6 Técnicas pra Gastar Menos Tokens com IA [2026]
Neste tutorial o apresentador explica detalhadamente o que são tokens, como eles diferem de palavras e como a tokenização varia entre português e inglês, mostrando que o português consome cerca de 30% mais tokens. Ele apresenta a estrutura de preços das principais LLMs (GPT‑Flash, Mini, 1, 2, 3, 4, Opus 4.5) destacando que o custo do output costuma ser 5× maior que o do input. A partir daí, são mostradas seis técnicas organizadas em três blocos para economizar tokens: (1) roteamento inteligente de modelos – usar modelos mais baratos para tarefas simples e reservar os mais caros para problemas complexos; (2) gerenciamento do context window – resumir antes de perguntar, usar modelos com janelas maiores, limpar ou compactar o histórico, pois as LLMs são stateless e reprocessam todo o histórico a cada interação; (3) controle do output – limitar tamanho, usar formatos concisos (JSON, bullets, tabelas), definir max_tokens na API e evitar respostas excessivas. O vídeo inclui exemplos práticos de custos (README, revisão de PR, análise de codebase) e demonstra na prática o consumo de tokens ao usar o Claude, mostrando como o histórico cresce rapidamente. Por fim, o apresentador recapitula as técnicas, reforça a regra de que o output custa 5× mais, e convida a comunidade a testar as práticas, além de promover o canal e a comunidade de desenvolvedores.
Chapters
Nesse vídeo eu vou te mostrar como os tokens funcionam, por que que eles são importantes, e vou te mostrar várias formas de você conseguir diminuir o seu uso de tokens. Então, se você usar esse Senatura, você vai conseguir mandar 2 ou 3 vezes mais mensagens. E se você usa API, você vai ter uma economia de 40 a 90% só aplicando as práticas que eu vou falar aqui nesse vídeo. E a primeira coisa que você precisa entender é que token é diferente de palavra, eles não são a mesma coisa. Isso que é a base para você entender como que tokens funciona e qual que é a moeda hoje que as IAs utilizam, né? Porque token hoje é a moeda das IAs, é pelo token que você é cobrado. Então deixa eu te mostrar na prática. O token, ele é tipo um pedaço. Então a palavra inteligência artificial, ela não é dois tokens, não são duas palavras, elas são quatro tokens. Então inteligência são três tokens e artificial é só um token. A OpenAI, ela tem um site que chama Tokenizer, então platform.openai.com. Você consegue acessar esse site para você testar e para você entender como é que funciona. Então vamos lá, o cloud usage limit reached. Então essa frase aqui é muito comum para quem tá usando o Cloud Code, né, que ele atingiu o limite. Então aqui a gente vê que é cada um aqui, ó, é uma palavra. Só quando a gente vem aqui, coloca uma frase em português, ó, o cloud atingiu o limite, só voltará amanhã. Às 8 horas. Agora vamos dar uma olhada aqui, ó, em português. O Cláudio aqui é um token, atingiu são dois tokens, o limite só, tá vendo, voltará são dois tokens. Então os tokens eles não são palavras e é muito importante você entender isso. E voltando aqui na plataforma, a gente consegue ver aqui que são tokens IDs. Então quando você olha para o token você pensa que ele é uma palavra, mas não, eles são AI diz aqui são números, né? E a gente consegue ver, cara, é uma loucura como é que a IA consegue lidar com isso. Então pensa assim, o token ele é tipo uma sílaba, tá? Então se a gente ler inteligência artificial, o token, né, aí ela vai ler int eligência artificial. Ela não vai ler palavras, ela vai ler os pedaços. E a regra de bolso que eu tenho para vocês entenderem também, né, é que o inglês a cada 4 caracteres ele gasta um token. Já no português, a cada 3 caracteres a gente gasta token. Então o mesmo texto em português ele pode gastar 30% mais tokens do que um texto em inglês. E eu acho que muito isso se deve ao fato que a nossa língua portuguesa ela tem acentos, ela tem várias outras coisas que o inglês não tem. Então por isso a gente gasta mais token. Então se você fica conversando com a IA em português, você tá gastando mais token sem nem você saber disso. É por isso que você chega no limite tão rápido. E agora que você sabe o que que são os tokens, deixa eu te mostrar os custos. Então aqui os preços eles são por milhão de tokens, tá? Então a gente tem o GPT Flash, que é o mais barato, E o Premium, que é o Cloud Opus 4.5, que é o mais caro. Só que presta atenção numa coisa, cara. Isso aqui é o preço do input. Isso aqui é o preço do output. Então, no Flash, 10 centavos de input, 40 centavos de output, de dólares. No Mini, 15 para 60, 1 para 5, 2,5 para 10. Olha isso aqui, cara. E 3 para 15 e 5 para 25. Então outra coisa que você precisa entender sobre token é que o output normalmente ele custa 5 vezes mais que o input. Então a resposta da IA ela custa 5 vezes mais que a sua pergunta. E eu preciso que você guarde isso porque isso é importante para caramba, tá bom? Guarde isso na sua cabeça. Então para ficar de uma forma mais didática, pensa no Uber. Pedir a corrida é muito fácil, então seria a sua pergunta, o input. Isso é baratinho, não tem muito problema. Agora a resposta É o motorista rodando, e isso é caro. Então, alguns exemplos reais, né, olhando o Claudio Sonner aqui, ó. Para gerar um README são 0,02 centavos de dólar. Para revisar um PR de 500 linhas são 15 centavos de dólar. Para refatorar um arquivo grande, 50 centavos. Agora, para explicar uma codebase inteira, é de 2 a 5 dólares. E por mais que isso aqui parece pouco, mas quando você soma isso várias vezes ao dia, isso fica muito caro. E eu sei que você tá usando a assinatura, né, você tá pensando, pô, mas isso aqui eu não tô pagando por isso. Você tá, cara, porque aí você usa assinatura, você gasta todos os tokens, você vai atingir o limite, e aí você tem que esperar. E é por isso que eles colocam esse limite, para que o seu uso daí, ah, ele não seja maior do que o que você tá pagando. Então indiretamente você é sim afetado por cada coisa que você faz com a IA, por cada token que você gasta, mesmo você usando uma assinatura e não pagando uma API. Então aí, se você se perguntar, mas então é só usar o modelo mais barato? Bom, aí vai depender, né? E eu vou te explicar isso aqui, ó. Então pensa comigo, você chama um médico para medir pressão? Acho que não, né? Você chama um enfermeiro, certo? Então entenda que para tarefas simples você usa um modelo mais barato, só que para uma tarefa complexa você pode sim e deve usar um modelo mais caro. Então, ó, qual modelo usar? Sempre pensa nisso, né? Ah, você quer resumir um e-mail? Pode ir com um modelo mais simples. Corrigir erro de português, traduzir texto, extrair dados de PDF, isso aqui tudo você consegue usar um modelo mais simples. Agora, você precisa de uma tarefa mais complexa? Você vai escrever um código novo, vai debungar o bug de difícil pensar em arquitetura, uma análise mais profunda, aí sim você deve usar um modelo melhor. E essa técnica da gente ficar mudando de modelo a gente chama de roteamento inteligente. Então só com essa técnica, por exemplo, você consegue economizar cerca de 60% para cada tarefa. Então ao invés de você chegar no seu limite rápido do cloud, você vai conseguir trabalhar muito mais, você vai conseguir fazer muito mais coisa com ele. E isso aqui é só a primeira técnica, ainda tem mais. Então o que que você já aprendeu? Já aprendeu o que que são tokens, quanto custa cada modelo, como rotear tarefas. E se isso tá te ajudando até aqui, lembra de deixar o seu like, se inscrever no canal para ficar ligado nos próximos vídeos. Beleza? Agora vamos falar de context window. Cara, eu acho que isso aqui é uma das partes mais importantes da gente entender, a gente que trabalha e tá trabalhando com o IA o dia inteiro, tá? O context window é o limite máximo de tokens que cada modelo aceita, e isso inclui a sua pergunta e também a sua resposta. Beleza? Então pensa assim, o context window é a memória de curto prazo da IA. Sabe quando você conta uma história para uma pessoa e do nada ela vira e fala: "Poxa, pera aí, quem que é o João mesmo?" E aí ela faz a mesma coisa. Então se a conversa ela tá começando a ficar muito longa, ela começa a esquecer o começo da conversa. Então dá uma olhada nos limites atuais que a gente tem hoje. Então o GPT ele tem 128 mil tokens, tá? O Claude ele tem 200 mil tokens e o Gemini ele tem 1 milhão de tokens. 5 minutos. Parece muito, só que isso aqui vai muito rápido. E você sabe muito bem disso, você tá conversando com o Cláudio lá, por exemplo, você passou 5 minutos conversando com ele, até em uma conversa rapidinho, 5 minutinhos, 3 minutinhos, você já atingiu, ele tá compactando a conversa para você. Então deixa eu te mostrar isso na prática. Eu tô com um projeto aqui aberto, é o Cláudio, que ela tá zero input, zero output. Se você não sabe, isso aqui é o status line do Cláudio, tá? Você consegue configurar isso. É só você pedir para ele configurar e pedir para ele ajustar, ele mesmo ajusta, tá? Então o meu eu ajustei para ele colocar o modelo que eu tô selecionado, a branch que eu tô, a quantidade de input, a quantidade de output, e isso aqui é a porcentagem do contexto que eu tô conversando com ele. Então se eu virar para ele aqui e pedir, ó, tô usando o Opus 4.5, tá? Analise o projeto. Agora eu rodei e ele vai começar depois aqui, ó, a contar lá os inputs e outputs. Então aqui, ó, de input, só de pedir já foi 800 tokens. De output foi 400. Então aqui ele já vai começar a analisar o projeto, entendeu o que que tá acontecendo. Mas presta atenção, cara, só dessa pergunta minha aqui já foram 800 tokens. E por que que foram 800 tokens? Quando eu peço para ele analisar o projeto, ele vai fazer tudo isso aqui, ó, analyze this next project comprehensive. Ele faz muita coisa por trás, cara. É por isso que quando você pede uma coisinha simples, por mais que o seu input foi besta, o Claude ele faz muita coisa. Então olha que legal, ó, no think, ó, usuário quer que eu analise o projeto, vou usar o agente Explore para fazer uma análise abrangente da coisa base. Então ele aqui tá usando um agente para analisar tudo isso, e ele tá começando a ler várias coisas. Quando eu volto para cá, ó, só daqui já foram 19.000 tokens de input e 3.200 de output. Isso que eu tô pedindo ele só para analisar. Então realmente vai vir mais input mesmo. Quando a gente começar a trabalhar e pedir para ele as coisas, você vai ver que o output ele vai só triplicar aqui, só vai aumentando. Eu vou deixar ele aqui analisando o projeto e eu volto assim que ele terminar. Bom, ele terminou de analisar o projeto e agora dá uma olhada nisso, galera. Foram 24 mil tokens de input e 11 mil de output. Quando a gente soma isso, a gente vai ter 33 mil tokens só em um prompt que eu dei para o Claude. E lembra que a janela de contexto dele é de 200 mil? Então só esse input foi mais do que 10% da janela de contexto dele. E agora pensa comigo, se for um projeto maior, uma codebase maior, pensa, cara. Então aqui é um exemplo real, né, uns 30 arquivos de código, uns 50 mil tokens mais ou menos 100 arquivos, uns 150 mil tokens. 500 páginas de PDF, 300 mil tokens. E cara, você paga por todos eles. Para cada pergunta que você fizer, você tá pagando, pagando não só na questão do seu tempo quanto no dinheiro, se você pagar pela API. Então, umas soluções fáceis, né, para você fazer: você pode sumarizar antes de perguntar. Então, antes de você começar a fazer pergunta, você pode pedir um resumo para IA. No Claude, ele tem um /resume, você consegue fazer isso para ele. Você pode também, se você tiver usando uma API, tiver usando um projeto, né, você pode usar um reg para você buscar só os trechos relevantes para ele. E também você pode tentar usar um modelo com uma janela maior, tá, por exemplo, que é o Gemini. Então você vai conseguir ter uma conversa um pouco maior com ele. E agora que vem, eu acho que a parte mais importante, cara, eu acho que isso aqui mudou a forma como eu olho aí hoje, tá. Acho que é o módulo mais importante, que é são stateless. Isso aqui é loucura, cara. Aí, ela não lembra de nada nas mensagens. Eu preciso que você entenda isso muito bem. Aí, não lembra de nada. A mensagem que eu mandei agora para o Claude, se eu mandar uma outra mensagem, ele não lembra da mensagem anterior. Então, cara, toda mensagem nova, ela meio que reprocessa o histórico todo do zero. Então ela recebe tudo de novo, ela vai receber um prompt cada vez maior e maior e maior com o histórico da conversa. E aí deixa eu te mostrar na prática aqui de novo, ó. Eu vou dar um clear aqui no cloud, beleza? E eu vou dar ali, ele já tá com 24 mil e tudo mais. Deixa eu fechar tudo aqui, ó. Fecha cloud. Eu vou zerar isso aqui para vocês. Então vou dar um olá, vou mandar um olá para ele, mais nada. O meu olá foram 1000 tokens de input e 0,1 de output. E um detalhe importante, se eu tiver colocando MCP, se eu tiver MCP, se eu tiver outras coisas aqui ele vai carregar também no contexto. Esse foi um dos motivos de eu desativar quase todos os meus MCPs, tá? Hoje eu só tenho aqui, ó, MCP do ShedCN, MCP do Superbase e o do Context7, mais nada, tá? Esses são os únicos MCPs que eu tenho aqui nesse projeto. Tem alguns separados, mas o que sempre carrega para mim é esse aqui, ó, do Context7. Esse aqui é de cada projeto. Mas dá uma olhada agora, ó, explique o que é recursão. Eu vou fazer uma pergunta para ele simples, tá? Então aqui, ó, a gente tem 1.1 e 0.1. Agora ele tá aumentando aqui. E agora a gente tem, ó, 1.2 e 0.6. Agora me fala, cara, por que que ele não zerou? Ele não zerou porque agora ele releu a pergunta que eu fiz aqui, ó. Ele releu o olá, ele releu o que que é recursão, e aí ele gerou uma resposta. Eu vou pedir de novo, explique 'com mais detalhes'. E aí, o que que ele vai fazer aqui? Ele vai reler o que eu fiz aqui, reler o que eu fiz aqui, olhar a resposta dele, reler de novo a minha pergunta. E aí ele vai explicar com mais detalhes. Aqui, ó, ele tá falando, tem que, ó, quando a gente aperta Ctrl aqui, ó. Então eu vou dar uma compreensão maior, né, eu vou compreender mais, ele vai pensar mais sobre isso. Mas agora a gente já tá aqui, ó, 1.3 e 0.6. E agora, olha o resultado, ele mandou essas coisas aqui para mim, né? Ele me deu um resultado um pouco mais completo. Mas olha o resultado aqui, ó, 1.3. Continua aqui porque o meu input ele foi bem pequeno, né? Eu não coloquei mais nenhum arquivo, pedi para ele nada, mas o output foi 2.8. Então entenda que a cada interação sua esse custo ele vai crescendo, ele vai se acumulando. Então no início, né, por exemplo, ele vai estar com 33, depois na outra mensagem vai para 35, depois para 38, depois para 42, E isso só vai aumentando, cara, até você chegar nos 150 mil, nos 200 mil, e ele ter que compactar a conversa. E um detalhe importante, né, é que essa última mensagem aqui, né, mensagem 50, ela custa mais do que as 10 primeiras mensagens juntas. Por quê? Porque ele literalmente, cara, ele coloca no prompt todas as mensagens e tudo que você conversou. Então esses 200 mil tokens é a quantidade de tokens que ele suporta em uma mensagem. Então uma diferença muito clara, né, que a gente que é humano ali, a gente lembra, né, do o contexto e a gente continua onde que a gente para. Só que aí, ah não, aí ela reconta toda a história desde o início todas as vezes. Então dá uma olhada aqui, ó, eu pedi para o Claudio me explicar, ó, me explica como funciona o context window e as mensagens acumuladas. Então ele falou, ó, o context window é a quantidade máxima de texto, a medida de tokens, que eu posso processar de uma só vez. Entende isso? Uma só vez. Então elas vai incluir, né, as instruções do sistema, o ClaudioMD, o histórico da conversa, resultado de ferramentas, minha resposta atual e tudo mais. E as mensagens se acumulam aqui, ó, o system prompt do Claude, ele é fixo, ele vai estar sempre presente aqui. Então a mensagem do usuário 1, a resposta do Claude 1, mensagem 2, resposta 2. E aí depois aqui, ó, no por último, a mensagem atual mais a resposta em geração. E aí que é o que acontece quando o Claude enche, ele usa a sumarização automática, o contexto fica grande, as mensagens são resumidas automaticamente, o resumo preserva informações importantes e a conversa continua sem perder o fio da meada. E aqui ele já dá até dicas práticas, né? Leitura de arquivos grandes consome muito contexto, outputs longos de comandos também. E se a conversa ficar lenta ou estranha, o /clear ajuda. E para tarefas independentes, começar limpo é bem mais eficiente. Então é isso que eu ia dar, 3 práticas aqui, né? Praticamente é isso. A tarefa terminou, dá um clear, cara. O contexto tá pesado, compactua ou dá um clear também. O assunto mudou, você tá perguntando outra coisa, cara, abre um chat novo, abre uma conversa nova. E você vai ter resolvido esse problema, beleza? E aí uma última técnica agora, cara. Lembra disso aqui, ó? Lembra da regra? O output ele é 5 vezes mais que o input. Lembra disso? Então é aqui que o dinheiro vai embora e você atinge o seu limite mais rápido. Então ao invés de ficar pedindo aí, ah, para fazer coisa, analisar coisas, cara, uma dica prática, né? Então, ó lá, gera testes para essa função. Em vez de você pedir isso, ele vai gerar várias coisas aqui "Você pode pedir, gera 3 testes unitários." Então você começa a tentar controlar o output da IA. Dessa forma você vai ver que você vai conseguir ter uma redução muito grande no seu consumo de tokens e no tempo de mensagem que você tá trocando com a IA. Então, por exemplo, né, frases que economizam tokens: seja conciso, máximo 3 bullets, responda em formato JSON, lista ou tabela, não explique, só faça. Ou na API, né, você consegue colocar um número máximo de tokens. Então entenda que se você não pedir para a IA ser breve ela vai ficar gerando, cara, e ela vai fazer coisa que você não tá nem pedindo para ela. E aí é ótima em gerar as coisas, e é por isso que o seu limite fica atingindo de uma forma muito rápida. Por último, dando uma recapitulada em tudo aqui, ó, 6 técnicas em 3 blocos. Entenda: token é diferente da palavra, e português gasta muito mais do que o inglês. O output custa 5 vezes mais. Escolha o seu modelo certo, isso aqui já vai te dar bastante economia. O context window, ele tem um limite. A IA, ela é um stateless, então ela não entende e ela processa mensagem toda a cada interação que você faz com ela. E é muito importante você controlar o output para você conseguir economizar bastante, beleza? E a regra que você tem que levar no bolso, cara: entenda, o output ele custa 5 vezes mais. Coloca isso na sua cabeça que você vai conseguir trabalhar e conversar muito melhor com a IA. E agora me conta aqui nos comentários qual que você vai testar primeiro, é o Clear ou Compact? Então me conta aqui nos comentários, comenta também se você achou alguma coisa nova ou se você sabe de alguma coisa que eu não trouxe aqui aqui para o vídeo. Eu leio todos os comentários e respondo todos eles. E se esse vídeo te ajudou de alguma forma, deixa o seu like, se inscreve no canal. O meu muito obrigado a todo mundo que é membro aqui do canal, que apoia o canal de alguma forma. Toda semana eu tô tentando trazer vídeos novos aqui, e toda quinta-feira eu tô fazendo live aqui no canal também. Para você que não tá acompanhando, participa aqui da próxima live no canal. E se você quiser ir mais fundo e bater um papo com a gente, entra na comunidade que tá aqui no link na descrição. A gente tem uma comunidade no WhatsApp, a galera se ajuda bastante, tem mais de 200 devs lá. Que ajudam uns aos outros, e eu tô sempre lá presente batendo papo com vocês. E é isso, meus amigos, muito obrigado e até a próxima. Valeu!
