Como adquirir o ChatGPT para empresas: um modelo de decisão em 5 etapas, de licenças de US$ 20 à personalização empresarial e à cobrança por token

Nota do autor: a partir da notícia de que mais da metade da receita da OpenAI vem de empresas, analisamos cinco etapas de compra e gestão de custos de IA, com base em uma pesquisa da Harness e na métrica de “custo por tarefa concluída com sucesso”.

Em 4 de novembro de 2026, Greg Brockman, presidente da OpenAI, afirmou na conferência de tecnologia do WSJ que mais da metade da receita da OpenAI já vinha do segmento empresarial. Ele também explicou que a receita do segmento de consumidores continuava crescendo, mas que o segmento empresarial crescia ainda mais rápido. Ao mesmo tempo, diversas pesquisas do setor mostram que as contas de IA das empresas estão aumentando acima do esperado.

Este não é mais um artigo comparando preços de planos do ChatGPT. A Reuters e o TechCrunch já noticiaram a declaração de Brockman, e a pesquisa de FinOps da Harness também apresentou dados sobre contas de IA fora de controle nas empresas. Para elas, a verdadeira dificuldade já não é “qual modelo comprar”, mas como gerenciar ao mesmo tempo vários fornecedores, os custos crescentes das chamadas e o custo real de cada tarefa.

O que você vai aprender: ao terminar a leitura, você vai entender algumas formas de cobrança na contratação empresarial do ChatGPT e terá um processo de cinco etapas para comprar IA e gerenciar custos, desde a definição das tarefas até a avaliação dos resultados.

ChatGPT para empresas: principais informações para compras

Vamos reunir os fatos mais importantes dessa novidade. Vale lembrar que “mais da metade da receita da OpenAI vem de empresas” se refere à composição da receita da própria OpenAI. Isso não é a mesma coisa que a participação no mercado de APIs empresariais citada em relatórios do setor, e os dois indicadores não devem ser confundidos.

As três principais formas de contratar o ChatGPT para empresas

Com base nos preços públicos, existem três caminhos principais para empresas. O ChatGPT Business atende equipes de 2 a 200 pessoas. A licença Standard custa cerca de US$ 20 por pessoa por mês no plano anual e US$ 25 no plano mensal. A licença Premium oferece um limite de uso aproximadamente 5 vezes maior que o da Standard. Já o ChatGPT Enterprise exige contato com a equipe de vendas para receber uma proposta personalizada. Ele inclui SCIM, EKM, RBAC, residência de dados, SLA e termos jurídicos personalizados, além de oferecer cobrança baseada em créditos ou em Tokens.

O terceiro caminho é contratar a API diretamente, com cobrança por Token. A API e a assinatura do ChatGPT têm sistemas de cobrança independentes. Na API, a cobrança considera os Tokens de entrada, saída e cache efetivamente utilizados; os diferentes modos e tamanhos de contexto também afetam o custo final. Vale notar que, em outubro de 2026, a OpenAI ofereceu créditos promocionais de API a espaços de trabalho Business elegíveis. Esses créditos, porém, são contabilizados separadamente dos limites de uso do ChatGPT, o que reforça a necessidade de gerenciar licenças e API separadamente nas finanças.

Por que as compras de IA nas empresas sempre estouram o orçamento

Olhando apenas para o preço unitário, a IA parece barata. Mas a conta que as empresas recebem costuma ser bem diferente do esperado. No relatório《State of AI in FinOps 2026》, a Harness entrevistou 700 líderes e profissionais de engenharia entre maio e junho de 2026. A pesquisa abrangeu Estados Unidos, Reino Unido, França, Alemanha e Índia, e todas as empresas participantes tinham mais de 1.000 funcionários.

Segundo a pesquisa, 67% das organizações gastam mais de US$ 250 mil por mês com IA, e 20% já ultrapassaram US$ 1 milhão. Além disso, 80% afirmam que os gastos totais com IA aumentaram nos últimos seis meses, e 78% esperam que continuem crescendo. Os problemas revelados na gestão das contas merecem ainda mais atenção:

Outra comparação deixa o problema ainda mais claro: 73% das empresas já estabeleceram políticas de custos de IA, mas apenas 13% têm visibilidade básica desses custos. Em outras palavras, as regras estão no papel, mas a capacidade de executá-las e monitorá-las não acompanhou o ritmo. Vale lembrar que a própria Harness é fornecedora de ferramentas de FinOps e que a amostra se limita a empresas com mais de mil funcionários em cinco países. Portanto, os resultados servem melhor como referência para médias e grandes empresas do que como uma estatística de todo o setor.

Agentes desvinculam o consumo de tokens do número de funcionários

As compras tradicionais de SaaS são calculadas por usuário, o que torna o orçamento relativamente controlável. Mas os agentes mudaram essa lógica: uma análise da Menlo Ventures baseada em dados do OpenRouter mostra que os agentes já respondem por cerca de 80% do consumo de tokens da plataforma. Desde que ultrapassaram o tráfego gerado por pessoas, em fevereiro de 2026, seu consumo cresceu cerca de 37 vezes. A Menlo também aponta que a execução paralela e contínua de agentes em segundo plano é uma das principais razões para os gastos das empresas ultrapassarem o orçamento.

Esses dados também têm limitações: a base de usuários do OpenRouter é mais voltada a desenvolvedores e startups e não representa todo o setor. Ainda assim, a tendência é clara: o consumo de tokens depende cada vez mais do número de tarefas, do grau de paralelismo e do tempo de execução, e não apenas do número de funcionários. Segundo uma reportagem da Axios, mais de 60% dos usuários do Codex executam várias tarefas ao mesmo tempo em algum momento do dia. Essa é justamente a origem da dificuldade de prever a conta.

Por que a contratação empresarial do ChatGPT está migrando para múltiplos modelos

Muitas empresas começam contratando um único fornecedor, mas logo descobrem que um só modelo dificilmente atende a todas as tarefas. Na pesquisa da Harness, 69% das empresas usam OpenAI em produção, 58% usam Azure OpenAI, 53% usam Google Vertex AI, 41% usam AWS Bedrock e 37% usam Anthropic. Esses percentuais podem se sobrepor: mostram que a maioria das empresas usa várias plataformas ao mesmo tempo, não representam participação de mercado e não devem ser somados.

O preprint The Multi-Lab Enterprise, publicado no arXiv em julho de 2026, aponta na mesma direção: entre as 2.000 maiores empresas do mundo, 81% usam três ou mais famílias de modelos e 79% já ultrapassaram o orçamento de IA. Mesmo nas empresas com práticas maduras de FinOps, o gasto excedente médio chegou a 30,9%. Mas o estudo ainda não passou por revisão por pares, então deve servir apenas como referência para investigação, e não como única base para decisões.

Os desafios de contratar vários modelos são bem concretos. As unidades de cobrança, os formatos das faturas e os critérios de contabilização do uso variam entre plataformas. Isso dificulta a consolidação dos custos por departamento ou projeto pela equipe financeira e a comparação do desempenho dos modelos pela equipe técnica com base nos mesmos indicadores. É aí que entra o valor de uma camada unificada de acesso por API: reunir modelos de vários fornecedores em uma única interface e em um único relatório de uso.

Comparação das formas de contratação empresarial do ChatGPT

Cost per Successful Task: o preço por Token não é o custo real

Ao comparar preços, as empresas costumam cometer um erro: olhar apenas o valor por milhão de Tokens. Imagine dois modelos: o modelo A é mais barato por chamada, mas precisa de várias tentativas para concluir uma tarefa. Além disso, a qualidade das respostas é instável e exige muita revisão humana. O modelo B tem um preço unitário maior, mas acerta mais vezes na primeira tentativa e exige menos tempo de revisão. No fim das contas, o modelo A pode sair mais caro por resultado entregue.

Por isso, uma métrica mais útil para a contratação é o Cost per Successful Task (custo real por tarefa concluída com sucesso). Ela soma os gastos com o modelo, as ferramentas, as novas tentativas após falhas e a revisão humana, e divide o total pelo número de tarefas efetivamente entregues com sucesso. O modelo mais barato não é necessariamente a melhor escolha: o que importa é qual tem o menor custo total para suas tarefas.

Isso fica ainda mais evidente em cenários com agentes. A Axios relatou o caso de Andrew Hall, professor da Stanford Graduate School of Business, que usou o Claude Code para atualizar um artigo acadêmico antigo. O agente conseguiu coletar e analisar dados e criar gráficos, mas uma revisão humana posterior encontrou erros nos dados e no código. O custo da supervisão humana é real, e ignorá-lo pode levar a uma grande subestimação do custo total da IA.

A imagem acima ilustra uma situação comum, não o resultado de testes reais de dois modelos específicos. Na avaliação, vale executar diferentes modelos com o mesmo conjunto de exemplos reais do negócio e calcular os custos conforme os critérios da tabela. Com plataformas de interface unificada como a APIYI apiyi.com, é possível alternar entre modelos usando o mesmo código, reduzindo o trabalho de engenharia necessário para os testes comparativos.

Como calcular o custo por tarefa na contratação empresarial do ChatGPT

O exemplo abaixo mostra como registrar o uso de tokens em cada chamada. Esses dados são a base para calcular o custo por tarefa bem-sucedida:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="your-model-id",  # Consulte o ID do modelo na lista de modelos da plataforma
    messages=[{"role": "user", "content": "总结这份合同的关键风险条款"}]
)
print(resp.choices[0].message.content)
print("输入 Token:", resp.usage.prompt_tokens, "输出 Token:", resp.usage.completion_tokens)

import openai
from collections import defaultdict

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Interface unificada: para trocar de modelo, basta alterar o parâmetro model
)

# Preencha os preços do modelo contratado, em dólares por milhão de tokens
PRICE = {
    "model-a-id": {"input": 0.0, "output": 0.0},
    "model-b-id": {"input": 0.0, "output": 0.0},
}
REVIEW_COST_PER_MIN = 0.0  # Custo por minuto da revisão humana, calculado com base nos custos de pessoal da empresa

ledger = defaultdict(lambda: {"cost": 0.0, "tasks": 0, "success": 0})

def run_task(dept: str, model: str, prompt: str, validator, max_retry: int = 2):
    """Executa uma tarefa, registra os custos do modelo e as novas tentativas e retorna se houve sucesso"""
    key = (dept, model)
    ledger[key]["tasks"] += 1
    for _ in range(max_retry + 1):
        resp = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
        )
        u = resp.usage
        p = PRICE[model]
        ledger[key]["cost"] += (u.prompt_tokens * p["input"]
                                + u.completion_tokens * p["output"]) / 1_000_000
        if validator(resp.choices[0].message.content):
            ledger[key]["success"] += 1
            return True
    return False

def add_review(dept: str, model: str, minutes: float):
    """Inclui o custo do tempo de revisão humana"""
    ledger[(dept, model)]["cost"] += minutes * REVIEW_COST_PER_MIN

def report():
    for (dept, model), d in ledger.items():
        cpst = d["cost"] / d["success"] if d["success"] else float("inf")
        rate = d["success"] / d["tasks"] if d["tasks"] else 0
        print(f"{dept} | {model} | 成功率 {rate:.0%} | 每个成功任务成本 ${cpst:.4f}")

🚀 Dica para começar: antes de assinar um contrato anual, faça uma avaliação em pequena escala durante duas a quatro semanas, usando amostras reais do seu negócio. Ao se cadastrar na APIYI, em apiyi.com, você recebe créditos gratuitos para testes. Com uma única chave API, é possível chamar modelos como OpenAI, Claude e Gemini e comparar o custo por tarefa de cada um no mesmo relatório de uso.

Um processo de decisão em 5 etapas para contratar o ChatGPT na empresa

Para colocar a discussão anterior em prática, a contratação de IA na empresa pode seguir cinco etapas. Cada uma gera uma entrega concreta, evitando que o orçamento saia do controle por causa da abordagem “comprar primeiro e decidir depois”.

As etapas em detalhe: das tarefas à avaliação dos resultados

A primeira e a quinta etapas são as mais fáceis de deixar de lado, mas determinam se a contratação valeu a pena. O caso da Credit Saison oferece uma referência: a empresa começou com um piloto do ChatGPT Enterprise envolvendo 315 pessoas por pouco mais de um mês e, com base nos resultados, decidiu se deveria expandir o uso para todos os funcionários. A empresa informou um ROI de 954% no piloto e uma economia de cerca de 14 horas por mês para cada participante. Porém, esses números vêm de um caso de cliente publicado pela OpenAI e de dados informados pela própria empresa: não são conclusões de uma auditoria independente, muito menos representam a média do setor.

A terceira etapa geralmente não exige uma escolha única. Uma combinação comum é oferecer licenças Business ou Enterprise a profissionais que trabalham com conhecimento e usar a cobrança por consumo da API para equipes de desenvolvimento e processos automatizados. Já a quarta etapa precisa contemplar algumas capacidades identificadas na pesquisa da Harness:

• Atribuição de custos: dividir os gastos com IA por departamento, equipe e projeto, resolvendo o problema da falta de responsáveis pelos custos
• Consolidação de dados: reunir as faturas de diferentes fornecedores usando os mesmos critérios
• Alertas de orçamento: definir limites de uso para identificar problemas antes que o orçamento seja ultrapassado, em vez de esperar até o fim do mês
• Identificação de anomalias: detectar rapidamente consumo anormal de tokens e loops infinitos de agentes
• Adequação dos modelos: usar modelos leves para tarefas simples e invocar modelos mais avançados para tarefas complexas
• Rastreabilidade para auditoria: manter logs de invocação, resultados das tarefas e registros de auditoria

Impacto das compras empresariais do ChatGPT nas empresas e no setor

Impacto para líderes de tecnologia nas empresas

• O modelo de orçamento precisa ser reformulado: com agentes, o consumo de tokens deixa de estar ligado ao número de pessoas. Planejar o orçamento por usuário leva a uma subestimativa sistemática dos gastos
• Os critérios de avaliação precisam evoluir: em vez de comparar o preço unitário por token, é preciso comparar o custo por tarefa concluída com sucesso
• A arquitetura precisa permitir a troca de fornecedores: o uso de vários modelos já é comum, e o código da aplicação não deve ficar fortemente vinculado ao SDK de um único fornecedor

Impacto para as equipes de compras de IA e finanças

• As compras ficam mais complexas: licenças por usuário, créditos, tokens, plataformas de nuvem e serviços de parceiros podem coexistir
• É preciso definir um responsável pelos custos: na pesquisa da Harness, mais da metade das organizações não tinha um responsável claramente definido
• Há novos argumentos para negociar contratos: dados claros de uso são a base para negociar descontos por volume e planos de cobrança por token

Impacto para o setor

Mais da metade da receita da OpenAI vem de empresas, o que indica que os fornecedores de Modelos de Linguagem Grande estão voltando cada vez mais sua atenção para o mercado empresarial. Segurança corporativa, residência de dados e SLAs devem se tornar pontos centrais da concorrência. Ao mesmo tempo, a estimativa da Menlo sobre a participação dos fornecedores nos gastos empresariais com APIs mostra que várias empresas coexistem nesse mercado. Isso significa que recursos da “camada intermediária”, como acesso e roteamento de modelos, acompanhamento de uso e controle de orçamento, serão cada vez mais importantes. Ainda assim, essa é uma avaliação de tendência e não significa que algum fornecedor específico já tenha crescido por causa disso.

Perguntas frequentes (FAQ)

Principais pontos para a contratação do ChatGPT nas empresas

• Mudança na composição da receita: mais da metade da receita da OpenAI já vem de empresas, enquanto o negócio voltado a consumidores continua crescendo
• Contas inesperadas são comuns: na pesquisa da Harness, 72% das empresas relataram ter recebido cobranças inesperadas de IA
• Usar vários modelos é a norma: a maioria das empresas usa várias plataformas ao mesmo tempo; os percentuais de uso não podem ser somados como participação de mercado
• Preço unitário não é custo: use o custo por tarefa concluída com sucesso, em vez do preço por milhão de tokens, para tomar decisões
• Agentes ampliam o consumo: a execução paralela e em segundo plano faz com que o uso de tokens deixe de acompanhar o número de funcionários
• Contratação em cinco etapas: tarefas, modelos, forma de contratação, governança de custos e avaliação de resultados são igualmente indispensáveis
• Teste antes de assinar: use a interface unificada da APIYI apiyi.com para calcular custos com amostras reais

Resumo

Os principais pontos para contratar o ChatGPT em uma empresa são:

1. A contratação pede uma combinação de opções: licenças Business, contratos personalizados Enterprise e API com cobrança por token atendem a cenários diferentes; a maioria das empresas precisa combinar essas modalidades
2. A governança de custos é mais difícil que a escolha do modelo: atribuição de custos, consolidação dos dados de uso, alertas de orçamento e identificação de anomalias determinam se os gastos com IA ficarão sob controle
3. Use o custo por tarefa como indicador central: inclua novas tentativas, chamadas de ferramentas e revisão humana no cálculo para tomar decisões de contratação realmente vantajosas

Para líderes técnicos e profissionais de compras que estão definindo o orçamento de IA, uma abordagem mais segura é começar com um projeto-piloto de pequena escala, obter dados reais de uso e só então assinar contratos de longo prazo. A APIYI apiyi.com permite verificar rapidamente o custo por tarefa de diferentes modelos no seu negócio, com uma interface unificada para vários modelos e créditos gratuitos para testes.

📚 Referências

1. Reuters: reportagem sobre a receita empresarial da OpenAI: declarações de Brockman na conferência de tecnologia do WSJ
2. Link: reuters.com/legal/transactional/openai-ready-ipo-2027-now-counts-majority-sales-enterprises-brockman-says-2026-11-05

3. Sobre: participação da receita empresarial, crescimento no terceiro trimestre e declarações sobre o IPO

4. Harness: State of AI in FinOps 2026: pesquisa sobre gestão de custos de IA nas empresas

5. Link: harness.io/state-of-ai-in-finops-2026

6. Sobre: dados sobre cobranças inesperadas, visibilidade dos custos e uso de múltiplas plataformas

7. OpenAI Business Pricing: página oficial de preços do ChatGPT Business e Enterprise

8. Link: openai.com/business/pricing

9. Sobre: tipos de licença, recursos empresariais e formas de cobrança

10. Menlo Ventures: 2026 The State of Enterprise AI: relatório de pesquisa sobre o mercado de IA empresarial

11. Link: menlovc.com/perspective/2026-the-state-of-enterprise-ai

12. Sobre: estimativas de gastos empresariais com IA, participação no mercado de APIs e tendências de consumo de agentes

13. The Multi-Lab Enterprise: pré-publicação de pesquisa sobre governança de múltiplos modelos nas empresas

14. Link: arxiv.org/abs/2609.31622
15. Sobre: investigação sobre o uso de múltiplos modelos e gastos acima do orçamento, ainda sem revisão por pares

Autor: Equipe técnica da APIYI
Contato técnico: Entre em contato pela página inicial da APIYI em apiyi.com. Para mais informações sobre integração, acesse o centro de documentação em docs.apiyi.com

Artigos relacionados

• Não olhe apenas o preço unitário do token: 7 etapas para estimar o custo total de uma tarefa: Desde entrada, saída, raciocínio, cache e nova tentativa até verificação e atualização, use 7 etapas para converter “quanto custa por milhão de tokens” em “quanto custa por tarefa concluída”.
• Entenda e confira a fatura da API de um Modelo de Linguagem Grande: 5 tipos de cobrança e um método de conciliação em 4 etapas: Analise a cobrança de tokens de entrada, saída, cache e raciocínio e de recursos multimodais na fatura da API do Modelo de Linguagem Grande, com métodos práticos para conferir o uso pelos registros de chamadas, identificar aumentos súbitos de custos e lidar com mudanças de preços.
• Preço baixo do modelo não significa conta baixa: método em 5 etapas para estimar o custo real com base no consumo de tokens e no cache: Analise a composição da fatura, explique como as diferenças de tokenização, os tokens de raciocínio e os acertos de cache afetam o custo real do modelo e apresente um método reutilizável de estimativa em 5 etapas com uma amostra pequena.