Modelos de IA open source encostaram nos pagos, mas a conta tem mais linhas do que parece. Veja prós, contras e custos reais para decidir na sua empresa.
Especialista em inteligência artificial e transformação digital. Mais de 10 anos ajudando empresas brasileiras a implementar soluções de analytics e IA.
Quatro meses. Segundo uma medição da Epoch AI publicada em junho de 2026, essa é a distância média que separa os melhores modelos de IA open source da fronteira dos modelos pagos. Não anos, meses. Ao mesmo tempo, a pesquisa anual da Menlo Ventures, feita com 495 decisores de empresas americanas em novembro de 2025, mostrou o movimento oposto: a fatia dos modelos abertos no uso corporativo caiu de 19% para 11% em um ano.
Tecnologia quase empatada, adoção caindo pela metade. Esse paradoxo é o melhor resumo do debate entre modelos abertos e pagos: a comparação técnica virou quase um empate, mas a decisão de negócio nunca foi só técnica. Quem escolhe olhando apenas benchmark erra para um lado; quem escolhe olhando apenas o preço por token erra para o outro.
Neste post eu abro os dois lados da balança: o que é de fato um modelo aberto, quanto eles avançaram, onde ganham e onde perdem dos pagos, e a conta em reais de três formas diferentes de usar IA na sua empresa, com preços de agosto de 2026 e fontes linkadas.
Um modelo pago (ou proprietário) é aquele que você só acessa pela API ou pelo aplicativo do fabricante: GPT da OpenAI, Claude da Anthropic, Gemini do Google. Você paga pelo uso, medido em tokens (pedaços de texto que o modelo lê e escreve), e nunca tem acesso ao modelo em si.
Um modelo aberto é aquele cujos pesos (o arquivo gigante de números que constitui o modelo treinado) podem ser baixados e executados por qualquer um. Os mais relevantes hoje vêm do Llama, da Meta, do DeepSeek, das famílias Qwen (Alibaba) e GLM (Zhipu) e do Mistral, quase todos distribuídos pelo Hugging Face.
Vale uma precisão de vocabulário: o termo tecnicamente correto para a maioria deles é "pesos abertos" (open weights), porque nem sempre o código de treino e os dados são publicados. E as licenças variam: DeepSeek usa MIT e Qwen usa Apache 2.0, ambas bem permissivas, enquanto o Llama tem uma licença própria com restrições. Antes de construir negócio em cima de um modelo, alguém precisa ler a licença dele.
O avanço é real e mensurável. A Epoch AI mantém um índice de capacidade que compara os dois mundos, e a leitura de 2026 é que o melhor modelo aberto disponível hoje equivale ao melhor modelo fechado de aproximadamente quatro meses atrás. Para a imensa maioria das tarefas de uma empresa (resumir, classificar, redigir, extrair dados, atender), um modelo da fronteira de quatro meses atrás é mais do que suficiente.
de distância média entre os melhores modelos abertos e a fronteira dos modelos pagos
Medição da Epoch AI publicada em junho de 2026
Dois poréns que o entusiasmo costuma pular. Primeiro: a mesma Epoch AI nota que essa distância não está encolhendo; na medição anterior, de outubro de 2025, o atraso médio era de três meses. Os laboratórios fechados seguem investindo mais computação, e o gap oscila em vez de fechar. Segundo: quem puxa a fronteira aberta hoje são laboratórios chineses (DeepSeek, Qwen, GLM, Kimi), e a própria pesquisa da Menlo registra que empresas americanas seguem cautelosas com esses modelos por questões de governança, apesar do desempenho. Dependendo do seu setor e do seu cliente, essa origem entra na análise de risco.
Aos preços de agosto de 2026, o GPT-5.5 custa US$ 5 por milhão de tokens de entrada e US$ 30 por milhão de saída. O DeepSeek V4 Pro, o modelo aberto mais forte do momento, sai por cerca de US$ 0,42 e US$ 0,85 nas mesmas medidas. Na saída, a diferença passa de 35 vezes. Esses valores mudam a cada poucos meses (quase sempre para baixo, como mostrei no post sobre a deflação dos preços de IA), então confira o preço vigente antes de fechar qualquer conta.
Um modelo aberto pode rodar em servidor seu, no Brasil, sem que nenhum dado saia da sua infraestrutura. Para quem lida com dados sensíveis (saúde, jurídico, financeiro) ou com cláusulas contratuais de confidencialidade, essa é a diferença entre poder e não poder usar IA em certos processos. Atenção ao detalhe: rodar dentro de casa ajuda na LGPD, mas não resolve a lei sozinho; base legal, finalidade e governança continuam sendo sua tarefa.
Pesos abertos permitem ajuste fino (fine-tuning) com seus dados, destilação para modelos menores e mais baratos, e a garantia de que ninguém vai descontinuar ou mudar o modelo que sustenta seu produto. Com um fornecedor proprietário, você depende do roadmap dele: a mesma pesquisa da Menlo mostra que três fornecedores (Anthropic, OpenAI e Google) concentram 88% do uso corporativo de modelos, o que dá a dimensão de quanto poder de precificação fica na mão de pouca gente.
O primeiro contra é o que derruba a maioria dos planos: com modelo aberto, você vira o operador. Servir um modelo em produção exige GPU, monitoramento, segurança, atualização de versão e gente que saiba fazer tudo isso. O custo do token desaparece da fatura e reaparece na folha de pagamento e na conta da nuvem. É aqui que muitas empresas travam: contratam a infraestrutura, sobem um modelo e descobrem que o trabalho estava só começando.
O segundo é a fronteira. Nas tarefas mais difíceis (raciocínio longo, agentes com muitas etapas, os problemas que definem o limite do possível), os modelos pagos de ponta ainda ganham, e quatro meses de atraso podem significar a diferença entre um agente que funciona e um que quase funciona. O terceiro é o ecossistema: suporte contratual, SLA, certificações e responsabilização são produtos que um arquivo de pesos baixado da internet não oferece.
O mercado corporativo precificou esses contras. A queda de 19% para 11% na fatia dos modelos abertos, medida pela Menlo, aconteceu justamente no ano em que eles mais avançaram tecnicamente.
Fatia dos modelos abertos no uso corporativo de IA
Dados de mercadodo uso corporativo
| do uso corporativo | 11 |
|---|
Imagine uma distribuidora com um assistente interno e uma automação de atendimento que, somados, consomem 30 milhões de tokens de entrada e 5 milhões de saída por mês (um volume respeitável para uma PME). Ao câmbio PTAX de 7 de agosto de 2026 (US$ 1 = R$ 5,09), a conta fica assim:
Rota 1, API paga de fronteira (GPT-5.5): 30 × US$ 5 na entrada mais 5 × US$ 30 na saída dá US$ 300 por mês, cerca de R$ 1.530.
Rota 2, modelo aberto via API (DeepSeek V4 Pro): 30 × US$ 0,42 mais 5 × US$ 0,85 dá cerca de US$ 17 por mês, uns R$ 86. Mesmo cenário, conta 18 vezes menor.
Rota 3, modelo aberto em servidor próprio: uma única GPU H100 alugada custa entre US$ 1,49 e US$ 6,98 por hora conforme o provedor; a US$ 3 por hora, mantê-la no ar o mês inteiro custa cerca de US$ 2.190, ou R$ 11 mil, antes de pagar qualquer pessoa para operá-la. E uma H100 sozinha roda apenas os modelos abertos menores: o V4 Pro tem 1,6 trilhão de parâmetros e exige um cluster.
O mesmo cenário mensal em duas rotas de API (agosto de 2026)
Dados de mercado| Métrica | API paga (GPT-5.5) | Aberto via API (V4 Pro) |
|---|---|---|
| Entrada por 1M de tokens | US$ 5 | US$ 0,42 |
| Saída por 1M de tokens | US$ 30 | US$ 0,85 |
| Cenário do post (mês) | US$ 300 (~R$ 1.530) | US$ 17 (~R$ 86) |
Modelo aberto barato não é o mesmo que operação barata: no cenário acima, hospedar o próprio modelo custa mais de 7 vezes a API de fronteira e 100 vezes a API do modelo aberto.
A real é que o self-hosting só se paga em volumes muito maiores que o dessa distribuidora, ou quando a restrição de dados não deixa alternativa. Para quem quer entender o custo do projeto inteiro, além do modelo, o post sobre quanto custa implementar IA na empresa abre as outras linhas dessa planilha.
Repare que a rota 2 combina o melhor dos dois mundos: preço de modelo aberto sem servidor próprio. Provedores como a API oficial do DeepSeek, OpenRouter, Together AI e Groq servem modelos abertos por API, cobrando por token como qualquer fornecedor proprietário.
O que se perde nessa rota é parte do argumento de privacidade: seus dados voltam a passar pelo servidor de um terceiro, então valem as mesmas perguntas que você faria à OpenAI (onde os dados são processados, por quanto tempo ficam retidos, se treinam modelos com eles). O que se mantém é o preço baixo e a portabilidade: como os pesos são públicos, o mesmo modelo existe em vários provedores, e trocar de fornecedor é trocar uma URL, não reescrever o produto.
Abaixo de alguns milhões de tokens por mês, a diferença de preço entre as rotas é troco. Nesse estágio, escolha pelo melhor resultado na sua tarefa e valide o caso de uso; otimizar custo de token antes de ter volume é otimizar o que não dói.
Se a resposta for não (por contrato, por regulação ou por risco), o modelo aberto em infraestrutura própria deixa de ser opção de economia e vira condição de viabilidade. Aí a conta de R$ 11 mil por mês se compara com o custo de não automatizar nada.
Sem alguém que cuide de infraestrutura de GPU e versionamento de modelo, a rota do servidor próprio transforma um projeto de IA em um projeto de contratação. Seja honesto sobre isso antes de assinar o aluguel da GPU.
Agentes complexos e raciocínio longo tendem a justificar o modelo pago de ponta. Classificação, extração, resumo e atendimento raramente justificam. A resposta madura costuma ser um stack misto: fronteira paga onde a qualidade paga a diferença, modelo aberto barato no volume. Mostro como montar essa combinação no post sobre stack de IA de baixo custo.
Os pesos são gratuitos, o uso não. Você paga pela computação que executa o modelo, seja na forma de tokens de uma API, seja na forma de GPU alugada ou comprada. Para a maioria das PMEs, a forma mais barata de usar um modelo aberto é justamente via API de terceiros.
Não. Rodar o modelo em infraestrutura própria elimina a transferência de dados para terceiros, o que ajuda bastante, mas a LGPD cobra base legal, finalidade, minimização e direitos do titular independentemente de onde o modelo roda. Conformidade é desenho do processo, não escolha de fornecedor.
Na fronteira aberta, as famílias DeepSeek V4, Qwen e GLM disputam a liderança, com o V4 Pro como referência geral. Esse ranking muda a cada poucos meses, então trate qualquer resposta como fotografia: antes de decidir, teste dois ou três modelos na sua tarefa real, que é o único benchmark que importa para o seu caso.
Não. Provedores de inferência servem os principais modelos abertos por API, sem nenhuma infraestrutura do seu lado. GPU própria (comprada ou alugada) só entra em cena quando os dados não podem sair da sua infraestrutura ou quando o volume é grande o bastante para o aluguel custar menos que os tokens.
Os modelos de IA open source deixaram de ser a alternativa amadora: quatro meses de distância da fronteira, preço por token dezenas de vezes menor e licenças que devolvem controle a quem usa. Ignorá-los em 2026 é pagar caro por capacidade que você talvez não precise. Mas o barato tem manual de instruções: alguém precisa operar, a fronteira ainda é dos pagos e o custo real da rota própria começa onde a planilha de tokens termina.
A boa notícia é que a escolha não é binária. Entre a API de fronteira e o cluster próprio existe um espectro inteiro de combinações, e a maioria das empresas resolve bem com um arranjo misto que custa uma fração do que imaginava. O que define o arranjo certo não é o hype do momento, é o seu volume, seus dados e seu time.
Quer decidir essa rota com números da sua operação em vez de benchmark de internet? Vamos conversar. A Waxi ajuda empresas brasileiras a montar e operar stacks de IA que cabem no orçamento, do diagnóstico à implementação.
Orçamento de IA em 2026: por que o preço dos modelos cai todo ano, por que esperar a próxima queda é uma armadilha e como montar um stack que aproveita a deflação.
Aprenda a montar uma stack de IA escalável sem quebrar o orçamento. Guia prático com ferramentas acessíveis e estratégias de crescimento para empresas brasileiras.
Descubra os custos reais de implementar IA na sua empresa e como calcular o ROI. Guia prático com valores, prazos e expectativas de retorno para diferentes tipos de projetos.
