalente de API muito maior do que compraria pelo preço da assinatura em uma API medida. Para o usuário, o orçamento se torna previsível; para o provedor, o risco é administrado por janelas móveis, limites de taxa, regras de prioridade, créditos e outros controles de uso justo.

É por isso que uma API aparentemente mais cara pode coexistir com uma assinatura de programação relativamente atraente. O valor da API é o preço marginal direto da computação. A assinatura é uma oferta empacotada, com limites que podem servir bem a muitos usuários, mas não representam garantia de capacidade ilimitada.

Planos de programação também podem continuar fortemente medidos

A distinção decisiva não é entre modelos chineses e estrangeiros. É saber se o produto funciona como um medidor aberto por token, uma carteira de créditos ou uma franquia ampla o bastante, com reinicializações previsíveis.

O GLM Coding Plan usa explicitamente duas restrições: uma franquia de pontos móvel a cada cinco horas e outra semanal. Os limites publicados incluem 12 mil pontos a cada cinco horas e 60 mil pontos por semana no plano Pro, além de 28 mil e 140 mil, respectivamente, no Max. O consumo é calculado a partir de tokens de entrada, entrada em cache e saída, com coeficientes específicos por modelo. 2

A Qoder é ainda mais explícita sobre a estrutura de créditos. Seus planos pagos oferecem 2 mil, 6 mil ou 20 mil créditos mensais para modelos premium; quando esses créditos acabam, o serviço muda para um modelo básico com quantidade limitada de mensagens. A Qoder também afirma que os recursos premium incluídos equivalem ao valor da assinatura, somado a eventuais recursos bônus. 17

Para quem executa tarefas frequentes e prolongadas com agentes, essas estruturas podem parecer menos uma assinatura “à vontade” e mais uma forma de uso pré-pago cobrada mensalmente.

Multiplicadores de horário de pico tornam a capacidade visível

Os limites de uso não são a única restrição. Provedores também podem variar a velocidade com que a franquia é consumida em horários de maior demanda.

A documentação atual da Z.ai informa que o GLM-5.3 consome cota com multiplicador de 1× fora do pico e 3× no pico; para o GLM-5.3-Flash, os multiplicadores listados são 0,4× e 1,2×. 4 A visão geral do GLM Coding Plan identifica uma janela de pico em dias úteis, das 14h às 18h no fuso UTC+8. 2

Esse é um mecanismo de gestão de capacidade: o preço monetário da assinatura permanece o mesmo, mas a quantidade de trabalho coberta pela franquia pode diminuir nos horários mais concorridos. Isso não deve ser generalizado para todo plano ou período do GLM-5.2 sem verificar os termos atuais daquele produto específico.

O que as evidências confirmam — e o que ainda não confirmam

Relatos sobre cotas diárias esgotadas, redução de acesso ao GLM-5.2, retenção curta de cache, baixo aproveitamento de lote entre usuários e falta de capacidade de inferência podem ser plausíveis, mas nem todos são comprovados pelos materiais analisados.

A documentação primária disponível sustenta claramente a existência de tetos de cota, contabilidade de pontos ponderada por tokens e multiplicadores por horário. 24 Ela não comprova, por si só, uma explicação específica do provedor para cada problema de acesso relatado. Para decidir uma compra, equipes devem tratar relatos informais como sinais para testar — não como fatos já estabelecidos.

Uma avaliação útil inclui testar a carga de trabalho real nos horários em que a equipe opera: tamanho dos repositórios, comportamento do cache, extensão das respostas, número de agentes simultâneos, filas e o que acontece quando o plano atinge sua franquia importam mais do que uma única tarifa anunciada.

A regra de compra para equipes que programam intensamente com IA

APIs chinesas de baixo custo continuam atraentes para inferência leve ou previsível, especialmente quando o fluxo consegue reutilizar contexto em cache. 1 Elas podem ser uma ótima escolha para equipes que precisam de controle direto da API e conseguem administrar o orçamento de tokens com disciplina.

Mas programação intensiva com IA é outro problema de compra. Se um agente consome volumes altos de forma contínua, a melhor opção costuma ser a que combina:

• teto mensal previsível;
• franquia que suporte dias normais de trabalho;
• regras claras de reinicialização e excedente;
• acesso estável nos horários de pico; e
• capacidade suficiente para tarefas paralelas.

Em resumo: compare o trabalho útil efetivamente disponível por mês, e não apenas o preço de tabela da API. Um modelo medido e barato vence quando o uso está sob controle. Uma assinatura só vence quando seus limites são transparentes e grandes o suficiente para a carga real dos agentes da equipe.