VibeVO – Advertisers and creators in one ecosystem

Tag: cpm ia

  • CPM lucrativo: como calcular o custo real de uma resposta útil da IA

    CPM lucrativo: como calcular o custo real de uma resposta útil da IA

    Olá, colegas afiliados! Meu nome é Timur, sou responsável pelo marketplace na Cloud.ru. Fornecemos uma plataforma para serviços de IA que se integram à infraestrutura de nuvem dos clientes. Minha tarefa é garantir a transparência dos preços. Atualmente, muitos avaliam a IA pelo custo dos tokens, mas isso está fundamentalmente errado. O cliente não paga por tokens, mas por um resultado específico. Neste artigo, analisaremos como calcular corretamente a economia unitária de um <a href="/pt/blog/avatar-de-ia-como-dar-um-rosto-a-um-assistente-de-voz-e-evitar-armadilhas/" title="Postagem em massa de vídeos: 4 estratégias para repetir tarefas por agentes de IA“>agente de IA, com base nos dados da Cloud.ru, e determinaremos o custo real de uma resposta útil para entender qual CPM é lucrativo.

    “O fornecedor no marketplace deve definir um preço para seu agente, o cliente deve entendê-lo, e a plataforma deve garantir que os preços na vitrine possam ser comparados entre si. Enquanto as três partes medirem o custo por tokens, nada disso funcionará.”

    Os materiais anteriores foram dedicados ao OpenClaw: como implantar um agente sem vazamento de dados e por que uma nova versão é um serviço separado. Hoje, falaremos sobre dinheiro.

    Avaliação de custos de serviços de IA: foco na economia unitária

    Unidade de medida: resposta útil, não tokens

    Token é uma métrica ruim. O cliente não compra tokens, mas a solução para seu problema. “Diálogo fechado” também é enganoso. A Intercom, por exemplo, distingue dois tipos de soluções: confirmadas (o cliente disse “obrigado”) e presumidas (o cliente simplesmente saiu).

    Ambas são pagas, mas há uma nuance: se o cliente retornar com a mesma pergunta, a solução é anulada. Exemplo da Lorikeet (195 casos, 38 fornecedores): dos 4200 diálogos fechados por IA, 900 foram fechados com um link para um artigo da base de conhecimento. Sem eles, a proporção de resolvidos cai de 70% para 55%.

    A diferença entre “fechado” e “resolvido” é enorme. Portanto, nossa unidade de medida é a resposta útil. Este é um diálogo fechado por IA sem intervenção humana, onde o cliente não retornou com a mesma pergunta dentro de 72 horas e não deixou uma avaliação negativa. Tudo o que não passou por esses filtros entra no numerador dos custos, mas não no denominador das respostas úteis. Tentativas malsucedidas são pagas pelas bem-sucedidas. Este é o ponto chave.

    Caso modelo: suporte a uma loja online

    Para os cálculos, usaremos um cenário típico: suporte a uma loja online. Este é um caso em massa com um grande volume de dados públicos. A loja recebe 40.000 solicitações por mês. 90% delas (36.000 diálogos) são roteadas para o agente de IA.

    Os diálogos fechados pelo agente sem operador, que chamamos de fechamentos automáticos, são a métrica que os fornecedores mostram. A estrutura do agente: RAG (pesquisa na base de conhecimento + geração de resposta) mais a ferramenta “status do pedido”. Para cada diálogo, há três chamadas LLM:

    1. Compreender a solicitação e escolher a rota.
    2. Responder com base nos fragmentos encontrados.
    3. Recorrer à ferramenta ou compilar um resumo para o operador.

    Em média, são 12.000 tokens de entrada (prompt do sistema, fragmentos, histórico) e 800 de saída. As consultas à base de conhecimento são duas por diálogo. Um modelo de filtro verifica a réplica do cliente e a resposta do agente (1000 tokens para cada uma das três chamadas). Adicionamos mais 15% de tokens para gerações repetidas.

    Infraestrutura e custos

    Utilizamos os serviços Cloud.ru:

    • Base de conhecimento: Evolution Managed RAG.
    • Agente: Evolution AI Agents.
    • Logs: Evolution Managed PostgreSQL.

    Custo de um operador de suporte em Moscou: 125.000 rub./mês (85.300 rub. salário segundo hh.ru para 2025 + contribuições e despesas gerais). Com 40 tickets por dia, um ticket custa 149 rub. Um minuto de operador – 15,5 rub. (125.000 rub. / 80% de 10.080 minutos). Para chat no varejo (60 atendimentos/dia), o custo do ticket é de 99 rub.

    Suposições para os cálculos

    Principais suposições:

    • Proporção de fechamentos automáticos: mediana de casos públicos – 70%. Ozon: 27% (2020) -> 62% (2022). Tomamos o meio – 50%.
    • Diálogos que não passaram no filtro: o cliente retornou em 72 horas ou deu uma avaliação negativa. Suposição: 6% (no exemplo Lorikeet, 21% dos diálogos fechados eram links).
    • Preço de tal diálogo: 150 rub. de compensação + 3 minutos de operador (200 rub.).
    • Tempo do operador para escalonamento: 1,5 minutos além do ticket normal.
    • Verificação manual: 3% de todos os diálogos por 3 minutos.
    • Base de conhecimento, prompts: 0,5 FTE de especialista (otimista).
    • Amortização: 50.000 rub./mês (para um integrador com CRM – até 1,5 milhões de rub.).

    Preços de modelos e infraestrutura (Cloud.ru, outubro de 2026)

    Tarifas Evolution Foundation Models (com IVA 22%, por 1 milhão de tokens):

    • HiveTraceGuard-Pro (filtro): entrada 25 rub., saída 125 rub.
    • Qwen3-30B-A3B: entrada 10 rub., saída 50 rub.
    • GigaChat-3-Pro: entrada 25 rub., saída 125 rub.
    • Claude Haiku 4.5: entrada 100 rub., saída 500 rub.
    • Claude Sonnet 4.6: entrada 360 rub., saída 2250 rub.

    Diferença entre o modelo barato e o caro: 36x na entrada, 45x na saída. Infraestrutura (Evolution, setembro de 2026, 730 horas/mês):

    • 4 vCPU + 8 GB RAM: 1,5616 rub./vCPU-hora, 0,3904 rub./GB-hora.
    • Evolution Managed RAG (2 GB, 72.000 requisições): 1,3664 rub./GB-hora, 0,0976 rub./1000 requisições.
    • Evolution Managed PostgreSQL (2 vCPU, 4 GB RAM, 100 GB SSD): 1,49145 rub./vCPU-hora, 0,4026 rub./GB-hora, 0,016836 rub./GB-hora.

    Total da infraestrutura: 13.420 rub./mês. Esta é a linha mais barata no cálculo.

    Cálculo do custo de uma resposta útil

    Preço de um diálogo

    Primeiro, calculamos o custo de um diálogo em diferentes modelos:

    • Qwen3-30B-A3B: 0,43 rub.
    • GigaChat-3-Pro: 1,32 rub.
    • Claude Haiku 4.5: 3,76 rub.
    • Claude Sonnet 4.6: 10,99 rub.

    Uma diferença de 25 vezes! Se parássemos por aqui, a escolha do modelo seria crítica.

    CPM выгодный: как считать реальную стоимость полезного ответа ИИ — illustration 2

    Preço de uma resposta útil

    De 36.000 diálogos, com 50% de fechamentos automáticos, 18.000 foram fechados. Destes, 6% foram erros. Restam 16.920 respostas úteis. Cada resposta útil não inclui apenas tokens, mas também:

    • Tokens de tentativas falhas.
    • Minutos de operadores em escalonamento.
    • Custo de erros.
    • Verificação.
    • Base de conhecimento.
    • Implementação.

    A diferença de 25 vezes nos tokens se transforma em 1,4 vezes por resposta útil: de 51 rub. a 73 rub. O modelo caro (Claude Sonnet 4.6), que é 25 vezes mais caro em tokens, acaba sendo apenas 40% mais caro em termos de preço por resultado. Por quê? Porque todos os outros custos são os mesmos para todos os modelos.

    Estrutura de preços: GigaChat-3-Pro (53 rub.)

    Para GigaChat-3-Pro (53 rub. por resposta útil):

    • Escalonamentos e respostas errôneas: 71% do custo. Esses custos geralmente não são considerados como “despesas de IA”, mas estão incluídos nos salários de suporte ou compensações.
    • Tokens: 2,8 rub. (5%). Esta é a única linha que todos comparam.
    • Infraestrutura em nuvem: 0,80 rub.

    No Claude Sonnet 4.6, os tokens já representam 32% do preço. Aqui, faz sentido economizar em tokens. Como?

    1. Redução de contexto: reduzir 12.000 tokens de entrada para 6.000. A resposta útil no Sonnet fica mais barata de 73 para 65 rub.
    2. Cache: a leitura do cache é 10 vezes mais barata. Se metade do contexto for um prompt do sistema, o preço cai para 66 rub.

    No Qwen, essas técnicas economizam centavos.

    Principais alavancas de economia

    1. Taxa de fechamentos automáticos

    A transição de um piloto (35-50% de fechamentos automáticos) para um ambiente de produção (65%) economiza 15-19 rub. Dez pontos percentuais de fechamentos automáticos equivalem à transição para um modelo mais barato (no Sonnet, o aumento de 50% para 60% economiza 14 rub., a substituição do Sonnet pelo Haiku – 15 rub.). Mas o primeiro funciona em qualquer modelo, o segundo – uma vez.

    2. Taxa de erros

    A taxa de diálogos fechados que não passaram no filtro é pouco medida, mas é crítica.

    Taxa de não aprovados no filtro Preço da resposta útil Custos (rub./mês)
    6% X Y
    3% X – 8 rub. Y – Z

    A redução de erros de 6% para 3% economiza 8 rub. em cada resposta útil. A transição do GigaChat-3-Pro para o Qwen3-30B-A3B economiza apenas 2 rub. 15% de erros podem custar mais da metade do salário de um operador, se considerarmos resolvido cada diálogo em que o cliente ficou em silêncio.

    3. Qualidade do escalonamento

    Eu considerei 1,5 minutos de operador para escalonamento (leitura do resumo, continuação). Isso funciona com uma transferência “quente”: o agente transfere para o operador um histórico resumido, número do pedido e lista de ações. Em uma transferência “fria” (o operador lê todo o diálogo, onde o bot respondeu incorretamente três vezes), 1,5 minutos se transformam em 3 ou 6.

    Com 3 minutos, uma resposta útil no GigaChat-3-Pro fica mais cara, de 53 para 77 rublos, e com 6 minutos, para 127 rublos. Isso já é mais caro que um operador regional. Se o agente identifica o cliente e pré-preenche o ticket, o operador economiza um ou dois minutos, e essa linha fica no vermelho.

    “A qualidade da transmissão acaba sendo um item de orçamento separado com a maior variação em todo o modelo, e deve ser medida: o tempo médio de processamento de tickets escalados deve ser contado separadamente dos normais.”

    Lutar pela precisão = queimar tokens? Se para reduzir erros de 6% para 3% os tokens por diálogo aumentam 1,6 vezes, no GigaChat-3-Pro a resposta útil ainda fica mais barata, de 53 para 46 rublos. No Sonnet, tokens extras são mais caros do que a precisão ganha, é melhor melhorar a base de conhecimento lá.

    Conclusões: o que considerar um CPM lucrativo

    Conclusão prática: no circuito de trabalho de suporte, o mais caro não são os tokens, mas o denominador. Tudo o que aumenta a proporção de respostas úteis (qualidade da base de conhecimento, roteamento correto, conjuntos de teste) se paga mais rápido do que qualquer negociação pelo preço de um milhão de tokens.

    Modelos caros (por exemplo, Sonnet) se pagam se trouxerem 10 pontos de fechamentos automáticos e 2 pontos de precisão em comparação com os mais baratos. Se a diferença em seu conjunto de teste for menor, você está pagando a mais. Se for maior, você está economizando tokens desnecessariamente.

    Comparação com um humano: duas ressalvas

    1. Preço do ticket: a 149 rublos por ticket, mesmo um piloto com 35% de fechamentos automáticos no Sonnet (110 rublos por resposta útil) parece lucrativo. Paridade com o operador – com 20-27% de fechamentos automáticos. Mas se o operador fecha 60 tickets por dia (99 rublos/ticket), o mesmo piloto no Sonnet (110 rublos) já é mais caro. Um operador regional/terceirizado (64 rublos/ticket) muda o cenário: GigaChat-3-Pro (42 rublos) é mais barato, Sonnet (62 rublos) – paridade. A questão “se pagará” depende do custo do seu ticket e da proporção de fechamentos automáticos.

    2. Volume: custos fixos (base de conhecimento, implementação, infraestrutura) – 163.000 rublos/mês. Para 36.000 diálogos. Para 6.000 diálogos, uma resposta útil no GigaChat-3-Pro – 101 rublos, para 3.000 – 159 rublos (mais caro que o operador). Abaixo de 3.500 diálogos por mês, o agente não se paga. Se os custos fixos forem maiores (um salário integral para a base de conhecimento – 200.000 rublos/mês, implementação – 1,5 milhão de rublos), o limite de lucratividade muda para 7.000 diálogos por mês. A proporção de tokens cai para 4%: quanto mais realistas forem os outros custos, menos significativo parece o preço por milhão de tokens.

    O que não foi considerado no modelo (em ambos os sentidos)

    • Contra o agente: licença do sistema de tickets ou plataforma de chat.
    • A favor do agente: rotatividade de pessoal (até 50% ao ano), custos de recrutamento e treinamento, trabalho lento de novatos, escalabilidade para vendas, pagamento de turnos noturnos/fins de semana. Essas coisas são difíceis de calcular sem dados específicos, mas é por elas que as empresas muitas vezes estão dispostas a pagar, mesmo que a economia unitária diária mostre paridade.

Perguntas frequentes

O que é uma “resposta útil” no contexto de um agente de IA?

Uma resposta útil é um diálogo encerrado pela IA sem intervenção humana, em que o cliente não retorna com a mesma pergunta dentro de 72 horas e não deixa uma avaliação negativa. Esta é uma métrica chave para avaliar a eficácia real e o custo do serviço de IA.

  • IA em Fintech: quem lidera a pesquisa e quanto custa?

    IA em Fintech: quem lidera a pesquisa e quanto custa?

    Um estudo de 68.334 respostas de cinco plataformas de IA diferentes revelou quais marcas fintech dominam o cenário da inteligência artificial. Se você quer entender como o CPM é lucrativo na nova realidade da pesquisa, esta informação é crucial.

    Os métodos tradicionais de SEO não garantem visibilidade na IA, o que significa que muitas empresas estão perdendo a oportunidade de obter tráfego onde os consumidores procuram respostas para questões financeiras. Analisamos 250 consultas em 10 categorias de produtos fintech para consumidores para determinar o cenário real.

    Por que a visibilidade de IA é a nova métrica de sucesso?

    De acordo com a Plaid, mais de 200 milhões de pessoas fazem perguntas sobre finanças pessoais apenas no ChatGPT mensalmente. Adicione a isso o Google AI Overviews e o Claude — e o volume de soluções formadas por IA se torna colossal.

    Uma pesquisa da LendingTree mostrou: quase metade (49%) dos usuários de chatbots afirmaram que a IA influenciou pelo menos uma de suas decisões financeiras, mais frequentemente relacionadas a orçamentos, impostos ou abertura/fechamento de contas e empréstimos.

    “O sucesso na pesquisa tradicional não significa visibilidade automática na IA. Você pode dominar o Google para consultas-chave e ainda não aparecer nas respostas do ChatGPT para perguntas semelhantes. A magnitude dessa lacuna é surpreendente”, observam os especialistas.

    Das 68.334 respostas, 7.317 marcas únicas foram mencionadas. A pontuação máxima de visibilidade de IA (escala de 100 pontos, considerando frequência de aparição, posição de menção e número de categorias) foi de 65,6.

    Entre as marcas puramente fintech, nenhuma ultrapassou a marca de 65. Isso indica que o mercado é fragmentado e que os recém-chegados têm uma chance.

    Metodologia: como calculamos a pontuação de visibilidade de IA

    • 10 categorias: selecionadas pela relevância para o setor.
    • Posição da menção: determinada pela primeira aparição no texto da resposta.
    • Tonalidade: avaliada pelo contexto circundante das palavras-chave. São proxies textuais, não marcação manual.

    Líderes em visibilidade de IA: quem e por quê?

    A Apple lidera com 65,6 pontos. Embora não seja uma marca puramente fintech (Apple Pay, Apple Card), ela estabelece o padrão. Entre as empresas puramente fintech, a SoFi lidera com 64,6 pontos.

    A razão é simples: a SoFi é a única marca que apareceu em todas as 10 categorias fintech, incluindo bancos, empréstimos, investimentos e transferências de dinheiro. A frequência de menções representa 50% da pontuação total, e a cobertura de categorias, 20%. Nenhuma outra marca fintech se aproximou da SoFi nesse indicador.

    A seguir estão:

    • PayPal: 59 pontos (3º lugar).
    • Charles Schwab: 53.6 pontos.
    • Chime: 53.0 pontos.
    • Revolut: 52.6 pontos.

    Fidelity e Wise tiveram um bom desempenho, apesar de menos menções, devido à sua aparição precoce nas respostas (em média, 3ª posição). Isso mostra que um teste de hipóteses barato sobre o impacto da posição da menção na conversão é totalmente justificado.

    Exemplo da Wealthfront: amplitude é mais importante que volume

    A Wealthfront, com 46 pontos, tem muitas menções, mas abrange apenas 7 das 10 categorias. Essa lacuna na cobertura custou-lhe posições em comparação com marcas com menos menções, mas com uma presença mais ampla nas categorias.

    Isso demonstra que o CPM é vantajoso não apenas pela quantidade, mas também pela qualidade da cobertura.

    Líderes de Categoria: Quem Domina os Nichos?

    Cada uma das 10 categorias fintech tem seu próprio cenário de visibilidade de IA. O líder da categoria frequentemente não é o líder do índice geral. A concentração de marcas varia muito.

    • Compre agora, pague depois (BNPL): a mais consolidada. Klarna (91.8%), Affirm (83.1%), Afterpay (80%). Klarna é quase sempre mencionada primeiro.
    • Transferências de dinheiro: Wise lidera com 84.7% das menções, mantendo a estabilidade em todas as cinco plataformas de IA. Remitly (66.8%) e Western Union (55.2%) ficam para trás. Wise ocupa o primeiro lugar em 57.7% das respostas onde aparece. Este é um excelente exemplo de uma marca desafiante superando um veterano.
    • Investimentos: Fidelity (74.5%) e Charles Schwab (73.8%) são co-líderes, a IA não dá preferência a nenhum deles. Robinhood (56.3%) está em terceiro lugar. Marcas menores com conteúdo forte em comparação de recursos competem com os gigantes.
    • Robo-advisors: Betterment (84.2%) e Wealthfront (75.7%) – um par claro. Betterment é frequentemente mencionado primeiro.
    • Serviços bancários: SoFi (59%) e Chime (54.2%) lideram. Capital One (40.3%) e Ally Bank (40.2%) dividem o terceiro lugar.
    • Criptomoedas: Coinbase domina com 72.9% das menções. Kraken (64.9%) e Binance (52.5%) seguem.
    • Orçamento: YNAB lidera com 72.8% das menções e é quase sempre a primeira ferramenta de orçamento que a IA nomeia. Monarch Money (55.5%) ocupa o segundo lugar.
    • Empréstimos: a categoria mais fragmentada. SoFi (43.7%) lidera, mas a diferença para Upstart (36.5%) e LightStream (33.1%) é mínima. Aqui, um teste de hipóteses barato pode trazer resultados rápidos.
    • Software para negócios: Intuit lidera com 58.3% graças a QuickBooks e TurboTax. Xero (41.2%) é o segundo.
    • Pagamentos: PayPal (81.5%) — a marca mais mencionada, mas raramente a primeira (em média, 4.46ª posição). Venmo (64.2%), Cash App (48.1%) e Zelle (46.4%) seguem-no. Apple Pay, apesar da alta pontuação geral da Apple, ocupa o quinto lugar nesta categoria.

    Tonalidade das menções e influência das plataformas de IA

    Menos de 2% das menções a marcas fintech têm uma conotação negativa. As respostas da IA são geralmente neutras ou positivas. Os líderes em tonalidade positiva são ferramentas para finanças empresariais: FreshBooks, QuickBooks, Wave (mais de 75% de menções positivas).

    Isso explica-se pelo facto de a IA as recomendar no contexto da resolução de tarefas, usando formulações como “QuickBooks simplifica…”.

    Wise (69% de positivo) e Capital One (68.6% de positivo) destacam-se pelo alto nível de descrições favoráveis (“confiável”, “transparente”, “bem estabelecido”). A IA retira estas formulações de fontes externas, como listas dos melhores produtos em publicações financeiras.

    Por outro lado, Cash App e Wells Fargo têm a maior percentagem de menções negativas (1.7% e 1.5% respetivamente), relacionadas com taxas e problemas que surgem no contexto de reclamações.

    AI em fintech: quem lidera na pesquisa e quanto custa? — ilustração 2

    Conclusão estratégica: a tonalidade é formada pela linguagem das fontes que a IA utiliza e pelo contexto da consulta. Se a sua marca aparece mais frequentemente no contexto de reclamações, isso refletir-se-á na descrição da IA. Se for em instruções e revisões, isso também influenciará. Ou seja, a tonalidade reflete uma mistura das suas fontes, e não apenas a reputação.

    Diferenças entre plataformas de IA

    Cinco sistemas de IA diferem:

    1. Pelo número de marcas na resposta.
    2. Pelas preferências de marcas específicas.
    3. Pelas fontes de informação.

    ChatGPT menciona mais frequentemente PayPal (25.3%) e SoFi (20.5%). Claude Sonnet 4, pelo contrário, é mais seletivo. NerdWallet mostrou uma diferença extrema: 11.5% nas Google AI Overviews contra 1.3% no Gemini.

    Gemini fornece as respostas mais densas (em média 9.8 marcas), enquanto Perplexity e Claude — apenas 6. Menos marcas na resposta significa menos concorrência, o que é importante para uma alternativa orçamental à semeadura.

    Reddit é mencionado em 12% das respostas do ChatGPT e 7.8% das Google AI Overviews, mas em menos de 0.2% do Perplexity e Claude. Isso indica que as plataformas de IA têm diferentes fontes de dados, o que afeta a comparação de preços da promoção.

    Perguntas frequentes

    O que é o AI Visibility Score?

    É uma métrica de 100 pontos que mede a frequência com que uma marca aparece nas respostas da IA, quão cedo é mencionada e em quantas categorias está presente. Essencialmente, é um indicador de quanto dinheiro trará por cada rublo gasto no canal de IA.

    Qual CPM considerar vantajoso na busca por IA?

    Como a busca por IA está apenas se desenvolvendo, ainda não há um CPM direto. No entanto, se uma marca aparece consistentemente nas primeiras posições das respostas da IA, isso equivale a um CPM muito baixo, pois o alcance é orgânico e de alta conversão.

    O foco na cobertura de categorias e na menção precoce é a chave para um CPM abaixo de 50 rublos em termos de contatos reais.

    Vale a pena investir na otimização para busca por IA?

    Sim, definitivamente. A IA está se tornando o principal canal para a busca de informações financeiras. Empresas que ignoram isso correm o risco de perder uma parte significativa de potenciais clientes.

    Não é uma questão de “quanto custa cortar 1 hora de transmissão”, mas sim se a IA vale a pena como canal de atração de tráfego. A resposta: sim, vale a pena, e quanto antes, melhor.

    O que é mais barato: banner ou segmentação na busca por IA?

    A busca por IA é, em sua essência, mais próxima do tráfego orgânico. Se sua marca é mencionada pela IA, isso é gratuito, ao contrário de banners pagos ou publicidade segmentada.

    Investir na otimização de IA é uma estratégia de longo prazo para obter tráfego “gratuito”, que no final se mostra mais barato que influenciadores e publicidade tradicional.

    Conclusão

    A análise de 68.334 respostas de plataformas de IA mostrou: o mercado de fintech na busca por IA é fragmentado, e as empresas têm a chance de assumir posições de liderança. Apple e SoFi lideram, mas suas pontuações (máximo de 65.6) mostram que o teto está longe.

    Isso cria enormes oportunidades para testar hipóteses de forma barata e para empresas que se concentram na amplitude da cobertura de categorias e na otimização de conteúdo para IA. Não se deve esquecer que um CPM vantajoso na busca por IA não é alcançado por meio de posicionamento direto, mas por meio de uma profunda integração no campo de informação da IA.

    Seu próximo passo é estudar como seu conteúdo é percebido pela IA e ajustar sua estratégia. Saiba mais sobre estratégias de otimização de IA para fintech.