Custos de IA por Cliente: Como Rastrear e Cobrar Consumo de LLMs no seu SaaS

A inclusão de recursos de Inteligência Artificial generativa transformou produtos de software em verdadeiros superpoderes para os usuários: assistentes inteligentes que escrevem e-mails, analisam planilhas, resumem documentos em PDF e automatizam atendimento ao cliente.

No entanto, essa revolução trouxe um desafio financeiro sem precedentes para o modelo de negócios de SaaS: o fim do custo marginal zero.

Se um usuário tradicional do seu software usava o sistema 10 vezes ou 1.000 vezes por dia, o impacto na sua fatura de infraestrutura era de poucos centavos. Mas se um usuário enviar 50 documentos pesados por dia para serem analisados por modelos de fronteira (como Claude 3.5 Sonnet ou GPT-4o), o custo em chamadas de API pode facilmente ultrapassar dezenas de dólares por dia por usuário.

Se você cobra uma mensalidade fixa de R$ 99 ou R$ 199/mês, esse usuário se torna um buraco negro no seu fluxo de caixa.

Neste guia, exploramos como desenhar uma arquitetura de custos de IA viável, escalável e lucrativa.

A precificação clássica de SaaS adora o modelo "All-you-can-eat" (coma à vontade por um preço fixo). Ele é fácil de vender porque o cliente sabe exatamente quanto vai pagar todo mês.

Contudo, aplicar cobrança fixa irrestrita a recursos de LLM gera um descompasso estrutural:

• Sua receita é previsível e limitada: R$ 149/mês.
• Seu custo é imprevisível e ilimitado: $0,0015 por 1k tokens de entrada e $0,015 por 1k tokens de saída, somados a cada nova mensagem.

Empresas que não monitoram esse consumo por cliente com frequência descobrem no fechamento do mês que 10% dos usuários foram responsáveis por 90% da fatura da OpenAI ou Anthropic, corroendo toda a margem de lucro dos outros 90% de clientes que usam o produto com moderação.

Para gerenciar custos, você precisa entender como as faturas de IA são calculadas:

1. 1Tokens de Entrada (Prompt / Context Tokens): O texto enviado na requisição (incluindo o System Prompt, histórico da conversa, exemplos de few-shot e documentos recuperados via RAG). Geralmente custam entre um terço e um quarto do valor dos tokens de saída.
2. 2Tokens de Saída (Completion Tokens): As palavras geradas pelo modelo na resposta. São os mais caros em termos de poder computacional de GPUs.
3. 3Tokens de Raciocínio (Reasoning / Thinking Tokens): Modelos avançados de raciocínio (como OpenAI o1/o3 ou Gemini 2.0 Flash Thinking) geram centenas ou milhares de tokens internos de reflexão antes de emitirem a resposta final. Esses tokens são cobrados integralmente na fatura!
4. 4Chamadas de Ferramentas (Tool / Function Calling): Quando o modelo chama ferramentas sucessivas em loop (agentes autônomos), cada ciclo reenvia todo o histórico da conversa de volta ao modelo, multiplicando o consumo exponencialmente.

Como cobrar do cliente sem afugentar novos cadastros? Existem três modelos consagrados:

Modelo A: Plano Fixo com Cotas Mensais (Soft or Hard Caps) * O cliente tem direito a 500 créditos de IA por mês incluídos no plano Pro. * Quando atinge 100%, o sistema bloqueia novas chamadas ou reduz temporariamente a velocidade/inteligência (fallback para modelos mais leves como GPT-4o-mini ou Claude 3.5 Haiku). * Excelente previsibilidade tanto para o cliente quanto para o SaaS.

Modelo B: Carteira de Créditos Pré-pagos (Top-up Wallets) * Muito utilizado em ferramentas de design, vídeo e processamento de documentos. * O cliente compra pacotes de créditos avulsos (ex: R$ 50 por 10.000 créditos de IA). * Elimina 100% o risco de inadimplência ou consumo excedente sem cobertura financeira.

Modelo C: Markup Direto sobre o Consumo (Pass-through + Margem) * Ideal para soluções B2B corporativas. * O cliente paga uma taxa base de software (ex: R$ 1.500/mês de licença) + o valor exato consumido em tokens acrescido de uma margem bruta definida (ex: custo real + 35%).

Antes de repassar custos para o cliente, sua engenharia deve esgotar as otimizações técnicas disponíveis:

1. Prompt Caching (Economia de até 75% a 90%) Se o seu assistente utiliza um System Prompt detalhado ou uma base de conhecimento fixa de 20.000 tokens em toda mensagem: * Tanto a **Anthropic (Prompt Caching)** quanto a **OpenAI e Google** oferecem cache de contexto. * Tokens cacheados custam entre **75% e 90% menos** do que tokens normais de entrada e reduzem a latência pela metade! * Garanta que o início do seu prompt permaneça idêntico entre chamadas para maximizar o índice de acerto do cache.

2. Model Cascading (Roteamento Inteligente) Não use uma bazuca para matar uma mosca. Classifique a complexidade da intenção do usuário antes de chamar o modelo principal: * Classificação simples, extração de JSON e triagem: use modelos ultra-rápidos e baratos (como **Claude 3.5 Haiku**, **GPT-4o-mini** ou **Gemini 2.0 Flash** — frações de centavo por milhão de tokens). * Raciocínio profundo, geração de contratos e análise crítica: roteie para **Claude 3.5 Sonnet** ou **GPT-4o**.

3. Semantic Caching Se diferentes usuários fazem perguntas semelhantes ("Como redefinir minha senha?", "Qual a política de cancelamento?"), armazene as respostas anteriores em um banco vetorial. Se a similaridade de cosseno for acima de 0,96, retorne a resposta salva sem fazer nenhuma chamada externa à LLM.

Para saber com precisão cirúrgica quanto cada cliente gasta, você precisa rastrear eventos de uso no momento em que a requisição acontece.

O ecossistema DuckLedger disponibiliza o pacote oficial `@duckledger/usage` para aplicações Node.js e TypeScript:

const usage = new DuckLedgerUsage({ apiKey: process.env.DUCKLEDGER_USAGE_KEY!, });

// Exemplo de execução com rastreamento por usuário e workspace export async function generateDocumentSummary(workspaceId: string, userId: string, text: string) { return await usage.withTrace( { kind: 'ai_generation', name: 'Resumo de Contrato PDF', subject: userId, workspaceId: workspaceId, }, async (trace) => { trace.step('callAnthropicApi');

const response = await anthropic.messages.create({ model: 'claude-3-5-sonnet-20241022', max_tokens: 1000, messages: [{ role: 'user', content: text }], });

// Registra o evento de custo de tokens consumidos usage.track({ type: 'ai.tokens_spent', workspaceId, data: { provider: 'anthropic', model: 'claude-3-5-sonnet', prompt_tokens: response.usage.input_tokens, completion_tokens: response.usage.output_tokens, cached_tokens: response.usage.cache_read_input_tokens ?? 0, }, });

return response.content[0].text; } ); } ```

O SDK agrupa eventos em lotes em segundo plano com retry automático, sem adicionar latência perceptível à experiência do seu usuário final.

Com os dados de uso chegando na plataforma, o DuckLedger cruza o faturamento do gateway (ex: R$ 499 do plano mensal do cliente no Asaas ou Stripe) com o custo real consolidado dos tokens consumidos.

No painel do DuckLedger, você tem: * Ranking de clientes mais lucrativos vs clientes mais caros. * Alertas automáticos de margem de risco: Notificações imediatas quando um workspace atinge 70%, 90% ou 100% da margem esperada no mês. * Unit Economics por funcionalidade: Descubra se aquele recurso novo de geração de relatórios com IA é financeiramente sustentável ou se precisa de ajustes de limites.

Inteligência artificial não precisa ser um risco para o seu caixa. Com métricas transparentes e controle financeiro na ponta do lápis, ela se torna sua maior alavanca de crescimento sustentável.