O GPT 6 Luna é mais barato que o DeepSeek V4.1 Flash e ninguém reparou?

O GPT-6 Luna é mais barato que o DeepSeek, mas há um senão nesta comparação de preços

A DeepSeek era considerada líder em termos de preço – agora a OpenAI é mais barata para muitas consultas

Durante muito tempo, o DeepSeek foi considerado o auge da IA ​​acessível. Mas com o GPT-6 Luna, a OpenAI surpreendeu ao revolucionar o panorama dos preços: nos planos API regulares, o Luna custa menos por token de entrada e por resposta do que o DeepSeek V4.1 Flash – mesmo durante o período mais vantajoso do fornecedor chinês. Para muitas tarefas típicas, a OpenAI pode, portanto, oferecer o preço mais baixo. No entanto, isto não significa que o Luna seja sempre a opção mais económica. O DeepSeek destaca-se pelo baixo custo de acessos à cache, alta velocidade e pesos de modelo abertos que também podem ser geridos pelo próprio utilizador. Qual o modelo que acaba por custar menos, depende, portanto, não só do preço por token, mas também do tamanho dos contextos, da proporção de entradas reutilizadas, da hora do dia, do desempenho desejado e do modelo operacional. Uma comparação detalhada revela onde o GPT-6 Luna é realmente mais barato – e em que casos o DeepSeek pode ainda ser a melhor escolha.

O líder do prémio de IA surge subitamente dos EUA

A vantagem de preço da China desapareceu – pelo menos na fatura

O GPT-6 Luna custa menos do que o DeepSeek V4.1 Flash na sua interface de programação padrão. Esta descoberta soa inicialmente como um erro de cálculo, pois contradiz a imagem predominante do mercado de IA, que se consolidou há meses: os principais modelos ocidentais são considerados poderosos, mas caros, enquanto os fornecedores chineses se destacam com preços agressivos, pesos de modelo abertos e alta eficiência. Esta imagem mudou para dois dos modelos de eficiência mais interessantes atualmente disponíveis. A OpenAI cobra 0,10 dólares por um milhão de tokens de entrada não armazenados em cache com o GPT-6 Luna e 0,50 dólares por um milhão de tokens de saída. O DeepSeek cobra 0,15 dólares por entrada e 0,60 dólares por saída com o V4.1 Flash fora das horas de ponta. Durante os horários de pico definidos, as taxas do DeepSeek atingem os 0,30 dólares e os 1,20 dólares, respetivamente.

Isto significa que o preço regular do GPT-6 Luna para novos tokens de entrada é um terço mais baixo do que o plano direto mais barato da DeepSeek. Para os tokens de saída, a diferença é de cerca de 16,7%. Em comparação com o plano mais completo da DeepSeek, o Luna é aproximadamente 66,7% mais barato para entrada e cerca de 58,3% mais barato para saída. Não se trata de uma diferença mínima de arredondamento, mas sim de uma clara inversão de preços. Afeta precisamente os dois itens que representam a maior parte da conta para muitas aplicações de produção: contexto recém-processado e conteúdo gerado.

A afirmação provocadora de que o Luna é mais barato e quase ninguém se apercebeu contém, portanto, um fundo de verdade. No entanto, requer um esclarecimento importante. O preço de tabela mais baixo não torna automaticamente o Luna o modelo mais económico em todas as aplicações. O DeepSeek tem uma vantagem significativa na leitura de entradas em cache, pode ser alojado localmente e, por vezes, apresenta um desempenho superior e uma latência significativamente mais baixa em tarefas exigentes. A afirmação economicamente correcta é, portanto: o GPT-6 Luna tem um custo inferior ao do DeepSeek V4.1 Flash nas taxas de API regulares mais importantes, mas a liderança em custos depende do comprimento do contexto, do tamanho da cache, da hora do dia, do comprimento da saída, do objectivo de qualidade e do modelo operacional.

Uma análise sóbria da lista de preços

As taxas padrão criam inicialmente condições excecionalmente claras. O GPT-6 Luna custa 0,10 dólares por milhão de tokens para entrada normal, 0,01 dólares para entrada já em cache e 0,50 dólares para saída. A escrita na cache é cobrada a 0,125 dólares por milhão de tokens. O DeepSeek V4.1 Flash, por outro lado, diferencia entre horas de ponta e fora de ponta. Fora das horas de ponta, cobra 0,15 dólares pela nova entrada, 0,003 dólares pelos acessos à cache e 0,60 dólares pela saída. Durante as horas de ponta, estes valores duplicam para 0,30 dólares, 0,006 dólares e 1,20 dólares, respetivamente.

Os horários de pico de utilização do DeepSeek são de segunda a sexta-feira, entre a 1h e as 4h da manhã e entre as 6h e as 10h da manhã, Horário Universal Coordenado (UTC). Para a Alemanha, isto traduz-se geralmente em intervalos de tempo no início da manhã e no final da manhã/meio-dia em outubro, dependendo se é verão ou inverno. Os fins de semana e feriados chineses são considerados horários de menor movimento. Esta estrutura de preços recompensa o processamento em batch flexível e desfavorece aplicações com tráfego constante em tempo real. Um departamento de atendimento ao cliente europeu que opera principalmente durante o horário comercial alemão pode, portanto, gerar uma parte significativa da sua utilização durante os intervalos de tempo mais dispendiosos. Por outro lado, uma impressão de documentos noturna pode ser agendada de forma consistente a metade da tarifa padrão.

A OpenAI elimina esta incerteza dependente da hora do dia nos seus preços padrão. Além disso, existem os modos Flex e Batch, cada um custando aproximadamente metade do preço padrão. Para tarefas assíncronas, o Luna pode, teoricamente, atingir 0,05 dólares por milhão de tokens de entrada e 0,25 dólares por milhão de tokens de saída. Por outro lado, o modo acelerado custa aproximadamente o dobro do preço padrão. O processamento regional também pode incorrer numa sobretaxa. Portanto, a comparação de modelos aparentemente simples é, na realidade, uma comparação de preços, método de implementação, região, janela temporal e carga de trabalho.

Porque é que a queda de preço permaneceu quase invisível

O facto de a reversão de preços ter recebido pouca atenção por parte do público é menos surpreendente do que parece inicialmente. Os mercados reagem não só a números, mas também a narrativas enraizadas. A DeepSeek tornou-se sinónimo de IA radicalmente acessível, enquanto a OpenAI é percebida como um fornecedor premium. Estas âncoras mentais mudam mais lentamente do que as listas de preços. Por conseguinte, uma nova tarifa integra-se frequentemente na visão do mundo existente, em vez de a desafiar.

A isto acresce a velocidade do mercado de modelos. O GPT-6 Luna surgiu num ambiente onde novos modelos, variantes, níveis de raciocínio, limites contextuais e opções de implementação mudam quase diariamente. Logo de seguida, a DeepSeek atualizou o Flash V4.1 para a versão 1017 sem alterar o preço. A discussão pública centrou-se em benchmarks, capacidades de programação e velocidade. O facto estrategicamente mais importante de que um modelo fechado da OpenAI foi subitamente ultrapassado por um modelo chinês de código aberto com preços acessíveis acabou por se perder no meio dos números de versão e dos resultados dos testes.

A forma como os preços são apresentados também complica a comparação. O DeepSeek comunica horários de pico e fora de pico, bem como acessos à cache extremamente baratos. A OpenAI diferencia entre os modos Standard, Flex, Batch, Fast, processamento regional e contextos longos. As plataformas de intermediação, por sua vez, exibem os seus próprios preços, que dependem de ofertas especiais, utilização de hardware e encaminhamento. Dependendo se a comparação considera o fornecedor direto, um router, o fornecedor de outsourcing mais barato ou os preços médios reais pagos, surge um cenário diferente. Por exemplo, o DeepSeek pode parecer mais barato em determinados momentos quando se utiliza um fornecedor externo, mesmo que a API direta oficial seja mais cara. Portanto, uma comparação fiável deve primeiro definir exatamente o que está a ser comparado.

Em última análise, o preço por token é abstrato para muitos utilizadores. Uma diferença de cinco centésimos de dólar americano por milhão de tokens emitidos parece insignificante. No entanto, com milhares de milhões ou triliões de tokens, isto torna-se um fator de custo significativo. Ao mesmo tempo, mesmo pequenas diferenças no prazo de emissão podem mais do que compensar a diferença de preço. Esta combinação de preços unitários aparentemente ínfimos e volumes altamente escaláveis ​​impede manchetes fáceis.

O cálculo por detrás do efeito surpresa

A fórmula básica é simples: o custo de uma consulta é calculado multiplicando o número de novos tokens de entrada pelo preço de entrada, adicionando os tokens em cache ao preço da cache e os tokens gerados ao preço de saída. Com um milhão de novos tokens de entrada e 200.000 tokens de saída, o GPT-6 Luna custa 0,20 dólares à tarifa padrão. O DeepSeek V4.1 Flash custa 0,27 dólares fora das horas de ponta e 0,54 dólares durante as horas de ponta. Neste exemplo, o Luna é aproximadamente 25,9% mais barato do que a tarifa fora das horas de ponta do DeepSeek e aproximadamente 63% mais barato do que a sua tarifa nas horas de ponta.

Uma operação típica orientada a documentos com um milhão de novos tokens de entrada, um milhão de tokens em cache e 100.000 tokens de saída custa 0,16 dólares no Luna. A DeepSeek cobra 0,213 dólares fora do horário de pico. Portanto, o Luna é cerca de 24,9% mais barato. Durante as horas de ponta, a tarifa do DeepSeek sobe para 0,426 dólares. Embora o DeepSeek leia a cache de forma muito mais barata, um milhão de tokens em cache não são suficientes neste exemplo para compensar os preços mais elevados para novas entradas e saídas.

A situação é diferente para aplicações que exigem muito cache. Se apenas 100.000 novos tokens de entrada e 100.000 tokens de saída forem processados, mas dez milhões de tokens forem lidos simultaneamente a partir da cache, o Luna custa cerca de 0,16 dólares. O DeepSeek custa cerca de 0,105 dólares fora dos horários de pico. Neste caso, o DeepSeek é cerca de 34% mais barato. Durante as horas de ponta, no entanto, a mesma operação do DeepSeek custa cerca de 0,21 dólares, pelo que o Luna volta a ser vantajoso. Este exemplo mostra a forte interação entre o preço variável do DeepSeek e a sua vantagem em relação à cache.

Matematicamente, o limite fora das horas de ponta situa-se onde a quantidade de tokens em cache atinge aproximadamente 7,14 vezes os novos tokens de entrada mais 14,29 vezes os tokens de saída. Abaixo deste limite, o Luna é mais barato; acima dele, o DeepSeek pode levar vantagem. Durante as horas de pico do DeepSeek, o limite muda drasticamente: nesse caso, os tokens em cache teriam de exceder aproximadamente 50 vezes a nova entrada mais 175 vezes a saída para que o DeepSeek se tornasse mais barato. Para a maioria das tarefas comuns de chat, análise, extração e programação, o Luna continua a ser a opção mais vantajosa com o preço atual da API.

O cache é a arma mais poderosa do DeepSeek

O principal contraponto à narrativa da Luna é o armazenamento em cache. A DeepSeek cobra apenas 0,003 dólares por um milhão de tokens de cache fora das horas de ponta. A Luna custa 0,01 dólares. A DeepSeek é, por isso, 70% mais barata; em contrapartida, o preço de leitura da cache da Luna é mais de três vezes superior. Mesmo durante as horas de ponta da DeepSeek, um cachet custa apenas 0,006 dólares, permanecendo 40% mais barato do que o da Luna.

Esta diferença é significativa para aplicações com instruções de sistema longas e em grande parte estáticas, catálogos de produtos extensos, documentos legais recorrentes ou código de programa constante. Quando o mesmo contexto é reutilizado centenas ou milhares de vezes, o custo da cache pode tornar-se mais importante do que o custo de novas entradas. Portanto, uma empresa que combina uma base de conhecimento estável com muitas consultas curtas de utilizadores tem um perfil de custos diferente de um agente de pesquisa que processa novas páginas web, ficheiros e resultados de ferramentas a cada execução.

O armazenamento em cache, no entanto, não é um desconto automático disponível para todas as entradas. O contexto deve ser tecnicamente armazenável em cache, recorrer de forma suficientemente idêntica e ser reutilizado dentro da respectiva lógica de armazenamento. Pedidos construídos dinamicamente, documentos que mudam frequentemente ou contextos personalizados reduzem a taxa de acerto. Além disso, uma taxa de cache elevada por si só não garante o sucesso do negócio. Deve ser combinada com respostas corretas, baixa latência e uma aplicação robusta. Um cache barato que fornece informações desatualizadas ou estruturadas incorretamente poupa tokens, mas gera simultaneamente custos adicionais.

Para avaliação económica, o preço do cache divulgado não é decisivo, mas sim a taxa de acertos do cache medida por aplicação. As empresas devem monitorizar separadamente as novas entradas, leituras de cache, gravações de cache e saídas. Só assim se tornará claro se a vantagem teórica do DeepSeek se traduz em benefícios práticos. Sem esta medição, a alegação de que um modelo é mais barato devido à sua reduzida cache permanece tão incompleta como uma referência genérica às taxas padrão mais baixas do Luna.

Contextos longos invertem novamente o resultado

A OpenAI estabelece um limite significativo para o GPT-6 Luna de mais de 272.000 tokens de entrada por pedido. Ultrapassar este limite duplica os preços de entrada e de cache para toda a solicitação; o preço de saída aumenta 50%. No modo padrão, isto resulta em 0,20 dólares por milhão de novos tokens de entrada, 0,02 dólares por acertos de cache e 0,75 dólares por tokens de saída. As sobretaxas regionais ou o processamento acelerado podem afetar ainda mais estes custos.

Isto significa que o Luna perde a sua vantagem direta de preço sobre o DeepSeek para consultas individuais muito longas fora das horas de ponta. Uma consulta com um milhão de novos tokens de entrada e 100.000 tokens de saída custa aproximadamente 0,275 dólares com o Luna, de acordo com a taxa de contexto longo. A DeepSeek cobra cerca de 0,21 dólares fora dos horários de pico. O DeepSeek é cerca de 24% mais barato neste cenário. Durante as horas de ponta, no entanto, o DeepSeek, a cerca de 0,42 dólares, é significativamente mais caro do que o Luna.

Este limite é relevante para bases de código extensas, grandes arquivos de contratos, coleções científicas e sessões de agentes de longa duração. Ilustra também porque é que uma simples comparação de preços por milhão de tokens, sem conhecimento do tamanho de cada pedido individual, pode ser enganadora. Um milhão de tokens distribuídos por mil pedidos curtos têm um preço diferente na Luna do que a mesma quantidade num único pedido muito longo. Assim sendo, para o planeamento financeiro, é essencial conhecer não só o volume mensal de tokens, mas também a distribuição dos tamanhos dos pedidos.

Tecnicamente, uma arquitetura inteligente pode evitar parcialmente esta sobretaxa. Em vez de carregar todo o conjunto de dados a cada consulta, o conteúdo pode ser pré-pesquisado, reordenado e limitado às secções relevantes. No entanto, isto acarreta custos adicionais para a incorporação, pesquisa vetorial, classificação, transferência de dados e orquestração. Assim sendo, a solução economicamente mais viável não é necessariamente o modelo com a maior janela de contexto, mas sim a arquitetura que requer o mínimo de contexto dispendioso possível para fornecer uma resposta fiável.

Mais barato por token não significa mais barato por resultado

O preço por milhão de tokens é apenas o primeiro aspeto da economia. Fundamentalmente, depende de quantos tokens um modelo necessita para completar uma tarefa com sucesso. Um modelo pode ser mais barato por token, mas ainda assim incorrer em custos mais elevados por problema resolvido se fornecer respostas mais detalhadas, gerar mais processos de raciocínio, invocar ferramentas com mais frequência ou precisar de repetir tarefas com mais frequência. Por outro lado, um modelo mais caro pode ser mais económico se chegar ao resultado correto diretamente com uma resposta curta.

A comparação atual revela uma tensão interessante. Medições independentes colocam o DeepSeek V4.1 Flash ligeiramente à frente do GPT-6 Luna na intensidade cognitiva máxima. No índice de inteligência combinado, o DeepSeek atinge aproximadamente 39 pontos, enquanto o Luna ronda os 38. A diferença é suficientemente pequena para não ser interpretada como superioridade geral em todas as tarefas. Em categorias específicas, particularmente em tarefas baseadas em agentes e relacionadas com a programação, o DeepSeek pode ser significativamente mais forte. Noutros testes ou com menores exigências cognitivas, o cenário altera-se.

Com uma combinação padronizada de cache, novas entradas e saídas, o preço efetivo do Luna foi determinado em aproximadamente 0,08 dólares por milhão de tokens ponderados, enquanto o raciocínio de alto nível do DeepSeek gerou cerca de 0,18 dólares. Isto ilustra a vantagem do Luna sob estas premissas. No entanto, os níveis de raciocínio não são produtos idênticos. Uma comparação entre o raciocínio de baixo nível do Luna e o raciocínio de nível máximo do DeepSeek não responde a uma questão relevante de aquisição. Os modelos devem ser comparados a um nível de qualidade suficiente para o processo específico.

A métrica correta é, portanto, o custo por resultado aceite. Para um agente de programação, este poderia ser o preço por erro resolvido com sucesso; para análise de documentos, o preço por registo de dados extraído corretamente; e para o atendimento ao cliente, o preço por caso resolvido sem intervenção humana. Só quando a taxa de erros, as repetições, o consumo de tokens e o esforço de verificação são tidos em conta é que se pode fazer uma afirmação fiável sobre a real relação custo-benefício.

A solução quase interna: como a Xpert.Digital elimina as lacunas operacionais no marketing e vendas B2B – Negócios inteligentes orientados por conteúdo - Imagem: Xpert.Digital

A Xpert.Digital é um hub industrial B2B orientado por dados, liderado por Konrad Wolfenstein . A empresa atua como uma solução externa, quase interna, para parceiros industriais, preenchendo lacunas operacionais em marketing, conteúdo e vendas – sem exigir recursos adicionais por parte do cliente.

Mais informações aqui:

• A solução quase interna: como a Xpert.Digital elimina as lacunas operacionais em marketing e vendas B2B – Negócios Inteligentes Orientados por Conteúdo

A velocidade é um fator de produção por si só

O DeepSeek apresenta uma vantagem significativa em termos de velocidade. Em medições independentes, o Flash V4.1 gerou aproximadamente 217 a 231 tokens por segundo a uma intensidade de processamento elevada, enquanto o GPT-6 Luna atingiu cerca de 128 tokens por segundo na intensidade máxima de processamento. Ainda mais impressionante é o tempo até ao primeiro token. Em algumas medições, o DeepSeek demorou cerca de um segundo, enquanto o Luna apresentou um tempo significativamente maior na intensidade máxima de processamento. Estes valores variam consoante o fornecedor, a carga, o aviso, a região e a configuração do teste, mas a magnitude indica uma diferença real.

Para aplicações interativas, a velocidade não é apenas uma questão de conveniência. Tempos de espera mais longos reduzem as taxas de conclusão, aumentam o abandono e limitam o número de tarefas que um ser humano pode realizar com o auxílio da IA. Num processo de programação, o feedback rápido pode permitir mais iterações por hora. Num assistente de voz, o tempo até ao primeiro resultado audível determina se o sistema parece natural ou lento. Um modelo com um custo por token mais baixo pode, portanto, ser mais dispendioso do ponto de vista empresarial se consumir mão-de-obra ou prejudicar a experiência do cliente.

Para os processos assíncronos, as prioridades invertem-se. A classificação noturna de documentos, um lote de descrições de produtos ou a limpeza de dados não urgentes não requerem uma resposta imediata. Nestes casos, os planos Flex ou Batch, mais acessíveis da Luna, podem oferecer benefícios superiores à vantagem de velocidade da DeepSeek. O valor da latência depende, portanto, do processo. Quem não a traduz em termos monetários está apenas a comparar especificações técnicas.

Uma análise de custos completa deve, portanto, incluir não só a taxa da API, mas também a latência, a taxa de transferência, os limites de concorrência e os riscos de falha. O DeepSeek especifica um limite elevado de concorrência direta para o Flash. A OpenAI oferece diferentes modos de processamento, cada um com os seus próprios custos e características de desempenho. Para os grandes utilizadores, a capacidade garantida pode ser mais importante do que uma diferença de alguns décimos de dólar por milhão de tokens.

Duas arquiteturas, dois modelos de negócio

O DeepSeek V4.1 Flash é um modelo de mistura de especialistas de grande dimensão com aproximadamente 552 mil milhões de parâmetros. No entanto, apenas uma parte da rede é ativada em cada etapa de processamento. A arquitetura separa o processamento de entrada e saída e opera com um número significativamente menor de parâmetros ativos do que o tamanho total sugeriria. Esta abordagem explica como um modelo muito grande pode combinar um elevado desempenho com custos de inferência comparativamente baixos e uma velocidade elevada.

Em contraste, o GPT-6 Luna é um modelo fechado. A OpenAI não publica os pesos completos nem todos os detalhes arquitetónicos. Portanto, o benefício económico para os clientes decorre exclusivamente do serviço oferecido, e não da sua própria implementação. A OpenAI controla o modelo, o software de inferência, o planeamento da capacidade, a integração do produto e uma parte significativa da procura. Este controlo vertical permite preços competitivos, mas também liga o cliente mais estreitamente à plataforma.

A diferença altera o significado da palavra "preço". Com o Luna, o "preço" refere-se principalmente à fatura da API. Com o DeepSeek, o "preço" pode referir-se à API direta, a um fornecedor externo ou ao custo total de operação do serviço. Uma vez que os pesos do Flash V4.1 estão disponíveis sob uma licença permissiva MIT, as empresas e os centros de dados podem alojar, modificar e integrar o modelo nas suas próprias infraestruturas. Portanto, a API DeepSeek designada não é a única forma economicamente viável do modelo.

A operação autónoma, no entanto, não é gratuita. Hardware, eletricidade, refrigeração, armazenamento, rede, capacidade de espera, monitorização, atualizações e pessoal especializado devem ser considerados. Um modelo demasiado grande só consegue custos unitários atrativos com uma utilização elevada e consistente. Para exigências irregulares, uma API baseada na utilização é frequentemente mais económica, uma vez que o fornecedor partilha os recursos da infraestrutura entre vários clientes. Os open weights do DeepSeek oferecem uma opção estratégica; contudo, não garantem um preço global mais baixo.

O ataque da OpenAI ao segmento de baixo custo

A alteração de preço do Luna não é apenas uma nota técnica, mas sim uma jogada estratégica. A OpenAI reduziu o preço de entrada em comparação com o GPT-5.6 Luna de 0,20 dólares para 0,10 dólares e o preço de saída de 1,20 dólares para 0,50 dólares. Isto posiciona o Luna não apenas como uma variante mais pequena dentro de um portefólio premium, mas como um modelo para o mercado de massas, visando volumes elevados. A empresa está a visar precisamente o mercado onde os fornecedores de código aberto e os programadores chineses detêm tradicionalmente o seu maior poder de negociação.

Esta estratégia de pricing pode ter diversas causas. Os avanços na arquitetura de modelos, quantização, cache, gestão de memória e utilização reduzem os custos marginais reais. Uma grande base de procura interna melhora a utilização do servidor. A capacidade computacional a longo prazo pode permitir custos médios mais baixos. Ao mesmo tempo, um fornecedor pode deliberadamente abdicar da margem para garantir a adoção antecipada da sua interface por parte dos programadores, das plataformas de agentes e dos processos empresariais.

Para a OpenAI, o Luna serve também como ferramenta para a diferenciação interna de preços. Um modelo de baixo custo lida com tarefas padronizadas e de alto volume, enquanto variantes mais poderosas captam clientes com maior disponibilidade para pagar. Os clientes permanecem dentro do mesmo ecossistema e podem alternar entre os níveis de modelo conforme a necessidade. Isto não só aumenta o volume geral do Luna, mas também o potencial para uma maior utilização de modelos, ferramentas e recursos empresariais mais dispendiosos. O baixo preço do token funciona como um ponto de entrada para um negócio de plataforma mais amplo.

Esta situação coloca a DeepSeek sob pressão, mesmo que os seus preços continuem a ser excecionalmente baixos. A concorrência está a mudar, deixando de ser sobre qual o fornecedor mais barato e passando a ser sobre qual o fornecedor que oferece o menor custo por resultado para um determinado nível de qualidade. A liderança do preço está, por isso, a tornar-se mais focada no curto prazo, dependente do contexto e mais difícil de alcançar através de uma comunicação eficaz.

A resposta da DeepSeek está para além da lista de preços

O DeepSeek não perde em nada o seu valor devido ao preço padrão mais baixo do Luna. O Flash V4.1 oferece uma combinação de alta inteligência, uma velocidade de saída muito elevada, uma grande janela de contexto, capacidades multimodais e pesos abertos. Para as organizações que priorizam o controlo técnico, a personalização ou a soberania dos dados, esta combinação pode ser mais importante do que o preço direto mais baixo da API.

A licença MIT permite a utilização comercial, a modificação e a distribuição com relativamente poucas restrições. Os operadores de data centers podem desenvolver as suas próprias ofertas com base nela. As empresas podem operar, ou ter operado, uma instância controlada numa jurisdição desejada. Os governos e os setores regulados ganham a opção de separar o modelo e a infraestrutura organizacionalmente. Embora a Luna ofereça opções de processamento regionais e europeias, continua a ser um serviço externo e fechado.

A DeepSeek também pode competir através de preços de terceiros. Diversas plataformas de inferência oferecem o modelo temporariamente abaixo do preço oficial. Estas ofertas podem resultar de hardware mais eficiente, utilização otimizada, condições especiais ou descontos temporários. Para os compradores, isto aumenta a pressão competitiva, mas também a complexidade. O intermediário mais barato não é automaticamente o parceiro mais fiável em termos de disponibilidade, privacidade de dados, versão do modelo e suporte.

Além disso, existem funções de pesquisa e recuperação com preços separados. O DeepSeek cobra 0,75 dólares por cada mil pesquisas ou recuperações bem-sucedidas. Estes custos não devem ser confundidos com o preço do modelo. Com a OpenAI, as chamadas de ferramentas também podem gerar as suas próprias taxas. Portanto, os sistemas agentivos não só consomem tokens, como também geram uma cadeia de execuções de modelos, pesquisas, acessos a ficheiros e repetições. A competitividade do DeepSeek depende cada vez mais desta cadeia como um todo, e não de uma única linha de preço.

O que revela a inversão de preços sobre o mercado da IA

A mensagem económica mais importante é que a inferência está a tornar-se cada vez mais um produto de mercado de massas. Os avanços tecnológicos, os chips especializados, a melhor utilização e a intensa concorrência estão a reduzir o custo por unidade. Historicamente, o custo para um determinado nível de desempenho caiu drasticamente num curto período. O GPT-6 Luna e o DeepSeek V4.1 Flash dão continuidade a esta tendência e alargam os limites do que pode ser automatizado.

No entanto, a descida dos preços unitários não significa necessariamente uma descida dos custos totais. Quando o preço por token cai, as empresas incorporam contextos mais longos, mais passos de agentes e bases de utilizadores maiores nas suas aplicações. Um processo que antes gerava uma resposta padronizada pode agora planear, pesquisar, acionar várias ferramentas, rever resultados intermédios e modificar a resposta. Como resultado, o número de tokens por transação pode aumentar mais rapidamente do que o seu preço desce. Este padrão é um efeito ricochete clássico: a eficiência torna a utilização mais barata e, portanto, gera procura adicional.

Para os fornecedores, está a surgir uma corrida às economias de escala. Os preços baixos atraem o volume, o volume melhora a utilização, a elevada utilização reduz os custos unitários e possibilita novas reduções de preço. As grandes plataformas têm vantagens porque podem agregar procura e distribuir a infraestrutura por muitos produtos. Os modelos de peso aberto funcionam como um contrapeso, uma vez que transferem a concorrência para o nível dos fornecedores de inferência. Não só o próprio modelo, mas também o operador de hardware pode competir pelos clientes.

A longo prazo, o preço puro do token irá provavelmente perder importância estratégica. Os modelos tornar-se-ão mais intercambiáveis, enquanto o acesso aos dados, as integrações, a segurança, a resiliência, a observabilidade e a qualidade específica do domínio ganharão importância. O preço permanecerá visível e facilmente comparável, mas a margem de lucro passará a ser de ferramentas, recursos da plataforma e soluções específicas do setor. A Luna e a DeepSeek, portanto, não são apenas dois modelos, mas dois caminhos para o mesmo mercado de IA industrializada.

A nova lógica de compras para as empresas

As empresas não devem declarar automaticamente o OpenAI ou o DeepSeek como padrão. Um conjunto robusto de testes com tarefas do mundo real é mais sensato. Isto envolve a captura de consultas típicas, comprimentos de contexto, tamanhos de cache, comprimentos de saída, requisitos de latência e critérios de qualidade. Ambos os modelos são então executados no mesmo conjunto de dados, utilizando raciocínio comparável e ferramentas idênticas. A avaliação centra-se não só nas respostas corretas, mas também nos custos, duração, repetições e no esforço necessário para a revisão humana.

A separação das cargas de trabalho é particularmente importante. Requisições em lote curtas, documentos longos, agentes de programação e assistentes interativos têm funções de custo diferentes. O Luna pode ser economicamente superior para contextos de curta e média duração, bem como para processamento em batch assíncrono. O DeepSeek pode ser vantajoso para pedidos ociosos muito longos, processos com uso intensivo de cache, baixa latência ou auto-aprovisionamento. Por conseguinte, um modelo global único resulta frequentemente em desperdício de recursos ou de qualidade.

Uma arquitetura moderna utiliza o encaminhamento. As tarefas simples são atribuídas à opção mais barata e suficientemente boa. Os casos complexos são encaminhados para um modelo mais robusto. Em caso de timeouts ou problemas de capacidade, um fornecedor de cópias de segurança assume o controlo. Uma instância DeepSeek auto-hospedada pode ser utilizada para dados sensíveis, enquanto as operações gerais de grande volume são executadas através do Luna. Esta estratégia multimodelo reduz as dependências e torna as flutuações de preços geríveis.

Ao mesmo tempo, o setor de compras deve estar atento à estabilidade das versões. O nome de um modelo pode ser redirecionado para um novo snapshot sem alterar o nome da API. Isto melhora a funcionalidade, mas pode alterar processos reproduzíveis. Por conseguinte, os contratos devem abranger características de desempenho, processamento de dados, disponibilidade, notificações de alterações e opções de rescisão. O token mais barato é inútil se uma alteração de modelo não notada destabilizar um processo regulado.

Do preço simbólico à contabilização completa do custo unitário

A contabilização profissional de custos em IA começa ao nível do processo. Para cada função, são medidos os novos tokens de entrada, tokens de cache, tokens de saída, chamadas de ferramentas e repetições. A infraestrutura, a transferência de dados, o armazenamento, a observabilidade e a garantia da qualidade humana também são considerados. O resultado não é o preço por milhão de tokens, mas sim o preço por fatura, caso de cliente, alteração de código ou documento avaliado.

De seguida, avalia-se o custo dos erros. Uma descrição incorreta do produto causa danos diferentes de uma decisão de crédito errada. Quanto maiores forem os custos consequentes, menos sensato é otimizar apenas para a tarifa mais barata. Um modelo que processa uma transação por uma fração de cêntimo a menos pode anular toda a vantagem devido a uma taxa de erro ligeiramente superior. Por isso, a qualidade deve ser traduzida num indicador económico fundamental.

A latência também tem um valor monetário. Para ferramentas internas, o tempo de espera pode estar ligado aos custos de pessoal e ao volume de transações. Para aplicações externas, a taxa de abandono, a receita e a satisfação do cliente podem servir como indicadores. Isto torna claro quando a velocidade do DeepSeek justifica um preço mais elevado por token ou quando o baixo preço do Luna se destaca para tarefas assíncronas.

Por fim, é necessário ter em conta o risco de dependência de fornecedores. Um modelo fechado pode gerar baixos custos operacionais, mas elevados custos de troca. Um modelo aberto pode incorrer em despesas operacionais mais elevadas, mas oferece alternativas estratégicas. A decisão entre a Luna e a DeepSeek é, portanto, também uma decisão sobre a flexibilidade. O valor económico desta flexibilidade geralmente só se torna aparente quando os preços mudam, surgem requisitos regulamentares ou ocorrem estrangulamentos de capacidade.

Porque é que listas simples de vencedores são enganosas

Uma classificação baseada num único preço já não reflete adequadamente o mercado. O GPT-6 Luna é mais barato para tráfego regular em tempo real de curta duração. O DeepSeek V4.1 Flash é mais barato para a leitura de cache. O Luna oferece modos assíncronos particularmente económicos. O desempenho do DeepSeek varia de acordo com a hora do dia e pode ser alojado localmente. O DeepSeek é mais rápido em medições independentes e ligeiramente mais eficiente em intensidade máxima de processamento. O Luna pode ainda atingir custos significativamente mais baixos por tarefa. Cada uma destas afirmações é verdadeira simultaneamente.

A escolha também depende da fonte. A definição de preços direta do fornecedor cria transparência e responsabilidade clara. Os routers podem ser mais baratos e mitigar interrupções, mas acrescentam outra camada de contratos e dados. A autogestão proporciona controlo, mas requer capital, pessoal e capacidade. Portanto, uma empresa com alguns milhões de tokens por mês tem uma solução ideal diferente de um operador de plataforma global com milhares de milhões de pedidos diários.

Os benchmarks não devem ser analisados ​​isoladamente. Pequenas diferenças de pontos podem estar dentro da margem de erro ou ser inerentes à natureza da combinação de tarefas. Níveis mais elevados de raciocínio consomem mais tempo e recursos. Um modelo com um bom desempenho médio pode apresentar um desempenho inferior num domínio específico. Portanto, a aquisição baseada em rankings públicos não substitui os testes internos.

A afirmação de que a Luna é mais barata que a DeepSeek e ninguém se apercebeu serve de alerta, mas é demasiado simplista para ser considerada uma generalização. Obriga o mercado a reexaminar antigas premissas. É exatamente aí que reside o seu valor. O fornecedor mais barato de ontem poderá ser mais caro amanhã, e o suposto modelo premium poderá tornar-se um factor decisivo para a redução de custos.

O verdadeiro vencedor é o conjunto de ferramentas de IA intercambiáveis

Do ponto de vista económico, nenhum dos modelos deve ser declarado vencedor definitivo. A organização que conseguir trocar, medir e combinar modelos com facilidade prevalecerá. Os preços e o desempenho mudam demasiado rápido para que uma arquitetura esteja permanentemente ligada ao ranking atual. Uma camada de modelos neutra, registos claros e testes de qualidade automatizados tornam a competição entre fornecedores benéfica para o comprador.

Para o tráfego padrão actual, o GPT-6 Luna oferece uma vantagem de preço convincente. As suas taxas de núcleo são inferiores às do DeepSeek V4.1 Flash, mesmo quando se utiliza o slot de tempo direto mais barato do DeepSeek. No entanto, para tráfego de contexto único de longa duração, utilização extrema de cache, latência mínima, pesos abertos e operação fiável, o DeepSeek continua a ser altamente atraente. Aqueles que consideram apenas a gama de preços ignoram estes fatores compensatórios.

A perspectiva estratégica, no entanto, é clara: a OpenAI desfez a narrativa do modelo ocidental inevitavelmente dispendioso. A DeepSeek já não pode ganhar apenas com base na sua reputação de liderança radical em termos de preços. A competição está a virar-se para o desempenho por dólar, velocidade, liberdade operacional e integração abrangente. Isto aumenta a pressão sobre todos os fornecedores e reduz os custos de entrada no mercado para novas aplicações de IA.

Em última análise, a notícia surpreendente não é que o Luna seja algumas centésimas de dólar mais barato. O ponto crucial é a rapidez com que uma estrutura de preços aparentemente estável pode ruir. As empresas que analisam as suas escolhas de modelos apenas anualmente estão provavelmente a pagar demasiado neste mercado. As empresas que medem continuamente a qualidade, a latência e os custos estão a transformar a guerra de preços entre a OpenAI e a DeepSeek na sua própria vantagem competitiva.

Da visibilidade à confiança: Seu caminho escalável com a Xpert.Digital - Imagem: Xpert.Digital

No setor B2B industrial, relacionamentos comerciais sustentáveis ​​raramente surgem da noite para o dia. Eles se desenvolvem passo a passo – por meio de visibilidade, relevância profissional, pontos de contato recorrentes e confiança crescente. O modelo de 4 etapas da Xpert.Digital aborda exatamente isso: oferece um caminho estruturado que começa com um ponto de entrada gerenciável e pode evoluir para uma colaboração mais profunda no desenvolvimento de negócios, se necessário.

Em vez de se basear em promessas de marketing impactantes, este modelo coloca o relacionamento em primeiro plano. As empresas começam com medidas claramente definidas e facilmente calculáveis ​​e, em seguida, decidem, com base na própria experiência, até que ponto desejam expandir a colaboração. Um fator essencial para esse processo de construção de confiança sem interrupções: a plataforma evita completamente anúncios publicitários intrusivos, de modo que o foco editorial permaneça exclusivamente na expertise das empresas.

Mais informações aqui:

• Da visibilidade à confiança: Seu caminho escalável com a Xpert.Digital

☑️ Nosso idioma comercial é inglês ou alemão

☑️ NOVO: Correspondência em seu idioma nativo!

Konrad Wolfenstein

Eu e minha equipe teremos o prazer de estar à sua disposição como seu consultor pessoal.

Você pode entrar em contato comigo preenchendo o formulário de contato aqui [email protected]:ou simplesmente ligando para +49 7348 4088 965. Meu endereço de e-mail é

Estou ansioso pelo nosso projeto conjunto.

☑️ Apoio a PMEs em estratégia, consultoria, planejamento e implementação

☑️ Criação ou realinhamento da estratégia digital e digitalização

☑️ Expansão e otimização dos processos de vendas internacionais

☑️ Plataformas de negociação B2B globais e digitais

☑️ Desenvolvimento de Negócios / Marketing / Relações Públicas / Feiras Comerciais Pioneiras