Essa semana teve mais lançamento de modelo frontier do que dá pra acompanhar direito — Grok 4.5, GPT-Live, GPT-5.6. Mas o que ficou martelando na minha cabeça hoje não foi nenhum desses. Foi uma pergunta bem mais simples sobre preço.

Toda semana alguém me pergunta quanto custa construir um produto de IA. E cada vez mais percebo que essa é a pergunta errada.

Vi um artigo da Mercury essa semana que resume bem esse ponto. A ideia central: se seu produto de IA ficou barato de construir, isso não significa que ele deveria ser barato de vender. O preço não vem do custo de rodar o modelo. Vem do valor que a solução gera para quem usa.

Faz todo sentido. Um recurso de IA que economiza dez horas de trabalho manual por semana vale muito mais do que os poucos centavos gastos em tokens para entregá-lo. Cobrar pelo custo de infraestrutura é deixar dinheiro na mesa.

Do lado de produto em crédito, essa lógica não é nova, só ganha um capítulo a mais com IA. Preço de crédito nunca foi sobre o custo de processar uma operação. Sempre foi sobre o valor de destravar capital de giro, antecipar um recebível, dar previsibilidade de caixa para quem precisa. A IA muda o custo de entrega, não muda essa régua.

O que gosto no framework do artigo é que ele é bem prático: mapear o valor real gerado, olhar o que o mercado já paga por resultados parecidos, escolher entre cobrar por uso, por assento ou por resultado, testar disposição a pagar e ajustar. Serve tanto para quem lança uma feature de IA quanto para quem desenha qualquer produto financeiro.

Fica a reflexão para quem está com IA rodando barato hoje dentro do produto: o barato de construir não deveria virar desconto automático no preço.

Para quem quiser aprofundar no raciocínio completo, deixo o link do artigo aqui: https://www.aol.com/articles/price-ai-product-cost-almost-133004000.html

O resto do radar

Grok 4.5 — novo modelo frontier da xAI mira Opus 4.8 e GPT-5.5 com preços mais baixos, pressionando a precificação de todo o mercado de LLMs. Ler mais

GPT-Live — nova arquitetura de voz full-duplex redefine a barra de UX para produtos conversacionais e abre caminho para agentes de voz mais longos e agênticos. Ler mais

GPT-5.6 (Sol, Terra e Luna) — lançamento público da OpenAI chega na mesma semana de releases de xAI e Meta, intensificando a corrida por adoção enterprise. Ler mais

SWE-1.7 — agente de coding da Cognition com desempenho próximo a GPT-5.5 e Opus 4.8 a custo bem menor, relevante para decisões de stack de produtividade de engenharia. Ler mais

Sinal x ruído em evals de coding — auditoria da OpenAI achou cerca de 30% das tarefas do SWE-Bench Pro quebradas; não dá pra confiar cegamente em rankings de “capacidade” ao escolher modelo. Ler mais

Flint — linguagem de visualização da Microsoft Research simplifica a geração confiável de gráficos por agentes de IA, reduzindo esforço de dev em features de analytics. Ler mais

Frugon — ferramenta open-source e local que identifica quais chamadas de LLM podem migrar para modelos mais baratos, direto ao ponto de FinOps de IA. Ler mais

Agent washing — termo cunhado pela Gartner alerta para produtos vendidos como “agentes de IA” que na prática são só lógica if/else com uma camada de LLM. Ler mais

Agentic Ziggy (Akeneo) — agente de IA para times de dados de produto reduz trabalho manual de catalogação mantendo supervisão humana sobre aprovações. Ler mais

Isso foi o que separei hoje. Amanhã tem mais.