Preços de APIs de IA na nuvem vs. IA local: quanto custa realmente a sua carga de trabalho?

A cloud API can cost less than owning an inference system for light or irregular work. Local AI becomes financially interesting when a suitable machine handles enough repeatable work to justify its hardware and operating costs. The comparison needs actual model calls, billed tokens, useful output quality and the full local budget. An electricity-only estimate leaves out much of the ownership cost.

Comece pela calculadora de custos da API de IA da ZimaSpace. Compara as tarifas oficiais por token de texto de oito fornecedores e, em seguida, inclui no mesmo cenário mensal a amortização do hardware, a eletricidade e a manutenção. Utilize os seus próprios registos e medições; o exemplo detalhado abaixo mostra porque é que a resposta pode mudar consoante o endpoint escolhido.

Comece pelas chamadas ao modelo e pelos tokens faturáveis

Um pedido do utilizador final pode desencadear várias chamadas ao modelo. Um agente pode planear, chamar uma ferramenta, ler o resultado, tentar novamente e gerar uma resposta final. Cada passo pode acrescentar tokens de entrada e de saída. Um orçamento baseado apenas na resposta final visível não terá em conta esse trabalho.

Meça uma tarefa representativa, desde o início até ao resultado aceite. Inclua as instruções do sistema, o histórico da conversa, os documentos recuperados e os tokens de raciocínio faturados na saída. Utilize os registos de utilização do fornecedor em vez de uma estimativa baseada na contagem de palavras. Os tokenizadores diferem, pelo que o mesmo texto pode não gerar a mesma contagem faturável em todos os modelos.

Quanto custa o mesmo orçamento de tokens em diferentes fornecedores?

Considere 30 000 chamadas ao modelo por mês, cada uma com 2 000 tokens de entrada e 500 tokens de saída faturados. Isso corresponde a 60 milhões de tokens de entrada e 15 milhões de tokens de saída. Este exemplo não inclui acertos de cache, gravações em cache, créditos gratuitos nem custos adicionais de ferramentas. Os preços foram verificados em 30 de outubro de 2026.

A tabela utiliza preços padrão de acesso direto ao fornecedor, quando indicado. O exemplo do DeepSeek utiliza preços de ponta; o exemplo do Qwen utiliza os preços de tabela para implementações nos EUA. O Gemini 3.8 Flash mantém o preço introdutório publicado até 31 de dezembro de 2026. Estes modelos diferem em capacidade, tokenização, latência e funcionalidades; a tabela compara um orçamento numérico de tokens.

Por exemplo, o GPT-6.1 Sol custa 60 × 2 US$ mais 15 × 10 US$, ou seja, 270 US$ neste cenário de tokens. O Mistral Small 4 custa 18 US$, com base nas tarifas anunciadas de 0,15 US$ por token de entrada e 0,60 US$ por token de saída. Esta diferença mostra por que razão um orçamento local deve ser comparado com o endpoint específico e os requisitos da tarefa, e não com um preço genérico de «IA na cloud».

O que incluir no custo mensal da IA local?

Utilize o sistema de inferência completo: o anfitrião, o acelerador necessário, a memória, o armazenamento e os periféricos relevantes. Em seguida, estime a respetiva vida útil, um valor de revenda realista, o consumo elétrico do sistema completo e os custos de funcionamento. Se comprar um dispositivo de armazenamento de dados e um anfitrião com GPU à parte, ambos devem ser incluídos na categoria de orçamento adequada.

Segue-se um orçamento ilustrativo de um sistema, não uma proposta de preço de um produto nem um benchmark de inferência:

Com estes pressupostos, o orçamento local é superior aos exemplos de 18 US$ do Mistral e 36 US$ do DeepSeek, próximo do exemplo de 48 US$ do Qwen e inferior aos exemplos de 270 US$. Ainda assim, isso não demonstra que esta máquina hipotética consiga fornecer resultados igualmente úteis. A adequação da memória, a velocidade de geração, a concorrência e a qualidade aceitável têm de ser testadas separadamente.

Porque é que a cache e os contextos longos alteram o resultado

Um desconto na leitura da cache não se aplica a todos os tokens de entrada. Os prefixos repetidos têm de ser elegíveis e permanecer disponíveis. As gravações iniciais na cache podem ter uma tarifa própria, e alguns fornecedores cobram pelo armazenamento de tokens em cache ao longo do tempo. Na ferramenta, introduza as leituras e gravações como percentagens separadas dos tokens de entrada; acrescente explicitamente os custos de armazenamento ou de serviços não contemplados no modelo.

Os escalões para contextos longos também dependem de cada pedido. Os preços do GPT-6.1 Sol atuais mudam acima de 272K tokens de entrada para o pedido completo. O Claude Haiku 5.5 tem um limite diferente, acima de 100K, enquanto os modelos Grok indicados mudam de escalão a partir de 200K tokens de entrada, incluindo esse limite. Um único valor médio por milhão ocultaria essas condições.

A calculadora aplica escalões por pedido com todos os custos incluídos e as futuras alterações de preços do Gemini anunciadas. Não consulta preços em tempo real. Consulte a fonte oficial indicada para verificar os suplementos regionais, as opções de processamento em lote, a elegibilidade para cache e quaisquer alterações mais recentes. Inclua a pesquisa, o armazenamento de ficheiros, a execução de ferramentas e outros serviços faturados quando fizerem parte da carga de trabalho.

Quando as APIs na nuvem fazem sentido do ponto de vista financeiro

• A utilização é reduzida ou irregular. Pagar pelas chamadas efetivas pode ser mais fácil de justificar do que manter uma máquina disponível entre tarefas ocasionais.
• A carga de trabalho exige um modelo alojado específico. Teste a sua qualidade e a taxa de conclusão de tarefas antes de o substituir por um modelo local mais pequeno.
• A procura muda rapidamente. Um ponto de acesso baseado na utilização evita comprar hardware para uma capacidade de que ainda não avaliou as necessidades.

Uma métrica útil é o custo por tarefa aceite. Divida a fatura completa do fluxo de trabalho pelo número de resultados que cumprem os seus critérios de aceitação, incluindo novas tentativas e tempo de revisão. Acompanhe separadamente a latência e a fiabilidade; um preço baixo por token não reflete nenhum destes fatores.

Quando vale a pena analisar melhor um orçamento de IA local

• Há trabalho constante e repetível. Avalie o modelo local real nessas tarefas e registe os tokens por segundo, a conclusão das tarefas e o consumo de energia.
• O modelo pretendido é compatível com a máquina. Os pesos, a sobrecarga do ambiente de execução, a memória de contexto e as sessões simultâneas consomem memória.
• O controlo local tem valor prático. O funcionamento offline, um percurso de dados previsível ou a manutenção de determinados ficheiros no sistema local podem ser importantes, além do orçamento.

No caso de hardware existente, distinga o custo de caixa incremental do custo total de propriedade. Definir o investimento em hardware como zero pode ajudar a modelar a utilização adicional de uma máquina que já possui. Num plano de propriedade a longo prazo, mantenha uma provisão para substituição ou depreciação e para administração. O nosso artigo sobre o hardware e a memória necessários para executar o Kimi localmente é um passo seguinte útil para dimensionar os requisitos do modelo. O facto de um modelo estar disponível sob a forma de pesos não significa que um NAS compacto consiga executar o modelo completo a uma velocidade útil.

O período de retorno exige custos operacionais e uma carga de trabalho estável

O período de retorno simples divide o custo líquido do hardware pela despesa mensal com a API, menos os custos operacionais locais. No exemplo de uma API a 270 US$, o sistema ilustrativo tem um custo operacional mensal de 14,68 US$ antes da amortização. 1 200 US$ divididos por 255,32 US$ correspondem a cerca de 4,7 meses.

Este resultado pressupõe que o sistema local consegue concluir o trabalho de forma satisfatória, que a procura modelada se mantém e que os custos operacionais não se alteram. Se o custo de funcionamento local igualar ou exceder a fatura da API, não há retorno positivo do hardware com esse nível de utilização. A comparação é um cálculo de planeamento, não uma previsão da capacidade de inferência nem uma garantia de poupança.

Opte por uma configuração híbrida quando as cargas de trabalho forem diferentes

Algumas tarefas locais podem ser pequenas e frequentes, enquanto tarefas difíceis e ocasionais podem continuar a beneficiar de um ponto de acesso alojado. Modele um orçamento híbrido mantendo o custo de propriedade local e adicionando as chamadas à API que continuam a ser necessárias. Recalcule depois de medir o encaminhamento e o comportamento das novas tentativas reais.

O ZimaCube 2 pode servir de espaço central para ficheiros de modelos, documentos de recuperação, registos de experiências e cópias de segurança num fluxo de trabalho local de IA. Dimensiona separadamente a capacidade de inferência, em função do modelo e da carga de trabalho. Antes de comprar, é importante explicitar o papel de uma plataforma de armazenamento e o custo de um sistema de inferência completo. O homelab misto de x86 e ARM do Chris ilustra como as tarefas fiáveis de cópia de segurança e as experiências contínuas com IA podem ocupar diferentes partes de um laboratório.

Perguntas frequentes

Um servidor local de IA é sempre mais barato do que uma API?

Não. Um endpoint de baixo custo pode sair mais barato com uma utilização ligeira ou moderada. Compara um modelo local que satisfaça as tuas necessidades com a API específica que usarias, aplicando os mesmos critérios às tarefas concluídas.

A calculadora inclui os custos de escrita na cache?

Modela as escritas na cache como uma parcela separada dos tokens de entrada, quando existe uma tarifa verificada. Se não houver uma tarifa de escrita, é necessário obter um orçamento para esse cenário. O armazenamento em cache, as ferramentas e outros serviços devem ser incluídos no campo das despesas mensais adicionais.

Os valores de hardware local e de consumo elétrico baseiam-se em testes de referência medidos?

Não. São pressupostos de exemplo editáveis. Usa orçamentos para a máquina completa e medições do consumo elétrico na tomada do modelo e da carga de trabalho reais.

Posso usar o preço de uma subscrição de chat na nuvem como preço da API?

Uma subscrição é um produto diferente. Usa as tarifas dos endpoints faturáveis e as categorias de utilização relevantes para a tua conta de API.

O mesmo número de tokens significa a mesma qualidade de resultados?

Não. A tokenização e as capacidades são diferentes. Usa a estimativa com um número fixo de tokens para explorar orçamentos e, depois, avalia tarefas reais e o custo por resultado aceite.

Por onde devo começar antes de comprar hardware?

Seleciona uma amostra representativa de tarefas concluídas, recolhe os dados de utilização faturável de chamadas e tokens, testa um modelo local adequado, se disponível, e compara ambos os cenários na calculadora de custos de API e IA local.

Conclusão

A comparação útil é entre um fluxo de trabalho específico de API e um sistema local capaz de realizar efetivamente as tarefas. Conta todas as chamadas ao modelo, usa as categorias de tokens corretas e inclui o hardware, a eletricidade e a manutenção. Depois, verifica o resultado com base na qualidade das tarefas aceites e na capacidade medida.

Usa a calculadora para comparar os teus próprios orçamentos para API e IA local, substitui os valores de exemplo por medições reais e reavalia a decisão à medida que a carga de trabalho muda.