A maior parte do custo de um agente de IA em engenharia não vem de raciocínio. Vem de entrada e saída de dados: ler arquivos, gerar código repetitivo, atualizar documentação. Um engenheiro do Spotify cortou 90% do consumo de tokens do Claude Code delegando esse trabalho braçal a um modelo mais barato e reservando o modelo caro para o que exige julgamento. Eficiência em IA é decisão de arquitetura e de gestão, não de licença.
Tem uma cena que se repete em todo time que adotou agente de IA para programar. O agente abre cinco arquivos para responder uma pergunta sobre um único método. Gera um arquivo de teste idêntico aos vinte que já existem no projeto. Reescreve documentação depois de uma reunião. Milhares de tokens consumidos e quase zero raciocínio envolvido.
A conta dessa inércia vai para o modelo mais caro da prateleira, aquele que contratamos pela capacidade de resolver problemas difíceis. É como pagar um engenheiro sênior em dólar para tirar xerox. O xerox sai perfeito, mas o problema nunca foi a qualidade do xerox.
O caso: 90% menos tokens com dois agentes declarativos
O relato vem do blog de engenharia do Spotify. Um engenheiro usou o Portal, a plataforma interna da empresa, para criar dois modos de agente declarativos com o Gemini 2.5 Flash como modelo de trabalho: o bulk-reader, que lê vários arquivos grandes e devolve um resumo estruturado, e o code-writer, que gera código boilerplate seguindo os padrões de um arquivo de referência.
Em cima disso, ele montou um plugin para Claude Code chamado shunt, com três camadas de roteamento. Hooks bloqueiam leituras de arquivos acima de um limite de linhas e redirecionam para o modo barato. Scripts empacotam as chamadas. Skills ensinam o agente a usar o desvio. Se uma camada falha, a outra segura.
O resultado medido em um monorepo Java: economia média de 90% dos tokens nos cenários de leitura em massa. No cenário de geração de código, a economia é ainda mais estrutural, porque o código gerado vai direto para o disco e nunca entra no contexto do modelo caro. Nem leitura, nem escrita passam pelo frontier.
O detalhe que mais importa: nada disso exigiu time de plataforma, infraestrutura nova ou assinatura adicional. Os modos são configuração declarativa. Você descreve o comportamento, escolhe o modelo e dá um nome. O roteamento deixou de ser um problema de engenharia de sistemas e virou um problema de configuração.
A conta que ninguém quer olhar
O Gartner projeta que até 2028 o custo de IA para codificação vai superar o salário médio de um desenvolvedor, puxado justamente pelo consumo de tokens. Hoje, um quarto dos líderes de engenharia já queima entre US$ 200 e US$ 500 por desenvolvedor por mês em tokens. Alguns passam de US$ 2.000.
Para times brasileiros, essa conta chega em dólar e compete com folha. E ela cresce no ritmo da adoção: quanto mais o time confia no agente, mais trabalho braçal migra para ele. Sem uma política de uso, a eficiência que a IA promete vira uma linha de custo que ninguém consegue explicar para a diretoria. Já escrevemos aqui sobre o que acontece quando a empresa adota IA sem política de uso: o problema não é a ferramenta, é a ausência de governança em cima dela.
Esse tema, aliás, é o assunto do primeiro episódio do CRO Talks: o que realmente dá resultado com IA e o que só infla a fatura no fim do mês.
Nem tudo pode ser delegado
O relato é honesto sobre os limites, e é aí que ele fica realmente útil para quem quer replicar.
Edição não se delega. Os resumos do modelo barato não trazem números de linha confiáveis. Se o agente precisa editar código com base na análise, ele ainda precisa ler o trecho específico diretamente. A delegação economiza tokens no entendimento, não na alteração.
Raciocínio não se delega. No teste, o modelo barato identificou padrões superficiais mas deixou passar um bug sutil de concorrência que o modelo caro encontrou em segundos. Debugging, decisão de arquitetura e código crítico de segurança ficam explicitamente fora do roteamento.
Latência cobra pedágio. Cada delegação é uma ida e volta de rede de 10 a 30 segundos. Abaixo de um certo tamanho de arquivo, o desvio custa mais do que economiza. Por isso o limite de linhas existe e precisa ser calibrado, não copiado.
O que isso muda na prática
A tentação é ler esse case como uma história de engenharia do Spotify, com escala e recursos de sobra. Mas o mecanismo é o oposto: a solução nasceu de um desenvolvedor individual incomodado com a própria fatura. A pergunta que ele fez não foi “qual modelo é melhor”, e sim “que tipo de trabalho estou pedindo para o modelo fazer”.
Essa pergunta é de gestão. Quando o Claude deixa de ser chat e vira processo dentro do time, o custo deixa de ser um detalhe técnico e vira uma variável de orçamento. E roteamento de modelos não é privilégio de quem tem plataforma interna: dá para começar simples, inclusive acessando vários modelos por uma API única como o OpenRouter e direcionando cada tarefa para o modelo que o trabalho realmente exige.
Três perguntas para fazer na próxima reunião do time:
- Quanto do consumo de tokens do mês passado foi raciocínio e quanto foi leitura e geração repetitiva?
- Existe algum critério hoje decidindo qual tarefa vai para qual modelo, ou tudo cai no mais caro por padrão?
- Quem responde pela conta de IA quando ela ultrapassar o custo de uma contratação júnior?
Perguntas frequentes
O que é roteamento de modelos de IA?
É a prática de direcionar cada tarefa para o modelo com o custo e a capacidade adequados a ela. Leitura em massa e geração de código repetitivo vão para modelos baratos e rápidos. Debugging, arquitetura e decisões críticas ficam com o modelo de fronteira.
Quanto custa usar agentes de IA para programar?
Segundo dados citados pelo Gartner, um quarto dos líderes de engenharia gasta entre US$ 200 e US$ 500 por desenvolvedor por mês em tokens, e alguns passam de US$ 2.000. A projeção é que até 2028 o custo de IA de codificação supere o salário médio de um desenvolvedor.
Usar um modelo mais barato derruba a qualidade do código?
Não, quando a divisão de trabalho é correta. O modelo barato lê e resume arquivos ou gera código que segue padrões já existentes no projeto. O que exige julgamento, como encontrar um bug de concorrência ou decidir uma arquitetura, continua com o modelo mais capaz.
Preciso de uma plataforma como o Portal do Spotify para aplicar isso?
Não. O Portal torna o padrão reusável e compartilhável, mas o princípio funciona com ferramentas mais simples. Serviços como o OpenRouter já permitem chamar vários modelos por uma única API e escolher o mais barato para cada tipo de tarefa.
Fontes
- Portal by Spotify cut my Claude Code token usage by 90%, Spotify Engineering
- Gartner prevê que custo de IA de codificação vai superar salário de desenvolvedor até 2028
- Documentação dos AiKA Modes no Portal by Spotify
- Repositório portal-ai-plugins no GitHub
Sobre o autor
Rafael Damasceno trabalha com growth e otimização de conversão há mais de 15 anos. Cofundou e vendeu a Supersonic, a maior agência de experimentação e CRO da América Latina. Perfil de Rafael Damasceno no LinkedIn.