Como o cache imediato reduz sua conta de LLM em até 90%

Publicado em 21/06/2026 · números de referência, verifique antes de orçamentar

Se o seu aplicativo enviar o mesmo prompt longo do sistema, os mesmos documentos recuperados ou o mesmo histórico crescente de bate-papo em cada chamada, você estará pagando o preço total para reler o texto que a modelo já viu segundos atrás. Cache de prompt é a solução e é o maior desconto em itens de linha que a maioria das equipes nunca oferece. Feito da maneira certa, reduz o custo de insumos em 50% a 90%. Veja como funciona, os números de 2026, e onde silenciosamente não ajuda.

O que o cache de prompt realmente faz

Um projeto de lei LLM é principalmente tokens de entrada × preço + tokens de saída × preço. O cache ataca a metade de entrada. Quando você marca uma parte do prompt como armazenável em cache, o provedor armazena seu formulário processado por um curto período; na próxima chamada que reutilizar exatamente o mesmo prefixo, você será cobrado fração da taxa de entrada normal para esses tokens em vez do valor total. O preço de saída permanece intacto – o cache apenas desconta a parte que você continua reenviando.

Os descontos de 2026 (referência)

Provedor	Preço de entrada em cache	Notas
OpenAI	~50% da entrada	Automático em prompts longos, sem alteração de código
Antrópico (Claude)	~10% da entrada em leituras	Até 90% de desconto – mas aproximadamente 25% de gravação premium na primeira vez
Google Gêmeos	~25% da entrada	Cache de contexto; pode adicionar uma pequena taxa de armazenamento

⚠️ Números de referência, junho de 2026 — descontos exatos, vida útil do cache e quaisquer alterações nas taxas de armazenamento. Confirme na página de preços de cada provedor. Antrópico e Gemini usam marcadores de cache explícitos; OpenAI aplica-o automaticamente a prefixos qualificados.

Um exemplo trabalhado

Digamos que um assistente de suporte envie um Prompt de sistema de 2.000 tokens + base de conhecimento em cada mensagem, mais aproximadamente 200 tokens da pergunta real do usuário e retorna aproximadamente 300 tokens de saída. Com 10.000 conversas por mês, o bloco fixo de 2.000 tokens é reenviado 10.000 vezes. Usando um modelo com entrada de US$ 2,50/1 milhão:

Sem cache: 2.000 × 10.000 = 20 milhões de tokens de entrada no bloco estático = $ 50/mês apenas para o prefixo repetido
Com cache com aproximadamente 50% de desconto (estilo OpenAI): ~$25/mês - metade, para inverter uma configuração
Com cache com aproximadamente 90% de desconto (Claude lê): ~$5/mês naquele bloco

Dimensione isso para 100 mil ou 1 milhão de conversas e o prefixo estático será a diferença entre uma conta confortável e uma alarmante. Quanto maior e mais repetido for o seu contexto fixo, mais vale o armazenamento em cache – aplicativos RAG e agentes de prompts de sistema longos são os mais beneficiados.

Quando o cache NÃO ajuda (as pegadinhas)

O prefixo deve ser idêntico. Correspondências de cache no exato prefixo repetido. Coloque qualquer variável (um carimbo de data/hora, o nome do usuário, um ID aleatório) antes o bloco estático e você interrompe a partida - todas as chamadas são perdidas. Mantenha o conteúdo variável no fim.
O prêmio de gravação. Cargas antrópicas ~25% extra na primeira vez que ele armazena em cache um bloco. Se um prefixo for usado apenas uma ou duas vezes antes de o cache expirar, você poderá pagar mais, não menos. Cache ganha em reutilizar, não novidade.
Vida útil curta do cache. Os caches duram minutos, não horas. Aplicativos de baixo tráfego com longos intervalos entre chamadas podem nunca atingir o cache.
A saída não é armazenada em cache. Se o seu custo for dominado por respostas geradas por muito tempo, o armazenamento em cache mal movimenta a conta – em vez disso, reduza a produção.

A regra prática

Armazene em cache quando você reenvia um bloco grande e idêntico de contexto com frequência e rapidez: prompts do sistema, definições de ferramentas, documentos RAG, exemplos de poucas cenas, longo histórico de bate-papo. Não se preocupe com chamadas únicas, solicitações altamente variáveis ou cargas de trabalho com muitos resultados. Estruture o prompt primeiro estático, último variável, e o desconto está próximo do dinheiro grátis. Coloque um número no seu próprio caso com o calculadora de economia de cache imediatae comparar modelos no Calculadora de custos de API de IA.

Perguntas frequentes

Quanto o cache imediato pode economizar?

Normalmente, 50–90% de desconto no preço de entrada da parte armazenada em cache, dependendo do provedor. Ele desconta apenas tokens de entrada repetidos, não de saída.

O cache imediato altera as respostas do modelo?

Não. É uma otimização de faturamento/latência — o modelo vê os mesmos tokens, você apenas paga menos para reenviar o prefixo armazenado em cache. As respostas permanecem inalteradas.

Por que o cache fez minha conta subir?

Quase sempre o prêmio de gravação (por exemplo, a sobretaxa de ~ 25% da Anthropic para criar o cache) em prefixos que não são reutilizados o suficiente antes de expirarem, ou um prefixo que altera cada chamada para que nunca atinja. O cache compensa com a reutilização frequente e idêntica.

Estimativas de referência – verifique sempre descontos e taxas na página oficial de preços do fornecedor.