Como cobrar por agente de IA: assinatura por usuário, tarefa concluída e arquitetura headless

Aprofunde seus conhecimentos profissionais com nossos artigos ricos e gratuitos.

O orçamento de IA agêntica da sua empresa foi aprovado com base em licença por usuário. O agente contratado, porém, não loga às 9h nem desconecta às 18h: ele processa milhares de tarefas em paralelo, o dia inteiro. A métrica que sustentou a aprovação não descreve o comportamento que está sendo cobrado.

Não existe, hoje, um benchmark confiável de quanto custa manter um agente de IA em operação, nem no Brasil nem no mercado global. A pesquisa que sustenta este artigo confirmou essa lacuna: a IDC mede investimento agregado, a Growth Unhinged mapeia modelo de cobrança, mas nenhuma fonte primária cravou um número médio por empresa. Por isso a decisão que importa não é quanto pagar, é qual modelo de cobrança escolher.

O tema foi o eixo do painel de encerramento do Cortex Summit 2026, que reuniu Endeavor, iFood, Salesforce e The Magnum Ice Cream Company, com mediação de André Lopes, da EXAME. Este texto cruza o que foi discutido ali com dados da Gartner, Growth Unhinged e IDC. Você vai ver os três modelos de cobrança em disputa, por que um deles já fracassou, o que muda com arquitetura headless e para onde o preço deve caminhar.

Decidir como cobrar, ou como pagar, por um agente de IA é uma decisão de Go-to-Market Intelligence (GTM Intelligence). Olhamos esse tema pela lente de como inteligência artificial e humana se combinam para gerar resultado, não apenas pela lente de custo de infraestrutura.

Resposta rápida: três modelos disputam a cobrança de agentes de IA: assinatura por usuário (previsível, mas desconectada do volume de trabalho do agente), cobrança por conversa (abandonada, porque cobrava até a interação que não resolvia nada) e cobrança por tarefa concluída, como as Agentic Work Units da Salesforce. Não há benchmark público de custo médio, então a escolha depende do tipo de tarefa e da arquitetura por trás do agente.

Índice

Assinatura por usuário: onde o custo de agentes de IA rompe o modelo

A assinatura por usuário continua sendo o modelo preferido de quem compra software corporativo. O time financeiro já sabe precificar: multiplica assento por preço de licença e projeta o ano inteiro sem surpresa. Essa previsibilidade orçamentária é difícil de abrir mão.

O problema aparece quando o "usuário" vira um agente. Um agente de IA não senta em uma cadeira nem fecha o notebook às 18h: ele processa milhares de solicitações em paralelo, o tempo todo. O consumo de infraestrutura que ele gera não tem relação com o número de assentos contratados.

No Brasil, essa migração já é mensurável. Segundo a IDC, via MobileTime, um terço dos orçamentos de IA das empresas brasileiras já está alocado em agentes, dentro de um investimento total de US$ 3,4 bilhões em 2026, alta de 30% sobre o ano anterior.

O mercado global mostra o mesmo movimento. Levantamento da Growth Unhinged, com mais de 230 empresas B2B de IA, identificou que modelos híbridos de cobrança saltaram de 25% em 2025 para 37% em 2026. Quase um terço das empresas pesquisadas já cobra por crédito ou token consumido, e outro terço planeja migrar nos próximos seis a doze meses.

A assinatura pura não está morta. Ela segue servindo bem produtos com uso previsível. Mas, para um agente que trabalha em volume, o mercado tentou uma primeira correção: cobrar por conversa. Essa tentativa não durou.

Por que a cobrança por conversa fracassou nos agentes de IA?

A cobrança por conversa fracassou porque cobrava até pela interação que não resolvia nada. O modelo penalizava o volume de trocas, não o valor entregue, e por isso foi abandonado pelo mercado que o testou primeiro.

A lógica parecia simples de vender. Cada troca de mensagem entre cliente e agente virava uma linha de cobrança, fácil de explicar em proposta comercial e fácil de faturar no fim do mês.

O problema veio da própria natureza da conversa. Uma mensagem que resolvia o problema do cliente custava o mesmo que uma que só dizia "oi" ou pedia para repetir a pergunta. A métrica não distinguia entrega de ruído, e por isso remunerava o agente errado: o que conversava mais, não o que resolvia melhor.

Esse diagnóstico apareceu com clareza no painel de encerramento do Cortex Summit 2026. Se conversa não mede valor, resta medir o que o agente efetivamente entrega: a tarefa concluída. Foi essa lacuna que levou a Salesforce a criar uma unidade própria de medição.

O que são as Agentic Work Units da Salesforce e como elas cobram por tarefa concluída?

Agentic Work Units (AWU) é a unidade oficial que a Salesforce criou para cobrar agentes de IA: cada AWU corresponde a uma tarefa discreta concluída, não a uma conversa nem a um usuário logado.

Conta como uma AWU um prompt processado até o fim, uma cadeia de raciocínio concluída ou uma ferramenta externa invocada pelo agente. A unidade mede trabalho realizado, não tempo de sessão nem quantidade de mensagens trocadas. O termo oficial, conforme a própria Salesforce documenta, é Agentic Work Units, e é essa a nomenclatura que define a métrica.

O volume já opera em escala de produção. A Salesforce registrou 3,8 bilhões de AWUs geradas, sendo 1,6 bilhão só no primeiro trimestre, crescimento de 111% frente ao trimestre anterior. Esse volume prova que tarefa concluída já é métrica operacional, não conceito de slide, inclusive em operações que já rodam em arquitetura multiagente.

Daniel Hoe, VP de Marketing Latam da Salesforce, levou essa métrica ao painel de encerramento do Cortex Summit 2026. Para ele, cobrar por tarefa resolve ao mesmo tempo o problema da licença que não acompanha o volume de uso e o da conversa que não distinguia entrega de ruído.

Para quem pensa GTM Intelligence, o que importa na AWU não é o nome da métrica, é o princípio por trás dela: preço só faz sentido quando acompanha decisão, não sessão. É a mesma leitura que aplicamos a qualquer estratégia de Go-to-Market, com ou sem agente de IA no meio.

Arquitetura headless muda o que dá para cobrar (e como medir)

Arquitetura headless significa que o agente acessa sistemas diretamente por protocolo de contexto ou API, sem abrir uma tela nem depender de alguém clicando em botão. Ele não usa o software como um humano usaria, ele conversa com o sistema por trás da interface.

Essa mudança quebra a régua tradicional de SaaS. Login, tempo de sessão e assento contratado deixam de fazer sentido quando não há tela para medir. O que passa a valer é o resultado que o agente entregou, não a forma como ele "usou" o produto. É a mesma lógica por trás de um AI Business OS: a plataforma deixa de ser tela para virar motor de decisão.

O risco financeiro dessa mudança já tem tamanho calculado. Segundo a Gartner, US$ 234 bilhões em gasto de software corporativo estão em risco de "agentic arbitrage" até 2030, cerca de 20% de todo o gasto empresarial em SaaS. É o que acontece quando o agente entrega o resultado direto ao usuário final, contornando a aplicação tradicional que cobrava por assento.

Para quem decide orçamento de GTM, a leitura prática é direta: se o agente que você contratou opera headless, cobrar por login nunca vai refletir o valor real que ele entrega. A pergunta muda de "quantos assentos" para "quantas tarefas", e a resposta afeta diretamente qual portfólio de modelo de IA sustenta essa entrega sem estourar a margem.

Como escolher entre SLM e LLM para controlar o custo por tarefa?

A escolha entre SLM e LLM deve seguir a complexidade da tarefa: reserve o modelo maior e mais caro para o que exige raciocínio profundo, e use modelos menores quando a tarefa é simples e repetitiva.

Esse critério apareceu no encerramento do Cortex Summit 2026 como alavanca direta de margem, não como escolha técnica isolada de engenharia. Quando a cobrança é por tarefa concluída, o custo de rodar cada tarefa em um LLM caro, quando um modelo pequeno resolveria igual, come a margem da operação inteira.

Trocar SLM e LLM conforme a demanda vira decisão de liderança de GTM, não só de time técnico. Um portfólio de modelos bem desenhado reserva o modelo mais caro para exceção e usa o modelo mais barato como padrão.

A tendência de custo de base ajuda a decisão. Segundo a Gartner, o custo de inferência de um LLM de 1 trilhão de parâmetros deve cair mais de 90% até 2030 frente a 2025, quase cem vezes mais eficiente que os modelos de 2022. Esse dado descreve o custo de rodar o modelo, não o preço final cobrado do cliente, e essa distinção volta a importar na próxima seção.

Escolher entre SLM e LLM é, no fundo, decidir onde a inteligência humana continua dando a palavra final. A combinação de inteligências não desaparece quando o agente automatiza a tarefa: ela muda de lugar, do "quem faz" para "quem decide o tamanho do modelo que deve fazer".

Preço de agente de IA: por que deve subir antes de despencar

"O preço acho que vai subir. E depois que subir vai despencar." A frase é de Daniel Hoe, VP de Marketing Latam da Salesforce, no painel de encerramento do Cortex Summit 2026 mediado por André Lopes, da EXAME. É a leitura de um executivo que acompanha o mercado de perto, não um fato garantido.

A lógica por trás da previsão segue um padrão conhecido de categoria nova. Na fase inicial, escassez de fornecedores maduros e diferenciação real sustentam um preço mais alto. Depois, os preços tendem a cair com a redução do custo de inferência projetada pela Gartner e o amadurecimento do mercado, que amplia a oferta e facilita a comparação entre fornecedores.

Outro dado da Gartner reforça a pressão de alta no curto prazo, mas mede um fenômeno diferente. Segundo a Gartner (24/06/2026), o custo de codificação com IA deve superar o salário médio de um desenvolvedor até 2028, projeção qualitativa, sem múltiplo exato divulgado. Vale a distinção: o custo de codificar com IA sobe até 2028, enquanto o custo de inferência de LLM cai até 2030. São dados de fontes diferentes, sobre fenômenos diferentes.

Se o preço é instável por natureza, a pergunta de liderança não é quanto pagar hoje. É que modelo de cobrança resiste quando essa curva virar. Desde 2003 aplicamos Inteligência Aumentada e Machine Learning a decisões de negócio, e a leitura que tiramos disso é que quem decide orçamento de IA precisa tratar pricing como parte de estratégia de GTM, não como linha isolada de custo de TI.

Conclusão

Três modelos disputam a cobrança de agentes de IA hoje, e cada um mede um comportamento diferente do agente:

  • Assinatura por usuário: previsível, mas desconectada do volume real de trabalho do agente.
  • Cobrança por conversa: descartada pelo mercado, recompensava troca de mensagem, não resultado.
  • Tarefa concluída (AWU): mede entrega real, mas exige arquitetura e portfólio de modelo pensados para o custo por tarefa.

Não existe modelo único e certo para toda operação. O modelo certo depende do tipo de tarefa que o agente executa e da arquitetura, headless ou não, por trás dele.

Essa escolha muda de cara dependendo da frente de GTM que o agente atende. Numa operação de prospecção outbound, o critério se aproxima do que o Cortex Growth resolve todos os dias. No monitoramento de reputação, a régua se parece mais com o que o Cortex Brand mede. Na simulação de expansão de rede, o paralelo está no Cortex Geofusion. E na ativação de ponto de venda e trade, no Cortex Reach.

Se o preço de agente de IA deve subir antes de despencar, como previu Daniel Hoe, a decisão de cobrança não pode ser tomada uma vez e esquecida. Ela pede revisão periódica, na mesma cadência em que o mercado de IA muda. Para nós, essa não é uma decisão só financeira. É uma decisão que nasce de cultura data-driven, não de intuição orçamentária.

Veja outros insumos de GTM Intelligence e liderança para decidir o próximo passo da sua organização: o que é IA agêntica e como ela funciona, governança de IA na liderança de GTM e organizações agênticas: como se preparar para a próxima década do GTM. Acompanhe os próximos desdobramentos no LinkedIn da Cortex.

Perguntas frequentes sobre custo de agentes de IA

Quanto custa um agente de IA por mês?

Não existe hoje um benchmark confiável e público de custo médio de agente de IA, nem no Brasil nem no mercado global. O valor final depende do modelo de cobrança escolhido (licença, tarefa concluída ou consumo) e do volume real de uso. Para entender como cada modelo se comporta, veja o raciocínio completo nas seções acima.

Como funciona a cobrança por agente de IA?

Três modelos disputam espaço hoje: assinatura por usuário, cobrança por tarefa concluída (como a Agentic Work Unit da Salesforce) e cobrança por consumo, em créditos ou tokens. Cada um mede um comportamento diferente do agente, e a escolha certa depende do tipo de tarefa e da arquitetura por trás dele.

O que é outcome-based pricing em IA?

Outcome-based pricing é a cobrança por resultado entregue, não por tarefa executada nem por usuário licenciado. É a fronteira seguinte além da tarefa concluída, e ganha força à medida que a arquitetura headless torna o resultado do agente mais fácil de isolar e medir, o mesmo fenômeno por trás do risco de agentic arbitrage citado pela Gartner.

Vale mais a pena assinatura ou consumo em ferramentas de IA?

Não há resposta universal. Assinatura entrega previsibilidade orçamentária, consumo alinha o gasto ao uso real. O próprio mercado está escolhendo os dois ao mesmo tempo: modelos híbridos de cobrança saltaram de 25% em 2025 para 37% em 2026, segundo a Growth Unhinged.

Como escolher o modelo de precificação certo para IA agêntica B2B?

Três perguntas orientam a escolha: o agente opera em arquitetura headless? A tarefa que ele executa é simples ou complexa? O volume de uso é previsível ou variável? As respostas apontam para licença, tarefa concluída ou consumo, seguindo o raciocínio já construído ao longo deste artigo.

Quanto vai custar desenvolver software com IA até 2028, segundo a Gartner?

A Gartner projeta que o custo de codificação com IA deve superar o salário médio de um desenvolvedor até 2028. É previsão qualitativa, sem múltiplo numérico exato divulgado pela fonte, e não deve ser confundida com a queda no custo de inferência de LLM, um movimento diferente.