Estado da IA

Nossa análise se baseia em metadados coletados no OpenRouter , uma plataforma que funciona como uma camada unificada de inferência de IA que conecta usuários e desenvolvedores a centenas de grandes modelos de linguagem. Cada solicitação de usuário no OpenRouter é executada com um modelo selecionado pelo usuário, e são registrados metadados estruturados que descrevem o evento de "geração" resultante. O conjunto de dados usado neste estudo consiste em metadados anonimizados no nível da solicitação para bilhões de pares de prompt–resposta de uma base global de usuários, abrangendo aproximadamente dois anos até o momento da redação. Analisamos, de fato, o último ano em mais detalhes.

É importante ressaltar que não tivemos acesso ao texto subjacente dos prompts ou das respostas. Nossa análise se baseia inteiramente em metadados que capturam a estrutura, o tempo e o contexto de cada geração, sem expor o conteúdo dos usuários. Esse design que preserva a privacidade permite a análise comportamental em larga escala.

Cada registro de geração inclui informações sobre tempos, identificadores de modelo e provedor, uso de tokens e métricas de desempenho do sistema. As contagens de tokens abrangem tanto os tokens de prompt (entrada) quanto os de conclusão (saída), permitindo medir a carga de trabalho e o custo gerais do modelo. Os metadados também incluem campos relacionados ao roteamento geográfico, à latência e ao contexto de uso (por exemplo, se a solicitação foi transmitida em streaming ou cancelada, ou se recursos de chamada de ferramentas foram acionados). Juntos, esses atributos fornecem uma visão detalhada, mas não textual, de como os modelos são usados na prática.

Todas as análises, agregações e a maioria das visualizações baseadas nesses metadados foram realizadas usando a plataforma de análise Hex , que forneceu um pipeline reproduzível para consultas SQL versionadas, transformações e geração das figuras finais.

Ressaltamos que este conjunto de dados é observacional: ele reflete a atividade real na plataforma OpenRouter, que, por sua vez, é moldada pela disponibilidade dos modelos, pelos preços e pelas preferências dos usuários. Em 2025, o OpenRouter oferece suporte a mais de 300+ modelos ativos de mais de 70 provedores e atende milhões de desenvolvedores e usuários finais, com mais de 50% do uso originado fora dos Estados Unidos. Embora certos padrões de uso fora da plataforma não sejam capturados, a escala global e a diversidade do OpenRouter o tornam uma perspectiva representativa da dinâmica de uso de LLMs em larga escala.

Não houve acesso direto aos prompts dos usuários ou às saídas dos modelos para este estudo. Em vez disso, o OpenRouter realiza uma categorização interna em uma amostra aleatória que compreende aproximadamente 0,25% de todos os prompts e respostas por meio de um módulo não proprietário, GoogleTagClassifier. Embora isso represente apenas uma fração da atividade total, o conjunto de dados subjacente continua sendo substancial, dado o volume total de consultas processadas pelo OpenRouter. O GoogleTagClassifier se integra ao Google Cloud Natural Language por meio de sua API classifyText de classificação de conteúdo

A API aplica uma taxonomia hierárquica e independente de idioma à entrada textual, retornando um ou mais caminhos de categorias (por exemplo, /Computers & Electronics/Programming, /Arts & Entertainment/Roleplaying Games) com as respectivas pontuações de confiança no intervalo [0,1]. O classificador opera diretamente sobre os dados dos prompts (até os primeiros 1.000 caracteres). O classificador é implantado na infraestrutura da OpenRouter, garantindo que as classificações permaneçam anônimas e não sejam vinculadas a clientes individuais. Categorias com pontuações de confiança abaixo do limiar padrão de 0,5 são excluídas de análises posteriores. O próprio sistema de classificação opera inteiramente na infraestrutura da OpenRouter e não fez parte deste estudo; nossa análise se baseou exclusivamente nas saídas categóricas resultantes (efetivamente metadados que descrevem as classificações dos prompts), e não no conteúdo subjacente dos prompts.

Para tornar esses rótulos detalhados úteis em escala, mapeamos a taxonomia do GoogleTagClassifier para um conjunto compacto de grupos definidos pelo estudo e atribuímos a cada solicitação tags. Cada tag é agrupada em uma categoria de nível superior em uma relação de um para um. Os mapeamentos representativos incluem:

• Programação: de /Computers & Electronics/Programming ou /Science/Computer Science/*
• Interpretação de papéis: de /Games/Roleplaying Games e categorias-folha de diálogo criativo em /Arts & Entertainment/*
• Tradução: de /Reference/Language Resources/*
• Perguntas e respostas gerais / Conhecimento: de /Reference/General Reference/* e /News/* quando a intenção parece ser a consulta de fatos
• Produtividade/Escrita: de /Computers & Electronics/Software/Business & Productivity Software ou /Business & Industrial/Business Services/Writing & Editing Services
• Educação: de /Jobs & Education/Education/*
• Literatura/Escrita criativa: de /Books & Literature/* e categorias-folha de narrativa em /Arts & Entertainment/*
• Adulto: de /Adult
• Outros: para a cauda longa de prompts quando nenhum mapeamento dominante se aplica. (Nota: omitimos esta categoria da maioria das análises abaixo.)

Há limitações inerentes a essa abordagem, por exemplo, a dependência de uma taxonomia predefinida restringe a categorização de comportamentos novos ou que abrangem vários domínios, e certos tipos de interação podem ainda não se encaixar bem nas classes existentes. Na prática, alguns prompts recebem vários rótulos de categoria quando seu conteúdo abrange domínios sobrepostos. Ainda assim, a categorização baseada no classificador nos fornece uma perspectiva para análises posteriores. Isso nos permite quantificar não apenas o quanto os LLMs são usados, mas também para quê.

Vale destacar explicitamente algumas variantes:

• Código aberto vs. proprietário: Classificamos os modelos como código aberto (OSS, para simplificar) se seus pesos estiverem disponíveis publicamente, e código fechado se o acesso for apenas por uma API restrita (por exemplo, Claude da Anthropic). Essa distinção nos permite medir a adoção de modelos desenvolvidos pela comunidade em comparação com os proprietários.
• Origem (chineses vs. resto do mundo): Com a ascensão dos LLMs chineses e seus ecossistemas distintos, classificamos os modelos pelo local principal de desenvolvimento. Modelos chineses incluem aqueles desenvolvidos por organizações na China, em Taiwan ou em Hong Kong (por exemplo, Qwen da Alibaba, Kimi da Moonshot AI ou DeepSeek). Modelos do resto do mundo (RoW) abrangem a América do Norte, a Europa e outras regiões.
• Tokens de prompt vs. de conclusão: Distinguimos entre tokens de prompt, que representam o texto de entrada fornecido a um modelo, e tokens de conclusão, que representam a saída gerada pelo modelo. Tokens totais equivalem à soma dos tokens de prompt e de conclusão. Tokens de raciocínio representam etapas internas de raciocínio em modelos com capacidades nativas de raciocínio e estão incluídos nos tokens de conclusão.

Salvo indicação em contrário, volume de tokens refere-se a o total de tokens de prompt (entrada) e de conclusão (saída).

Para entender os padrões regionais de uso de LLMs, segmentamos as solicitações pela localização geográfica dos usuários. Os metadados diretos das solicitações (como a localização baseada em IP) geralmente são imprecisos ou anonimizados. Em vez disso, determinamos a região do usuário com base na localização de faturamento associada a cada conta. Isso fornece um indicador mais confiável da localização geográfica dos usuários, pois os dados de faturamento refletem o país ou a região vinculados à forma de pagamento ou ao cadastro da conta do usuário. Usamos essa segmentação baseada em faturamento em nossa análise da adoção regional e das preferências de modelos.

Este método tem limitações. Alguns usuários utilizam faturamento por terceiros ou contas organizacionais compartilhadas, que podem não corresponder à sua localização real. Contas empresariais podem agregar atividade de várias regiões sob uma única entidade de faturamento. Apesar dessas imperfeições, a localização de faturamento continua sendo o indicador mais estável e interpretável disponível para análises geográficas que preservam a privacidade, considerando os metadados aos quais tivemos acesso.

Nossas análises abrangem principalmente um período móvel de 13 meses encerrado em novembro de 2025, mas nem todos os metadados subjacentes cobrem toda essa janela. A maioria das análises por modelo e de preços se concentrou no período de 3 de novembro de 2024 a 30 de novembro de 2025. No entanto, as análises por categoria (especialmente aquelas que usam a taxonomia GoogleTagClassifier) se baseiam em um intervalo mais curto, iniciado em maio de 2025, refletindo o momento em que a aplicação consistente de tags se tornou disponível no OpenRouter. Em particular, os campos detalhados de classificação de tarefas (por exemplo, tags como Programação, Interpretação de papéis ou Tecnologia) só foram adicionados em meados de 2025. Consequentemente, todas as conclusões da seção Categorias devem ser interpretadas como representativas do uso em meados de 2025, e não de todo o ano anterior.

Salvo indicação em contrário, todos os agregados de séries temporais são calculados semanalmente usando carimbos de data e hora normalizados para UTC, somando os tokens de prompt e de conclusão. Essa abordagem garante a comparabilidade entre famílias de modelos e minimiza o viés causado por picos transitórios ou efeitos de fusos horários regionais.

A tabela abaixo classifica as principais famílias de modelos em nosso conjunto de dados pelo volume total de tokens processados. O cenário dos modelos OSS mudou significativamente no último ano: embora o DeepSeek continue sendo o maior contribuidor individual de OSS em volume, seu domínio diminuiu à medida que novos participantes ganham terreno rapidamente. Hoje, várias famílias de código aberto mantêm, cada uma, um uso substancial, indicando um ecossistema diversificado.

Esta figura ilustra a evolução acentuada da participação de mercado entre os principais modelos individuais de código aberto, semana a semana. No início do período (final de 2024), o mercado estava altamente consolidado: dois modelos da família DeepSeek (V3 e R1) respondiam consistentemente por mais da metade de todo o uso de tokens de código aberto, formando as grandes faixas em azul-escuro na parte inferior do gráfico.

Essa estrutura de quase monopólio se desfez após a inflexão do verão (meados de 2025). Desde então, o mercado se tornou mais amplo e mais profundo, com uma diversificação significativa do uso. Novos participantes, como os modelos da Qwen, M2 da Minimax, o Kimi K2 da MoonshotAI e a série GPT-OSS da OpenAI cresceram rapidamente e passaram a atender parcelas significativas das solicitações, muitas vezes alcançando adoção em escala de produção poucas semanas após o lançamento. Isso indica que a comunidade de código aberto e as startups de IA podem alcançar uma adoção rápida ao introduzir modelos com recursos inéditos ou eficiência superior.

No fim de 2025, o equilíbrio competitivo havia passado de um quase monopólio para uma composição pluralista. Nenhum modelo isolado ultrapassa 25% das unidades de tokenização de modelos OSS, e a participação nessas unidades agora está distribuída de forma mais equilibrada entre cinco e sete modelos. A implicação prática é que os usuários estão encontrando valor em uma variedade maior de opções, em vez de adotar por padrão uma única opção considerada a "melhor". Embora esta figura mostre a participação relativa entre modelos OSS (não o volume absoluto), a tendência clara é uma mudança decisiva em direção à fragmentação do mercado e ao aumento da concorrência no ecossistema de código aberto.

De modo geral, o ecossistema de modelos de código aberto está agora altamente dinâmico. Os principais insights incluem:

• Diversidade no topo: Onde uma família (DeepSeek) antes dominava o uso de OSS, agora vemos cada vez mais meia dúzia de modelos mantendo, cada um, uma participação significativa. Nenhum modelo aberto detém consistentemente mais de ≈20–25% dos tokens de OSS.
• Crescimento rápido de novos participantes: Novos modelos abertos competentes podem conquistar uma parcela significativa do uso em semanas. Por exemplo, os modelos da MoonshotAI cresceram rapidamente para rivalizar com líderes mais antigos de OSS, e até um estreante como a MiniMax passou de zero a um tráfego substancial em um único trimestre. Isso indica pouca dificuldade para trocar de modelo e uma base de usuários ávida por experimentar.
• Vantagem iterativa: A longevidade da presença da DeepSeek no topo ressalta que a melhoria contínua é fundamental. Os lançamentos sucessivos da DeepSeek (Chat-V3, R1, etc.) a mantiveram competitiva mesmo com o surgimento de concorrentes. Modelos OSS cujo desenvolvimento estagna tendem a perder participação para aqueles com atualizações frequentes na fronteira tecnológica ou ajustes finos específicos de domínio.

Hoje, o cenário dos LLMs de código aberto em 2025 se assemelha a um ecossistema competitivo em que os ciclos de inovação são rápidos e a liderança não é garantida. Para os criadores de modelos, isso significa que lançar um modelo aberto com desempenho de ponta pode gerar adoção imediata, mas manter a participação no uso exige investimento contínuo em desenvolvimento adicional. Para usuários e desenvolvedores de aplicações, a tendência é positiva: há uma seleção mais ampla de modelos abertos para escolher, frequentemente com capacidades comparáveis ou às vezes superiores às de sistemas proprietários em áreas específicas (como interpretação de papéis).

Há um ano, o ecossistema de modelos de código aberto era, em grande parte, uma história de concessões entre dois extremos: um vasto número de modelos pequenos e rápidos e um punhado de modelos poderosos de grande escala. No entanto, uma análise do último ano revela um amadurecimento significativo do mercado e o surgimento de uma nova categoria em crescimento: o modelo de médio porte. Observe que categorizamos os modelos pela contagem de parâmetros da seguinte forma:

• Pequenos: Modelos com menos de 15 bilhões de parâmetros.
• Médios: Modelos com 15 bilhões a 70 bilhões de parâmetros.
• Grandes: Modelos com 70 bilhões de parâmetros ou mais.

Os dados sobre o comportamento de desenvolvedores e usuários nos contam uma história com nuances. Os números mostram que, embora o número de modelos em todas as categorias tenha crescido, o uso mudou notavelmente. Os modelos pequenos estão perdendo popularidade, enquanto os modelos médios e grandes estão capturando esse valor.

Uma análise mais aprofundada dos modelos que impulsionam essas tendências revela dinâmicas de mercado distintas:

• O mercado de modelos “pequenos”: queda geral no uso. Apesar da oferta constante de novos modelos, a categoria de modelos pequenos como um todo está vendo sua participação no uso diminuir. Essa categoria é caracterizada por alta fragmentação. Nenhum modelo mantém uma posição dominante por muito tempo, e há uma renovação constante de novos participantes de um conjunto diversificado de provedores como Meta, Google, Mistral e DeepSeek. Por exemplo, Google Gemma 3.12B (lançado em agosto de 2025) teve uma adoção rápida, mas compete em um mercado disputado em que os usuários buscam continuamente a próxima melhor alternativa.
• O mercado de modelos “médios”: encontrando a “adequação entre modelo e mercado”. A categoria de modelos médios conta uma história clara de criação de mercado. O segmento em si era insignificante até o lançamento de Qwen2.5 Coder 32B em novembro de 2024, que efetivamente estabeleceu essa categoria. Esse segmento então amadureceu e se tornou um ecossistema competitivo com a chegada de outros fortes concorrentes como Mistral Small 3 (janeiro de 2025) e GPT-OSS 20B (agosto de 2025), que conquistaram espaço na mente dos usuários. Esse segmento demonstra que os usuários buscam um equilíbrio entre capacidade e eficiência.
• O segmento de modelos “grandes”: um cenário pluralista. A “busca por qualidade” não levou à consolidação, mas à diversificação. A categoria de modelos grandes agora conta com uma variedade de concorrentes de alto desempenho, desde Qwen3 235B A22B Instruct (lançado em julho de 2025) e Z.AI GLM 4.5 Air até OpenAI: GPT-OSS-120B (5 de agosto): cada um conquistando um uso significativo e sustentado. Esse pluralismo sugere que os usuários estão comparando ativamente o desempenho de vários modelos grandes abertos, em vez de convergir para um único padrão.

A era em que modelos pequenos dominavam o ecossistema de código aberto pode ter ficado para trás. O mercado agora está se bifurcando, com usuários gravitando em direção a uma nova e robusta classe de modelos médios ou consolidando suas cargas de trabalho no modelo grande de maior capacidade.

Os modelos de código aberto são empregados hoje em uma gama notavelmente ampla de tarefas, abrangendo domínios criativos, técnicos e informativos. Embora os modelos proprietários ainda dominem as tarefas empresariais estruturadas, os modelos OSS conquistaram a liderança em duas áreas específicas: interpretação criativa de papéis e assistência à programação. Juntas, essas categorias representam a maior parte do uso de tokens em modelos OSS.

A figura acima destaca que mais da metade de todo o uso de modelos OSS se enquadra em Interpretação de personagens, com Programação sendo a segunda maior categoria. Isso indica que os usuários recorrem a modelos abertos principalmente para diálogos interativos criativos (como narrativas, interpretação de personagens e cenários de jogos) e para tarefas relacionadas à programação. A predominância da interpretação de personagens (acima de 50% de todos os tokens OSS) destaca um caso de uso em que os modelos abertos têm uma vantagem: eles podem ser usados para criatividade e costumam ser menos limitados por filtros de conteúdo, o que os torna atraentes para aplicações de fantasia ou entretenimento. Tarefas de interpretação de personagens exigem respostas flexíveis, retenção de contexto e nuances emocionais — atributos que os modelos abertos podem oferecer de forma eficaz sem serem fortemente restringidos por camadas comerciais de segurança ou moderação. Isso os torna particularmente atraentes para comunidades que experimentam experiências centradas em personagens, fanfics, jogos interativos e ambientes de simulação.

A figura acima mostra a distribuição por categoria ao longo do tempo se focarmos apenas nos modelos de OSS chinês. Esses modelos deixaram de ser usados principalmente para tarefas criativas. A interpretação de papéis continua sendo a maior categoria, com cerca de 33%, mas programação e tecnologia agora representam, juntas, a maioria do uso (39%). Essa mudança sugere que modelos como Qwen e DeepSeek são cada vez mais usados para geração de código e cargas de trabalho relacionadas à infraestrutura. Embora usuários corporativos de alto volume possam influenciar segmentos específicos, a tendência geral aponta para modelos de OSS chinês competindo diretamente nos domínios técnicos e de produtividade.

Se focarmos apenas na categoria de programação, observamos que os modelos proprietários ainda respondem pela maior parte da assistência à programação em geral (a região cinza), refletindo ofertas robustas como o Claude da Anthropic. No entanto, dentro da parcela de OSS, houve uma transição notável: em meados de 2025, os modelos OSS chineses (azul) forneceram a maior parte da ajuda de código aberto para programação (impulsionados por sucessos iniciais como Qwen 3 Coder). No quarto trimestre de 2025, os modelos OSS ocidentais (laranja), como o LLaMA-2 Code da Meta e, da OpenAI, a série GPT-OSS haviam avançado fortemente, mas sua participação geral diminuiu nas últimas semanas. Essa oscilação sugere um ambiente muito competitivo. A conclusão prática é que o uso de assistentes de programação de código aberto é dinâmico e altamente sensível à qualidade dos novos modelos: os desenvolvedores estão abertos a qualquer modelo OSS que ofereça o melhor suporte à programação no momento. Como limitação, essa figura não mostra volumes absolutos: o uso de código aberto para programação cresceu no geral, portanto uma faixa azul menor não significa que os modelos OSS chineses perderam usuários, apenas participação relativa.

Agora, se examinarmos apenas o tráfego de roleplay, vemos que ele é atendido quase igualmente por modelos OSS do resto do mundo (laranja, 43% nas últimas semanas) e fechados (cinza, em ~42% mais recentemente). Isso representa uma mudança significativa em relação ao início de 2025, quando a categoria era dominada por modelos proprietários (cinza), que detinham aproximadamente 70% de participação no total de tokens. Naquela época (maio de 2025), os modelos OSS ocidentais representavam apenas ~22% do tráfego, e os modelos OSS chineses (azul) detinham uma pequena parcela de ~8%. Ao longo do ano, a participação dos modelos proprietários diminuiu continuamente. No final de outubro de 2025, essa tendência se acelerou à medida que os modelos de código aberto ocidentais e chineses ganharam terreno significativo.

A convergência resultante indica uma competição saudável; os usuários têm opções viáveis entre ofertas abertas e proprietárias para conversas criativas e narrativas. Isso reflete que os desenvolvedores reconhecem a demanda por modelos de interpretação de papéis/chat e adaptaram seus lançamentos para esse fim (por exemplo, ajuste fino com diálogos, adição de alinhamento para consistência dos personagens). Um ponto a observar é que “interpretação de papéis” abrange uma variedade de subgêneros (de conversas casuais a cenários de jogos complexos). Ainda assim, de uma perspectiva macro, fica claro que os modelos OSS têm uma vantagem nesse campo criativo.

Interpretação. De modo geral, em todo o ecossistema OSS, os principais casos de uso são: Interpretação de personagens e diálogo criativo: a principal categoria, provavelmente porque os modelos abertos podem não ter censura ou ser mais facilmente personalizados para tarefas com personagens fictícios e histórias. Assistência à programação: a segunda maior categoria, e em crescimento, à medida que os modelos abertos se tornam mais competentes em código. Muitos desenvolvedores utilizam modelos OSS localmente para programar e evitar custos de API. Tradução e suporte multilíngue: um caso de uso constante, especialmente com a disponibilidade de modelos bilíngues robustos (os modelos de OSS chinês têm uma vantagem aqui). Perguntas e respostas de conhecimentos gerais e educação: uso moderado; embora os modelos abertos possam responder a perguntas, os usuários podem preferir modelos fechados como GPT-5 para obter a maior precisão factual.

Vale observar que o padrão de uso de OSS (com forte presença de interpretação de papéis) reflete o que muitos poderiam considerar voltado a "entusiastas" ou "desenvolvedores independentes" — áreas em que a personalização e a relação custo-benefício superam a precisão absoluta. No entanto, as fronteiras estão ficando menos nítidas: os modelos OSS estão melhorando rapidamente em domínios técnicos, e os modelos proprietários também estão sendo usados de forma criativa.

Como mostra a figura acima, a participação dos modelos otimizados para raciocínio no total de tokens roteados aumentou acentuadamente em 2025. O que era uma parcela praticamente insignificante do uso no início do primeiro trimestre agora ultrapassa cinquenta por cento. Essa mudança reflete os dois lados do mercado. Do lado da oferta, o lançamento de sistemas com maior capacidade, como GPT-5, Claude 4.5, e Gemini 3 ampliou o que os usuários poderiam esperar do raciocínio passo a passo. Do lado da demanda, os usuários preferem cada vez mais modelos que consigam gerenciar o estado das tarefas, seguir uma lógica de várias etapas e dar suporte a fluxos de trabalho baseados em agentes, em vez de simplesmente gerar texto.

A figura acima mostra os principais modelos que impulsionam essa mudança. Nos dados mais recentes, o modelo da xAI Grok Code Fast 1 agora responde pela maior parcela do tráfego de raciocínio (excluindo o acesso gratuito de lançamento), à frente dos modelos do Google Gemini 2.5 Pro e Gemini 2.5 Flash. Essa é uma mudança notável em relação a apenas algumas semanas atrás, quando Gemini 2.5 Pro liderava a categoria e DeepSeek R1 e Qwen3 também estavam entre os líderes. Grok Code Fast 1 e Grok 4 Fast ganharam participação rapidamente, apoiados pelo lançamento agressivo da xAI, pelos preços competitivos e pela atenção dos desenvolvedores às suas variantes voltadas para código. Ao mesmo tempo, a presença contínua de modelos abertos como o modelo da OpenAI gpt-oss-120b reforça que os desenvolvedores ainda recorrem a OSS quando possível. A composição geral destaca como o cenário de raciocínio se tornou dinâmico, com a rápida alternância de modelos moldando quais sistemas dominam as cargas de trabalho reais.

Os dados apontam para uma conclusão clara: modelos orientados ao raciocínio estão se tornando o caminho padrão para cargas de trabalho reais, e a parcela de tokens que passa por eles é agora um indicador antecipado de como os usuários querem interagir com sistemas de IA.

Na figura acima, apresentamos a proporção do total de tokens provenientes de solicitações cujo motivo de término foi uma chamada de ferramenta. Essa métrica é normalizada e captura apenas as interações em que uma ferramenta foi de fato invocada.

Isso contrasta com o sinal de ferramenta de entrada , que registra se uma ferramenta foi fornecida ao modelo durante uma solicitação (independentemente de sua invocação). As contagens de ferramenta de entrada são, por definição, maiores que as de motivos de término por chamada de ferramenta, pois o fornecimento é um superconjunto da execução bem-sucedida. Enquanto a métrica de motivo de término mede o uso efetivo de ferramentas, ferramenta de entrada reflete a disponibilidade potencial, e não a invocação real. Como essa métrica foi introduzida apenas em setembro de 2025, não a apresentamos neste artigo.

O pico perceptível em maio na figura acima foi atribuído em grande parte a uma conta de grande porte cuja atividade elevou brevemente os volumes gerais. À parte essa anomalia, a adoção de ferramentas apresentou uma tendência consistente de crescimento ao longo do ano.

Como mostra a figura acima, a invocação de ferramentas estava inicialmente concentrada em um pequeno grupo de modelos: da OpenAI, gpt-4o-mini , e da Anthropic, Claude 3.5 e 3.7 — séries que, juntas, representavam a maior parte dos tokens com uso de ferramentas no início de 2025. Em meados do ano, porém, um conjunto mais amplo de modelos começou a oferecer suporte à disponibilização de ferramentas, refletindo um ecossistema mais competitivo e diversificado. A partir do final de setembro, o modelo mais recente Claude 4.5 Sonnet ganhou participação rapidamente. Enquanto isso, modelos recém-chegados como Grok Code Fast e GLM 4.5 conquistaram espaço de forma visível, refletindo maior experimentação e diversificação nas implantações com capacidade de uso de ferramentas.

Para os operadores, a implicação é clara: a habilitação do uso de ferramentas está em alta nos fluxos de trabalho de alto valor. Modelos sem formatos de ferramentas confiáveis correm o risco de ficar para trás na adoção empresarial e nos ambientes de orquestração.

O perfil das cargas de trabalho dos modelos evoluiu significativamente ao longo do último ano. Os volumes de tokens de prompt (entrada) e de conclusão (saída) cresceram acentuadamente, embora em escalas e ritmos diferentes. A média de tokens de prompt por requisição aumentou cerca de quatro vezes, de aproximadamente 1,5 mil para mais de 6 mil, enquanto as conclusões quase triplicaram, de cerca de 150 para 400 tokens. A magnitude relativa do crescimento evidencia uma mudança decisiva em direção a cargas de trabalho mais complexas e ricas em contexto.

Esse padrão reflete um novo equilíbrio no uso de modelos. Hoje, a solicitação típica tem menos a ver com geração aberta ("escreva uma redação para mim") e mais com raciocinar sobre grandes volumes de material fornecido pelo usuário, como bases de código, documentos, transcrições ou conversas longas, e produzir insights concisos e de alto valor. Os modelos estão atuando cada vez mais como mecanismos analíticos em vez de geradores criativos.

Os dados por categoria (disponíveis apenas desde a primavera de 2025) oferecem uma visão mais detalhada: as cargas de trabalho de programação são o principal fator de crescimento dos tokens de prompt. Solicitações que envolvem compreensão de código, depuração e geração de código frequentemente excedem 20 mil tokens de entrada, enquanto todas as outras categorias permanecem relativamente estáveis e com baixo volume. Essa contribuição assimétrica sugere que a expansão recente no tamanho dos prompts não é uma tendência uniforme entre as tarefas, mas sim um aumento concentrado ligado a casos de uso de desenvolvimento de software e raciocínio técnico.

O comprimento da sequência é um indicador da complexidade da tarefa e da profundidade da interação. A figura acima mostra que o comprimento médio da sequência mais que triplicou nos últimos 20 meses, passando de menos de 2.000 tokens no fim de 2023 para mais de 5.400 no fim de 2025. Esse crescimento reflete uma mudança estrutural em direção a janelas de contexto maiores, históricos de tarefas mais profundos e respostas mais elaboradas.

Como na seção anterior, a segunda figura traz mais clareza: os prompts relacionados à programação agora têm, em média, 3–4 vezes o comprimento em tokens dos prompts de uso geral. A divergência indica que os fluxos de trabalho de desenvolvimento de software são o principal fator por trás de interações mais longas. Sequências longas não são apenas verbosidade do usuário: são uma marca de fluxos de trabalho integrados e mais sofisticados com agentes.

Juntas, essas tendências (maior participação do raciocínio, uso ampliado de ferramentas, sequências mais longas e complexidade desproporcional da programação) sugerem que o centro de gravidade do uso de LLMs mudou. A solicitação mediana a um LLM já não é uma pergunta simples ou uma instrução isolada. Em vez disso, ela faz parte de um ciclo estruturado, semelhante ao de um agente, que invoca ferramentas externas, raciocina sobre o estado e persiste ao longo de contextos mais longos.

Para provedores de modelos, isso eleva o patamar dos recursos padrão. Latência, tratamento de ferramentas, suporte a contexto e robustez diante de cadeias de ferramentas malformadas ou adversariais são cada vez mais críticos. Para operadores de infraestrutura, as plataformas de inferência agora precisam gerenciar não apenas requisições sem estado, mas também conversas de longa duração, rastros de execução e integrações de ferramentas sensíveis a permissões. Em breve, se isso já não estiver acontecendo, a inferência agêntica passará a representar a maior parte da inferência.

A programação se tornou a categoria com expansão mais consistente em todos os modelos. A participação das requisições relacionadas à programação cresceu de forma constante ao longo de 2025, acompanhando a ascensão dos ambientes de desenvolvimento assistidos por LLMs e das integrações de ferramentas. Como mostra a figura acima, as consultas de programação representavam cerca de 11% do volume total de tokens no início de 2025 e ultrapassaram 50% nas últimas semanas. Essa tendência reflete uma mudança do uso exploratório ou conversacional para tarefas práticas, como geração de código, depuração e criação de scripts para dados. À medida que os LLMs são incorporados aos fluxos de trabalho dos desenvolvedores, seu papel como ferramentas de programação está se tornando habitual. Essa evolução tem implicações para o desenvolvimento de modelos, incluindo maior ênfase em dados de treinamento centrados em código, maior profundidade de raciocínio para tarefas de programação com várias etapas e ciclos de feedback mais estreitos entre modelos e ambientes de desenvolvimento integrados.

Essa demanda crescente por suporte à programação está remodelando a dinâmica competitiva entre os provedores de modelos. Como mostra a figura abaixo, a série Claude da Anthropic dominou consistentemente a categoria, representando mais de 60% dos gastos relacionados à programação durante a maior parte do período observado. Ainda assim, o cenário evoluiu significativamente. Na semana de 17 de novembro, a participação da Anthropic caiu abaixo do patamar de 60% pela primeira vez. Desde julho, a OpenAI ampliou sua participação de aproximadamente 2% para cerca de 8% nas últimas semanas, provavelmente refletindo uma ênfase renovada em cargas de trabalho voltadas a desenvolvedores. No mesmo intervalo, a participação do Google permaneceu estável em aproximadamente 15%. O segmento intermediário também está em movimento. Provedores de código aberto, incluindo Z.AI, Qwen e Mistral AI, estão ganhando espaço de forma constante. A MiniMax, em particular, surgiu como uma nova participante em rápida ascensão, apresentando ganhos notáveis nas últimas semanas.

No geral, a programação se tornou uma das categorias de modelos mais disputadas e estrategicamente importantes. Ela atrai a atenção contínua dos principais laboratórios, e mesmo mudanças modestas na qualidade ou na latência dos modelos podem alterar a participação de uma semana para outra. Para provedores de infraestrutura e desenvolvedores, isso destaca a necessidade de testes comparativos e avaliações contínuos, especialmente porque a fronteira está em constante evolução.

Os gráficos acima detalham o uso de LLMs nas doze categorias de conteúdo mais comuns, revelando a estrutura interna de subtópicos de cada uma. Uma conclusão importante é que a maioria das categorias não tem uma distribuição uniforme: elas são dominadas por um ou dois padrões de uso recorrentes, frequentemente refletindo uma intenção concentrada dos usuários ou um alinhamento com os pontos fortes dos LLMs.

Entre as categorias de maior volume, a interpretação de papéis se destaca pela consistência e especialização. Quase 60% dos tokens de interpretação de papéis se enquadram em Jogos/Jogos de interpretação de papéis, o que sugere que os usuários tratam os LLMs menos como chatbots casuais e mais como mecanismos estruturados de interpretação de papéis ou de personagens. Isso é reforçado pela presença de Recursos para escritores (15,6%) e Conteúdo adulto (15,4%), indicando uma combinação de ficção interativa, geração de cenários e fantasia pessoal. Ao contrário da suposição de que a interpretação de papéis consiste principalmente em diálogos informais, os dados mostram um caso de uso baseado em gênero bem definido e replicável.

Programação apresenta uma concentração semelhante, com mais de dois terços do tráfego classificados como Programação/Outros. Isso indica a natureza ampla e de uso geral dos prompts relacionados a código: os usuários não se concentram estritamente em ferramentas ou linguagens específicas, mas pedem aos LLMs de tudo, desde depuração de lógica até elaboração de scripts. Ainda assim, Ferramentas de desenvolvimento (26,4%) e pequenas parcelas de linguagens de script indicam uma especialização emergente. Essa fragmentação destaca uma oportunidade para os criadores de modelos melhorarem a rotulagem ou o treinamento voltados a fluxos de trabalho de programação estruturados.

Além das categorias dominantes de interpretação de papéis e programação, os demais domínios representam uma cauda diversificada, mas de menor volume, do uso de LLMs. Embora individualmente menores, eles revelam padrões importantes sobre como os usuários interagem com modelos em tarefas especializadas e emergentes. Por exemplo, tradução, ciência e saúde apresentam uma estrutura interna relativamente uniforme. Na tradução, o uso é dividido quase igualmente entre Recursos de idiomas estrangeiros (51,1%) e Outros, sugerindo necessidades difusas: consulta multilíngue, reformulação e alternância pontual entre idiomas, em vez de tradução contínua de documentos completos. A ciência é dominada por uma única tag, Aprendizado de máquina e IA (80,4%), indicando que a maioria das consultas científicas são perguntas sobre a própria IA, em vez de tópicos gerais de STEM, como física ou biologia. Isso reflete interesses dos usuários ou pontos fortes dos modelos voltados à investigação autorreferencial.

Saúde, por outro lado, é a mais fragmentada das principais categorias, sem nenhuma subcategoria acima de 25%. Os tokens se distribuem entre pesquisa médica, serviços de aconselhamento, orientações de tratamento e consultas diagnósticas. Essa diversidade destaca a complexidade do domínio, mas também o desafio de modelá-lo com segurança: os LLMs precisam abranger intenções de usuários muito variadas, muitas vezes em contextos sensíveis, sem uma concentração clara em um único caso de uso.

O que conecta essas categorias de cauda longa é sua abrangência: os usuários recorrem aos LLMs para interações exploratórias, pouco estruturadas ou em busca de assistência, mas sem os fluxos de trabalho focados vistos em programação ou assistentes pessoais. Em conjunto, essas categorias secundárias podem não dominar o volume, mas sugerem uma demanda latente. Elas sinalizam que os LLMs estão sendo usados nas margens de muitos campos, da tradução à orientação médica e à introspecção de IA, e que, à medida que os modelos melhorarem em robustez de domínio e integração de ferramentas, poderemos ver essas intenções dispersas convergirem para aplicações mais claras e de maior volume.

Em contrapartida, finanças, meio acadêmico e área jurídica são muito mais difusos. Finanças distribuem seu volume entre câmbio, investimento socialmente responsável e auditoria/contabilidade: nenhuma categoria ultrapassa 20%. A área jurídica apresenta entropia semelhante, com o uso dividido entre Governo/Outros (43,0%) e Jurídico/Outros (17,8%). Essa fragmentação pode refletir a complexidade desses domínios, ou simplesmente a falta de fluxos de trabalho com LLMs direcionados a eles em comparação com categorias mais maduras, como programação e chat.

Os dados sugerem que o uso de LLMs no mundo real não é uniformemente exploratório: ele se concentra fortemente em um pequeno conjunto de tarefas repetíveis e de alto volume. Interpretação de papéis, programação e assistência pessoal apresentam, cada uma, uma estrutura clara e tags dominantes. Os domínios científico, de saúde e jurídico, por outro lado, são mais difusos e provavelmente pouco otimizados. Essas distribuições internas podem orientar o projeto de modelos, o ajuste fino específico por domínio e as interfaces no nível da aplicação, particularmente na adaptação de LLMs aos objetivos dos usuários.

Diferentes autores de modelos são utilizados em diferentes padrões de uso. Os gráficos abaixo mostram a distribuição das categorias de conteúdo para as principais famílias de modelos (Claude da Anthropic, modelos do Google, série GPT da OpenAI, DeepSeek e Qwen). Cada barra representa 100% do uso de tokens desse provedor, dividido pelas principais tags.

O Claude da Anthropic é fortemente voltado a usos de Programação + Tecnologia , que juntos representam mais de 80% do seu uso. A interpretação de papéis e as perguntas e respostas gerais representam apenas uma pequena parcela. Isso confirma o posicionamento do Claude como um modelo otimizado para raciocínio complexo, programação e tarefas estruturadas; desenvolvedores e empresas parecem usar o Claude principalmente como assistente de programação e solucionador de problemas.

O uso dos modelos do Google é mais diversificado. Vemos segmentos expressivos de Tradução, Ciência, Tecnologia e um pouco de Conhecimentos gerais. Por exemplo, ~5% do uso do Google envolveu conteúdo jurídico ou de políticas, e outros ~10% estavam relacionados à ciência. Isso pode indicar o foco amplo do treinamento do Gemini. Em comparação com os demais, o Google tem uma participação relativamente menor de programação e, de fato, em queda no final de 2025 (chegando a cerca de 18%), além de uma cauda mais ampla de categorias. Isso sugere que os modelos do Google estão sendo usados mais como mecanismos de informação de uso geral.

O perfil de uso da xAI é distinto do dos outros provedores. Durante a maior parte do período, o uso se concentra predominantemente em Programação, frequentemente ultrapassando oitenta por cento de todos os tokens. Somente no final de novembro a distribuição se diversifica, com aumentos perceptíveis em Tecnologia, Interpretação de papéis e Meio acadêmico. Essa mudança acentuada coincide com o período em que o modelo da xAI foi distribuído gratuitamente por meio de determinados aplicativos de consumo, o que provavelmente trouxe um grande influxo de tráfego de pessoas que não são desenvolvedoras. O resultado é uma composição de uso que combina um núcleo inicial predominantemente de desenvolvedores com uma onda repentina de uso geral, sugerindo que a trajetória de adoção da xAI está sendo moldada tanto por usuários técnicos quanto por picos episódicos ligados à disponibilidade promocional.

O perfil de uso da OpenAI mudou significativamente ao longo de 2025. No início do ano, as tarefas científicas representavam mais da metade de todos os tokens da OpenAI; no final de 2025, essa participação havia caído para menos de 15%. Enquanto isso, o uso relacionado à programação e à tecnologia agora corresponde a mais da metade do volume total (29% cada), refletindo uma integração mais profunda aos fluxos de trabalho de desenvolvedores, às ferramentas de produtividade e às aplicações profissionais. A composição do uso da OpenAI agora se situa entre o perfil altamente concentrado da Anthropic e a distribuição mais dispersa do Google, sugerindo uma ampla base de utilidade com uma tendência crescente para tarefas estruturadas de alto valor.

DeepSeek e Qwen apresentam padrões de uso que divergem consideravelmente das outras famílias de modelos discutidas anteriormente. A distribuição de tokens do DeepSeek é dominada por interpretação de papéis, conversas casuais e interações voltadas ao entretenimento, que frequentemente representam mais de dois terços de seu uso total. Apenas uma pequena fração da atividade se concentra em tarefas estruturadas, como programação ou ciência. Esse padrão reflete a forte orientação do DeepSeek ao consumidor e seu posicionamento como um modelo de conversação de alto engajamento. Notavelmente, o DeepSeek apresenta um aumento modesto, mas constante, no uso relacionado à programação no final do verão, sugerindo uma adoção gradual em fluxos de trabalho de desenvolvimento leves.

O Qwen, por outro lado, apresenta um perfil quase inverso. Ao longo de todo o período apresentado, a programação representa consistentemente 40-60 por cento de todos os tokens, indicando uma clara ênfase em tarefas técnicas e de desenvolvimento. Em comparação com a composição mais estável da Anthropic, fortemente voltada à engenharia, o Qwen demonstra maior volatilidade em categorias adjacentes, como ciência, tecnologia e interpretação de papéis. Essas mudanças de uma semana para outra sugerem uma base de usuários heterogênea e iterações rápidas nos casos de uso aplicados. Um aumento perceptível no uso de interpretação de papéis durante setembro e outubro, seguido de uma contração em novembro, sugere mudanças no comportamento dos usuários ou ajustes no roteamento das aplicações que utilizam o modelo.

Em resumo, cada provedor apresenta um perfil distinto alinhado ao seu foco estratégico. As diferenças destacam por que nenhum modelo ou provedor atende a todos os casos de uso de forma ideal; isso também ressalta os possíveis benefícios de um ecossistema com múltiplos modelos.

A distribuição dos gastos, como mostra a figura abaixo, ressalta o caráter cada vez mais global do mercado de inferência de IA. A América do Norte, embora ainda seja a maior região individualmente, agora representa menos da metade dos gastos totais durante a maior parte do período observado. A Europa apresenta uma contribuição estável e duradoura. Sua participação relativa nos gastos semanais permanece consistente ao longo de todo o período, geralmente em uma faixa entre cerca de quinze e pouco mais de vinte por cento. Um desenvolvimento notável é a ascensão da Ásia não apenas como produtora de modelos de fronteira, mas também como consumidora em rápida expansão. Nas primeiras semanas do conjunto de dados, a Ásia representava aproximadamente treze por cento dos gastos globais. Com o tempo, essa participação mais que dobrou, chegando a aproximadamente 31% no período mais recente.

Como mostra a tabela acima, o inglês domina o uso, representando mais de 80% de todos os tokens. Isso reflete tanto a prevalência de modelos em inglês quanto o perfil predominantemente desenvolvedor da base de usuários da OpenRouter. No entanto, outros idiomas, particularmente chinês, russo e espanhol, compõem uma parcela minoritária significativa. Só o chinês simplificado representa quase 5% dos tokens globais, sugerindo um engajamento contínuo de usuários em ambientes bilíngues ou com predominância do chinês, especialmente considerando o crescimento de modelos OSS chineses como DeepSeek e Qwen.

Taxas de retenção por coorte. A retenção é medida como retenção de atividade, em que os usuários são contabilizados se retornarem nos meses seguintes, mesmo após períodos de inatividade; como resultado, as curvas podem apresentar pequenas oscilações não monotônicas.

Esta coleção de gráficos de retenção retrata a dinâmica do mercado de usuários de LLMs entre os principais modelos. À primeira vista, os dados são dominados por uma alta taxa de abandono e uma rápida redução das coortes. No entanto, sob essa volatilidade há um sinal mais sutil e de maior impacto: um pequeno conjunto de coortes de usuários iniciais apresenta retenção duradoura ao longo do tempo. Chamamos essas coortes de coortes fundacionais.

Essas coortes não são apenas adotantes iniciais; elas representam usuários cujas cargas de trabalho alcançaram uma profunda e persistente adequação entre carga de trabalho e modelo. Uma vez estabelecida, essa adequação cria uma inércia tanto econômica quanto cognitiva que resiste à substituição, mesmo com o surgimento de modelos mais novos.

Apresentamos o efeito sapatinho de cristal de Cinderela como uma estrutura para descrever esse fenômeno. A hipótese propõe que, em um ecossistema de IA em rápida evolução, existe uma distribuição latente de cargas de trabalho de alto valor que permanecem sem solução ao longo de sucessivas gerações de modelos. Cada novo modelo de fronteira é efetivamente "experimentado" nesses problemas em aberto. Quando um modelo recém-lançado atende por acaso a uma restrição técnica e econômica antes não atendida, ele alcança o encaixe exato — o "sapatinho de cristal" metafórico.

Para os desenvolvedores ou organizações cujas cargas de trabalho finalmente “se encaixam”, esse alinhamento cria fortes efeitos de dependência. Seus sistemas, pipelines de dados e experiências de usuário ficam ancorados no modelo que resolveu seu problema primeiro. À medida que os custos diminuem e a confiabilidade aumenta, o incentivo para mudar de plataforma cai drasticamente. Por outro lado, as cargas de trabalho que não encontram esse encaixe permanecem exploratórias, migrando de um modelo para outro em busca de sua própria solução.

Empiricamente, esse padrão é observável na coorte de junho de 2025 do Gemini 2.5 Pro e na coorte de maio de 2025 do Claude 4 Sonnet, que retêm aproximadamente 40% dos usuários no mês 5, uma proporção substancialmente maior que a das coortes posteriores. Essas coortes parecem corresponder a avanços técnicos específicos (por exemplo, fidelidade de raciocínio ou estabilidade no uso de ferramentas) que finalmente viabilizaram cargas de trabalho antes impossíveis.

• Ser o primeiro a resolver como vantagem duradoura. A vantagem clássica de ser pioneiro ganha importância quando um modelo é o primeiro a resolver uma carga de trabalho crítica. Os primeiros usuários incorporam o modelo em pipelines, infraestrutura e comportamentos dos usuários, resultando em grande dificuldade de migração. Isso cria um equilíbrio estável no qual o modelo retém sua coorte inicial mesmo com o surgimento de alternativas mais novas.
• Retenção como indicador de inflexão de capacidade. Os padrões de retenção por coorte servem como sinais empíricos de diferenciação dos modelos. A retenção persistente em uma ou mais coortes iniciais indica uma inflexão significativa de capacidade — uma classe de carga de trabalho que passa de inviável a possível. A ausência desses padrões sugere paridade de capacidade e profundidade limitada de diferenciação.
• Restrições temporais da janela de fronteira. O cenário competitivo impõe uma janela temporal estreita na qual um modelo pode conquistar seus usuários iniciais. À medida que modelos sucessivos reduzem a lacuna de capacidade, a probabilidade de formar novas coortes iniciais cai acentuadamente. O momento “Cinderela”, em que modelo e carga de trabalho se alinham com precisão, é, portanto, transitório, mas decisivo para a dinâmica de adoção de longo prazo.

Em suma, as rápidas mudanças nas capacidades dos modelos fundacionais exigem uma redefinição da retenção de usuários. Cada nova geração de modelos introduz uma breve oportunidade de atender a cargas de trabalho antes não atendidas. Quando esse alinhamento ocorre, os usuários afetados formam coortes fundacionais: segmentos cujas trajetórias de retenção permanecem estáveis apesar da introdução de modelos posteriores.

A anomalia do lançamento dominante. O gráfico do OpenAI GPT-4o Mini mostra esse fenômeno em seu extremo. Uma única coorte fundadora (julho de 2024, linha laranja) estabeleceu uma adequação dominante e duradoura entre carga de trabalho e modelo no lançamento. Todas as coortes subsequentes, que chegaram depois que essa adequação foi estabelecida e o mercado já havia avançado, comportam-se de forma idêntica: abandonam o modelo e se agrupam na parte inferior. Isso sugere que a janela para estabelecer essa adequação fundamental é única e ocorre apenas no momento em que um modelo é percebido como "de fronteira".

A consequência da falta de adequação. Os gráficos de Gemini 2.0 Flash e Llama 4 Maverick mostram um exemplo de alerta sobre o que acontece quando essa adequação inicial nunca é estabelecida. Ao contrário dos outros modelos, não há uma coorte fundamental de alto desempenho. Todas as coortes apresentam um desempenho igualmente ruim. Isso sugere que os modelos nunca foram percebidos como uma "fronteira" para uma carga de trabalho de alto valor e com alta retenção. O lançamento ocorreu diretamente no mercado de modelos bons o suficiente e, portanto, não conseguiu consolidar nenhuma base de usuários. Da mesma forma, os gráficos caóticos do DeepSeek, apesar do enorme sucesso geral, têm dificuldade para estabelecer uma coorte fundamental estável.

Efeito bumerangue. Os modelos DeepSeek introduzem um padrão mais complexo. Suas curvas de retenção apresentam uma anomalia muito incomum: saltos de reativação. Ao contrário da retenção típica, que diminui monotonicamente, várias coortes do DeepSeek mostram um aumento distinto na retenção após um período inicial de abandono (por exemplo, DeepSeek R1 na coorte de abril de 2025, por volta do mês 3, e DeepSeek Chat V3-0324 na coorte de julho de 2025, por volta do mês 2). Isso indica que alguns usuários que haviam abandonado o modelo estão voltando a ele. Esse "efeito bumerangue" sugere que esses usuários retornam ao DeepSeek após experimentar alternativas e confirmar, por meio de testes comparativos, que o DeepSeek oferece uma adequação ideal e frequentemente melhor à sua carga de trabalho específica devido a uma combinação superior de desempenho técnico especializado, eficiência de custos ou outros recursos exclusivos.

Implicações. O fenômeno Sapatinho de cristal reformula a retenção não como um resultado, mas como uma lente para compreender avanços de capacidade. As coortes fundacionais são as impressões digitais do progresso técnico real: elas indicam onde um modelo de IA passou de novidade a necessidade. Tanto para desenvolvedores quanto para investidores, identificar essas coortes cedo pode ser o sinal mais preditivo de uma vantagem duradoura na relação entre modelo e mercado.

O gráfico de dispersão acima revela uma segmentação distinta dos casos de uso de IA, mapeando-os com base no volume agregado de uso (total de tokens) em relação ao custo unitário (custo por 1M de tokens). Uma observação preliminar crucial é que ambos os eixos são logarítmicos. Essa escala logarítmica significa que pequenas distâncias visuais no gráfico correspondem a diferenças multiplicativas substanciais no volume e no custo reais.

O gráfico é dividido ao meio por uma linha vertical no custo mediano de US$ 0,73 por 1M de tokens, criando efetivamente uma estrutura de quatro quadrantes para simplificar o mercado de IA entre as categorias.

Observe que esses custos finais diferem dos preços de tabela anunciados. Cargas de trabalho de alta frequência se beneficiam do cache, que reduz o gasto efetivo e produz preços efetivos substancialmente inferiores aos divulgados publicamente. A métrica de custo exibida reflete uma taxa combinada de tokens de prompt e de conclusão, oferecendo uma visão mais precisa do que os usuários realmente pagam no total. O conjunto de dados também exclui a atividade de BYOK para isolar o uso padronizado e intermediado pela plataforma e evitar distorções causadas por configurações de infraestrutura personalizadas.

Cargas de trabalho premium (canto superior direito): Este quadrante contém aplicações de alto custo e alto uso, agora incluindo technology e science, posicionadas exatamente na interseção. Elas representam cargas de trabalho profissionais valiosas e muito utilizadas, pelas quais os usuários estão dispostos a pagar mais por desempenho ou recursos especializados. Technology é um caso bastante atípico, com um custo drasticamente maior do que qualquer outra categoria. Isso sugere que technology como caso de uso (talvez relacionado ao design ou à arquitetura de sistemas complexos) pode exigir modelos muito mais potentes e caros para inferência, mas mantém um alto volume de uso, indicando sua natureza essencial.

Impulsionadores de volume no mercado de massa (canto superior esquerdo): Este quadrante é definido por alto uso e um custo baixo, igual ou inferior à média. Esta área é dominada por dois grandes casos de uso: roleplay, programming assim como science.

• Programming se destaca como a categoria “profissional de destaque”, demonstrando o maior volume de uso com um custo mediano altamente otimizado.
• Roleplay apresenta um volume de uso imenso, quase rivalizando com programming. Esta é uma constatação surpreendente: um aplicativo de interpretação de personagens voltado ao consumidor gera um volume de engajamento comparável ao de um aplicativo profissional de primeira linha.

A enorme escala dessas duas categorias confirma que tanto a produtividade profissional quanto o entretenimento conversacional são impulsionadores principais e de grande escala da IA. A sensibilidade ao custo neste quadrante é onde, como observado anteriormente, os modelos de código aberto encontraram uma vantagem significativa.

Especialistas especializados (inferior direito): Este quadrante reúne aplicações de menor volume e alto custo, incluindo finance, academia, health e marketing. São domínios profissionais de nicho em que há muito em jogo. O menor volume agregado é lógico, pois alguém pode consultar uma IA sobre "saúde" ou "finanças" com muito menos frequência do que sobre "programação". Os usuários estão dispostos a pagar um valor adicional significativo por essas tarefas, provavelmente porque a exigência de precisão, confiabilidade e conhecimento específico do domínio é extremamente alta.

Utilitários de nicho (canto inferior esquerdo): Este quadrante apresenta tarefas de baixo custo e baixo volume, incluindo translation, legal e trivia. São utilitários funcionais, otimizados para custo. Translation tem o maior volume neste grupo, enquanto trivia tem o menor. Seu baixo custo e volume relativamente baixo sugerem que essas tarefas podem ser altamente otimizadas, "resolvidas" ou comoditizadas, com uma alternativa boa o suficiente disponível a baixo custo.

Como observado, o caso mais discrepante neste gráfico é technology. Ele apresenta o maior custo por token, com uma margem substancial, mantendo ao mesmo tempo um uso elevado. Isso sugere fortemente um segmento de mercado com alta disposição a pagar por respostas complexas e de alto valor (por exemplo, arquitetura de sistemas e resolução de problemas técnicos avançados). Uma questão central é se esse preço elevado é impulsionado pelo alto valor para o usuário (uma oportunidade do "lado da demanda") ou por um alto custo de atendimento (um desafio do "lado da oferta"), já que essas consultas podem exigir os modelos de fronteira mais poderosos. A "jogada" possível em technology é atender a esse mercado de alto valor. Um provedor capaz de atender a esse segmento, talvez por meio de modelos especializados e altamente otimizados, poderia potencialmente conquistar um mercado com margens maiores.

A figura acima relaciona o uso dos modelos ao custo por 1M de tokens (escala log–log), revelando uma correlação geral fraca. O eixo x apresenta os valores nominais por conveniência. A linha de tendência é quase plana, indicando que a demanda é relativamente inelástica ao preço; uma redução de 10% no preço corresponde a um aumento de apenas cerca de 0,5–0,7% no uso. No entanto, a dispersão no gráfico é substancial, refletindo uma forte segmentação de mercado. Dois regimes distintos aparecem: modelos proprietários da OpenAI e da Anthropic ocupam a zona de alto custo e alto uso, enquanto modelos abertos como DeepSeek, Mistral e Qwen ocupam a zona de baixo custo e alto volume. Esse padrão sustenta uma heurística simples: modelos de código fechado capturam tarefas de alto valor, enquanto modelos de código aberto capturam tarefas de alto volume e menor valor. A fraca elasticidade de preço indica que mesmo diferenças drásticas de custo não deslocam totalmente a demanda; os provedores proprietários mantêm seu poder de precificação para aplicações de missão crítica, enquanto os ecossistemas abertos absorvem o volume de usuários sensíveis ao custo.

A figura acima é semelhante à anterior, mas exibe os autores dos modelos. Surgem quatro arquétipos de uso e custo. Líderes premium, como os modelos da Anthropic Claude 3.7 Sonnet e Claude Sonnet 4, têm custos em torno de US$ 2 por 1M de tokens e ainda alcançam alto uso, sugerindo que os usuários estão dispostos a pagar por raciocínio e confiabilidade superiores em escala. Gigantes eficientes, como o modelo do Google Gemini 2.0 Flash e DeepSeek V3 0324, combinam alto desempenho com preços abaixo de US$ 0,40 por 1M de tokens e atingem níveis de uso semelhantes, tornando-se opções padrão atraentes para cargas de trabalho de alto volume ou de contexto longo. Modelos de cauda longa , incluindo Qwen 2 7B Instruct e IBM Granite 4.0 Micro, custam apenas alguns centavos por 1M de tokens, mas ficam em torno de 10^2.9 em uso total, refletindo restrições decorrentes de desempenho inferior, visibilidade limitada ou menos integrações. Por fim, especialistas premium, como o GPT-4 da OpenAI e GPT-5 Pro, ocupam o quadrante de alto custo e baixo uso: a cerca de US$ 35 por 1M de tokens e com uso próximo de 10^3.4, são usados com moderação em cargas de trabalho de nicho e de alto risco, nas quais a qualidade da saída importa muito mais do que o custo marginal dos tokens.

No geral, o gráfico de dispersão destaca que o poder de precificação no mercado de LLMs não é uniforme. Embora modelos mais baratos possam ganhar escala por meio de eficiência e integração, as ofertas premium ainda têm forte demanda quando os riscos são altos. Essa fragmentação sugere que o mercado ainda não se tornou uma commodity e que a diferenciação, seja por latência, tamanho da janela de contexto ou qualidade da saída, continua sendo uma fonte de vantagem estratégica.

Essas observações sugerem o seguinte:

• Em nível macro, a demanda é inelástica, mas isso mascara diferentes comportamentos microeconômicos. Empresas com tarefas de missão crítica pagarão preços altos (por isso, esses modelos têm uso elevado). Por outro lado, entusiastas e pipelines de desenvolvimento são muito sensíveis ao custo e migram em massa para modelos mais baratos (levando a um uso elevado de modelos eficientes).
• Há alguns indícios do paradoxo de Jevons: tornar alguns modelos muito baratos (e rápidos) levou as pessoas a usá-los em muito mais tarefas, consumindo, no fim, mais unidades de tokenização no total. Vemos isso no grupo dos gigantes eficientes: conforme o custo por unidade de tokenização caiu, esses modelos foram integrados em toda parte e o consumo total disparou (as pessoas usam contextos mais longos, mais iterações etc.).
• Qualidade e capacidades muitas vezes superam o custo: O uso intenso de modelos caros (Claude, GPT-4) indica que, se um modelo for significativamente melhor ou tiver uma vantagem em termos de confiança, os usuários arcarão com custos mais altos. Muitas vezes, esses modelos são integrados a fluxos de trabalho nos quais o custo é insignificante em relação ao valor do que produzem (por exemplo, um código que economiza uma hora de trabalho de um desenvolvedor vale muito mais do que alguns dólares em chamadas de API).
• Por outro lado, ser barato não basta, um modelo também precisa ser diferenciável e suficientemente capaz. Muitos modelos abertos ainda têm preços próximos de zero porque são apenas bons o suficiente, mas não encontram uma adequação entre carga de trabalho e modelo ou não são confiáveis o suficiente, por isso os desenvolvedores hesitam em integrá-los profundamente.

Do ponto de vista de um operador, surgem vários padrões estratégicos. Provedores como o Google têm investido fortemente em ofertas por níveis (principalmente com Gemini Flash e Pro), equilibrando explicitamente velocidade, custo e capacidade. Essa divisão em níveis permite segmentar o mercado pela sensibilidade ao preço e pela criticidade da tarefa: tarefas leves são encaminhadas para modelos mais baratos e rápidos; modelos premium atendem a cargas de trabalho complexas ou tolerantes à latência. Otimizar para casos de uso e confiabilidade costuma ter tanto impacto quanto “cortar” preços. Um modelo mais rápido e desenvolvido para uma finalidade específica pode ser preferível a um mais barato, mas imprevisível, especialmente em ambientes de produção. Isso muda o foco do custo por token para o custo por resultado bem-sucedido. A elasticidade da demanda relativamente baixa sugere que os LLMs ainda não são uma commodity — muitos usuários estão dispostos a pagar mais por qualidade, capacidades ou estabilidade. A diferenciação ainda tem valor, principalmente quando os resultados das tarefas importam mais que a economia marginal em tokens.

As figuras abaixo detalham a estrutura interna de subcategorias dos três principais domínios: interpretação de papéis, programação e tecnologia. Cada domínio apresenta padrões internos distintos que revelam como os usuários interagem com LLMs nessas categorias.

Os três domínios (interpretação de papéis, tecnologia e programação) apresentam padrões internos distintos, refletindo como os usuários interagem com LLMs nas diferentes subcategorias de cada domínio principal.