Seus engenheiros escolheram seus agentes de código. Ninguém escolheu as configurações sobre as quais esses agentes rodam — e são essas configurações que decidem qual modelo responde, quanto da conversa é reenviado a preço cheio e quantos subagentes são disparados por trás de uma única tecla. Um preprint da Accenture Responsible AI reprecificou cerca de 10.000 sessões reais de agentes retiradas de conjuntos de dados públicos e constatou que mover o trabalho para o modelo capaz mais barato, sem perturbar nenhuma conversa em andamento, recupera de 13 a 21% do gasto agêntico com modelos (Kwartler, Aqrawi e Abbasi, 2026).
O número transferível não é o percentual. É o denominador que está embaixo dele: 41 dólares por engenheiro por dia ativo.
O produto que executa os seus agentes de código é uma decisão de compra que ninguém tomou
O termo que o artigo usa para o produto que executa um agente é harness — Claude Code, Codex e outros dezenove que os autores mapeiam em uma matriz de acoplamento construída a partir de arquivos de licença e documentos de configuração. Quase nenhuma empresa constrói o seu. Elas adotam o que o fornecedor do modelo entrega junto com as licenças, nas configurações padrão.
É ali que o dinheiro é decidido. Um harness escolhe qual modelo responde a um dado turno, quanto contexto esse modelo lê, como o cache de prompts é usado e quais subagentes rodam. Na formulação dos autores, ele portanto escolhe a tarifa na tabela de preços e fixa o volume comprado a essa tarifa. As duas metades da fatura, escolhidas por um arquivo de configuração que ninguém revisou.
Compare isso com a forma como a mesma organização trata uma linha de software de 30.000 euros: avaliação do fornecedor, questionário de segurança, um responsável com nome. O harness dos agentes chegou por um orçamento de ferramentas de desenvolvimento e hoje movimenta um número uma ordem de magnitude maior, sem responsável algum.
O que a reprecificação encontrou
Os autores construíram um roteador, colocaram-no entre o harness e o endpoint do modelo e emularam uma empresa de 10.000 postos usando comportamentos medidos em sessões reais — correções, pausas e lançamentos de subagentes incluídos.
| Medida | Resultado |
|---|---|
| Gasto anual com modelos no estado atual, 10.000 postos | US$ 24,4 mi, ou US$ 41 por engenheiro por dia ativo |
| Recuperado pelo roteamento que preserva o cache | 13 a 21%, equivalente a US$ 3,3 a 5,1 mi por ano |
| Sessões reais longas mais baratas no modelo de ponta do que no nível abaixo | 51 a 80% |
| Parcela da economia total vinda desse único cruzamento | cerca de três quartos |
Leia a faixa com atenção, porque ela não é um intervalo de confiança. Os US$ 3,3 mi são o que o classificador real dos autores entrega; os US$ 5,1 mi são o que um classificador perfeito entregaria. A diferença entre esses dois números é a qualidade das suas decisões de roteamento, não ruído estatístico.
Uma linha dos resultados torna o mecanismo concreto: uma alteração de uma única linha dentro de uma sessão longa de código cai de US$ 0,90 para US$ 0,36. Não porque o modelo tenha ficado mais barato. Porque a solicitação parou de arrastar uma conversa inteira atrás de si.
Um terço da fatura é retrabalho, não trabalho
O achado com maior chance de sobreviver a uma reprecificação na sua própria empresa não tem nada a ver com roteamento.
Na emulação, as correções — os turnos em que alguém diz ao agente que ele errou e ele tenta de novo — respondem por mais de um terço da fatura no estado atual. Retire-as e o gasto mensal cai de US$ 2,03 mi para US$ 1,31 mi. As correções são também o motivo mais frequente pelo qual as pessoas interrompem um agente de código: 32% das interrupções na amostra do fornecedor que os autores citam.
É o mesmo formato do achado sobre custo de agentes publicado pela QuantumBlack da McKinsey no início do ano: para um agente de atendimento ao cliente em banco, os custos de tokens são 20 a 25% do custo variável de operação de um agente, enquanto a supervisão humana responde por 70 a 75% (McKinsey QuantumBlack, 2026). Carga de trabalho diferente, método diferente, mesma conclusão: a parte cara de um agente é a parte em que um humano precisa revisar o que ele produziu.
Há um sinal de qualidade apontando na mesma direção. A análise da GitClear sobre 623 milhões de alterações de código entre 2023 e 2026 encontrou duplicação de blocos em alta de 81%, copiar e colar dentro do mesmo commit em alta de 41%, construções que mascaram erros em alta de 47%, e movimentações de linhas por refatoração em queda de 70% (GitClear, 2026). Vale emprestar o termo que eles cunharam para o resultado: componentes perpetuamente em V1 — código que entra em produção e nunca é consolidado, porque ninguém refatora aquilo que um agente pode regenerar.
Retrabalho você paga duas vezes: uma na fatura, outra na base de código.
Preço por token não é custo por tarefa
O resultado do cruzamento é o contraintuitivo, e é o que quebra o instinto de qualquer líder de operações atento a custos.
Em sessões longas e intensivas em ferramentas, o modelo mais caro custa menos por sessão do que o nível abaixo — em 51 a 80% das sessões reais que custam US$ 100 ou mais. O mecanismo é o cache: um modelo de ponta que lê contexto em cache pela metade da tarifa do nível abaixo vence em qualquer sessão que releia seu histórico vezes suficientes, e trabalho agêntico relê constantemente. O artigo é direto sobre a dependência: retire o modelo de topo e toda a economia desaba de 13% para 3,1%, porque o cruzamento precisa dele.
Portanto "movemos todo mundo para o modelo barato" não é um programa de custos. É uma aposta de que suas sessões são curtas.
O cache é o medidor oculto
Três detalhes de configuração do artigo valem mais, para uma empresa de 200 pessoas, do que o percentual da manchete.
Primeiro, a duração do cache. O cache de um agente de código sobrevive uma hora em uma assinatura de consumo, mas cinco minutos com chaves de API e provedores de nuvem — que é exatamente como um gateway corporativo se conecta. A Anthropic documenta as duas opções e precifica o cache de uma hora ao dobro dos tokens de entrada básicos na escrita (Anthropic, 2026). Em dois corpora públicos de sessões reais, 17 a 27% dos turnos de usuário chegaram após uma pausa de mais de cinco minutos. Cada um desses turnos reconstrói o cache a frio e a preço cheio. O TTL mais longo não é gratuito, mas é quase certamente mais barato do que o que a configuração padrão está fazendo com você.
Segundo, o próprio gateway. Se o proxy entre o harness e o modelo remove os marcadores de cache ou os cabeçalhos beta, o fornecedor cobra a conversa inteira como entrada sem cache em cada turno. É uma perda silenciosa e total do cache, causada por uma peça de infraestrutura de rede funcionando corretamente.
Terceiro, padrões de contexto por função. Dez mil retornos a frio a um histórico de 300.000 tokens custam US$ 18.750 só para reenviá-lo; podá-lo antes para 30.000 tokens custa US$ 1.875. Um engenheiro no meio de uma tarefa pode realmente precisar de todo o histórico. Uma pessoa de marketing revisando um rascunho não precisa do raciocínio por trás da versão anterior. Um limite único para todos é uma decisão de preço disfarçada de configuração padrão.
A objeção honesta
Quatro limites, ditos sem rodeios.
É um preprint, e a versão importa. O arXiv 2609.28919 foi publicado em 24 de setembro de 2026 e revisado em 26 de setembro. A revisão mudou o número principal de 14-21% para 13-21%, a economia de US$ 5,0 mi para US$ 5,1 mi, e trocou o título do artigo. Não concluiu revisão por pares. Se você viu os números anteriores citados em outro lugar, são os da v1.
É uma emulação, não uma fatura auditada. Os autores modelam uma empresa de 10.000 postos usando comportamentos extraídos de corpora públicos de sessões, não a fatura de uma empresa específica. São francos ao dizer que seus cenários sub-representam os turnos mais curtos — um quarto das solicitações reais está em sessões de menos de sete solicitações, contra 3,8% das deles — e que sessões com o formato de um de seus corpora de referência levariam os 13% para cerca de 9%.
A aritmética está presa a uma única tabela de preços. Tudo repousa nos preços de tabela da Anthropic de 21 de setembro de 2026. Sob um regime uniforme de leitura de cache, o cruzamento desaparece e a economia cai para 6%. Fornecedores reprecificam com pouco aviso. O que se transfere é o método, não o número.
O roteamento em si é imperfeito. O classificador acerta a complexidade apenas em 63% das vezes, e 12,5% dos turnos que ele moveu foram rebaixamentos equivocados, enviados abaixo do nível que o trabalho exigia. Afrouxar seu limiar de 0,8 para 0,5 move 46% mais turnos e derruba a economia para 10%, porque as cadeias de correção custam mais do que as movimentações economizam. Roteamento agressivo é a forma de comprar retrabalho.
E a cautela mais ampla: se o custo de tokens é de fato um quarto do custo variável de operação de um agente, então recuperar 13 a 21% da linha de tokens equivale a recuperar algo como 3 a 5% do que o agente realmente custa a você. Vale ter. Não é uma estratégia.
O que mudar neste trimestre
Quatro movimentos. Nenhum é uma compra, e apenas um é técnico.
- Tire da sua própria fatura o número por engenheiro por dia ativo. É esse o exercício inteiro. Aos US$ 41 da emulação, trinta engenheiros ao longo de cerca de 220 dias ativos chegam perto de US$ 271.000 por ano; à média de cerca de US$ 13 relatada pelo fornecedor, perto de US$ 86.000 — é a minha aritmética sobre a unidade deles, não um achado deles, e justamente essa amplitude é a razão para medir em vez de supor.
- Dê à configuração do harness um responsável com nome, no mesmo nível de qualquer outro gasto desse tamanho. Hoje as configurações padrão pertencem a quem as entregou.
- Verifique três configurações antes de considerar roteamento: o TTL do cache, se o seu gateway encaminha os marcadores de cache sem alterá-los, e se os limites de contexto variam por função. A própria ordem de recomendações do artigo coloca isso antes de qualquer roteador, porque um roteador atrás de um gateway que remove cache não economiza nada.
- Troque a métrica de custo por token ou custo por posto para custo por tarefa verificada — a unidade que inclui a cadeia de correção. É a recomendação final dos autores e é o único número que se move quando o trabalho fica de fato melhor em vez de mais barato.
Esse último é mais difícil do que parece, porque exige que o custo de um pedaço de trabalho de um agente e o registro de que um humano o aceitou vivam no mesmo lugar. Vale olhar como a Scovai estrutura isso na sua superfície de Digital Employees: três fontes de custo mantidas deliberadamente separadas — o que você paga na fatura, o que os contadores da própria plataforma medem e o que o fornecedor declara — com tetos mensais e por transação atrelados ao posto em vez da ferramenta, e uma regra declarada de que, onde um número não existe, a superfície diz isso em vez de imprimir zero.
A conclusão incômoda deste artigo é que o maior custo variável de tecnologia que a maioria das empresas vai adicionar nesta década está hoje sendo definido por um arquivo de configuração que chegou junto com uma ferramenta de desenvolvimento. Não por uma negociação com fornecedor, não por um orçamento, não pela decisão de ninguém.
Então descubra, antes de o trimestre fechar, quanto os seus agentes de código realmente custam por engenheiro por dia ativo — e quem, pelo nome, tem permissão para mudar as configurações que decidem isso. Se a resposta à segunda pergunta for ninguém, você localizou o problema, e ele nunca foi o preço por token.
