Modelos de IA pequenos comparados: custos e qualidade no trabalho rotineiro

Muitas tarefas rotineiras nas empresas podem ser realizadas com modelos de IA pequenos: categorizar e-mails, verificar ordens de produção, classificar ações em um site ou monitorar um status 24 horas por dia. Nos preços de tabela, os fornecedores estão muito próximos uns dos outros. Os modelos se diferenciam claramente na frequência com que arriscam palpites, na confiabilidade com que usam ferramentas e na quantidade de tokens de raciocínio que consomem. Os dados vêm das tabelas de preços dos fornecedores, de benchmarks independentes e de um teste prático próprio no Hawk IVO Force, com dados de 20 de outubro de 2026.

Aqui, os custos aparecem como índice de custos em vez de em dólares. Os preços de tabela mudam com frequência, e os preços dos fornecedores não são preços do Hawk IVO Force. O índice mostra quão caro um modelo é em relação aos demais e continua fácil de ler mesmo quando os preços mudam.

Quais modelos são comparados

OpenAI, Anthropic, Google e Amazon não informam o tamanho de seus modelos pequenos. Aqui, pequeno significa o nível atual mais barato de uma família de modelos, projetado para velocidade e volume.

• GPT-6 Luna, da OpenAI, disponível desde 22 de setembro de 2026: o menor nível da família GPT-6, ao lado de Sol e Astra. Segundo a OpenAI, o antecessor GPT-5.6 Luna correspondia à antiga classe Nano. Disponível diretamente na OpenAI, pelo Microsoft Azure e pelo Amazon Bedrock.
• Claude Haiku 5.5, da Anthropic, disponível desde 7 de outubro de 2026: sucessor do Claude Haiku 4.5, disponível pela Claude Platform, pela Amazon Web Services, pelo Google Cloud e pelo Microsoft Azure.
• Gemini 3.5 Flash-Lite, do Google, disponível desde 21 de julho de 2026: o menor nível atual do Gemini. Para comparação, o Gemini 3.8 Flash entra como o nível imediatamente maior.
• Amazon Nova 2 Lite e Amazon Nova Micro, ambos apenas no Amazon Bedrock: o Nova 2 Lite desde dezembro de 2025, e o Nova Micro, como modelo exclusivamente de texto, desde dezembro de 2024.
• Modelos chineses: DeepSeek V4.1 Flash, Qwen3.8 Flash, da Alibaba, GLM-5.3-Flash, da Z.ai, e MiniMax M3.1 Flash. O Kimi K2.6, da Moonshot AI, custa várias vezes mais e serve de comparação no teste prático.

Comparação de custos: o índice de custos

O índice de custos avalia a tarefa padrão a preços de tabela dos fornecedores, e o nível de custo o resume de forma aproximada.

Modelo	Índice de custos ↓, mais baixo é melhor	Nível de custo ↓, mais baixo é melhor	Acréscimo com prompts longos
Amazon Nova Micro	24	1	nenhum conhecido
GPT-6 Luna	76	2	acima de 272.000 tokens: entrada ×2, saída ×1,5
Claude Haiku 5.5	76	2	acima de 100.000 tokens: entrada ×5, saída ×5
Qwen3.8 Flash	94	2	nenhum conhecido
GLM-5.3-Flash	97	2	nenhum conhecido
MiniMax M3.1 Flash	103	2	nenhum conhecido
DeepSeek V4.1 Flash	207	3	nenhum
Gemini 3.5 Flash-Lite	297	3	nenhum
Amazon Nova 2 Lite	297	3	nenhum conhecido
Gemini 3.8 Flash	569	4	nenhum, preço-base em dobro a partir de 1 de janeiro de 2027
Claude Sonnet 5.5 (para comparação)	1.517	5	nenhum
Claude Opus 5.5 (para comparação)	3.034	5	nenhum

O Amazon Nova Micro custa um quarto da mediana, o GPT-6 Luna e o Claude Haiku 5.5, cerca de três quartos, e o Gemini 3.8 Flash, quase seis vezes a mediana. Os modelos grandes Claude Sonnet 5.5 e Claude Opus 5.5 ficam entre 15 e 30 vezes a mediana.

O salto de preço do Claude Haiku 5.5

No Claude Haiku 5.5, o comprimento de cada solicitação individual determina a tarifa. A partir de 100.000 tokens no prompt, a solicitação inteira custa o quíntuplo. Partes do prompt armazenadas em cache também contam para o comprimento. Por isso, quem carrega todas as ordens em aberto em um único prompt paga a tarifa alta, e quem as divide em blocos com menos de 100.000 tokens paga a baixa. O GPT-6 Luna tem um limite semelhante em 272.000 tokens, com acréscimo menor. O Gemini Flash e o Flash-Lite não têm esse tipo de limite, nem os modelos Claude maiores a partir da geração 4.6.

• Gemini Flash e Flash-Lite
• GPT-6 Luna
• Claude Haiku 5.5

Fator de preço sobre o preço-base de entrada ↓

Comprimento do prompt em tokens

O acréscimo vale sempre para a solicitação inteira. No GPT-6 Luna, a saída sobe para 1,5 vez. Fonte: OpenAI, Anthropic, Google, dados de 20 de outubro de 2026.

Dados do gráfico

Modelo	Acréscimo com prompts longos
GPT-6 Luna	acima de 272.000 tokens: entrada ×2, saída ×1,5
Claude Haiku 5.5	acima de 100.000 tokens: entrada ×5, saída ×5
Gemini 3.5 Flash-Lite	nenhum
Gemini 3.8 Flash	nenhum, preço-base em dobro a partir de 1 de janeiro de 2027
Amazon Nova 2 Lite	nenhum conhecido
Amazon Nova Micro	nenhum conhecido
DeepSeek V4.1 Flash	nenhum
Qwen3.8 Flash	nenhum conhecido
GLM-5.3-Flash	nenhum conhecido
MiniMax M3.1 Flash	nenhum conhecido

Mesmo preço em todas as nuvens, acréscimo por residência de dados

Entre as grandes nuvens, os preços são muito próximos. O GPT-6 Luna custa no Microsoft Azure e no Amazon Bedrock, com processamento global, o mesmo que diretamente na OpenAI. O Microsoft Foundry cobra os modelos Claude pelos preços de tabela da Anthropic. O Amazon Bedrock e o Google Cloud têm tabelas de preços próprias, e, para os endpoints regionais dessas nuvens, a Anthropic informa um acréscimo de 10% em relação aos globais. O que custa mais é sobretudo o processamento em uma região fixa: o GPT-6 Luna na zona de dados da UE do Azure custa cerca de 20% a mais, o Gemini na multirregião da UE do Google Cloud, cerca de 10% a mais, e o Nova 2 Lite pela rota da UE em Frankfurt, cerca de 40% a mais do que no processamento global nos Estados Unidos.

O que gera economia ou custo adicional

• Lote (batch): quem não precisa dos resultados imediatamente paga metade na OpenAI, na Anthropic, no Google e na Amazon com o processamento em lote. A DeepSeek reduz o preço pela metade fora dos horários de pico, que, nos dias úteis, abrangem boa parte da manhã no horário da Alemanha.
• Cache: partes recorrentes do prompt, como instruções, categorias e exemplos, podem ser armazenadas em cache. Lidas do cache, elas custam cerca de um décimo do preço de entrada na OpenAI, na Anthropic e no Google, e um quarto no Amazon Nova.
• Os tokens não têm o mesmo tamanho em todo lugar: o Claude Haiku 5.5 conta o mesmo texto com cerca de 30% mais tokens do que o antecessor. Por isso, o mesmo preço por token não significa exatamente o mesmo custo por e-mail.
• Troca de modelos: em 8 de outubro de 2026, pouco menos de oito semanas após a disponibilidade geral, o Google anunciou a descontinuação do Gemini 3.7 Flash e redireciona as solicitações para o Gemini 3.8 Flash. O preço deste dobra em 1º de janeiro de 2027. Por isso, preços e versões de modelos devem fazer parte de todo planejamento operacional.

Tokens de raciocínio: o fator de custo invisível

Quase todos os modelos pequenos atuais podem raciocinar antes de responder. Esses tokens de raciocínio não aparecem na resposta, mas são cobrados como saída, e a saída custa, conforme o modelo, de três a oito vezes o valor da entrada. Na maioria dos casos, é possível ajustar quanto um modelo raciocina:

• GPT-6 Luna: de none a max, padrão medium
• Claude Haiku 5.5: de low a max, padrão medium
• Gemini 3.5 Flash-Lite: de minimal a high, padrão minimal
• Amazon Nova 2 Lite: desligado ou de low a high, padrão desligado
• DeepSeek V4.1 Flash: com ou sem raciocínio, padrão com raciocínio
• GLM-5.3-Flash: o raciocínio não pode ser desligado

A diferença é considerável. No conjunto completo de benchmarks da Artificial Analysis, o GPT-6 Luna custou no nível mais alto pouco mais de seis vezes o valor sem raciocínio, e o Claude Haiku 5.5, no nível mais alto, quase dez vezes o valor no nível baixo. No nosso teste prático, o Kimi K2.6 gerou de 3.100 a 7.300 tokens de saída para as mesmas tarefas, enquanto o Gemini 3.7 Flash gerou de 360 a 580. O tempo de espera também aumenta: sem raciocínio, o GPT-6 Luna entrega o primeiro token da resposta após cerca de 0,8 segundo e, no nível mais alto, após cerca de 90 segundos.

Para classificação e extração, geralmente basta o nível mais baixo. Para o Gemini 3.5 Flash-Lite, o Google recomenda expressamente minimal para classificação, roteamento e extração em JSON, mas medium ou high para subagentes com uso de ferramentas em várias etapas, porque, caso contrário, o modelo interrompe as cadeias de ferramentas cedo demais. A forma mais confiável de encontrar o valor adequado é um teste com dados próprios.

• GPT-6 Luna
• Claude Haiku 5.5
• outros modelos pequenos

Intelligence Index ↑

Índice de custos da execução de teste completa, logarítmico ↓

As linhas ligam o nível de raciocínio mais baixo e o mais alto medidos do mesmo modelo. O índice de custos inclui os tokens de raciocínio efetivamente consumidos. Mediana dos pontos mostrados = 100. Para o Amazon Nova, não há custos da execução de teste. Fonte: Artificial Analysis, dados de 20 de outubro de 2026.

Dados do gráfico

Modelo	Nível de raciocínio	Índice de custos da execução de teste ↓, mais baixo é melhor	Intelligence Index ↑, mais alto é melhor
GPT-6 Luna	none	6,0	18,5
Claude Haiku 5.5	low	11	29,5
GPT-6 Luna	max	38	38,1
MiniMax M3.1 Flash	default	89	42,7
GLM-5.3-Flash	max	96	41,8
Claude Haiku 5.5	max	104	43,4
Qwen3.8 Flash	default	114	39,8
Gemini 3.5 Flash-Lite	default	115	22,2
DeepSeek V4.1 Flash	max	140	45,1
Gemini 3.8 Flash	high	510	40,9

Alucinação: perguntas de conhecimento ou trabalho com uma fonte

O quanto um modelo alucina depende da tarefa. É preciso separar duas perguntas: o modelo arrisca um palpite quando não sabe algo? E ele se atém às informações que recebe?

Perguntas de conhecimento sem fonte

Com o AA-Omniscience, a Artificial Analysis mede com que frequência um modelo dá uma resposta errada a perguntas especializadas em vez de admitir que não sabe a resposta. A taxa de alucinação é a proporção de respostas erradas entre todas as perguntas não respondidas corretamente. Quanto menor, melhor.

Modelo	Respondidas corretamente em % ↑, mais alto é melhor	Taxa de alucinação em % ↓, mais baixo é melhor
GLM-5.3-Flash	28	28
Gemini 3.5 Flash-Lite	30	34
Claude Haiku 5.5	33 a 36	40 a 45
Qwen3.8 Flash	25	45
Gemini 3.8 Flash	55	55
Amazon Nova Micro	10	65
DeepSeek V4.1 Flash	43	67
GPT-6 Luna	32 a 44	77 a 85
Amazon Nova 2 Lite	14 a 19	86 a 91
MiniMax M3.1 Flash	56	93

Taxa de alucinação em porcentagem ↓

Proporção de respostas erradas entre todas as perguntas não respondidas corretamente (AA-Omniscience). A parte clara de uma barra mostra a faixa entre os níveis de raciocínio. Fonte: Artificial Analysis, AA-Omniscience, dados de 20 de outubro de 2026.

GLM-5.3-Flash, Gemini 3.5 Flash-Lite e Claude Haiku 5.5 admitem com relativa frequência que não sabem uma resposta. Já GPT-6 Luna, Nova 2 Lite e MiniMax M3.1 Flash geralmente arriscam um palpite. O MiniMax responde corretamente à maioria das perguntas, mas nas demais quase sempre erra com uma resposta inventada.

Trabalho com dados fornecidos

No trabalho rotineiro, geralmente o que importa é a segunda pergunta, pois o modelo tem em mãos o e-mail, a ordem ou o ticket. Aqui o quadro é outro. No teste de grounding do ranking FACTS, do Google DeepMind, que verifica se as respostas são sustentadas por um documento fornecido, o GPT-6 Luna alcança 81 de 100 pontos, o Gemini 3.8 Flash, 73, e o Gemini 3.5 Flash-Lite, 71. Outros fornecedores não aparecem nesse ranking, que é mantido pelo próprio Google. No teste de resumos da Vectara, o Amazon Nova 2 Lite e o Nova Micro acrescentam algo que não está no texto original em apenas cerca de 5% dos resumos, embora arrisquem palpites com especial frequência em perguntas de conhecimento. O Kimi K2.6 chega ali a cerca de 11%, e os demais modelos atuais da comparação ainda não foram medidos.

Por isso, modelos pequenos devem trabalhar com uma fonte fornecida, e não de memória. Se recebem os dados, têm permissão expressa para responder “desconhecido” ou null e são verificados com base em um esquema fixo, o risco de informações inventadas pode ser bem limitado. No nosso teste prático, nenhum modelo inventou uma informação ausente.

Uso de ferramentas em várias etapas

Para agentes, é decisivo que um modelo chame ferramentas corretamente ao longo de várias etapas. As medições independentes dos modelos pequenos atuais ainda têm lacunas. Com o AutomationBench-AA, a Artificial Analysis verifica se um modelo conclui processos de negócio realistas em vários aplicativos simulados, como e-mail, planilhas, CRM e sistema de tickets, e, com o Terminal-Bench 4.0, o trabalho em uma linha de comando. As medições foram feitas principalmente no nível de raciocínio alto ou máximo, e os valores são percentuais de tarefas resolvidas.

Modelo	AutomationBench-AA em % ↑, mais alto é melhor	Terminal-Bench 4.0 em % ↑, mais alto é melhor
MiniMax M3.1 Flash	73	26
DeepSeek V4.1 Flash	67	34
GLM-5.3-Flash	60	33
Gemini 3.8 Flash	60	20
Qwen3.8 Flash	56	25
GPT-6 Luna	53	13
Claude Haiku 5.5	35	33
Gemini 3.5 Flash-Lite	25	1
Amazon Nova 2 Lite	não medido	não medido

AutomationBench-AA, tarefas resolvidas em porcentagem ↑

Processos realistas em vários aplicativos simulados, como e-mail, planilhas, CRM e sistema de tickets, medidos principalmente no nível de raciocínio alto ou máximo. O Amazon Nova 2 Lite não foi medido. Fonte: Artificial Analysis, AutomationBench-AA, dados de 20 de outubro de 2026.

Dados dos fabricantes complementam o quadro. A Anthropic informa para o Claude Haiku 5.5 cerca de 72% no OSWorld 2.1, um teste de operação de interfaces gráficas, e cerca de 49% para o GPT-6 Luna. A Amazon informa para o Nova 2 Lite 60% no Berkeley Function Calling Leaderboard, enquanto o próprio ranking registra 27% e apenas 2% em chamadas de várias etapas. Os modelos Flash chineses resolvem bem tarefas com ferramentas, mas consomem muitos tokens de raciocínio. Um detalhe técnico para desenvolvedores: no GPT-6 Luna, chamadas de ferramentas com raciocínio só funcionam pela Responses API, e, pela Chat Completions, apenas sem raciocínio.

JSON e classificação

No trabalho rotineiro, um modelo deve responder em um formato fixo. Vários fornecedores impõem um esquema JSON já na geração da resposta:

• GPT-6 Luna: segundo a OpenAI, com um esquema JSON estrito a resposta sempre segue o esquema, exceto em caso de recusa ou de resposta truncada.
• Claude Haiku 5.5: os Structured Outputs também impõem o esquema, no Amazon Bedrock pelo endpoint bedrock-runtime.
• Gemini 3.5 Flash-Lite e 3.8 Flash: o esquema JSON é suportado, mas o Google recomenda sempre verificar os valores. Esquemas muito grandes podem ser rejeitados.
• Amazon Nova 2 Lite e Nova Micro: a função Structured Outputs do Bedrock não está disponível. A alternativa passa por um esquema de ferramenta com no máximo dois níveis.
• DeepSeek, Qwen e GLM: segundo os fornecedores, a saída em JSON é suportada. Para o MiniMax M3.1 Flash, não há informação.

Um esquema válido não garante valores corretos. Para classificação, não existe um teste comparativo independente dos modelos pequenos atuais. A precisão depende muito das categorias próprias e só pode ser medida com exemplos próprios.

Teste prático no Hawk IVO Force

Em 20 de outubro de 2026, testamos no Hawk IVO Force quatro modelos com duas tarefas rotineiras típicas. Cada modelo rodou em um agente próprio, sem acesso a conhecimento e sem ferramentas, com a mesma instrução curta. Cada tarefa foi executada duas vezes.

• Triagem de e-mails: doze e-mails em alemão de uma empresa industrial, entre eles uma reclamação, dois e-mails de phishing, uma mensagem automática de ausência e notificações automáticas de status. Foram solicitados a categoria, a prioridade, se uma resposta era necessária e o número do pedido, somente se aparecesse literalmente. Números de item, de fatura e de ticket serviram como armadilhas. Foram avaliados a categoria, a necessidade de resposta e o número do pedido, ao todo 72 valores.
• Ordens de produção: quatro ordens de uma exportação do ERP e uma nota da área de planejamento da produção. Foram solicitados campos, risco e justificativa em JSON. Quatro informações faltavam de propósito, entre elas uma data de entrega, uma máquina e uma capacidade em horas. Uma ordem não poderia ser concluída no prazo, porque o material só chega depois da data de entrega.

Modelo	Triagem de e-mails	Ordens de produção	Tokens de saída por execução ↓
GPT-6 Luna	sem erros	sem erros	760 a 1.330
Gemini 3.7 Flash	sem erros	sem erros, uma vez “Gehaeuse” em vez de “Gehäuse” (o ä alemão escrito como ae)	360 a 580
Kimi K2.6	sem erros	uma vez violou o esquema, risco não avaliado	3.100 a 7.300
GPT-4.1 mini, geração anterior	7 de 72 valores errados	sem erros	300 a 480

O GPT-4.1 mini teria respondido aos dois e-mails de phishing e adotado números de fatura e de ticket como número do pedido. A geração atual não comete mais esses erros. Em uma execução, o Kimi K2.6 aplicou também à avaliação de risco a instrução de definir como null as informações ausentes. Por e-mail, no teste e a preços de tabela, o Gemini Flash custou cerca de cinco vezes o valor do GPT-6 Luna, e o Kimi K2.6, por causa dos muitos tokens de raciocínio, cerca de trinta vezes.

O teste é uma amostra com duas execuções, não um benchmark. O Claude Haiku 5.5 e o Amazon Nova não estavam disponíveis no nosso ambiente de teste. O Gemini 3.7 Flash já teve a descontinuação anunciada, e o Google redireciona as solicitações para o Gemini 3.8 Flash.

Quanto custa o trabalho rotineiro por mês

Quatro casos de uso típicos com estas premissas:

• Escritório: 80 e-mails por dia útil em 22 dias úteis, incluindo notificações de status. Por e-mail, 3.000 tokens de entrada para instruções, categorias, exemplos e o e-mail com o histórico, e 500 tokens de saída para a classificação e um breve rascunho de resposta.
• Produção: 500 ordens de produção em aberto, reavaliadas em cada um dos três turnos, durante 30 dias. Por avaliação, 4.000 tokens de entrada para ordem, roteiro de produção, material e capacidade, e 600 tokens de saída para risco, gargalo e recomendação.
• Site: 1.500 visitas por dia com um agente que observa ações, as classifica e dá uma recomendação. Por visita, seis classificações e uma recomendação, ao todo 16.000 tokens de entrada e 1.000 tokens de saída.
• Tarefa contínua: um agente verifica um status a cada cinco minutos, 24 horas por dia, por exemplo a entrada de tickets, alertas de máquinas ou o status de entregas. Por verificação, 5.000 tokens de entrada e 300 tokens de saída.

O volume de custos mostra quanto custo de modelo um caso de uso gera por mês em relação ao caso do escritório, medido pela mediana dos modelos pequenos:

Caso de uso	Operações por mês	Tokens por operação, entrada / saída	Volume de custos, escritório = 1 ↓, mais baixo é melhor
Escritório	1.760	3.000 / 500	×1
Produção	45.000	4.000 / 600	×33
Site	45.000	16.000 / 1.000	×104
Tarefa contínua	8.640	5.000 / 300	×6

Com 80 e-mails por dia, o custo do modelo praticamente não importa, mesmo com um modelo grande como o Claude Opus 5.5. O que sai caro aqui é um erro, como uma reclamação ignorada ou um e-mail de phishing respondido. Por isso, a confiabilidade importa mais do que o preço. Na produção, no site e nas tarefas contínuas, por outro lado, os volumes crescem rapidamente. Entre um modelo pequeno e um grande, a diferença chega então a um fator de 20 a 40, e entre o GPT-6 Luna e o Gemini 3.8 Flash, a um fator de cerca de 7. Mais tokens de raciocínio aumentam o custo de saída. O cache reduz o custo de entrada, sobretudo no site, onde o contexto da página é o mesmo em todas as solicitações.

Um único prompt com todas as ordens em aberto é a variante mais cara. Com o Claude Haiku 5.5, uma solicitação de 300.000 tokens custa o quíntuplo da mesma quantidade dividida em blocos abaixo do limite. Ao mesmo tempo, a taxa de acerto cai com contextos muito longos: segundo o Google, o Gemini 3.5 Flash-Lite alcança no teste de contexto longo MRCR 72% com 128.000 tokens e 21% com um milhão de tokens. É melhor uma avaliação por ordem ou por grupo.

Modelos pequenos como subagentes

Modelos pequenos são especialmente adequados como subagentes. Um modelo maior planeja a tarefa, a divide e repassa subtarefas claramente delimitadas a modelos pequenos, por exemplo ler documentos, extrair dados, classificar registros ou resumir resultados de busca. Cada subagente trabalha com um contexto pequeno e novo e devolve um resultado conciso, que o modelo maior verifica e consolida. A Anthropic posiciona expressamente o Claude Haiku 5.5 para esse papel.

Isso traz vantagens em vários aspectos:

• Custos: no Claude Haiku 5.5, um token de entrada custa um quadragésimo do que o Claude Opus 5.5 cobra. Assim, justamente a leitura, que consome a maior parte dos tokens, fica barata.
• Velocidade: muitos subagentes trabalham em paralelo.
• Visão geral: o modelo que planeja vê apenas resultados condensados, em vez de milhares de páginas de material bruto.
• Limites de preço: subtarefas pequenas ficam abaixo do limite de 100.000 tokens do Claude Haiku 5.5.

Para que isso funcione, cada subtarefa precisa de um formato de saída fixo, de preferência um esquema JSON. O subagente recebe apenas os dados e as ferramentas que sua subtarefa exige. Para trabalho com ferramentas em várias etapas, é adequado um nível de raciocínio médio, e, para a simples classificação, o mais baixo. Antes que algo seja alterado nos sistemas conectados, o modelo que planeja ou uma pessoa verifica o resultado, como descrito em Introduzir agentes com aprovações.

No Hawk IVO Force, o modelo é uma configuração de cada agente. Assim, um agente de planejamento e coordenação pode trabalhar com um modelo grande, enquanto agentes de triagem, extração ou monitoramento usam um pequeno.

Modelos chineses: baratos, abertos e com questões de proteção de dados

Os modelos Flash chineses são baratos e resolvem bem tarefas com ferramentas. O GLM-5.3-Flash é, entre todos os modelos comparados, o que menos arrisca palpites. O DeepSeek V4.1 Flash e o GLM-5.3-Flash estão disponíveis como pesos abertos sob licença MIT, e o Qwen3.8, em várias variantes abertas. Para empresas na Alemanha, o que mais importa é onde os dados são processados:

• Segundo sua política de privacidade, a DeepSeek processa e armazena na China os dados da própria API. O DeepSeek V4.1 Flash também está disponível na zona de dados da UE do Microsoft Azure, lá com acréscimo de cerca de 20% em relação ao preço global.
• A Alibaba oferece dois escopos em Frankfurt. Somente o escopo da UE mantém o processamento na região, e o Qwen3.8 Flash está listado lá atualmente apenas no escopo global.
• Segundo informações próprias, a Z.ai processa os dados geralmente em Cingapura, e a MiniMax os armazena nos Estados Unidos.
• Pesos abertos podem ser operados internamente. Com várias centenas de bilhões de parâmetros, isso é trabalhoso para DeepSeek e GLM. Mais realista é o Qwen3.8-27B, menor, sob licença Apache 2.0.

O instituto americano NIST examinou versões anteriores do DeepSeek e do Kimi e constatou proximidade com posições do Partido Comunista da China, além de uma maior suscetibilidade a manipulações. Essas características estão no próprio modelo e permanecem na operação própria. Para as versões atuais, falta uma avaliação desse tipo. Na classificação em categorias fixas, isso deve pesar menos do que em textos redigidos livremente. O cartão do modelo GLM-5.3-Flash não menciona o alemão, por isso testes com textos em alemão são especialmente importantes.

Qual modelo para qual tarefa

Dos preços, das medições e do teste prático resulta esta avaliação:

• Triagem de e-mails e classificação com categorias fixas: GPT-6 Luna ou Claude Haiku 5.5 com nível de raciocínio baixo. Ambos custam igualmente pouco. O GPT-6 Luna se ateve de perto à fonte no teste prático e no teste de grounding, enquanto o Claude Haiku 5.5 arrisca palpites com menos frequência diante de lacunas de conhecimento.
• Verificação de ordens de produção e extração de documentos: os mesmos modelos, com uma avaliação por ordem ou por grupo em vez de um prompt muito longo, com esquema JSON e null permitido.
• Agente de site com reação em tempo real: um modelo sem raciocínio ou com raciocínio mínimo, por exemplo o GPT-6 Luna, com o primeiro token após cerca de 0,8 segundo, ou o Nova 2 Lite sem raciocínio, após cerca de 1,1 segundo. Na Artificial Analysis, o Gemini 3.5 Flash-Lite levou cerca de 8 segundos até o primeiro token.
• Tarefas contínuas e subagentes com ferramentas: Gemini 3.8 Flash, GLM-5.3-Flash ou DeepSeek V4.1 Flash para processos de negócio de várias etapas, e Claude Haiku 5.5 para linha de comando e operação de interfaces gráficas, sempre com nível de raciocínio médio.
• Volumes muito grandes de textos muito simples: com um índice de custos de 24, o Amazon Nova Micro é o modelo mais barato da comparação, mas sabe pouco e processa no máximo 128.000 tokens. Ele só é adequado com esquema fixo e após um teste próprio.
• Dados pessoais: escolher o processamento na UE, por exemplo a zona de dados da UE no Azure, a multirregião da UE no Google Cloud ou uma rota da UE no Amazon Bedrock, e prever para isso um acréscimo de 10% a cerca de 40%.

Testar com dados próprios antes de decidir

Neste mercado, versões de modelos e preços mudam a cada poucas semanas. Antes de uma decisão, vale a pena fazer um teste curto com 50 a 100 exemplos próprios. Ele mostra a precisão, a fidelidade ao formato e o consumo real de tokens por operação. Ajudamos você a delimitar uma tarefa adequada, comparar modelos com seus dados e configurar agentes no Hawk IVO Force. Fale conosco se você tem uma tarefa assim em vista.

Preços de tabela e cálculo

Preços de tabela e cálculo (dados de 20 de outubro de 2026)

Preços de tabela públicos dos fornecedores na tarifa padrão com processamento global, em dólares americanos por milhão de tokens. Não são preços do Hawk IVO Force. Os preços mudam com frequência. A referência válida são as páginas de preços dos fornecedores indicadas nos links.

Preços de tabela em dólares americanos por milhão de tokens

Modelo	Entrada	Saída	Acréscimo com prompts longos
GPT-6 Luna	0,10	0,50	acima de 272.000 tokens: entrada ×2, saída ×1,5
Claude Haiku 5.5	0,10	0,50	acima de 100.000 tokens: entrada ×5, saída ×5
Gemini 3.5 Flash-Lite	0,30	2,50	nenhum
Gemini 3.8 Flash	0,75	3,75	nenhum, preço-base em dobro a partir de 1 de janeiro de 2027
Amazon Nova 2 Lite	0,30	2,50	nenhum conhecido
Amazon Nova Micro	0,035	0,14	nenhum conhecido
DeepSeek V4.1 Flash	0,30	1,20	nenhum
Qwen3.8 Flash	0,15	0,47	nenhum conhecido
GLM-5.3-Flash	0,15	0,50	nenhum conhecido
MiniMax M3.1 Flash	0,15	0,60	nenhum conhecido
Claude Sonnet 5.5 (para comparação)	2,00	10,00	nenhum
Claude Opus 5.5 (para comparação)	4,00	20,00	nenhum

Com processamento global, os modelos costumam custar no Microsoft Azure, no Amazon Bedrock e no Google Cloud o mesmo que diretamente no fornecedor. O processamento regional, por exemplo na UE, custa de 10% a cerca de 40% a mais.

Custo do modelo em dólares americanos por mês para os casos de uso do artigo, arredondado, sem cache, processamento em lote nem residência de dados

Modelo	Escritório	Produção	Site	Tarefa contínua
GPT-6 Luna	0,97	32	95	6
Claude Haiku 5.5	0,97	32	95	6
Gemini 3.5 Flash-Lite	4	120	330	19
Gemini 3.8 Flash	7	240	710	42
Amazon Nova 2 Lite	4	120	330	19
Amazon Nova Micro	0,31	10	32	2
DeepSeek V4.1 Flash	3	86	270	16
Qwen3.8 Flash	1	40	130	8
GLM-5.3-Flash	1	41	130	8
MiniMax M3.1 Flash	1	43	140	8
Claude Sonnet 5.5 (para comparação)	19	630	1.890	110
Claude Opus 5.5 (para comparação)	39	1.260	3.780	220

Páginas de preços dos fornecedores

• developers.openai.com (abre em uma nova aba) (openai)
• platform.claude.com (abre em uma nova aba) (anthropic)
• ai.google.dev (abre em uma nova aba) (google)
• aws.amazon.com (abre em uma nova aba) (aws)
• api-docs.deepseek.com (abre em uma nova aba) (deepseek)
• www.alibabacloud.com (abre em uma nova aba) (alibaba)
• docs.z.ai (abre em uma nova aba) (zai)
• platform.minimax.io (abre em uma nova aba) (minimax)