O stack multimodelo: como as startups estão a cortar 85% nos custos de programação com IA em 2026

A 7 de julho de 2026, Paul Graham publicou uma experiência mental de uma linha que tomou conta do Twitter tecnológico: «Imagine como será se, daqui a 5 anos, os modelos tiverem melhorado em relação ao Fable tanto quanto o Fable melhorou em relação ao GPT-3.» As citações dividiram-se como sempre: metade espanto, metade ceticismo. Mas a conversa mais útil nem sequer era sobre 2031. Estava nas respostas, onde developers no ativo publicaram as suas faturas.

$200 por dia. $350 por dia. $500 por dia em ciclos intensivos de agentes. Não eram casos isolados: era um fluxo constante de fundadores e engenheiros a dizer o mesmo. Os modelos de fronteira mais recentes são espantosos, e passar todo o fluxo de desenvolvimento por eles está, discretamente, a tornar-se uma das maiores rubricas do orçamento de uma pequena startup. Na mesma semana, um padrão alternativo tornou-se viral no Reddit e no X: o stack multimodelo, e os números por trás dele merecem a atenção de qualquer fundador.

O problema: preços de topo por trabalho rotineiro

Eis as contas incómodas. Os modelos de fronteira atuais custam, a preço de tabela, cerca de $10 por milhão de tokens de entrada e $50 por milhão de tokens de saída. Os modelos de gama média dos mesmos laboratórios custam um quinto disso ou menos. E para uma grande parte do que um fluxo de desenvolvimento realmente faz (mudar nomes de variáveis, escrever código repetitivo, gerar testes a partir de uma especificação clara, corrigir erros de lint, iterar sobre CSS), o modelo de gama média produz essencialmente o mesmo resultado.

Quando passa tudo pelo modelo de fronteira, paga o prémio 100% do tempo por trabalho que só precisa dele talvez 20% do tempo. É assim que um fundador a solo acaba com uma fatura de IA de $6,000/mês antes de ter um único cliente pagante.

O padrão: planear → executar → rever

O stack multimodelo que se tornou viral esta semana tem três fases, cada uma encaminhada para o modelo mais adequado, e com melhor preço, para a tarefa:

• Planeie com o modelo mais inteligente. Decisões de arquitetura, dividir uma funcionalidade em passos, detetar os casos-limite em que não tinha pensado: é aqui que o raciocínio de fronteira justifica o seu preço. O resultado é um plano detalhado, que é curto. Uma saída curta no modelo caro é exatamente a ordem certa.
• Execute com o modelo mais barato que funcione. Com um bom plano na mão, gerar código é sobretudo transcrever. Os modelos de gama média e os rápidos tratam disso a um custo 5 a 10 vezes menor, e a saída longa e cheia de tokens cai no contador barato, não no caro.
• Reveja com um modelo diferente. Um segundo modelo de outra família apanha uma classe de erros diferente da do modelo que escreveu o código, pela mesma razão que faz a revisão de código entre pessoas funcionar. Os ciclos de depuração que encravam num modelo desbloqueiam-se muitas vezes assim que entrega o registo a outro.

Porque é que isto importa mais às startups do que a qualquer outra empresa

Uma grande empresa consegue absorver uma fatura de IA inflacionada. Uma startup em fase pre-seed não consegue e, mais importante, o hábito acumula-se. As equipas que cedo tratam o encaminhamento de modelos como uma disciplina de engenharia acabam com três vantagens estruturais:

• Economia unitária que sobrevive à escala. Se o seu produto chama LLM, a mesma lógica de encaminhamento que lhe poupa dinheiro no desenvolvimento torna-se o seu argumento de margens em produção. Em 2026, os investidores perguntam pelos custos de inferência; «encaminhamos 80% dos pedidos para modelos que custam um décimo» é uma boa resposta.
• Sem dependência de um único fornecedor. Um fluxo multimodelo obriga a abstrações limpas à volta das chamadas a modelos. Quando os preços mudam (e este ano mudaram todos os meses), troca um valor de configuração, não uma arquitetura.
• Melhores resultados, não só mais baratos. A revisão entre modelos apanha realmente mais bugs. As equipas que adotam o stack por causa do custo ficam com ele por causa da qualidade.

Como o montar esta semana

• Primeiro, meça. Passe dois dias a registar quanto gasta realmente por tipo de tarefa. A maioria das equipas descobre que 60–80% dos tokens vão para saídas da fase de execução que nunca precisaram de raciocínio de fronteira.
• Divida o fluxo na fronteira do plano. Peça ao modelo de fronteira um plano explícito e escrito: ficheiros a alterar, funções a escrever, casos-limite a tratar. É esse artefacto que torna fiável a execução barata.
• Escolha um executor barato e um revisor. Não monte uma orquestra de cinco modelos no primeiro dia. Um planeador, um executor e um revisor de outra família cobrem 95% do benefício.
• Escale perante falhas, não por omissão. Quando o modelo barato falhar duas vezes na mesma tarefa, passe-a para cima. Essa única regra mantém a qualidade alta sem voltar a inflacionar a fatura.

O quadro geral: Graham provavelmente tem razão, e é esse o ponto

É difícil exagerar a distância entre o GPT-3 e os modelos de fronteira atuais, e se os próximos cinco anos a repetirem, a maioria dos debates de hoje sobre fluxos de trabalho vai parecer antiquada. Mas esse futuro corta nos dois sentidos: todos os modelos de fronteira do passado acabaram por se tornar modelos comuns. O modelo de topo de hoje a $50 por milhão de tokens é o executor barato do próximo ano. Um stack multimodelo não é uma aposta contra o progresso da IA: é a arquitetura que beneficia dele automaticamente, porque cada novo lançamento entra na sua tabela de encaminhamento no nível que o seu preço justifica.

As startups que vencerem este ciclo não serão as que mais gastaram em tokens. Serão as que criaram a disciplina de gastar exatamente o que cada tarefa vale, e que lançaram mais depressa por causa disso.

Se está a construir um produto de IA e quer ajuda para desenhar uma arquitetura de encaminhamento de modelos que mantenha os seus gastos previsíveis, marque uma chamada de descoberta gratuita: é exatamente o tipo de sistema que entregamos a fundadores todos os meses.

Related Posts

Integração vertical de IA nas empresas: ser dono das camadas de GPU, modelo e aplicação em 20267 de julho de 2026

O stack vertical de SLM: GPU, treino e camada de aplicação para IA específica de domínio em 20266 de julho de 2026

O comando /loop do Claude Code: como usá-lo para fluxos de programação mais inteligentes em 20263 de julho de 2026