O preço de um nível fixo de desempenho de IA caiu cerca de 1,000x em três anos (a16z, LLMflation 2024) — a saída com qualidade equivalente ao GPT-3, que custava $60 por milhão de tokens no fim de 2021, era vendida por $0.06 no fim de 2024. O AI Index 2025 da Stanford HAI mediu uma queda de 280 vezes para qualidade equivalente ao GPT-3.5 em cerca de 18 meses (Stanford HAI, AI Index 2025). A Epoch AI acompanha um declínio mediano de cerca de 50x por ano entre os benchmarks, acelerando para 200x por ano desde janeiro de 2024 (Epoch AI, LLM Inference Price Trends 2025). Ainda assim, o gasto total está subindo na direção oposta: a The Information reportou que a conta de inferência de 2025 da OpenAI ficou perto de $8.4 bilhões, cerca de quatro vezes o ano anterior. Esta análise consolida dados da Epoch AI, Stanford HAI, a16z, Google, NVIDIA, Menlo Ventures e mais 12 outras fontes primárias sobre a situação da economia de inferência em meados de 2026.
TL;DR
- A saída equivalente ao GPT-3 caiu de $60 por milhão de tokens em 2021 para $0.06 em 2024, uma queda de 1,000x (a16z, LLMflation 2024).
- Consultar qualidade equivalente ao GPT-3.5 caiu de $20 para $0.07 por milhão de tokens, um corte de 280 vezes em cerca de 18 meses (Stanford HAI, AI Index 2025).
- O declínio de preço-desempenho em benchmarks varia de 9x a 900x por ano; mediana de 50x, subindo para 200x desde janeiro de 2024 (Epoch AI, 2025).
- O progresso isolado de eficiência algorítmica corre a cerca de 3x por ano, além dos ganhos de hardware (The Price of Progress, arXiv 2025).
- O aluguel sob demanda médio de mercado da NVIDIA H100 foi de cerca de $3.61 por hora de GPU entre 42 provedores em 2026 (getdeploying, 2026).
- A GB300 NVL72 da NVIDIA atingiu $0.12 por milhão de tokens, descrito como um custo por token 35x menor do que a Hopper (NVIDIA, InferenceMAX 2025).
- O Google processou 3.2 quadrilhões de tokens por mês em meados de 2026, cerca de 7x ano a ano (Google I/O 2026).
- O gasto empresarial com APIs de LLM dobrou de $3.5 bilhões para $8.4 bilhões em seis meses (Menlo Ventures, 2025).
- O custo de inferência de 2025 da OpenAI chegou a cerca de $8.4 bilhões, aproximadamente 4x o ano anterior (The Information, 2025).
- A infraestrutura combinada de treinamento e inferência foi dimensionada em $251 bilhões em 2025, crescendo para $672 bilhões até 2029 (Bloomberg Intelligence, via Cerebras S-1 2026).
- O prompt mediano de texto do Gemini usa 0.24 watt-hora, uma queda de 33x em 12 meses (Google, 2025).
1. O Colapso de Preços para Desempenho Equivalente
O número de destaque na economia de inferência não é um preço isolado — é a inclinação da curva. Para uma barra de qualidade fixa, o custo de rodar um modelo vem caindo pela metade numa escala de meses, não de anos, e a queda se intensificou desde o início de 2024. A divergência entre benchmarks importa: a qualidade commodity barata está caindo mais rápido, enquanto a qualidade de raciocínio de fronteira mantém seu preço. A Epoch AI mede um declínio mediano de 50x por ano, saltando para 200x por ano quando restrito a dados desde janeiro de 2024. O piso continua caindo porque três forças se somam: competição, silício melhor e algoritmos melhores. Isolando o último fator, uma equipe de pesquisa colocou a eficiência algorítmica pura em cerca de 3x por ano.
| Métrica | Valor | Fonte |
|---|---|---|
| Preço de qualidade equivalente ao GPT-3 (MMLU ~42) | $60/M tokens (Nov 2021) to $0.06/M (2024), a 1,000x drop | a16z, LLMflation (2024) |
| Taxa de LLMflation para desempenho igual | ~10x cheaper per year | a16z, LLMflation (2024) |
| Preço de qualidade equivalente ao GPT-3.5 (MMLU 64.8%) | $20/M (Nov 2022) to $0.07/M (Oct 2024), 280-fold | Stanford HAI, AI Index (2025) |
| Declínio de preço-desempenho entre benchmarks | 9x to 900x per year; median 50x | Epoch AI, Inference Price Trends (2025) |
| Aceleração pós-janeiro de 2024 | Median 200x per year | Epoch AI, Inference Price Trends (2025) |
| Qualidade GPT-4 no GPQA Diamond | 40x per year price drop | Epoch AI, Inference Price Trends (2025) |
| Declínio de preço em benchmarks de fronteira | 5x to 10x per year | The Price of Progress (arXiv, 2025) |
| Progresso isolado de eficiência algorítmica | ~3x per year | The Price of Progress (arXiv, 2025) |
Fora da curva: o próprio conjunto de dados da Epoch por trás desses números se baseia em 36 observações únicas de preço em seis benchmarks, então taxas de um único benchmark (o extremo de 900x) são mais ruidosas do que a mediana agrupada.
2. Hardware e Economia das GPUs
Os preços em queda dos tokens surfam sobre os preços em queda da computação. As taxas de aluguel da workhorse NVIDIA H100 continuaram deslizando ao longo de 2025 e em 2026, conforme nuvens especializadas subcotavam as hyperscalers, e cada nova geração de acelerador redefine o piso de custo por token. Os benchmarks InferenceMAX da NVIDIA, publicados em outubro de 2025, colocam a GB300 NVL72 em $0.12 por milhão de tokens — um custo por token 35x menor do que a geração Hopper. O enquadramento do fornecedor é promocional, então trate os múltiplos como cenário otimista, mas a direção bate com os rastreadores de preços independentes abaixo. A Gartner projeta que a tendência se estende por anos: a inferência num modelo de um trilhão de parâmetros deve custar mais de 90% menos em 2030 do que em 2025.
| Métrica | Valor | Fonte |
|---|---|---|
| Média sob demanda da H100, 42 provedores | ~$3.61 per GPU-hour | getdeploying (2026) |
| Queda do preço da H100 na nuvem em relação ao pico | 64% to 75% | GPU price trackers (2026) |
| Corte de preço da H100 na AWS, junho de 2025 | ~44% | GPU price trackers (2026) |
| Crescimento de desempenho de hardware de ML | 43% per year, doubling every 1.9 years | Stanford HAI, AI Index (2025) |
| Declínio de custo de hardware de ML / eficiência energética | -30% per year / +40% per year | Stanford HAI, AI Index (2025) |
| Custo por token da NVIDIA GB300 NVL72 | $0.12/M, 35x lower than Hopper | NVIDIA, InferenceMAX (2025) |
| Custo por milhão de tokens da Blackwell | 15x lower than prior generation | NVIDIA, InferenceMAX (2025) |
| Custo projetado para 2030, inferência de modelo de 1T de parâmetros | >90% lower vs 2025 | Gartner (2025) |
Contexto: a mesma divulgação da NVIDIA afirma que uma instalação de $5 milhões em GB200 NVL72 gera cerca de $75 milhões em receita de tokens, um retorno de 15x — um discurso de ROI do fornecedor, não uma auditoria independente. Para o panorama mais amplo do silício, veja nossas estatísticas de chips de IA.
3. A Explosão de Tokens
Tokens mais baratos não encolheram a conta; eles detonaram a demanda. Conforme os preços por token caíam, os provedores passaram a medir o throughput em quadrilhões, e cargas de trabalho agênticas que disparam dezenas de chamadas por tarefa empurram o volume ainda mais para cima. O Google reportou o processamento de 3.2 quadrilhões de tokens por mês em meados de 2026, cerca de 7x sua taxa de um ano antes. Isso é o paradoxo de Jevons em tempo real: quanto mais eficiente o recurso, mais dele é consumido. A Gartner observa que consultas agênticas sozinhas consomem de 5 a 30 vezes mais tokens do que um turno padrão de chatbot, então a curva de volume está se intensificando conforme os produtos migram de respostas únicas para agentes de múltiplas etapas.
| Métrica | Valor | Fonte |
|---|---|---|
| Throughput de tokens do Google | 3.2 quadrillion/month (mid-2026), 7x YoY | Google I/O (2026) |
| Crescimento de tokens do Google | 480T/month (May 2025) to 980T (July 2025) | T. Tunguz, Token Race (2025) |
| Throughput do Microsoft Foundry | 100T tokens in a quarter; 50T single-month record | T. Tunguz, Token Race (2025) |
| Contagem de grandes clientes da Microsoft | 250+ customers on track for >1T tokens/year each | Microsoft, via T. Tunguz (2025) |
| Throughput da Together.ai | 2 trillion tokens/day (Sept 2025) | T. Tunguz, Token Race (2025) |
| Fatia de código aberto no volume de inferência | ~1% to 3% | T. Tunguz, Token Race (2025) |
| Multiplicador de tokens de consultas agênticas | 5x to 30x more tokens than a chatbot query | Gartner (2025) |
Contexto: a IA agêntica respondeu por menos de 1% da atividade geral de inferência do Azure na janela citada, então o multiplicador de 5x a 30x é aplicado a uma base pequena, mas de rápido crescimento. Para onde essas cargas de trabalho seguem, veja nossas estatísticas de agentes de IA.
4. Gasto Empresarial e o Paradoxo da Margem
Eis o paradoxo em uma frase: os preços unitários estão em colapso, mas compradores e vendedores estão gastando mais dos dois lados. As empresas transferiram orçamento da experimentação para a produção sempre ativa, onde a inferência nunca para. A Menlo Ventures constatou que 74% dos construtores de IA agora dizem que a maioria de suas cargas de trabalho é inferência, ante 48% um ano antes. Do lado do fornecedor, a inferência é a linha de custo dominante: a The Information reportou que a conta de inferência de 2025 da OpenAI ficou perto de $8.4 bilhões, aproximadamente quatro vezes o ano anterior e bem acima de sua própria previsão de $6.6 bilhões. As margens são o ponto de pressão — a mesma reportagem colocou a margem bruta da OpenAI em 33%, abaixo de sua meta de 46%.
| Métrica | Valor | Fonte |
|---|---|---|
| Gasto empresarial com APIs de LLM | $3.5B (late 2024) to $8.4B (mid-2025) | Menlo Ventures (2025) |
| Construtores com cargas de trabalho majoritariamente de inferência | 74%, up from 48% a year earlier | Menlo Ventures (2025) |
| Investimento empresarial em IA generativa | $1.7B (2023) to $37B (2025) | Menlo Ventures (2025) |
| Custo de inferência de 2025 da OpenAI | ~$8.4B, ~4x YoY (vs $6.6B forecast) | The Information (2025) |
| Projeção de custo de inferência de 2026 da OpenAI | ~$14.1B | The Information (2025) |
| Custo de inferência de 2025 da Anthropic | ~$2.7B, >3x growth | The Information (2025) |
| Margem bruta da OpenAI | 33% (fell from 40%, missed 46% target) | The Information (2025) |
| Capex de chips de inferência para consumidor do Barclays, 2026 | ~$120 billion | Barclays Research (2025) |
Contexto: o negócio de API da Anthropic é reportado como operando com margens brutas acima de 80%, um lembrete de que a história de que ‘a inferência dá prejuízo’ depende do mix de modelos e da precificação, não é universal. Para a economia de software por trás disso, veja nossas estatísticas de SaaS.
5. Alavancas de Custo: Modelos Abertos, Caching e Batch
Os preços de tabela superestimam o que equipes disciplinadas realmente pagam. Modelos de peso aberto, caching de prompts e batching assíncrono cortam o custo efetivo em uma ordem de grandeza cada um, e eles se acumulam. O R1 da DeepSeek roda cerca de 96% mais barato do que o o1 da OpenAI numa base por token, uma diferença de cerca de 27x. O nível de fronteira conta a história oposta: o preço de output do o1 da OpenAI, de $60 por milhão de tokens, é idêntico ao que o GPT-3 custava no lançamento em 2021, então o raciocínio premium não ficou mais barato mesmo com a qualidade commodity despencando. As economias estão nas alavancas abaixo.
| Métrica | Valor | Fonte |
|---|---|---|
| Preço de API do DeepSeek R1 | $0.55/M input, $2.19/M output | DeepSeek pricing (2026) |
| Preço de API do OpenAI o1 | $15/M input, $60/M output | pricepertoken (2026) |
| DeepSeek R1 vs. OpenAI o1 | ~96% cheaper (~27x) | pricepertoken (2026) |
| Output do OpenAI o1 vs. lançamento do GPT-3 | $60/M, identical to 2021 GPT-3 | a16z, LLMflation (2024) |
| Input em cache do DeepSeek R1 | $0.14/M tokens | DeepSeek pricing (2026) |
| Input em cache do DeepSeek V4 | $0.03/M tokens, a 90% discount | DeepSeek pricing (2026) |
| Desconto da Batch API da OpenAI | Flat 50% for a 24-hour window | OpenAI Batch API (2026) |
| Cache + batch, input em cache do GPT-5.4 | $0.625/M, 75% below standard | OpenAI Batch API (2026) |
Fora da curva: tokens de output são precificados de 3x a 5x mais caros do que tokens de input entre os principais provedores porque a geração é sequencial enquanto o processamento de input paraleliza, então o caching ajuda mais as cargas de trabalho pesadas em input. Para como os modelos de peso aberto remodelam isso, veja nossas estatísticas de computação em nuvem.
6. Tamanho de Mercado e Previsões
O dimensionamento agregado do mercado de inferência de IA é amplo, porque analistas traçam a fronteira de forma diferente — alguns contam só chips de inferência, outros a pilha completa de software mais serviços. Trate a dispersão como uma faixa, não como uma contradição. A Bloomberg Intelligence, citada no S-1 da Cerebras, dimensionou o mercado combinado de infraestrutura de treinamento e inferência em $251 bilhões em 2025, crescendo para $672 bilhões até 2029, com a inferência se expandindo mais do que duas vezes mais rápido do que o treinamento. A fatia mais estreita de chips de inferência cresce de forma constante em vez de explosiva, enquanto definições amplas de ‘inferência de IA’ pousam perto de um quarto de trilhão de dólares até 2030.
| Métrica | Valor | Fonte |
|---|---|---|
| Mercado de inferência de IA, 2025 a 2030 | $106.15B to $254.98B, 19.2% CAGR | MarketsandMarkets (2025) |
| Mercado de inferência de IA, 2024 a 2030 | $97.24B to $253.75B, 17.5% CAGR | Grand View Research (2025) |
| Mercado de inferência de IA, 2026 a 2034 | $117.80B to $312.64B, 12.98% CAGR | Fortune Business Insights (2026) |
| Mercado de chips de inferência de IA, 2026 a 2030 | $20.51B to $36.97B, 15.9% CAGR | The Business Research Company (2026) |
| Infraestrutura combinada de treinamento + inferência, 2025 a 2029 | $251B to $672B, ~28% CAGR | Bloomberg Intelligence, via Cerebras S-1 (2026) |
| Crescimento de inferência vs. treinamento | Inference grows >2x faster | Bloomberg Intelligence, via Cerebras S-1 (2026) |
Nota de divergência: as estimativas para 2030 de ‘inferência de IA’ variam de cerca de $255B (MarketsandMarkets) a $313B até 2034 (Fortune Business Insights); a diferença reflete divergências de escopo e de ano-base, não um erro nos dados.
7. Energia e Custo por Consulta
A pegada de recursos por consulta está caindo tão rápido quanto o preço em dólares, e 2025 foi o ano em que o maior provedor finalmente publicou números. O Google revelou que seu prompt mediano de texto do Gemini usa 0.24 watt-hora de eletricidade — e que esse número caiu 33x nos 12 meses anteriores. Estimativas independentes ficam na mesma vizinhança, o que é uma verificação cruzada útil sobre as contas do fornecedor. A ressalva tem peso: são medianas, e tarefas complexas de raciocínio ou agênticas consomem de vários a dezenas de watt-hora, então a conta média sobe conforme os produtos migram para cargas de trabalho mais pesadas.
| Métrica | Valor | Fonte |
|---|---|---|
| Energia do prompt mediano de texto do Gemini | 0.24 watt-hours | Google Cloud (2025) |
| Água / carbono do prompt mediano do Gemini | 0.26 mL / 0.03 gCO2e | Google Cloud (2025) |
| Energia por prompt mediano do Gemini, variação em 12 meses | Fell 33x | Google Cloud (2025) |
| Carbono por prompt mediano do Gemini, variação em 12 meses | Fell 44x | Google Cloud (2025) |
| Energia média de consulta do ChatGPT | ~0.34 watt-hours | OpenAI (Sam Altman, 2025) |
| Estimativa de consulta típica | ~0.3 watt-hours | Epoch AI (2025) |
| Energia de consulta complexa / agêntica | Several to tens of watt-hours | Google Cloud (2025) |
Contexto: a divulgação do Google cobre a energia de todo o sistema, incluindo capacidade ociosa e overhead do data center (PUE), uma fronteira mais ampla do que os números apenas de chip frequentemente citados em outros lugares, então não é diretamente comparável a estimativas de guardanapo.
Resumo: O Custo de Inferência de IA em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Preço equivalente ao GPT-3 | $60/M (2021) to $0.06/M (2024), 1,000x | a16z, LLMflation (2024) |
| Preço equivalente ao GPT-3.5 | 280-fold drop, late 2022 to Oct 2024 | Stanford HAI, AI Index (2025) |
| Declínio de preço entre benchmarks | Median 50x/year; 200x/year since Jan 2024 | Epoch AI (2025) |
| Progresso de eficiência algorítmica | ~3x per year | The Price of Progress (arXiv, 2025) |
| Média sob demanda da H100 | ~$3.61 per GPU-hour, 42 providers | getdeploying (2026) |
| Queda do preço da H100 em relação ao pico | 64% to 75% | GPU price trackers (2026) |
| Custo de hardware de ML / eficiência energética | -30% / +40% per year | Stanford HAI, AI Index (2025) |
| Custo por token da NVIDIA GB300 NVL72 | $0.12/M, 35x lower than Hopper | NVIDIA, InferenceMAX (2025) |
| Throughput de tokens do Google | 3.2 quadrillion/month, 7x YoY | Google I/O (2026) |
| Gasto empresarial com APIs de LLM | $3.5B to $8.4B in six months | Menlo Ventures (2025) |
| Cargas de trabalho majoritariamente de inferência | 74% of builders, up from 48% | Menlo Ventures (2025) |
| Custo de inferência de 2025 da OpenAI | ~$8.4B, ~4x YoY | The Information (2025) |
| Custo de inferência de 2025 da Anthropic | ~$2.7B, >3x growth | The Information (2025) |
| DeepSeek R1 vs. OpenAI o1 | ~96% cheaper (~27x) | pricepertoken (2026) |
| Mercado de inferência de IA | $106B (2025) to $255B (2030), 19.2% CAGR | MarketsandMarkets (2025) |
| Infraestrutura combinada de treinamento + inferência | $251B (2025) to $672B (2029) | Bloomberg Intelligence, via Cerebras S-1 (2026) |
| Energia do prompt mediano do Gemini | 0.24 Wh, down 33x in 12 months | Google Cloud (2025) |
| Projeção de custo da Gartner para 2030 | 1T-param inference >90% cheaper vs 2025 | Gartner (2025) |
| Multiplicador de tokens de consultas agênticas | 5x to 30x more tokens | Gartner (2025) |
| Desconto da Batch API da OpenAI | Flat 50% for 24-hour window | OpenAI (2026) |
Metodologia e Fontes
Os dados foram coletados agregando números de relatórios primários, divulgações de empresas, arquivamentos regulatórios, rastreadores de preços nomeados com metodologia pública e análises revisadas por pares publicadas entre 2024 e 2026, priorizando dados de 2025-2026 e rastreando menções da imprensa especializada até a fonte de origem.
- Andreessen Horowitz (a16z), Welcome to LLMflation (2024) — a16z.com
- Epoch AI, LLM Inference Price Trends e How Much Energy Does ChatGPT Use? (2025) — epoch.ai
- Stanford HAI, 2025 AI Index Report, capítulo de Pesquisa e Desenvolvimento (2025) — hai.stanford.edu
- The Price of Progress: Algorithmic Efficiency and the Falling Cost of AI Inference (arXiv:2511.23455, 2025)
- Gartner, previsão de custo de inferência de IA, reportada via CIO Dive (2025)
- NVIDIA, Blackwell InferenceMAX Benchmark Results (outubro de 2025)
- Google / Google Cloud, Measuring the Environmental Impact of AI Inference (2025); reportagem da MIT Technology Review (2025)
- Tomasz Tunguz, The Trillion Token Race (2025); keynote do Google I/O 2026 (Sundar Pichai)
- Menlo Ventures, 2025: The State of Generative AI in the Enterprise (2025)
- The Information, reportagens sobre custo de inferência da OpenAI e da Anthropic (2025)
- Bloomberg Intelligence, dimensionamento de mercado citado no arquivamento S-1 da Cerebras Systems, SEC dos EUA (2026)
- Barclays Research, estimativa de capex de inferência de IA para consumidor (2025)
- DeepSeek, documentação de precificação de API (2026); precificação de modelos da pricepertoken.com (2026)
- OpenAI, documentação da Batch API (2026); declaração pública de Sam Altman sobre energia de consulta (2025)
- getdeploying e outros rastreadores de preços de nuvem H100 da NVIDIA (2026)
- MarketsandMarkets, Grand View Research e Fortune Business Insights, relatórios de mercado de inferência de IA (2024-2026); The Business Research Company, mercado de chips de inferência de IA (2026, via GlobeNewswire)
Data watch: a Stanford HAI publica o AI Index anualmente (próxima edição esperada por volta de abril de 2027); a Menlo Ventures atualiza seu relatório State of Generative AI todo ano; a Epoch AI atualiza seus rastreadores de preço e tendências de inferência continuamente; espera-se que o Google atualize sua divulgação de impacto ambiental anualmente; e a Gartner e as empresas de pesquisa de mercado reemitem suas previsões de inferência em ciclos contínuos. Os preços de API de fronteira mudam com frequência, então os números por token são pontuais no tempo.
Última atualização: 10 de julho de 2026. Revisamos e atualizamos esta página trimestralmente conforme novos dados são publicados.